CN114722704A - 车轮磨损预测网络模型训练方法、装置 - Google Patents

车轮磨损预测网络模型训练方法、装置 Download PDF

Info

Publication number
CN114722704A
CN114722704A CN202210287919.8A CN202210287919A CN114722704A CN 114722704 A CN114722704 A CN 114722704A CN 202210287919 A CN202210287919 A CN 202210287919A CN 114722704 A CN114722704 A CN 114722704A
Authority
CN
China
Prior art keywords
vibration signal
network model
local
wheel
wheel wear
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.)
Pending
Application number
CN202210287919.8A
Other languages
English (en)
Inventor
李彦夫
王欢
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202210287919.8A priority Critical patent/CN114722704A/zh
Publication of CN114722704A publication Critical patent/CN114722704A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本说明书涉及车轮磨损预测网络模型训练方法、装置、计算机设备、存储介质。预先构件好局部‑全局网络模型，然后获取若干等时长的振动信号样本以及对应的真实车轮磨损值，其中振动信号样本包括多个时序相连的、车轮在运行中产生的振动信号点。将获取的振动信号样本输入至预先构建的局部‑全局网络模型中，得到该振动信号样本对应的预测车轮磨损值，然后利用该振动信号样本对应的预测车轮磨损值与真实车轮磨损值之间的误差，对局部‑全局网络模型中的参数进行调整，直至局部‑全局网络模型满足预设要求。最后，将满足预设条件的局部‑全局网络模型作为车轮磨损预测网络模型。采用本方法能够提升车轮磨损值确定效率以及减少人工成本。

Description

车轮磨损预测网络模型训练方法、装置
技术领域
本说明书涉及网络模型技术领域，特别是涉及车轮磨损预测网络模型方法、 装置、计算机设备、存储介质以及车轮磨损值的确定方法、装置、计算机设备、 存储介质。
背景技术
列车是人们生活中的重要交通工具，如火车、地铁等，是人们日常中较为 常见的列车，作为与人们息息相关的交通工具，列车需要有较高的安全性。
列车独特的车轮使得其能够在铁路上安全、快速地行驶。列车车轮作为列 车在行驶过程中的重要部件，列车车轮的磨损状况直接影响着列车能否在铁路 上安全地行驶。
为了保证列车能够在铁路上安全地行驶，保证列车的安全性，一般会有专 门的工程人员周期性地检查列车各个车轮的磨损状况，以减少安全事故的发生。 具体而言，工程人员基于列车的运行里程，凭借经验估测车轮何时需要检测， 然后需要将车轮取下来进行轮廓测量，确定与初始的车轮的轮廓的偏差，得到 车轮的磨损程度。这种人工周期性检查列车车轮磨损程度的方式，效率低下并 且耗费人力。
发明内容
基于此，有必要针对上述技术问题，提供一种效率较高并且人工成本低的 车轮磨损值预测方法、装置、计算机设备、计算机可读存储介质和计算机程序 产品。
第一方面，本说明书提供了一种车轮磨损预测网络模型训练方法。所述方 法包括：
获取若干等时长的振动信号样本；所述振动信号样本包括多个时序相连的、 车轮在运行中产生的振动信号点；
获取所述振动信号样本对应的真实车轮磨损值；
将所述振动信号样本输入至预先构建的局部-全局网络模型中，得到所述振 动信号样本的预测车轮磨损值；其中，所述局部-全局网络模型包括局部特征提 取层、全局特征提取层以及磨损值预测层；
利用所述振动信号样本的预测车轮磨损值与所述振动信号对应的真实车轮 磨损值之间的误差，对所述局部-全局网络模型中的参数进行调整，直至所述局 部-全局网络模型满足预设要求；
将满足所述预设要求的局部-全局网络模型作为车轮磨损预测网络模型。
在其中一个实施例中，所述获取若干等时长的振动信号样本包括：
获取列车车轮上的传感器采集的时序振动信号；
采用滑动分割的策略，将所述时序振动信号分割为若干等时长的振动信号 样本。
在其中一个实施例中，所述振动信号样本包括若干个等时长的振动信号片 段；所述振动信号片段包括多个振动信号点；
所述将所述振动信号样本输入至预先构建的局部-全局网络模型中，得到所 述振动信号样本的预测车轮磨损值，包括：
将所述振动信号样本输入至预先构建的局部-全局网络模型中；
通过所述局部特征提取层提取出所述振动信号样本的每一振动信号片段的 局部特征；
通过所述全局特征提取层将所述局部特征提取层针对所述振动信号样本提 取出的若干个振动信号片段的局部特征进行聚合，并提取出所述振动信号样本 的全局特征；
通过所述磨损值预测层根据所述全局特征提取层针对所述振动信号样本提 取出的全局特征，输出所述振动信号样本对应的预测车轮磨损值。
在一个实施例中，所述局部特征提取层包括若干个局部特征提取块，分别 用于提取所述振动信号样本包括的若干个等时长的振动信号片段的局部特征； 所述若干个局部特征提取块之间的参数不同；所述局部特征提取块数量与所述 振动信号样本的振动信号片段数量相同。
第二方面，本说明书还提供了一种车轮磨损值的确定方法，所述方法包括：
获取目标车轮在运行过程中产生的振动信号；
将所述振动信号输入至车轮磨损预测网络模型中；所述车轮磨损预测网络 模型经过局部-全局网络模型训练得到；
将所述车轮磨损预测网络模型的输出的磨损值确定为所述目标车轮的磨损 值；
其中，所述车轮磨损预测网络模型基于如上任一所述的车轮磨损预测网络 模型训练方法得到的。
在一个实施例中，所述车轮磨损预测网络模型包括局部特征提取层、全局 特征提取层以及磨损值预测层；
所述将所述振动信号输入至车轮磨损预测网络模型中，包括：
将所述振动信号划分若干个等时长的振动信号片段，输入至所述车轮磨损 预测网络模型中；
通过所述局部特征提取层提取出所述振动信号的每一振动信号片段的局部 特征；
通过所述全局特征提取层将所述局部特征提取层针对所述振动信号提取出 的若干个振动信号片段的局部特征进行聚合，并提取出所述振动信号的全局特 征；
通过所述磨损值预测层根据所述全局特征提取层针对所述振动信号提取出 的全局特征，输出所述振动信号对应的车轮磨损值。
第三方面，本说明书还提供了一种预测网络模型训练装置。所述装置包括：
样本获取模块，用于获取若干等时长的振动信号样本；所述振动信号样本 包括多个时序相连的、车轮在运行中产生的振动信号点；
真实车轮磨损值获取模块，用于获取所述振动信号样本对应的真实车轮磨 损值；
预测车轮磨损值获取模块，用于将所述振动信号样本输入至预先构建的局 部-全局网络模型中，得到所述振动信号样本的预测车轮磨损值；
训练模块，用于利用所述振动信号样本的预测车轮磨损值与所述振动信号 对应的真实车轮磨损值之间的误差，对所述局部-全局网络模型中的参数进行调 整，直至所述局部-全局网络模型满足预设要求；
模型获取模块，用于将训练完成的所述局部-全局网络模型作为车轮磨损预 测网络模型；
其中，所述局部-全局网络模型包括局部特征提取层、全局特征提取层以及 磨损值预测层。
第四方面，本说明书提供了一种车轮磨损值的确定装置，所述装置包括：
振动信号获取模块，用于获取目标车轮在运行过程中产生的振动信号；
输入模块，用于将所述振动信号输入至车轮磨损预测网络模型中；
确定模块，用于将所述车轮磨损预测网络模型的输出的磨损值确定为所述 目标车轮的磨损值；
其中，所述车轮磨损预测网络模型基于如上任一所述的车轮磨损预测网络 模型训练方法得到的。
第五方面，本说明书还提供了一种计算机设备。所述计算机设备包括存储 器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序 时实现以下步骤：
获取若干等时长的振动信号样本；所述振动信号样本包括多个时序相连的、 车轮在运行中产生的振动信号点；
获取所述振动信号样本对应的真实车轮磨损值；
将所述振动信号样本输入至预先构建的局部-全局网络模型中，得到所述振 动信号样本的预测车轮磨损值；其中，所述局部-全局网络模型包括局部特征提 取层、全局特征提取层以及磨损值预测层；
利用所述振动信号样本的预测车轮磨损值与所述振动信号对应的真实车轮 磨损值之间的误差，对所述局部-全局网络模型中的参数进行调整，直至所述局 部-全局网络模型满足预设要求；
将满足所述预设要求的局部-全局网络模型作为车轮磨损预测网络模型。
第六方面，本说明书还提供了一种计算机设备。所述计算机设备包括存储 器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序 时实现以下步骤：
获取目标车轮在运行过程中产生的振动信号；
将所述振动信号输入至车轮磨损预测网络模型中；所述车轮磨损预测网络 模型经过局部-全局网络模型训练得到；
将所述车轮磨损预测网络模型的输出的磨损值确定为所述目标车轮的磨损 值；
其中，所述车轮磨损预测网络模型基于如上任一所述的车轮磨损预测网络 模型训练方法得到的。
第七方面，本说明书还提供了一种计算机可读存储介质。所述计算机可读 存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下 步骤：
获取若干等时长的振动信号样本；所述振动信号样本包括多个时序相连的、 车轮在运行中产生的振动信号点；
获取所述振动信号样本对应的真实车轮磨损值；
将所述振动信号样本输入至预先构建的局部-全局网络模型中，得到所述振 动信号样本的预测车轮磨损值；其中，所述局部-全局网络模型包括局部特征提 取层、全局特征提取层以及磨损值预测层；
利用所述振动信号样本的预测车轮磨损值与所述振动信号对应的真实车轮 磨损值之间的误差，对所述局部-全局网络模型中的参数进行调整，直至所述局 部-全局网络模型满足预设要求；
将满足所述预设要求的局部-全局网络模型作为车轮磨损预测网络模型。
第八方面，本说明书还提供了一种计算机可读存储介质。所述计算机可读 存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下 步骤：
获取目标车轮在运行过程中产生的振动信号；
将所述振动信号输入至车轮磨损预测网络模型中；所述车轮磨损预测网络 模型经过局部-全局网络模型训练得到；
将所述车轮磨损预测网络模型的输出的磨损值确定为所述目标车轮的磨损 值；
其中，所述车轮磨损预测网络模型基于如上任一所述的车轮磨损预测网络 模型训练方法得到的。
第九方面，本说明书还提供了一种计算机程序产品。所述计算机程序产品， 包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取若干等时长的振动信号样本；所述振动信号样本包括多个时序相连的、 车轮在运行中产生的振动信号点；
获取所述振动信号样本对应的真实车轮磨损值；
将所述振动信号样本输入至预先构建的局部-全局网络模型中，得到所述振 动信号样本的预测车轮磨损值；其中，所述局部-全局网络模型包括局部特征提 取层、全局特征提取层以及磨损值预测层；
利用所述振动信号样本的预测车轮磨损值与所述振动信号对应的真实车轮 磨损值之间的误差，对所述局部-全局网络模型中的参数进行调整，直至所述局 部-全局网络模型满足预设要求；
将满足所述预设要求的局部-全局网络模型作为车轮磨损预测网络模型。
第十方面，本说明书还提供了一种计算机程序产品。所述计算机程序产品， 包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取目标车轮在运行过程中产生的振动信号；
将所述振动信号输入至车轮磨损预测网络模型中；所述车轮磨损预测网络 模型经过局部-全局网络模型训练得到；
将所述车轮磨损预测网络模型的输出的磨损值确定为所述目标车轮的磨损 值；
其中，所述车轮磨损预测网络模型基于如上任一所述的车轮磨损预测网络 模型训练方法得到的。
上述车轮磨损预测网络模型训练方法、装置、计算机设备、存储介质和计 算机程序产品，以及车轮磨损值的确定方法、装置、计算机设备、存储介质和 计算机程序产品，由于是通过列车车轮在行驶过程中产生的振动信号，确定列 车车轮的磨损状况，因此，相较于人工检测的方式，效率高并且基本不耗费人 力。
附图说明
图1为本说明书根据一个实施例示出的车轮磨损预测网络模型训练方法的 流程示意图；
图2为本说明书根据一个实施例示出的振动信号滑动分割的分割示意图；
图3为本说明书根据一个实施例示出的车轮磨损预测网络模型的结构示意 图；
图4为本说明书根据一个实施例示出的车轮的结构示意图；
图5为本说明书根据一个具体实施例示出的车轮磨损预测网络模型更详细 的结构示意图；
图6为本说明书根据一个实施例示出的多头注意力(MHA)和点积注意力 (SDPA)的结构示意图；
图7为本说明书根据一个实施例示出的车轮磨损值的确定方法的流程示意 图；
图8为本说明书根据一个实施例示出的车轮磨损预测网络模型训练装置的 结构框图；
图9为本说明书根据一个实施例示出的车轮磨损值确定装置的结构框图；
图10为本说明书根据一个实施例示出的计算机设备的内部结构示意图。
具体实施方式
为了使本说明书的目的、技术方案及优点更加清楚明白，以下结合附图及 实施例，对本说明书进行进一步详细说明。应当理解，此处描述的具体实施例 仅仅用以解释本说明书，并不用于限定本说明书。
相关技术中，列车车轮磨损预测的研究大都基于模型驱动,它们一般是根据 列车的动力学特性，轮轨接触特性和车轮的材料特性进行预测的，具体而言， 根据列车的动力学特性，轮轨接触特性和车轮的材料特性进行仿真模拟，得到 列车里程数与列车车轮磨损的线性关系，从而根据列车的里程数确定列车车轮 的磨损程度。
但是，实际应用中，总会有各种其他因素干扰，使得实际的列车运行过程 与仿真模拟的列车运行过程并不完全相同，因此，基于模型驱动预测列车车轮 磨损状况的准确性大大降低。
基于此，本说明书提出根据列车行驶过程中车轮产生的振动信号，确定车 轮的磨损状况。本说明书提供了车轮磨损预测网络模型训练方法，预先构件好 局部-全局网络模型，然后获取若干等时长的振动信号样本以及对应的真实车轮 磨损值，其中振动信号样本包括多个时序相连的、车轮在运行中产生的振动信 号点。将获取的振动信号样本输入至预先构建的局部-全局网络模型中，得到该 振动信号样本对应的预测车轮磨损值，然后利用该振动信号样本对应的预测车 轮磨损值与真实车轮磨损值之间的误差，对局部-全局网络模型中的参数进行调 整，直至局部-全局网络模型满足预设要求。最后，将满足预设条件的局部-全 局网络模型作为车轮磨损预测网络模型。其中，局部-全局网络模型(车轮磨损 预测网络模型)包括局部特征提取层、全局特征提取层以及磨损值预测层。
以及车轮磨损值的确定方法，获取待确定磨损值的目标车轮在运行过程中 产生的振动信号，将获取的振动信号输入至上述训练好的车轮磨损预测网络模 型中，然后将车轮磨损预测网络模型的输出的磨损值确定为目标车轮的磨损值。
通过本说明书的一个或多个实施例，由于是通过列车车轮在行驶过程中产 生的振动信号，确定列车车轮的磨损状况，因此，相较于人工检测的方式，效 率高并且基本不耗费人力，并且，由于是根据列车车轮当下产生的振动信号确 定车轮当下的磨损状况，准确度相对于基于模型驱动的方式预测得到的磨损状 况的结果的会更高。
接下来对本说明书提供的实施例进行详细的说明。
本说明书提供了车轮磨损预测网络模型训练方法，以及对应的装置、计算 机设备、计算机可读存储介质、计算机程序产品，提供了基于车轮磨损预测网 络模型训练方法得到的车轮磨损预测网络模型的车轮磨损值的确定方法，以及 对应的装置、计算机设备、计算机可读存储介质、计算机程序产品。
首先对本说明书提供的车轮磨损预测网络模型训练方法进行详细的说明。
如图1所示，为本说明书根据一实施例示出的车轮磨损预测网络模型训练 方法的流程示意图，包括以下步骤：
步骤101、获取若干等时长的振动信号样本。
其中，振动信号样本包括多个时序相连的、车轮在运行中产生的振动信号 点。
在列车行驶中，列车的车轮会产生连续的振动信号，每个时间点都会产生 对应的振动信号点，运行一段时间后，就会产生时序相连的多个信号点，例如 运行五分钟，就会产生五分钟时序相连的多个时序信号点，形成五分钟的振动 信号。
其中，获取的多个振动信号样本需要是等时长的，即，每个振动信号样本 包含的时序相连的信号点的数量是相同的。
步骤103、获取振动信号样本对应的真实车轮磨损值。
由于本说明书是根据车轮产生的振动信号确定车轮的磨损状况，因此，优 选的情况下，需要获取列车行驶中，车轮产生该振动信号时的车轮磨损状况， 即，振动信号样本的产生的时间与车轮磨损状况的采集时间需要相对应。例如， 振动信号是列车在9:36:20-9:36:30行驶时车轮产生的振动信号，那么按照预 期，就需要获取9:36:20-9:36:30这一时段中车轮的磨损状况。若获取的是 9:36:20-9:36:30行驶时车轮产生的振动信号，获取的车轮的磨损状况是 17:23:10-17:23:20这一时段中的，那么该振动信号与该车轮磨损状况就不对应， 在优选的情况下不能作为车轮磨损预测模型的振动信号本及对应的真实车轮磨损值。
实际应用中，由于磨损测量仪的限制，需要列车停止后才可以使用磨损值 测量仪对列车车轮进行磨损值测量，因此无法保证振动信号与磨损值在时间上 的一致性。
但是，列车车轮的磨损并不是瞬息万变的，换而言之，列车车轮的磨损是 很缓慢的，列车在一天的运行中，车轮的磨损状况的变化是很微弱的，因此， 可以将一天采集到的所有振动信号对应于同一个磨损值(列车当前停止后测量 得到的磨损值)，只需要研究的周期设置的更长一些(例如两个月、半年等)， 便可减少振动信号与磨损值在时间上不一致带来的影响。
步骤105、将振动信号样本输入至预先构建的局部-全局网络模型中，得到 振动信号样本的预测车轮磨损值。
步骤107、利用振动信号样本的预测车轮磨损值与所述振动信号对应的真实 车轮磨损值之间的误差，对局部-全局网络模型中的参数进行调整，直至局部- 全局网络模型满足预设要求。
其中，预设要求可以是振动信号样本的预测车轮磨损值与所述振动信号对 应的真实车轮磨损值之间的误差小于预设的值，也可以是对局部-全局网络模型 中的参数进行调整的次数达到预设次数。本领域技术人员可以根据实际需要， 对预设要求进行调整。
步骤109、将训练完成的局部-全局网络模型作为车轮磨损预测网络模型。
训练完成的局部-全局网络模型就可以作为最终使用的网络模型，即车轮磨 损预测网络模型，该车轮磨损预测网络模型可以根据输入车轮行驶中产生的振 动信号，确定出车轮的磨损值，以使相关人员可以不对车轮进行勘测即可掌握 车轮的磨损状况。
其中，预先构建的局部-全局网络模型包括局部特征提取层、全局特征提取 层以及磨损值预测层。
局部特征提取层用于提取振动信号样本各个振动信号点的局部特征，全局 特征提取层用于将局部特征提取层提取出的多个局部特征进行聚合，得到振动 信号样本的全局特征，最后，磨损值预测层根据全局特征提取层提取出的全局 特征，输出所述振动信号样本对应的预测车轮磨损值。
在实际处理中，振动信号样本可以包括若干个等时长的振动信号片段，每 个振动信号片段包括多个振动信号点，例如，假设振动信号样本包含200个振 动信号点，将其分割为10个信号片段，振动信号样本就会被划分为10个振动 信号片段，每个信号片段包括20个振动信号点；假设振动信号样本包含100个 振动信号点，将其分割为10个信号片段，振动信号样本就会被划分为10个振 动信号片段，每个信号片段包括10个振动信号点。
然后将分割为若干个振动信号片段的振动信号样本输入至预先构建的局部 -全局网络模型中，那么上述步骤105包括：将振动信号样本输入至预先构建的 局部-全局网络模型中，通过局部特征提取层提取出振动信号样本的每一振动信 号片段的局部特征，通过全局特征提取层将局部特征提取层针对振动信号样本 提取出的若干个振动信号片段的局部特征进行聚合，并提取出振动信号样本的 全局特征，通过磨损值预测层根据全局特征提取层针对振动信号样本提取出的 全局特征，输出振动信号样本对应的预测车轮磨损值。
如图3所示，为本说明书根据一实施例示出的局部-全局网络模型。将分割 为多个振动信号片段的振动信号样本输入至局部-全局网络模型的局部特征提 取层，得到该振动信号样本各个振动信号片段的局部特征。然后将该振动信号 样本的各个振动信号片段的局部特征输入值全局特征提取层，通过全局特征提 取层将局部特征提取层针对振动信号样本提取出的若干个振动信号片段的局部 特征进行聚合，并提取出该振动信号样本的全局特征。最后将该振动信号样本 的全局特征输入至磨损值预测层，得到该振动信号样本对应的预测磨损值。
实际应用中，上述的局部特征提取层可以包括若干个局部特征提取块，分 别用于提取振动信号样本包括的若干个等时长的振动信号片段的局部特征。其 中，局部特征提取层包括的若干个局部特征提取块之间的权重参数不同，所述 局部特征提取块数量与所述振动信号样本的振动信号片段数量相同。
如此，可保证通过局部特征提取层针对振动信号样本中的各个振动信号片 段提取出的局部特征不是千篇一律的，保证各个振动信号片段提取出的局部特 征的能够表征振动信号片段本身的特征。
其中，车轮磨损值可分为轮缘磨损与踏面磨损，也可统称为车轮磨损。如 图4所示，为本说明书示出的列车车轮的示意图，轮缘磨损与踏面磨损的磨损 程度计量并不相同，因此一般都是分别计量。当然，实际应用中，也可以是轮 缘磨损与踏面磨损进行综合评估后，得到一个车轮磨损值，作为振动信号样本 的车轮磨损值。其中，车轮磨损值是通过比较磨损后的车轮与标准车轮之间的 差别确定的，标准车轮是指未经过磨损或者经过镟修的车轮。
实际应用中，一般是在车轮上安装传感器(如加速度传感器)，因此采集 到的振动信号是很长一段时间的振动信号，例如列车运行了2个小时，就会有 两个小时的振动信号，使用滑动分割的策略将采集的振动信号进行分割，就会 得到若干振动信号样本。
如图2所示，图2中所示的A部分为一个列车从启动，到加速、平稳行驶、 减速，最后停止整个过程中，车轮所产生的振动信号，图2中的B为删除列车 启动、加速、减速、静止这几个阶段列车产生的振动信号，保留了列车平稳行 驶时，车轮产生的振动信号。图2的C为在B中截取的六个等时长的振动信号 样本。
接下来对本说明书示出的一实施例进行详细的说明。
本说明书的一实施例中，定义振动信号样本为
Figure BDA0003560582140000121
其中，
Figure BDA0003560582140000122
代表一个一个信号点，n代表第几个振动信号样本，Xn是T*1 维的向量，例如，
Figure BDA0003560582140000123
表示振动信号样本X1包含T个振动信号点， 分别为
Figure BDA0003560582140000124
是一个T*1维的向量，
Figure BDA0003560582140000125
表示振动信号样 本X6包含T个振动信号点，分别为
Figure BDA0003560582140000126
也是一个T*1维的向量。
通过加速度传感器可以获得一组高速列车实际运营数据集
Figure BDA0003560582140000127
N表 示振动信号的数量(振动信号样本的数量)。通过车轮轮廓测量系统，获得每 一个振动信号所对应的磨损值(踏面磨损TW和轮缘磨损FW)，从而构建训练数据 集
Figure BDA0003560582140000128
然后对振动信号样本进行预处理，其中，由于车轮磨损预测网络模型需要 对振动信号样本进行局部特征提取，因此，需要对振动信号进行分割。对于每 一个振动信号样本Xn，将其分割成k(k＞＝1)个信号片段，可表示为
Figure BDA0003560582140000129
其中，n代表第几个振动信号样本，
Figure BDA00035605821400001210
是T/k*1 维的向量。
其中，
Figure BDA00035605821400001211
每个信号片段包括多个振动信号点，且包含的振动信号 点的数量相同。例如，振动信号样本X1包含100个振动信号点，将其分割为10 个信号片段(k＝10)，振动信号样本X1就会被划分为10个振动信号片段，包括
Figure BDA00035605821400001212
每个信号片段包括10个振动信号点。
如图5所示，为本说明书根据一实施例示出的基于Transformer的多路局 部全局时序融合网络模型的示意图(即上述的局部-全局网络模型或车轮磨损预 测网络模型)。图5所示的网络模型主要由多路局部时序编码架构(上述的局 部特征提取层)和Transformer编码器架构(上述的全局特征提取层)组成， 多路局部时序编码架构包含多个局部时序注意力网络(LTA-Network)，每个局部 时序注意力网络LTA-Network由两个局部时序注意力模块LTA-block和一个卷 积层和下采样层组成。在模型中，多个LTA-Network被用来学习输入的振动信 号片段的局部特征。这些局部时序注意力网络LTA-Network的参数(或称之为权重)是不共享的，它们根据各自的输入优化其参数，从而从输入数据中捕获 多重的细节信息。
其中，Transformer编码器是为了进一步编码这些局部特性映射之间的全局 依赖关系。该Transformer编码器可以模拟任何输入信号之间的全局时间相关 性，而不考虑它们的实际物理距离。这一特性允许Transformer编码器在信号 级的所有输入信号中编码全局上下文特征。利用这种局部和全局特征融合机制， 车轮磨损预测网络模型可以整合多级特征信息，准确地模拟振动信号与车轮磨 损之间的映射关系。
与图像数据这类数据不同，振动信号是时间序列数据，振动信号的波形围 绕水平轴上下波动，水平轴代表的值为0。因此，振动信号的一半的信息是正的， 一半的信息是负的。传统的ReLU函数粗暴地丢弃所有的负值信息，以实现非线 性能力，这在振动的信号处理中是不可接受的。因此，使用LeakyReLU替换ReLU 函数，保留信号的负信息。
实际应用中，局部时序注意力网络对振动信号样本的各个振动信号片段的 处理如下：
首先，每个LTA-Network被用来将输入的振动信号样本Xn的细节信息并输 出特征映射为
Figure BDA0003560582140000131
即
Figure BDA0003560582140000132
其中
Figure BDA0003560582140000133
表示LTA-Block，其可以细化网络对感兴趣区域的学习。ω(·)表 示带有可学习核
Figure BDA0003560582140000134
的卷积层。Pool是步长为2的最大池化，σ(·)是ReLU 函数。
具体对于
Figure BDA0003560582140000135
而言，假设其输入为
Figure BDA0003560582140000136
并且其输出表示为
Figure BDA0003560582140000137
有
Figure BDA0003560582140000138
Figure BDA0003560582140000139
Figure BDA0003560582140000141
Figure BDA0003560582140000142
WD表示空洞率为D的可学习卷积核；In表示InstanceNorm。利用一个1×1 的卷积层用来聚合特征
Figure BDA0003560582140000143
的全局通道信息以生成时间特征向量
Figure BDA0003560582140000144
LTA-Block的设计目标是找到对目标任务有价值的时间特征，为了方便卷积计算， v被重组成
Figure BDA0003560582140000145
然后使用两个非线性变换层来编码向量v′的每个时间点 的相对重要性。这些非线性层由两个1×1的卷积层组成，它们将v′压缩到其一 半的维度然后再恢复原始维度。一个Tanh激活函数将获得的向量映射到-1到1 的范围，并输出时间权重向量
Figure BDA0003560582140000146
向量
Figure BDA0003560582140000147
的值表示对应时间片段的相对 重要性。最终，结合残差链接，
Figure BDA0003560582140000148
被用来增强网络对有意义特征的学习，并输出 优化后的特征
Figure BDA0003560582140000149
表示矩阵对应元素相乘。
Transformer编码器架构是一种新的学习远程序列相关性的体系结构，它可 以在不考虑信号的实际物理距离的情况下，模拟信号的任意位置之间的相关性。 这一特性为预测模型学习列车车轮产生振动信号的全局时间特征提供了一个很 好的解决方案。因此，引入Transformer编码器架构对局部时序注意力网络输 出特性的全局相关性进行建模，可以提高预测模型的综合信息感知能力。 Transformer编码器架构主要包括三个部分：
1)位置嵌入
2)多头注意
3)位置级前馈网络
接下来对Transformer编码器架构进行详细的描述。
Transformer编码器架构主要包含位置嵌入、多头注意力(Multi-HeadAttention，MHA)和位置级前馈网络(position-wise feed-forward network， PFFN)。具体来说，通过多个局部时序注意力网络LTA-Network的局部特征编 码，得到一组新的特征序列
Figure BDA00035605821400001410
为了能让Transformer编码器架 构理解这些序列的位置关系，本说明书实施例引入一组可学习的特征位置嵌入
Figure BDA00035605821400001411
PE表示这些特征序列之间的相对时间位置关系。 并将其与特征序列Rn进行拼接，即
Figure BDA0003560582140000151
此信息可帮助转换器对全局时间上下文信息进行建模。
Transformer编码器架构的核心组件是多头注意(MHA)，它由多个平行尺度 的点积注意(Scaled Dot-Product Attention，SDPA)组成，SDPA负责学习长 距离依赖关系。在MHA中，这些SDPA是独立的，不共享参数。他们负责建模不 同的时间上下文信息，并聚合这些信息，以获得具有全局上下文信息的特征
Figure BDA0003560582140000152
图6展示了多头注意力(MHA)和点积注意力(SDPA)的架构示意图。MHA 由多个并行的SDPA组成，SDPA负责长距离依赖关系的学习。如图6所示，假设 SDPA的输入为特征序列
Figure BDA0003560582140000153
定义三组线性变换层(可学习的权重 矩阵分别为WQ,WK,WV),在MHA中，这些SDPA是独立的，不共享参数。他们 负责建模不同的时间上下文信息，并聚合这些信息，以获得具有全局上下文信 息的特征Sn。分别用这三组线性变换将输入Yn映射为Q(query向量),K(key向 量)以及V(value向量).某一个注意力头可以建模成：
Q＝Linearq(Yn)＝YnWQ
K＝Lineark(Yn)＝YnWK
V＝Linearv(Yn)＝YnWV
Figure BDA0003560582140000154
其中QKT的目的为计算Q和K的相似性，然后将经过尺度变换后的相似性 输入softmax中得到注意力权重，最后将该权重与V进行矩阵乘法得到最终的 输出。然后，多个注意力头的输出被合并到一起，然后通过一个带有可学习权 重WH的线性层得MHA的最终输出Sn，即
Sn＝Linearh(MHA(Yn))＝Concat(head1,head2,...headH)WH,
Figure BDA0003560582140000155
其中,H表示注意力头的个数。
除了MHA外，每个Transformer编码器架构还包含一个位置级前馈网络(position-wise feed-forward network，PFFN)。PFFN由多个线性变换层、 层归一化和剩余连接组成。首先，对MHA的输出特征Sn采用残差连接和层归一 化，以加快训练速度，减少内部协变量的偏移。
前馈网络包括多个线性变换层、层标准化和残差链接。首先，MHA的输出Sn通过一个残差链接和层标准化层以加快训练速度和减少内部协变量移位，即
Zn＝LayerNorm(Yn+Rn),
Figure BDA0003560582140000161
其中E(u)和σ2为按每一个特征信号为单位计算均值和方差。
随后，所提到的特征被将输入两个带有ReLU的线性变换层。最后通过一个 残差链接和层标准化层得到Transformer编码器的最终输出，即
Figure BDA0003560582140000162
Figure BDA0003560582140000163
将分割完振动信号片段的振动信号样本作为模型的输入，对应的车轮磨损 情况作为模型的期望输出，对基于Transformer的多路局部全局时序融合模型 进行训练。为了改善模型的训练效果，加权均方误差损失函数(W-MSE-Loss) 被引入用于优化网络参数，即
Figure BDA0003560582140000164
在训练过程中，计算的梯度
Figure BDA0003560582140000165
更新模型参数以 使损失最小，最终获得一个具有良好预测能力的车轮磨损预测网络模型。
为了更好地说明本说明书示出的车轮磨损预测网络模型(局部-全局网络模 型)的技术效果，发明人采用一个具体实施例对本说明书所提出的车轮磨损预 测模型进行试验验证。本次实验验证以CRH1A型列车的车轮磨损预测为例。所 采用的试验数据是以一次全车车轮镟修开始(即，车轮还没有磨损开始)，到 列车行驶18.5万公里后结束。为了便于分析，假设车轮镟修后的磨损量为0。 由于实际条件的限制，并不能时刻采集到车轮的磨损量，因此，在这期间，总 共对车轮的踏面和轮缘的磨损量进行了18次测量，以每次测量的磨损量作为测 量时刻前一段时间内产生的振动信号对应的磨损值。
与此同时，也会采集18天高速列车运营时的振动信号，在这些天中高速列 车每天运营2个小时到14个小时。在这期间，主要对三个车轮(7-1,7-2和8-1) 及其振动信号进行了长期监测。通过数据预处理，最终39532个训练样本和8764 个测试样本被获得，每个样本的长度为3072×1。为了使网络的训练更加平稳， 对每一个样本进行了标准化。为了避免偶然的实验结果，每个实验均重复了4 次。
为了综合的评价所提出方法和对比方法的预测性能，本说明书在这一实施 例中引入了4种性能衡量指标。它们分别为：均方误差(MSE),均方根误差(RMSE), 平均绝对误差(MAE),和R2-Score，即
Figure BDA0003560582140000171
Figure BDA0003560582140000172
Figure BDA0003560582140000173
Figure BDA0003560582140000174
其中Wn表示真实的磨损值，Pn表示模型的预测磨损值，
Figure BDA0003560582140000175
表示真实磨损 值的平均值。MSE,RMSE和MAE的值越小，网络模型的性能越好。相反，R2-Score 的值越大，网络模型的性能越好。
首先，对本说明书所提出的车轮磨损预测网络模型的有效性进行讨论，本 次试验一共设置了4个网络模型。1DCNN-12：有12层一维卷积模块组成的网 络模型，每个卷积模块包含一个1×3的卷积，BN层和ReLU激活函数层。 MLTE-Net(multiple local temporalattention networks)：由上述提到的多路局部 时序编码架构和一个全连接分类器组成。Transformer:仅上述提到的包含 Transformer编码器架构，不包含上述提到的多路局部时序编码架构。局部全局 时间融合LGF-Trans(Local-Global Temporal Fusion)：本说明书所提出的车轮 磨损预测模型(即，既包含多路局部时序编码架构，又包含Transformer编码器 架构)。
这些网络模型的对三个车轮的踏面磨损预测结果如表1所示。从实验结果 来看，本发明所提出的LGF-Trans在三个车轮上的预测结果均优于其他三种方 法。所提出的LGF-Trans预测出的磨损曲线可以准确的反映车轮踏面的磨损趋 势。
表1
1DCNN-12、MLTE-NET、TRANSFORMER和LGF-TRANS的踏面磨损预测结果
Figure BDA0003560582140000181
然后，本案例将所提出LGF-Trans与3种前沿的深度学习模型进行对比。 这三种对比方法分别为1D-VGG16,1D-ResNet18和1D-Xception.。1D-VGG16主 要由16层一维卷积层和3层全连接成组成。1D-ResNet18主要由多个一维残差 模块组成，其中卷积层总数为18层。1D-Xception是一种完全由深度可分离卷 积构成的卷积神经网络CNN架构，发明人在遵循其原始架构设计的同时将其修 改为适应一维输入的版本。这些模型对三个车轮的踏面磨损预测结果如表2所 示。
表2
1D-VGG16、1D-RESNET18、1D-XCFEPTION和LGF-TRANS的踏面磨损预测结果。
Figure BDA0003560582140000182
Figure BDA0003560582140000191
同样从实验结果来看，本说明书所提出的LGF-Trans的车轮踏面磨损预测 表现明显优于其他对比方法，特别在车轮7-2和8-1上的预测结果远优于 1D-VGG16,1D-ResNet18和1D-Xception。LGF-Trans对不同车轮的踏面磨损预测 结果均具有较好的表现，说明其具有较好的稳定性。
需要说明的是，上述提到的网络模型的输入均为振动信号样本，输出为对 应的预测磨损值。
以上是对本说明书示出的车轮磨损预测网络模型的训练方法的详细说明， 接下来对基于上述车轮磨损预测网络模型的训练方法得到的车轮磨损预测网络 模型的车轮磨损值的确定方法。
如图7所示，为本说明书示出的车轮磨损值的确定方法的流程示意图，包 括以下步骤：
步骤701、获取目标车轮在运行过程中产生的振动信号。
步骤703、将振动信号输入至车轮磨损预测网络模型中。
其中，所述车轮磨损预测网络模型经过局部-全局网络模型训练得到；
步骤705、将车轮磨损预测网络模型的输出的磨损值确定为目标车轮的磨损 值。
其中，车轮磨损预测网络模型基于如上述的车轮磨损预测网络模型训练方 法得到的。
在本说明书的一个实施例中，可以在目标车轮上安装能够采集振动信号的 传感器，如加速度传感器，本说明书不在此进行一一列举。
其中，在获取目标车轮的振动信号时，可以在列车停止运行后，从目标车 轮上的传感器的存储器中获取传感器采集的振动信号。也可以是目标车轮上的 传感器实时将采集到的振动信号传输给本说明书方法的执行主体，如此可实现 目标车轮的磨损状况的实时掌握。
实际应用中，若车轮磨损预测网络模型为如图3所示的车轮磨损预测网络 模型，即，车轮磨损预测网络模型包括局部特征提取层、全局特征提取层以及 磨损值预测层，那么步骤703具体包括：将振动信号划分若干个等时长的振动 信号片段，输入至车轮磨损预测网络模型中，通过局部特征提取层提取出振动 信号的每一振动信号片段的局部特征，通过全局特征提取层将局部特征提取层 针对振动信号提取出的若干个振动信号片段的局部特征进行聚合，并提取出振 动信号的全局特征，通过磨损值预测层根据全局特征提取层针对振动信号提取 出的全局特征，输出振动信号对应的车轮磨损值。
振动信号与上述的振动信号样本类似，车轮磨损预测网络模型在对输入的 振动信号的处理与上述对振动信号样本的处理类似，相关之处可参见上述车轮 磨损预测网络模型对振动信号样本的处理，此次不进行详细赘述。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按 照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执 行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些 步骤可以以其他的顺序执行。而且，如上所述的各实施例所涉及的流程图中的 至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然 是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执 行顺序也不必然是依次进行，而是可以与其它步骤或者其他步骤中的步骤或者 阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本说明书实施例还提供了一种用于实现上述所涉及 的车轮磨损预测网络模型训练方法的车轮磨损预测网络模型训练装置以及车轮 磨损值确定方法的车轮磨损值确定装置。装置所提供的解决问题的实现方案与 上述方法中所记载的实现方案相似，故下面所提供的一个或多个车轮磨损预测 网络模型训练装置实施例以及车轮磨损值确定装置中的具体限定可以参见上文 中对于车轮磨损预测网络模型训练方法以及车轮磨损值确定方法的限定，在此 不再赘述。
在一个实施例中，如图8所示，提供了一种车轮磨损预测网络模型训练装 置，包括：样本获取模块801、真实车轮磨损值获取模块803、预测车轮磨损值 获取模块805、训练模块807和模型获取模块809，其中：
样本获取模块801，用于获取若干等时长的振动信号样本；所述振动信号样 本包括多个时序相连的、车轮在运行中产生的振动信号点；
真实车轮磨损值获取模块803，用于获取所述振动信号样本对应的真实车轮 磨损值；
预测车轮磨损值获取模块805，用于将所述振动信号样本输入至预先构建的 局部-全局网络模型中，得到所述振动信号样本的预测车轮磨损值；
训练模块807，用于利用所述振动信号样本的预测车轮磨损值与所述振动信 号对应的真实车轮磨损值之间的误差，对所述局部-全局网络模型中的参数进行 调整，直至所述局部-全局网络模型满足预设要求；
模型获取模块809，用于将训练完成的所述局部-全局网络模型作为车轮磨 损预测网络模型；
其中，所述局部-全局网络模型包括局部特征提取层、全局特征提取层以及 磨损值预测层。
实际应用中，所述样本获取模块801可具体用于：获取列车车轮上的传感 器采集的时序振动信号；
采用滑动分割的策略，将所述时序振动信号分割为若干等时长的振动信号 样本。
其中，所述振动信号样本包括若干个等时长的振动信号片段；所述振动信 号片段包括多个振动信号点；
此时，所述预测车轮磨损值获取模块805具体用于：
将所述振动信号样本输入至预先构建的局部-全局网络模型中；
通过所述局部特征提取层提取出所述振动信号样本的每一振动信号片段的 局部特征；
通过所述全局特征提取层将所述局部特征提取层针对所述振动信号样本提 取出的若干个振动信号片段的局部特征进行聚合，并提取出所述振动信号样本 的全局特征；
通过所述磨损值预测层根据所述全局特征提取层针对所述振动信号样本提 取出的全局特征，输出所述振动信号样本对应的预测车轮磨损值。
此外，所述局部特征提取层包括若干个局部特征提取块，分别用于提取所 述振动信号样本包括的若干个等时长的振动信号片段的局部特征；所述若干个 局部特征提取块之间的参数不同；所述局部特征提取块数量与所述振动信号样 本的振动信号片段数量相同。
在一个实施例中，如图9所示，提供了一种车轮磨损值确定装置，包括： 振动信号获取模块901、输入模块903和确定模块905，其中：
振动信号获取模块901，用于获取目标车轮在运行过程中产生的振动信号；
输入模块903，用于将所述振动信号输入至车轮磨损预测网络模型中；
确定模块905，用于将所述车轮磨损预测网络模型的输出的磨损值确定为所 述目标车轮的磨损值；
其中，所述车轮磨损预测网络模型基于如上任一所述的车轮磨损预测网络 模型训练方法得到的。
其中，所述车轮磨损预测网络模型包括局部特征提取层、全局特征提取层 以及磨损值预测层；
此时，所述输入模块903具体用于：
将所述振动信号划分若干个等时长的振动信号片段，输入至所述车轮磨损 预测网络模型中；
通过所述局部特征提取层提取出所述振动信号的每一振动信号片段的局部 特征；
通过所述全局特征提取层将所述局部特征提取层针对所述振动信号提取出 的若干个振动信号片段的局部特征进行聚合，并提取出所述振动信号的全局特 征；
通过所述磨损值预测层根据所述全局特征提取层针对所述振动信号提取出 的全局特征，输出所述振动信号对应的车轮磨损值。
上述车轮磨损预测网络模型训练装置、车轮磨损值确定装置中的各个模块 可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌 于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中 的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其 内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、 存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提 供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。 该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存 储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口 用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂 窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实 现上述的车轮磨损预测网络模型训练方法或上述的车轮磨损值确定方法。该计 算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输 入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、 轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本说明书方案相 关的部分结构的框图，并不构成对本说明书方案所应用于其上的计算机设备的 限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某 些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储 器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中 的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程 序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算 机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程， 是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于 一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述 各方法的实施例的流程。其中，本说明书所提供的各实施例中所使用的对存储 器、数据库或其他介质的任何引用，均可包括非易失性和易失性存储器中的至 少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、 软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、 磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器 (Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase ChangeMemory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random AccessMemory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以 是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM) 或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。本说明 书所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库 中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。 本说明书所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、 图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑 器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述 实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特 征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本说明书的几种实施方式，其描述较为具体和详 细，但并不能因此而理解为对本说明书专利范围的限制。应当指出的是，对于 本领域的普通技术人员来说，在不脱离本说明书构思的前提下，还可以做出若 干变形和改进，这些都属于本说明书的保护范围。因此，本说明书的保护范围 应以所附权利要求为准。

Claims (10)

1.车轮磨损预测网络模型训练方法，其特征在于，所述方法包括：
获取若干等时长的振动信号样本；所述振动信号样本包括多个时序相连的、车轮在运行中产生的振动信号点；
获取所述振动信号样本对应的真实车轮磨损值；
将所述振动信号样本输入至预先构建的局部-全局网络模型中，得到所述振动信号样本的预测车轮磨损值；其中，所述局部-全局网络模型包括局部特征提取层、全局特征提取层以及磨损值预测层；
利用所述振动信号样本的预测车轮磨损值与所述振动信号对应的真实车轮磨损值之间的误差，对所述局部-全局网络模型中的参数进行调整，直至所述局部-全局网络模型满足预设要求；
将满足所述预设要求的局部-全局网络模型作为车轮磨损预测网络模型。
2.根据权利要求1所述的方法，其特征在于，所述获取若干等时长的振动信号样本包括：
获取列车车轮上的传感器采集的时序振动信号；
采用滑动分割的策略，将所述时序振动信号分割为若干等时长的振动信号样本。
3.根据权利要求1所述的方法，其特征在于，所述振动信号样本包括若干个等时长的振动信号片段；所述振动信号片段包括多个振动信号点；
所述将所述振动信号样本输入至预先构建的局部-全局网络模型中，得到所述振动信号样本的预测车轮磨损值，包括：
将所述振动信号样本输入至预先构建的局部-全局网络模型中；
通过所述局部特征提取层提取出所述振动信号样本的每一振动信号片段的局部特征；
通过所述全局特征提取层将所述局部特征提取层针对所述振动信号样本提取出的若干个振动信号片段的局部特征进行聚合，并提取出所述振动信号样本的全局特征；
通过所述磨损值预测层根据所述全局特征提取层针对所述振动信号样本提取出的全局特征，输出所述振动信号样本对应的预测车轮磨损值。
4.根据权利要求3所述的方法，其特征在于，所述局部特征提取层包括若干个局部特征提取块，分别用于提取所述振动信号样本包括的若干个等时长的振动信号片段的局部特征；所述若干个局部特征提取块之间的参数不同；所述局部特征提取块数量与所述振动信号样本的振动信号片段数量相同。
5.车轮磨损值的确定方法，其特征在于，所述方法包括：
获取目标车轮在运行过程中产生的振动信号；
将所述振动信号输入至车轮磨损预测网络模型中；所述车轮磨损预测网络模型经过局部-全局网络模型训练得到；
将所述车轮磨损预测网络模型的输出的磨损值确定为所述目标车轮的磨损值；
其中，所述车轮磨损预测网络模型基于如权利要求1-4任一所述的车轮磨损预测网络模型训练方法得到的。
6.根据权利要求5所述的方法，其特征在于，所述车轮磨损预测网络模型包括局部特征提取层、全局特征提取层以及磨损值预测层；
所述将所述振动信号输入至车轮磨损预测网络模型中，包括：
将所述振动信号划分若干个等时长的振动信号片段，输入至所述车轮磨损预测网络模型中；
通过所述局部特征提取层提取出所述振动信号的每一振动信号片段的局部特征；
通过所述全局特征提取层将所述局部特征提取层针对所述振动信号提取出的若干个振动信号片段的局部特征进行聚合，并提取出所述振动信号的全局特征；
通过所述磨损值预测层根据所述全局特征提取层针对所述振动信号提取出的全局特征，输出所述振动信号对应的车轮磨损值。
7.车轮磨损预测网络模型训练装置，其特征在于，所述装置包括：
样本获取模块，用于获取若干等时长的振动信号样本；所述振动信号样本包括多个时序相连的、车轮在运行中产生的振动信号点；
真实车轮磨损值获取模块，用于获取所述振动信号样本对应的真实车轮磨损值；
预测车轮磨损值获取模块，用于将所述振动信号样本输入至预先构建的局部-全局网络模型中，得到所述振动信号样本的预测车轮磨损值；
训练模块，用于利用所述振动信号样本的预测车轮磨损值与所述振动信号对应的真实车轮磨损值之间的误差，对所述局部-全局网络模型中的参数进行调整，直至所述局部-全局网络模型满足预设要求；
模型获取模块，用于将训练完成的所述局部-全局网络模型作为车轮磨损预测网络模型；
其中，所述局部-全局网络模型包括局部特征提取层、全局特征提取层以及磨损值预测层。
8.车轮磨损值的确定装置，其特征在于，所述装置包括：
振动信号获取模块，用于获取目标车轮在运行过程中产生的振动信号；
输入模块，用于将所述振动信号输入至车轮磨损预测网络模型中；
确定模块，用于将所述车轮磨损预测网络模型的输出的磨损值确定为所述目标车轮的磨损值；
其中，所述车轮磨损预测网络模型基于如权利要求1-4任一所述的车轮磨损预测网络模型训练方法得到的。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4或5至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4或5至6中任一项所述的方法的步骤。
CN202210287919.8A 2022-03-23 2022-03-23 车轮磨损预测网络模型训练方法、装置 Pending CN114722704A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210287919.8A CN114722704A (zh) 2022-03-23 2022-03-23 车轮磨损预测网络模型训练方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210287919.8A CN114722704A (zh) 2022-03-23 2022-03-23 车轮磨损预测网络模型训练方法、装置

Publications (1)

Publication Number Publication Date
CN114722704A true CN114722704A (zh) 2022-07-08

Family

ID=82240536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210287919.8A Pending CN114722704A (zh) 2022-03-23 2022-03-23 车轮磨损预测网络模型训练方法、装置

Country Status (1)

Country Link
CN (1) CN114722704A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116805061A (zh) * 2023-05-10 2023-09-26 杭州水务数智科技股份有限公司 基于光纤传感的泄漏事件判断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116805061A (zh) * 2023-05-10 2023-09-26 杭州水务数智科技股份有限公司 基于光纤传感的泄漏事件判断方法
CN116805061B (zh) * 2023-05-10 2024-04-12 杭州水务数智科技股份有限公司 基于光纤传感的泄漏事件判断方法

Similar Documents

Publication Publication Date Title
CN111639783A (zh) 一种基于lstm神经网络的线损预测方法及系统
CN111325403B (zh) 一种公路隧道机电设备剩余寿命预测方法
CN116541790B (zh) 基于多特征融合的新能源车辆健康评估方法和装置
CN115049058B (zh) 拓扑识别模型的压缩方法、装置、电子设备及介质
CN105825269A (zh) 一种基于并行自动编码机的特征学习方法及系统
CN116523177A (zh) 融合机理和深度学习模型的车辆能耗预测方法及装置
CN114722704A (zh) 车轮磨损预测网络模型训练方法、装置
Liu et al. A novel health prognosis method for system based on improved degenerated Hidden Markov model
CN116663742A (zh) 基于多因素和模型融合的区域运力预测方法
Huang et al. Elastictrainer: Speeding up on-device training with runtime elastic tensor selection
CN116007937A (zh) 一种机械设备传动部件智能故障诊断方法及装置
CN114550460B (zh) 轨道交通异常检测方法、装置及存储介质
CN114399901B (zh) 一种控制交通系统的方法和设备
CN113835964B (zh) 基于小样本学习的云数据中心服务器能耗预测方法
CN116258252A (zh) 基于注意力机制的飞机轨迹预测方法、储存介质及设备
CN115130599A (zh) 时间序列gan数据增强下露天矿卡状态识别的半监督方法
CN115056829A (zh) 多车型连续学习的列车运动状态估计方法
CN116628395B (zh) 一种基于城市地形特征的道路车辆碳排放测算方法及系统
Ziat et al. Learning Embeddings for Completion and Prediction of Relationnal Multivariate Time-Series.
CN114386880B (zh) 确定订单数量的模型训练方法、订单数量确定方法及装置
CN116628444A (zh) 一种基于改进元学习的水质预警方法
CN116976526B (zh) 耦合ViViT和ANN的土地利用变化预测方法
CN114662219A (zh) 车轮磨损预测网络模型训练方法、装置
CN117725373A (zh) 面向稀疏采集的农机轨迹补全方法、装置及电子设备
Han et al. MTT-Road: Dynamic Updating of Road Diseases Classification Model Based on Datasets Distillation

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