用于推进铁路安全与维护4.0的Transformer振动预测
机器学习
2025-01-22 v1 人工智能
机器学习
摘要
维护铁路车轴对于防止严重事故和财务损失至关重要。铁路行业越来越关注先进的状态监测技术，以增强安全性和效率，从传统的定期检查转向维护4.0。本研究引入了一种稳健的深度自回归解决方案，可与现有系统无缝集成，以避免机械故障。我们的方法在各种条件和故障场景下模拟和预测振动信号，提高了数据集的鲁棒性，从而构建更有效的检测系统。这些系统可以预警维护需求，预防性地防止事故。我们使用来自列车车轴加速度计的实验振动信号。我们的主要贡献包括一个用于处理时间序列数据的Transformer模型ShaftFormer，以及一个结合了谱方法和增强观测模型的替代模型。在不同条件下模拟振动信号缓解了为所有场景获取实验信号的高成本。鉴于铁路振动信号的非平稳特性（受速度和负载变化影响），我们的模型解决了这些复杂性，为铁路行业的预测性维护提供了强大工具。
引用
@article{arxiv.2501.11730,
title = {Transformer Vibration Forecasting for Advancing Rail Safety and Maintenance 4.0},
author = {Darío C. Larese and Almudena Bravo Cerrada and Gabriel Dambrosio Tomei and Alejandro Guerrero-López and Pablo M. Olmos and María Jesús Gómez García},
journal= {arXiv preprint arXiv:2501.11730},
year = {2025}
}