铁路是一个复杂的系统，包括多个基础设施和滚动库存资产。为了安全，可靠，有效地操作系统，需要监视许多组件的条件。为了自动化此过程，可以使用数据驱动的故障检测和诊断模型。但是，实际上，如果培训数据集并不代表所有可能的未来条件，则数据驱动模型的性能可能会受到损害。我们建议通过学习特征表示，一方面是对操作或环境因素不变的，但另一方面，对资产的健康状况的变化敏感。我们评估了如何在有监督的和无监督的故障检测和诊断任务上使用对比度学习，并在铁路系统中进行实际状态监控数据集 - 来自基础架构资产的一个图像数据集和来自滚动库存资产的一次时间序列数据集。首先，我们评估了标有标记图像数据集的铁路卧铺缺陷分类任务上有监督的对比功能学习的性能。其次，我们评估了无监督的对比功能学习的性能，而没有在铁路轮数据集的异常检测任务上访问故障样本。在这里，我们检验了特征编码器对降解的敏感性是否对数据中的新故障模式敏感的假设。我们的结果表明，与最先进的方法相比，对比功能学习可以提高有关卧铺的监督分类任务的绩效。此外，在有关铁路轮的异常检测任务上，与最新方法相比，炮击缺陷的检测得到了改善。
translated by 谷歌翻译