🤖 machine learning

WaveletInception Networks for on-board Vibration-Based Infrastructure Health Monitoring

本文提出了一种 WaveletInception-BiGRU 深度学习框架，该框架集成了可学习的小波包变换、多尺度一维 Inception-ResNet 模块以及双向 GRU，旨在无需显式预处理的情况下，直接从原始振动信号实现准确、自动化且定位精确的车载基础设施健康监测。

原作者： Reza Riahi Samani, Alfredo Nunez, Bart De Schutter

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Reza Riahi Samani, Alfredo Nunez, Bart De Schutter

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一列火车是一个巨大的、滚动的侦探。当它沿着轨道行驶时，车轮和车轴会产生振动。这些振动就像一种秘密代码：如果轨道健康，代码听起来是一种样子；如果钢轨出现裂纹或下方地基松软，代码就会发生变化。

长期以来，解读这种代码十分困难。工程师必须让火车停下，手动检查轨道，或者使用复杂的数学方法将振动转化为有用信息。本文介绍了一种名为WaveletInception-BiGRU的新型“超级侦探”人工智能，它能够实时聆听这些振动，瞬间理解它们，并准确告诉我们轨道哪里出了问题，而无需让火车停下。

以下是这个新系统的工作原理，分解为简单部分：

1. 问题：“速度”带来的困惑

想象你试图识别一首歌曲。如果以正常速度播放，你能清晰地听到旋律。如果快进播放，听起来像花栗鼠的声音；如果慢放，听起来则像低沉、拖沓的嗡嗡声。

在铁路监测中，“歌曲”就是振动信号。但火车并不总是以相同的速度行驶。有时它时速 35 公里，有时时速 90 公里。

旧的 AI 模型就像一个僵化的音乐播放器：它们需要歌曲的长度完全一致才能识别。如果火车加速或减速，信号就会变得太短或太长，导致旧 AI 感到困惑。
新方案则不在乎速度。无论火车是在缓慢爬行还是疾驰，它都能聆听振动。

2. “耳朵”：WaveletInception（多尺度聆听者）

AI 的第一部分称为WaveletInception。把它想象成一对超级耳朵，能同时以两种方式聆听振动：

小波部分：这一部分不只是聆听整个声音，而是将振动分解成微小的、特定的频带（就像分离低音、人声和鼓点）。它使用一种名为“可学习小波包变换”的特殊数学工具，充当智能滤波器。它能学会哪些声音部分对发现损伤最重要，并忽略背景噪音。
Inception 部分：这就像拥有多对耳朵，在不同的“缩放级别”上聆听。有些耳朵聆听非常快速、尖锐的振动（适合发现小裂纹），而另一些则聆听更长、更慢的波（适合发现松软的地基）。通过结合这些视角，AI 获得了轨道健康状况的全貌。

3. “大脑”：BiGRU（上下文思考者）

一旦“耳朵”听到声音，BiGRU（双向门控循环单元）就充当大脑。

上下文是关键：想象你在读一个句子。如果你一次只读一个词，可能无法理解其含义。你需要查看之前和之后的单词才能理解上下文。
双向思考：大多数 AI 只朝一个方向（向前）查看数据。这种新 AI 则同时向前和向后查看。它知道此刻发生的振动可能受刚刚发生的事影响，也可能受稍后发生的事影响。
为何这很重要：轨道上的薄弱点不仅影响车轮正下方的确切位置，还会影响前后几米处车轮的振动。通过双向观察，AI 能够精确定位具体哪一根铁路轨枕（钢轨下的混凝土块）受损，而不仅仅是说“轨道某处坏了”。

4. “速度表”的整合

AI 还将火车的速度纳入考量。它不只是忽略速度，而是将其作为线索。

类比：如果你听到汽车引擎的轰鸣声，声音会随着车速的变化而改变。AI 了解到，时速 30 公里时的响亮振动可能意味着与时速 100 公里时同样的响亮振动不同的含义。它将轨道的“声音”与火车的“速度”融合，从而做出更智能的诊断。

他们证明了什么？

研究人员通过两种方式测试了这个系统：

模拟轨道：他们创建了一个虚拟世界，在其中以特定方式破坏轨道（例如移除一根或三根轨枕下方的支撑）。AI 以极高的准确率正确识别了轨道的刚度和损伤位置，性能优于旧 AI 模型。
真实轨道：他们在罗马尼亚的一条真实铁路上进行了测试。AI 成功识别了“过渡区”——即轨道从松软地基变为坚硬桥梁或隧道的区域。这些是轨道经常发生故障的危险地段。即使火车以不同速度行驶，AI 对这些地点的识别准确率也超过了93%。

总结

本文提出了一种新的 AI 工具，它就像一位技艺高超、不知疲倦的 inspector，坐在火车的前端。它不需要火车停下，不会因速度变化而困惑，并且能精确定位轨道哪一部分出了问题。这使得铁路公司能够更快、更便宜、更安全地修复问题，保持火车平稳运行。

技术摘要：基于小波 Inception 网络的车载振动基础设施健康监测

问题陈述
铁路基础设施的有效维护依赖于准确、局部的健康监测。传统方法，如目视检查或固定传感器网络，往往劳动密集且规模受限。虽然基于轴箱加速度（ABA）信号的车载振动分析提供了一种可扩展的替代方案，但现有的深度学习方法面临重大挑战。这些挑战包括：难以捕捉振动信号的多尺度、非平稳特性；依赖人工特征工程；以及无法在不丢失信息的情况下处理可变的测量速度。此外，大多数现有框架未能将运行条件（例如车辆速度）明确整合到分析中，限制了其在多样化现实场景中的泛化能力。另外，标准的卷积神经网络（CNN）通常需要固定大小的输入，这需要诸如频谱图调整大小等预处理步骤，从而可能降低频谱分辨率并掩盖局部缺陷。

方法论
本文提出了一种新颖的深度学习方法框架，即WaveletInception-BiGRU，旨在直接处理原始时域振动信号，无需显式预处理即可适应可变长度和速度。该架构包含两个主要阶段：

小波 Inception 特征提取：
- 可学习小波包变换（LWPT）主干： 网络以 LWPT 模块开始，将原始振动信号分层分解为多分辨率子带。与固定小波变换不同，其滤波器使用标准基（例如 Daubechies db4）初始化，并通过反向传播进行细化。这使得模型能够针对特定数据分布学习最优滤波器组。LWPT 包含一种自适应去噪机制，利用可微分的双锐度 Sigmoid 激活函数来抑制随机噪声，同时保留结构瞬态。
- 通道投影： LWPT 之后跟随一个 $1 \times 1$ 卷积层，作为可学习的通道投影，自动加权并优先处理信息丰富的频谱分量，同时抑制噪声通道。
- 1D Inception-ResNet 骨干网络： 提取的特征通过一系列 1D Inception-ResNet 模块进行处理。这些模块利用具有不同核大小的并行卷积分支来捕捉多尺度时间模式，并利用残差连接来稳定深层架构的训练。这种设计避免了二维时频表示的计算开销和抽象化。
基于 BiGRU 的时间建模与融合：
- 运行条件融合： 多层感知机（MLP）将车辆测量速度编码为高维嵌入。该速度嵌入通过双向门控循环单元（BiGRU）层内的晚期融合策略与振动特征融合。这使得网络能够建模频谱特征与运行条件之间的相互作用（例如，速度如何影响激励水平和信号长度）。
- 序列健康估计： 第二个 BiGRU 层处理融合后的特征，以捕捉双向时间依赖性。这对于理解特定基础设施组件（例如轨枕或梁）的健康状况如何受相邻组件影响至关重要。
- 分布式采样： 为了实现组件级分辨率，模型采用分布式采样策略。网络不是将序列压缩为单一全局状态，而是提取对应于 $N$ 个物理结构元素（例如轨枕）的 $N$ 个特征向量。这保持了网络输出与基础设施物理布局之间的一一对应关系。

主要贡献

WaveletInception 网络： 一种新颖的架构，结合了用于早期可学习频谱分解的 LWPT 和用于多尺度特征提取的 1D Inception-ResNet 模块。这种方法消除了对人工特征工程的需求，并直接在时域处理可变长度输入。
运行条件集成： 一种特征融合策略，通过 BiGRU 将测量速度和其他运行因素明确纳入特征提取过程，从而实现在不同速度下的鲁棒分析。
双向序列建模： 利用 BiGRU 层捕捉过去和未来的时间上下文，通过利用基础设施段内的依赖关系，提高了局部健康状况估计的准确性。
高分辨率组件级估计： 一种分布式采样策略，将网络输出与基础设施的物理布局对齐，促进精确的、局部的健康评估，而非聚合的段索引。

结果
该框架通过两个案例研究进行了评估：

铁路轨道刚度估计（仿真）： 使用涵盖各种速度（35–90 km/h）和刚度场景（均匀、局部下降、过渡区）的仿真 ABA 数据，WaveletInception-BiGRU 模型的整体平均绝对百分比误差（MAPE）为5.56%（轨下垫板刚度为 7.94%，道砟刚度为 3.17%）。其表现优于包括 VGG、LSTM-BiLSTM、Laplace-Inception 和 GoogLeNet 在内的最先进基线模型。
过渡区识别（真实世界数据）： 使用来自罗马尼亚 Făurei 测试环的真实 ABA 测量数据，该模型在轨枕级分辨率下识别过渡区（高架桥与普通轨道）的分类准确率达到93.29%。其在检测高架桥轨枕方面表现出高召回率（98.37%）。

消融研究证实：

带有零填充的 LWPT 主干优于 CWT/STFT 调整大小和标准填充。
带有可学习去噪模块的 db4 小波相比 Haar 小波或非去噪变体产生了更优的结果。
带有速度嵌入的晚期 BiGRU 融合显著优于早期融合和基于 CNN 的融合。
双向建模（BiGRU）比单向（GRU/LSTM）架构提供了更好的性能。

意义与主张
本文主张，WaveletInception-BiGRU 框架代表了自动化车载基础设施健康监测的重大进步。通过将可学习频谱分解与多尺度深度学习及双向时间建模相结合，该系统实现了无需人工特征工程或刚性预处理的高分辨率、局部化健康评估。在网络架构内直接处理可变测量速度和运行条件的能力，增强了其在现实铁路监测中的实际适用性。作者强调，该框架在仿真和真实世界数据集上的成功凸显了其在准确、自动化和可扩展的基础设施维护方面的潜力，尽管他们也承认在建模特定现实世界现象（例如焊接效应、温度变化）方面存在局限性，并需要在极端噪声条件下进行进一步的压力测试。