一种多结构数据驱动的车轮扁疤定量识别方法及系统

本发明涉及车轮扁疤识别，具体涉及一种多结构数据驱动的车轮扁疤定量识别方法及系统。

背景技术：

1、车轮扁疤是一种常见的铁道车辆车轮踏面损伤，其产生原因与轮轨粘着不足或制动力过大导致的车轮空转或滑行密切相关。车轮扁疤会导致剧烈的周期性轮轨冲击激扰，若不及时干预处理，车轮扁疤将进一步发展并引起或加剧其它轮轨损伤，如车轮多边形与钢轨波磨，显著影响列车运行品质并缩短车辆和轨道各部件服役寿命，甚至威胁行车安全。因此，对车轮扁疤进行及时与准确的检测十分重要。依靠现场工程师利用专业设备对车轮表面进行状态识别是目前主流的车轮扁疤检测方式，该类方法检测精度较高，但效率低下，往往只能在列车停运时进行作业，并受环境条件与测试经验制约，自动化程度较低，难以满足日常运维所需。因此，发展准确、高效的车轮扁疤状态监测方法对其形成机理揭示、劣化趋势预测与控制策略制定等研究具有重要指导意义。

2、国内外研究人员通过分析列车服役过程中采集的各种传感器信号，如振动加速度、噪声和轮轨力等，均可实现车轮扁疤智能诊断，其中振动加速度信号具有较高的信息丰富度，能够更为全面地捕捉车轮扁疤故障特征。因此，各种数据处理技术被用于深入分析振动加速度信号，旨在提取与车轮扁疤相关的关键特征。现有的车轮扁疤识别方法主要可分为基于传统信号处理和基于机器学习的两大类。基于传统信号处理的车轮扁疤识别故障方法能在强噪声干扰下挖掘车轮扁疤故障特征。基于传统信号处理的车轮扁疤识别故障方法虽然能够有效地提取故障特征或者找到车轮扁疤尺寸与信号特征之间的线性规律，但现有方法各自存在一定的局限性，且特征提取效果缺乏深入的比较和分析。此外，传统信号处理方法有效提取数据特征的能力有限，无法自动高效地探寻复杂数据中的隐藏特征。

3、近年来，机器学习(machine learning，ml)凭借其建立数据与识别结果之间复杂映射关系的优秀性能，在轮轨损伤检测领域得到了广泛应用。基于ml的车轮扁疤识别方法，不仅可以实现定性识别，分辨车轮是否存在扁疤故障，还可进一步实现定量识别，精确分析车轮扁疤的具体尺寸。根据对原始数据处理方式不同，ml可以分为一维和二维信号模式。现有技术中，虽然可通过ml构建样本集与车轮扁疤尺寸之间的复杂非线性映射关系，但以何种输入形式或者输入组合能取得较好识别性能，可参考的文献报道较少。此外，大部分车轮扁疤定量识别研究集中于识别车轮扁疤的单一尺寸。然而在车辆实际服役过程中，车轮扁疤长度和深度的映射关系并非单一固定。因此，仅针对单一尺寸车轮扁疤进行定量识别，无法满足全面且高效的车轮扁疤状态监测需求。

技术实现思路

1、为此，本发明提供一种多结构数据驱动的车轮扁疤定量识别方法及系统，以解决现有技术未见以何种样本输入形式或者输入组合能取得较好识别性能的研究，而且仅针对单一尺寸车轮扁疤进行定量识别，无法满足全面且高效的车轮扁疤状态监测需求的问题。

2、为了实现上述目的，本发明提供如下技术方案：

3、根据本发明实施例的第一方面，提出一种多结构数据驱动的车轮扁疤定量识别方法，所述方法包括：

4、基于实测镟后车轮表面不平顺数据与理想扁疤车轮磨耗数据的叠加，构建不同车轮扁疤尺寸下的扁疤车轮不圆数据集；

5、将不同车轮扁疤尺寸下的扁疤车轮不圆数据集作为车轮的不平顺激励，并输入至构建的车辆-轨道刚柔耦合动力学仿真模型，获取多种车辆运行速度工况下的仿真轴箱振动加速度数据；

6、对所述仿真轴箱振动加速度数据进行切片采样并进行时域、频域和时频域处理，得到三种不同结构形式的仿真轴箱振动加速度样本集，对三种不同结构形式的仿真轴箱振动加速度样本集划分得到不同结构形式的训练集和测试集；

7、构建多输入卷积神经网络模型，所述多输入卷积神经网络模型包括特征提取模块和回归预测模块，所述特征提取模块用于对不同结构形式的输入样本分别进行特征提取，所述回归预测模块用于将不同结构形式的样本特征及其组合特征分别与车速信号的融合结果作为不同的样本输入形式，输出车轮扁疤尺寸的定量识别结果；

8、使用所述训练集和测试集对构建的多输入卷积神经网络模型分别进行训练和测试，并比较不同样本输入形式下的模型识别性能，获取具有最佳识别性能的最优样本输入形式，基于得到的最优样本输入形式和最优模型进行车轮扁疤定量识别。

9、进一步的，基于实测镟后车轮表面不平顺数据与理想扁疤车轮磨耗数据的叠加，构建不同车轮扁疤尺寸下的扁疤车轮不圆数据集，具体包括：

10、镟后车轮表面不平顺数据的测量方法包括：缓解车辆制动，将千斤顶置于轴箱下方顶起车轮，匀速旋转车轮，将车轮表面粗糙度测量仪bst的传感器探头接触车轮表面以测量车轮轮径变化，从而获得车轮周向数据，并进行毛刺剔除及曲率平滑处理；

11、将实测镟后车轮表面不平顺数据与不同车轮扁疤尺寸下的理想车轮扁疤磨耗数学模型进行随机周向位置数据叠加，合成不同车轮扁疤尺寸下的扁疤车轮不圆数据集，所述车轮扁疤尺寸包括扁疤长度和扁疤深度。

12、进一步的，车辆-轨道刚柔耦合动力学仿真模型的构建方法包括：

13、将轮对、钢轨和道床均考虑为柔性体；利用有限元法建立道床有限元模型，钢轨采用铁木辛柯梁模拟，通过模态叠加法在动力学模型中实现钢轨和道床的弹性化处理；其次，基于转子动力学理论建立旋转弹性轮对模型，考虑轮对高速旋转的陀螺效应和弹性振动，构建刚柔耦合动力学仿真模型。

14、进一步的，对所述仿真轴箱振动加速度数据进行切片采样，具体包括：

15、以车轮每旋转预设圈数为单位对所述仿真轴箱振动加速度数据进行切片重采样，重叠量设为车轮旋转一圈对应尺度。

16、进一步的，对所述仿真轴箱振动加速度数据进行切片采样并进行时域、频域和时频域处理，具体包括：

17、时域处理为，将不同车速下的数据片段通过三次样条曲线插值将数据点进行缩减或扩充，每段数据统一规整为预设数量的数据点；

18、频域处理为，将不同车速下的数据片段进行快速傅里叶变换和频域样本规整处理，并将每个数据点与其在频域中对应的频率信息进行结合，构建具有双通道的频域样本数据集，其中频域样本规整处理为，在每个频域样本最小分辨率不同的情况下，固定取前n个数据点作为频域样本，n的选取需保证规整的频域样本均为在整体片段中占据至少99.99％的频域能量占比的有效频域样本；

19、时频域处理为，通过连续小波变换将一维轴箱垂向振动加速度数据变换为二维时频图，其中连续小波变换时采用复数morlet小波基函数。

20、进一步的，构建多输入卷积神经网络模型，具体包括：

21、所述特征提取模块包括用于对一维时域或频域样本进行特征提取的一维特征提取模块和对二维时频域样本进行特征提取的二维特征提取模块；

22、所述一维特征提取模块包括多个一维卷积层、多个一维池化层以及一维全局最大池化层，一维卷积层和一维池化层交替排列；所述二维特征提取模块包括多个二维卷积层、多个二维池化层以及二维全局最大池化层，二维卷积层和二维池化层交替排列；通过全局最大池化层对每个特征图执行最大值池化，以生成一个固定大小的输出。

23、进一步的，构建多输入卷积神经网络模型，具体包括：

24、所述回归预测模块包括依次连接的信息融合层、两层全连接层和输出层；

25、所述信息融合层连接一维全局最大池化层和二维全局最大池化层，所述信息融合层用于对一维时域、一维频域和二维时频域样本的特征提取结果及其组合特征分别与车速信号进行融合作为不同的样本输入形式，输入至全连接层；通过输出层输出车轮扁疤定量识别结果。

26、进一步的，不同的样本输入形式包括单独样本特征和组合样本特征；

27、所述单独样本特征包括时域样本特征、频域样本特征、时频域样本特征；

28、所述组合样本特征包括时域与频域样本组合特征、时域与时频域样本组合特征、频域与时频域样本组合特征、时域与频域以及时频域样本组合特征。

29、进一步的，使用所述训练集和测试集对构建的多输入卷积神经网络模型分别进行训练和测试，具体包括：

30、采用adam优化器训练网络，学习率设为0.001，使用均方误差mse作为损失函数；利用批处理样本进行训练；采用平均绝对百分比误差mape与确定系数r2为评价指标综合评价模型性能；采用十折交叉验证法对模型识别性能进行验证。

31、根据本发明实施例的第二方面，提出一种多结构数据驱动的车轮扁疤定量识别系统，所述系统包括：

32、扁疤数据集构建模块，用于基于实测镟后车轮表面不平顺数据与理想扁疤车轮磨耗数据的叠加，构建不同车轮扁疤尺寸下的扁疤车轮不圆数据集；

33、仿真模块，用于将不同车轮扁疤尺寸下的扁疤车轮不圆数据集作为车轮的不平顺激励，并输入至构建的车辆-轨道刚柔耦合动力学仿真模型，获取多种车辆运行速度工况下的仿真轴箱振动加速度数据；

34、样本集构建模块，用于对所述仿真轴箱振动加速度数据进行切片采样并进行时域、频域和时频域处理，得到三种不同结构形式的仿真轴箱振动加速度样本集，对三种不同结构形式的仿真轴箱振动加速度样本集划分得到不同结构形式的训练集和测试集；

35、模型构建模块，用于构建多输入卷积神经网络模型，所述多输入卷积神经网络模型包括特征提取模块和回归预测模块，所述特征提取模块用于对不同结构形式的输入样本分别进行特征提取，所述回归预测模块用于将不同结构形式的样本特征及其组合特征分别与车速信号的融合结果作为不同的样本输入形式，输出车轮扁疤尺寸的定量识别结果；

36、模型训练和测试模块，用于使用所述训练集和测试集对构建的多输入卷积神经网络模型分别进行训练和测试，并比较不同样本输入形式下的模型识别性能，获取具有最佳识别性能的最优样本输入形式，基于得到的最优样本输入形式和最优模型进行车轮扁疤定量识别。

37、本发明提出一种多结构数据驱动的车轮扁疤定量识别方法及系统，融合车轮表面不平顺实测数据与扁疤磨耗数学模型形成扁疤车轮不圆数据集；构建车辆–轨道刚柔耦合动力学模型，将合成扁疤作为车轮不圆激励，以获取不同工况下轴箱动态响应；对轴箱垂向振动加速度分别进行时域、频域和时频域处理，制成不同结构形式样本集；构建具有恰当结构与配置参数的多输入卷积神经网络并以车速信号为网络的约束信息，将不同结构形式及其组合的样本集与速度信号融合输入至mcnn模型训练，比较不同数据结构下mcnn模型对车轮扁疤定量识别的准确性与时效性。基于本发明的方法可得到具有最佳识别性能的最优样本输入形式组合，且得到的识别模型不仅具有良好的抗噪能力，还因将速度作为网络约束信息而性能更佳，整体优越性较好。