【技术实现步骤摘要】
本专利技术属于交通，具体是涉及到一种车轮扁疤故障识别方法、系统、终端设备及介质。
技术介绍
1、车轮扁疤通常指列车轮轨间异常制动或低黏着状态下车轮空转导致的车轮局部擦伤，会造成轮轨接触界面的间歇性冲击，其引起的冲击载荷是正常静载的几倍甚至十几倍，从而加剧轮轨动态响应，严重威胁地铁车辆运行的安全性。长期处于该服役工况会使得车辆关键部件以及轨道基础设施的服役寿命缩短，加重检修压力，增加运营维护成本。同时车轮扁疤还会引起轮轨冲击噪声，影响乘客的舒适性和满意度。
2、当前车轮扁疤故障识别主要依靠人工定期检修，检测手段繁琐且效率低下，同时人工检测对经验需求较高，且受人主观因素的影响，故障识别的精度较低。对于一些运营时间长，客流量大的车辆(例如地铁、高速列车)而言，更不便于定期人工检测。
3、因此，如何实现对车轮扁疤故障快速且准确的识别，是目前亟待解决的技术问题。
技术实现思路
1、本专利技术要解决的技术问题为提供一种车轮扁疤故障识别方法、系统、终端设备及介质，实现对车轮扁疤故障的准确识别。
2、第一方面，本专利技术提供一种车轮扁疤故障识别方法，该方法包括如下步骤：
3、获取车轮扁疤故障样本数据集；车轮扁疤故障样本数据集包括多个车轮扁疤长度以及车辆构架在每个车轮扁疤长度下振动产生的垂向振动加速度信号，多个车轮扁疤长度与垂向振动加速度信号在时间域上一一对应；
4、分别针对每个车轮扁疤故障样本，将基于时间域的垂向振动加速度信号转换到空间域
5、构建用于进行车轮扁疤故障识别的车轮扁疤故障识别模型，并利用二维时频图像对车轮扁疤故障识别模型进行训练，直至车轮扁疤故障识别模型的损失值小于预设损失阈值，得到训练后的车轮扁疤故障识别模型；车轮扁疤故障识别模型包括用于对二维时频图像进行池化，生成通道注意力特征图的通道注意力模块、用于将通道注意力特征图和二维时频图像进行逐元素相乘，生成空间注意力特征图的空间特征模块、用于根据空间注意力特征图得到车轮扁疤故障识别结果的识别模块；
6、将采集的待测垂向振动加速度信号输入训练后的车轮扁疤故障识别模型，得到车轮扁疤故障识别结果。
7、可选的，通道注意力模块、空间特征模块以及识别模块依次连接；
8、通道注意力模块包括第一最大池化层、第一全局池化层、多层感知机网络和第一激活层；其中，第一最大池化层和第一全局池化层的输入端接收二维时频图像，多层感知机网络的输入端分别连接第一最大池化层的输出端和第一全局池化层的输出端，多层感知机网络的输出端连接第一激活层的输入端，第一激活层的输出端输出通道注意力特征图；
9、空间特征模块包括合并层、拼接层、第二最大池化层、第二全局池化层、卷积层以及第二激活层；其中，合并层用于对通道注意力特征图和二维时频图像进行逐元素相乘，得到新特征图，第二最大池化层和第二全局池化层的输入端接收新特征图，拼接层的输入端分别连接第二最大池化层的输出端和第二全局池化层的输出端，拼接层的输出端连接卷积层的输入端，卷积层的输出端连接第二激活层的输入端，第二激活层的输出端输出空间注意力特征图。
10、可选的，通道注意力特征图的表达式如下：
11、
12、其中，mc(f)表示通道注意力特征图，σ(·)表示sigmoid激活函数，w0,w1表示多层感知机网络中的共享权重参数，mlp(·)表示多层感知机网络，avgpool(·)表示全局池化，maxpool(·)表示最大池化，f表示二维时频图像，表示局部特征图，表示全局特征向量。
13、可选的，空间注意力特征图的表达式如下：
14、
15、其中，ms(f′)表示空间注意力特征图，f7×7表示卷积核大小为7×7的卷积运算，(·；·)表示拼接，f′表示通道注意力特征图和二维时频图像进行逐元素相乘后得到的新特征图，表示f′的全局池化结果，表示f′的最大池化结果。
16、可选的，车轮扁疤故障识别结果为轻度扁疤、中度扁疤或重度扁疤；其中，轻度扁疤对应的扁疤长度小于等于25毫米，中度扁疤对应的扁疤长度大于25毫米且小于等于40毫米，重度扁疤对应的扁疤长度大于40毫米且小于等于60毫米。
17、可选的，还包括用于增强非线性特征提取能力的全连接层和用于环节车轮扁疤故障识别模型过拟合的dropout层；
18、全连接层的输入端连接拼接层的输出端，全连接层的输出端连接卷积层的输入端；
19、dropout层的输入端连接第二激活层的输出端，dropout层的输出端连接识别模块的输入端。
20、可选的，损失值为交叉熵损失值。
21、第二方面，本专利技术提供一种车轮扁疤故障识别系统，包括：
22、数据获取模块，用于获取车轮扁疤故障样本数据集；车轮扁疤故障样本数据集包括多个车轮扁疤长度以及车辆构架在每个车轮扁疤长度下振动产生的垂向振动加速度信号，多个车轮扁疤长度与垂向振动加速度信号在时间域上一一对应；
23、预处理模块，用于分别针对每个车轮扁疤故障样本，将基于时间域的垂向振动加速度信号转换到空间域，并对转换后的空间域样本进行时频处理，得到车轮扁疤故障的二维时频图像；空间域样本用于描述车轮扁疤与垂向振动加速度信号之间的空间关系；
24、模型训练模块，用于构建进行车轮扁疤故障识别的车轮扁疤故障识别模型，并利用二维时频图像对车轮扁疤故障识别模型进行训练，直至车轮扁疤故障识别模型的损失值小于预设损失阈值，得到训练后的车轮扁疤故障识别模型；车轮扁疤故障识别模型包括用于对二维时频图像进行池化，生成通道注意力特征图的通道注意力模块、用于将通道注意力特征图和二维时频图像进行逐元素相乘，生成空间注意力特征图的空间特征模块、用于根据空间注意力特征图得到车轮扁疤故障识别结果的识别模块；
25、车轮扁疤识别模块，用于将采集的待测垂向振动加速度信号输入训练后的车轮扁疤故障识别模型，得到车轮扁疤故障识别结果。
26、第三方面，本专利技术提供一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的车轮扁疤故障识别方法。
27、第四方面，本专利技术提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的车轮扁疤故障识别方法。
28、本专利技术的有益效果是：
29、本专利技术公开一种车轮扁疤故障识别方法，该方法构建的车轮扁疤故障识别模型包括通道注意力模块和空间特征模块，能够提取并结合垂向振动加速度信号与车轮扁疤在通道和空间两个维度的特征信息，准确挖掘垂向振动加速度信号与车轮扁疤之间的关联特征，有利于提高车轮扁疤故障识别的准确性；空间特征模块中将通道注意力特征图和二维时频本文档来自技高网...
【技术保护点】
1.一种车轮扁疤故障识别方法，其特征在于，包括：
2.根据权利要求1所述的车轮扁疤故障识别方法，其特征在于，所述通道注意力模块、所述空间特征模块以及所述识别模块依次连接；
3.根据权利要求2所述的车轮扁疤故障识别方法，其特征在于，所述通道注意力特征图的表达式如下：
4.根据权利要求3所述的车轮扁疤故障识别方法，其特征在于，所述空间注意力特征图的表达式如下：
5.根据权利要求4所述的车轮扁疤故障识别方法，其特征在于，所述车轮扁疤故障识别结果为轻度扁疤、中度扁疤或重度扁疤；其中，轻度扁疤对应的扁疤长度小于等于25毫米，中度扁疤对应的扁疤长度大于25毫米且小于等于40毫米，重度扁疤对应的扁疤长度大于40毫米且小于等于60毫米。
6.根据权利要求2所述的车轮扁疤故障识别方法，其特征在于，还包括用于增强非线性特征提取能力的全连接层和用于环节所述车轮扁疤故障识别模型过拟合的dropout层；
7.根据权利要求1所述的车轮扁疤故障识别方法，其特征在于，所述损失值为交叉熵损失值。
8.一种车轮扁疤故障识别系统，其
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的车轮扁疤故障识别方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的车轮扁疤故障识别方法。
...【技术特征摘要】
1.一种车轮扁疤故障识别方法，其特征在于，包括：
2.根据权利要求1所述的车轮扁疤故障识别方法，其特征在于，所述通道注意力模块、所述空间特征模块以及所述识别模块依次连接；
3.根据权利要求2所述的车轮扁疤故障识别方法，其特征在于，所述通道注意力特征图的表达式如下：
4.根据权利要求3所述的车轮扁疤故障识别方法，其特征在于，所述空间注意力特征图的表达式如下：
5.根据权利要求4所述的车轮扁疤故障识别方法，其特征在于，所述车轮扁疤故障识别结果为轻度扁疤、中度扁疤或重度扁疤；其中，轻度扁疤对应的扁疤长度小于等于25毫米，中度扁疤对应的扁疤长度大于25毫米且小于等于40毫米，重度扁疤对应的扁疤长度大于40毫米且小于等于60毫米。
6.根...
【专利技术属性】
技术研发人员：胡云卿，甘韦韦，侯招文，陈科，李学明，刘永锋，张义，吴业庆，芦娇，
申请(专利权)人：株洲中车时代电气股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。