铁路转辙机两级迁移学习

小样本下诊断更准

结合生成样本和两级迁移，在目标域标注极少时仍实现高精度故障诊断，缓解铁路转辙机故障数据稀缺问题。

Wen, Tao · Yixue, Shen · 方夏 · Tian, Zhongbei · Roberts, Clive M.

Neurocomputing 2026

参数信息

诊断准确率（同一转辙机不同位置）

98.7 %

诊断准确率（同位置不同转辙机）

95.6 %

技术优势

小样本也能诊断准

通过WGAN-GP生成合成样本并执行两级迁移，在仅有少量目标域样本的情况下达到高诊断准确率。

跨设备诊断更可靠

在不同转辙机相同位置上取得95.6%的准确率，表明模型对设备差异具有较好的泛化能力。

省标注成本

利用迁移学习，仅需少量目标域标注样本即可训练模型，显著降低数据采集与标注成本。

应用场景

• 铁路设备智能运维：用少量故障样本训练高精度模型，实现转辙机自动诊断，减少人工检查。
• 工业故障诊断：适用于其他小样本工业场景，通过迁移学习快速适配新设备故障诊断。
• 轨道交通信号设备：针对转辙机这一关键信号设备，在小样本下提高故障检测的可靠性。
• 机械设备状态监测：通过信号分析和迁移学习监测转辙机状态，助力预测性维护。