CN110220725B - 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习与BP集成的地铁车轮健康状态预测方法，该方法首先利用深度学习强大的表征能力和BP神经网络较优的预测能力进行模型融合，将深度学习方法DBN、RNN、LSTM与BP神经网络进行融合得到融合模型；然后分别训练三种融合模型，每个融合模型都会得到一个预测结果，将预测结果作为新的BP神经网络的输入，比较BP输出与实际值间的误差学习新的BP神经网络的参数，实现3个融合模型的集成。实际使用时，先将数据分别输入3个融合模型，再将3个融合模型的输出值输入到新的BP神经网络，得到最终的预测结果。本发明综合了集成模型具有更好的鲁棒性特点，对地铁车轮健康预测具有良好的准确性。

Description

一种基于深度学习与BP集成的地铁车轮健康状态预测方法

技术领域

本发明涉及地铁车轮健康状态预测方法，特别是涉及DBN网络、RNN循环神经网络、LSTM网络和BP神经网络集成的地铁车轮健康状态预测方法，属于地铁轨道交通技术领域。

背景技术

地下轨道交通是城市轨道交通的一种，它具备运行速度快、载客量大、连续服务、频繁加速刹车的特点。当车辆在钢轨上运行时，车轮的轮缘和踏面因为磨耗容易发生形状异常情况，使得轮轨匹配关系恶化，若不及时发现与维修处理，将可能造成列车晚点，甚至导致严重的生命和财产损失。

针对地铁车轮的健康状态预测问题，目前传统的神经网络方法已在数据预测上取得不错的进展，例如马凯凯等人在中小河流智能洪水预报和崔东文等人在湖库总磷总氮浓度预测中都利用其中的BP神经网络、RBF神经网络和ELM极限学习机进行研究，同时也在各自领域对比分析这些方法的预测效果。

但是传统神经网络对反映地铁车轮健康状态的关键参数指标进行数据预测时，预测结果不精确。而深度学习相较于传统神经网络有着更为理想的数据预测能力，且其已在设备状态预测上取得不错的应用：其中张国辉利用DBN(深度置信网络)和RVM的融合算法对锂电池寿命进行预测；胡昕通过RNN(循环神经网络)实现对未来网络安全变化趋势的预测；兰云龙使用LSTM(长短期记忆网络)完成对磁盘的健康的评估和预测，Liu等人利用SAE-BP融合模型在洪水预报中相较于单个网络模型预测效果取得优异的提升。但是，研究发现深度学习单个网络模型往往不能达到良好的预测结果，同时，单一的网络模型容易陷入传统的固有的陷阱且单个模型鲁棒性不强。

发明内容

本发明所要解决的技术问题是：提供一种基于深度学习与BP集成的地铁车轮健康状态预测方法，构建DBN-BP、RNN-BP、LSTM-BP融合模型，再集成三种融合模型，为地铁健康预测问题提供了一种可靠的、鲁棒性更好的模型。

本发明为解决上述技术问题采用以下技术方案：

一种基于深度学习与BP集成的地铁车轮健康状态预测方法，包括如下步骤：

步骤1，获取地铁车轮每一天的关键参数指标数据，包括轮缘综合值、轮缘高度值、轮缘厚度值及踏面磨耗值，每个关键参数指标数据都从中选取N条数据(x_i,y_i)作为训练样本，i＝1,2,…,N，其中，

表示某一天以及该天之前的D-1天关键参数指标数据的特征向量，将某一天记为第D天，y_i表示该天之后的第M天地铁车轮数据的实际值，M>D；

步骤2，将深度学习方法的三个模型DBN、RNN、LSTM分别与BP神经网络进行融合，得到三个融合模型DBN-BP、RNN-BP、LSTM-BP，利用步骤1的训练样本对三个融合模型进行训练，得到优化后的融合模型，将x_i作为优化后的融合模型的输入，得到一个预测结果；

步骤3，将三个优化后的融合模型的预测结果作为新的BP神经网络的输入，训练新的BP神经网络，将新的BP神经网络的输出值与实际值进行误差比较，并学习新的BP神经网络的参数，得到优化后的集成模型；

步骤4，根据步骤1-步骤3，每个关键参数指标数据都对应一个优化后的集成模型，使用优化后的集成模型对其对应的关键参数指标数据进行预测，并根据关键参数指标数据的健康标准范围，判断集成模型的预测结果是否在健康标准范围之内，当所有关键参数指标数据的预测结果都在健康标准范围之内时，输出地铁车轮处于健康状态，否则为不健康状态。

作为本发明的一种优选方案，步骤2所述融合模型DBN-BP的融合过程如下：

1)在DBN网络最顶层的RBM上方添加一层BP神经网络，构成DBN-BP网络；

2)随机初始化DBN网络模型中的参数，并通过训练样本学习调整DBN网络模型中的参数，即将x_i,y_i分别作为DBN网络的输入和输出来学习网络中的参数，然后将学习好的参数整体迁移到DBN-BP网络上；

3)将x_i作为DBN-BP网络的输入，得到DBN-BP网络的预测值

与实际值y_i进行比较，再通过反向传播算法调整优化DBN-BP网络中的参数，得到优化后的DBN-BP融合模型，其中，

表示某一天以及该天之前的D-1天关键参数指标数据的特征向量。

作为本发明的一种优选方案，步骤2所述融合模型RNN-BP的融合过程如下：

1)在RNN网络的隐藏层与输出层之间加上一层BP神经网络，构成RNN-BP网络；

2)随机初始化RNN网络模型中的参数，并通过训练样本学习调整RNN网络模型中的参数，即将x_i,y_i分别作为RNN网络的输入和输出来学习网络中的参数，然后将学习好的参数整体迁移到RNN-BP网络上；

3)将x_i作为RNN-BP网络的输入，得到RNN-BP网络的预测值

与实际值y_i进行比较，再通过反向传播算法调整优化RNN-BP网络中的参数，得到优化后的RNN-BP融合模型，其中，

表示某一天以及该天之前的D-1天关键参数指标数据的特征向量。

作为本发明的一种优选方案，步骤2所述融合模型LSTM-BP的融合过程如下：

1)在LSTM网络的隐藏层与输出层之间加上一层BP神经网络，构成LSTM–BP网络；

2)随机初始化LSTM网络模型中的参数，并通过训练样本学习调整LSTM网络模型中的参数，即将x_i,y_i分别作为LSTM网络的输入和输出来学习网络中的参数，然后将学习好的参数整体迁移到LSTM-BP网络上；

3)将x_i作为LSTM-BP网络的输入，得到LSTM-BP网络的预测值

与实际值y_i进行比较，再通过反向传播算法调整优化LSTM-BP网络中的参数，得到优化后的LSTM-BP融合模型，其中，

表示某一天以及该天之前的D-1天关键参数指标数据的特征向量。

作为本发明的一种优选方案，所述步骤3的具体过程为：

3.1，基于深度学习与BP集成的地铁车轮健康状态预测方法模型，就是在三种融合模型DBN-BP、RNN-BP、LSTM-BP的BP层与输出层之间添加一层新的BP神经网络；

3.2，将学习好的三种融合模型DBN-BP、RNN-BP、LSTM-BP的预测结果

作为新的BP神经网络的输入向量，得到新的BP神经网络的预测值y_i'与实际值y_i进行比较，通过误差进行反向传播，优化新的BP神经网络参数，得到最终优化后的集成模型。

作为本发明的一种优选方案，步骤4所述关键参数指标数据的健康标准范围为：6.5mm≤轮缘综合值≤12.7mm、27.5mm≤轮缘高度值≤36mm、26mm≤轮缘厚度值≤32.5mm、踏面磨耗值≤3mm。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1、本发明构建DBN-BP、RNN-BP、LSTM-BP融合模型，再集成三种融合模型用于反映地铁车轮健康状态的关键参数指标数据预测，通过两份不同时间序列数据集的实验结果，对比分析融合模型与其对应的单个模型在预测效果上的不同，以及研究集成三种融合模型在预测性能上的差异，有效的提高模型的预测的准确性。

2、本发明通过在结合深度学习强大的表征能力和BP神经网络较优的预测能力的优点基础上，集成三种融合模型后具有更好的鲁棒性特点，提供了一种可靠的地铁部件健康预测模型，对地铁车轮健康状态的预测具有良好的准确性。

附图说明

图1是本发明一种基于深度学习与BP集成的地铁车轮健康状态预测方法的整体架构图。

图2是本发明预测方法中DBN-BP融合模型结构示意图。

图3是本发明预测方法中RNN-BP融合模型结构示意图。

图4是本发明预测方法中LSTM-BP融合模型结构示意图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

对于大数据集，单一的模型往往不能达到良好的预测效果。同时，针对单一的网络模型容易陷入传统的固有的陷阱以及单个模型鲁棒性不强的原因，可以在结合深度学习强大的表征能力和BP神经网络较优的预测能力的优点基础上，集成三种融合模型后具有更好的鲁棒性，提供了一种可靠的地铁部件健康预测模型，对地铁车轮健康状态的预测具有良好的准确性。基于这一想法，本发明提出一种基于深度学习模型与神经网络集成的地铁车轮健康状态预测方法。

如图1所示，本发明一种基于深度学习与BP集成的地铁车轮健康状态预测方法，包括以下步骤：

步骤1，地铁车轮的关键参数指标数据主要包含轮缘综合值、轮缘高度值、轮缘厚度值、踏面磨耗值，依次选取地铁车轮参数指标数据，给定N个同种参数指标样本数据(x_i,y_i)，i＝1,2,…,N，其中

为地铁车轮前D天数据的特征向量，y_i是地铁车轮第M天的实际值(M>D)；

步骤2，将深度学习方法DBN、RNN、LSTM与BP神经网络进行融合得到融合模型，利用给定的地铁车轮样本数据分别训练3个融合模型DBN-BP、RNN-BP、LSTM-BP，每个融合模型都将会得到一个预测结果；

步骤3，将3个融合模型预测结果作为新的BP神经网络的输入，训练新的BP神经网络，将新的BP神经网络的输出值与实际值进行误差比较，并学习新的BP神经网络的参数，得到最终优化后的集成模型；

步骤4，使用最终优化后的集成模型分别对地铁车轮关键参数指标数据轮缘综合值、轮缘高度值、轮缘厚度值、踏面磨损值进行预测，根据地铁车轮关键参数指标数据的健康标准，可以判断模型最终的预测结果是否在给定的健康范围之内，输出最终的预测结果。

每个参数指标的健康状态在一定范围内，一般地铁车轮关键参数指标健康标准范围为：6.5mm≤QR轮缘综合值≤12.7mm、27.5mm≤SH轮缘高度值≤36mm、26mm≤SH轮缘厚度值≤32.5mm、踏面磨耗值≤3mm(同一转向架)。

如图2所示，本发明融合DBN和BP神经网络的融合过程如下：

步骤1，DBN-BP网络是将DBN深度置信网络和BP神经网络在结构上进行融合的网络模型，即在DBN最顶层的RBM上方添加一层BP网络；

步骤2，首先随机初始化DBN网络模型中的参数，然后通过给定的数据集学习调整DBN网络模型中的参数，即将(x_i,y_i)分别作为DBN网络的输入和输出来学习网络中的参数，然后将学习好的参数整体迁移到DBN-BP融合模型上；

步骤3，将x_i作为DBN-BP融合模型输入向量，得到融合模型的预测值

与实际值y_i进行比较，再通过反向传播算法不断微调优融合模型中的参数，得到优化后的DBN-BP融合模型。其中，步骤2、步骤3的具体过程如下：

(1)初始化DBN网络参数，包括：DBN网络，输入神经元个数，隐含层中两层RBM受限玻尔兹曼机的神经元个数，DBN网络学习率α，训练批次training_epochs，每训练批次的训练数据大小batch_size；

(2)RBM隐藏层某个神经元的激活函数采用sigmoid函数，对于地铁车轮时间序列输入向量x_i，公式为：

和

其中，i∈{1,...,N}和j∈{1,...,m}，w_ij为连接RBM可见层

和隐藏层h_j的权重，b_i和c_j分别是可见层和隐藏层的偏置。这样可以得到隐藏层每个神经元的值，作为下一个RBM的可见层的输入，训练DBN模型；

(3)将得到的DBN模型最底层隐藏层的输出向量h_j作为BP神经网络的输入向量，公式为：

其中，i∈{1,...,N}和j∈{1,...,m}，w_ij为连接BP隐藏层h_j和输出层

的权重，b_i是隐藏和输出层的偏置，f(·)为sigmoid激活函数，

为DBN-BP深度模型的实际预测值。

如图3所示，本发明融合RNN和BP神经网络的融合过程如下：

步骤1，RNN-BP网络是将RNN循环神经网络和BP神经网络在结构上进行融合的网络模型，即在RNN循环神经网络的隐藏层与输出层之间加上一层BP神经网络；

步骤2，首先随机初始化RNN网络模型中参数，然后通过给定的数据集学习调整RNN网络模型中的参数，即将(x_i,y_i)分别作为RNN网络的输入和输出来学习网络中的参数，然后将学习好的参数整体迁移到RNN-BP融合模型上；

步骤3，将x_i作为RNN-BP融合模型输入向量，得到融合模型的预测值

与实际值y_i进行比较，再通过反向传播算法不断微调优融合模型中的参数，得到优化后的RNN-BP融合模型。其中，步骤2、步骤3的具体过程如下：

(1)初始化RNN循环神经网络参数，包括：RNN循环神经网络，输入神经元个数为L，隐含层神经元个数为H，输出神经元个数为O，RNN循环神经网络学习率α，训练批次training_epochs，每训练批次的训练数据大小batch_size；

(2)随机初始化RNN网络模型中参数W、U、V。利用输入向量x_i训练RNN循环神经网络第一个隐藏层，可得神经元在t时刻的输入加权和公式为：

其中，

为同一层上一个神经元的输出选择sigmoid函数作为激活函数，利用该加权和

计算第一个隐藏层第d个神经元在t时刻输入到下一个神经元的输出值为：

其中

第一个隐藏层第d个神经元在t时刻输入到下一个隐藏层神经元的输出值为：

其中，

(3)因此，得到RNN模型最深层隐藏层的输出特征

加权平均后作为BP神经网络的输入向量，BP神经网络的计算公式为：

其中，i∈{1,...,N}和j∈{1,...,m}，w_ij为连接BP隐藏层o_j和输出层

的权重，b_i是隐藏和输出层的偏置，f(·)为sigmoid激活函数，

为RNN-BP深度模型的实际预测值。

如图4所示，本发明融合LSTM和BP神经网络的融合过程如下：

步骤1，LSTM-BP网络是将LSTM长短时记忆网络和BP神经网络在结构上进行融合的网络模型，就是在LST网络的隐藏层与输出层之间添加一层BP神经网络；

步骤2，首先随机初始化LSTM网络模型中参数，然后通过给定的数据集学习调整LSTM网络模型中的参数，即将(x_i,y_i)分别作为LSTM网络的输入和输出来学习网络中的参数，然后将学习好的参数整体迁移到LSTM-BP融合模型上；

步骤3，将x_i作为LSTM-BP融合模型输入向量，得到融合模型的预测值

与实际值y_i进行比较，再通过反向传播算法不断微调优融合模型中的参数，得到优化后的LSTM-BP融合模型。其中，步骤2、步骤3的具体过程如下：

(1)初始化LSTM网络参数，包括：LSTM网络，输入神经元个数为L，隐含层神经元个数为H，输出神经元个数为O，LSTM网络学习率α，训练批次training_epochs，每训练批次的训练数据大小batch_size；

(2)利用输入向量x_i训练LSTM网络，可得神经元在t时刻的输出值为h_t，公式为：h_t＝o_t*tanh(c_t)，式中，o_t是隐藏层神经元内部输出门t时刻的输出值：o_t＝σ(w_oxx_t+w_ohh_t-1+b_o)，其中，w_ox为输出门与输入层之间的权重；w_oh为输出门与上一个隐藏层神经元的输出h_t-1之间的权重；b_o为输出门与输入层之间的偏置；c_t是隐藏层神经元长短时间记忆元在t时刻状态，c_t＝i_t*c_t'+f_t*c_t-1，式中c_t'＝tanh(w_cxx_t+w_chh_t-1+b_c)，其中，w_cx是隐藏层神经元内部状态单元与输入层之间的权重；w_ch是为状态单元与上一个隐藏层神经元的输出h_t-1之间的权重；b_c为状态单元与输入层之间的偏置；i_t是隐藏层神经元内部输入门在t时刻的输出值：i_t＝σ(w_ixx_t+w_ihh_t-1+b_i)，其中，w_ix为输入门与输入层之间的权重；w_ih为输入门与上一个隐藏层神经元的输出h_t-1之间的权重；b_i为输入门与输入层之间的偏置；f_t是隐藏层神经元内部忘记门在t时刻的输出值：f_t＝σ(w_fxx_t+w_fhh_t-1+b_f)，其中，w_fx为忘记与输入层之间的权重；w_fh为忘记门与上一个隐藏层神经元的输出h_t-1之间的权重；b_f为忘记门与输入层之间的偏置；c_t-1为是上一个隐藏层神经元长短时间记忆云在t-1时刻状态值；σ(·)为sigmoid激活函数；tanh(·)为激活函数；

(3)因此，得到LSTM模型最底层隐藏层的输出向量h_j作为BP神经网络的输入向量，BP神经网络的计算公式为：

其中，i∈{1,...,N}和j∈{1,...,m}，w_ij为连接BP隐藏层h_j和输出层

的权重，b_i是隐藏和输出层的偏置，f(·)为sigmoid激活函数，

为LSTM-BP深度模型的实际预测值。

(1)采用了均方误差、确定性系数以及预测准确率Rate衡量DBN-BP、RNN-BP、LSTM-BP融合模型的输出值与实际值之间的误差。

(I)确定性系数反应了预报过程与实测过程之间的吻合程度，它的取值范围为[0,1]，结果越接近1.0，预报准确率越高，其计算公式为：

(II)均方误差反映了预测值与真实值之间的偏差程度，值越小越优，其计算公式为：

式中，MSE为均方误差，DC为确定性系数(取4位小数)，y_i为实测值，y_i'为预测值，

为实测值均值，N为样本个数；

(III)预测准确率Rate是整个测试据集中预测正确的个数除以整个测试数据集的样本个数，能够反映整个地铁车轮关键参数指标预测模型的预测效果和性能；

(2)分别对DBN网络、RNN循环神经网络、LSTM网络的学习率α、训练批次training_epochs、每训练批次的训练数据大小batch_size，固定其中3个参数，对剩余的1个参数进行调整。

(3)，重复(1)至(2)，直至达到融合模型的预测精度。

步骤3的具体过程如下：

步骤1，基于深度学习与BP集成的地铁车轮健康状态预测方法模型，就是在3种融合模型DBN-BP、RNN-BP、LSTM-BP的BP层与输出层之间添加一层新的BP神经网络；

步骤2，将学习好的3种融合模型DBN-BP、RNN-BP、LSTM-BP的预测结果

作为新的BP神经网络的输入向量，新的BP神经网络的计算公式为：

其中，i∈{1,...,N}和j∈{1,...,m}，w_ij为连接3种融合模型特征y_i和输出层y_i'的权重，b_i是隐藏和输出层的偏置，f(·)为sigmoid激活函数，得到新的BP神经网络的预测值y_i'与实际值y_i进行比较，通过误差进行反向传播，不断优化新的BP神经网络参数，得到最终优化后的集成模型。

预测过程：获取测试样本，包括地铁车轮的参数指标轮缘综合值、轮缘高度值、轮缘厚度值、踏面磨耗值，然后利用优化后的集成模型对前D天的数据预测第M天(M>D)。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种基于深度学习与BP集成的地铁车轮健康状态预测方法，其特征在于，包括如下步骤：

步骤1，获取地铁车轮每一天的关键参数指标数据，包括轮缘综合值、轮缘高度值、轮缘厚度值及踏面磨耗值，每个关键参数指标数据都从中选取N条数据(x_i,y_i)作为训练样本，i＝1,2,…,N，其中，

表示某一天以及该天之前的D-1天关键参数指标数据的特征向量，将某一天记为第D天，y_i表示该天之后的第M天地铁车轮数据的实际值，M＞D；

步骤2，将深度学习方法的三个模型DBN、RNN、LSTM分别与BP神经网络进行融合，得到三个融合模型DBN-BP、RNN-BP、LSTM-BP，利用步骤1的训练样本对三个融合模型进行训练，得到优化后的融合模型，将x_i作为优化后的融合模型的输入，得到一个预测结果；

步骤3，将三个优化后的融合模型的预测结果作为新的BP神经网络的输入，训练新的BP神经网络，将新的BP神经网络的输出值与实际值进行误差比较，并学习新的BP神经网络的参数，得到优化后的集成模型；

步骤4，根据步骤1-步骤3，每个关键参数指标数据都对应一个优化后的集成模型，使用优化后的集成模型对其对应的关键参数指标数据进行预测，并根据关键参数指标数据的健康标准范围，判断集成模型的预测结果是否在健康标准范围之内，当所有关键参数指标数据的预测结果都在健康标准范围之内时，输出地铁车轮处于健康状态，否则为不健康状态。

2.根据权利要求1所述基于深度学习与BP集成的地铁车轮健康状态预测方法，其特征在于，步骤2所述融合模型DBN-BP的融合过程如下：

1)在DBN网络最顶层的RBM上方添加一层BP神经网络，构成DBN-BP网络；

2)随机初始化DBN网络模型中的参数，并通过训练样本学习调整DBN网络模型中的参数，即将x_i,y_i分别作为DBN网络的输入和输出来学习网络中的参数，然后将学习好的参数整体迁移到DBN-BP网络上；

3)将x_i作为DBN-BP网络的输入，得到DBN-BP网络的预测值y_i ^DBN-BP与实际值y_i进行比较，再通过反向传播算法调整优化DBN-BP网络中的参数，得到优化后的DBN-BP融合模型，其中，

表示某一天以及该天之前的D-1天关键参数指标数据的特征向量。

3.根据权利要求1所述基于深度学习与BP集成的地铁车轮健康状态预测方法，其特征在于，步骤2所述融合模型RNN-BP的融合过程如下：

1)在RNN网络的隐藏层与输出层之间加上一层BP神经网络，构成RNN-BP网络；

2)随机初始化RNN网络模型中的参数，并通过训练样本学习调整RNN网络模型中的参数，即将x_i,y_i分别作为RNN网络的输入和输出来学习网络中的参数，然后将学习好的参数整体迁移到RNN-BP网络上；

3)将x_i作为RNN-BP网络的输入，得到RNN-BP网络的预测值

与实际值y_i进行比较，再通过反向传播算法调整优化RNN-BP网络中的参数，得到优化后的RNN-BP融合模型，其中，

表示某一天以及该天之前的D-1天关键参数指标数据的特征向量。

4.根据权利要求1所述基于深度学习与BP集成的地铁车轮健康状态预测方法，其特征在于，步骤2所述融合模型LSTM-BP的融合过程如下：

1)在LSTM网络的隐藏层与输出层之间加上一层BP神经网络，构成LSTM–BP网络；

2)随机初始化LSTM网络模型中的参数，并通过训练样本学习调整LSTM网络模型中的参数，即将x_i,y_i分别作为LSTM网络的输入和输出来学习网络中的参数，然后将学习好的参数整体迁移到LSTM-BP网络上；

3)将x_i作为LSTM-BP网络的输入，得到LSTM-BP网络的预测值

与实际值y_i进行比较，再通过反向传播算法调整优化LSTM-BP网络中的参数，得到优化后的LSTM-BP融合模型，其中，

表示某一天以及该天之前的D-1天关键参数指标数据的特征向量。

5.根据权利要求1所述基于深度学习与BP集成的地铁车轮健康状态预测方法，其特征在于，所述步骤3的具体过程为：

3.1，基于深度学习与BP集成的地铁车轮健康状态预测方法模型，就是在三种融合模型DBN-BP、RNN-BP、LSTM-BP的BP层与输出层之间添加一层新的BP神经网络；

3.2，将三个优化后的融合模型的预测结果作为新的BP神经网络的输入向量，得到新的BP神经网络的预测值y'_i与实际值y_i进行比较，通过误差进行反向传播，优化新的BP神经网络参数，得到最终优化后的集成模型。

6.根据权利要求1所述基于深度学习与BP集成的地铁车轮健康状态预测方法，其特征在于，步骤4所述关键参数指标数据的健康标准范围为：6.5mm≤轮缘综合值≤12.7mm、27.5mm≤轮缘高度值≤36mm、26mm≤轮缘厚度值≤32.5mm、踏面磨耗值≤3mm。

Images