面向语义的重型铁路养护机械故障诊断及其在多传感器融合系统中的潜力

让轨道维修不脱轨

在每一次平稳的列车旅程背后，都有一队重型设备负责检测、举升、碾压和校正轨道。当这些复杂车辆发生故障时，会带来延误和安全隐患。本文探索了一种新的故障诊断方法，让计算机不仅能读取振动或温度等数值传感器数据，还能“理解”维修人员在日志中记录的文字。通过弥合数字与语言之间的鸿沟，这项工作指向更智能、更可靠的铁路维护。

为什么机器仍需人为文字

现代轨道养护机械配备大量传感器，监测电流、压力、速度等多种参数。通过综合这些读数，工程师可以构建设备状态的详细图景。然而，这幅图景缺少一项重要内容：含义。一次振动峰值可能暗示轴承磨损或螺栓松动，但传感器本身无法区分具体原因。实际上，一线人员通过在日志中记录“异常噪音”或“运行迟缓”等症状，并备注原因与修复措施，弥补了这一不足。这些描述承载了多年的经验，但它们非结构化，计算机难以利用，因此多数诊断系统将其忽略。

把文本变成一种新型传感器

作者提出将维护日志视为一种“虚拟语义传感器”——一个将句子转换为标准化信号的软件模块，就像温度探头输出摄氏度一样。他们的目标设备是大型多系统的轨道养护车辆，包括中央控制单元、动力与制动系统、运动系统和辅助支持单元。对于每条故障记录，收集简短文本描述故障发生部位、观测到的现象、成因及修复方法。尽管这些文本简短且有时含糊，但它们包含了与物理传感器信号互补的关键线索。

虚拟语义传感器的工作原理

为将文字转化为有用信号，研究者构建了一个分层模型，结合了自然语言处理与深度学习的若干进展。首先，他们使用 BERT 这一常用语言模型，将每条中文故障描述转换为能捕捉上下文与词义的高维向量。接着，这些向量经过卷积神经网络（CNN），CNN 擅长发现局部模式与短语，这些模式往往揭示了故障类型。在此基础上，他们引入了一种双重自注意力机制，帮助模型聚焦于最有信息量的词语和特征模式——例如“油泵故障”或“压降”这样的术语，而非一视同仁地对待每个词元。几部分合力形成了 BERT-DSA-CNN 模型，其最终的高维输出承担两项角色：预测发生故障的子系统，以及提供可与物理传感器数据融合的紧凑语义特征向量。

将方法付诸检验

研究团队使用某型重型养护机械 2023 至 2025 年的故障日志来评估其方法，覆盖动力传动、行走机构、制动和碾压设备等七大故障系统。由于各系统的故障频次不同，他们采用数据增强方法——通过谨慎改写和回译平衡训练集，同时保持测试集不变。然后将所提模型与若干替代方案比较：不带注意力的简单 CNN、BERT 加循环网络、经典词嵌入模型，以及使用词袋统计的传统支持向量机。在准确率、精确率、召回率与 F1 分数上，BERT-DSA-CNN 一直表现最佳，往往在各故障系统上超过 97% 的 F1 分数，显著优于传统机器学习方法。

结果对语言与故障的启示

除了显著指标外，作者还分析了注意力机制的行为。他们发现模型自然会突出命名关键部件与症状的词语，类似专家阅读故障报告的方式。当描述含糊或不同系统在外观上具有相似症状时（例如“振动过大”在动力传动与行走系统中都可能出现），误判更容易发生。这一模式既强调了文本信息的潜力，也揭示了其局限：语言提供丰富语境，但在不同故障呈现相似表象时容易模糊界限。

从更聪明的文本解读走向更智能的铁路

通俗地说，这项研究表明教计算机阅读维修人员的记录，可以让轨道养护机械的故障诊断更准确且更可解释。所提模型能够稳定地将简短、杂乱的故障描述转化为像新传感通道一样的清晰数值特征。尽管论文尚未将这些语义特征与实时物理传感器数据实际融合，但它为此类融合奠定了基础。未来的系统中，来自振动和温度探头的数值可与基于文本的“虚拟传感器”相结合，为维护团队提供更早的预警、更清晰的解释，最终提升列车运行的安全性与准点率。

引用: Zhang, Y., Gao, C., Wang, R. et al. Semantic-aware fault diagnosis of heavy-duty railway maintenance machinery and its potential in multisensor fusion systems. Sci Rep 16, 6436 (2026). https://doi.org/10.1038/s41598-026-36456-8

关键词: 铁路养护, 故障诊断, 维护日志, 多传感器融合, BERT