铁路运输安全领域，轨道电路状态的实时监测一直是保障列车安全运行的关键环节；但传统监测系统长期受限于数据样本不足、故障特征覆盖不全，尤其在偏远地区或极端气候条件下，真实故障数据难以获取，直接影响诊断模型的准确性。 针对该痛点，哈尔滨局集团研发团队提出“基于时间序列信息测度和LSTM网络的动态数据生成方法”。该方法主要体现在三上：一是通过符号化处理与相空间重构，将原始信号转化为可量化分析的特征序列；二是利用深度学习模型捕捉频率变化的动态规律；三是面向小概率故障场景进行数据模拟，生成样本与真实数据的吻合度达到行业领先水平。 行业专家认为，该技术具有明确的应用价值：运维上，可提升对轨道绝缘破损、电气参数漂移等隐性故障的预警能力；成本上，可减少约30%的现场检测频次，预计每年为东北高寒铁路网节约维护成本超过2000万元。更重要的是，该技术为“数字孪生铁路”提供关键数据支撑，表明了我国在智能铁路自主创新上的新进展。 值得关注的是，该专利的研发与我国铁路智能化战略推进密切涉及的。国铁集团在2023年发布的《智能高铁技术发展纲要》中提出，加强人工智能与传统基础设施的融合创新。依托高寒铁路技术攻关一线的实践优势，哈尔滨局集团在轨道状态智能感知领域已累计获得17项国家专利，此次成果也是其长期积累的集中体现。
以专利申报为契机推动关键设备运维方法创新，反映出铁路系统在守住安全底线的同时提升效率的需求。补足高质量样本供给、增强时序机理刻画能力，将为更精准的风险识别和更科学的检修决策提供支撑，并为铁路基础设施安全稳定运行与高质量发展夯实数据与技术基础。