CN111859676A - 一种针对浮置板轨道钢弹簧损伤的智能检测方法 - Google Patents
一种针对浮置板轨道钢弹簧损伤的智能检测方法 Download PDFInfo
- Publication number
- CN111859676A CN111859676A CN202010718442.5A CN202010718442A CN111859676A CN 111859676 A CN111859676 A CN 111859676A CN 202010718442 A CN202010718442 A CN 202010718442A CN 111859676 A CN111859676 A CN 111859676A
- Authority
- CN
- China
- Prior art keywords
- damage
- track
- steel spring
- neural network
- floating plate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0033—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by determining damage, crack or wear
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M5/00—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
- G01M5/0066—Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings by exciting or detecting vibration or acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及轨道交通技术领域,目的是提供一种针对浮置板轨道钢弹簧损伤的智能检测方法,包括下列步骤:S1:根据相关参数构建车辆‑浮置板轨道耦合动力学仿真模型;S2:利用上述仿真模型计算多种情景下的浮置板振动加速度,将计算结果构建成一个大数据集;S3:建立包含残差学习思想的一维卷积神经网络,利用所构建的数据集对神经网络进行训练,参数优化及性能测试;S4:设计与该网络相匹配的传感器布置方案;S5:设计适用于多种情景下的检测任务的数据集构建方案;S6:在地铁线路目标区段的轨道板上开展实验,结合传感器布置方案与数据集构建方案,构建实测大数据集,对利用仿真数据训练的神经网络进行迁移学习,使该网络具备识别实测数据的能力。
Description
技术领域
本发明涉及轨道交通领域,具体涉及一种针对浮置板轨道钢弹簧损伤的智能检测方法。
背景技术
随着城市轨道交通行业的发展,各个城市的地铁线路规模不断扩大,地铁所带来的环境振动与噪声问题备受关注,减振降噪是地铁建设中需要考虑的重要问题。浮置板轨道作为一种重要的减振产品,因其良好的减振性能被广泛使用。然而,浮置板轨道的减振性能非常依赖其内部的阻尼钢弹簧的可靠性,钢弹簧的断裂将严重影响浮置板轨道的性能并威胁行车安全。但在浮置板轨道检测行业尚无可用的有效检测方法,主要依赖于人工排查,因此开发一种钢弹簧检测方法是必要且紧迫的。
发明内容
本发明目的在于提供一种针对浮置板轨道钢弹簧损伤的智能检测方法,利用一维卷积神经网络为手段,使用轨道板的振动响应作为分析对象,解决了人工排查所带来的局限性,通过分析传感器与损伤钢弹簧复杂的相对距离对识别准确度的影响,优化了传感器布置方案,本发明结构合理,设计巧妙,适合推广;
本发明所采用的技术方案是:一种针对浮置板轨道钢弹簧损伤的智能检测方法,包括下列步骤:
S1:获取地铁线路目标区段的地铁车辆参数和浮置板轨道结构的参数作为输入,输入进已构建的车辆-浮置板轨道耦合仿真模型中,执行S2;
S2:根据所述车辆-浮置板轨道耦合模型,分析得出传感器布置方案,根据所述传感器布置方案在铺设有钢弹簧浮置板轨道的目标区段中设置传感器,执行S3;
S3:对所述传感器在钢弹簧不同健康状况下采集的原始数据进行标准化处理,并输入至已训练的损伤识别模型中,执行S4;
S4:所述损伤识别模型输出预测的钢弹簧损伤位置及程度,执行步骤S5;
S5:结束。
优选的,所述S1中,所述车辆-浮置板轨道耦合仿真模型的工作过程包括下列步骤:
S11:获取地铁线路目标区段的地铁车辆参数和浮置板轨道结构的参数,通过软件搭建车辆-浮置板轨道耦合仿真模型,执行S12;
S12:通过调整模型中的钢弹簧系统的刚度系数和阻尼系数来成对模拟钢弹簧的损伤情况,并设置不同的计算情景,在不同的计算情景下,采集轨道板的振动加速度并构建大数据集,执行S13;
S13:利用Z-score方法对大数据集进行标准化处理,执行S14;
S14:利用S13中处理后的大数据集对优化后的一维残差神经网络进行训练和测试,得到传感器位置与损伤识别准确率的关系,从而确定合适的传感器布置方案。
优选的,所述损失识别模型的训练过程为:
S31:所述S13中的大数据集分为训练集、验证集和测试集,发送至S32;
S32:建立一维残差神经网络,通过交叉验证方式利用训练集对神经网络进行训练,并利用验证集对网络进行参数优化,再通过测试集检验性能,最终得到优化后的一维残差神经网络,发送至S33;
S33:结合所述S14中传感器布置方案,分析一维残差神经网络对不同速度和不同轴重下的数据集的泛化性能,发送至S34;
S34:根据所述S14中传感器布置方案,结合所述S33中的泛化性能分析结果,收集相应情景下的轨道板振动加速度实测数据,构建实测大数据集,执行S35;
S35:将优化后的一维残差神经网络在所述实测大数据集上完成迁移学习,获得分类实测数据集的能力,得到用于已训练的损伤识别模型。
优选的,所述S11中车辆-浮置板轨道耦合仿真模型通过在MATLAB软件构建,所述S32中的一维残差神经网络基于Python语言构建。
优选的,所述S14中,所述优化后的一维残差神经网络从损伤定性分析和损伤定位分析两个方面,根据传感器位置与损伤弹簧位置的相对距离对损伤识别准确度的影响,形成传感器位置与损伤识别准确率的关系,得到传感器位置与损伤的钢弹簧的相对距离阈值。
优选的,定性分析用于评估优化后的一维残差神经网络分类正常情景下的数据与损伤情景下处理数据的能力,定位分析用于评估优化后的一维残差神经网络对不同损伤位置下的数据进行有效分类的能力。
优选的,所述S33中,根据泛化性能分析减少S34中采集轨道振动加速度实测数据的情景种数。
优选的,所述S12中,不同计算情景包括不同的车辆载荷、行车速度、损伤位置以及轨道不平顺激励。
优选的,S2中,钢弹簧浮置板轨道线路的轨道板上布置若干个传感器,所述的传感器采集轨道板垂向加速度作为原始数据。
优选的,所述S2中,所述传感器布置方案具体为,在分布若干对等间距的钢弹簧隔振器的浮置板轨道上,选取一块轨道板作为对象,根据钢弹簧隔振器的分布情况,在轨道板的中间区域设置传感器。
与现有技术相比,本发明的有益效果为:
1.使用轨道板的振动响应作为分析对象,解决了人工排查所带来的局限性,使用一维残差神经网络处理数据,无需人工提取特征,可实现钢弹簧损伤的自动化检测,并可识别少量的钢弹簧失效,且识别准确度高;
2.通过分析传感器与损伤钢弹簧的相对距离对识别准确度的影响,优化了传感器布置方案,根据泛化性能分析结果,用少部分工况数据集训练神经网络,使其实现对更多的工况下的数据进行准确分类,减小了所需的数据集规模。
附图说明
图1为一种针对浮置板轨道钢弹簧损伤的智能检测方法的流程图;
图2为本发明的实施例中一维残差神经网络的原理图;
图3为本发明的实施例中的轨道板的示意图;
图4为本发明的实施例中在二元分类下传感器位置与损伤位置的相对距离对识别性能影响的示意图;
图5为本发明的实施例中在二元分类下传感器位置与板中的相对距离对识别性能影响的示意图;
图6为本发明的实施例中优化后的传感器的布置方案示意图;
图7为本发明的实施例中各个传感器布置方案的对比图。
具体实施方式
下面结合本发明的附图1~7,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施。
在本发明的描述中,需要理解的是,术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
一种针对浮置板轨道钢弹簧损伤的智能检测方法,包括下列步骤:
S1:获取地铁线路目标区段的地铁车辆参数和浮置板轨道结构的参数作为输入,输入进已构建的车辆-浮置板轨道耦合仿真模型中,执行S2;
S2:根据所述车辆-浮置板轨道耦合模型,分析得出传感器布置方案,根据所述传感器布置方案在铺设有钢弹簧浮置板轨道的目标区段中设置传感器,执行S3;
S3:对所述传感器在钢弹簧不同健康状况下采集的原始数据进行标准化处理,并输入至已训练的损伤识别模型中,执行S4;
S4:所述损伤识别模型输出预测的钢弹簧损伤位置及程度,执行步骤S5;
S5:结束。
值得说明的是,所述S1中,所述车辆-浮置板轨道耦合仿真模型的工作过程包括下列步骤:
S11:获取地铁线路目标区段的地铁车辆参数和浮置板轨道结构的参数,通过软件搭建车辆-浮置板轨道耦合仿真模型,执行S12;
S12:通过调整模型中的钢弹簧系统的刚度系数和阻尼系数来成对模拟钢弹簧的损伤情况,并设置不同的计算情景,在不同的计算情景下,采集轨道板的振动加速度并构建大数据集,执行S13;
S13:利用Z-score方法对大数据集进行标准化处理,执行S14;
S14:利用S13中处理后的大数据集对优化后的一维残差神经网络进行训练和测试,得到传感器位置与损伤识别准确率的关系,从而确定合适的传感器布置方案。
值得说明的是,所述损失识别模型的训练过程为:
S31:所述S13中的大数据集分为训练集、验证集和测试集,发送至S32;
S32:建立一维残差神经网络,通过交叉验证方式利用训练集对神经网络进行训练,并利用验证集对网络进行参数优化,再通过测试集检验性能,最终得到优化后的一维残差神经网络,发送至S33;
S33:结合所述S14中传感器布置方案,分析一维残差神经网络对不同速度和不同轴重下的数据集的泛化性能,发送至S34;
S34:根据所述S14中传感器布置方案,结合所述S33中的泛化性能分析结果,收集相应情景下的轨道板振动加速度实测数据,构建实测大数据集,执行S35;
S35:将优化后的一维残差神经网络在所述实测大数据集上完成迁移学习,获得分类实测数据集的能力,得到用于已训练的损伤识别模型。
值得说明的是,所述S11中车辆-浮置板轨道耦合仿真模型通过在MATLAB软件构建,所述S32中的一维残差神经网络基于Python语言构建。
值得说明的是,所述S14中,所述优化后的一维残差神经网络从损伤定性分析和损伤定位分析两个方面,根据传感器位置与损伤弹簧位置的相对距离对损伤识别准确度的影响,形成传感器位置与损伤识别准确率的关系,得到传感器位置与损伤的钢弹簧的相对距离阈值。
值得说明的是,所述S14中,所述优化后的一维残差神经网络从损伤定性分析和损伤定位分析两个方面,根据传感器位置与损伤弹簧位置的相对距离对损伤识别准确度的影响,得到传感器位置与损伤的钢弹簧的相对距离阈值。
值得说明的是,定性分析用于评估优化后的一维残差神经网络分类正常情况下的数据和损伤情况下处理数据的能力,定位分析用于评估优化后一维残差神经网络不同损伤位置下的处理数据的能力。
值得说明的是,所述S33中,通过泛化性能减少S34中轨道振动加速度实测数据的采集次数。
值得说明的是,所述S12中,不同计算情景包括不同的车辆载荷、行车速度、损伤位置以及轨道不平顺激励。
值得说明的是,请参照图1,S2中,轨道板上设置若干个钢弹簧和传感器,所述多个传感器用以获取轨道板垂向加速度作为原始数据。
值得说明的是,所述S2中,所述传感器布置方案具体为,在分布若干对等间距的钢弹簧隔振器的浮置板轨道上,选取一块轨道板作为对象,根据钢弹簧隔振器的分布情况,在轨道板的中间区域设置传感器。
值得说明的是,不同于二维图像,振动响应属于一维时间序列,因此选用一维神经网络。其次,RNN主要运用于语句、语音、视频等数据的处理,理论上可以用于振动响应的处理,但不常见;DNN在损伤检测领域有应用的先例,但需要人工提取特征;普通CNN可自动提取特征,其一维形式也可用于振动响应的处理,但其性能有限,随着网络深度增加,会发生退化(理论上神经网络越深,其抽象能力越强,分类数据的性能也越好。但实际中随着网络层数增加,神经网络的性能反而下降,这种现象被称为退化)。残差神经网络利用‘残差学习’模块,优化了层与层之间的特征传递,使网络在具有更多层数的同时避免退化,此外还能加速网络的训练,与其它神经网络相比,更适用于浮置板钢弹簧的检测。
值得说明的是,以一块含有5个钢弹簧的轨道板为例,其最终预测类别共包含6个,即:损伤位置1,损伤位置2,损伤位置3,损伤位置4,损伤位置5,无损伤。另需补充的是:本发明仅模拟一对钢弹簧发生损坏,并未考虑多对钢弹簧同时损坏,目的是检测出轨道板中最初的一对钢弹簧发生损坏时的损坏位置,请参照图3。
值得说明的是,请参照图3,虚线框表示损伤的钢弹簧被成对模拟,所选的轨道板长度为6m,共包含5个钢弹簧,每个钢弹簧间隔1.2m,数据准备:该实例考虑了80、90、100、110、120km/h五种行车速度,以及Aw0,Aw2,Aw3三种载荷情况;分析过程:本发明从定性分析和定位分析两个方面评估了单个传感器与损伤位置的相对距离对损伤识别准确度的影响。具体地,定性分析用于评估模型分类正常情况下的数据与损伤情况下的数据的能力,而定位分析则用于评估模型分类不同损伤位置下的数据的能力,请参照图4,No.1表示沿列车运行方向的第一个钢弹簧,No.2、No.3等以此类推。可见两端的钢弹簧受影响较小,而中间的钢弹簧受影响较大。
值得说明的是,在定位分析结果如图5所示,传感器与板中的相对距离在零点位置是最优的,尤其是结合两个分析结果可知,传感器应更多地布置在轨道板中间区域。参考以上结论,可设计两种传感器布置方案,如图6所示,两种方案与全覆盖方案(每个钢弹簧上方均布置一个传感器)的对比如下图7所示,两种方案均具有良好的识别准确率。方案1使用的传感器数量最少,但降低了识别性能,方案2的性能则更加保守。
综上所述,本实施例的实施原理为:使用基于车辆轨道耦合动力学模型的仿真数据进行神经网络训练,解决了实测数据难以获得的问题,使用轨道板的振动响应作为分析对象,无需人工提取特征,可实现钢弹簧损伤的自动化检测,通过分析传感器与损伤钢弹簧的相对距离对识别准确度的影响,优化了传感器布置方案,根据泛化性能分析结果,用少部分数据训练神经网络,使其实现对更多的工况下的数据进行准确分类,减小了所需的数据集规模,本发明结构合理,设计巧妙,适合推广。
Claims (10)
1.一种针对浮置板轨道钢弹簧损伤的智能检测方法,其特征在于,包括下列步骤:
S1:获取地铁线路目标区段的地铁车辆参数和浮置板轨道结构的参数作为输入,输入进已构建的车辆-浮置板轨道耦合仿真模型中,执行S2;
S2:根据所述车辆-浮置板轨道耦合模型,分析得出传感器布置方案,根据所述传感器布置方案在铺设有钢弹簧浮置板轨道的目标区段中设置传感器,执行S3;
S3:对所述传感器在钢弹簧不同健康状况下采集的原始数据进行标准化处理,并输入至已训练的损伤识别模型中,执行S4;
S4:所述损伤识别模型输出预测的钢弹簧损伤位置及程度,执行步骤S5;
S5:结束。
2.根据权利要求1所述的一种针对浮置板轨道钢弹簧损伤的智能检测方法,其特征在于,所述S1中,所述车辆-浮置板轨道耦合仿真模型的工作过程包括下列步骤:
S11:获取地铁线路目标区段的地铁车辆参数和浮置板轨道结构的参数,通过软件搭建车辆-浮置板轨道耦合仿真模型,执行S12;
S12:通过调整模型中的钢弹簧系统的刚度系数和阻尼系数来成对模拟钢弹簧的损伤情况,并设置不同的计算情景,在不同的计算情景下,采集轨道板的振动加速度并构建大数据集,执行S13;
S13:利用Z-score方法对大数据集进行标准化处理,执行S14;
S14:利用S13中处理后的大数据集对优化后的一维残差神经网络进行训练和测试,得到传感器位置与损伤识别准确率的关系,从而确定合适的传感器布置方案。
3.根据权利要求2所述的一种针对浮置板轨道钢弹簧损伤的智能检测方法,其特征在于,所述损失识别模型的训练过程为:
S31:所述S13中的大数据集分为训练集、验证集和测试集,发送至S32;
S32:建立一维残差神经网络,通过交叉验证方式利用训练集对神经网络进行训练,并利用验证集对网络进行参数优化,再通过测试集检验性能,最终得到优化后的一维残差神经网络,发送至S33;
S33:结合所述S14中传感器布置方案,分析一维残差神经网络对不同速度和不同轴重下的数据集的泛化性能,发送至S34;
S34:根据所述S14中传感器布置方案,结合所述S33中的泛化性能分析结果,收集相应情景下的轨道板振动加速度实测数据,构建实测大数据集,执行S35;
S35:将优化后的一维残差神经网络在所述实测大数据集上完成迁移学习,获得分类实测数据集的能力,得到用于已训练的损伤识别模型。
4.根据权利要求3所述的一种针对浮置板轨道钢弹簧损伤的智能检测方法,其特征在于,所述S11中车辆-浮置板轨道耦合仿真模型通过在MATLAB软件构建,所述S32中的一维残差神经网络基于Python语言构建。
5.根据权利要求3所述的一种针对浮置板轨道钢弹簧损伤的智能检测方法,其特征在于,所述S14中,所述优化后的一维残差神经网络从损伤定性分析和损伤定位分析两个方面,根据传感器位置与损伤弹簧位置的相对距离对损伤识别准确度的影响,形成传感器位置与损伤识别准确率的关系,得到传感器位置与损伤的钢弹簧的相对距离阈值。
6.根据权利要求5所述的一种针对浮置板轨道钢弹簧损伤的智能检测方法,其特征在于,定性分析用于评估优化后的一维残差神经网络分类正常情景下的数据与损伤情景下处理数据的能力,定位分析用于评估优化后的一维残差神经网络对不同损伤位置下的数据进行有效分类的能力。
7.根据权利要求1所述的一种针对浮置板轨道钢弹簧损伤的智能检测方法,其特征在于,所述S33中,根据泛化性能分析减少S34中采集轨道振动加速度实测数据的情景种数。
8.根据权利要求2所述的一种针对浮置板轨道钢弹簧损伤的智能检测方法,其特征在于,所述S12中,不同计算情景包括不同的车辆载荷、行车速度、损伤位置以及轨道不平顺激励。
9.根据权利要求1所述的一种针对浮置板轨道钢弹簧损伤的智能检测方法,其特征在于,S2中,钢弹簧浮置板轨道线路的轨道板上布置若干个传感器,所述的传感器采集轨道板垂向加速度作为原始数据。
10.根据权利要求1至9中任意一项所述的一种针对浮置板轨道钢弹簧损伤的智能检测方法,其特征在于,所述S2中,所述传感器布置方案具体为,在分布若干对等间距的钢弹簧隔振器的浮置板轨道上,选取一块轨道板作为对象,根据钢弹簧隔振器的分布情况,在轨道板的中间区域设置传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010718442.5A CN111859676B (zh) | 2020-07-23 | 2020-07-23 | 一种针对浮置板轨道钢弹簧损伤的智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010718442.5A CN111859676B (zh) | 2020-07-23 | 2020-07-23 | 一种针对浮置板轨道钢弹簧损伤的智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111859676A true CN111859676A (zh) | 2020-10-30 |
CN111859676B CN111859676B (zh) | 2022-11-22 |
Family
ID=72950398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010718442.5A Active CN111859676B (zh) | 2020-07-23 | 2020-07-23 | 一种针对浮置板轨道钢弹簧损伤的智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859676B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465000A (zh) * | 2020-11-19 | 2021-03-09 | 国家高速列车青岛技术创新中心 | 基于卷积变分编码器和异常检测算法的钢轨隐伤定位方法 |
CN113063579A (zh) * | 2021-03-24 | 2021-07-02 | 道尔道科技有限公司 | 一种远程式钢弹簧隔振器在线故障检测装置及其方法 |
CN113670587A (zh) * | 2021-07-26 | 2021-11-19 | 上海睿而维科技有限公司 | 一种钢弹簧浮置板受力检测装置 |
CN116540564A (zh) * | 2023-05-26 | 2023-08-04 | 西南交通大学 | 一种基于ros和半实物仿真的轨道检测机器人仿真方法 |
CN117091823A (zh) * | 2023-08-18 | 2023-11-21 | 无锡威佳电力科技有限公司 | 一种基于应力变化引起阻值变化的螺栓松动检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103616396A (zh) * | 2013-10-10 | 2014-03-05 | 贵州大学 | 无损快速测定弹簧钢的方法 |
CN104200004A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 一种优化的基于神经网络的桥梁损伤识别方法 |
CN108181103A (zh) * | 2018-03-05 | 2018-06-19 | 南京华创交通设备有限公司 | 一种钢弹簧隔振器检测系统 |
CN110119785A (zh) * | 2019-05-17 | 2019-08-13 | 电子科技大学 | 一种基于多层spiking卷积神经网络的图像分类方法 |
CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
CN110254468A (zh) * | 2019-06-20 | 2019-09-20 | 吉林大学 | 一种轨道表面缺陷智能在线检测装置及检测方法 |
CN110457750A (zh) * | 2019-07-09 | 2019-11-15 | 国家电网有限公司 | 基于神经网络响应面的有载分接开关弹簧储能不足故障识别方法 |
CN110728000A (zh) * | 2019-09-29 | 2020-01-24 | 华中科技大学 | 一种无砟轨道弹性扣件损伤识别方法 |
CN111091542A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车转向架弹簧托板折断故障图像识别方法 |
CN111257415A (zh) * | 2020-01-17 | 2020-06-09 | 同济大学 | 基于移动列车振动信号的隧道损伤检测管理系统 |
-
2020
- 2020-07-23 CN CN202010718442.5A patent/CN111859676B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103616396A (zh) * | 2013-10-10 | 2014-03-05 | 贵州大学 | 无损快速测定弹簧钢的方法 |
CN104200004A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 一种优化的基于神经网络的桥梁损伤识别方法 |
CN108181103A (zh) * | 2018-03-05 | 2018-06-19 | 南京华创交通设备有限公司 | 一种钢弹簧隔振器检测系统 |
CN110119785A (zh) * | 2019-05-17 | 2019-08-13 | 电子科技大学 | 一种基于多层spiking卷积神经网络的图像分类方法 |
CN110175434A (zh) * | 2019-06-19 | 2019-08-27 | 西南交通大学 | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 |
CN110254468A (zh) * | 2019-06-20 | 2019-09-20 | 吉林大学 | 一种轨道表面缺陷智能在线检测装置及检测方法 |
CN110457750A (zh) * | 2019-07-09 | 2019-11-15 | 国家电网有限公司 | 基于神经网络响应面的有载分接开关弹簧储能不足故障识别方法 |
CN110728000A (zh) * | 2019-09-29 | 2020-01-24 | 华中科技大学 | 一种无砟轨道弹性扣件损伤识别方法 |
CN111091542A (zh) * | 2019-12-12 | 2020-05-01 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车转向架弹簧托板折断故障图像识别方法 |
CN111257415A (zh) * | 2020-01-17 | 2020-06-09 | 同济大学 | 基于移动列车振动信号的隧道损伤检测管理系统 |
Non-Patent Citations (5)
Title |
---|
LEI XIAOYAN, ET AL.: "Analysis of vibration reduction effect of steel spring floating slab track with finite elements", 《JOURNAL OF VIBRATION AND CONTROL》 * |
TSHILIDZI MARWALA: "Damage identification using committee of neural networks", 《JOURNAL OF ENGINEERING MECHANICS-ASCE》 * |
张龙庆,等: "钢弹簧支座阻尼对被动式减振浮置板轨道低频振动控制的影响", 《西南科技大学学报》 * |
许曦,等: "基于优化的BP神经网络的轨道车辆故障判断", 《智能计算机与应用》 * |
赵晶晶,等: "基于近似熵及EMD的高铁故障诊断", 《计算机科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465000A (zh) * | 2020-11-19 | 2021-03-09 | 国家高速列车青岛技术创新中心 | 基于卷积变分编码器和异常检测算法的钢轨隐伤定位方法 |
CN113063579A (zh) * | 2021-03-24 | 2021-07-02 | 道尔道科技有限公司 | 一种远程式钢弹簧隔振器在线故障检测装置及其方法 |
CN113670587A (zh) * | 2021-07-26 | 2021-11-19 | 上海睿而维科技有限公司 | 一种钢弹簧浮置板受力检测装置 |
CN113670587B (zh) * | 2021-07-26 | 2024-02-23 | 上海睿而维科技有限公司 | 一种钢弹簧浮置板受力检测装置 |
CN116540564A (zh) * | 2023-05-26 | 2023-08-04 | 西南交通大学 | 一种基于ros和半实物仿真的轨道检测机器人仿真方法 |
CN116540564B (zh) * | 2023-05-26 | 2024-05-07 | 西南交通大学 | 一种基于ros和半实物仿真的轨道检测机器人仿真方法 |
CN117091823A (zh) * | 2023-08-18 | 2023-11-21 | 无锡威佳电力科技有限公司 | 一种基于应力变化引起阻值变化的螺栓松动检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111859676B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859676B (zh) | 一种针对浮置板轨道钢弹簧损伤的智能检测方法 | |
CN111144039B (zh) | 一种基于深度学习的列车动态称重系统及称重方法 | |
CN110175434B (zh) | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 | |
CN104164829B (zh) | 基于移动终端的路面平整度检测方法和智能路面信息实时监测系统 | |
US10139306B2 (en) | Method and system for bridge damage detection | |
US11709979B1 (en) | Bridge damage identification method considering uncertainty | |
CN113324648B (zh) | 一种便携式高速铁路轮轨振动时空同步测试方法及系统 | |
CN102735747A (zh) | 高速铁路钢轨高速漏磁巡检的缺陷定量识别方法 | |
CN104850676B (zh) | 一种公路桥梁随机车流仿真模拟方法 | |
CN106021789A (zh) | 基于模糊智能的轨道车辆悬挂系统故障分类方法及系统 | |
Xu et al. | Optimizing the alignment of inspection data from track geometry cars | |
CN117058600B (zh) | 区域桥梁群车流荷载识别方法及系统 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN113705412A (zh) | 基于深度学习的多源数据融合的轨道状态检测方法及装置 | |
Entezami et al. | Improving feature extraction via time series modeling for structural health monitoring based on unsupervised learning methods | |
Chen et al. | Vibration-based damage detection of rail fastener using fully convolutional networks | |
CN114566052A (zh) | 一种基于车流方向判别高速公路车流监控设备转动的方法 | |
Tsunashima et al. | Monitoring the condition of railway tracks using a convolutional neural network | |
CN116702000B (zh) | 一种基于多层数据融合的路面质量动态监测与评估方法 | |
Souza et al. | Drive-by Methodologies Applied to Railway Infrastructure Subsystems: A Literature Review—Part I: Bridges and Viaducts | |
CN112131781A (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
Hurtado et al. | A data-driven methodology for bridge indirect health monitoring using unsupervised computer vision | |
Niewalda | Deep Learning Based Classification of Rail Defects Using On-board Monitoring in the Stockholm Underground | |
Wang et al. | A Data‐Driven Approach for Bridge Weigh‐in‐Motion from Impact Acceleration Responses at Bridge Joints | |
US20230332978A1 (en) | Generative adversarial networks for structural damage diagnostics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |