CN113947130B - 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 - Google Patents

Abstract

本申请提供了车轮多边形磨损波形回归预测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。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，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多边形磨损状况标签，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，所述样本的多边形磨损状况标签是根据该样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点的实测多边形磨损值确定；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

车轮多边形磨损波形回归预测AI模型训练使用方法及设备

技术领域

本申请涉及人工智能技术领域，尤其涉及车轮多边形磨损波形回归预测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。

背景技术

轨道车辆(地铁、高铁等列车)车轮多边形磨损问题普遍存在，是轨道交通领域中亟待解决的技术难题。车轮多边形磨损将导致一系列的车辆与轨道部件疲劳开裂或断裂事故，如轴箱端盖螺栓断裂、轮对提吊断裂、齿轮箱开裂、钢轨扣件弹条断裂等。此外，车轮多边形磨损还会显著增加车辆的振动噪声，降低列车的乘坐舒适性。相关文献报道存在车轮多边形磨损的列车在车轮镟修前、后车内的噪声水平相差能达到11dB(A)，而存在显著车轮多边形磨损的轴箱振动加速度能达到800g。车轮多边形磨损还会显著增加车轴的动应力，缩短车轴的服役寿命。严重时车轮多边形磨损还会导致列车脱轨事故。综上所述，车轮多边形磨损对列车的运行安全构成很大威胁，同时还会显著降低车辆的乘坐品质。

现阶段，对车轮进行及时镟修可最大限度地控制车轮多边形磨损的发展，能有效减少车轮多边形磨损带来的不利影响。然而，如何制定合理的镟修策略 (如镟修周期与镟修量)仍是值得深入探讨的问题。若镟修较为频繁，不但会缩短车轮使用寿命，而且还会增加轮对维护成本。若镟修周期较长，多边形磨损进一步发展，最终将带来更大的安全隐患与经济损失。因此，对车轮多边形磨损进行实时监测，不仅能够保证车辆的运行安全，还能够根据监测结果优化车轮镟修策略，实现车轮状态修，节约轮对维护成本，这也是针对铁道车辆故障预测与健康管理(PHM)的重要组成部分。

现有的车轮多边形磨损检测方法主要为直接检测和轨旁检测。直接检测是指将测量设备直接作用于车轮表面，获取车轮多边形磨损的波形特征，该检测方法具有较高的精度，但是检测效率低，并且十分依赖于操作人员的经验水平。从控制检测成本的角度出发，采用轨旁检测来检测车轮多边形磨损是一个较好的选择，只需在轨旁安装一套检测设备，即可检测所有通过该轨道处车轮的状态。目前很多实际应用的检测系统都采用轨旁检测的方法，其中最为常用的方法包括基于钢轨振动加速度、钢轨应变或轮轨力、轮轨准静态位移等的检测。车轮出现多边形磨损时会引起车辆系统产生明显的动态响应(如振动加速度、噪声、轮轨力等)，并且伴随着车辆的运行持续存在，这为车轮多边形磨损的车载检测提供了有效的途径。获得动态响应数据后利用一些数字信号处理方法来提取车轮多边形磨损的特征。常用的处理方法有短时傅里叶分析、小波分析、经验模态分解、形态学滤波和盲源分离等。轨旁检测方法易受到环境因素的干扰，如轨道衰减率和相邻车轮引起的振动影响、传感器布置的位置对信号采集的影响、钢轨反映轮轨力的误差影响、轮轨准静态位移测试装置本身的限制影响等。

另一方面，在车轮失圆状况识别方法中，有一种可行性较强的方法为振动检测法。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。但是，振动检测法的作用是对车轮失圆状况进行识别，车轮失圆状况可以分为随机非圆化车轮、擦伤车轮、局部缺陷车轮、偏心车轮等，振动检测法是用于识别车轮是否属于某一种车轮失圆状况，但并不能实现车轮多边形磨损波形回归预测，无法根据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回归识别得到车轮多边形磨损的波形细节，例如波长信息、波深特征。

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、被测车轮多边形磨损波形回归预测结果为输出的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多边形磨损实时监测服务，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多边形磨损波形。

发明内容

本申请实施例的目的在于提供车轮多边形磨损波形回归预测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。

根据本申请的第一个方面，提供了一种车轮多边形磨损波形回归预测AI模型的训练方法，所述AI模型用于对轨道车辆车轮多边形磨损进行回归预测，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多边形磨损状况标签，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，所述样本的多边形磨损状况标签是根据该样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点的实测多边形磨损值确定；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，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况的高频信号；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，所述样本的多边形磨损状况标签对应的实测多边形磨损值的获取方法包括：确定所述被测车轮上的预设基准点在实测多边形磨损波中的相位，所述预设基准点设置在该被测车轮上并用于表征被测车轮的角位置；确定所述样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点与所述预设基准点在被测车轮角位置上的相对值；以及根据已确定的所相位以及所述相对值，确定所述位置点在所述实测多边形磨损波中的相位，从而获取所述实测多边形磨损值。

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回归预测层，用于提供对所述特征矩阵体现的被测车轮多边形磨损状况的预测。

可选的，所述回归预测层由从前往后依次设置的全连接层、linear函数激活层组成。

根据本申请的第二个方面，提供了一种车轮多边形磨损波形回归预测AI模型使用方法，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方面的车轮多边形磨损波形回归预测AI模型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和被测车轮多边形磨损状况标签，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，所述样本的多边形磨损状况标签是根据该样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点的实测多边形磨损值确定；将所述样本输入所述AI模型进行处理，得到输出结果，所述输出结果为车轮多边形磨损进行回归预测结果。

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多边形磨损波形回归预测AI模型训练方法或上述第二个方面的车轮多边形磨损波形回归预测AI模型使用方法。

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多边形磨损波形回归预测AI模型使用方法。

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多边形磨损波形回归预测AI模型训练方法。

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多边形磨损波形回归预测AI模型使用方法。

上述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能够实现车轮多边形磨损波形回归预测，可以根据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回归识别得到车轮多边形磨损的波形细节，包括波长信息、波深特征等，回归识别得到车轮多边形磨损波形的时效性高，并且与实际波形相比具有较高的拟合度，可为其镟修策略提供科学的指导意见。

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，由于所述振动强度特征向量被要求具有设定维数N，从而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，有助于提高AI模型针对振动响应进行预测的准确率。

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多边形磨损波形回归预测系统的示意图。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种获取样本的多边形磨损状况标签对应的实测多边形磨损值的方法的流程图。

图5-13为本申请实施例的一个应用案例的AI模型在3种不同阶次、3种不同波深共计9种工况下的回归拟合情况。

图14表示对上述9种工况进行回归预测时的拟合度与时效性指标情况。

图15-16为本申请实施例的一个应用案例的AI模型的误差及拟合度指标随训练轮数的演变曲线。

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多边形磨损波形回归预测系统的示意图。如图1所示，轨道车辆车轮多边形磨损波形回归预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的多边形磨损波形回归预测结果。

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的多边形磨损波形回归预测结果。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模型用于车轮多边形磨损波形回归预测，这是一种回归任务，能够识别得到车轮多边形磨损的波形细节，包括波长信息、波深特征等。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X_i与被测车轮失圆状况标签Y_i构成的二元组(X_i,Y_i)。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况标签 Y_i的，这些样本用于通过从训练集上习得的AI模型的识别，得出被测车轮多边形磨损波形回归预测结果。

每一个样本中的数据X_i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，而被测车轮失圆状况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多边形磨损波形。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模型对被测车轮轮多边形磨损波形预测的准确率。

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模型用于对轨道车辆车轮多边形磨损进行回归预测，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况的高频信号。振动加速度传感器采集的振动加速度时域信号中，由车轮失圆状况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况的高频信号，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况，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X_i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。

此外，这里还需要进行标签映射，即在每一个训练集样本的振动强度特征向量之后添加多边形磨损状况标签。具体而言，每一个训练集样本的振动强度特征向量之后的多边形磨损状况标签根据该样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点的实测多边形磨损值确定。可以将所述样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点的实测多边形磨损值直接作为多边形磨损状况标签添加在该样本的振动强度特征向量之后。实测多边形磨损值是被测车轮的实测多边形磨损波(即图5-13中属于“实际”的波形，该波形是对被测车轮事先通过车轮踏面测量设备检测而获得的)上每一点对应的幅值。所述样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点的实测多边形磨损值，就是所述实测多边形磨损波中其中一点对应的幅值。

为了获取所述样本的多边形磨损状况标签对应的实测多边形磨损值，可以采用如图4所示的方法。图4为本申请实施例的一种获取样本的多边形磨损状况标签对应的实测多边形磨损值的方法的流程图。如图4所示，该方法包括：

步骤S201：确定所述被测车轮上的预设基准点在实测多边形磨损波中的相位，所述预设基准点设置在该被测车轮上并用于表征被测车轮的角位置。

预设基准点可以是在所述被测车轮上设置的标记或材料，该标记或材料可以在被测车轮转动过程中被跟踪。对标记或材料的运动轨迹进行跟踪的技术是比较多的，所述领域技术人员可以根据需要使用所需的跟踪系统。通常，所述跟踪系统既可以在通过车轮踏面测量设备获取被测车轮的实测多边形磨损波时跟踪预设基准点的位置，同时也可以在获得被测车轮运行过程中的振动检测数据(参见步骤S101)时跟踪预设基准点的位置。由于通过车轮踏面测量设备可获取被测车轮的实测多边形磨损波，同时，通过所述跟踪系统又能够获得预设基准点的位置，而预设基准点设置在该被测车轮上并用于表征被测车轮的角位置，因此，结合以上数据，就能够确定所述被测车轮上的预设基准点在实测多边形磨损波中的相位。

步骤S202：确定所述样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点与所述预设基准点在被测车轮角位置上的相对值。

由于所述样本对应的一个设定长度L的位移是已知的，则该位移的中心点的相关参数也可计算得出。结合跟踪系统在被测车轮运行过程中跟踪预设基准点的结果，可以得出所述样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点与所述预设基准点在被测车轮角位置上的相对值。

步骤S203：根据已确定的所相位以及所述相对值，确定所述位置点在所述实测多边形磨损波中的相位，从而获取所述实测多边形磨损值。

由于所述被测车轮上的预设基准点在实测多边形磨损波中的相位以及所述样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点与所述预设基准点在被测车轮角位置上的相对值均已确定，这样也就可以确定所述位置点在所述实测多边形磨损波中的相位，从而获取所述实测多边形磨损值。

在上述步骤S106完成后，进行步骤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多边形磨损状况标签，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。

上述AI模型的训练方能够实现车轮多边形磨损波形回归预测，可以根据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回归识别得到车轮多边形磨损的波形细节，包括波长信息、波深特征等。

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回归预测层，用于提供对所述特征矩阵体现的被测车轮多边形磨损状况的预测。

更具体的，所述回归预测层由从前往后依次设置的全连接层、linear函数激活层组成。

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，其作用是提取车轮多边形磨损状况，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。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，增加车轮多边形磨损状况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回归预测层来达到回归预测的作用。特征提取模块到回归预测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linear函数激活层。linear激活函数是最为经典的线性激活函数，这里利用linear激活函数将全连接层后的特征值进行原始传递，即不做任何改变，旨在不破坏经卷积池化特征提取得到的回归值。

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，目的是对铁路机车车辆车轮多边形磨损智能识别。相关背景是：车轮作为铁道车辆的关键承载部件，其多边形磨损问题在铁路运输现场普遍存在，是轨道交通领域中亟待解决的技术难题。车轮多边形磨损将导致一系列的车辆与轨道部件疲劳开裂或断裂事故，如轴箱端盖螺栓断裂、轮对提吊断裂、齿轮箱开裂、钢轨扣件弹条断裂等。此外，车轮多边形磨损还会显著增加车辆的振动噪声，降低列车的乘坐舒适性。相关文献报道存在车轮多边形磨损的列车在车轮镟修前、后车内的噪声水平相差能达到11dB(A)，而存在显著车轮多边形磨损的轴箱振动加速度能达到800g。车轮多边形磨损还会显著增加车轴的动应力，缩短车轴的服役寿命。严重时车轮多边形磨损还会导致列车脱轨事故，1998年 6月3日在德国发生了举世震惊的ICE高速列车脱轨撞桥事故，据调查，该事故与车轮多边形磨损有直接关系。ICE高速列车使用的弹性车轮出现严重的多边形磨损，在列车高速运营下产生巨大的冲击载荷，最终导致车轮出现断裂，造成列车脱轨。如上所述，车轮多边形磨损对列车的运行安全构成很大威胁，同时还会显著降低车辆的乘坐品质。现阶段，对车轮进行及时镟修可最大限度地控制车轮多边形磨损的发展，能有效减少车轮多边形磨损带来的不利影响。然而，如何制定合理的镟修策略(如镟修周期与镟修量)仍是值得深入探讨的问题。若镟修较为频繁，不但会缩短车轮使用寿命，而且还会增加轮对维护成本。若镟修周期较长，多边形磨损进一步发展，最终将带来更大的安全隐患与经济损失。因此，对车轮多边形磨损进行实时监测，不仅能够保证车辆的运行安全，还能够根据监测结果优化车轮镟修策略，实现车轮状态修，节约轮对维护成本，这也是针对铁道车辆故障预测与健康管理(PHM)的重要组成部分。本发明的发明人通过长期的探索尝试以及多次的实验和努力，不断改革与创新，提出了一种基于车辆轴箱垂向加速度的机车车辆车轮多边形磨损的回归识别方法。构建一维卷积神经网络通过“端到端”的方式，将轴箱振动信号直接输入至网络，便可以回归识别得到车轮多边形磨损的波形细节，其不仅包括多边形磨损的波长信息，还包括波深特征，与实际波形相比具有较高的拟合度，同时具有较高的时效性。通过对车轮多边形磨损状态的实时监测，可为其镟修策略提供科学的指导意见。

具体而言：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(

-BBM m|wheel,wheel roughnessmeasurement)对若干列车的车轮磨耗状态进行测量，测得具有不同阶次、不同波深车轮多边形磨损。分别对具有这些具有多边形磨损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)。将设定长度L设为车轮周长的3倍，将固定空间采样频率 F设为每米采集200个数据点。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况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回归预测层，用于提供对所述特征矩阵体现的被测车轮多边形磨损状况的预测，所述回归预测层由从前往后依次设置的全连接层、 linear函数激活层组成。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。此外，两层交替进行的卷积与池化运算旨在对上一层输入特征图进行自适应地特征提取，其权值共享及稀疏连接特性不仅能有效减少网络的参数，还能削弱过拟合造成的测试集精度不佳问题。将最后一个池化层的所有特征图首尾相连，展平形成一个全连接层，经linear函数激活后便可得到相应的回归预测值。随着卷积、池化的交替进行，特征图长度逐渐减小，深度加深，输入信号的拓扑结构特征被网络逐层挖掘并自我学习。值得注意的是回归问题不同于常见的分类任务，因此在本技术中衡量预测值与实际值之间差异水平的损失函数设为决定系数，表示一个随机变量与多个随机变量关系的数字特征，用来反映回归过程中因变量变化可靠程度的一个统计指标，本技术中用“coeff_determination”代称损失函数。训练测试结果表明：上述AI模型对铁路机车车辆多边形磨损回归识别方法能有效、快速、准确且稳定地对不同阶次、不同波深的多边形磨损进行识别与回归，最终定量检测得到多边形磨损的特征属性。

图5-13为上述应用案例的AI模型在3种不同阶次、3种不同波深共计9种工况下的回归拟合情况。图14表示对上述9种工况进行回归预测时的拟合度与时效性指标情况。可知9种工况的拟合度十分优异，均不低于99.8％，平均拟合度可达到99.92％，说明本技术提出的铁道机车车辆车轮多边形磨损回归识别方法不仅能对不同阶次的多边形磨损进行识别，还可以对不同水平的波深特征进行识别，并具有优异的拟合度；除以之外，9种工况下单个样本测试耗时均小于 0.1ms，满足在线监测的时效性需求。图15-16为上述应用案例的AI模型的误差及拟合度指标随训练轮数的演变曲线。可知在训练轮数达到18次时，其误差及拟合度曲线发生显著变化。随着训练轮数的提高，误差逐渐降低，拟合度不断提高，训练轮数达到59次后，1-DCNN拟合度达到最佳水平，此时误差水平也最低，并且测试集与训练集表现相当，并未体现出过拟合问题，进一步验证了本技术的有效性及优越性。

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和被测车轮多边形磨损状况标签，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，所述样本的多边形磨损状况标签是根据该样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点的实测多边形磨损值确定；将所述样本输入所述AI模型进行处理，得到输出结果，所述输出结果为车轮多边形磨损进行回归预测结果。

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 (8)

1.一种车轮多边形磨损波形回归预测AI模型训练方法，所述AI模型用于对轨道车辆车轮多边形磨损进行回归预测，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多边形磨损状况标签，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，所述样本的多边形磨损状况标签是根据该样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点的实测多边形磨损值确定；

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；

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；

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况的高频信号；

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。

2.如权利要求1所述的车轮多边形磨损波形回归预测AI模型训练方法，其特征在于，所述样本的多边形磨损状况标签对应的实测多边形磨损值的获取方法包括：

确定所述被测车轮上的预设基准点在实测多边形磨损波中的相位，所述预设基准点设置在该被测车轮上并用于表征被测车轮的角位置；

确定所述样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点与所述预设基准点在被测车轮角位置上的相对值；以及

根据已确定的所相位以及所述相对值，确定所述位置点在所述实测多边形磨损波中的相位，从而获取所述实测多边形磨损值。

3.如权利要求1所述的车轮多边形磨损波形回归预测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多边形磨损波形回归预测AI模型训练方法，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回归预测层，用于提供对所述特征矩阵体现的被测车轮多边形磨损状况的预测。

5.如权利要求4所述的车轮多边形磨损波形回归预测AI模型训练方法，其特征在于：所述回归预测层由从前往后依次设置的全连接层、linear函数激活层组成。

6.一种车轮多边形磨损波形回归预测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多边形磨损波形回归预测AI模型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和被测车轮多边形磨损状况标签，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，所述样本的多边形磨损状况标签是根据该样本对应的一个设定长度L的位移的中心点处所对应接触的被测车轮上的位置点的实测多边形磨损值确定；

将所述样本输入所述AI模型进行处理，得到输出结果，所述输出结果为车轮多边形磨损进行回归预测结果。

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，使得该计算机设备执行如权利要求1-5中任意一项权利要求所述的车轮多边形磨损波形回归预测AI模型训练方法或如权利要求6所述的车轮多边形磨损波形回归预测AI模型使用方法。

8.一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多边形磨损波形回归预测AI模型训练方法或如权利要求6所述的车轮多边形磨损波形回归预测AI模型使用方法。

Images