CN113947129A - 车轮失圆状态智能识别ai模型训练使用方法、设备及介质 - Google Patents

车轮失圆状态智能识别ai模型训练使用方法、设备及介质 Download PDF

Info

Publication number
CN113947129A
CN113947129A CN202111001929.2A CN202111001929A CN113947129A CN 113947129 A CN113947129 A CN 113947129A CN 202111001929 A CN202111001929 A CN 202111001929A CN 113947129 A CN113947129 A CN 113947129A
Authority
CN
China
Prior art keywords
wheel
vibration
layer
model
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111001929.2A
Other languages
English (en)
Other versions
CN113947129B (zh
Inventor
陶功权
邓磊鑫
谢清林
温泽峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Publication of CN113947129A publication Critical patent/CN113947129A/zh
Application granted granted Critical
Publication of CN113947129B publication Critical patent/CN113947129B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/08—Railway vehicles
    • G01M17/10—Suspensions, axles or wheels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请提供了车轮失圆状态智能识别AI模型的训练方法、使用方法、计算机设备以及计算机可读存储介质，有助于提高AI模型针对振动响应进行预测的准确率。训练方法包括：获得被测车轮运行过程中的振动检测数据；从所述振动检测数据中提取数据而获取样本，样本以被测车轮运行于一个设定长度L的位移为单位并包含该单位对应的振动强度特征向量和被测车轮失圆状态标签，设定长度L≥被测车轮的周长，所述振动强度特征向量被要求具有设定维数N且当该振动强度特征向量中能够从所述振动检测数据中提取的振动强度特征值的数量少于该设定维数N时通过数值插值来弥补；使用所述样本对预设神经网络进行迭代训练，直至所述预设神经网络的训练达到设定阈值。

Description

车轮失圆状态智能识别AI模型训练使用方法、设备及介质
技术领域
本申请涉及人工智能技术领域，尤其涉及车轮失圆状态智能识别AI模型的训练方法、使用方法、AI模型的输入样本的获取方法、计算机设备以及计算机可读存储介质。
背景技术
轨道车辆(地铁、高铁等列车)车轮失圆缺陷是车辆安全、平稳运行的重要影响因素。目前常见的车轮失圆状态可以分为多边形车轮、随机非圆化车轮、擦伤车轮、局部缺陷车轮、偏心车轮等，不同的车轮失圆状态对列车安全运行有着不同的影响。例如，擦伤车轮导致的冲击振动容易引起轴承故障，多边形车轮会激起轮轨系统的强烈振动从而降低车辆和轨道部件的使用寿命。因此，只有及时对车轮失圆状态进行检测，才能及时发现问题车轮并对其进行镟修。
目前，对车轮失圆状态进行检测的方法中，振动检测法是一种可行性较强的方法。现有的振动检测法是通过采集轨道车辆运行过程中被测车轮对应轴箱、构架等部件的振动响应来对被测车轮进行分析。随着人工智能技术的发展，训练以轨道车辆运行过程中被测车轮的振动响应为输入、被测车轮失圆状态预测结果为输出的AI模型，就可以快速有效且大规模的为轨道车辆运营提供车轮状态监测，从而大大提升轨道车辆运营整体安全性和服务舒适性。
但目前能够用于检测轨道车辆车轮失圆状态的AI模型还不够成熟，这主要体现在：用于训练AI模型的监督学习样本质量不高，影响了AI模型的识别精度。具体而言，振动检测法所采集的被测车轮的振动响应实际上属于振动强度随时间而变化的时域信号，由于轨道车辆运行过程中速度往往是变化的，这种情况下，如果将该时域信号按照单位时间长度进行分段并以分段后的每段数据来制作样本，就会出现不同样本之间车轮位移或车轮转动周数不一致，从而导致AI模型并不能准确预测被测车轮失圆状态。
发明内容
本申请实施例提供了一种车轮失圆状态智能识别AI模型的训练方法、使用方法、AI模型的输入样本的获取方法、计算机设备以及计算机可读存储介质，有助于提高AI模型针对振动响应进行预测的准确率。
根据本申请的第一个方面，提供了一种车轮失圆状态智能识别AI模型的训练方法，所述AI模型用于检测轨道车辆车轮失圆状态，该方法包括：获得被测车轮运行过程中的振动检测数据；从所述振动检测数据中提取数据而获取样本，所述样本以被测车轮运行于一个设定长度L的位移为单位并包含该单位对应的振动强度特征向量和被测车轮失圆状态标签，所述设定长度L≥被测车轮的周长，所述振动强度特征向量被要求具有设定维数N且当该振动强度特征向量中能够从所述振动检测数据中提取的振动强度特征值的数量少于该设定维数N时通过数值插值来弥补；使用所述样本对预设神经网络进行迭代训练，直至所述预设神经网络的训练达到设定阈值，得到所述AI模型。
可选的，所述振动检测数据为通过安装在被测车轮对应轴箱上的振动加速度传感器采集的用于体现振动加速度随时间而变化的振动加速度时域信号；所述从所述振动检测数据中提取样本包括：对所述振动加速度时域信号进行低通滤波，滤掉所述振动加速度时域信号中影响检测轨道车辆车轮失圆状态的高频信号；利用获得的被测车轮运行速度检测数据和时间检测数据，得到所述低通滤波后的振动加速度时域信号与用于体现振动加速度随被测车轮运行位移而变化的振动加速度空间域信号之间的对应关系；将所述振动加速度空间域信号的实际空间采样频率调整为固定空间采样频率F，所述固定空间采样频率F可满足所述设定长度L与该固定空间采样频率F的乘积等于所述设定维数N；根据所述振动加速度空间域信号中的振动加速度变化趋势在所述振动加速度空间域信号中进行所述数值插值，使所述振动加速度空间域信号具有所述固定空间采样频率F；以及，从所述数值插值后的振动加速度空间域信号中提取数据而获取样本。
可选的，从所述振动检测数据中提取的样本的数量≥被测车轮运行总位移S除以所述设定长度L的商；并且，从所述振动检测数据中提取的样本的数量≤S×F-L×F+1，其中S为被测车轮运行总位移，L为所述设定长度，F为所述固定空间采样频率。
可选的，所述预设神经网络为一维卷积神经网络(1-DCNN)；所述一维卷积神经网络包括从前往后依次设置的第一子神经网络、第二子神经网络和第三子神经网络；所述第一子神经网络为输入层，用于提供由所述样本组成的样本集矩阵，所述样本集矩阵中每一行一一对应于一个所述样本；所述第二子神经网络为特征提取层，由从前往后依次设置的第一卷积层、第一ReLU非线性激活层、第一池化层、第二卷积层、第二ReLU非线性激活层以及第二池化层组成，由所述第二池化层输出该特征提取层提供的特征矩阵；所述第三子神经网络为分类层，用于提供对所述特征矩阵体现的被测车轮失圆状态的所属类别的预测。
可选的，所述分类层由从前往后依次设置的全连接层、至少一个dense层以及依次位于对应的dense层之后的函数激活层、dropout层以及Softmax归一化指数层组成，所述至少一个dense层中每一个dense层对应一种车轮失圆状态的所属类别；所述类别包括多边形车轮、随机非圆化车轮、擦伤车轮、局部缺陷车轮、偏心车轮中任意一种或几种。
根据本申请的第二个方面，提供了一种车轮失圆状态智能识别AI模型的使用方法，该方法应用于一种计算机设备，所述计算机设备部署有所述AI模型，所述AI模型为采用上述第一个方面的车轮失圆状态智能识别AI模型的训练方法训练得到的AI模型，并且该方法包括：获得被测车轮运行过程中的振动检测数据；从所述振动检测数据中提取数据而获取样本，所述样本以被测车轮运行于一个设定长度L的位移为单位并包含该单位对应的振动强度特征向量，所述设定长度L≥被测车轮的周长，所述振动强度特征向量被要求具有设定维数N且当该振动强度特征向量中能够从所述振动检测数据中提取的振动强度特征值的数量少于该设定维数N时通过数值插值来弥补；将所述样本输入所述AI模型进行处理，得到输出结果，所述输出结果为被测车轮失圆状态。
根据本申请的第三个方面，提供了一种计算机设备，包括处理器，所述处理器与存储器耦合，所述存储器用于存储计算机程序或指令，所述处理器用于执行存储器中的该计算机程序或指令，使得该控制装置执行上述第一个方面的车轮失圆状态智能识别AI模型的训练方法。
根据本申请的第四个方面，提供了一种计算机设备，包括处理器，所述处理器与存储器耦合，所述存储器用于存储计算机程序或指令，所述处理器用于执行存储器中的该计算机程序或指令，使得该控制装置执行上述第二个方面的车轮失圆状态智能识别AI模型的使用方法。
根据本申请的第五个方面，提供了一种计算机可读存储介质，用于存储计算机程序或指令，所述计算机程序或指令被执行时，使得所述计算机执行上述第一个方面的车轮失圆状态智能识别AI模型的训练方法。
根据本申请的第六个方面，提供了一种计算机可读存储介质，用于存储计算机程序或指令，所述计算机程序或指令被执行时，使得所述计算机执行上述第二个方面的车轮失圆状态智能识别AI模型的使用方法。
根据本申请的第七个方面，提供了一种AI模型的输入样本的获取方法，所述AI模型用于检测机构振动发生因素的状态，包括：获得被测机构运行过程中的振动检测数据；从所述振动检测数据中提取数据而获取样本，所述样本以被测机构运行于一个设定长度L的位移为单位并包含该单位对应的振动强度特征向量，所述设定长度L≥被测机构的一个运行周期的位移，所述振动强度特征向量被要求具有设定维数N且当该振动强度特征向量中能够从所述振动检测数据中提取的振动强度特征值的数量少于该设定维数N时通过数值插值来弥补。
可选的，所述振动检测数据为通过安装在被测机构对应部位上的振动加速度传感器采集的用于体现振动加速度随时间而变化的振动加速度时域信号；所述从所述振动检测数据中提取样本包括：利用获得的被测机构运行速度检测数据和时间检测数据，得到所述振动加速度时域信号与用于体现振动加速度随被测机构运行位移而变化的振动加速度空间域信号之间的对应关系；将所述振动加速度空间域信号的实际空间采样频率调整为固定空间采样频率F，所述固定空间采样频率F可满足所述设定长度L与该固定空间采样频率F的乘积等于所述设定维数N；根据所述振动加速度空间域信号中的振动加速度变化趋势在所述振动加速度空间域信号中进行所述数值插值，使所述振动加速度空间域信号具有所述固定空间采样频率F；以及，从所述数值插值后的振动加速度空间域信号中提取数据而获取样本。
可选的，从所述振动检测数据中提取的样本的数量≥被测车轮运行总位移S除以所述设定长度L的商，并且，从所述振动检测数据中提取的样本的数量≤S×F-L×F+1，其中S为被测车轮运行总位移，L为所述设定长度，F为所述固定空间采样频率。
可选的，所述从所述振动检测数据中提取样本还包括对所述振动加速度时域信号进行低通滤波，滤掉所述振动加速度时域信号中影响检测机构振动发生因素的状态的高频信号。
由于样本以被测车轮运行于一个设定长度L的位移为单位，因此，每一个样本对应的被测车轮的位移或转动周数是一致的，这样，每一个样本中包含的振动强度特征向量中的振动强度特征值均能够真实反映被测车轮在一个统一长度的位移或统一转动周数的标尺下的振动强度变化。振动检测法所采集的被测车轮的振动响应实际上属于振动强度随时间而变化的时域信号，也就是说，所述振动检测数据通常是时域信号，此时，可以将该时域信号转变为振动强度随被测车轮运行位移而变化的空间域信号，然后再将该空间域信号按照设定长度L进行分段并后就可以以分段后的每段数据来制作样本。由于轨道车辆运行过程中速度往往是变化的，这种情况下，不同样本之间的振动强度特征向量的维数就可能不同，对此，采取了通过数值插值来弥补的方式，确保每个样本中的振动强度特征向量的振动强度特征值的数量一致，并且，鉴于数值插值的拟合特性，各样本中通过所述数值插值来弥补的振动强度特征值接近实际情况。综上所述可知，上述车轮失圆状态智能识别AI模型的训练方法、使用方法、AI模型的输入样本的获取方法、计算机设备以及计算机可读存储介质，有助于提高AI模型针对振动响应进行预测的准确率，尤其是AI模型对被测车轮失圆状态预测的准确率。
下面结合附图和具体实施方式对本申请实施例做进一步的说明。本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
构成本说明书一部分的附图用来辅助对相关实施例的理解，附图中所提供的内容及其在本说明书中有关的说明可用于解释本申请，但不构成对本申请的不当限定。在附图中：
图1为本申请实施例的一种轨道车辆车轮失圆状态检测系统的示意图。
图1同时示出了振动加速度空间域信号与振动加速度时域信号的关系。
图2为本申请实施例的一种信号处理系统的结构示意图。
图3为本申请实施例的一种AI模型的训练方法的流程图。
图4为本申请实施例的一个应用应用案例的AI模型的训练结果。
图4中左边为损失与训练次数的关系，右边为精度与训练次数的关系。
图5为本申请实施例的一个应用应用案例的AI模型的可视化结果。
具体实施方式
下面结合附图对本申请进行清楚、完整的说明。本领域普通技术人员在基于这些说明的情况下将能够实现本申请技术方案。在结合附图对本申请进行说明前，需要特别指出的是：
本说明书中在包括下述说明在内的各部分中所提供的技术方案、技术特征，在不冲突的情况下，这些技术方案、技术特征可以相互组合。
下述说明中涉及到的内容通常仅涉及本申请的一部分实施例而不是全部实施例，因此，基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
本说明书和权利要求书及有关的部分中的术语“包括”、“包含”、“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
图1为本申请实施例的一种轨道车辆车轮失圆状态检测系统的示意图。如图1所示，轨道车辆车轮失圆状态检测系统包括轨道车辆总成1、轨道2、数据采集系统3和信号处理系统4。所述轨道车辆总成1带有被测车轮11并运行于轨道2上。所述数据采集系统3包括振动加速度传感器和角速度传感器，所述振动加速度传感器安装在被测车轮11的对应轴箱上，用于采集体现振动加速度随时间而变化的振动加速度时域信号；所述角速度传感器用于采集被测车轮11的运行速度，容易理解，由于被测车轮11的尺寸是已知的，因此，根据被测车轮11的运行速度和运行时间，就可以计算得到被测车轮11的位移。这里的位移，既可以理解为被测车轮11的在轨道2上的运行距离，也可以理解为被测车轮11的旋转路径长度等可以下相互换算的单位。信号处理系统4与数据采集系统3信号连接，用于接收数据采集系统3发送的数据并进行数据处理从而获得被测车轮11的失圆状态的检测结果。
图2为本申请实施例的一种信号处理系统的结构示意图。该信号处理系统作为上述信号处理系统4，用于接收数据采集系统3发送的数据并进行数据处理从而获得被测车轮11的失圆状态的检测结果。如图2所示，信号处理系统4包括至少一个处理器41，至少一个存储器42和至少一个网络接口43。处理器41与存储器42与网络接口43相连，例如通过各类接口、传输线或总线相连。可选的，信号处理系统4还可以包括输入设备44和输出设备45。
处理器41可以包括中央处理器(CPU)、数字信号处理器(DSP)、微处理器、特定集成电路(Application Special Integrated Circuit，ASIC)、微控制器(MCU)、现场可编程门阵列(FPGA)或者用于实现逻辑运算的一个或多个集成电路。优选的，处理器41可以采用人工智能(AI)专用处理芯片，以便在下文提供的实施中提高处理速度。
处理器41可以用于为信号处理系统4实现所需的功能，例如用于对整个信号处理系统4进行控制、执行软件程序、处理软件程序的数据等。所述软件可以是用于实施本申请实施例的AI模型的训练方法、AI模型的使用方法、AI模型的输入样本的获取方法的软件。
存储器42可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器42可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器42可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器42可在处理器41的内部或外部。在特定实施例中，存储器42是非易失性固态存储器。在特定实施例中，存储器42包括只读存储器(ROM)；在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
网络接口43用于使信号处理系统4通过通信链路与数据采集系统3相连。这里的通信链路既可以是有线通信链路，也可以是无线通信链路。这里的无线通信链路可以通过支持Zig-Bee、蓝牙(Bluetooth)、无线宽带(Wi-Fi)、超宽带(UWB)、通用无线分组业务(GPRS)、码分多址(CDMA)、长期演进(LTE)或新无线(NR)等无线通信技术的无线传输网络来实现。
输入设备44与处理器41通信，可以以多种方式接受用户的输入。例如，输入设备44可以是鼠标、键盘、触摸屏设备或传感器。输出设备45与处理器41通信，可以以多种方式来显示信息。例如，输出设备45可以是液晶显示器、发光二极管显示设备、阴极射线管显示设备或投影仪等。
为了实施本申请实施例的AI模型的训练方法、AI模型的使用方法、AI模型的输入样本的获取方法，信号处理系统4中部署了神经网络(AI模型)。该信号处理系统4接收所述数据采集系统3发送的数据，然后对数据进行预处理，从而获得可输入所述AI模型的样本。
本申请实施例的AI模型主要用于检测轨道车辆车轮失圆状态。目前常见的车轮失圆状态可以分为多边形车轮、随机非圆化车轮、擦伤车轮、局部缺陷车轮、偏心车轮等，而本申请实施例的AI模型的基本任务是对被测车轮失圆状态进行归类，即预测被测车轮失圆状态属于上述车轮失圆状态中的哪一种。基于本申请实施例的AI模型的基本任务，采取监督学习的方式来训练预设神经网络，直至所述预设神经网络的训练达到设定阈值，得到所述AI模型。
在AI模型的训练阶段，为了验证训练后的AI模型的泛化能力，可将样本集分为训练集与测试集，若样本集中k％为训练集，则剩余部分的(1-k)％可作为测试集。训练集中的每一个样本，是由从所述数据采集系统3发送的数据中提取的数据Xi与被测车轮失圆状态标签Yi构成的二元组(Xi,Yi)。测试集中的每一个样本与AI模型使用阶段的每一个样本一样，是不含有被测车轮失圆状态标签Yi的，这些样本用于通过从训练集上习得的AI模型的识别，得出被测车轮失圆状态的预测结果。
每一个样本中的数据Xi需要有合理的表示才能被信号处理系统4有效处理，这种表示被称为特征。例如，对于一个手写数字的图像，可以使用其每个像素的颜色值组成一个长度为像素个数的向量作为其特征，也可以使用全图的平均亮度及色块个数的二维向量作为其特征。选择特征是使用机器学习解决问题的重要步骤，即，AI模型的设计者需要确定选择哪些信息来表示样本。下面借助图1来说明，本申请实施例是如何表示样本的。
如图1所示，假设轨道车辆总成1从某一起点位置运行到当前位置的过程中(图1中处于当前位置的轨道车辆总成1用实线表示，该过程中经过不同位置的轨道车辆总成1用虚线表示)共花费了时间T，被测车轮运行总位移S。这个过程中，数据采集系统3中的振动加速度传感器持续采集被测车轮11的对应轴箱的振动加速度，从而得到振动加速度随时间而变化的振动加速度时域信号，即得到时域信号图51。由于轨道车辆总成1的运行速度往往是非匀速的(比如实际运行的列车在运行过程中难以保持匀速运行)，这种情况下，如果将该振动加速度时域信号按照单位时间长度进行分段并以分段后的每段数据来制作样本，就会出现不同样本之间车轮位移或车轮转动周数不一致，而被测车轮失圆状态所引起的振动加速度变化又是随着车轮位移周期性变化的，这样，就会导致AI模型并不能准确预测被测车轮失圆状态。解决的思路是将该振动加速度时域信号转变为用于体现振动加速度随被测车轮运行位移而变化的振动加速度空间域信号，即空间域信号图52，然后按照单位空间长度(具体可以以设定长度L的位移为单位，这里的设定长度L应该≥被测车轮的周长，最好为被测车轮的周长的整数倍)进行分段并以分段后的每段数据来制作样本，这样，就可以使不同样本之间车轮位移或车轮转动周数一致。
例如，在图1中，将空间域信号图52的横坐标即位移坐标轴分为多段，每一段的长度等于设定长度L，其中起始的一段用L1表示，结束的一段用L2表示，则L1段对应于时域信号图51中起始的一段t1，L2段对应于时域信号图51中起始的一段t2。前面提到，轨道车辆总成1的运行速度往往是非匀速的，假设轨道车辆总成1在t1段平均运行速度较快，而在t2段平均运行速度较慢，则在时域信号图51中，t1段所对应的横坐标即时间坐标轴上的时间长度必定会小于t2段所对应的时间坐标轴上的时间长度。这就出现了一个新的问题，即：由于振动加速度传感器等振动强度传感器通常被设计成按固定的采样频率(这里的采样频率是指单位时间采样次数)工作，由于t1段所对应的时间坐标轴上的时间长度小于t2段所对应的时间坐标轴上的时间长度，在相同的采样频率下，时域信号图51中t1段中的采样数据将少于t2段中的采样数据，而对应反映在空间域信号图52中，L1段中的采样数据也将少于L2段中的采样数据。也就是说，从机器学习的样本构建角度，从L1段中的采样数据中提取的样本的特征向量的维数会少于从L2段中的采样数据中提取的样本的特征向量的维数。
下面，将开始介绍本申请实施例提供的AI模型的训练方法、AI模型的使用方法、AI模型的输入样本的获取方法、计算机设备以及计算机可读存储介质，基于创新的样本构建方式，有助于提高AI模型针对振动响应进行预测的准确率，尤其是AI模型对被测车轮失圆状态预测的准确率。
图3为本申请实施例的一种AI模型的训练方法的流程图。如图3所示，本申请实施例的一种AI模型的训练方法，所述AI模型用于检测轨道车辆车轮失圆状态，该方法包括：
步骤S101：获得被测车轮运行过程中的振动检测数据。这里的振动检测数据，具体是安装在被测车轮对应轴箱上的振动加速度传感器采集的用于体现振动加速度随时间而变化的振动加速度时域信号。
步骤S102：对所述振动加速度时域信号进行低通滤波，滤掉所述振动加速度时域信号中影响检测轨道车辆车轮失圆状态的高频信号。振动加速度传感器采集的振动加速度时域信号中，由车轮失圆状态引起的振动相比于轴箱固有的机械振动等主要噪音而言属于低频振动，通过低通滤波滤掉所述振动加速度时域信号中影响检测轨道车辆车轮失圆状态的高频信号，可以降低噪音信号干扰，同时也能够减少后续AI模型处理的数据量，提高处理效率。
步骤S103：利用获得的被测车轮运行速度检测数据和时间检测数据，得到所述低通滤波后的振动加速度时域信号与用于体现振动加速度随被测车轮运行位移而变化的振动加速度空间域信号之间的对应关系。由于数据采集系统3具有用于采集被测车轮11的运行速度的角速度传感器，根据被测车轮11的运行速度和运行时间，就可以计算得到用于体现振动加速度随被测车轮运行位移而变化的振动加速度空间域信号，即获得振动加速度时域信号与振动加速度空间域信号之间的对应关系。
步骤S104：将所述振动加速度空间域信号的实际空间采样频率调整为固定空间采样频率F，所述固定空间采样频率F可满足所述设定长度L与该固定空间采样频率F的乘积等于一个设定维数N。空间采样频率是指被测车轮运行于一个设定长度L的位移过程中的采样次数。
前面指出，由于t1段所对应的时间坐标轴上的时间长度小于t2段所对应的时间坐标轴上的时间长度，在相同的采样频率(单位时间采样次数)下，时域信号图51中t1段中的采样数据将少于t2段中的采样数据，而对应反映在空间域信号图52中，L1段中的采样数据也将少于L2段中的采样数据，即L1段中的实际空间采样频率少于L2段中的实际空间采样频率。而步骤S104的作用，简而言之，就是规定一个固定空间采样频率F，让L1段中的实际空间采样频率与L2段中的实际空间采样频率均等于固定空间采样频率F，这样，L1段中的采样数据的数量就与L2段中的采样数据的数量相同了。
然而，t1段中的采样数据的数量与t2段中的采样数据的数量在被测车轮运行过程中已经确定了，如何让L1段中的实际空间采样频率与L2段中的实际空间采样频率均等于固定空间采样频率F，需要通过下述步骤S105来实现。
步骤S105：根据所述振动加速度空间域信号中的振动加速度变化趋势在所述振动加速度空间域信号中进行所述数值插值，使所述振动加速度空间域信号具有所述固定空间采样频率F。数值插值是离散函数逼近的重要方法，利用它可通过函数在有限个点处的取值状态，估算出函数在其他点处的近似值。
例如，上述L1段中的采样数据少于L2段中的采样数据，这时，可以令设定维数N≥L2段中的采样数据的数量，这样，通过所述的数值插值就可以让L1段中的数据的数量与L2段中的数据的数量相同。
步骤S106：从所述数值插值后的振动加速度空间域信号中提取数据而获取样本。由此，每一个样本以被测车轮运行于一个设定长度L的位移为单位，每一个样本中的数据Xi构成该单位对应的振动强度特征向量。
从所述振动检测数据中提取的样本的数量可以≥被测车轮运行总位移S除以所述设定长度L的商并且≤S×F-L×F+1，其中S为被测车轮运行总位移，L为所述设定长度，F为所述固定空间采样频率。
在这里，可以采用“空间窗”滑动的思路，目的是从一个连续的振动加速度空间域信号中获取更多数量的样本。“空间窗”的长度等于设定长度L(单位：m)，它在被测车轮运行总位移S(单位：m)上进行滑动切割以制备样本集数据。调整为固定空间采样频率F后，整个总位移S上共具有S×F个空间采样点，“空间窗”内含有L×F个采样点，设滑动步长为1，则在总位移S上经“空间窗”滑动切割，累计可获得(S×F-L×F+1)条样本。
步骤S107：使用所述样本对预设神经网络进行迭代训练，直至所述预设神经网络的训练达到设定阈值，得到所述AI模型。
由此，上述AI模型的训练方法，其使用的机器学习的样本以被测车轮运行于一个设定长度L的位移为单位并包含该单位对应的振动强度特征向量和被测车轮失圆状态标签，所述设定长度L≥被测车轮的周长，所述振动强度特征向量被要求具有设定维数N且当该振动强度特征向量中能够从所述振动检测数据中提取的振动强度特征值的数量少于该设定维数N时通过数值插值来弥补。鉴于数值插值的拟合特性，各样本中通过所述数值插值来弥补的振动强度特征值接近实际情况。
一种具体实施方式中，所述预设神经网络为一维卷积神经网络(1-DCNN)。所述一维卷积神经网络包括从前往后依次设置的第一子神经网络、第二子神经网络和第三子神经网络。所述第一子神经网络为输入层，用于提供由所述样本组成的样本集矩阵，所述样本集矩阵中每一行一一对应于一个所述样本；所述第二子神经网络为特征提取层，由从前往后依次设置的第一卷积层、第一ReLU非线性激活层、第一池化层、第二卷积层、第二ReLU非线性激活层以及第二池化层组成，由所述第二池化层输出该特征提取层提供的特征矩阵；所述第三子神经网络为分类层，用于提供对所述特征矩阵体现的被测车轮失圆状态的所属类别的预测。
更具体的，所述分类层由从前往后依次设置的全连接层、至少一个dense层以及依次位于对应的dense层之后的函数激活层、dropout层以及Softmax归一化指数层组成，所述至少一个dense层中每一个dense层对应一种车轮失圆状态的所属类别；所述类别包括多边形车轮、随机非圆化车轮、擦伤车轮、局部缺陷车轮、偏心车轮中任意一种或几种。
上述一维卷积神经网络(1-DCNN)中，卷积层是深度神经网络中一种十分常用的层，它利用卷积运算对上一层的特征进行变换，从而提取出特定的特征。通常，卷积层之后连接非线性激活层，从而使卷积变换的效果得以充分体现。ReLU非线性激活层是非线性激活层一种，其运算速度较快且效果较好。卷积层中关键的参数为卷积核的大小。卷积核的大小影响模型学习的局部特征，因此需要根据时间序列隐含的特征进行适当选取。卷积核较小时，会学习到更多与典型特征相区别的细节特征，细节特征(高频噪声污染)在振动信号中普遍存在，不利于模型的自动识别分类；因此，第一卷积层的卷积核可相对较大，其作用是提取各种车轮失圆状态下，轴箱振动信号中主要的典型特征，并尽量剔除影响模型识别精度的细节特征(高频噪声污染)；例如，车轮多边形状态下轴箱振动信号呈现的谐波特性、车轮擦伤下呈现的冲击特性、随机非圆化车轮下呈现的多谐波成分组合特性。第二卷积层主要对第一层卷积层最大池化过后保留的特征进行进一步具体化，增加各车轮失圆状态下轴箱振动信号的分辨程度，便于模型识别。池化层是对样本进行保留特征的下采样，进而缩减样本长度，有利于下一层卷积层的特征提取。
卷积和池化交替组成的特征提取模块后需要通过分类层来达到自动识别的作用。特征提取模块到分类层之间需要增加全连接层进行过渡。全连接层将特征提取层中的多个通道的特征数据按照首尾相接的方式展平成一个通道的数据，方便输入下部分的分类层进行分类识别。分类层主要由dense层、激活函数，抑制过拟合技术、以及最后的分类函数组成。Dense层也叫密集连接层，采用多个密集连接层相连接形成密集连接网络。最简单的密集连接网络就是我们常知的BP神经网络。密集连接网络可以实现对数据的分类识别。具体实现方式如下：每个密接连接层中包含一定数量的网络节点，上一层的网络节点与下一层的每个网络节点相连接，每个网络节点包含两个基本的未知参数W和b，最后的输出阶段采用损失函数来对模型的分类识别准确度进行评价。计算机通过不断迭代计算对每个网络节点的未知参数进行更新，使得损失函数不断减小，实现模型的分类识别。在上述分类层中，激活函数采用ReLU非线性激活，可以增加模型的表征能力。无激活函数时，dense层与dense层之间是线性关系。对于复杂的数据样本时，线性关系的转换有时无法达到有效的识别效果。分类层中还包含抑制过拟合技术Dropout。对于深度学习来说，训练过拟合是模型常见的问题，因此需要采取一定的抑制过拟合的手段，改善模型。Dropout的工作原理是模型学习过程中随机删减神经网络网络节点，降低节点的数目，以抑制过拟合。分类层的输出层采用Softmax归一化指数层。这是多分类问题常用的一种激活函数，可以实现将样本的输出压缩至(0，1)，对每一种类别进行概率计算，概率最大的类别为该样本的分类识别类别，各种类别概率之和为1。
下面结合具体的应用案例，进一步说明以上预设神经网络的训练。该应用案例中，将车轮失圆状态分为正常车轮、多边形车轮、随机非圆化车轮、擦伤车轮、局部缺陷车轮。采用传统的车轮踏面测量设备BST(轨道车辆车轮粗糙度测量仪，生产厂家：成都博仕科技有限公司,型号WRM-1)或BBM(
Figure BDA0003235782750000121
m|wheel,wheel roughness measurement)对若干列车的车轮磨耗状态进行测量，得到不同类别的车轮失圆状态。分别对具有这些车轮失圆状态的车轮对应的轴箱的振动加速度信号进行采集，经过处理获得样本集(具体方法参见前述内容)。将样本集输入到一个一维卷积神经网络(1-DCNN)中进行训练。样本集中被测车轮失圆状态标签根据对应的车轮失圆状态进行标记。这里的一维卷积神经网络包括从前往后依次设置的第一子神经网络、第二子神经网络和第三子神经网络；其中，所述第一子神经网络为输入层，用于提供由所述样本组成的样本集矩阵，所述样本集矩阵中每一行一一对应于一个样本；所述第二子神经网络为特征提取层，由从前往后依次设置的第一卷积层、第一ReLU非线性激活层、第一池化层、第二卷积层、第二ReLU非线性激活层以及第二池化层组成，由所述第二池化层输出该特征提取层提供的特征矩阵；所述第三子神经网络为分类层，用于提供对所述特征矩阵体现的被测车轮失圆状态的所属类别的预测，所述分类层由从前往后依次设置的全连接层、多个dense层以及依次位于对应的dense层之后的函数激活层、dropout层以及Softmax归一化指数层组成，每一个dense层对应一种车轮失圆状态的所属类别。所述第二子神经网络为卷积和最大池化层交替的特征提取层，该部分功能是经卷积核卷积后通过激活函数变为一组特征样本，再通过最大池化进行降采样。所述第三子神经网络包含一系列的dense层并适当结合抑制过拟合技术Dropout，最终实现车轮状态的分类识别。采用“RMSprop”优化器训练网络，学习率设为0.001，损失函数为“categorical_crossentropy”。为避免梯度弥散与梯度爆炸，利用批处理样本进行训练，批大小为512。正常车轮标签为[1,0,0,0,0]，多边形车轮标签为[0,1,0,0,0]，擦伤车轮标签为[0,0,1,0,0]，局部缺陷车轮标签为[0,0,0,1,0]，随机非圆化车轮标签为[0,0,0,0,1]。Softmax归一化指数层输出结果中单一样本标签中元素最大的为对应的车轮状态；例如，某样本标签为[0.97,0.01,0.0005,0.01,0.0095]，则该样本对应的车轮失圆状态为正常车轮。将样本集分为训练集以及测试集，在划分之前，样本集需要进行随机的样本顺序的打乱以确保训练的科学性及可行性。
图4为本申请实施例的一个应用应用案例的AI模型的训练结果。图5为本申请实施例的一个应用应用案例的AI模型的可视化结果。如图4所示，图4中左边为损失与训练次数的关系，右边为精度与训练次数的关系；训练后的AI模型识别损失小于0.1，识别精度保持在99％以上。采用一种机器学习中的降维方法t-SNE对该AI模型的中间层进行可视化，可视化结果如图5所示,观察整个散点图的变化趋势，该AI模型的识别分类是有效。
上述AI模型的训练方法训练得到的AI模型的使用方法，应用于一种计算机设备(这里具体为信号处理系统4)，所述计算机设备部署有所述AI模型，所述AI模型为上述AI模型的训练方法训练得到的AI模型，并且该方法包括：获得被测车轮运行过程中的振动检测数据；从所述振动检测数据中提取数据而获取样本，所述样本以被测车轮运行于一个设定长度L的位移为单位并包含该单位对应的振动强度特征向量，所述设定长度L≥被测车轮的周长，所述振动强度特征向量被要求具有设定维数N且当该振动强度特征向量中能够从所述振动检测数据中提取的振动强度特征值的数量少于该设定维数N时通过数值插值来弥补；将所述样本输入所述AI模型进行处理，得到输出结果，所述输出结果为被测车轮失圆状态。这里的AI模型的使用方法具体是实现对被测车轮失圆状态的分类，即预测被测车轮是否存在车轮失圆状态以及当存在车轮失圆状态时具体是属于多边形车轮、随机非圆化车轮、擦伤车轮、局部缺陷车轮、偏心车轮中的哪一种车轮失圆状态。
本申请实施例的一种计算机设备，包括处理器，所述处理器与存储器耦合，所述存储器用于存储计算机程序或指令，所述处理器用于执行存储器中的该计算机程序或指令，使得该控制装置执行上述的AI模型的训练方法。
本申请实施例的一种计算机设备，包括处理器，所述处理器与存储器耦合，所述存储器用于存储计算机程序或指令，所述处理器用于执行存储器中的该计算机程序或指令，使得该控制装置执行上述AI模型的使用方法。
本申请实施例的一种计算机可读存储介质，用于存储计算机程序或指令，所述计算机程序或指令被执行时，使得所述计算机上述的AI模型的训练方法。
本申请实施例的一种计算机可读存储介质，用于存储计算机程序或指令，所述计算机程序或指令被执行时，使得所述计算机执行上述AI模型的使用方法。
以上对本申请的有关内容进行了说明。本领域普通技术人员在基于这些说明的情况下将能够实现本申请。基于本说明书的上述内容，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

Claims (10)

1.一种车轮失圆状态智能识别AI模型训练方法，所述AI模型用于识别轨道车辆车轮失圆状态，其特征在于，包括：
获得被测车轮运行过程中的振动检测数据；
从所述振动检测数据中提取数据而获取样本，所述样本以被测车轮运行于一个设定长度L的位移为单位并包含该单位对应的振动强度特征向量和被测车轮失圆状态标签，所述设定长度L≥被测车轮的周长，所述振动强度特征向量被要求具有设定维数N且当该振动强度特征向量中能够从所述振动检测数据中提取的振动强度特征值的数量少于该设定维数N时通过数值插值来弥补；
使用所述样本对预设神经网络进行迭代训练，直至所述预设神经网络的训练达到设定阈值，得到所述AI模型。
2.如权利要求1所述的车轮失圆状态智能识别AI模型训练方法，其特征在于：所述振动检测数据为通过安装在被测车轮对应轴箱上的振动加速度传感器采集的用于体现振动加速度随时间而变化的振动加速度时域信号；
此外，所述从所述振动检测数据中提取样本包括：
对所述振动加速度时域信号进行低通滤波，滤掉所述振动加速度时域信号中影响检测轨道车辆车轮失圆状态的高频信号；
利用获得的被测车轮运行速度检测数据和时间检测数据，得到所述低通滤波后的振动加速度时域信号与用于体现振动加速度随被测车轮运行位移而变化的振动加速度空间域信号之间的对应关系；
将所述振动加速度空间域信号的实际空间采样频率调整为固定空间采样频率F，所述固定空间采样频率F可满足所述设定长度L与该固定空间采样频率F的乘积等于所述设定维数N；
根据所述振动加速度空间域信号中的振动加速度变化趋势在所述振动加速度空间域信号中进行所述数值插值，使所述振动加速度空间域信号具有所述固定空间采样频率F；以及
从所述数值插值后的振动加速度空间域信号中提取数据而获取样本。
3.如权利要求2所述的车轮失圆状态智能识别AI模型训练方法，其特征在于：从所述振动检测数据中提取的样本的数量≥被测车轮运行总位移S除以所述设定长度L的商；
并且，从所述振动检测数据中提取的样本的数量≤S×F-L×F+1，其中S为被测车轮运行总位移，L为所述设定长度，F为所述固定空间采样频率。
4.如权利要求1-3中任意一项权利要求所述的车轮失圆状态智能识别AI模型训练方法，其特征在于：所述预设神经网络为一维卷积神经网络(1-DCNN)；
所述一维卷积神经网络包括从前往后依次设置的第一子神经网络、第二子神经网络和第三子神经网络；
所述第一子神经网络为输入层，用于提供由所述样本组成的样本集矩阵，所述样本集矩阵中每一行一一对应于一个所述样本；
所述第二子神经网络为特征提取层，由从前往后依次设置的第一卷积层、第一ReLU非线性激活层、第一池化层、第二卷积层、第二ReLU非线性激活层以及第二池化层组成，由所述第二池化层输出该特征提取层提供的特征矩阵；
所述第三子神经网络为分类层，用于提供对所述特征矩阵体现的被测车轮失圆状态的所属类别的预测。
5.如权利要求4所述的车轮失圆状态智能识别AI模型训练方法，其特征在于：所述分类层由从前往后依次设置的全连接层、至少一个dense层以及依次位于对应的dense层之后的函数激活层、dropout层以及Softmax归一化指数层组成，所述至少一个dense层中每一个dense层对应一种车轮失圆状态的所属类别；所述类别包括多边形车轮、随机非圆化车轮、擦伤车轮、局部缺陷车轮、偏心车轮中任意一种或几种。
6.一种车轮失圆状态智能识别AI模型使用方法，其特征在于：应用于一种计算机设备，所述计算机设备部署有所述AI模型，所述AI模型为采用如权利要求1-5中任意一项权利要求所述的车轮失圆状态智能识别AI模型的训练方法训练得到的AI模型，并且该方法包括：
获得被测车轮运行过程中的振动检测数据；
从所述振动检测数据中提取数据而获取样本，所述样本以被测车轮运行于一个设定长度L的位移为单位并包含该单位对应的振动强度特征向量，所述设定长度L≥被测车轮的周长，所述振动强度特征向量被要求具有设定维数N且当该振动强度特征向量中能够从所述振动检测数据中提取的振动强度特征值的数量少于该设定维数N时通过数值插值来弥补；
将所述样本输入所述AI模型进行处理，得到输出结果，所述输出结果为被测车轮失圆状态。
7.一种计算机设备，其特征在于：包括处理器，所述处理器与存储器耦合，所述存储器用于存储计算机程序或指令，所述处理器用于执行存储器中的该计算机程序或指令，使得该控制装置执行如权利要求1-5中任意一项权利要求所述的车轮失圆状态智能识别AI模型训练方法。
8.一种计算机设备，其特征在于：包括处理器，所述处理器与存储器耦合，所述存储器用于存储计算机程序或指令，所述处理器用于执行存储器中的该计算机程序或指令，使得该控制装置执行如权利要求6所述的车轮失圆状态智能识别AI模型使用方法。
9.一种计算机可读存储介质，其特征在于：用于存储计算机程序或指令，所述计算机程序或指令被执行时，使得所述计算机执行如权利要求1-5中任意一项权利要求所述的车轮失圆状态智能识别AI模型训练方法。
10.一种计算机可读存储介质，其特征在于：用于存储计算机程序或指令，所述计算机程序或指令被执行时，使得所述计算机执行如权利要求6所述的车轮失圆状态智能识别AI模型使用方法。
CN202111001929.2A 2021-08-03 2021-08-30 车轮失圆状态智能识别ai模型训练使用方法、设备及介质 Active CN113947129B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202110885013 2021-08-03
CN2021108850131 2021-08-03

Publications (2)

Publication Number Publication Date
CN113947129A true CN113947129A (zh) 2022-01-18
CN113947129B CN113947129B (zh) 2022-06-14

Family

ID=79327510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111001929.2A Active CN113947129B (zh) 2021-08-03 2021-08-30 车轮失圆状态智能识别ai模型训练使用方法、设备及介质

Country Status (1)

Country Link
CN (1) CN113947129B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807715A (zh) * 2024-01-22 2024-04-02 湖南大学 轨道列车车轮失圆类型智能识别方法、系统及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101701845A (zh) * 2009-11-04 2010-05-05 西安理工大学 一种机车车轮运行状态的识别方法
CN106394606A (zh) * 2016-11-10 2017-02-15 北京康拓红外技术股份有限公司 一种铁路车辆车轮失圆检测方法及检测装置
CN110816588A (zh) * 2019-12-04 2020-02-21 中车株洲电力机车有限公司 一种机车车轮失圆检测方法、装置、设备及系统
CN111595584A (zh) * 2020-06-11 2020-08-28 河海大学常州校区 一种基于1-dcnn联合特征提取的轴承故障在线检测方法
CN111623868A (zh) * 2020-05-12 2020-09-04 西南交通大学 用于钢轨波磨识别的卷积神经网络构建方法
CN111637964A (zh) * 2020-05-12 2020-09-08 西南交通大学 钢轨波磨识别方法
US20210064689A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Unsupervised multivariate time series trend detection for group behavior analysis
CN113033309A (zh) * 2021-02-25 2021-06-25 北京化工大学 一种基于信号下采样及一维卷积神经网络的故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101701845A (zh) * 2009-11-04 2010-05-05 西安理工大学 一种机车车轮运行状态的识别方法
CN106394606A (zh) * 2016-11-10 2017-02-15 北京康拓红外技术股份有限公司 一种铁路车辆车轮失圆检测方法及检测装置
US20210064689A1 (en) * 2019-08-27 2021-03-04 Nec Laboratories America, Inc. Unsupervised multivariate time series trend detection for group behavior analysis
CN110816588A (zh) * 2019-12-04 2020-02-21 中车株洲电力机车有限公司 一种机车车轮失圆检测方法、装置、设备及系统
CN111623868A (zh) * 2020-05-12 2020-09-04 西南交通大学 用于钢轨波磨识别的卷积神经网络构建方法
CN111637964A (zh) * 2020-05-12 2020-09-08 西南交通大学 钢轨波磨识别方法
CN111595584A (zh) * 2020-06-11 2020-08-28 河海大学常州校区 一种基于1-dcnn联合特征提取的轴承故障在线检测方法
CN113033309A (zh) * 2021-02-25 2021-06-25 北京化工大学 一种基于信号下采样及一维卷积神经网络的故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谢清林等: "基于一维卷积神经网络的地铁钢轨波磨识别方法", 《中南大学学报(自然科学版)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117807715A (zh) * 2024-01-22 2024-04-02 湖南大学 轨道列车车轮失圆类型智能识别方法、系统及电子设备

Also Published As

Publication number Publication date
CN113947129B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
US11586913B2 (en) Power equipment fault detecting and positioning method of artificial intelligence inference fusion
CN111637964B (zh) 钢轨波磨识别方法
CN111623868B (zh) 用于钢轨波磨识别的卷积神经网络构建方法
CN111832225A (zh) 一种构建汽车行驶工况的方法
CN113947130B (zh) 车轮多边形磨损波形回归预测ai模型训练使用方法及设备
JP5702794B2 (ja) 移動時間推定の信頼性向上
US12007745B2 (en) Apparatus for predicting equipment damage
CA3037941A1 (en) Method and system for generating and using vehicle pricing models
CN113947129B (zh) 车轮失圆状态智能识别ai模型训练使用方法、设备及介质
CN109374631A (zh) 一种隧道状态评测方法
CN106709604A (zh) 用于道路路面养护的预警方法和装置
CN112905412A (zh) 关键性能指标数据的异常检测方法及装置
JP2019505892A (ja) ビッグデータに基づいて道路状態を予測する方法及び装置
JP2020035091A (ja) 交通状況予測装置
Carrillo et al. Design of efficient deep learning models for determining road surface condition from roadside camera images and weather data
US20200365017A1 (en) System and method for single-loop vehicle speed estimation using inductive loop signature data
CN116977708B (zh) 一种基于自适应聚合可视图的轴承智能诊断方法及系统
Origlia et al. On-line filtering of on-street parking data to improve availability predictions
CN111314113A (zh) 物联网节点故障检测方法、装置、存储介质及计算机设备
CN110291470B (zh) 用于确定测试计划的支持点的方法
Simoncini et al. Vehicle classification from low frequency GPS data
CN115171031A (zh) 一种基于车辆参照物的路面积水检测方法、装置及应用
Mallek et al. Enhanced K-Nearest Neighbor model for multi-steps traffic flow forecast in urban roads
CN113065428A (zh) 基于特征选择的自动驾驶目标识别方法
WO2024018621A1 (en) Classifying apparatus, classifying method, and non-transitory computer-readable storage medium

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant