PD-SOVNet：用于从轴箱振动估计车轮多边形粗糙度的物理驱动二阶振动算子网络
机器学习
2026-04-09 v1
摘要
从轴箱振动信号定量估计车轮多边形粗糙度是轨交车辆状态监测中一个具有挑战性且实际相关的问题。现有研究大多聚焦于检测、识别或严重程度分类，而连续回归多阶粗糙度谱仍较少被探索，尤其是在实际运行数据和未见车轮条件下。为解决这一问题，本文提出PD-SOVNet，一个物理引导的灰盒框架，结合共享二阶振动核、4×4 MIMO耦合模块、自适应物理校正分支和基于Mamba的时间分支，用于从轴箱振动估计1至40阶车轮粗糙度谱。所提出的设计将模态响应先验嵌入模型，同时保留数据驱动的灵活性以进行样本依赖校正和残差时间动态。在三个真实数据集（包括运行数据和真实故障数据）上的实验表明，所提方法在当前数据协议下提供了具有竞争力的预测精度和相对稳定的跨车轮性能，其最显著优势在更具挑战性的数据集III上观察到。噪声注入实验进一步表明，Mamba时间分支有助于减轻受扰动输入下的性能退化。这些结果表明，结构化的物理先验有助于稳定实际轨交车辆监测场景中的粗糙度回归，尽管仍需在更广泛的运行条件和更严格的比较协议下进行进一步验证。
引用
@article{arxiv.2604.06620,
title = {PD-SOVNet: A Physics-Driven Second-Order Vibration Operator Network for Estimating Wheel Polygonal Roughness from Axle-Box Vibrations},
author = {Xiancheng Wang and Lin Wang and Rui Wang and Zhibo Zhang and Minghang Zhao and Xiaoheng Zhang and Zhongyue Tan and Kaitai Mao},
journal= {arXiv preprint arXiv:2604.06620},
year = {2026}
}