基于结构相似深度卷积自编码的异常扣件检测模型

介绍了轨道扣件系统的基本功能，概述了已有的轨道异常扣件检测技术，归纳了基于机器视觉的传统检测方法和深度学习方法所关注的问题及存在的不足; 介绍了自编码的基本思想与形式化过程，提出了一种基于编解码架构的异常扣件检测模型; 分析了传统像素级图像相似度评价指标的缺陷，实现了基于结构相似的损失函数和图像异常判定; 构建了轨道扣件图像数据集，验证了模型的性能; 将代表性的误报与漏报图像可视化，描述了这些图像的表观特征，分析了发生漏报与误报可能的原因。研究结果表明:结构化相似指标显著提升了模型的检测性能，与具有相同网络架构但使用平均绝对误差和均方误差作为相似度评价指标的检测模型相比，模型的F值分别提升了14.5%和16.2%;与其他对比模型相比，提出的模型取得了最高的检测精确率和F值，分别达到了98.6%和98.1%，与次优的RotNet模型相比分别提升了6.0%和9.8%;召回率为97.1%，略低于深度支持向量数据描述(DSVDD)模型的98.4%;整体上看，F值比所有对比模型均高出超过9%，提出的模型表现出了明显的性能优势。      

基于特征匹配的CAPP系统工艺派生方法设计与应用

针对现存的气门零件CAPP系统存在难以对企业经常生产的气门零件直接分组建立数据库的问题，基于成组技术开发了气门零件分组程序。针对进行气门零件CAPP系统特征匹配后不能明确指出现存工艺文件所需修改位置的问题，基于数控技术拟出了气门零件特征与机加工的关系并做出新的气门零件特征匹配程序。     

基于DCNN-SVM的道岔智能故障诊断方法研究

针对道岔故障难检测、难分类、时效差等难题，以S700型转辙机道岔为研究对象，提出一种基于DCNN-SVM的道岔故障诊断方法。首先从道岔正常转换曲线和发生故障时的动作曲线入手，总结故障类型、故障原因和故障信号形态特征，并对道岔转换动作曲线进行预处理，即数据统一维度和归一化。然后计算标准电流曲线和功率曲线，根据道岔转换曲线与标准曲线的相似度来识别道岔转换正常和异常。再采用分区时域特征提取和ReliefF特征筛选，选取对故障分类具有明显效果的时域特征，以及根据深度学习算法获取的图像特征，形成有效特征向量空间。最后使用训练集对DCNN-SVM道岔故障诊断算法进行模型训练，并基于诊断模型实现道岔故障的实时诊断。实验表明：在样本数据量足够大的情况下，DCNN-SVM道岔故障诊断方法正确率达99.01%,相比SVM算法提高0.64%,对保障行车安全具有十分重要的作用。     

基于实测加速度的悬索桥涡振全过程模态参数演变

为探明桥梁涡振全过程模态参数演变规律，对发生涡振的某悬索桥12 d实测加速度数据进行分析。首先，基于涡振特征指标与改进的随机子空间法，识别并追踪桥梁涡振分布和模态参数；然后，根据涡振报警级别将频率、阻尼比进行分类，研究模态参数在涡振前、中、后的变化规律；最后，分析模态参数与涡振特性之间的相关性。结果表明：在这12 d内，该悬索桥间断地发生了多次、多阶频率，多种程度的涡振；前6阶频率均值仅由于环境影响出现小幅度波动；在涡振期间，各阶频率离散性更小，波动范围仅在0.002 Hz左右；前6阶阻尼比均值线基本保持在稳定区间内，但局部波动变异很大；在涡振期间，由于气动阻尼影响，桥梁涡振锁定频率所在阶次对应的识别阻尼比先明显下降后很快恢复，其他阶次阻尼比没有明显变化；涡振对阻尼比识别值影响较大，但对结构阻尼比影响很小。研究结果揭示了该悬索桥涡振全过程的频率和阻尼比变化规律及其与涡振的关系，可为更准确找出涡振原因和涡振管控提供参考。