ISSN 1673-0291 CN 11-5258/U
道岔转辙机的稳定运行是高铁行车安全的关键保障，而高铁系统的智能化发展对其工作状态的精准感知与自主诊断能力提出了更高要求.为克服传统方法在诊断精度、计算实时性及抗干扰能力等方面的局限性，构建了一种融合跨模态特征注意力机制与Transformer-XL递归记忆机制的智能诊断模型，以提升现场复杂运营条件下的故障识别能力与环境适应性.通过引入跨模态注意力机制，实现功率曲线信号与尖轨振动信号的动态特征交互，避免单模态信息缺失导致的判断偏差；采用Transformer-XL的递归记忆机制，动态调整模型对历史信息的感知范围，使模型能够跨时间窗口提取历史状态信息；结合1D-CNN进行短时动态特征提取，优化全局时序建模，在增强抗噪鲁棒性的同时降低计算复杂度.实验结果表明：该模型在跨模态特征表达、长时依赖建模、抗噪鲁棒性和计算效率等方面均具有显著优势，为高铁智能运维提供了一种兼具高效性、低资源消耗与强环境适应性的智能诊断方案，推动故障处置由被动维修向预测性维护转变，提升高铁运行的安全裕度与稳健性.
针对现阶段转辙机主要以功率信号进行健康监测而未有效利用振动信号进行故障诊断的问题，提出一种金枪鱼群算法（Tuna Swarm Optimization，TSO）优化变分模态分解（Variational Mode Decomposition，VMD）和冠豪猪算法（Crested Porcupine Optimizer，CPO）优化最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）的故障诊断模型.首先，通过实验提取ZD6型转辙机8种典型工况的振动数据，利用TSO优化VMD获得最佳分解层数k和惩罚因子α，并使用优化后的VMD将振动信号分解为若干个本征模态函数（Intrinsic Mode Function，IMF）；其次，采用包络熵和峭度指标双重筛选准则优选IMF并重构信号，提取重构信号的精细复合多尺度散布熵（Refined Composite Multiscale Diversity Entropy，RCMDE）；再次，将RCMDE划分为训练集和测试集，并将它们分别作为特征向量，输入到采用CPO优化后获得最佳惩罚因子γ和核函数参数σ组合的LSSVM进行故障诊断；最后，选取准确率、宏精确率、宏召回率和宏F1分数作为评判指标进行多种模型的对比分析.研究结果表明：TSO-VMD-RCMDE-CPO-LSSVM作为转辙机故障诊断模型运行10次的平均耗时为20.4 s，训练集准确率平均值为99.68%，标准差为0.12，测试集准确率平均值为99.25%，标准差为0.07；相较于其他模型，两者分别对应的宏精确率、宏召回率和宏F1分数的平均值最高且标准差最小，有效验证了该模型在转辙机故障诊断领域的优越性和可行性.
针对现有转辙机故障诊断中普遍存在的数据样本稀少、故障诊断正确率低等问题，以S700K转辙机的动作功率曲线这一关键时序数据为研究对象，提出一种基于GAN-BO-BiGRU的故障诊断模型.首先，将信号集中监测系统采集的少量功率数据样本输入生成对抗网络模型（Generative Adversarial Networks，GAN）中，通过生成器与判别器的对抗训练生成更多的样本数据，解决数据样本稀少的问题；其次，建立BO-BiGRU故障诊断算法模型，利用贝叶斯优化算法（Bayesian Optimization，BO）确定双向门控循环单元（Bidirectional Gated Recurrent Unit，BiGRU）模型的隐藏层神经元个数、初始学习率和L2正则化参数的最优值，获得最优超参数组合，利用BiGRU能够双向捕捉信息的特征，更全面地挖掘转辙机的时序功率数据中的模式.最后，以生成的数据和原始数据为样本进行仿真.仿真结果表明：GAN生成的数据与原始数据无明显差异，可以被用作原数据的扩充集进行故障诊断；BO-BiGRU故障诊断模型相较于长短期记忆（Long Short-Term Memory，LSTM）模型，F1分数提高了约1.77%，证明其能够更好地提取转辙机的故障特征信息，有效提高转辙机故障诊断的正确率.
针对不同噪声背景下转辙机振动信号故障特征提取困难的问题，提出一种基于冠豪猪算法（Crested Porcupine Optimization，CPO）优化变分模态分解（Variational Mode Decomposition，VMD）联合全变分平稳小波正则化（Stationary Wavelet Transform Total Variation，SWTTV）对转辙机振动信号降噪的方法.首先，通过CPO优化VMD，将转辙机振动信号分解成若干个本征模态函数（Intrinsic Mode Function，IMF）；其次，采用相关系数与峭度的混合准则筛选IMF；再次，结合SWTTV算法对筛选的IMF实现降噪并重构信号；最后，对仿真测试信号和铁路现场采集的转辙机振动信号进行性能指标评估.实验结果表明：在不同信噪比下，相较VMD-WT算法，所提算法处理后的信号信噪比提高了约1~6 dB，均方根误差降低了约0.03，与原信号的相关系数提高了约0.01；且该算法对不同工况信号降噪后信号特征保存完好，有效避免了信号失真，所提算法具备良好的泛化性与鲁棒性，能够为转辙机振动信号的特征提取和故障诊断提供理论依据.
针对高铁隧道漏缆卡具人工检测效率低、海量数据难以检测的问题，提出一种基于改进YOLOv5的高铁隧道漏缆卡具检测方法.首先，设计幻影空间卷积金字塔（Ghost Spatial Convolutional Spatial Pyramid， GSCSP）模块，使用Ghost卷积替代标准卷积减少特征冗余，实现模型轻量化；其次，嵌入轻量级高效通道注意力网络（Efficient Channel Attention Network， ECANet），增强模型对漏缆卡具特征与隧道背景的区分能力，提升小目标检测精度；再次，采用结构化通道剪枝策略，基于批量归一化（Batch Normalization， BN）层缩放因子裁剪冗余通道，以在保证模型精度的同时实现轻量化设计；最后，构建包含高铁在运行场景下不同漏缆卡具状态的数据集，通过高斯降噪、拼接等方法增强数据多样性，为后续模型训练提供更丰富、更具鲁棒性的样本基础.实验结果表明：改进后模型参数量减少了72.1%，且在保证检测精度的同时，保持了实时检测速度.研究结果能够为铁路通信设备智能运维提供参考.
针对轨道扣件缺陷特征复杂且多样，传统检测方法存在效率低下和漏检率高的问题，基于YOLOv8s网络提出一种轻量级轨道扣件检测模型FPSI-YOLOv8s.首先，为降低模型复杂度，采用速度更快、参数量更小的FasterNet网络替代YOLOv8s中的CSPDarkNet53主干网络进行扣件缺陷特征提取；其次，采用位置感知循环卷积对YOLOv8s颈部的C2f模块进行重新设计，命名为FasterBlock，以实现多尺度特征融合与模型轻量化；再次，在SPPF层后引入空间分组增强（Spatial Group-wise Enhance，SGE）注意力机制，增强模型对扣件缺陷特征的敏感度，防止检测精度大幅下降；最后，使用Inner-IoU损失函数替代CIoU损失函数，加强模型对不同尺度和形状目标的检测能力，通过精细化的质量评估和梯度增益策略，增强模型的鲁棒性.实验结果表明：改进后的模型在仅损失0.7%检测精度的情况下，模型大小降低了29.78%，计算量和参数量分别减少了29.93%和30.46%，能够在保持较高精度的同时实现轻量化和提升运行效率，在轨道扣件的快速巡检领域具有良好的应用前景.
针对铁路扣件检测任务中转辙机和道岔等复杂场景常出现的扣件误检与漏检问题，提出一种基于改进YOLOv9的铁路扣件检测方法.首先，针对复杂场景下扣件区域特征提取难的问题，融合大核（Large Selective Kernel，LSK）注意力机制和RepNCSPELAN4，以优化特征提取模块的性能，更好地捕捉图像中的扣件区域关键特征信息，提升模型对不同场景和目标的适应能力；其次，针对易混淆的扣件损伤状态细节，建立基于空间深度转换（Space to Depth，SPD）卷积的特征融合网络，在低分辨率和小目标检测中，提高模型精度，确保在复杂背景下也能准确识别扣件的损伤状态；再次，采用Shape IoU作为新的损失函数，以准确衡量预测边界与实际目标之间的重叠程度，使模型具有更强的鲁棒性和精确的目标区域匹配能力；最后，为验证所提方法的有效性，采集并构建一个包含复杂工况的实际线路扣件数据集并进行对比分析实验.实验结果表明：所提方法能够有效进行铁路扣件状态检测，相较于基础模型检测精度提高1.3%，误检率减少0.7%，漏检率减少1.4%，增强了复杂条件下铁路扣件状态检测的可靠性与稳定性.
针对载荷识别与响应重构存在传递矩阵病态性和噪声鲁棒性差的问题，提出一种结合改进截断随机奇异值分解（Modified Truncated Randomized Singular Value Decomposition，MTRSVD）与联合双对角化QR分解（Joint Bidiagonalization QR，JBDQR）的联合正则化方法MT-JBDQR，通过改善矩阵病态性，降低测量噪声对识别结果的影响，实现仅借助有限测量信息识别未知载荷并重构未测量位置处的响应.首先，推导结构动力学方程并建立状态空间模型和传递矩阵，得到载荷识别与响应重构方程.其次，采用MTRSVD预处理传递矩阵，通过随机投影技术降低矩阵维度，结合自适应截断准则保留主要特征信息，改善传递矩阵病态性并降低测量噪声的影响.再次，引入JBDQR算法进行载荷识别，通过联合双对角化过程进行迭代正则化求解未知载荷，并结合待重构位置的传递矩阵重构未测量位置的响应.最后，通过3 kW小型风力机叶片数值算例和简支梁试验算例验证所提方法的有效性.结果表明：所提方法在15%的噪声等级下仍能有效实现载荷识别，并重构未测量位置的响应.
针对电气化铁路牵引供电系统的牵引电流易对轨道电路地-车信息传输产生干扰的问题，利用有限元仿真软件建立轨道电路地-车信息传输模型，对轨道电路和轨道电路读取器（Track Circuit Reader， TCR）天线间信息传输过程进行电磁场仿真研究.首先，基于轨道电路系统原理及安装结构建立轨道电路地-车信息传输仿真模型.然后，以轨道电路信号作为激励源输入，通过对比TCR天线感应电压的峰值、载频、调制低频等参数，验证仿真模型的有效性.最后，以实测牵引电流作为激励源输入，研究牵引电流在平衡及不平衡状态下对轨道电路地-车信息传输的电磁干扰效应.仿真结果表明：以实测数据作为激励源，当钢轨中的牵引电流平衡时，TCR天线感应电压峰值约为1 mV，牵引谐波电流不会对轨道电路系统产生干扰；当钢轨中的不平衡电流峰值达到1.1 A时，TCR天线感应电压峰值最大为220 mV，将会在轨道电路工作频段产生干扰信息.研究结果可为电气化铁路信号系统的电磁兼容设计及TCR设备的抗干扰优化提供借鉴和参考.
针对高速列车速度跟踪控制过程中系统易受内外部扰动的影响，导致控制精度低的问题，设计一种基于分数阶积分滑模的高速列车速度跟踪自抗扰控制（Active Disturbance Rejection Control， ADRC）方案.该方案对ADRC中的线性扩张状态观测器（Linear Extended State Observer， LESO）和非线性误差反馈控制律分别进行改进.首先，在LESO设计中，引入总扰动微分状态变量，提高观测器扰动观测能力；其次，采用分数阶积分滑模控制（Fractional Order Integral Sliding Mode Control， FOISMC）改进非线性误差反馈控制律，削弱滑模控制抖振的同时提高系统跟踪精度；最后，设计复合分数阶积分滑模自抗扰控制方案，以CRH3型列车参数进行期望速度曲线仿真跟踪，验证控制方案的跟踪性能，并将该控制方案与其他传统控制方案进行比较分析.研究结果表明：在相同条件和相同外加扰动作用下，所提控制方案较其他控制方案跟踪精度更高，抗干扰能力更强，速度追踪最大误差为0.000 05 m/s.
针对固定信号配时在动态交通流环境下适应性不足的问题，提出一种融合元学习机制的改进梯度元学习深度Q网络（Gradient-Based Meta-Learning Deep Q-Network， GBML-DQN）算法，以实现单点交叉口自适应信号控制.首先，基于车道密度构建状态空间，定义信号相位动作空间，并设计多目标加权奖励函数.其次，以DQN为基础架构，利用元梯度策略动态调整折扣因子γ.再次，采用Dueling结构分离状态值与动作优势，以NoisyNet替代传统ε-贪婪策略，分别构建了改进的GBML-DQN-Dueling（Improved GBML-DQN-Dueling， I-GD-D）和改进的GBML-DQN-Noisy（Improved GBML-DQN-Noisy， I-GD-N）算法；最后，在SUMO仿真平台上进行高、中、低3类流量场景的实验验证.实验结果表明：I-GD-N在不同流量场景下均展现出更优的鲁棒性与自适应能力，在中流量且采用随机梯度下降（Stochastic Gradient Descent， SGD）优化器的情况下，平均延误降低至20.55 s，较DQN提升约20%；在中、低流量场景中，DQN因其结构简洁，稳定性高于GBML-DQN，在高流量场景或使用均方根传播（Root Mean Square Propagation， RMSprop）优化器时，DQN出现显著策略退化，其表现甚至低于固定信号配时；动态γ调整机制能依据交通强度自适应优化，在高流量场景下通过降低γ快速响应拥堵，效果显著优于固定γ策略.研究成果可为城市交叉口信号控制提供参考.
针对高速公路交通速度受沿线用地性质、天气、交通流量等多种外部因素共同作用且呈现非线性时空差异性的问题，提出一种融合外部属性与时空特征的交通速度多步短时预测模型WP-STGCN-GRU.首先，基于时空图卷积网络（Spatial-Temporal Graph Convolutional Network， STGCN）与门控循环单元（Gated Recurrent Unit， GRU）构建时空预测框架，通过加权邻接矩阵刻画高速公路各路段之间的空间关联，以捕捉交通速度的时空依赖关系.其次，引入天气和兴趣点特征（Point of Interest， POI），构建速度属性增强单元，在扩展速度特征维度的基础上强化外部信息对速度变化模式的表达能力，实现交通速度的精准预测.最后，开展包括基线对比和消融实验在内的性能评估.实验结果表明：所提模型动态融入天气、POI等外部属性，可显著提升交通速度的单步和多步预测性能，与基线模型相比，所提模型单步预测平均绝对误差（Mean Absolute Error，MAE）和均方根误差（Root Mean Square Error，RMSE）分别降低了14.1%和14.8%以上，多步预测MAE和RMSE分别降低了4%和14%以上；在15分钟预测任务中，相较于仅引入单一外部属性，融合两类外部属性后模型的MAE和RMSE分别降低23.0%和17.8%，其中天气信息对预测性能的提升作用更为显著，且二者具有明显的互补性.研究成果可服务于高速公路车速预测任务，为更好保障高速公路行车安全以及提升其智慧管理水平提供参考.
行人入侵铁路周界会对列车安全造成严重威胁，为解决基于深度学习的单幅图像行人检测算法在铁路复杂环境下漏报率高的问题，提出一种结合YOLOv5x的单帧检测结果与图像序列行人轨迹协同的铁路周界入侵行人检测算法.首先，利用单帧图像检测到的高置信度行人目标结合轨迹空间关系、轨迹不平顺信息、检测结果与轨迹预测结果的匹配信息3类特征实现高可信行人运动轨迹更新和筛选；其次，基于轨迹协同预测结果进行单帧图像低置信度行人目标置信度重置，从而提升夜间及光线干扰等铁路复杂环境下的行人检测效果；再次，构建5个典型铁路场景下的行人入侵数据集，覆盖夜间及光线干扰条件下的目标遮挡、目标模糊和远处小目标等容易发生漏检的情况；最后，为验证所提算法的有效性，以Faster R-CNN和YOLOv3作为检测器，对检测性能提升情况进行评估.研究结果表明：相较于单幅图像检测算法YOLOv5x，所提出算法在检测精度不显著降低的情况下，召回率提升4.5%，对数平均漏检率降低4.0%，证明了设计的轨迹更新与筛选机制和置信度重置模块的有效性；与Faster R-CNN和YOLOv3相比，召回率分别提升2.3%、3.6%，对数平均漏检率分别降低1.3%、3.5%，验证了算法对不同检测模型的适用性.
为解决当前道路病害检测算法在复杂背景下检测精确性较低、泛化能力欠佳、小目标易漏检等问题，提出基于改进YOLOv8的道路病害检测算法.首先，在骨干网络层加入坐标注意力机制（Coordinate Attention，CA），通过引入坐标信息，使模型能够更好地理解不同位置之间的关系，从而增强在复杂背景下的特征判断能力；其次，在颈部网络层采用加权双向特征金字塔网络（Bi-directional Feature Pyramid Network，BiFPN）替换路径聚合网络（Path Aggregation Network，PANet），通过引入双向连接和可学习权重，允许信息在不同分辨率级别之间双向传播，使低层特征的位置信息和高层特征的语义信息能够更好地融合，增强多尺度特征表达能力；最后，引入小目标特征图，以更准确地捕捉小目标的特征信息，减少对小目标的漏检情况，从而提高检测精度.实验结果表明：在RDD2022道路病害数据集上，改进后算法较改进前算法的平均精度均值提升3.1%，模型参数量减少2.3%，实现了对道路病害更精准、快速的检测.
针对时间序列异常检测任务中标签稀缺、误报漏报率高以及模型性能易受季节性和长期趋势变化影响的问题，提出一种时频交叉融合引导的双流聚类异常检测方法（Time-Frequency Cross-Fusion-Guided Dual-Stream Clustering Anomaly Detection Method， TFCDC）.首先，分别提取时域与频域特征向量，并通过交叉融合机制实现多尺度信息的互补建模，获得时频联合特征表示.其次，利用长短期记忆网络和线性变换层对时频特征进行编码，得到两个隐变量.再次，在隐空间中采用两阶段聚类策略，通过聚合正常样本并区分异常样本，有效降低误报和漏报率.最后，在6个异常检测数据集上与主流基线模型进行对比实验.实验结果表明：所提模型TFCDC在多个数据集上优于主流基线模型，其F1分数在6个数据集上平均提升14.5%，尤其在超高维超长数据集WADI上较基线模型提升32.8%，证明TFCDC具有良好的准确性和鲁棒性，能够克服长期趋势变化和异常数据的干扰.
在复杂雨况下，U型编码器-解码器网络难以去除不同尺度的相似雨纹，且易丢失细节信息.为此，提出一种跳跃融合连接网络（Skip Fusion Connection Network，SFCNet），旨在增强编解码器间的多尺度特征传递能力.首先，设计具有多尺度输入输出的跳跃融合连接模块（Skip Fusion Connection Block，SFCB），通过级联跨尺度特征融合块（Cross-scale Features Fusion Block， CFFB），全局地融合了不同编解码器层级上的输出特征.其次，结合门控机制动态优化各尺度特征向解码器传输的注意力权重，使每一层解码器均可学习到与其分辨率匹配的上下文信息，显著提升对密集、交叉及多尺度雨纹的去除能力.最后，为更大程度还原被复杂雨纹遮挡的图片细节信息，提出一种细节增强块（Detail Enhancement Block，DEB），将原始图像在不同尺度上的细节信息增强后融合到网络中.实验结果表明：在Rain200L、DID-Data等标准数据集中，与IDT方法相比，SFCNet的峰值信噪比（Peak Signal to Noise Ratio，PSNR）平均提升了0.24 dB.研究结果为复杂雨况下的单幅图像去雨提供了参考.
在通感一体化（Integrated Sensing And Communication， ISAC）网络中，组网设计决定着通信和感知的性能.为给系统设计提供一般性的参考，利用随机几何（Stochastic Geometry， SG）从网络层面对组网设计进行数学建模和性能分析.基于硬核点过程（Matern Hard Core Point Processes， MHCPP）对ISAC基站的位置分布进行建模，考虑通信和感知时分复用的系统机制，以典型用户作为研究对象，将其关联到距离最近的基站，分别对通信和感知进行性能指标建模，推导典型用户和关联基站受到的平均干扰功率以及平均吞吐量的下界，并进一步通过仿真验证推导结果的准确性.仿真结果表明：相较于泊松点过程（Poisson Point Processes， PPP），MHCPP对平均干扰功率具有降低效果，通信场景中平均干扰功率降低了30%~43%，感知场景中平均干扰功率降低了91%~93%；随着基站间最小距离的增大，通信平均吞吐量增加，感知平均吞吐量先增后减，在实际场景中需结合系统需求来确定ISAC组网的参数设计. 研究结果可为系统设计和扩展性分析提供参考.
工业物联网（Industrial Internet of Things，IIoT）因其灵活性和经济性，在工厂智能化转型领域得到了广泛应用.为保证工业第五代移动通信（5th Generation Mobile Communication， 5G）异构网络中时延敏感型（Time-Sensitive， TS）业务的时延确定性和实时（Real-Time， RT）业务的高吞吐量，开展工业5G异构网络无线资源分配的研究.首先，构建一个TS和RT业务共存的工业5G异构网络的下行传输场景，设计一种基于有限码长理论的可变码长传输方案；然后，建立保证TS业务时延确定性和RT业务高吞吐量的优化问题；最后，为求解该混合整数非线性规划（Mixed Integer Nonlinear Programming， MINLP）问题，将问题解耦成信道分配、功率分配、传输时延设计3个子问题，提出一种基于交替优化（Alternating Optimization， AO）的算法，得到原问题的次优解.研究结果表明：可变码长传输方案相较于5G新空口（New Radio， NR）方案，能够通过更灵活的资源分配，在保证TS业务时延确定性的同时，提高约13%的RT设备的传输和速率.
