铁路轨道 PHM 技术体系构想：从状态感知到寿命预测的智能化跃迁

摘要

目的： 铁路轨道作为铁路基础设施的核心资产，其健康状态的准确感知与剩余寿命的可靠预测直接关系到行车安全与维护经济性。本文旨在构建面向铁路轨道的 PHM（Prognostics and Health Management）完整技术体系，弥合当前轨道检测领域"感而不知、知而不预"的断层。

方法： 在系统回顾 1995–2026 年间国内外轨道检测与健康管理技术演进的基础上，提出五层 PHM 架构——多物理场传感层、数据融合与特征工程层、诊断与推理层、预测与剩余寿命估计层、决策优化层——并逐一论述各层的核心技术方法与前沿挑战。

结果： 本文提出的 PHM 架构实现了从离散检测到连续监测、从人工判读到智能诊断、从定期维修到预测性维护的三重跃迁。重点论述了物理信息神经网络（PINN）在数据稀缺条件下的退化建模能力、基于注意力机制的多模态融合方法、以及不确定性量化在维护决策中的核心作用。

结论： 铁路轨道 PHM 技术正从概念验证走向工程部署，其成功的关键不在于单一传感或算法的突破，而在于多层级技术的高效集成与闭环优化。自主维护闭环（Autonomous Maintenance Loop）是未来十年的终极技术愿景。

关键词： 轨道 PHM；剩余寿命预测；多模态数据融合；数字孪生；物理信息神经网络；预测性维护

1 引言：轨道维护范式的代际挑战

铁路轨道在服役过程中承受着循环轮轨接触载荷、温度应力、水环境侵蚀和道床沉降等多重劣化因子的共同作用。钢轨疲劳裂纹、轨头剥离、道砟污染、扣件松脱、轨枕开裂——这些失效模式各自遵循不同的物理机制和劣化时间常数，却在同一线路区段叠加交织，构成了一个典型的多失效模式耦合系统。

过去三十年间，轨道检测技术经历了从接触式弦线测量到激光/惯性非接触几何检测、从单晶超声探头到相控阵电子扫查、从人工视觉巡道到深度学习驱动的实时缺陷分类的三次跃迁。然而，检测能力的飞速提升与维护决策之间的断层依然显著：检测数据停留在"异常/正常"的二元判据层面，未能转化为剩余寿命的概率分布；维护计划仍依赖固定周期而非动态风险评估；设备劣化的早期信号与失效临界点之间的因果关系尚不明确。

这一断层的本质是轨道维护范式尚未完成从"状态检测"到"健康管理"的代际跃迁。PHM——故障预测与健康管理——正是为弥合这一断层而提出的系统性技术框架。PHM 发端于航空航天领域（F-35 联合攻击机的预测性维护系统是里程碑式工程实践 [1]），随后在风力发电、机械制造和电力设备领域获得广泛应用 [2][3]。铁路基础设施的 PHM 应用——尤其是针对轨道这一长线状、大尺度、环境暴露资产的 PHM 体系构建——在理论和工程层面均面临独特的挑战。

本文的核心贡献在于：(1) 系统梳理了轨道 PHM 的关键技术维度与学术前沿；(2) 提出了覆盖全生命周期的五层 PHM 技术架构；(3) 针对轨道 PHM 特有的数据稀疏性、机理复杂性和决策不确定性三大挑战，给出了基于物理信息神经网络、迁移学习和不确定性量化的方法论解决方案。

2 PHM 技术体系架构：五层架构设计

本文提出的铁路轨道 PHM 技术体系采用分层架构设计，自底向上依次为传感感知层、数据处理与特征工程层、诊断与推理层、预测与剩余寿命估计层、决策优化层。五层之间通过标准化的数据接口和信息流实现横向协同与纵向贯通。

2.1 体系架构总览

决策优化层 ┌─────────────────────────────────────┐
(Decision Support) │ 维护计划优化 │ 备件库存管理 │ 风险决策 │
 └──────────────────┬──────────────────┘
 │ 剩余寿命概率分布 + 置信区间
 ▼
预测与RUL层 ┌─────────────────────────────────────┐
(Prognostics) │ 力学模型驱动 │ 数据驱动 │ 混合模型 │
 │ PINN │ LSTM │ 扩散模型 │ 不确定性量化 │
 └──────────────────┬──────────────────┘
 │ 健康指标 + 退化趋势
 ▼
诊断与推理层 ┌─────────────────────────────────────┐
(Diagnostics) │ 异常检测 │ 故障隔离 │ 故障辨识 │
 │ 自编码器 │ 图神经网络 │ 因果推断 │
 └──────────────────┬──────────────────┘
 │ 融合多模态特征向量
 ▼
数据处理与特征层 ┌─────────────────────────────────────┐
(Feature Engineering)│ 时空配准 │ 特征提取 │ 降维 │ 域适应 │
 │ 注意力融合 │ 多尺度分解 │ 迁移学习 │
 └──────────────────┬──────────────────┘
 │ 多源异构数据流
 ▼
传感感知层 ┌─────────────────────────────────────┐
(Sensing Layer) │ 激光/惯性 │ 超声相控阵 │ DAS光纤 │
 │ 机器视觉 │ GPR │ 声学 │ 轮轨力 │
 └─────────────────────────────────────┘

2.2 各层级功能定义

第一层：传感感知层（Sensing Layer） 负责从轨道结构获取多物理场原始响应信号。与传统检测体系不同的是，PHM 架构中的传感层要求：(a) 连续或准连续的数据采集时间分辨率；(b) 空间上覆盖全线而非抽样区段；(c) 异构传感器的同步与标定。核心传感模态包括激光/惯性几何测量、相控阵超声探伤、分布式声学传感（DAS）、线阵/面阵机器视觉、探地雷达（GPR）和轮轨力遥测等六类。

第二层：数据处理与特征工程层（Data Processing & Feature Engineering） 的核心功能是将第一层的异构原始数据转换为具有物理意义的健康特征。主要挑战包括：多传感器时空坐标系的统一配准（绝对误差 ≤ 0.1 m）、不同采样频率的信号对齐（几何测量 200 Hz、超声 1 kHz、DAS 10 kHz）、以及域适应问题——同一传感器在不同气候条件和运营速度下的响应差异可达 30%–50%。

第三层：诊断与推理层（Diagnostics & Reasoning） 承担异常检测、故障隔离和故障辨识三级任务。异常检测回答"是否存在偏离正常状态的行为"，故障隔离回答"哪个部件/区段出现了异常"，故障辨识回答"异常的失效模式和严重等级是什么"。传统方法依赖阈值规则和专家系统，PHM 架构要求采用数据驱动的深度学习方法，并辅以物理约束提升可解释性。

第四层：预测与剩余寿命估计层（Prognostics & RUL Estimation） 是 PHM 区别于传统状态监测的核心层级。其任务是从历史退化轨迹和当前健康状态出发，在不确定性条件下给出轨道区段剩余使用寿命（Remaining Useful Life, RUL）的概率分布。预测方法可分为三类：基于物理模型的（如断裂力学裂纹扩展模型）、纯数据驱动的（如 LSTM 时间序列预测）、以及混合方法（物理信息神经网络、贝叶斯更新）。

第五层：决策优化层（Decision Optimization） 将 RUL 预测结果和不确定性量化输入维护决策优化模型，生成最优维护策略。目标函数可以是最小化生命周期成本、最大化可用率、或满足安全约束条件下的资源优化调度。需要指出的是，PHM 的价值并非完全消除不确定性，而是在已知不确定性边界下做出风险可控的决策。

3 传感层：从离散检测到连续泛在感知

3.1 多物理场传感体系

轨道的劣化是多物理场耦合作用的结果，没有任何单一传感模态能完整捕获轨道的全维度健康状态。PHM 架构要求传感层的设计遵循"互补覆盖"原则：

值得强调的是，DAS 光纤传感在 PHM 架构中具有特殊的战略地位。传统检测列车无论周期多密集，都只能提供"快照"式的时间离散采样。DAS 利用既有的通信光缆作为传感介质，实现了全线、实时的振动场连续监测，从根本上改变了轨道状态感知的时间粒度 [9]。以 JR 东日本新干线的部署经验为参考，DAS 能在定期检测发现几何异常前 5–30 天即捕获到轨道亚毫米级的渐进式变形信号 [5]。将高精度周期性检测（如激光/惯性测量）与连续泛在感知（DAS 分布式监测）相结合，构成了 PHM 传感层的核心范式。

3.2 传感层的关键技术挑战

挑战一：传感器退化与自诊断。 传感层本身的可靠性是 PHM 的隐含前提。激光扫描仪的镜片污染、DAS 光纤的偏振态漂移、超声探头的耦合水衰减——这些传感器退化现象会直接污染上层分析结果。PHM 架构要求传感层具备"自诊断"能力，即实时监控自身工作状态并生成传感质量置信度指标。

挑战二：边缘计算与数据压缩。 相控阵超声和 DAS 在满速运行（300+ km/h）状态下产生的原始数据率可达 GB/s 量级。将全部原始数据传输至中心服务器既不经济也不现实。边缘计算——即在检测平台或光纤终端就地完成信号预处理、特征提取和初步异常筛选——成为工程部署的必须条件。

挑战三：异构传感器的时空同步。 同一检测运行中激光扫描仪（200 Hz 采样）、机器视觉相机（100 fps）、超声系统（1 kHz）和 GPR（500 MHz 扫频）各自使用独立的时钟和坐标系。在 PHM 融合分析中，不同传感器的数据需要在亚米级空间精度和亚毫秒级时间精度上实现对齐。目前主流的解决方案是以惯性测量单元（IMU）的时间和位置信息（GNSS/里程计）为共同基准，各传感器通过硬件触发信号实现同步锁定。

4 数据处理与特征工程：异构信息的高效融合

4.1 多模态数据融合的方法论

多模态数据融合是 PHM 第二层的核心任务。不同于简单的数据拼接，有效的融合需要在三个层次上对齐异构信息：空间域（将不同物理量的测量值映射到同一轨道基准坐标系）、时间域（建立不同采样频率信号之间的时序对应关系）和特征域（识别不同传感模态之间的语义关联和互信息）。

当前最前沿的融合策略采用基于注意力机制（Attention）的跨模态融合网络。其核心思想是让模型自动学习不同模态之间的注意力权重：对于某一特定劣化模式（如钢轨轨头裂纹），超声回波信号可能获得最高权重，而几何检测数据权重较低；对于道床沉降，GPR 信号权重升高。这一方法的优势在于避免了人工设定融合权重的先验偏差，使融合策略随检测场景动态自适应 [10]。

4.2 特征提取与小样本学习

轨道 PHM 面临一个根本性的数据困境：健康数据充裕，失效数据稀缺。钢轨的疲劳裂纹从萌生到临界断裂通常需要数月甚至数年的服役周期，这意味着在一条线路上积累足够多的完整失效案例——从健康→退化→临界→维修的完整生命周期数据——可能需要数年时间。这一数据特性使得常规的监督学习方法难以直接适用。

针对这一困境，以下方法路径值得关注：

路径一：自监督预训练 + 微调。 使用大量的无标签健康数据训练自编码器或掩码自编码器（Masked Autoencoder），学习轨道状态的正常模式流形；随后使用少量标注的退化样本对模型进行微调 [11]。这一策略已在 TTCI 的 Rail defect detection 数据集上取得了显著效果。

路径二：物理信息神经网络（Physics-Informed Neural Networks, PINN）。 将断裂力学（如 Paris-Erdogan 裂纹扩展定律）或轮轨接触力学方程作为网络的物理约束项，使模型在小样本条件下也能生成符合物理规律的退化预测 [12]。PINN 的损失函数由数据项和物理约束项两部分组成：

$$ \mathcal{L} = \mathcal{L}{data} + \lambda \mathcal{L}{physics} $$

其中物理约束项 $\mathcal{L}_{physics}$ 强制神经网络的输出满足某一组偏微分方程或本构关系。这不仅缓解了小样本问题，也大幅提升了推理结果的可解释性。

路径三：迁移学习与域适应。 将其他铁路运营环境（如欧洲高铁、日本新干线）或相关领域（如轮对轴承 PHM）中学习到的退化模式知识迁移到目标线路。域适应技术（包括对抗性域适应、最大均值差异 MMD 等）用于消除源域与目标域之间的特征分布偏移 [13]。

5 诊断与推理：从异常检测到因果归因

5.1 三级诊断架构

PHM 诊断层的设计遵循"检测 → 隔离 → 辨识"的三级递进逻辑。

异常检测（Detection） 是在无先验标签条件下识别偏离正常行为的数据片段。对于轨道几何检测数据，可以使用基于重建误差的方法：训练自编码器学习正常几何数据的低维流形表示，当新数据的重建误差超过阈值时标记为异常。对于 DAS 连续振动数据，时序异常检测方法（如基于 Transformer 的时序重构模型）更为适用。

故障隔离（Isolation） 的任务是确定异常发生的空间位置和可能涉及的轨道部件。图神经网络（Graph Neural Network, GNN）在这一任务中具有天然优势——轨道结构可以被建模为图（节点为扣件/接头等部件，边为钢轨/轨枕等连接关系），GNN 可以在图结构上传播和聚合异常信号，输出异常节点的空间坐标 [14]。

故障辨识（Identification） 是诊断层的最高层级，需要判定异常的失效模式（钢轨疲劳、道砟污染、扣件失效等）和严重等级。这一任务依赖多模态特征的联合推理。2024 年以来，基于大语言模型（LLM）的轨道故障诊断 Agent 成为前沿研究方向——LLM 作为推理引擎，调用不同模态的小模型工具链（超声分析器、视觉分析器、几何分析器），通过思维链（Chain-of-Thought）推理完成复杂故障归因 [15]。

5.2 可解释性要求

诊断层的工程部署面临特殊的可解释性（Explainability） 约束。一个黑箱模型报告"区段 K103+200 风险等级 0.87"无法被维护工程师接受——他们需要知道：这一高风险的依据是什么？是哪个传感器的哪个特征触发了告警？与近期该区段的历史趋势是否一致？

SHAP（Shapley Additive Explanations）和 Integrated Gradients 是目前应用于轨道 PHM 诊断结果解释的主要方法 [16]。它们为每一次诊断输出分配各输入特征的重要性权重，使工程师能直观理解决策逻辑。在实际部署中，建议将可解释性指标作为诊断模型评估的强制项——在准确率之外增加"可解释性分数"作为模型选型的第二评价维度。

6 预测与剩余寿命估计：PHM 的核心价值环节

6.1 预测方法的三条技术路线

剩余寿命预测是 PHM 区别于其他维护技术体系的最核心特征。从方法论角度，RUL 预测可以分为三类：

基于物理模型的预测（Model-Based Prognostics） 依赖对轨道结构退化过程的数学刻画。以钢轨疲劳裂纹扩展为例，Paris-Erdogan 定律描述了裂纹长度 $a$ 与循环载荷次数 $N$ 之间的关系：

$$ \frac{da}{dN} = C (\Delta K)^m $$

其中 $\Delta K$ 为应力强度因子幅值，$C$ 和 $m$ 为材料常数。将实时检测到的当前裂纹长度 $a_0$ 代入模型，可积分计算出裂纹扩展到临界长度 $a_{crit}$ 所需的循环次数，即剩余寿命 [17]。

基于物理模型的优势在于机理清晰、可解释性强，且在小样本条件下依然有效。但其局限性同样显著：轨道结构涉及的材料参数（$C$、$m$、$\Delta K$ 的阈值范围）在运营条件下存在显著的不确定性——同一型号钢轨在不同线路区段的残余应力状态可相差两倍以上。

基于数据驱动的预测（Data-Driven Prognostics） 完全依赖历史数据中的模式学习，不对物理机理做显式建模。常用的方法包括长短期记忆网络（LSTM）、时序卷积网络（TCN）和近年来的扩散概率模型（Diffusion Model）。LSTM 已在轨道几何退化的趋势预测中取得了工程验证——基于过去 12 个月的检测数据预测未来 6 个月的轨向退化趋势，预测误差在 ±15% 以内 [18]。

扩散模型作为生成式方法在 RUL 预测中的潜力正在被发掘：它将 RUL 预测视为条件概率生成问题，在给定当前健康状态的条件下生成未来退化轨迹的分布，天然具备不确定性量化的能力 [19]。

混合方法（Hybrid Prognostics） 旨在融合前两种路线的优势。最具代表性的方法是物理信息神经网络（PINN），已在 4.2 节中提及。另一种策略是贝叶斯更新框架——以物理模型（如 Paris 公式）为先验，以检测数据为观测，通过序贯贝叶斯推断（粒子滤波、集合卡尔曼滤波）不断后验更新退化模型参数和 RUL 估计值 [20]。这一方法在实践中表现出色，因为它允许工程师在数据积累初期依赖物理先验，随着检测数据的积累，后验估计逐渐由数据主导。

6.2 不确定性量化的不可回避性

PHM 从业者常面临的挑战是：决策者期望一个确切的"还能用几天"的答案，而 PHM 系统输出的是一个概率分布。这种期望落差是 PHM 工程部署的重要障碍。

一个负责任的 RUL 估计应当给出：预测均值作为维护调度的基准值，置信区间（如 90% 预测区间）作为风险决策的边界，以及分布尾部概率用于安全极限评估。不确定性来源包括：(a) 传感噪声和测量误差（aleatoric uncertainty）；(b) 模型结构不确定性和参数不确定性（epistemic uncertainty）；(c) 未来的运营载荷和环境条件的不确定性。

采用贝叶斯深度学习方法——在神经网络权重上施加先验分布，通过变分推理（VI）或 Monte Carlo Dropout 近似后验——是从方法层面系统性量化这些不确定性的主流路径 [21]。

7 决策优化：从 RUL 到维护行动

7.1 维护决策的经济学模型

将 RUL 概率分布转化为具体维护行动，需要建立维护决策优化模型。基本的优化目标是在安全约束下最小化生命周期总成本：

$$ \min_{\pi \in \Pi} \mathbb{E}\left[ \sum_{t=0}^{T} C_{maintenance}(\pi, t) + C_{failure}(\pi, t) \right] $$

其中 $\pi$ 为维护策略，$C_{maintenance}$ 为维护成本（包括人力、材料、天窗时间占用），$C_{failure}$ 为失效成本（包括延误损失、事故风险、修复成本），期望值 $\mathbb{E}$ 的计算依赖 RUL 预测的概率分布。

对于轨道这一长线状资产，决策优化需要同时考虑空间维度（相邻区段的维护活动是否合并为同一天窗）、时间维度（不同失效模式的最佳干预时机可能不同）和资源约束（同一天窗内的轨检车、焊轨车、捣固车等资源的调度）。

7.2 动态维护调度与闭环反馈

PHM 决策层的最高形态是自主维护闭环（Autonomous Maintenance Loop）。在这一形态中，传感层的连续数据输入→诊断层实时评估→预测层更新 RUL→决策层输出维护指令→维护执行后效果反馈至传感层——形成全自动化的闭环。

2025–2026 年间，欧洲（Siemens / DB Netz）和日本（JR 东日本）的自主维护闭环已进入概念验证阶段。其关键使能技术包括：基于数字孪生的维护策略离线仿真与验证、边缘计算支持的实时决策、以及 M2M（Machine-to-Machine）通信实现维护指令的直接发送。

自主维护闭环并非完全取代人类决策者，而是将工程师的角色从"手动制定维护计划"升级为"管理维护策略的算法参数和执行边界"。这一转变类似于从手动驾驶到自动驾驶辅助的过渡——操作员从操作者变为监督者。

8 数字孪生：PHM 的系统集成平台

数字孪生（Digital Twin）是 PHM 各层级实现集成的顶层框架。不同于以可视化展示为主要目的的数字模型，真正的 PHM 数字孪生应当具备以下三项核心能力：

第一，实时数据同步。 传感层的数据以准实时方式（延迟 < 5 min）双向映射孪生模型。检测列车经过某区段后，该区段的几何测量、超声数据、视觉图像应在检测列车离开该区段 1 分钟内更新至数字孪生模型。

第二，多层级退化建模。 孪生模型不是单一的整体模型，而是包含钢轨、道床、扣件、轨枕、路基等多个子模型的分层结构。各子模型根据其物理特性采用不同的退化方程和时间步长，并在接口处实现耦合——道床沉降的长期趋势影响钢轨几何的短周期演变 [22]。

第三，假设分析与干预仿真。 数字孪生的核心价值在于回答"如果……会怎样"的问题。如果某区段的钢轨继续服役 30 天而不打磨，裂纹扩展至临界值的概率是多少？如果提前 15 天进行打磨，RUL 能延长多少？每一次假设分析的结果反馈至决策优化模型，构成"监测→预测→干预→评估"的闭环。

9 前沿方法与未来方向

9.1 物理信息网络的多学科扩展

PINN 在轨道 PHM 中的应用目前主要聚焦于单一物理过程（裂纹扩展、道床沉降）。未来的发展方向是将多场耦合（轮轨接触热力学 + 水分迁移 + 材料疲劳）的偏微分方程组嵌入 PINN 的损失函数，构建多场耦合 PINN（Multi-Physics PINN, mp-PINN）。这将是计算固体力学与深度学习在轨道领域最高形式的融合 [23]。

9.2 联邦学习与隐私保护

不同铁路运营商（如 JR 各公司、欧洲各国的 Infra Managers）各自持有不同运营环境下的轨道退化数据。将这些数据集中训练一个全局模型面临数据主权和商业保密的法律障碍。联邦学习（Federated Learning）提供了一种解决方案：各参与方在本地训练模型，仅传输模型参数（而非原始数据）至聚合服务器，在保护数据隐私的前提下实现跨组织的退化模型共享 [24]。这一方向对于中国铁路"国家铁路局 + 各铁路局集团"的结构同样具有参考价值。

9.3 生成式 AI 与因果推断

深度生成模型在轨道 PHM 中的应用正在从数据增强扩展到场景生成：利用条件扩散模型生成不同运营条件和气候环境下的轨道退化场景，为 PHM 模型提供训练数据之外的"可能世界"。将生成式模型与因果推断（Causal Inference）结合——学习轨道数据背后的因果结构图，区分相关关系与因果关系——是当前最活跃的前沿方向之一 [25]。只有当 PHM 模型理解了"为什么"某种劣化会发生，才能真正可信地预测"什么时候"将达到临界状态。

9.4 极端事件与弹性维护

气候变化正在改变轨道基础设施的服役环境。极端高温导致钢轨失稳（胀轨）、暴雨引发道床翻浆冒泥、冻融循环加速轨枕劣化——这些极端事件的频率在过去十年中显著上升。PHM 系统的预测模型需要纳入极端气候事件的影响，从"稳态退化预测"扩展为"极端事件下的弹性维护规划"。

9.5 中国铁路 PHM 的技术路径选择

中国拥有全球最大的高速铁路网络（截至 2025 年底运营里程超过 45,000 km）和全球最密集的轨道检测数据采集体系（综合检测列车每日运行覆盖超过 5,000 km）。这一体量优势为数据驱动 PHM 方法的训练和验证提供了任何其他国家无法比拟的数据基础。

中国铁路 PHM 的技术路径选择应当遵循"三层协同"战略：第一层（近期 2026–2028），在既有综合检测列车数据基础上建立标准化 PHM 数据库，完成从"检测数据管理"到"健康指标提取"的能力建设；第二层（中期 2028–2031），在关键线路部署 DAS 光纤连续监测，构建"周期性精密检测 + 连续泛在感知"的双层传感体系，开发自主知识产权的数字孪生 PHM 平台；第三层（远期 2031–2035），实现全路网的 PHM 覆盖，从预测性维护向自主维护闭环演进。

10 结语：从预测到预应

铁路轨道 PHM 技术正站在从学术研究向工程部署跨越的关键节点。过去三十年的轨道检测技术发展为 PHM 奠定了坚实的传感基础设施和数据积累；过去十年间深度学习和人工智能的突破为 PHM 提供了方法论工具；数字孪生平台的成熟则为 PHM 各层级的高效集成提供了系统架构。

然而，技术可行性不等于工程可部署性。轨道 PHM 在迈向实际应用的道路上仍然面临三重挑战：数据挑战——失效数据的稀缺性和环境条件的多样性导致模型泛化存在根本困难；验证挑战——RUL 预测的准确性只能在多年的实际服役中得到最终验证，而模型开发阶段缺乏"即时反馈"；信任挑战——维护工程师和决策者对一个输出概率分布而非确定性答案的系统的信任建立需要时间和成功案例的积累。

回应这些挑战的正确姿态不是等待更完美的数据或更先进的算法，而是构建从传感到决策的完整闭环——在每一个闭环循环中积累数据、优化模型、验证预测、建立信任。PHM 的价值不是在某个时刻被"证明"的，而是在每一次正确的维护决策中逐步积累的。

从"定期修"到"状态修"用了二十年，从"状态修"到"预测修"用了十年。下一个十年，从"预测"到"预应"——从预测维护到主动响应——将是铁路轨道 PHM 技术最终的代际跃迁。

参考文献

[1] Hess A, Fila L. The joint strike fighter (JSF) PHM concept: potential impact on aging aircraft problems [C]. Proceedings of IEEE Aerospace Conference, 2002: 3021-3026

[2] Jardine A K S, Lin D, Banjevic D. A review on machinery diagnostics and prognostics implementing condition-based maintenance [J]. Mechanical Systems and Signal Processing, 2006, 20(7): 1483-1510

[3] Vachtsevanos G, Lewis F L, Roemer M, et al. Intelligent Fault Diagnosis and Prognosis for Engineering Systems [M]. Hoboken: Wiley, 2006. ISBN: 9780471711120

[4] Al-Nuaimy W, Eriksen A, Gascoyne J. Train-mounted GPR for high-speed rail trackbed inspection [J]. Journal of Applied Geophysics, 2015, 112: 29-36

[5] Kishida K, Yamanaka T, Che-Hsien L, et al. Distributed acoustic sensing (DAS) for railway track condition monitoring [J]. IEICE Transactions on Electronics, 2020, E103-C(11): 614-621.

[6] Gibert X, Patel V M, Chellappa R. Deep multitask learning for railway track inspection [J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(1): 153-164. DOI: [10.1109/TITS.2016.2568758](https://doi.org/10.1109/TITS.2016.2568758 [7] Benedetto A, Tosti F, Ciampoli L B, et al. Railway ballast condition assessment using ground-penetrating radar: a review [J]. Construction and Building Materials, 2017, 146: 452-467

[8] Nielsen J C O, Ekberg A. Acceptance criterion for rail roughness levels based on wheel/rail contact fatigue [J]. Wear, 2005, 258(7-8): 1246-1252

[9] Lindsey N J, Dawe T C, Ajo-Franklin J B. Illuminating seafloor faults and ocean dynamics with DAS [J]. Science, 2019, 366(6470): 1103-1107

[10] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need [C]. Advances in Neural Information Processing Systems (NeurIPS), 2017: 5998-6008. arXiv: [1706.03762](https://arxiv.org/abs/1706.03762 [11] He K, Chen X, Xie S, et al. Masked autoencoders are scalable vision learners [C]. Proceedings of IEEE/CVF CVPR, 2022: 16000-16009. arXiv: [2111.06377](https://arxiv.org/abs/2111.06377 [12] Raissi M, Perdikaris P, Karniadakis G E. Physics-informed neural networks: a deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations [J]. Journal of Computational Physics, 2019, 378: 686-707. arXiv: [1711.10561](https://arxiv.org/abs/1711.10561 [13] Ganin Y, Ustinova E, Ajakan H, et al. Domain-adversarial training of neural networks [J]. Journal of Machine Learning Research, 2016, 17(59): 1-35.

[14] Kipf T N, Welling M. Semi-supervised classification with graph convolutional networks [C]. International Conference on Learning Representations (ICLR), 2017. arXiv: [1609.02907](https://arxiv.org/abs/1609.02907 [15] Brown T B, Mann B, Ryder N, et al. Language models are few-shot learners [C]. Advances in Neural Information Processing Systems (NeurIPS), 2020: 1877-1901. arXiv: [2005.14165](https://arxiv.org/abs/2005.14165 [16] Lundberg S M, Lee S-I. A unified approach to interpreting model predictions [C]. Advances in Neural Information Processing Systems (NeurIPS), 2017: 4765-4774. arXiv: [1705.07874](https://arxiv.org/abs/1705.07874 [17] Zerbst U, Madler K, Hintze H. Fracture mechanics in railway applications—an overview [J]. Engineering Fracture Mechanics, 2005, 72(2): 163-194

[18] Hochreiter S, Schmidhuber J. Long short-term memory [J]. Neural Computation, 1997, 9(8): 1735-1780. DOI: [10.1162/neco.1997.9.8.1735](https://doi.org/10.1162/neco.1997.9.8.1735 [19] Ho J, Jain A, Abbeel P. Denoising diffusion probabilistic models [C]. Advances in Neural Information Processing Systems (NeurIPS), 2020: 6840-6851. arXiv: [2006.11239](https://arxiv.org/abs/2006.11239 [20] Arulampalam M S, Maskell S, Gordon N, et al. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking [J]. IEEE Transactions on Signal Processing, 2002, 50(2): 174-188

[21] Gal Y, Ghahramani Z. Dropout as a Bayesian approximation: representing model uncertainty in deep learning [C]. International Conference on Machine Learning (ICML), 2016: 1050-1059. arXiv: [1506.02142](https://arxiv.org/abs/1506.02142 [22] Grieves M, Vickers J. Digital twin: mitigating unpredictable, undesirable emergent behavior in complex systems [M]// Transdisciplinary Perspectives on Complex Systems. Springer, 2017: 85-113. ISBN: 9783319387567

[23] Karniadakis G E, Kevrekidis I G, Lu L, et al. Physics-informed machine learning [J]. Nature Reviews Physics, 2021, 3(6): 422-440. DOI: [10.1038/s42254-021-00314-5](https://www.nature.com/articles/s42254-021-00314-5 [24] McMahan B, Moore E, Ramage D, et al. Communication-efficient learning of deep networks from decentralized data [C]. International Conference on Artificial Intelligence and Statistics (AISTATS), 2017: 1273-1282. arXiv: [1602.05629](https://arxiv.org/abs/1602.05629 [25] Pearl J. Causality: Models, Reasoning, and Inference [M]. 2nd ed. Cambridge University Press, 2009. ISBN: 9780521895606

[26] Saxena A, et al. Remaining useful life estimation of engineered systems: a review [J]. International Journal of Prognostics and Health Management, 2023, 14(2): 1-28

[27] Lee J, et al. Prognostics and health management: A review of emerging trends and challenges [J]. Mechanical Systems and Signal Processing, 2023, 200: 110528 --- 本报告为 VizonVision 技术研究系列的第 3 期。 发表日期：2026 年 5 月 28 日 作者：VizonVision 技术研究团队