2.1　转辙机监测数据预处理

转辙机动作曲线具备时序依赖性，其时序动态特征表现为特定的变化趋势。在深度学习应用中，目前主要采用2种策略提取时序动态：一种通过建模方法提取时序特征；另一种将动作曲线图像化处理后利用卷积神经网络(CNN)提取模式特征。虽然前者可以利用领域知识设计高效的数据特征表达，但这种方法受限于浅层表达的泛化能力，增加了深度学习模型过拟合的风险；相比之下，后者能够自动学习复杂的特征表示，但其性能受限于时间序列图像化方法的合理性。本文采用格拉姆角场(Gramian Angular Field, GAF)技术^[17-18]将时序数据转换为干涉图像，以在二维平面上反映数据的周期性和全局趋势，有效保留了转辙机动作曲线的时序动态信息。通过采用GAF技术预处理，能够增强动作曲线的时序动态的图像化表征，从而提高模型的特征提取效率。

设转辙机动作曲线为，其中表示时刻的功率值。通过式(1)对标准化，确保其值域被限定在区间：

(1)

式(1)中：代表时刻的标准化功率值。利用式(2)将映射至极坐标空间：

(2)

其中，表示在极坐标空间中的角度。本文采用GASF(Gramian Angular Summation Field)矩阵构建干涉图像特征^[17]：

(3)

2.2　正负样本构建

对比表示学习的代理任务通常依赖于数据增强方法，诸如变换、拉伸、裁减和添加噪声等，生成训练批次数据中样本的多个视角作为正样本,同时将定义为负样本，其中表示批次数据的总量。该策略的目标是增强模型的泛化能力，并提升其在特征表示上的区分力。然而，转辙机动作曲线的时序动态与设备服役性状紧密相关，上述数据增强手段破坏了数据的本征物理属性，不利于目标数据的表示学习。考虑到自编码器在自动提取数据潜在结构方面的高效性，以及相同故障类型转辙机数据的内在相似性，本文提出了一种新的代理任务。该任务利用自编码为识别其最相似数据，并将视为正样本，而将 视为负样本，并利用训练批次的随机洗牌确保模型的泛化能力。

2.2.1　转辙机监测数据自编码网络

根据式(3)，经过GAF预处理后，标准化的转辙机动作曲线由一维时间序列映射到二维空间，得到全局时序动态的干涉图像。随后，通过CNN自编码器提取中的时序动态特征，得到关于的维的自编码。本文CNN自编码器由编码器和解码器2部分构成，网络结构如图3所示，其中K、S、P分别代表卷积层和池化层中的卷积核大小、步长以及边缘填充。图3中，CNN网络层的横轴表示输入通道数，纵轴表示二维输入数据的维度。编码器和解码器的映射可以描述为：

(4)

式中：，代表自编码器网络的参数集。为了得到最优参数集，采用嵌入还原损失来指导CNN自编码器的训练过程：

(5)

式(5)中：表示均方误差(MSE)。

图3全屏查看

自编码器网络结构

2.2.2　基于自编码网络的正负样本构建

考虑到同故障类型转辙机的数据具备内在相似性，其相应自编码亦具备高相似性。根据这一原理，在一个足够大的自编码集合中，对于任一，都存在一个与最相似的表示，且与所对应的输入和属于同一潜在类的概率最大。基于此，设在对比表示学习训练过程中，每个训练批次由集合组成，其中表示第个样本。集合表示通过得到的自编码集合。样本间的距离关系可以由下式得到：

(6)

进一步计算批次内两两样本的相似度：

(7)

对第个样本与其他样本之间的相似度进行归一化处理：

(8)

其中，表示在批次数据中的相对相似关系，则记的正样本为：

(9)

式中：表示与相似度最高的样本，即，。记的负样本 。对于[]，设[Gi]与[]属于相同故障类型为正事件，否则为负事件。在对比学习训练过程中，若[N]充分大，则负事件将成为小概率事件。在此情况下，[]与[]可以视为同一故障类型的不同视角，即为表示学习训练过程中提炼的任务相关信息。因此，训练中[N]应当尽可能地大，以保证学习效果。

2.3　转辙机监测数据对比表示学习

本文对比表示学习模型命名为AE-CLR (Autoencoder based contrastive learning of representations)，其总体结构如图4所示。该模型通过嵌入网络从经预处理的转辙机数据中提取时序动态特征，并嵌入到表示空间中，得到关于的为表示特征。的网络结构与相同，但各自维护独立的网络参数。可以表示为：

(10)

其中，是嵌入网络的参数集合。

图4全屏查看

基于自监督表示学习的转辙机故障诊断方法总体框图

在对比表示学习过程中，通过可以从中提取样本的表示特征，得到对应的表示集合。对于样本，根据式(9)构建正样本与负样本，可以得到对应的表示子集和，则训练目标是使内表示在空间中聚集，同时使内表示在空间中分散。为实现这一目标，采用NT-Xent (Normalized temperature-scaled cross entropy)损失^[15]训练模型，定义对比损失如下：

(11)

式(11)中：与分别表示与内的元素，代表2个向量之间的余弦相似度，是用于控制表征分布的温度系数超参数。当取值适当时，所学习的表示特征分布能够有效保留原始数据的潜在分类结构，从而有助于提升下游故障诊断任务的性能。

2.4　转辙机故障诊断方法

AE-CLR模型通过对比表示学习提取数据的表示特征，并在此基础上通过下游任务实现故障诊断功能。该下游任务通过一个由全连接层和SoftMax输出层构成的分类器网络实现，如图4所示。为实现故障诊断任务，通过3个步骤训练：1) 利用提取训练集数据的表示特征集合；2) 对表示集合进行聚类并整理类簇标签；3) 利用表示特征作为输入，使用类簇标签监督训练网络，并采用交叉熵损失函数量化分类误差：

(12)

式中：表示类簇的标签；代表类簇的总数；是类簇标签分布的one-hot编码向量；表示输出的概率分布向量。

3.1　实验数据集

为验证本文模型在无标签场景下的故障诊断能力，本研究采集了广州铁路局现场多个ZDJ9与ZYJ7型转辙机设备的真实故障数据进行实验分析，相关数据见表2。

3.2　实验方法及评价指标

本文AE-CLR模型将故障诊断任务视为分类问题，重点在于利用对比学习机制在表示学习阶段聚合同一故障类型的不同表示，并在此基础上通过分类器网络将表示转换为分类标签编码。实验采用现场真实ZDJ9型转辙机训练数据集训练模型，并使用同型号测试数据集验证故障诊断效果，具体实验过程如下。

步骤1 数据集划分：按照表2所示比例将数据集随机划分为训练集与测试集，并将各样本标记为和；

步骤2 数据预处理：根据式(1)～式(3)，分别得到与中时间序列数据的干涉图像；

步骤3 训练CNN自编码器模型：根据图3所示网络结构，设置并训练编码器和解码器；

步骤4 训练对比表示学习模型：根据图4所示框架，建立与同结构的嵌入网络，结合对的自编码，依据对比损失调整网络参数，从而得到最优模型；

步骤5 故障模式挖掘：利用DBSCAN算法对通过得到的对应的表示特征聚类，建立类簇标签与真实故障类型的关联，得到后验标签；

步骤6 训练下游分类模型：根据与其设置模型输入输出节点并训练网络；

步骤7 验证模型性能：将输入训练好的网络得到，随后将输入得到，通过与计算故障诊断结果的准确率、召回率和F1值作为评价指标，具体定义为：

(13)

(14)

(15)

3.3　实验环境及超参数分析

本文实验在PyTorch 2.01框架下进行，其主要硬件配置包括Nvidia GeForce RTX2060显卡和Intel(R) Core i7-9750H @ 2.6GHz 处理器。

本文AE-CLR模型在表示学习阶段采用对比学习范式增强表示特征性能，此过程主要关注3个关键超参数：训练批次样本量，表示特征维度以及温度系数(参见式(11))。根据文献[19-20]的分析，较大的有助于提升对比学习效果。因此，考虑到实验环境的计算资源限制，设定批次样本量。为分析温度系数对模型诊断性能的影响，本文进一步分析了常见温度系数条件下，即时模型故障诊断结果的F1值。

为了评估模型超参数对训练效果的影响，通过ZDJ9训练集对AE-CLR模型进行训练，并在ZDJ9测试集上评估了其故障诊断性能。图5呈现了20次实验的故障诊断F1分数平均值及其标准偏差。其中，温度系数超参数能够控制所学习表示特征在潜空间中的分布情况，当取值适当时，所学习的表示特征分布能够有效保留原始数据的潜在分类结构，从而有助于提升下游故障诊断任务的性能。实验结果表明，温度系数时，模型展现出最佳的诊断性能，此时F1分数的平均值为0.999，标准偏差为0.001。在该参数配置下，AE-CLR模型的诊断准确性和训练过程的稳定性均较好，因此设定温度系数。此外，表示特征的维度关系到其对不同类别数据的区分能力，实验表明，当时，AE-CLR模型的故障诊断F1均值达到0.999。然后，随着增加，故障诊断性能无明显提升，综合权衡计算资源与模型效能，设定特征表示维度。

图5全屏查看

超参数对模型诊断性能的影响

图6给出了基于所选超参数的模型训练损失曲线。训练集和验证集的损失值均展现出良好的收敛性，经过80次迭代后趋向稳定，没有明显的过拟合或欠拟合现象，表明AE-CLR模型的训练过程有效。

图6全屏查看

AE-CLR模型的对比损失曲线

3.4　消融实验分析

为了验证本文AE-CLR模型对比学习机制及相应的正负样本策略的贡献，对比了4种模型学习到的表示特征在数据区分方面的性能。作为基准，选取了未集成对比学习机制的无监督与监督自动编码器。此外，引入基于对比学习的SimCLR模型^[15]，它通过向数据注入信噪比为0.8的椒盐噪声来生成正样本，通过对比SimCLR来分析本文代理任务的效果。图7展示了采用t-SNE算法降维后的表示特征，以分析4种模型表示在潜在空间中的分布情况。结果显示，监督自编码器借助标签指导训练，其表示对不同类型的数据呈现明显区分。与之相比，无监督自编码器在第3类和第4类数据的表示上出现重叠，缺乏明显界限。尽管SimCLR模型采用了对比学习策略，但其表示仍然显示出重叠现象，这表明该模型的数据增强策略对转辙机数据的表示学习效果有限。相较之下，AE-CLR模型的表示呈现不同类别数据的簇状分布。特别是，正常数据(类型0)的表示在潜在空间中分成了两簇，这一现象主要源于道岔正向与反向转换在动作曲线上的差异性。

图7全屏查看

不同模型所学习表示在潜在空间中的分布

为进一步定量评估图7中表示特征在数据区分能力方面的性能，本文采用DBSCAN算法对4种模型学习到的表示进行聚类，相应结果见表3。在表3中，同质性用于衡量簇内元素是否仅来自单一类别；完整性则评估了给定类别的所有成员是否被归于同一簇；Fowlkes-Mallows指数(FMI)是准确率和召回率的几何平均，用于评价聚类结果与真实故障类型的一致性。结果显示，监督自编码器在所有指标都接近1，这表明其学习到的表示特征与相应故障类型高度匹配，形成一一对应的簇。相比之下，无监督自动编码器和SimCLR在同质性与FMI上表现不佳，反映了其表示分布存在重叠，影响了表示区分数据的能力。AE-CLR在同质性和FMI方面仅次于最优表现，表明其表示的分布上不存在重叠。然而，由于该模型进一步区分出正常数据的道岔正向和反向转换，形成2个簇，导致完整性指标有所下降。该实验证实了AE-CLR模型能够通过对比学习机制及其相应的代理任务有效地学习转辙机各故障类型的表示特征。

3.5　故障诊断性能对比分析

为了进一步分析本文AE-CLR模型的故障诊断性能，选择了4种最近发表的转辙机故障诊断方法进行对比。为了有效评估模型的诊断性能，实验统一采用Adam优化器调整对比模型参数，学习率设置为10^-3，训练批次样本量N=400，DAE与AE-CLR模型中自编码、表示编码维度为16，AE-CLR中温度系数为0.2。对比实验结果如表4所示。

由于现场收集的转辙机真实故障数据有限，用于测试的ZDJ9型设备各类故障数据仅有100条。如表4所示，在此小规模的测试集下，AE-CLR的诊断准确率达到了99.63%，不排除其在更大规模测试集上准确度有所下降的可能性。在不依赖数据标签的情况下，AE-CLR在准确率、召回率以及F1值方面的表现略次于基于ACGAN的监督学习方法，并超越了CNN-LeNet5和CNN-GRU监督学习方法。此外，与无监督学习DAE方法相比，AE-CLR表现出明显的诊断性能提升。

为进一步评估融合数据集对表示学习过程的泛化能力及其对DAE和本文AE-CLR故障诊断性能的影响，在实验步骤1中将ZDJ9和ZYJ7型训练集数据混合作为融合训练集，以扩充表示学习的训练样本分布；随后在步骤4中仅使用ZDJ9型数据的表示特征以挖掘其数据类型，其他步骤保持不变。具体的实验数据构成参见表2，鉴于ZDJ9和ZYJ7型转辙机数据之间的差异性，融合训练集未能增强监督学习模型的诊断效果，CNN-LeNet5等其他3个监督模型的诊断性能存在不同程度的下降。同时，无监督DAE方法的诊断性能也下降了4.34%。相比之下，本文AE-CLR模型在融合训练集下的故障诊断性能获得提升，并且在相同条件下超越所有监督学习方法。这一结果体现了AE-CLR模型在泛化学习方面的优势，通过融合不同类型的转辙机数据进行训练，可以在一定程度上增强训练效果，从而缓解现场转辙机故障样本稀缺的问题。