轮轨力反演神经网络

小样本高精度

通过迁移学习策略，该模型在训练数据有限的情况下仍能保持高精度反演，突破了传统方法对数据量的依赖。

Taoning, Zhu · Ren, Yu · 石怀龙 · Ye, Yunguang · Feng, Piji · Zhenhua, Su · Yao, Chunxing · 马光同

Mechanical Systems and Signal Processing 2025

参数信息

决定系数

0.9

技术优势

数据需求大幅降低

通过迁移学习利用仿真数据预训练，再用少量实测数据微调即可达到高精度反演，避免为每辆车采集大量标注数据。

省去专用测力轮对

模型仅利用车体加速度信号反演轮轨力，无需安装昂贵的测力轮对或应变片，可在普通运营车辆上长期使用。

小样本仍准确

在训练数据受限的情况下，决定系数仍超过0.9，证明迁移学习有效缓解了小样本导致的过拟合，模型泛化能力强。

应用场景

• 轨道交通车辆安全监测：实时获取轮轨力，为脱轨系数、减载率等安全指标提供数据，替代测力轮对。
• 车辆动力学状态监测：从车体加速度反演轮轨力，反映悬挂系统与轮轨接触状态，用于在线评估动力学性能。
• 智能传感器与测量：将普通加速度传感器升级为虚拟测力传感器，降低测量成本并提高部署便利性。
• 深度学习故障诊断：轮轨力异常可预示车轮不圆、轨道不平顺等故障，为深度学习诊断模型提供关键特征。