CN109061224A - 列车车轴监测方法、装置和系统 - Google Patents

Abstract

本发明提供一种列车车轴监测方法、装置和系统，通过获取待检测列车车轴的温度值、竖直加速度值以及朝向信息；根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果；若确定所述检测结果指示了所述待检测列车车轴不是正常状态，则向监测终端发送预警信息，其中，提取车轴的温度、竖直加速度以及朝向的特征来进行车轴是否处于正常状态的预判断，能够提高预判断的准确性，采用ANN模型进行状态识别提高了故障预判能力，降低了误警率。

Description

列车车轴监测方法、装置和系统

技术领域

本发明涉及车辆检测技术，尤其涉及一种列车车轴监测方法、装置和系统。

背景技术

列车作为当前的一种重要交通工具，提升其性能的安全性和稳定性无疑成为关键问题。车轴、轴承作为列车滚动机构中的重要元件，长时间负载运行后，需要及时进行检测、预警和维护，避免出现因车轴故障威胁到列车行驶的安全。

现有的车轴监测方式多是采用定期人工检修与机械监控相结合的手段。通常是按照运营里程和运营时间为依据，对列车进行定期检测、检查、更换来保障列车运行状态。在列车运行的过程中，通过对车轴设置检测用的机械杆进行监测。在车轮脱轨时，车轴超出安全规定范围并压断机械杆，从而触发警报。

现有的列车车轴监测方法过多依赖于定期人工检查，在运行过程中的监测方式只有在出现故障时才能检测到，机械式检测方式报警不及时，无法提前预警。

发明内容

本发明提供一种列车车轴监测方法、装置和系统，以解决现有的检测方法中检测不及时，无法预警的技术问题。

根据本发明的第一方面，提供一种列车车轴监测方法，包括：

获取待检测列车车轴的温度值、竖直加速度值以及朝向信息；

根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果；

若确定所述检测结果指示了所述待检测列车车轴不是正常状态，则向监测终端发送预警信息。

可选地，根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果，包括：

根据所述温度值、所述竖直加速度值和所述朝向信息值，确定预设的ANN模型的输入量；

将所述预设的ANN模型的输出结果，确定为指示所述待检测列车车轴是否正常状态的检测结果。

可选地，所述朝向信息包括：X方向矢量值、Y方向矢量值、Z方向矢量值；

相应地，根据所述温度值、所述竖直加速度值和所述朝向信息值，确定预设的ANN模型的输入量，包括：

将所述温度值、竖直加速度值、X方向矢量值、Y方向矢量值和Z方向矢量值，确定为预设的ANN模型的输入量；其中，所述预设的ANN模型包含输入层、隐藏层和输出层，所述输入层包含5个神经元，所述5个神经元分别对应所述温度值、竖直加速度值、X方向矢量值、Y方向矢量值和Z方向矢量值，所述输出层包含2个神经元，所述2个神经元分别对应用于指示待检测列车车轴不是正常状态的检测结果，和用于指示待检测列车车轴是正常状态的检测结果。

可选地，在根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果之前，还包括：

获取多个训练样本，每个所述训练样本包括所述待检测列车车轴的温度样本值、竖直加速度样本值和朝向样本信息，其中，所述朝向样本信息包括X方向矢量样本值、Y方向矢量样本值和Z方向矢量样本值；

以所述多个训练样本对初始化的ANN模型进行分类训练，得到所述预设的ANN模型，其中，所述初始化的ANN模型包含输入层、隐藏层和输出层，所述输入层包含5个神经元，所述5个神经元分别对应所述温度样本值、竖直加速度样本值、X方向矢量样本值、Y方向矢量样本值和Z方向矢量样本值，所述输出层包含2个神经元，所述2个神经元分别对应两类不同的检测结果。

可选地，获取待检测列车车轴的温度值、竖直加速度值以及朝向信息，包括：

从红外温度传感器获取待检测列车车轴的温度传感数据，从惯性传感器获取所述待检测列车车轴的竖直加速度传感数据，从陀螺仪获取所述待检测列车车轴的朝向传感数据；

根据所述红外温度传感器的量程范围对所述温度传感数据归一化处理，获得所述待检测列车车轴的温度值；

根据所述惯性传感器的量程范围对所述竖直加速度传感数据归一化处理，获得所述待检测列车车轴的竖直加速度值；

根据所述陀螺仪的量程范围对所述朝向传感数据归一化处理，获得所述待检测列车车轴的朝向信息。

根据本发明的第二方面，提供一种列车车轴监测装置，包括：

车轴数据采集模块，用于获取待检测列车车轴的温度值、竖直加速度值以及朝向信息；

检测模块，用于根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果；

预警模块，用于若确定所述检测结果指示了所述待检测列车车轴不是正常状态，则向监测终端发送预警信息。

可选地，所述检测模块具体用于：根据所述温度值、所述竖直加速度值和所述朝向信息值，确定预设的ANN模型的输入量；将所述预设的ANN模型的输出结果，确定为指示所述待检测列车车轴是否正常状态的检测结果。

可选地，所述朝向信息包括：X方向矢量值、Y方向矢量值、Z方向矢量值；

相应地，所述检测模块进一步用于：将所述温度值、竖直加速度值、X方向矢量值、Y方向矢量值和Z方向矢量值，确定为预设的ANN模型的输入量；其中，所述预设的ANN模型包含输入层、隐藏层和输出层，所述输入层包含5个神经元，所述5个神经元分别对应所述温度值、竖直加速度值、X方向矢量值、Y方向矢量值和Z方向矢量值，所述输出层包含2个神经元，所述2个神经元分别对应用于指示待检测列车车轴不是正常状态的检测结果，和用于指示待检测列车车轴是正常状态的检测结果。

可选地，还包括：模型训练模块，用于：

在根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果之前，获取多个训练样本，每个所述训练样本包括所述待检测列车车轴的温度样本值、竖直加速度样本值和朝向样本信息，其中，所述朝向样本信息包括X方向矢量样本值、Y方向矢量样本值和Z方向矢量样本值；以所述多个训练样本对初始化的ANN模型进行分类训练，得到所述预设的ANN模型，其中，所述初始化的ANN模型包含输入层、隐藏层和输出层，所述输入层包含5个神经元，所述5个神经元分别对应所述温度样本值、竖直加速度样本值、X方向矢量样本值、Y方向矢量样本值和Z方向矢量样本值，所述输出层包含2个神经元，所述2个神经元分别对应两类不同的检测结果。

可选地，车轴数据采集模块具体用于：

从红外温度传感器获取待检测列车车轴的温度传感数据，从惯性传感器获取所述待检测列车车轴的竖直加速度传感数据，从陀螺仪获取所述待检测列车车轴的朝向传感数据；根据所述红外温度传感器的量程范围对所述温度传感数据归一化处理，获得所述待检测列车车轴的温度值；根据所述惯性传感器的量程范围对所述竖直加速度传感数据归一化处理，获得所述待检测列车车轴的竖直加速度值；根据所述陀螺仪的量程范围对所述朝向传感数据归一化处理，获得所述待检测列车车轴的朝向信息。

根据本发明的第三方面，提供一种列车车轴监测系统，包括：本发明第二发明所述的列车车轴监测装置，和至少一个监测终端。

根据本发明的第四方面，提供一种设备，包括：存储器、处理器以及计算机程序，其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行，以实现本发明第一方面及第一方面各种可能设计的所述方法。

根据本发明的第五方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。

本发明提供的一种列车车轴监测方法、装置和系统，通过获取待检测列车车轴的温度值、竖直加速度值以及朝向信息；根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果；若确定所述检测结果指示了所述待检测列车车轴不是正常状态，则向监测终端发送预警信息，其中，提取车轴的温度、竖直加速度以及朝向的特征来进行车轴是否处于正常状态的预判断，能够提高预判断的准确性，采用ANN模型进行状态识别提高了故障预判能力，降低了误警率。

附图说明

图1是本发明实施例提供的一种应用场景示意图；

图2是本发明实施例提供的一种列车车轴监测方法流程示意图；

图3是本发明实施例提供的一种预设的ANN模型和初始化的ANN模型的结构示意图；

图4是本发明实施例提供的一种列车车轴监测装置的结构示意图；

图5是本发明实施例提供的另一种列车车轴监测装置的结构示意图；

图6是本发明实施例提供的一种列车车轴监测系统的结构示意图；

图7是本发明实施例提供的一种设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

应当理解，在本申请的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

应当理解，在本申请中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“多个”是指两个或两个以上。

应当理解，在本申请中，“与A对应的B”、“A对应B”、“A与B对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。

取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。

下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。

参见图1，是本发明实施例提供的一种应用场景示意图。在列车的运行过程中，车轴快速转动，并在工作过程中随着车体的颠簸上下振动。传感器安装在支撑车辆轴承的支架上，不直接接触车轴。传感器例如可以是红外温度传感器、惯性传感器、陀螺仪等非接触型传感器。其中，红外温度传感器实时检测车轴的温度数据，惯性传感器检测车轴上下运动的竖直加速度，陀螺仪检测车轴的朝向信息。本专利根据人工神经网络(ArtificialNeural Network，简称：ANN)训练得到预设的ANN模型，用ANN模型根据温度数据、竖直加速度和朝向信息，判断车轴是否处于可能要出现故障的不正常状态，由此实现发生故障前的及时预警。在图1所示的应用场景中，ANN模型设置在列车上，监测终端为不安装在列车上的远程终端，可以通过无线网络进行信息传输。可选地，ANN模型也可以不设置在列车上，ANN模型与多组传感器通过无线连接获取传感数据，从而降低车载装置的成本。

参见图2，是本发明实施例提供的一种列车车轴监测方法流程示意图，图2所示实施例可以是由列车车轴监测装置执行的，列车车轴监测装置可以是一个专用模块，也可以是内嵌于其他系统中的一个子模块，例如可以是内置于列车车头控制台中。图2所示的方法包括步骤S101至步骤S103，具体如下：

S101，获取待检测列车车轴的温度值、竖直加速度值以及朝向信息。

具体地，可以理解为待测列车车轴与支架连接安装或者是与减震器等其他结构连接，可以在与车轴连接且相对列车不运动的结果或结构外壳上设置用于探测车轴信息的传感器。例如是利用红外线检测车轴温度特征的传感器，以及用于检测车轴运动特征的惯性传感器。运动特征可以是竖直加速度值和朝向信息。竖直加速度值可以理解为车轴滚动过程中上下振动产生的加速度值，向上则为正，向下则为负值。朝向信息可以理解为在XYZ坐标系中的方向矢量，例如以列车车厢前进方向为X轴，列车车厢竖直方向为X轴建立一个坐标系，当车轴正常安装时，车轴朝向Y轴方向，Y轴上取值为1，X轴和Z轴上的取值均为0。本实施例提取车轴的温度、竖直加速度以及朝向的特征来进行车轴是否处于正常状态的预判断，能够提高预判断的准确性。

作为一种实现方式，可以是从红外温度传感器获取待检测列车车轴的温度传感数据。根据所述红外温度传感器的量程范围对所述温度传感数据归一化处理，获得所述待检测列车车轴的温度值。从惯性传感器获取所述待检测列车车轴的竖直加速度传感数据。根据所述惯性传感器的量程范围对所述竖直加速度传感数据归一化处理，获得所述待检测列车车轴的竖直加速度值。从陀螺仪获取所述待检测列车车轴的朝向传感数据。根据所述陀螺仪的量程范围对所述朝向传感数据归一化处理，获得所述待检测列车车轴的朝向信息。

S102，根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果。

具体地，根据所述温度值、所述竖直加速度值和所述朝向信息值，确定预设的ANN模型的输入量。将所述预设的ANN模型的输出结果，确定为指示所述待检测列车车轴是否正常状态的检测结果。

预设的人工神经网络ANN模型可以理解为是经过训练、学习得到的，可以对车轴是否正常状态进行识别的模型。训练样本可以是同一列车或者同一类型列车的车轴信息样本。得到的检测结果可以理解为是一种分类结果，例如检测结果为1，则指示所述待检测列车车轴是正常状态；检测结果为-1，则指示所述待检测列车车轴不是正常状态。不是正常状态可以理解为待检测列车车轴是即将发生故障的状态或者是已经发生故障的状态。

ANN模型具有复杂度低，且能够快速在训练中收敛的优势。可选地，可以通过通信模块远程下载一份经过训练阶段的预设的ANN模型，从而无需再进行训练的步骤。

S103，若确定所述检测结果指示了所述待检测列车车轴不是正常状态，则向监测终端发送预警信息。

在得到指示为不是正常状态的检测结果时，表明车轴可能即将发生故障或者已经处于故障，在向检测终端发送预警信息的同时还可以自动执行紧急预案。预警信息可以包含预警标识，以及与所述指示所述待检测列车车轴是否正常状态的检测结果对应的所述温度值、所述竖直加速度值以及所述朝向信息，以使得检测终端识别到预警标识后根据所述温度值、所述竖直加速度值以及所述朝向信息对车轴的故障情况进行判断，并提前进行相应的处理操作，以消除可能发生的故障。

本发明实施例提供的列车车轴监测方法，通过获取待检测列车车轴的温度值、竖直加速度值以及朝向信息；根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果；若确定所述检测结果指示了所述待检测列车车轴不是正常状态，则向监测终端发送预警信息，其中，提取车轴的温度、竖直加速度以及朝向的特征来进行车轴是否处于正常状态的预判断，能够提高预判断的准确性，采用ANN模型进行状态识别提高了故障预判能力，降低了误警率。

在上述实施例的基础上，若确定所述检测结果指示了所述待检测列车车轴是正常状态，则可以向监测终端发送运行信息。运行信息可以包括实时检测到的温度值、所述竖直加速度值以及所述朝向信息，以便监测终端可以实时获取到列车车轴的运行情况，以及在接收到预警信息时结合预警前的运行信息进行故障判断和处理分析。本实施例中向监测终端发送预警信息的通信模块可以是长期演进模块(Long Term Evolution，简称：LTE)、增强机器类通信模块(eMTC)、窄带物联网模块(Narrow Band Internet of Things,简称：NB-IoT)等通信类型。监测终端可以是手机、服务器或者是地面站系统等。

在上述实施例的基础上，所述朝向信息可以包括：X方向矢量值、Y方向矢量值、Z方向矢量值。将朝向信息作为3个输入分量，相应地，根据所述温度值、所述竖直加速度值和所述朝向信息值，确定预设的ANN模型的输入量的过程具体可以是：将所述温度值、竖直加速度值、X方向矢量值、Y方向矢量值和Z方向矢量值，确定为预设的ANN模型的输入量；其中，所述预设的ANN模型包含输入层、隐藏层和输出层，所述输入层包含5个神经元，所述5个神经元分别对应所述温度值、竖直加速度值、X方向矢量值、Y方向矢量值和Z方向矢量值，所述输出层包含2个神经元，所述2个神经元分别对应用于指示待检测列车车轴不是正常状态的检测结果，和用于指示待检测列车车轴是正常状态的检测结果。

在上述实施例的基础上，在根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果之前，还可以包括对ANN模型的训练，以得到预设的ANN模型的过程：

首先，获取多个训练样本，每个所述训练样本包括所述待检测列车车轴的温度样本值、竖直加速度样本值和朝向样本信息，其中，所述朝向样本信息包括X方向矢量样本值、Y方向矢量样本值和Z方向矢量样本值。训练样本可以理解为是从历史数据集中获得的。历史数据集也是列车车轴的温度样本值、竖直加速度样本值和朝向样本信息，并且可以是从同一列车上各个车轴获取的，也可以是从相同结构列车上各个车轴获取的。

然后，以所述多个训练样本对初始化的ANN模型进行分类训练，得到所述预设的ANN模型。具体地，历史数据集的一部分构成了多个训练样本的集合，用来训练模式识别模块，取历史数据集的另外一部分作为测试样本。将训练后的ANN模型对测试样本进行测试，如果训练后的ANN模型对全部测试样本识别正确，则停止训练，并将对全部测试样本识别正确的训练后的ANN模型确定为预设的ANN模型；如果训练后的ANN模型对部分测试样本识别错误，则对训练后的ANN模型继续训练。本实施例中对初始化的ANN模型的训练是无监督的学习过程，不对训练样本设置标签，训练过程中不断调整各神经元的权重矩阵以及激励函数，最终通过ANN模型输出层中2个神经元，可以得到两类检测结果。

参见图3，是本发明实施例提供的一种预设的ANN模型和初始化的ANN模型的结构示意图，预设的ANN模型和初始化的ANN模型具有相同的层结构和神经元结构，只是其中的权重矩阵和激励函数因训练过程中的调整而不同。以初始化的ANN模型为例对图3所示结果进行说明。图3中圆形示意神经元，圆角方框示意层结构，箭头示意数据传输关系。初始化的ANN模型包含输入层31、隐藏层32和输出层33，所述输入层31包含5个神经元，所述5个神经元分别对应所述温度样本值、竖直加速度样本值、X方向矢量样本值、Y方向矢量样本值和Z方向矢量样本值。隐藏层32中的神经元个数在本发明中不做限制。输出层33包含2个神经元，所述2个神经元分别对应两类不同的检测结果。在得到预设的ANN模型后，获取到的温度值、竖直加速度值、X方向矢量值、Y方向矢量值和Z方向矢量值作为5个输入分量分别输入图3所示输入层31的5个神经元中进行处理。

参见图4，是本发明实施例提供的一种列车车轴监测装置的结构示意图，图4所示的列车车轴监测装置61可以包括：

车轴数据采集模块41，用于获取待检测列车车轴的温度值、竖直加速度值以及朝向信息。

检测模块42，用于根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果。

预警模块43，用于若确定所述检测结果指示了所述待检测列车车轴不是正常状态，则向监测终端发送预警信息。

图4所示实施例的列车车轴监测装置对应地可用于执行图2所示方法实施例的步骤，其实现原理和技术效果类似，此处不再赘述。

在上述实施例的基础上，所述检测模块42具体用于：根据所述温度值、所述竖直加速度值和所述朝向信息值，确定预设的ANN模型的输入量；将所述预设的ANN模型的输出结果，确定为指示所述待检测列车车轴是否正常状态的检测结果。

在上述实施例的基础上，所述朝向信息包括：X方向矢量值、Y方向矢量值、Z方向矢量值。

相应地，所述检测模块42进一步用于：将所述温度值、竖直加速度值、X方向矢量值、Y方向矢量值和Z方向矢量值，确定为预设的ANN模型的输入量；其中，所述预设的ANN模型包含输入层、隐藏层和输出层，所述输入层包含5个神经元，所述5个神经元分别对应所述温度值、竖直加速度值、X方向矢量值、Y方向矢量值和Z方向矢量值，所述输出层包含2个神经元，所述2个神经元分别对应用于指示待检测列车车轴不是正常状态的检测结果，和用于指示待检测列车车轴是正常状态的检测结果。

参见图5，是本发明实施例提供的另一种列车车轴监测装置的结构示意图，在上述实施例的基础上，图5所示的列车车轴监测装置61还可以包括：

模型训练模块44，用于在根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果之前，获取多个训练样本，每个所述训练样本包括所述待检测列车车轴的温度样本值、竖直加速度样本值和朝向样本信息，其中，所述朝向样本信息包括X方向矢量样本值、Y方向矢量样本值和Z方向矢量样本值；以所述多个训练样本对初始化的ANN模型进行分类训练，得到所述预设的ANN模型，其中，所述初始化的ANN模型包含输入层、隐藏层和输出层，所述输入层包含5个神经元，所述5个神经元分别对应所述温度样本值、竖直加速度样本值、X方向矢量样本值、Y方向矢量样本值和Z方向矢量样本值，所述输出层包含2个神经元，所述2个神经元分别对应两类不同的检测结果。

在上述实施例的基础上，车轴数据采集模块41具体用于：从红外温度传感器获取待检测列车车轴的温度传感数据，从惯性传感器获取所述待检测列车车轴的竖直加速度传感数据，从陀螺仪获取所述待检测列车车轴的朝向传感数据；根据所述红外温度传感器的量程范围对所述温度传感数据归一化处理，获得所述待检测列车车轴的温度值；根据所述惯性传感器的量程范围对所述竖直加速度传感数据归一化处理，获得所述待检测列车车轴的竖直加速度值；根据所述陀螺仪的量程范围对所述朝向传感数据归一化处理，获得所述待检测列车车轴的朝向信息。

参见图6，是本发明实施例提供的一种列车车轴监测系统的结构示意图，包括：图4或者图5所示的列车车轴监测装置61，和至少一个监测终端62。

参见图7，是本发明实施例提供的一种设备的硬件结构示意图，该设备包括：处理器71、存储器72和计算机程序；其中

存储器72，用于存储所述计算机程序，该存储器还可以是闪存(flash)。

处理器71，用于执行所述存储器存储的计算机程序，以实现上述方法中列车车轴监测装置执行的各个步骤。具体可以参见前面方法实施例中的相关描述。

可选地，存储器72既可以是独立的，也可以跟处理器71集成在一起。

当所述存储器72是独立于处理器71之外的器件时，所述设备还可以包括：

总线73，用于连接所述存储器72和处理器71。图7的终端还可以进一步包括发送器(图中未画出)，用于向监测终端发送处理器71生成的预警信息。

本发明还提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被执行时用于实现上述的各种实施方式提供的方法。

其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。

本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。

在上述设备的实施例中，应理解，处理器可以是中央处理单元(英文：CentralProcessing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：DigitalSignal Processor，简称：DSP)、专用集成电路(英文：Application Specific IntegratedCircuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (11)

1.一种列车车轴监测方法，其特征在于，包括：

获取待检测列车车轴的温度值、竖直加速度值以及朝向信息；

根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果；

若确定所述检测结果指示了所述待检测列车车轴不是正常状态，则向监测终端发送预警信息。

2.根据权利要求1所述的方法，其特征在于，根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果，包括：

根据所述温度值、所述竖直加速度值和所述朝向信息值，确定预设的ANN模型的输入量；

将所述预设的ANN模型的输出结果，确定为指示所述待检测列车车轴是否正常状态的检测结果。

3.根据权利要求2所述的方法，其特征在于，所述朝向信息包括：X方向矢量值、Y方向矢量值、Z方向矢量值；

相应地，根据所述温度值、所述竖直加速度值和所述朝向信息值，确定预设的ANN模型的输入量，包括：

将所述温度值、竖直加速度值、X方向矢量值、Y方向矢量值和Z方向矢量值，确定为预设的ANN模型的输入量；其中，所述预设的ANN模型包含输入层、隐藏层和输出层，所述输入层包含5个神经元，所述5个神经元分别对应所述温度值、竖直加速度值、X方向矢量值、Y方向矢量值和Z方向矢量值，所述输出层包含2个神经元，所述2个神经元分别对应用于指示待检测列车车轴不是正常状态的检测结果，和用于指示待检测列车车轴是正常状态的检测结果。

4.根据权利要求1-3任一所述的方法，其特征在于，在根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果之前，还包括：

获取多个训练样本，每个所述训练样本包括所述待检测列车车轴的温度样本值、竖直加速度样本值和朝向样本信息，其中，所述朝向样本信息包括X方向矢量样本值、Y方向矢量样本值和Z方向矢量样本值；

以所述多个训练样本对初始化的ANN模型进行分类训练，得到所述预设的ANN模型，其中，所述初始化的ANN模型包含输入层、隐藏层和输出层，所述输入层包含5个神经元，所述5个神经元分别对应所述温度样本值、竖直加速度样本值、X方向矢量样本值、Y方向矢量样本值和Z方向矢量样本值，所述输出层包含2个神经元，所述2个神经元分别对应两类不同的检测结果。

5.根据权利要求1所述的方法，其特征在于，获取待检测列车车轴的温度值、竖直加速度值以及朝向信息，包括：

从红外温度传感器获取待检测列车车轴的温度传感数据，从惯性传感器获取所述待检测列车车轴的竖直加速度传感数据，从陀螺仪获取所述待检测列车车轴的朝向传感数据；

根据所述红外温度传感器的量程范围对所述温度传感数据归一化处理，获得所述待检测列车车轴的温度值；

根据所述惯性传感器的量程范围对所述竖直加速度传感数据归一化处理，获得所述待检测列车车轴的竖直加速度值；

根据所述陀螺仪的量程范围对所述朝向传感数据归一化处理，获得所述待检测列车车轴的朝向信息。

6.一种列车车轴监测装置，其特征在于，包括：

车轴数据采集模块，用于获取待检测列车车轴的温度值、竖直加速度值以及朝向信息；

检测模块，用于根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果；

预警模块，用于若确定所述检测结果指示了所述待检测列车车轴不是正常状态，则向监测终端发送预警信息。

7.根据权利要求6所述的装置，其特征在于，所述检测模块具体用于：根据所述温度值、所述竖直加速度值和所述朝向信息值，确定预设的ANN模型的输入量；将所述预设的ANN模型的输出结果，确定为指示所述待检测列车车轴是否正常状态的检测结果。

8.根据权利要求7所述的装置，其特征在于，所述朝向信息包括：X方向矢量值、Y方向矢量值、Z方向矢量值；

相应地，所述检测模块进一步用于：将所述温度值、竖直加速度值、X方向矢量值、Y方向矢量值和Z方向矢量值，确定为预设的ANN模型的输入量；其中，所述预设的ANN模型包含输入层、隐藏层和输出层，所述输入层包含5个神经元，所述5个神经元分别对应所述温度值、竖直加速度值、X方向矢量值、Y方向矢量值和Z方向矢量值，所述输出层包含2个神经元，所述2个神经元分别对应用于指示待检测列车车轴不是正常状态的检测结果，和用于指示待检测列车车轴是正常状态的检测结果。

9.根据权利要求6-8任一所述的装置，其特征在于，还包括：模型训练模块，用于：

在根据预设的人工神经网络ANN模型和所述温度值、所述竖直加速度值以及所述朝向信息，得到指示所述待检测列车车轴是否正常状态的检测结果之前，获取多个训练样本，每个所述训练样本包括所述待检测列车车轴的温度样本值、竖直加速度样本值和朝向样本信息，其中，所述朝向样本信息包括X方向矢量样本值、Y方向矢量样本值和Z方向矢量样本值；以所述多个训练样本对初始化的ANN模型进行分类训练，得到所述预设的ANN模型，其中，所述初始化的ANN模型包含输入层、隐藏层和输出层，所述输入层包含5个神经元，所述5个神经元分别对应所述温度样本值、竖直加速度样本值、X方向矢量样本值、Y方向矢量样本值和Z方向矢量样本值，所述输出层包含2个神经元，所述2个神经元分别对应两类不同的检测结果。

10.根据权利要求6所述的装置，其特征在于，车轴数据采集模块具体用于：

从红外温度传感器获取待检测列车车轴的温度传感数据，从惯性传感器获取所述待检测列车车轴的竖直加速度传感数据，从陀螺仪获取所述待检测列车车轴的朝向传感数据；根据所述红外温度传感器的量程范围对所述温度传感数据归一化处理，获得所述待检测列车车轴的温度值；根据所述惯性传感器的量程范围对所述竖直加速度传感数据归一化处理，获得所述待检测列车车轴的竖直加速度值；根据所述陀螺仪的量程范围对所述朝向传感数据归一化处理，获得所述待检测列车车轴的朝向信息。

11.一种列车车轴监测系统，其特征在于，包括：权利要求6-10任一所述的列车车轴监测装置，和至少一个监测终端。