车轮退化状态评估方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种车轮退化状态评估方法、装置、电子设备及存储介质，涉及轨道交通技术领域，所述方法包括：获取车轮的振动信号；将振动信号输入深度张量自编码网络，获得深度张量自编码网络输出的深度时序特征；基于深度时序特征，对车轮的退化状态进行评估；其中，深度张量自编码网络是基于深度自编码网络和张量分解模型构建的。本发明专利技术通过基于深度张量自编码网络进行深度时序特征的提取，由于深度张量自编码网络中的张量分解模型可以从振动信号中提取本质信息，从而可以规避不规则噪声的干扰，使得提取的深度时序特征能够反映车轮的退化趋势，进而可以基于深度时序特征对车轮的退化状态进行自适应的准确评估。状态进行自适应的准确评估。状态进行自适应的准确评估。

【技术实现步骤摘要】
车轮退化状态评估方法、装置、电子设备及存储介质


[0001]本专利技术涉及轨道交通
，尤其涉及一种车轮退化状态评估方法、装置、电子设备及存储介质。

技术介绍

[0002]地铁车辆在运行过程中，车轮踏面和轮缘与轨道持续磨损，导致车轮性能退化。对车轮退化过程中的不同状态进行评估是车辆故障预测与健康管理(Prognostics and Health Management，PHM)的关键环节。
[0003]近年来，机器学习技术被用于基于振动信号的地铁车轮退化状态的智能评估，有助于降低人工依赖，并优化镟修策略。但由于地铁车辆在实际运行过程中，由于地铁轮对通常受载荷、路况和温度等因素的影响，所采集到的车轮振动信号会受到不规则强噪声的干扰，导致车轮退化趋势不显著，现有方法难以直接从车轮振动信号中准确识别地铁车轮的状态变化。
[0004]因此，如何对车轮退化状态进行准确评估，成为业界亟需解决的问题。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提供一种车轮退化状态评估方法、装置、电子设备及存储介质。
[0006]第一方面，本专利技术提供一种车轮退化状态评估方法，包括：
[0007]获取车轮的振动信号；
[0008]将所述振动信号输入深度张量自编码网络，获得所述深度张量自编码网络输出的深度时序特征，所述深度时序特征能够反映所述车轮的退化趋势；
[0009]基于所述深度时序特征，对所述车轮的退化状态进行评估；
[0010]其中，所述深度张量自编码网络是基于深度自编码网络和张量分解模型构建的。
[0011]可选地，根据本专利技术提供的一种车轮退化状态评估方法，所述张量分解模型中包括多路延迟嵌入变换单元和Tucker分解单元；
[0012]所述多路延迟嵌入变换单元用于对所述深度自编码网络中的隐藏层的特征序列进行多路延迟处理，获得延迟空间高阶张量；
[0013]所述Tucker分解单元用于对所述延迟空间高阶张量进行Tucker分解，获得目标张量。
[0014]可选地，根据本专利技术提供的一种车轮退化状态评估方法，在所述将所述振动信号输入深度张量自编码网络，获得所述深度张量自编码网络输出的深度时序特征之前，所述方法还包括：
[0015]基于所述深度自编码网络和所述张量分解模型，构建初始深度张量自编码网络；
[0016]基于损失函数和交替优化策略对所述初始深度张量自编码网络进行训练，获得训练完成的所述深度张量自编码网络；
[0017]其中，所述损失函数包括自编码重构损失函数、张量重构损失函数和退化趋势损失函数。
[0018]可选地，根据本专利技术提供的一种车轮退化状态评估方法，所述基于损失函数和交替优化策略对所述初始深度张量自编码网络进行训练，获得训练完成的所述深度张量自编码网络，包括：
[0019]基于所述损失函数和所述交替优化策略，执行张量优化迭代过程；
[0020]在确定连续两次执行所述张量优化迭代过程获得的因子矩阵的差值小于预设阈值的情况下，利用所述连续两次中的最后一次执行所述张量优化迭代过程获得的权重矩阵，对所述初始深度张量自编码网络中的目标参数进行更新，获得训练完成的所述深度张量自编码网络。
[0021]可选地，根据本专利技术提供的一种车轮退化状态评估方法，所述基于所述深度时序特征，对所述车轮的退化状态进行评估，包括：
[0022]基于所述深度时序特征，构建健康指标序列；
[0023]基于所述健康指标序列，确定所述车轮的退化状态区间；
[0024]基于所述车轮的退化状态区间，确定所述车轮的退化状态等级。
[0025]可选地，根据本专利技术提供的一种车轮退化状态评估方法，所述基于所述深度时序特征，构建健康指标序列，包括：
[0026]对所述深度时序特征进行降维处理，获得一维特征序列；
[0027]对所述一维特征序列进行移动平均滤波处理，获得所述健康指标序列。
[0028]可选地，根据本专利技术提供的一种车轮退化状态评估方法，所述基于所述健康指标序列，确定所述车轮的退化状态区间，包括：
[0029]对所述健康指标序列进行最小二乘法多项式曲线拟合，获得拟合曲线函数；
[0030]对所述拟合曲线函数进行二阶求导，获得二阶求导多项式；
[0031]确定所述二阶求导多项式的极值点，并基于所述极值点确定所述车轮的退化状态区间。
[0032]第二方面，本专利技术还提供一种车轮退化状态评估装置，包括：
[0033]信号获取模块，用于获取车轮的振动信号；
[0034]特征获取模块，用于将所述振动信号输入深度张量自编码网络，获得所述深度张量自编码网络输出的深度时序特征，所述深度时序特征能够反映所述车轮的退化趋势；
[0035]评估模块，用于基于所述深度时序特征，对所述车轮的退化状态进行评估；
[0036]其中，所述深度张量自编码网络是基于深度自编码网络和张量分解模型构建的。
[0037]第三方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述车轮退化状态评估方法。
[0038]第四方面，本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述车轮退化状态评估方法。
[0039]第五方面，本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如第一方面所述车轮退化状态评估方法。
[0040]本专利技术提供的车轮退化状态评估方法、装置、电子设备及存储介质，通过基于深度
张量自编码网络从车轮的振动信号中提取深度时序特征，由于深度张量自编码网络中的张量分解模型可以从振动信号中提取本质信息，从而可以规避不规则噪声的干扰，使得提取的深度时序特征能够反映车轮的退化趋势，进而可以基于提取的深度时序特征对车轮的退化状态进行自适应的准确评估。
附图说明
[0041]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0042]图1是本专利技术提供的车轮退化状态评估方法的流程示意图；
[0043]图2是本专利技术提供的车轮退化状态评估装置的结构示意图；
[0044]图3是本专利技术提供的电子设备的实体结构示意图。
具体实施方式
[0045]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车轮退化状态评估方法，其特征在于，包括：获取车轮的振动信号；将所述振动信号输入深度张量自编码网络，获得所述深度张量自编码网络输出的深度时序特征，所述深度时序特征能够反映所述车轮的退化趋势；基于所述深度时序特征，对所述车轮的退化状态进行评估；其中，所述深度张量自编码网络是基于深度自编码网络和张量分解模型构建的。2.根据权利要求1所述的车轮退化状态评估方法，其特征在于，所述张量分解模型中包括多路延迟嵌入变换单元和Tucker分解单元；所述多路延迟嵌入变换单元用于对所述深度自编码网络中的隐藏层的特征序列进行多路延迟处理，获得延迟空间高阶张量；所述Tucker分解单元用于对所述延迟空间高阶张量进行Tucker分解，获得目标张量。3.根据权利要求1或2所述的车轮退化状态评估方法，其特征在于，在所述将所述振动信号输入深度张量自编码网络，获得所述深度张量自编码网络输出的深度时序特征之前，所述方法还包括：基于所述深度自编码网络和所述张量分解模型，构建初始深度张量自编码网络；基于损失函数和交替优化策略对所述初始深度张量自编码网络进行训练，获得训练完成的所述深度张量自编码网络；其中，所述损失函数包括自编码重构损失函数、张量重构损失函数和退化趋势损失函数。4.根据权利要求3所述的车轮退化状态评估方法，其特征在于，所述基于损失函数和交替优化策略对所述初始深度张量自编码网络进行训练，获得训练完成的所述深度张量自编码网络，包括：基于所述损失函数和所述交替优化策略，执行张量优化迭代过程；在确定连续两次执行所述张量优化迭代过程获得的因子矩阵的差值小于预设阈值的情况下，利用所述连续两次中的最后一次执行所述张量优化迭代过程获得的权重矩阵，对所述初始深度张量自编码网络中的目标参数进行更新，获得训练完成的所述深度张量自编码网络。5...

【专利技术属性】
技术研发人员：岳勋，楚柏青，赵媛媛，寇淋淋，王璐，马亮，刘琦，石慧，郝敬荣，周骞，姜杉，王伟，张俊林，盛旭标，王思民，毛文涛，豆飞，
申请(专利权)人：交控科技股份有限公司，
类型：发明
国别省市：