一种铁路货车车轮磨耗智能预测方法与流程

本发明涉及车轮磨耗检测，尤其涉及一种铁路货车车轮磨耗智能预测方法。

背景技术：

1、铁路货运一直以来都是一种重要的货物运输方式，具有高效、环保和可持续的特点。与道路运输相比，铁路货车能够在长距离运输中提供更低的能源消耗和更少的碳排放，因此在全球范围内具有广泛的应用。然而，铁路货车的车轮磨耗问题一直是铁路运输行业的重要挑战，直接影响了铁路货物运输的可靠性、效率和成本。车轮磨耗是指车辆的车轮表面逐渐磨损和损坏的现象，通常是由于与铁轨的摩擦、负载、轨道条件和气温等多种因素相互作用而产生的。这种磨耗不仅会导致车轮寿命的缩短，还可能引发轮胎损坏、运输事故和维护成本的急剧增加。因此，对车轮磨耗的及时监测和有效预测至关重要。

2、现有的铁路货车车轮磨耗智能预测方法无法实现高度精确的预测，运输管理效率低下；此外，现有的铁路货车车轮磨耗智能预测方法数据的读取时间较长，降低数据检索效率，提高数据传输时的延迟；为此，我们提出一种铁路货车车轮磨耗智能预测方法。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种铁路货车车轮磨耗智能预测方法。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种铁路货车车轮磨耗智能预测方法，该预测方法具体步骤如下：

4、(1)预处理收集到的铁路货车运行数据；

5、(2)提取处理后的原始数据的特征信息；

6、(3)依据提取的特征信息训练磨耗预测网络；

7、(4)磨耗预测网络定期接收运行信息进行磨耗预测；

8、(5)依据预测结果对潜在风险进行评估并优化运输计划；

9、(6)区块化存储各组数据并可视化显示实时数据；

10、(7)收集监管平台实时运行信息并优化平台性能。

11、作为本发明的进一步方案，步骤(1)中所述铁路货车运行数据预处理具体步骤如下：

12、步骤一：通过传感器或iot设备收集各组铁路货车运行数据，通过高斯滤波去除各组运行数据中的噪声并平滑数据，之后将数据根据预设阈值分为四组四分位数，并计算四分位距，同时确定异常值的上限和下限阈值；

13、步骤二：根据数据的四分位数范围以及异常值的范围绘制箱线图，再对实时采集的数据与异常值范围进行比较，若数据小于下限或大于上限的数据点，则为异常值并对数据进行标记；

14、步骤三：检测各组数据中存在的缺失值，并标记各缺失值在对应数据中的所在位置，对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并通过knn算法找到相应的k组数据点的平均值或中位数来替代异常值或缺失值；

15、步骤四：将各组铁路货车运行数据转换为相同的单位，再通过传感器校准曲线对数据进行修正，以消除传感器误差，之后将来自不同传感器以及iot设备的数据在相同的时间戳下对齐，并整合到一组数据表中。

16、作为本发明的进一步方案，步骤(2)中所述特征信息提取具体步骤如下：

17、步骤1：通过互联网、专家知识以及车轮数据库收集与车轮磨耗相关的因素和变量，之后基于领域知识或数据分析选择与车轮磨耗相关的特征，再使用统计方法评估特征与车轮磨耗之间的相关性；

18、步骤2：建立一组n×n的滑动窗口，并将该滑动窗口位于铁路火车运行数据的开头，计算滑动窗口中所选特征数据点的平均值并记录，之后根据预设将滑动窗口在运行数据上进行移动，并重新计算窗口内所选特征数据点的平均值，直至窗口移动至数据最末端，再将每组窗口内计算的平均值组合成一组特征向量；

19、步骤3：统计采集的影像数据中不同颜色通道的像素分布，之后使用规定像素的窗口在各组影像数据中移动，每移动一次计算此时窗口下的灰度共生矩阵，从灰度共生矩阵中计算相关影像数据中的纹理特征，通过图像金字塔对优化后的影像数据进行尺度归一化处理以获取目标检测框，依据目标检测框对各影像数据进行扩大化剪裁以获取特征图像；

20、步骤4：对提取的各组特征信息进行缩放，将它们调整到相似的尺度，再建立一组反馈循环，并根据后续磨耗预测模型的特征重要性、特征与目标的相关性和模型性能来对特征信息进行添加、删除或修改。

21、作为本发明的进一步方案，步骤2中所述特征数据点平均值具体计算公式如下：

22、

23、式中，代表一组数据的平均值；n代表数据集中的数据点的数量，xi代表数据集中的第i组数据点的值。

24、作为本发明的进一步方案，步骤(4)中所述磨耗预测网络具体构建步骤如下：

25、步骤ⅰ：将各组特征信息依据预设比例划分为训练集、测试集以及验证集，构建磨耗预测网络并依据各组车轮磨耗特征确定该网络神经元数量，同时将各神经元权重初始化为随机值或预设的初始值，并依据预设信息确定该网络学习率以及步长；

26、步骤ⅱ：将训练集划分为小批量，通过前向传播分批次将各组训练集数据传递到磨耗预测网络中并计算每个神经元的输出，再使用损失函数来比较磨耗预测网络的输出与实际目标值之间的差异，然后通过反向传播算法，根据损失函数的梯度来计算权重的梯度，通过梯度下降算法更新各神经元权重，重复对该预测网络进行训练，直至所有训练集都使用完毕；

27、步骤ⅲ：使用验证集来评估训练好的预测网络的性能，并通过交叉验证法对不满足预设条件的预测网络学习率进行调整，当预测网络在验证集上的性能不再改善或开始恶化时，则选择提前停止训练，并通过测试集评估最终磨耗预测网络的性能，将性能最佳的磨耗预测网络部署到监管平台中；

28、步骤ⅳ：磨耗预测网络定期接收新采集的铁路货车运行数据，各组运行数据从输入层开始，通过各隐层并计算每层神经元的加权输入，同时通过激活函数计算各层神经元输出并作为输入传递到下一层，直至传递至输出层，之后输出层依据各神经元权重比例确定铁路货车车轮磨损情况。

29、作为本发明的进一步方案，步骤(6)中所述区块化存储具体步骤如下：

30、步骤①：按照预设的时间区间对采集数据、预测数据以及维护数据进行分割，以获形成多组数据块，之后通过哈希算法生成各组数据块的标识，收集各组区块链节点信息，并获取各组节点负载情况；

31、步骤②：通过负载均衡算法选择对应的区块链节点来存储每组数据块，数据块存储完成后，根据系统的要求和可用资源进行配置复制规定数量的数据块到多组区块链节点上，当节点存储的数据发生变化时，通过数据同步算法将数据更新从一个节点传播到其他节点；

32、步骤③：当构造一组新的数据块后，将其广播到区块链网络中，并传播给多组区块链节点，各组区块链节点进行共识验证，确认该数据块的有效性和合法性并添加区块链网络中存储。

33、作为本发明的进一步方案，步骤(7)中所述监管平台性能优化具体步骤如下：

34、第一步：收集监管平台中调用以及访问的数据、计算开销较大的数据以及指针结构，并依据数据对象以及指针结构确定链表节点结构，创建一个空链表，同时根据系统内存资源和性能需求设置链表的最大容量；

35、第二步：当需要访问或调用数据时，在缓存链表中查找该数据，如果数据存在于链表中，将其移动到链表头部，表示最近使用过，如果数据不在链表中，则从云端数据库中检索该数据，并将其添加到链表头部，定期监控链表的长度、缓存命中率以及性能指标；

36、第三步：当缓存容量达到上限时，基于最近访问或调用的时间来判断链表中最久未被访问或调用的数据，并将对应数据节点从链表尾部移除并释放资源，同时将链表的头部指针更新到新的头部节点，记录缓存命中率和淘汰操作的次数，并定期监控平台性能。

37、相比于现有技术，本发明的有益效果在于：

38、1、该铁路货车车轮磨耗智能预测方法将各组特征信息依据预设比例划分为训练集、测试集以及验证集，构建磨耗预测网络并依据各组车轮磨耗特征确定该网络神经元数量，同时将各神经元权重初始化为随机值或预设的初始值，并依据预设信息确定该网络学习率以及步长，通过训练集、验证集以及测试集对该磨耗预测网络进行训练、验证以及测试，再将性能最佳的磨耗预测网络部署到监管平台中，磨耗预测网络定期接收新采集的铁路货车运行数据，各组运行数据从输入层开始，通过各隐层并计算每层神经元的加权输入，同时通过激活函数计算各层神经元输出并作为输入传递到下一层，直至传递至输出层，之后输出层依据各神经元权重比例确定铁路货车车轮磨损情况，并根据后续磨耗预测模型的特征重要性、特征与目标的相关性和模型性能来对特征信息进行添加、删除或修改，能够实现高度精确的预测，确保铁路货车运行的安全性和降低维护成本，减少人工干预的需要，使运输管理更加高效。

39、2、该铁路货车车轮磨耗智能预测方法收集监管平台中调用以及访问的数据、计算开销较大的数据以及指针结构并创建一个空链表，同时根据系统内存资源和性能需求设置链表的最大容量，当需要访问或调用数据时，在缓存链表中查找该数据，如果数据存在于链表中，将其移动到链表头部，表示最近使用过，如果数据不在链表中，则从云端数据库中检索该数据，并将其添加到链表头部，定期监控链表的长度、缓存命中率以及性能指标，当缓存容量达到上限时，基于最近访问或调用的时间来判断链表中最久未被访问或调用的数据，并将对应数据节点从链表尾部移除并释放资源，同时将链表的头部指针更新到新的头部节点，记录缓存命中率和淘汰操作的次数，并定期监控平台性能，有效减少数据的读取时间，提高数据检索的效率，减少潜在的数据请求成本，能够减少数据传输时的延迟。