[发明专利]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

权利要求书

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。