一种变速轮对多边形损伤在线智能诊断方法、设备及介质

本发明涉及故障诊断与深度学习，尤其涉及一种基于人工智能神经网络深度学习技术的轨道车辆变速轮对多边形损伤在线诊断方法、设备及介质。

背景技术：

1、由于运行环境复杂、受力情况恶劣，轨道车辆轮对在行驶中容易突发损伤。车轮多边形是轨道车辆轮对磨耗损伤的一种主要形式，其激发的高频振动将对列车运行的安全性、平稳性产生非常不利的影响。开展轮对多边形故障在线诊断对于保障轨道车辆安全平稳运行具有重要意义。

2、目前主要采用的轮对多边形在线监测方式是在车轮轴箱上安装加速度传感器进行振动信号检测，根据瞬时检测算法进行车轮多边形磨耗的评价指标计算，或者是训练卷积神经网络、循环神经网络等深度学习网络进行振动信号故障特征识别。

3、现有的车轮多边形损伤在线诊断方法存在以下问题：

4、一是采用瞬时指标计算容易受线路条件影响产生虚警，并且对于同一个车轮多边形磨耗会持续判断存在故障，生成大量的冗余报警信息。

5、二是当车速恒定时故障特征频率是确定的从而易于诊断轮对多边形磨耗，但是，轨道车辆的实际运行速度是瞬时变化的，车轮多边形故障特征频率成分将演化为动态变频信号，与轮轨表面不平顺随机振动噪声信号混叠，给变速工况下的轮对多边形故障诊断带来艰巨挑战。

6、三是受车辆轨道系统动力学特性影响，相同的轮对损伤在不同车速下激发的轮轨冲击强度差异显著。经典的统计回归信号分析方法难以克服时变工况对车轮损伤特征信息识别的影响；现有的深度学习神经网络多使用水平矩形框作为目标识别框，对于倾斜狭长的识别目标而言干扰背景过多，难以从复杂的变速非平稳振动信号中学习目标跨域不变性和故障诊断分类依据。

技术实现思路

1、为了解决上述问题，本发明提出一种变速轮对多边形损伤在线智能诊断方法、设备及介质，可广泛地应用于轨道车辆(动车组、客车、机车、货车、地铁以及其他特种车等)的车轮多边形损伤诊断。

2、本发明采用的技术方案如下：

3、一种变速轮对多边形损伤在线智能诊断方法，包括以下步骤：

4、步骤1：基于变速工况下的轨道车辆车轮多边形振动信号，按照故障类型分类整理故障数据；

5、步骤2：基于时域到时频域的映射变换，将所述振动信号转换为时频域图像，从而将故障诊断问题转换为图像分类问题；

6、步骤3：基于所述时频域图像绘制旋转标注目标框，用带倾斜角度的封闭多边形对反映故障特征的目标图像纹理进行标注；

7、步骤4：制作故障标签文件，将故障数据的时频域图像与对应的故障标签文件作为训练集；

8、步骤5：基于所述训练集对旋转目标识别神经网络进行训练，得到车轮多边形故障诊断模型；

9、步骤6：基于数据采集设备获取目标轨道车辆车轮的振动信号，并基于时域到时频域的映射变换转换为测试集图像；

10、步骤7：基于所述车轮多边形故障诊断模型对所述测试集图像进行识别分类，诊断车轮多边形故障。

11、作为优选的方式，步骤2和步骤6中，对振动信号施加的从时域到时频域的映射转换方法包括cohen类时频变换：

12、

13、其中，cx(t,ω；φ)表示时频变换表示形式，t表示时间，ω表示频率，φ和φ(θ,τ)均表示核函数；e-j(θt+ωτ)表示移位与调频变换基函数，j表示虚数单位，θ表示频移，τ表示时移；ax(θ,τ)是x(t)的模糊函数。

14、作为优选的方式，步骤3中，所述旋转标注目标框的参数包括[xc,yc,l,s,θ]，其中，xc是旋转标注目标框中心的横坐标，yc是旋转标注目标框中心的纵坐标，l是旋转标注目标框的长边宽度，s是旋转标注目标框的短边宽度，θ是旋转标注目标框的长边和x轴之间的夹角。

15、作为优选的方式，步骤4中，所述制作故障标签文件包括：将故障目标类别序号与步骤3的旋转标注目标框的参数写入txt文件，作为故障标签文件。

16、作为优选的方式，步骤5中，训练旋转目标识别神经网络的过程包括：在数据加载部分增加所述旋转标注目标框的旋转角度参数，将角度离散化，训练所述旋转目标识别神经网络对所述旋转标注目标框的角度进行分类识别。

17、作为优选的方式，步骤6中，所述数据采集设备先获取目标的车轮轴箱振动信号，再将所述振动信号转换为测试集图像。

18、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上述变速轮对多边形损伤在线智能诊断方法的步骤。

19、一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述变速轮对多边形损伤在线智能诊断方法的步骤。

20、本发明的有益效果在于：

21、(1)本发明采用人工智能深度学习神经网络进行故障诊断，避免了传统的采用瞬时指标计算方法易受线路条件影响的问题，降低了大量虚警提示信息对司机的干扰。

22、(2)本发明将时间域复杂的变速振动信号故障特征提取问题转换为图像分类问题，使目标识别深度学习神经网络自动提取数据的低维特征并经高维非线性映射实现多分类信息转化识别，检测结果稳定准确。

23、(3)本发明采用带旋转角度参数的标注目标框，解决了现有深度学习神经网络使用水平目标框导致的难以识别倾斜狭长目标、难以从复杂的变速非平稳振动信号中学习目标跨域不变性和故障诊断分类依据的问题，实现了对变速工况下的车轮多边形损伤信号的智能理解模式识别，能更加精确地训练神经网络模型。

24、(4)采用本发明的方法诊断结果准确，诊断方法具备极高的稳定性与快速性；此外，本发明的方法具有优越的抗噪声干扰能力，适用于存在剧烈振动冲击背景噪声的情况。

25、(5)本发明可广泛地应用于轨道车辆(动车组、客车、机车、货车、地铁以及其他特种车等)的车轮多边形损伤故障诊断。

技术特征：

1.一种变速轮对多边形损伤在线智能诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的变速轮对多边形损伤在线智能诊断方法，其特征在于，步骤2和步骤6中，对振动信号施加的从时域到时频域的映射转换方法包括cohen类时频变换。

3.根据权利要求2所述的变速轮对多边形损伤在线智能诊断方法，其特征在于，所述cohen类时频变换为：

4.根据权利要求1所述的变速轮对多边形损伤在线智能诊断方法，其特征在于，步骤3中，所述旋转标注目标框的参数包括[xc,yc,l,s,θ]，其中，xc是旋转标注目标框中心的横坐标，yc是旋转标注目标框中心的纵坐标，l是旋转标注目标框的长边宽度，s是旋转标注目标框的短边宽度，θ是旋转标注目标框的长边和x轴之间的夹角。

5.根据权利要求1所述的变速轮对多边形损伤在线智能诊断方法，其特征在于，步骤4中，所述制作故障标签文件包括：将故障目标类别序号与步骤3的旋转标注目标框的参数写入故障标签文件。

6.根据权利要求1所述的变速轮对多边形损伤在线智能诊断方法，其特征在于，步骤5中，训练旋转目标识别神经网络的过程包括：在数据加载部分增加所述旋转标注目标框的旋转角度参数，将角度离散化，训练所述旋转目标识别神经网络对所述旋转标注目标框的角度进行分类识别。

7.根据权利要求1所述的变速轮对多边形损伤在线智能诊断方法，其特征在于，步骤6中，所述数据采集设备先获取目标的车轮轴箱振动信号，再将所述振动信号转换为测试集图像。

8.一种计算机设备，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1-7任一项所述的变速轮对多边形损伤在线智能诊断方法的步骤。

9.一种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权利要求1-7任一项所述的变速轮对多边形损伤在线智能诊断方法的步骤。

技术总结
本发明公开了一种变速轮对多边形损伤在线智能诊断方法、设备及介质，其中方法包括：基于变速工况轨道车辆车轮多边形振动信号，按照故障类型分类整理故障数据；基于时域到时频域的映射变换，将振动信号转换为时频域图像；基于时频域图像绘制旋转角度目标框，标注反映故障特征的图像纹理，制作故障标签文件；将故障数据的时频域图像与对应的故障标签文件作为训练集；基于训练集对旋转目标识别神经网络进行训练，得到车轮多边形故障诊断模型；基于数据采集设备获取车轮的振动信号并转换为测试集图像；基于车轮多边形故障诊断模型对测试集图像进行识别分类，诊断车轮多边形故障。本发明可广泛地应用于变速轨道车辆车轮多边形损伤的在线智能诊断。

技术研发人员：李东泰,张洁
受保护的技术使用者：西南交通大学
技术研发日：
技术公布日：2024/1/15