面向点机的可扩展、技术中性诊断与预测性维护

点机（PM）是铁路设备中的关键组件，通过偏转开关刀来转导列车路线。作为任何关键安全设备，故障将导致运营中断，导致服务中断；因此，及时维护可通过检测故障前的异常来避免不必要的中断。以往的工作依赖多个输入并通过分段信号来构建自定义特征。这不仅增加了数据收集和处理的要求，而且仅针对特定的 PM 技术、安装位置和运行条件，限制了其可扩展性。基于可用维护记录，PM 的主要故障原因包括障碍物、摩擦、电源问题和错位。这些故障会影响 PM 的能源消耗模式，改变其正常（或健康）形状的功率信号在 PM 移动过程中的形状。与当前最先进的方法相比，我们的方法仅需要一个输入。我们应用深度学习模型对功率信号模式进行分类，以判断 PM 是否正常或与任何故障类型相关，实现 >99.99% 的精确率、<0.01% 的误报率和极低的漏报率。我们的 методology 是通用的且技术中性的，已在多个部署于实际环境和测试台上的电气机械 PM 类型上进行可扩展性验证。最后，通过使用保守预测，维修人员获得对系统输出确定性的明确指示，为操作添加了置信度层，使该方法符合 ISO-17359 标准。