基于半监督生成对抗模型的列车车轮健康检测方法及系统

技术领域

本发明涉及轨道交通技术领域，尤其涉及一种基于半监督生成对抗模型的列车车轮健康检测方法及系统。

背景技术

铁路是国民经济的大动脉，是关系民生的重要基础设施之一。轮轨接触关系作为车辆-轨道耦合系统中最基础的约束关系，其状态好坏直接决定列车的运营安全。随着我国铁路网规模逐年增大、运量要求不断提高、铁路设施服役状态日趋恶化、运行环境更加复杂，影响列车运行安全的轮轨相关病害逐渐涌现。其中，车轮病害包括车轮不圆、车轮擦伤、车轮剥离掉块、车轮裂纹以及车轮咯伤等。这些病害一旦产生，轻则降低列车运行平稳性、环境振动及噪声加剧，重则产生脱轨等无法预估的严重事故。

目前，针对车轮缺陷检测、检测手段多种多样，通常包括人工检测、磁粉探伤和超声波探伤等，这些检测手段需要从事人员具备相当的专业知识与经验，而且还需要拆卸车体，检测过程复杂、效率低下，与建设智慧铁路的目标相悖。另外，还有利用轴箱加速度信号来识别车轮缺陷的方法，虽然可以实现对车轮状态的实时在线检测，然而需要在每一车轮的轴箱上安装加速度传感器，这增加了养护维修的成本。因此，如何实现对列车车轮服役状态的快速感知、智能诊断与维护管理是铁路运营部门面临的首要问题。

已有的车轮缺陷智能检测模型多是基于监督学习训练得到，然而与普通故障检测的区别是，车轮缺陷检测的负样本是相对较少且难以获取的，这就导致了数据集中正负样本不均衡的问题，从而使模型在实际部署中效果不佳。因此，亟需开发一种基于少标签样本的深度学习神经网络模型，从而能够实现同时对多种车轮缺陷进行检测与识别。

发明内容

本发明的目的在于提供一种能够至少同时识别车轮不圆、车轮擦伤、车轮剥离掉块、车轮裂纹以及车轮咯伤缺陷的高精度、高效率的基于半监督生成对抗模型的列车车轮健康检测方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案。

第一方面，本发明提供一种基于半监督生成对抗模型的列车车轮健康检测方法，包括：

获取钢轨振动数据，所述钢轨振动数据为列车运行过程中车轮作用于钢轨产生的振动数据；

将所述钢轨振动数据分割为每一车轮对应的钢轨振动数据，对所述每一车轮对应的钢轨振动数据进行变换获得时频图样本；

根据标签信息将所述时频图样本分为有标签样本与无标签样本；

构建一种半监督深度生成对抗网络多标签分类模型，并在所述时频图样本上进行训练和测试，得到训练好的车轮健康检测模型；

输入待检测钢轨振动数据到训练好的车轮健康检测模型中得到车轮缺陷类型。

可选地，所述将所述钢轨振动数据分割为每一车轮对应的钢轨振动数据，包括：

在列车通过区域的起点和终点装有轮轨力传感器，所述轮轨力传感器用于确定车轮通过的时间；列车通过区域时触发轮轨力传感器采集钢轨应变信号，同步触发钢轨振动加速度传感器采集钢轨振动信号，根据应变信号确定每一车轮通过的时间；

将不同钢轨振动加速度传感器采集到的钢轨振动信号按照每一车轮通过的时间进行分割，然后再按照钢轨振动加速度传感器布置的空间位置在时间轴上拼接成一个信号，得到每一车轮对应的钢轨振动加速度时域信号，并作为每一车轮对应的钢轨振动数据。

可选地，所述对所述每一车轮对应的钢轨振动数据进行变换获得时频图样本，包括：

将所述每一车轮对应的钢轨振动数据的连续小波变换转换到频率域，得到频率域钢轨振动数据的连续小波变换WT(a,b)：

式中，a和b分别为尺度因子和时移，

根据所述频率域钢轨振动数据的连续小波变换计算得到钢轨振动数据的瞬时角频率ω(a,b)：

根据所述频率域钢轨振动数据的连续小波变换和所述钢轨振动数据的瞬时角频率，得到钢轨振动数据的同步压缩小波变换SWT(b,ξ)：

式中，δ为Dirac函数，ξ为中心频率；

根据所述钢轨振动数据的同步压缩小波变换得到钢轨振动数据的时频图。

可选地，所述标签信息至少包括车轮不圆、车轮擦伤、车轮剥离掉块、车轮裂纹、车轮咯伤以及正常车轮。

可选地，所述有标签样本对应的标签至少为一个；

其中，所述标签用长度为S的向量表示：

[0/1,0/1,0/1,0/1,0/1,0/1,...]

向量中每个位置的数值为0或1，当数值为1时，表示有标签样本具有对应位置的车轮缺陷类型，当数值为0时，表述有标签样本不具有对应位置的车轮缺陷类型，S为缺陷类别个数。

可选地，所述半监督深度生成对抗网络多标签分类模型由生成器、无监督判别器和有监督判别器构成；

所述生成器包括依次连接的随机噪声输入层、全连接层、激活层、Reshape层、转置卷积层、激活层、转置卷积层、激活层以及转置卷积层，其中，激活层使用LeakyReLU作为激活函数：

式中，x为每一层输出，α为泄露系数；

所述生成器用于输入指定维数的随机噪声信号，输出指定大小的图片；

所述有监督判别器包括依次连接的有标签样本输入层、卷积层、激活层、卷积层、激活层、卷积层、激活层、展平层、全连接层以及输出层，其中，激活层使用LeakyReLU作为激活函数，全连接层使用dropout降低过拟合，输出层使用sigmoid函数对每一个节点进行激活：

有监督判别器输入有标签样本，输出预测的样本标签；

所述无监督判别器包括依次连接的无标签样本输入层、卷积层、激活层、卷积层、激活层、卷积层、激活层、展平层、全连接层以及输出层；其中激活层使用LeakyReLU作为激活函数，全连接层使用dropout降低过拟合，输出层使用式(7)所示的激活函数对每一个节点进行激活；

式中，K代表类别数量，l

无监督判别器输入无标签样本和生成器输出的图片，输出为真或假。

可选地，所述在所述时频图样本上进行训练和测试，得到训练好的车轮健康检测模型，包括：

输入有标签样本，使用二元交叉熵作为损失函数，在有监督判别器上训练并更新参数；

式中，y为类别标签0或1，p(y)表示网络预测属于标签y的概率；

输入随机噪声信号，生成器输出图片；

输入无标签样本和生成器输出的图片，使用二元交叉熵作为损失函数，在无监督判别器上训练并更新参数；

固定无监督判别器的参数，输入随机噪声信号，使用二元交叉熵作为损失函数，在生成器上训练并更新参数；

训练损失在预设迭代次数内不再下降时停止训练，保存最后一次训练的参数为模型最优参数，基于所述模型最优参数获取训练好的车轮健康检测模型。

第二方面，本发明提供一种基于半监督生成对抗模型的列车车轮健康检测系统，该系统包括：

数据获取模块，用于获取钢轨振动数据，所述钢轨振动数据为列车运行过程中车轮作用于钢轨产生的振动数据；

数据分割模块，用于将所述钢轨振动数据分割为每一车轮对应的钢轨振动数据，对所述每一车轮对应的钢轨振动数据进行变换获得时频图样本；

样本获取模块，用于根据标签信息将所述时频图样本分为有标签样本与无标签样本；

模型训练模块，用于构建一种半监督深度生成对抗网络多标签分类模型，并在所述时频图样本上进行训练和测试，得到训练好的车轮健康检测模型；

检测模块，用于输入待检测钢轨振动数据到训练好的车轮健康检测模型中得到车轮缺陷类型。

第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的基于半监督生成对抗模型的列车车轮健康检测方法。

第四方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于半监督生成对抗模型的列车车轮健康检测方法。

第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的基于半监督生成对抗模型的列车车轮健康检测方法的指令。

本发明有益效果：本发明提供的基于半监督生成对抗模型的列车车轮健康检测方法及装置，通过对钢轨振动数据的采集与时频图的转换，从而获得时频图样本，进而将时频图样本分为少量的有标签样本与大量的无标签样本，利用生成对抗网络在大量的无标签样本上进行训练，使判别器充分学习时频图的潜在特征，再利用少量有标签样本进行监督学习，从而使得最终训练好的车轮健康检测模型能够对标签信息对应的不同车轮情况进行健康检测，本发明实施例的车轮健康检测具有高效、准确、节省运营成本等优点，有利于铁路运营部门进行科学养修，助力轨道交通绿色发展。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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。

图1为本发明实施例提供的一种基于半监督生成对抗模型的列车车轮健康检测方法的流程示意图之一；

图2为本发明实施例提供的一种基于半监督生成对抗模型的列车车轮健康检测方法的流程示意图之二；

图3为本发明实施例提供的一种基于半监督生成对抗模型的列车车轮健康检测方法的流程示意图之三；

图4为本发明实施例提供的最终的钢轨振动数据的获取示意图；

图5为本发明实施例提供的钢轨振动数据获取过程中车轮经过钢轨的示意图；

图6为本发明实施例提供的车轮健康状况的示意图；

图7为本发明实施例提供的生成器的结构示意图；

图8为本发明实施例提供的有监督判别器的结构示意图；

图9为本发明实施例提供的无监督判别器的结构示意图；

图10为本发明实施例提供的检测数据传输示意图。

具体实施方式

下面详细描述本发明的实施方式，实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。

本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。

实施例1

图1为本发明实施例提供的一种基于半监督生成对抗模型的列车车轮健康检测方法的流程示意图之一；图2为本发明实施例提供的一种基于半监督生成对抗模型的列车车轮健康检测方法的流程示意图之二；图3为本发明实施例提供的基于半监督生成对抗模型的列车车轮健康检测方法的流程示意图之三，如图1-3所示，基于半监督生成对抗模型的列车车轮健康检测方法，包括如下步骤：

S101，获取钢轨振动数据，所述钢轨振动数据为列车运行过程中车轮作用于钢轨产生的振动数据。

具体地，列车在运行过程中，车轮作用于钢轨时，会产生对应的振动数据，通过在某一目标路段中设置的加速度传感器获取得到初始钢轨振动数据。

需要说明的是，为了尽可能排除轨道不平顺的影响，本实施例中的目标路段是指列车线路区间内钢轨状态良好、轨道结构形式简单以及列车匀速行驶的直线地段。另外，本实施例中选用的是高频加速度传感器，该加速度传感器量程为±200g，各个加速度传感器相互之间的布置间隔为0.2m，采集频率为10000Hz，从而保证能够采集到由车轮缺陷激励的完整信号。

S102，将所述钢轨振动数据分割为每一车轮对应的钢轨振动数据，对所述每一车轮对应的钢轨振动数据进行变换获得时频图样本。

其中的钢轨振动数据通过如下方式获取：

在列车通过区域(也即目标路段)的起点和终点装有轮轨力传感器，所述轮轨力传感器用于确定车轮通过的时间；列车通过区域时触发轮轨力传感器采集钢轨应变信号，同步触发钢轨振动加速度传感器采集钢轨振动信号，根据应变信号确定每一车轮通过的时间。

将不同钢轨振动加速度传感器采集到的钢轨振动信号按照每一车轮通过的时间进行分割，然后再按照钢轨振动加速度传感器布置的空间位置在时间轴上拼接成一个信号，得到每一车轮对应的钢轨振动加速度时域信号，并作为每一车轮对应的钢轨振动数据。

其中，目标路段的长度L由列车的车轮半径R决定，见式(1)；

式中，

图4为本发明实施例提供的最终的钢轨振动数据的获取示意图；如图4所示，钢轨振动数据的具体分割过程为：

先利用设置在目标路段起点与终点的轮轨力传感器确定每一车轮经过目标路段的起点时间t

Δt＝t

将不同加速度传感器采集到的初始钢轨振动数据按照每一车轮通过的时间进行分割，然后再按照加速度传感器布置的空间位置在时间轴上拼接成一个信号，得到每一车轮对应的钢轨振动加速度时域信号，也即最终的钢轨振动数据。

在实际应用中，钢轨振动数据获取的过程示意图如图5所示，通过设置在目标路段(也叫检测区域)中钢轨上的加速度传感器和轮轨力传感器获取振动信号与钢轨应变信号。另外，如图10所示，在检测区域设置了数据线以实现传感器数据的传输，并通过轨道旁服务器采集整个检测区域中各个传感器数据，再传输给中央控制台。

在获取每一车轮对应的钢轨振动加速度时域信号之后，对所述每一车轮对应的钢轨振动数据进行变换获得时频图样本，具体包括：

首先对钢轨振动数据进行高通滤波，排除趋势项等低频噪声信号的干扰；

然后，选择morlet小波作为母小波，根据Parseval定理，所述每一车轮对应的钢轨振动数据的连续小波变换转换到频率域，得到频率域钢轨振动数据的连续小波变换WT(a,b)，如式(3)；

式中，a和b分别为尺度因子和时移，

接着，根据式(3)计算后的频率域钢轨振动数据的连续小波变换，计算得到钢轨振动数据的瞬时角频率ω(a,b)，如式(4)；

接着，根据所述频率域钢轨振动数据的连续小波变换和所述钢轨振动数据的瞬时角频率，得到钢轨振动数据的同步压缩小波变换SWT(b,ξ)，也即根据时间频率平面的瞬时角频率对小波系数进行压缩重排，此处将频率分辨率设为1Hz，从而得到振动数据的同步压缩小波变换SWT(b,ξ)，该变换结果即为时频图样本，具体如式(5)；

式中，δ为Dirac函数，ξ为中心频率。

最后，根据所述钢轨振动数据的同步压缩小波变换得到钢轨振动数据的时频图。

S103，根据标签信息将所述时频图样本分为有标签样本与无标签样本。

在本步骤中，根据标签信息将所述时频图样本分为有标签样本与无标签样本。其中，所述标签信息至少包括车轮不圆、车轮擦伤、车轮剥离掉块、车轮裂纹、车轮咯伤以及正常车轮，具体如图6所示的车轮健康状况示意图。

此处的样本分类即为将时频图样本中的1％作为有标签样本，标签类型为{车轮不圆，车轮擦伤，车轮剥离掉块，车轮裂纹，车轮咯伤，正常车轮}，时频图样本对应的标签可以是一个或多个，其通过标注得到。并将剩下的99％时频图样本作为无标签样本。

在本实施例中，时频图样本规模不少于60000张，有标签样本不少于120张，且每种标签信息对应的有标签样本不少于20张，时频图样本的分辨率为256×256。

在实际训练过程中，将标签转换为如式(6)所示的长度为S的向量；

[0/1,0/1,0/1,0/1,0/1,0/1,...](6)

式中，向量中每个位置的数值为0或1，当数值为1时，表示有标签样本具有对应位置的车轮缺陷类型，当数值为0时，表述有标签样本不具有对应位置的车轮缺陷类型，S为缺陷类别个数，也即每个位置的数字为0或1，1代表具有相应类型，0代表不具有相应类型，S为缺陷类别个数。

S104，构建一种半监督深度生成对抗网络多标签分类模型，并在所述时频图样本上进行训练和测试，得到训练好的车轮健康检测模型(即训练好的半监督深度生成对抗网络多标签分类模型)。

所述半监督深度生成对抗网络多标签分类模型由生成器、无监督判别器和有监督判别器构成。

其中，所述生成器的结构示意图如图7所示，其包括依次连接的随机噪声输入层、全连接层、激活层、Reshape层、转置卷积层、激活层、转置卷积层、激活层以及转置卷积层，其中激活层使用LeakyReLU作为激活函数，如式(7)；

其中，x为每一层输出，α为泄露系数，通常取0.01。

生成器输入指定维数的随机噪声信号，输出大小256×256的图片。

其中，所述有监督判别器的结构示意图如图8所示，其包括依次连接的有标签样本输入层、卷积层、激活层、卷积层、激活层、卷积层、激活层、展平层、全连接层以及输出层，其中激活层使用LeakyReLU作为激活函数，全连接层使用dropout降低过拟合，输出层使用sigmoid函数对每一个节点进行激活，如式(8)；

有监督判别器输入有标签样本，输出预测的样本标签。

其中，所述无监督判别器的结构示意图如图9所示，其包括依次连接的无标签样本输入层、卷积层、激活层、卷积层、激活层、卷积层、激活层、展平层、全连接层以及输出层；其中激活层使用LeakyReLU作为激活函数，全连接层使用dropout降低过拟合，输出层使用式(9)所示的激活函数对每一个节点进行激活；

式中，K代表类别数量，l

无监督判别器输入无标签样本和生成器输出的图片，输出为真或假。

本步骤中，所述在所述时频图样本上进行训练和测试，得到训练好的车轮健康检测模型，包括：

输入有标签样本，使用二元交叉熵作为损失函数，在有监督判别器上训练并更新参数；

式中，y为类别标签0或1，p(y)表示网络预测属于标签y的概率。

输入随机噪声信号，生成器输出图片。

输入无标签样本和生成器输出的图片，使用二元交叉熵作为损失函数，在无监督判别器上训练并更新参数。

固定无监督判别器的参数，输入随机噪声信号，使用二元交叉熵作为损失函数，在生成器上训练并更新参数。

训练损失在预设迭代次数内不再下降时停止训练，保存最后一次训练的参数为模型最优参数，基于所述模型最优参数获取训练好的车轮健康检测模型。

具体地，在实际训练过程中，可以进行如下设置：训练次数epochs为100，有标签样本大小为120，输入生成器的随机噪声信号维数为100，批量大小batch_size为120，每次迭代更新网络参数时使用Adam优化器，学习率为0.0002。

具体训练细节包括：第一步向有监督判别器输入有标签图片，使用二元交叉熵作为损失函数Loss，如式(10)，在有监督判别器上训练并更新参数；第二步向生成器输入随机噪声信号，生成器输出图片；第三步向无监督判别器输入无标签图片和生成器输出的图片，使用二元交叉熵作为损失函数，在无监督判别器上训练并更新参数；第四步固定无监督判别器的参数，输入随机噪声信号，使用二元交叉熵作为损失函数，在生成器上训练并更新参数。

式中，y为类别标签0或1，p(y)表示网络预测属于标签y的概率，N为样本数量，i为第i样本。

S105，输入待检测钢轨振动数据到车轮健康检测模型中得到车轮缺陷类型。

获取待检测钢轨振动数据。即，通过前述提到的加速度传感器获取目标路段的初始待检测钢轨振动数据，进而与训练过程中的步骤相同，进行振动数据的分割与时频图转换，从而获得待检测的时频图，该待检测的时频图即为最终的待检测振动数据，对此不再赘述。

将所述待检测振动数据输入预先训练好的车轮健康检测模型，获得车轮缺陷类型。车轮缺陷类型为车轮不圆、车轮擦伤、车轮剥离掉块、车轮裂纹、车轮咯伤以及正常车轮中的一种或多种。

根据本发明实施例提供的基于半监督生成对抗模型的列车车轮健康检测方法，通过对钢轨振动数据的采集与时频图的转换，从而获得时频图样本，进而将时频图样本分为少量的有标签样本与大量的无标签样本，利用生成对抗网络在大量的无标签样本上进行训练，使判别器充分学习时频图的潜在特征，再利用少量有标签样本进行监督学习，从而使得最终训练好的车轮健康检测模型能够对标签信息对应的不同车轮情况进行健康检测，本发明实施例的车轮健康检测具有高效、准确、节省运营成本等优点，有利于铁路运营部门进行科学养修，助力轨道交通绿色发展。

实施例2

在实施例1的基础上，本实施例2提供一种基于半监督生成对抗模型的列车车轮健康检测系统，该基于半监督生成对抗模型的列车车轮健康检测系统与上述基于半监督生成对抗模型的列车车轮健康检测方法对应，具体包括：

数据获取模块，用于获取钢轨振动数据，所述钢轨振动数据为列车运行过程中车轮作用于钢轨产生的振动数据；

数据分割模块，用于将所述钢轨振动数据分割为每一车轮对应的钢轨振动数据，对所述每一车轮对应的钢轨振动数据进行变换获得时频图样本；

样本获取模块，用于根据标签信息将所述时频图样本分为有标签样本与无标签样本；

模型训练模块，用于构建一种半监督深度生成对抗网络多标签分类模型，并在所述时频图样本上进行训练和测试，得到训练好的车轮健康检测模型；

检测模块，用于输入待检测钢轨振动数据到训练好的车轮健康检测模型中得到车轮缺陷类型。

具体细节参见基于半监督生成对抗模型的列车车轮健康检测方法部分的描述，在此不再赘述。

实施例3

本发明实施例3提供一种电子设备，包括存储器和处理器，处理器和存储器相互通信，存储器存储有可被处理器执行的程序指令，处理器调用程序指令执行基于半监督生成对抗模型的列车车轮健康检测方法，该基于半监督生成对抗模型的列车车轮健康检测方法包括如下流程步骤：

获取钢轨振动数据，所述钢轨振动数据为列车运行过程中车轮作用于钢轨产生的振动数据；

将所述钢轨振动数据分割为每一车轮对应的钢轨振动数据，对所述每一车轮对应的钢轨振动数据进行变换获得时频图样本；

根据标签信息将所述时频图样本分为有标签样本与无标签样本；

构建一种半监督深度生成对抗网络多标签分类模型，并在所述时频图样本上进行训练和测试，得到训练好的车轮健康检测模型；

输入待检测钢轨振动数据到训练好的车轮健康检测模型中得到车轮缺陷类型。

实施例4

本发明实施例4提供一种计算机可读存储介质，其存储有计算机程序，计算机程序被处理器执行时实现基于半监督生成对抗模型的列车车轮健康检测方法，该方法包括如下流程步骤：

获取钢轨振动数据，所述钢轨振动数据为列车运行过程中车轮作用于钢轨产生的振动数据；

将所述钢轨振动数据分割为每一车轮对应的钢轨振动数据，对所述每一车轮对应的钢轨振动数据进行变换获得时频图样本；

根据标签信息将所述时频图样本分为有标签样本与无标签样本；

构建一种半监督深度生成对抗网络多标签分类模型，并在所述时频图样本上进行训练和测试，得到训练好的车轮健康检测模型；

输入待检测钢轨振动数据到训练好的车轮健康检测模型中得到车轮缺陷类型。

实施例5

本发明实施例5提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的基于半监督生成对抗模型的列车车轮健康检测方法。该方法包括如下流程步骤：

获取钢轨振动数据，所述钢轨振动数据为列车运行过程中车轮作用于钢轨产生的振动数据；

将所述钢轨振动数据分割为每一车轮对应的钢轨振动数据，对所述每一车轮对应的钢轨振动数据进行变换获得时频图样本；

根据标签信息将所述时频图样本分为有标签样本与无标签样本；

构建一种半监督深度生成对抗网络多标签分类模型，并在所述时频图样本上进行训练和测试，得到训练好的车轮健康检测模型；

输入待检测钢轨振动数据到训练好的车轮健康检测模型中得到车轮缺陷类型。

综上所述，本发明实施例通过对钢轨振动数据的采集与时频图的转换，从而获得时频图样本，进而将时频图样本分为少量的有标签样本与大量的无标签样本，利用少量的有标签样本训练得到有监督判别器，并利用无标签样本和生成器生成的样本训练得到无监督判别器，也即，利用生成对抗网络在大量的无标签样本上进行训练，使判别器充分学习时频图的潜在特征，再利用少量有标签样本进行监督学习，从而使得最终训练好的车轮健康检测模型能够对标签信息对应的不同车轮情况进行健康检测，本发明实施例的车轮健康检测具有高效、准确、节省运营成本等优点，有利于铁路运营部门进行科学养修，助力轨道交通绿色发展。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于方法或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的方法及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。