LSTM多时间序列融合实现道岔故障诊断实战

简介：本资源是一套基于LSTM神经网络实现多时间序列特征提取的道岔故障诊断系统Python源码及配套实验报告，面向计算机、人工智能、自动化、轨道交通等相关专业的本科生、研究生及工程实践者，解决铁路信号设备中道岔状态实时监测与早期故障识别的技术难点。压缩包共9个文件，含7个核心Python脚本（涵盖特征工程、LSTM建模、数据预处理、多线程测试等模块）、1份README.md使用说明和1份详实的实验报告（.docx），整体体积仅872KB，轻量易部署，结构清晰便于教学演示或毕设复现。已有200人学习下载，代码经答辩实测运行稳定，平均评审分达96分，附带完整可执行流程、参数调优注释及典型故障案例数据处理逻辑，特别适合课程设计、毕业设计立项及AI+工业检测方向的入门进阶实践。

1. 道岔故障诊断不是“看波形猜故障”：LSTM 多时间序列特征提取真正在现场跑通的 Python 实战源码

铁路信号系统里，道岔是名副其实的“咽喉节点”——它不坏则已，一坏就是全线晚点。但传统靠人工巡检、阈值报警或简单滑动窗口统计的方法，漏报率高、误报频发，尤其对早期微弱振动、电流畸变、动作时间偏移这类复合型渐进式故障毫无招架之力。这份源码不是理论推导稿，而是作者在某局电务段实测数据上跑通的毕设成果：用 4 路同步采集的电流、电压、位移、加速度时间序列，输入 LSTM 网络做端到端特征融合，最终实现 92.7% 的 F1-score（答辩现场实测），比单通道 CNN 提升 13.5 个百分点。它解决的不是“能不能跑”，而是“怎么让 LSTM 真正学会从多源时序里揪出故障前兆”——比如电流上升沿变缓 + 位移响应延迟 + 加速度高频分量衰减这三者的时间耦合关系。适合刚学完 PyTorch 基础、手头有传感器数据但卡在“特征怎么提”的同学；也适合需要快速验证算法可行性、又不想从零搭框架的工程师。代码结构清晰、注释密集、实验报告含完整数据预处理逻辑和消融实验对比，不是玩具 demo。

2. 为什么必须用 LSTM 做多时间序列融合？而不是直接拼接 + MLP 或单通道 CNN

2.1 道岔动作过程的本质：强时序依赖 + 多模态异步性

道岔转换过程持续 2~8 秒，典型动作分为“解锁→电机启动→尖轨移动→锁闭→表示复位”五个阶段。每个阶段在不同传感器上的响应存在固有延迟：电流在解锁瞬间突增，位移在电机启动后 0.3s 才开始变化，加速度峰值出现在尖轨移动中段，而电压波动往往滞后于电流 100ms。这种跨通道的时序错位（asynchronous temporal misalignment）决定了：

• 若简单将四路信号横向拼接成 [t, 4] 矩阵再喂给 MLP，网络无法建模“电流上升后 0.3s 位移应跟随变化”这类跨通道时序约束；
• 若对每路信号单独用 CNN 提取局部特征再拼接，CNN 感受野固定，难以捕获“解锁电流脉冲 → 0.3s 后位移斜率异常 → 1.2s 后加速度频谱偏移”这种长程因果链。

LSTM 的门控机制天然适配此场景：遗忘门可抑制无关历史（如稳定锁闭期的电流基线），输入门聚焦当前关键信号（如解锁瞬间的电流尖峰），输出门决定何时将融合特征传递给分类器。实验证明，在相同训练 epoch 下，LSTM 融合方案比单通道 CNN+concat 方案在测试集上降低 21.3% 的早期故障漏报率。

2.2 源码中features.py的核心设计：通道感知的时序对齐预处理

原始采集数据采样率不一致（电流 10kHz，位移 1kHz，加速度 5kHz），直接插值会引入相位失真。features.py采用事件驱动重采样（Event-Driven Resampling）策略：

1. 以电流信号为基准，检测“解锁电流跳变点”作为全局时间零点；
2. 对其他三路信号，以该零点为中心截取 ±4s 窗口；
3. 使用Sinc 插值（非线性插值）重采样至统一 2kHz，保留阶跃响应特性。

# features.py 关键片段 def align_and_resample(raw_data: dict) -> np.ndarray: """ raw_data: {'current': (10000, 1), 'displacement': (1000, 1), ...} 返回 shape=(8000, 4) 的对齐后数组，时间轴统一为 2kHz """ # 步骤1：在 current 中找首个 >1.5A 的上升沿（解锁事件） current = raw_data['current'].flatten() trigger_idx = np.argmax(np.diff(current) > 0.8) # 0.8A/ms 上升率阈值 # 步骤2：以 trigger_idx 为 t=0，截取各通道 [-4000, 4000] 样本（对应±4s） aligned = [] for ch_name, signal in raw_data.items(): if ch_name == 'current': # 电流本身已为 10kHz，降采样至 2kHz aligned.append(signal[trigger_idx-4000:trigger_idx+4000:5]) # 每5个点取1个 else: # 其他通道用 sinc 插值重采样（scipy.signal.resample_poly） target_len = 8000 aligned.append(resample_poly(signal.flatten(), up=target_len, down=len(signal.flatten()), window=('kaiser', 5.0))) return np.stack(aligned, axis=1) # shape=(8000, 4)

提示：resample_poly的window=('kaiser', 5.0)参数是血泪经验——kaiser 窗 β=5.0 在抗混叠与相位保真间取得最佳平衡；β<3.0 导致高频泄漏，β>7.0 引入明显时延。这个参数在答辩时被评审老师专门问及，务必实测调整。

2.3LSTM.py的网络结构：双层堆叠 + 通道注意力门控

网络并非标准 LSTM，而是在第二层 LSTM 输出后插入Channel-wise Attention Gate（通道注意力门）：

• 输入：第二层 LSTM 的隐藏状态h_t ∈ R^(8000×64)（64 为 hidden_size）；
• 门控计算：对每个时间步t，计算 4 维权重向量α_t = softmax(W_a * h_t + b_a)，其中W_a ∈ R^(4×64)；
• 输出：h_t' = α_t ⊙ h_t（逐元素乘），再送入全连接层分类。

该设计强制网络学习“在 t 时刻，哪一维传感器特征对判别最关键”。例如在解锁阶段，电流权重 α₁≈0.7；在锁闭阶段，位移权重 α₂≈0.6。实验报告中的热力图显示，该门控使模型对“电流正常但位移响应延迟”类故障的敏感度提升 34%。

3. 从解压到训练：五步跑通完整 pipeline（含环境配置避坑）

3.1 环境准备：Python 3.8 + PyTorch 1.12 是唯一验证组合

项目在 PyTorch 1.12 + CUDA 11.3 环境下完成全部测试，不兼容 PyTorch 2.x（torch.nn.LSTM的batch_first=True在 2.0+ 中默认行为变更导致维度错乱）。建议使用 conda 创建隔离环境：

conda create -n rail_lstm python=3.8 conda activate rail_lstm pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 -f https://download.pytorch.org/whl/torch_stable.html pip install numpy pandas scikit-learn matplotlib scipy

注意：scipy>=1.10.0会导致resample_poly插值结果异常（已知 bug），务必锁定scipy==1.9.3。

3.2 数据准备：xiecheng.py解析原始 .dat 文件生成标准 npy

原始数据为电务段提供的二进制.dat文件（含时间戳+4通道原始值）。xiecheng.py是专用解析器，需按以下步骤操作：

1. 将所有.dat文件放入data/raw/目录；
2. 修改xiecheng.py第 12 行BASE_PATH = "data/raw/"指向你的路径；
3. 运行python xiecheng.py，自动生成data/processed/下的X_train.npy（shape=(N, 8000, 4)）、y_train.npy（shape=(N,)）等文件。

# xiecheng.py 关键逻辑（第 45 行起） def parse_dat_file(filepath: str) -> Tuple[np.ndarray, int]: """解析单个 .dat 文件，返回对齐后的 (8000,4) 数组和标签""" with open(filepath, 'rb') as f: # 头部 16 字节：4 字节 magic + 4 字节 timestamp + 4 字节 label + 4 字节 channel_count header = np.frombuffer(f.read(16), dtype=np.uint32) label = int(header[2]) # 第3个 uint32 是故障类型编码（0=正常，1=机械卡阻，2=电机过载...） # 后续数据：按顺序读取 4 个通道，每个通道 10000 个 int16 data = np.frombuffer(f.read(), dtype=np.int16).reshape(-1, 4) # 调用 features.py 的 align_and_resample 函数 aligned = align_and_resample({ 'current': data[:, 0:1], 'voltage': data[:, 1:2], 'displacement': data[:, 2:3], 'acceleration': data[:, 3:4] }) return aligned, label

3.3 模型训练：train.py（未提供但可由LSTM.py+test.py推导）

项目未提供独立train.py，但test.py包含完整训练循环。需手动创建train.py，核心逻辑如下：

# train.py（需自行创建） import torch from torch.utils.data import DataLoader, TensorDataset from LSTM import FaultLSTM # 从 LSTM.py 导入模型类 # 加载数据 X = np.load('data/processed/X_train.npy') y = np.load('data/processed/y_train.npy') dataset = TensorDataset(torch.tensor(X, dtype=torch.float32), torch.tensor(y, dtype=torch.long)) dataloader = DataLoader(dataset, batch_size=32, shuffle=True) # 初始化模型 model = FaultLSTM(input_size=4, hidden_size=64, num_layers=2, num_classes=4) criterion = torch.nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) # 训练循环 for epoch in range(50): for X_batch, y_batch in dataloader: optimizer.zero_grad() outputs = model(X_batch) # X_batch shape: (32, 8000, 4) loss = criterion(outputs, y_batch) loss.backward() optimizer.step() print(f"Epoch {epoch+1}, Loss: {loss.item():.4f}")

参数说明：batch_size=32是内存与收敛速度的平衡点（RTX 3090 下显存占用 4.2GB）；lr=0.001经 200 次实验验证为最优；若显存不足，可降至batch_size=16并将hidden_size改为 32。

3.4 模型验证：test.py的三重校验机制

test.py不仅做预测，还内置三重校验：

• 维度校验：检查输入张量是否为(N, 8000, 4)，否则抛出ValueError("Input shape must be (N, 8000, 4)")；
• 标签一致性校验：验证y_pred与y_true长度是否相等，且y_true中类别数 ≤4；
• 置信度阈值校验：对 softmax 输出，若最大概率 <0.6，则标记为uncertain并记录日志。

运行python test.py后，输出包含：

• 混淆矩阵（CSV 格式保存至results/confusion_matrix.csv）；
• 各类故障的 precision/recall/f1；
• 错误样本的原始信号可视化（results/error_samples/下 PNG 图）。

4. 避坑指南：那些让模型准确率从 92% 跌到 65% 的真实翻车现场

4.1 现象：训练 loss 快速下降但验证 acc 停滞在 50%，且混淆矩阵显示所有样本被判为“正常”

原因：y_train.npy中标签编码错误。原始.dat文件头部label字段为uint32，但xiecheng.py第 48 行label = int(header[2])未做范围校验。当采集设备故障时，header[2]可能为0xFFFFFFFF（即 -1），导致int()解析为-1，而 PyTorch CrossEntropyLoss 要求标签 ≥0。模型实际在学习y=-1的无效目标，退化为随机猜测。

解决：在xiecheng.py的parse_dat_file函数中，增加标签校验：

label = int(header[2]) if label < 0 or label > 3: # 只接受 0~3 四类 raise ValueError(f"Invalid label {label} in {filepath}")

4.2 现象：test.py运行时报错RuntimeError: expected scalar type Float but found Long

原因：LSTM.py中FaultLSTM.forward()方法未对输入x做x.float()类型转换。当X_train.npy以np.float64保存时，torch.tensor(X)默认为torch.float64，而 LSTM 层只接受torch.float32。

解决：在LSTM.py的forward方法开头强制转换：

def forward(self, x): x = x.float() # 关键修复！ # 后续 LSTM 计算...

4.3 现象：模型在测试集上 F1-score 达 92%，但部署到现场工控机后准确率暴跌至 73%

原因：features.py中的 Sinc 插值依赖scipy.signal.resample_poly，而工控机 Linux 系统未安装libatlas-base-dev库，导致插值结果全为 NaN。align_and_resample函数未做 NaN 检查，后续 LSTM 输入全为 0，输出恒为“正常”。

解决：在features.py的align_and_resample函数末尾添加断言：

result = np.stack(aligned, axis=1) assert not np.isnan(result).any(), f"NaN detected in resampled data for {ch_name}" return result

并在工控机部署前执行sudo apt-get install libatlas-base-dev。

4.4 现象：thread.py多线程加载数据时，CPU 占用 100% 且训练速度比单线程还慢

原因：thread.py使用threading.Thread加载.npy文件，但 NumPy 的.npy读取是 CPU-bound 操作，GIL（全局解释器锁）导致多线程无法并行。反而因线程切换开销拖慢整体速度。

解决：改用concurrent.futures.ProcessPoolExecutor替代线程：

# thread.py 替换方案（process_loader.py） from concurrent.futures import ProcessPoolExecutor import numpy as np def load_npy(filepath): return np.load(filepath) def load_batch(filepaths): with ProcessPoolExecutor(max_workers=4) as executor: return list(executor.map(load_npy, filepaths))

4.5 现象：修改LSTM.py中num_classes=5后训练报错IndexError: Target 4 is out of bounds

原因：y_train.npy中最大标签为 3（0~3 共 4 类），但num_classes=5时 CrossEntropyLoss 期望标签 ∈ [0,4)，而y=4不存在，导致索引越界。

解决：严格遵循“标签最大值 = num_classes - 1”原则。若需新增故障类型，必须：

1. 在xiecheng.py中扩展标签映射表；
2. 重新生成y_train.npy；
3. 再修改num_classes。

5. 进阶技巧：如何用LSTM.py的中间层输出做故障根因定位（附可复现代码）

5.1 核心思路：利用 Channel-wise Attention Gate 的权重轨迹定位故障发生时刻

LSTM.py中的注意力门不仅提升精度，更产出可解释性线索。其输出α_t ∈ R^4表示在时间步t，电流、电压、位移、加速度四通道对当前判别贡献的相对权重。当模型判定为“机械卡阻”时，若α_t[2]（位移通道）在t=3200~4800（对应 1.6~2.4s）持续 >0.6，即可定位故障发生在尖轨移动阶段。

5.2 实现步骤：提取 attention 权重并生成归因热力图

修改LSTM.py的forward方法，使其返回 attention 权重：

# LSTM.py 修改部分（第 87 行起） class FaultLSTM(nn.Module): def __init__(self, input_size, hidden_size, num_layers, num_classes): # ... 原有初始化 ... self.attention = nn.Linear(hidden_size, 4) # 4通道注意力 def forward(self, x): x = x.float() lstm_out, _ = self.lstm(x) # lstm_out: (batch, seq_len, hidden_size) # 计算注意力权重 attn_logits = self.attention(lstm_out) # (batch, seq_len, 4) attn_weights = F.softmax(attn_logits, dim=2) # (batch, seq_len, 4) # 加权融合 weighted = torch.sum(lstm_out.unsqueeze(3) * attn_weights.unsqueeze(2), dim=1) # ... 后续分类 ... return output, attn_weights # 返回分类结果和 attention 权重

在test.py中调用并保存热力图：

# test.py 新增部分 model.eval() with torch.no_grad(): for X_batch, y_batch in test_loader: outputs, attn_weights = model(X_batch) # attn_weights: (32, 8000, 4) # 取第一个样本的 attention 权重 sample_attn = attn_weights[0].cpu().numpy() # shape=(8000, 4) # 生成热力图 plt.figure(figsize=(12, 4)) sns.heatmap(sample_attn.T, cmap='RdBu_r', cbar_kws={'label': 'Attention Weight'}) plt.yticks([0,1,2,3], ['Current','Voltage','Displacement','Acceleration']) plt.xlabel('Time Step (2kHz)') plt.title(f'Attention Heatmap for Sample {i}, True Label: {y_batch[0].item()}') plt.savefig(f'results/attn_heatmap_{i}.png') break

5.3 故障根因定位实战：从热力图反推维护建议

下表是某次“电机过载”故障的 attention 权重分析（取t=1000~3000区间均值）：

血泪经验：这个表格不是模型“猜”的，而是现场电务工程师根据热力图反馈的真实结论。他们据此更换了道岔电机的绝缘套管，故障率下降 80%。从那以后我每次部署新模型，都强制走一遍attn_weights提取流程，把热力图和维修日志对齐——这才是 AI 落地的闭环。

希望帮到你。

本文还有配套的精品资源，点击获取