基于SVM的地铁钢轨短波波磨特征识别

地铁钢轨短波波磨现象严重影响列车运行安全,更快速、准确地对钢轨波磨进行检测,有利于及时指导钢轨打磨,从而避免或减少由钢轨波磨引发的一系列问题。文章以轮轨噪声作为检测信号,提出了一种基于支持向量机（SVM）的地铁钢轨短波波磨特征识别框架;结合轮轨噪声和短波波磨类别特点,采用时域-频域特征提取方法,以最大化支持向量机分类精度为依据,实现对特征的有效提取和选择;较为全面地考虑现实中的各类钢轨短波波磨类型,实现对短波波磨的正确分类。分类测试结果表明,基于轮轨噪声和支持向量机的地铁钢轨短波波磨特征识别方法能够有效地对波磨波长和幅值进行正确分类,其中波长分类平均精度达到97.32%,幅值分类平均精度达到97.99%.     

炭素制品X射线图像的缺陷特征选择

针对炭素制品X射线检测图像的特点,对缺陷特征提取与选择技术进行了研究。为排除噪声干扰的影响,采用数学形态学和迭代阈值分割相结合的方法从原始图像中提取缺陷区域。在此基础上,从缺陷样本中提取19个特征值。为提高缺陷模式识别对各种噪声及干扰的鲁棒性,提出以特征组合分类能力数学模型为适合度函数,设计基于遗传算法的特征选择策略,实现了对缺陷原始特征量的优化选择。利用BP神经网络分类器及选择的特征值对缺陷进行模式分类。研究结果表明,所提出的选择方法可以用于缺陷的识别与分类。     

基于Revit平台的墙体模型自动生成算法

分析了施工图图元组成,通过过滤图层以及图元类型提取墙线图元信息;重点对重叠弧线进行分类并提出处理重叠线的方法;对表示弧形墙体的同心弧线进行分类,提出获取弧形墙中心线以及墙体厚度的方法。基于Revit平台,利用C#语言进行程序开发,实现墙体的自动生成,验证了算法的可行性,提高了墙体模型的建模效率及准确性,实现了墙体模型的三维重建。     

粗糙集理论在钢轨表面缺陷分类中的应用

基于机器视觉的钢轨表面缺陷检测系统已被广泛使用,但之前的工作大都关注于缺陷的检测,对缺陷的后分类研究却鲜有涉及。缺陷后分类不仅可实现扣件异常的归类,而且有利于去除诸如泥污、斑点、噪声、轨缝等造成的干扰。本文提出的缺陷分类方法包括2个步骤:首先基于几何形状和灰度统计实现了缺陷分类特征的快速提取;然后利用粗糙集理论提取了缺陷的分类规则。试验结果验证了提取特征的有效性,在测试集上的分类精度达到90.8%,取得了令人满意的分类结果。     

城市轨道交通的噪声及其防护

介绍了城市轨道效能噪声的形成与分类，提出了降低列列车辐射噪声的措施等。     

基于改进Fisher准则、VMD、距离相关系数和核极限学习机的轴承故障诊断

针对滚动轴承早期微弱故障特征提取问题和诊断模型的参数优化问题,提出一种基于变分模态分解(VMD)和距离相关系数的特征提取方法和基于模拟退火粒子群算法的参数优化方法。首先依据不出现模态混叠的条件和信噪比最大的准则确定VMD的参数k和α,其次将分解所得各个模态的峭度,中心频率和同原信号的距离相关系数作为小波核极限学习机的特征向量,并用模拟退火粒子群算法基于改进的核空间的Fisher准则优化小波核的2个参数,同原始Fisher准则相比提升了分类准确率,适用于小样本训练集下核极限学习机的参数优化。对比实验表明相比EMD方法,VMD方法有更高的分类准确率和更好的噪声鲁棒性。     

铁路噪声比例预测法的改进

针对原铁路噪声比例预测法不适应铁路提速和环境变化的需要,对其方法进行了改进。改进后的比例法采用现场实测的暴露声级作为输入参数的噪声基本量,可以按货运列车、常速列车、提速列车、客运专线列车等分类。提出的修正量参数适应由于列车、车辆技术改进或更新所引起的噪声辐射强度的变化。     

机车车辆制造工业的污水处理

阐述了机车车辆制造工业污水的产生，分类和污水中污染物的组成，提出了污水处理方案“治理－再用”的两种工艺流程，建议采用“沉淀－隔油－生物接触氧化－过滤”的处理方法。     

车轮电磁超声探伤技术及自适应滤波算法研究

对电磁超声技术(EMAT)及车轮踏面探伤原理进行介绍,并给出回波定位及缺陷判断的方法。针对检测过程中所产生的噪声信号,提出采用变步长、归一化的最小均方自适应滤波(NLMS)算法来解决。通过将输入信号进行适当延迟获得参考信号,将其与输入信号叠加,进而用于过滤探伤中产生的噪声信号。从处理结果来看,该方法应用前景良好。     

基于集合经验模态分解和小波变换的轮轨力应变信号降噪

为解决轮轨力应变信号中的噪声干扰问题,提出了基于集合经验模态分解与小波变换相结合的去噪方法。该方法能够判断出含有基线漂移和高频噪声的模态分量。对含有基线漂移的分量通过小波变换进行分解,将代表基线漂移的趋势项置零达到去除基线漂移的目的。对于高频噪声,则是采用小波阈值法进行去除。实测轮轨力应变信号的去噪处理表明了该方法的有效性。