高速铁路钢轨擦伤特征及影响因素北大核心

为减少钢轨擦伤的产生,对多条高速铁路线路进行实地调研和统计分析,得到钢轨擦伤的形貌特征;结合牵引制动状态研究单双股、平纵断面(坡度和线形)、下部基础、车辆类型对钢轨擦伤分布的影响。结果表明:钢轨擦伤可分为车轮空转擦伤和车轮滑行擦伤,车轮空转擦伤在机车启动或上坡牵引过程中产生,车轮滑行擦伤由机车或动车组在制动或行驶过程中产生;在进出站频繁启停处、大坡度和曲线区段产生钢轨擦伤的概率更高,下部基础对钢轨擦伤的产生影响较小。在坡度等级为-2‰~2‰时,76.92%的钢轨擦伤出现在进出站前后1 km区域;单位里程上,坡度大于14‰处的钢轨擦伤数量占比为45.42%,曲线区段的钢轨擦伤数量占比为62.72%。     

基于车辆响应的高速铁路轨道几何状态评估方法

轨道几何状态科学评估对保障高速铁路列车平稳、安全运行具有重要意义。基于高速综合检测列车多次检测数据，利用卷积神经网络、注意力模块和长短时记忆网络，分别学习数据的波形特征、注意力权值、长距离空间依赖关系特征，建立CBAM-CNN-LSTM车辆动态响应预测模型。该模型通过输入轨道几何、运行速度和车型预测不同工况下的车辆动态响应，进而利用预测的车辆动态响应评价轨道几何状态。研究结果表明，建立的模型能够有效预测车体振动响应，根据我国某高速铁路两种车型综合检测列车检测数据的验证结果，车体横向、垂向加速度的均方根预测误差分别为0.004g、0.009g,相关系数分别为0.608、0.793;利用预测的车辆动态响应评估轨道状态，能够有效识别引起车体振动加剧的轨道几何不利状态或隐形病害。此外，模型内部的注意力权值有助于分析挖掘导致轨道状态不良的轨道几何参数类型和位置信息。     

基于机器视觉的圆斑状钢轨擦伤检测算法

针对现有基于灰度阈值的钢轨擦伤检测算法受光照等外部环境的影响较大的问题，本文提出了一种基于机器视觉的圆斑状钢轨擦伤检测算法。首先通过分析采集图像在垂直方向的灰度均值曲线，提取出钢轨顶面区域；然后运用边缘检测的方法得到擦伤区域边缘的候选像素点；最后运用形态学处理删除不属于擦伤区域的虚假边缘，确定钢轨擦伤区域的位置。用测试数据集对本文算法进行检测性能评测，并与基于灰度阈值的算法进行对比。结果表明：本文算法对圆斑状钢轨擦伤样本的检测准确率为96.4%，而基于灰度阈值的算法的检测准确率为86.8%，本文算法的检测准确率大幅提升，能够对钢轨擦伤进行有效检测。