基于深度神经网络的 CVCM 轨道电路预emptive 故障诊断：面向预测性维护

轨道电路是铁路运营中至关重要的组件，作为主要信号子系统用于定位列车。Continuous Variable Current Modulation (CVCM) 就是其中一种技术。像任何部署在现场的安全关键资产一样，它们可能会发生故障，引发级联性中断。许多故障源于随时间演化的细微异常，往往在监控信号中难以肉眼察觉。传统方法依赖明显信号变化，难以提前检测。及早识别故障类型对于改进维护计划、最小化停机时间和收入损失至关重要。我们提出一种基于深度神经网络的预测性维护框架，用于在故障升级为严重问题前对异常进行分类。该方法在 10 种不同安装处的 CVCM 故障案例中验证，符合 ISO-17359 标准，显著优于传统技术，实现 $99.31\%$ 的总体准确率，检测延迟小于 $1\%$ 异常发生时长。通过 conformal prediction 提供不确定性估计，达到 $99\%$ 的置信水平，覆盖率在各类别间保持一致。鉴于 CVCM 的全球部署，该方法具有可扩展性和适应性，可用于其他轨道电路和铁路系统，提升运营可靠性。