基于改进Faster R-CNN的车轮踏面缺陷检测

车轮踏面缺陷是影响列车轮对正常工作的重要因素,目前主流的检测方式为人工或半自动检测,耗时长、效率差、精度低,提高检测效率和精度、及时获取踏面缺陷信息对保障列车正常运行具有重要意义.针对现有神经网络算法难以检测细小缺陷的问题,提出改进Faster R-CNN的检测方法,改进了基于候选框大小与IOU的评估方法,并优化了相关...     

车轮踏面擦伤深度的简易测算方法

针对铁道车辆在运行中因各种原因车轮踏面产生的擦伤现象,本文介绍了几种目前常用的踏面擦伤深度简易测算方法,用以指导轮对是否需要进行镟修处理。     

基于基因遗传算法的车轮踏面优化

结合遗传优化算法与车辆动力学仿真,对车轮踏面进行动态优化。建立了与车辆系统关键动力学指标相对应的适应度函数,根据优化目标选择加权系数形成综合适应度函数。以磨耗形踏面作为父本踏面,生成初始踏面群体,使用动力学软件SIMPACK计算不同踏面个体对应的动力学指标,用基因算法对各踏面个体的适应度进行评价,选择适应度较高的踏面进行交叉和变异操作形成新的踏面群体,如此进行数代遗传优化得到了适应度较高的踏面形状。     

基于车轮踏面损伤深度预测车轮旋修量的研究

介绍了根据车轮踏面热裂纹及擦伤而扩展的裂纹深度,预测适宜的车轮旋修量的方法。     

基于改进Canny算法的列车车轮踏面损伤边缘提取

针对高速列车车轮踏面擦伤、剥离的人工巡检方法效率较低且容易出现漏检等问题,设计一种高速列车车轮踏面损伤的动态检测系统,提出一种擦伤、剥离的特征提取方法。该方法在现有Canny算法的基础上加入45°方向和135°方向梯度模板来计算梯度幅值,用线性插值法对梯度幅值进行非极大值抑制,再使用优化后的迭代阈值算法求得高阈值和低阈值。试验结果表明,该算法可以有效地抑制噪声和干扰,最大限度地保留高速列车车轮踏面的真实边缘,为列车车轮踏面损伤自动巡检提供技术支持。     

基于粗糙度算法的车轮踏面外形数字锉刀研究

应用Matlab平台开发了粗糙度算法和数字化锉刀软件,实现了对轨道车辆车轮踏面外形的数字化虚拟打磨.软件采用交互式的界面,首先根据表面粗糙度算法,分析打磨前的踏面外形,对其进行平滑性处理,然后再对打磨后的踏面外形进行评价.     

基于IEC 61373:2010的轨道交通列车车轮踏面清扫器振动冲击试验

介绍了轨道交通列车车轮踏面清扫器的结构与功能。参照IEC 61373:2010的要求,对实车采集的振动载荷进行了等效计算。设计了试验方案,对踏面清扫器进行了横向、纵向和垂向等3个方向的模拟长寿命振动试验、冲击试验和功能性随机振动试验。结果表明,在目前的试验条件下,踏面清扫器各零部件未出现明显裂痕,性能未受到影响。     

基于激光位移传感器的车轮踏面磨耗检测方法研究

针对当前城轨车辆车轮踏面磨耗人工检测劳动强度高、检测精度低的问题,提出一种基于激光位移传感器的车轮踏面磨耗检测方法。首先在轨道外侧安装一组激光位移传感器进行车轮踏面数据采集;其次结合标准轮对踏面轮廓数据,采用数据预处理、坐标旋转、数据融合等算法获取实际车轮踏面轮廓线;最后根据踏面磨耗几何关系获得车轮踏面磨耗值。通过踏面磨耗检测误差分析以及现场标准轮对实验和过车实验表明,所提方法检测精度为±0.2 mm,抗干扰能力强,能够满足踏面磨耗检测实际要求。     

基于GA-岭回归分析的机车车轮踏面磨耗量预测算法研究

车轮踏面磨耗量是评价机车运行安全的重要参数,但多数车轮运维现场的条件尚不能对踏面磨耗量及时、准确地进行监测。为了解决上述问题,文章提出了基于“GA-岭回归”分析的机车车轮踏面磨耗量预测算法（简称“GA-岭回归”预测算法）。“GA-岭回归”预测算法分为数据前处理和数据预测分析2部分。对于数据前处理,首先依据不同的测量方式对采集到的踏面磨耗量数据进行分类,基于车轮的实际运维情况,分析不同类型数据的特点;随后以镟修周期作为数据划分标准,对分类后的数据进行切片处理;最后采用相关标准和主成分分析法对相应的动态测量数据进行清洗、降噪。对于数据预测分析,首先划分数据集,进行数据整合,创建训练集数据的时间滑动窗口;随后采用岭回归算法对训练集数据进行回归分析训练,并结合遗传算法和验证集数据进行模型参数的调优,以提高预测准确性。基于测试集数据,分别采用传统预测算法、岭回归线性预测算法和“GA-岭回归”预测算法,对3类预测算法的预测效果进行对比分析;随后采用相同的测试方法,扩大车轮样本的数量,继续进行预测效果的对比分析。测试结果表明,采用“GA-岭回归”预测算法的预测误差和误差标准差均相对较低。经分析可知,...     

基于数据驱动的机车车轮剩余寿命预测技术

为优化机车车轮运维管理,提高机车车轮剩余寿命的预测精度和稳定性,提出基于数据驱动的机车车轮剩余寿命预测模型。依托机车车轮全寿命周期的造修和运维数据,分析影响车轮服役寿命的主要因素,包括轮径、历史和环境影响因素。构建基于数据驱动的机车车轮剩余寿命预测模型,模型以轮径区间作为寿命计算单元,并引入轮径历史和环境损失率,综合考虑3类因素对寿命预测的影响。现场测试中,因某轮径区间的数据不符合计算要求,导致轮径环境损失率存在数据缺失问题,于是采用多层感知机算法对缺失项进行预测和补充。基于测试集中的车轮旋修数据,对比数据驱动预测算法和传统预测算法的预测效果。由结果可知,数据驱动预测算法的预测精度和稳定性均优于传统预测算法。