一种高铁车轮故障识别方法及系统

摘要: 本发明涉及轨道交通车辆运行安全监测,尤其涉及一种高铁车轮故障识别方法及系统。背景技术:1、高铁作为国家战略性基础设施,其运行安全直接关系到人民生命财产安全与社会...
一种高铁车轮故障识别方法及系统

本发明涉及轨道交通车辆运行安全监测,尤其涉及一种高铁车轮故障识别方法及系统。

背景技术:

1、高铁作为国家战略性基础设施,其运行安全直接关系到人民生命财产安全与社会经济稳定。车轮作为列车走行部的核心部件,长期承受复杂交变载荷、高速旋转摩擦及环境侵蚀,易产生多边形磨损、剥离、擦伤、疲劳裂纹等典型故障。据统计,车轮故障占高速列车走行部故障总量的37.6%,是影响行车安全的关键因素之一。

2、目前,高铁车轮检测技术主要分为两类:一是人工目视检查与定期镟修,依赖检修人员经验,存在漏检率高(约15%~25%)、主观性强、无法实时监测等缺陷;二是基于单一传感器的自动化检测系统,如基于可见光图像的表面缺陷识别、基于振动信号的频谱分析等。然而,现有技术存在以下显著缺陷:

3、第一,单模态感知维度单一,抗干扰能力弱。现有可见光图像检测方法易受光照变化、油污水渍、水雾遮挡等环境因素干扰,对内部微裂纹、亚表面缺陷几乎无检出能力。例如,现有技术公开下,虽采用cnn网络提升识别率,但仅依赖单一视觉模态,在雨雪天气下误报率高达18.7%。振动信号分析方法虽能反映内部结构异常,但定位精度差,难以区分故障类型与位置,且易受轨道不平顺、轮轨冲击等外部振动干扰。声学检测方法对微小裂纹敏感,但信噪比低,环境噪声抑制困难。红外热成像可捕捉热应力集中区,但单独使用时空间分辨率不足,且受环境温度影响大。现有技术中虽有尝试多模态融合,但仅进行简单特征拼接或加权平均,未建立物理机理驱动的跨模态关联机制,无法实现“1+1>2"的协同增益。

4、第二,高速动态成像同步精度不足,运动模糊严重。高铁运行时速达300~350km/h,车轮线速度超过100m/s。传统软件触发同步方式存在毫秒级延迟,导致多源传感器采集的数据非同一物理时刻,无法精确对齐。例如,线阵相机与振动传感器若不同步,图像中显示的“缺陷位置”与振动异常时刻可能偏差数十毫米,造成误判。同时,高速旋转导致图像严重运动模糊,现有稳像算法(如光流法、特征匹配)计算复杂度高,难以在微秒级时间内完成处理,无法满足在线实时检测需求。

5、第三,缺乏物理约束与时空一致性校验,误报率高。现有深度学习模型(如u-net、maskr-cnn)在车轮缺陷分割中易将水渍、油污、光影等环境伪影误判为缺陷。例如,在华东地区雨季测试中,某商用系统单日误报达47次,严重干扰正常运维。其根本原因在于模型训练仅依赖数据驱动,未融入车轮几何结构、热力学特性等先验知识,导致分割结果违背物理规律(如裂纹沿非应力方向延伸、热异常与视觉缺陷不匹配等)。

6、第四,诊断模式为“快照式”,缺乏演化视角与预测能力。现有系统仅判断当前时刻“是否故障”,无法回答“何时发生”“如何发展”“剩余寿命多少”等关键问题。车轮故障(如多边形磨损)是随运行里程累积的渐进过程,需结合历史数据构建演化模型。现有预测方法(如基于lstm的时间序列预测)多忽略物理磨损机理,仅依赖数据拟合,外推可靠性低。例如,某系统对剥离缺陷的剩余寿命预测误差高达±30%,导致过早镟修(增加成本)或延误维修(引发安全事故)。

7、第五,模型更新机制僵化,难以适应新故障模式。高铁线路环境复杂(如高寒、高湿、风沙),车轮故障模式具有地域性与时效性。现有系统模型一旦部署即固定,面对新型缺陷(如新型材料车轮的特殊磨损模式)时识别率骤降,需返厂重新训练,周期长达数月,无法满足现场快速迭代需求。

8、综上所述,现有技术在感知维度、同步精度、物理约束、预测能力及自适应性等方面存在系统性缺陷,难以满足高铁安全运营对车轮状态监测“高精度、低误报、可预测、自进化”的核心需求。因此,亟需研发一种深度融合多物理场信息、具备微秒级同步能力、嵌入物理先验知识、支持故障演化预测且具备在线学习能力的新型车轮故障智能诊断方法与系统。

技术实现思路

1、本发明的目的在于克服现有技术的不足,提供一种基于多物理场融合的高铁车轮故障识别与预测方法及系统。该方法通过“热-力-声-视”四维物理场协同感知、转速硬触发微秒级同步、物理约束分割网络、多圈次时空一致性校验、故障演化图谱构建及云边协同在线学习等创新技术,实现车轮故障的高精度识别、低误报检测、剩余寿命精准预测与系统自适应进化,显著提升高铁运行安全性与运维智能化水平。

2、本发明提供的一种高铁车轮故障识别方法及系统采用如下的技术方案:

3、一种高铁车轮故障识别方法,包括以下步骤:

4、s1:利用车轮转速脉冲信号作为全局硬触发源,同步触发可见光相机、红外热像仪、振动传感器及声学传感器,实现多物理场数据的微秒级同步采集,并将采集的数据映射至统一的车轮展开坐标系;

5、s2:构建跨模态注意力融合模块,利用红外热场分布生成可见光特征的注意力权重,利用振动频谱异常能量生成声学特征的调制权重,融合生成多模态特征张量;

6、s3:构建物理约束分割网络,该网络的损失函数包含基础分割损失、几何拓扑约束项及热力学一致性约束项,输出像素级缺陷掩膜;

7、s4:建立多圈次时空一致性校验机制,对连续n圈次中同一空间位置的检测结果进行置信度累积与特征相似度校验,剔除瞬时伪影;

8、s5:基于历史检测数据构建车轮故障演化图谱,融合长短期记忆网络与物理磨损模型预测缺陷剩余寿命;

9、s6:根据缺陷参数、演化速率及环境上下文信息,执行分级动态预警与自适应处置策略;

10、s7:通过云边协同机制,对疑难样本进行联邦学习模型迭代与在线热更新。

11、进一步的,步骤s1中,所述微秒级同步采集具体为:通过fpga硬件电路生成同步触发信号,同步精度≤1μs;所述车轮展开坐标系中,u轴表示圆周角度∈[0°,360°),v轴表示轴向位置∈[0,h],h为车轮踏面宽度。

12、进一步的,步骤s1中,还包括速度自适应行频控制:根据实时车速v与车轮半径r,动态计算线阵相机行频f_line=(v×ppr)/,其中ppr为转速传感器每转脉冲数,n_pixel为相机有效像素数,以消除高速运动模糊。

13、进一步的,所述几何拓扑约束项l_geo=λ_g·∑_{u,v}|∇_um_pred(u,v)-∇_um_gt(u,v)|_1,用于惩罚分割结果沿圆周方向的梯度不连续;所述热力学一致性约束项l_thermo=λ_t·,用于惩罚视觉缺陷区域与红外温度异常不匹配的情况,其中δt_threshold为温度阈值,取值2℃。

14、进一步的,步骤s4中,所述时空置信度累积函数为:c(u,v)=∑_{i=1}^{n}p_i·其中p_i为第i圈次检测置信度,r_i为相邻圈次特征pearson相关系数,k为衰减系数,当r_i

15、进一步的,步骤s5中,所述物理磨损模型采用archard磨损理论:,其中v为磨损体积,k为磨损系数,f_n为法向力,h为材料硬度,v_slip为滑移速度;剩余寿命预测采用融合策略:rul_pred=ω·rul_lstm+·rul_archard,ω根据预测残差动态调整。

16、进一步的,步骤s6中,所述分级预警包括三级:一级预警:缺陷尺寸<阈值30%,建议加强监测;二级预警:缺陷尺寸达阈值30%~70%,建议安排检修;三级预警:缺陷尺寸>阈值70%或演化速率异常,立即限速并检修;所述自适应处置策略根据线路条件、天气、列车编组动态调整预警阈值。

17、进一步的,一种高铁车轮故障识别系统,包括:

18、包括:多物理场传感单元,集成可见光相机、红外热像仪、振动传感器、声学传感器及转速硬触发模块;边缘计算单元,搭载物理约束分割网络与跨模态注意力融合模块,用于实时数据处理;时空校验与预测单元,运行多圈次校验算法与故障演化预测模型;云平台,包含联邦学习服务器、故障案例知识库及预警决策引擎;通信模块,支持5g/北斗双模通信;人机交互终端,提供可视化诊断报告与预警信息推送;

19、所述多物理场传感单元中,可见光相机为线阵相机,行频150khz可调;红外热像仪分辨率≥640×512,netd≤20mk;振动传感器频响范围0.520khz;声学传感器为8元以上麦克风阵列,采样率≥96khz。

20、所述边缘计算单元采用jetsonagxorin或同等算力嵌入式ai处理器,单轮检测全流程耗时≤120ms。

21、本发明提供的一种高铁车轮故障识别方法及系统的有益效果在于:

22、“热-力-声-视”四维物理场融合架构,突破单模态感知瓶颈通过跨模态注意力机制实现物理场间优势互补:红外热场引导视觉网络聚焦热应力集中区(微裂纹高发区),振动频谱调制声学特征增强故障频段敏感度。实测表明,在350km/h运行条件下,微小裂纹(长度<2mm)检出率由单一视觉模态的62.3%提升至98.7%,剥离缺陷识别准确率达96.5%,显著优于现有单模态或简单融合方法。

23、转速硬触发+动态行频控制,实现微秒级同步与亚像素级定位以车轮转速脉冲为硬触发源,同步精度达0.5μs(较软件触发提升20倍);结合速度自适应行频算法,彻底消除运动模糊。在350km/h工况下,图像有效分辨率提升至0.08mm/pixel(传统方法为0.5mm/pixel),缺陷定位精度达±0.15mm,满足高铁车轮微米级缺陷检测需求。

24、物理约束分割网络嵌入领域知识,误报率降低两个数量级在损失函数中引入几何拓扑与热力学一致性约束,强制分割结果符合车轮物理特性。在包含10,000张含伪影图像的测试集上,误报率由传统u-net的2.1%降至0.03%,水渍、油污等环境干扰剔除率达99.2%,显著提升系统鲁棒性。

25、多圈次时空一致性校验机制,彻底消除瞬时伪影利用车轮旋转周期性建立时序校验窗口,通过时空置信度累积函数过滤非持续性干扰。

26、故障演化图谱融合数据与物理模型,剩余寿命预测误差<5%结合lstm时序预测与archard磨损理论,构建车轮全生命周期演化模型。

27、云边协同联邦学习机制,实现模型持续进化与知识共享通过“边缘筛选-云端聚合-增量下发”流程,支持相似案例智能检索,辅助现场决策。

28、分级预警与自适应处置策略,提升运维决策科学性结合缺陷参数、演化速率及运行环境动态调整预警等级,避免“一刀切”式处置。