1.一种基于轻量化神经网络的机车车轮多边形损伤检测方法，其特征在于，包括以下步骤：获取重载机车在不同运行速度和不同车轮多边形磨耗程度组合下的轴箱垂向振动加速度响应信号；对信号进行预处理后，通过快速傅里叶变换获取信号的频域特征，并基于频域特征构建样本数据集；构建车轮多边形损伤检测网络模型，使用样本数据集对模型进行训练；所述车轮多边形损伤检测网络模型包括浅层空间特征提取模块、深度序列特征提取模块、高级特征增强模块和磨耗幅值定量检测模块；所述浅层空间特征提取模块由深度残差网络和深度可分离卷积网络组成，其中深度可分离卷积网络包括深度卷积网络和逐点卷积网络；所述高级特征增强模块由空间注意力机制和通道注意力机制组成，用于捕捉特征在不同空间位置间的长距离依赖关系，具体为：空间注意力机制的输出为： （4）；式中， 为空间注意力机制的输出， 为空间注意力机制的可学习参数， 为频率点总数， 和 分别为频率点 和 的特征向量， 为频率点 处的原始特征， 为输入特征；通道注意力机制的输出为： （5）；式中， 为通道注意力机制的输出， 为通道注意力机制的可学习参数， 为输入通道数， 和 分别为通道 和通道 的特征向量；双注意力机制的最终输出为： （6）；式中， 为最终输出， 和 分别为空间注意力机制和通道注意力机制的输出；使用训练好的多边形损伤检测网络模型识别车轮多边形磨耗幅值，完成车轮多边形损伤的定量检测。
2.根据权利要求1所述的一种基于轻量化神经网络的机车车轮多边形损伤检测方法，其特征在于，所述对信号进行预处理的方法包括异常数据剔除和数据扩充，具体为：将采集到的信号按10秒/窗的长度进行分割；基于分割后的信号识别并剔除由传感器故障、电磁干扰或瞬态冲击产生的短时高幅异常脉冲和由传感器本身漂移或速度持续变化引起的低频基线漂移趋势项；将窗口大小设为2048，滑动步长设为500，采用窗口切片采样方法对信号进行数据扩充。
3.根据权利要求1所述的一种基于轻量化神经网络的机车车轮多边形损伤检测方法，其特征在于，所述通过快速傅里叶变换获取信号的频域特征，并基于频域特征构建样本数据集的方法，具体为：对快速傅里叶变换后的信号施加150Hz的低通滤波，保留与多边形磨耗幅值相关的激励特征；获取不同速度、不同多边形车轮作用下的频域特征，构建样本数据集，并按照7：2：1的比例划分为训练集、验证集和测试集，并进行归一化处理。
4.根据权利要求3所述的一种基于轻量化神经网络的机车车轮多边形损伤检测方法，其特征在于，所述样本数据集中的每个样本包含1024个频域特征，且每个样本对应3个多边形磨耗幅值的标签值。
5.根据权利要求1所述的一种基于轻量化神经网络的机车车轮多边形损伤检测方法，其特征在于，所述深度残差网络的表达式为： （1）；式中， 为残差块的最终输出， 为输入特征图， 表示残差连接， 为经过卷积层、批归一化层和激活层后的输出；深度卷积网络的表达式为： （2）；式中， 为深度卷积网络中第 个通道在位置 的输出， 为输入数据， 为卷积核长度， 为第 个通道在位置 的值， 为第 个通道的第 个权重；逐点卷积网络的表达式为： （3）；式中， 逐点卷积网络中第 个通道在位置 的输出， 为输入通道数， 为第 个通道在位置 的值， 为第 个输出通道对第 个输入通道的权重，为 的卷积核。
6.根据权利要求5所述的一种基于轻量化神经网络的机车车轮多边形损伤检测方法，其特征在于，所述深度残差网络和深度可分离卷积网络均为三层网络结构。
7.根据权利要求1所述的一种基于轻量化神经网络的机车车轮多边形损伤检测方法，其特征在于，所述深度序列特征提取模块由两层双向长短期记忆网络组成，用于对特征进行前后序列建模，学习输入信号的长程依赖关系和动态变化模式。
8.根据权利要求1所述的一种基于轻量化神经网络的机车车轮多边形损伤检测方法，其特征在于，所述磨耗幅值定量检测模块由一层打平层和五层全连接层组成。
9.根据权利要求1所述的一种基于轻量化神经网络的机车车轮多边形损伤检测方法，其特征在于，所述使用样本数据集对模型进行训练的方法，具体为：使用训练集对车轮多边形损伤检测网络模型进行训练，并以均方误差最小化作为目标函数，其中均方误差为： （7）；式中， 为样本数量， 和 分别为第 个样本的真实值和预测值；根据目标函数的误差进行反向传播更新车轮多边形损伤检测网络模型的权重参数和超参数组合。
