基于多传感器张量图与双属性特征选择的转向架关键部件故障诊断

本文提出了一种融合张量图建模与双属性特征选择的智能故障诊断框架，创新性地开发了能保持时空关联的张量图结构（TGE），设计了同步优化特征敏感性与冗余度的双属性选择方法，在牵引电机轴承、齿轮箱和轮对轴承数据集上验证显示诊断准确率最高达99.5%，为工业智能监测系统提供了多传感器数据高效利用的新范式。

　　

Highlight亮点

本研究突破性地整合了张量图建模与双属性特征选择技术，为轨道交通转向架关键部件故障诊断开辟了新路径。

创新方法

1. 张量图结构：构建了能同时保留传感器节点高维信号特性（如振动、电流等多模态数据）和空间拓扑关系的张量图（Tensor Graph），解决了传统方法中时空关联丢失的痛点。

2. 双属性选择：首创性提出同步优化特征敏感性（Sensitivity）与冗余度（Redundancy）的筛选策略，通过张量净化技术将特征维度压缩至核心信息，聚类准确率提升至0.982。

工程验证

在三大典型部件测试中表现卓越：

• 齿轮故障诊断：准确率98.5%

• 轮对轴承识别：准确率99.5%

• 牵引电机轴承：轮廓系数（Silhouette Score）达0.874，较传统方法提升25.6%-34.9%

Conclusion结论

该框架为工业多传感器系统（如列车健康监测PHM）提供了兼顾数学严谨性与工程实用性的解决方案，其中张量图嵌入算法（TGE）和基于小波包变换（WPT）/多元变分模态分解（MVMD）的信号处理方法尤为亮眼。