[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

说明书

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。

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。