CN114818998B - 一种无砟轨道基床翻浆冒泥病害状态判别方法 - Google Patents

一种无砟轨道基床翻浆冒泥病害状态判别方法 Download PDF

Info

Publication number
CN114818998B
CN114818998B CN202210744608.XA CN202210744608A CN114818998B CN 114818998 B CN114818998 B CN 114818998B CN 202210744608 A CN202210744608 A CN 202210744608A CN 114818998 B CN114818998 B CN 114818998B
Authority
CN
China
Prior art keywords
slurry
disease
pumping
mud
grade
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.)
Active
Application number
CN202210744608.XA
Other languages
English (en)
Other versions
CN114818998A (zh
Inventor
万章博
边学成
付浩然
赵闯
徐伟昌
林伟岸
陈云敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202210744608.XA priority Critical patent/CN114818998B/zh
Publication of CN114818998A publication Critical patent/CN114818998A/zh
Application granted granted Critical
Publication of CN114818998B publication Critical patent/CN114818998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/16—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring distance of clearance between spaced objects
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Machines For Laying And Maintaining Railways (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Railway Tracks (AREA)

Abstract

本发明公开了一种无砟轨道翻浆冒泥病害状态判别方法，对于遭受过翻浆冒泥病害的无砟轨道线路，标记线路上翻浆冒泥病害的位置并划分病害等级；通过高速综合检测列车对该线路开展轨道状态检测作业，得到具有翻浆冒泥病害位置、不同翻浆冒泥病害等级以及低等级翻浆冒泥病害发展趋势的轨道状态数据，选择其中受翻浆冒泥病害影响最大的轨道高低和车体垂向加速度数据作为训练数据；构建无砟轨道翻浆冒泥病害状态判别网络，然后将所获得数据库中的训练数据输入判别网络进行训练并保存；将综合检测列车新获取的轨道状态数据输入所得到的无砟轨道翻浆冒泥病害状态判别网络，判别该线路上翻浆冒泥病害状态，优化治理方案，保证高速铁路列车的运营安全。

Description

一种无砟轨道基床翻浆冒泥病害状态判别方法
技术领域
本发明涉及岩土工程技术领域，尤其涉及一种无砟轨道基床翻浆冒泥病害状态判别方法，具体为一种基于高速综合检测列车数据的无砟轨道基床翻浆冒泥病害状态判别方法，适用于高速铁路无砟轨道基床翻浆冒泥病害状态（病害位置、病害等级以及低等级病害发展趋势）的判别，为后续高速铁路无砟轨道基床翻浆冒泥病害的治理提供科学指导。。
背景技术
翻浆冒泥是我国高速铁路常见的路基病害，在有砟和无砟轨道中均有发生，是高速铁路路基的多年顽疾。有砟轨道是高速铁路传统的轨道结构，翻浆冒泥病害形成机理及治理措施的研究均较为全面，同时有砟轨道基床翻浆冒泥病害的治理措施也相对简单方便，因而有砟轨道基床翻浆冒泥病害的影响也是相对可控的。无砟轨道作为一种新型的轨道结构，其轨道结构形式、基床构造以及应力条件均与有砟轨道不同，因而有砟轨道基床翻浆冒泥的相关研究难以直接应用于无砟轨道，相应的病害治理措施也无法直接运用于无砟轨道基床翻浆冒泥病害的治理。无砟轨道基床翻浆冒泥发生后，基床内部的细颗粒发生流失导致基床支承条件恶化，底座板底部出现脱空，列车运行荷载作用下轨道结构的动力响应增大，翻浆冒泥病害严重时甚至危及列车运行安全。目前，运营期内无砟轨道基床翻浆冒泥病害治理主要采用高聚物注浆修复的方法，注浆材料填充了底座板底部的脱空区域，有效地削弱了翻浆冒泥对轨道结构的不利影响。然而翻浆冒泥病害修复过程中，病害位置和病害等级的确认主要依靠铁路巡道工人的现场经验，显然人为因素的影响较大，因而翻浆冒泥现场注浆修复过程中经常会经常出现因病害状态预判不准而导致遗漏注浆或过量注浆的情况，修复后的轨道状态仍然难以完全恢复。
高速综合检测列车可对运营期内高速铁路轨道结构的状态进行全方位检测，为高速列车的安全运营和铁路养护维修提供重要的技术支撑。基于综合检测列车所获取的轨道状态数据，可实现针对轨道状态较差的位置（即病害区）进行定点维修，相比人工巡道作业，显然综合检测列车可以大幅度提升高速铁路的维修效率。然而现有基于综合检测列车数据所进行的现场作业大都是大型的综合维修作业，鲜有针对某一特定病害而进行的维修作业。无砟轨道基床翻浆冒泥是高速铁路无砟轨道常见的路基病害，严重影响着列车运行舒适性和安全性。目前机器学习已经逐渐运用到传统土木工程学科，根据文献调研可知，深度学习方法已经成功运用于铁路工程的病害预测，且经过深度学习所获得的训练模型的准确率高达80%以上。
为了更加精准、快速地预测高速铁路无砟轨道基床翻浆冒泥病害状态以及翻浆冒泥病害的发展趋势，亟需提出一种无砟轨道基床翻浆冒泥病害状态判别方法。
发明内容
针对上述不足，本发明提供了一种无砟轨道基床翻浆冒泥病害状态判别方法。
为实现上述目的，本发明的技术方案为一种无砟轨道基床翻浆冒泥病害状态判别方法，所述方法具体包括如下步骤：
（1）标记无砟轨道线路上翻浆冒泥病害的位置，并确定各位置处翻浆冒泥病害的等级；
（2）利用高速综合检测列车采集无砟轨道线路的轨道状态数据；
（3）基于步骤（2）得到的无砟轨道线路的轨道状态数据，参照步骤（1）确定的相应位置处翻浆冒泥病害的等级，得到具有翻浆冒泥病害特征的不同病害等级的轨道状态数据：
（4）利用高速综合检测列车在翻浆冒泥病害发展周期内多次采集该无砟轨道线路的轨道状态数据，得到低等级翻浆冒泥病害发展成为高等级翻浆冒泥病害所需天数的数据；
（5）将步骤（3）和步骤（4）采集的数据作为轨道状态数据库，构建无砟轨道基床翻浆冒泥病害状态判别网络，将轨道状态数据库输入该无砟轨道基床翻浆冒泥病害状态判别网络进行训练并保存；
（6）利用高速综合检测列车新采集的轨道状态数据作为测试集，将该测试集输入已训练好的无砟轨道基床翻浆冒泥病害状态判别网络，得到翻浆冒泥病害的位置、各位置处翻浆冒泥病害的等级以及低等级翻浆冒泥病害发展成为高等级翻浆冒泥病害所需的天数。
进一步地，所述无砟轨道线路上翻浆冒泥病害的位置为无砟轨道线路对应的里程点。
进一步地，确定各位置处翻浆冒泥病害的等级的过程具体为：确定各位置处翻浆冒泥病害的等级的过程具体为：测量无砟轨道相邻底座板之间伸缩缝的离缝宽度，若离缝宽度小于2 mm，则确认为I级翻浆冒泥病害；若离缝宽度为2 mm ~ 3 mm，则确认为II级翻浆冒泥病害；若离缝宽度大于3 mm，则确认为III级翻浆冒泥病害。
进一步地，所述步骤（2）中采集得到的轨道状态数据峰值突变处对应为无砟轨道线路上翻浆冒泥病害的位置。
进一步地，所述步骤（2）还包括：选取无砟轨道线路的轨道状态数据中的轨道高低和车体垂向加速度作为轨道状态分析数据。
进一步地，所述低等级翻浆冒泥病害发展为高等级翻浆冒泥病害所需天数的数据为基于降雨量、列车轴重及线路运营量影响的低翻浆冒泥病害发展为高翻浆冒泥病害所需天数的数据。
进一步地，所述方法还包括以下步骤：根据获取的翻浆冒泥病害的位置、各位置处翻浆冒泥病害的等级以及低等级翻浆冒泥病害发展为高等级翻浆冒泥病害所需的天数优化现有的无砟轨道基床翻浆冒泥病害维修计划。
进一步地，优化现有的无砟轨道基床翻浆冒泥病害维修计划具体为：根据翻浆冒泥病害等级判别结果，优先安排高等级翻浆冒泥病害的维修作业；根据低等级翻浆冒泥病害发展成为高等级翻浆冒泥病害所需天数的判别结果，按照翻浆冒泥病害恶化发展所需天数由短到长的顺序，依次安排翻浆冒泥病害的维修作业；确保高等级翻浆冒泥病害得到及时治理，低等级翻浆冒泥病害在发展成为高等级翻浆冒泥病害前得到有效治理。
本发明的有益效果如下：
（1）本发明方法基于高速综合检测列车数据，获取了具有翻浆冒泥病害特征、翻浆冒泥病害等级以及低等级翻浆冒泥病害发展趋势的轨道高低和车体垂向加速度数据库，有助于提高翻浆冒泥病害状态判别准确率与病害维修作业效率，避免了常规维修作业中因铁路巡道工人现场经验不足而引起病害状态判别不准确，进而导致翻浆冒泥病害维修作业效率低下的问题。
（2）本发明方法基于无砟轨道基床翻浆冒泥病害状态判别网络的判别结果，可为下一步翻浆冒泥病害维修计划的制定奠定基础，可对运营期内无砟轨道基床翻浆冒泥病害治理提出有针对性的治理方案。
（3）本发明方法基于无砟轨道基床翻浆冒泥病害状态判别网络预测得到的低等级翻浆冒泥病害发展为高等级翻浆冒泥病害所需的天数，优化维修计划，确保高等级翻浆冒泥病害得到及时治理，低等级翻浆冒泥病害在其发展（恶化）为高等级翻浆冒泥病害前得到有效治理，提高翻浆冒泥病害的治理效率。避免因铁路巡道工人现场经验不足而引起翻浆冒泥病害状态判别不准确，进而导致出注浆过程中现遗漏注浆或过量注浆的情况。同时避免出现因不考虑翻浆冒泥病害等级及低等级病害发展趋势，而造成因高等级翻浆冒泥病害修复不及时进而引起列车降速运行的情况。本发明方法实现了对无砟轨道基床翻浆冒泥病害精准、及时的修复，保证高速铁路列车的运营安全。
附图说明
图1为无砟轨道结构及翻浆冒泥病害示意图；
图2为基于高速综合检测列车数据的无砟轨道基床翻浆冒泥病害状态判别方法流程示意图；
图中：钢轨及扣件系统1、轨道板2、CA砂浆层3、底座板4、冒出的泥浆5、脱空区域6、混凝土密封层7、基床表层8、基床底层9、地基土层10。
具体实施方式
下面结合实施例对本发明做进一步的说明
如图1所示，目前高速铁路无砟轨道结构的主要组成部分为钢轨及扣件系统1、轨道板2、CA砂浆层3、底座板4、混凝土密封层7、基床表层8、基床底层9以及下部的地基土层10。无砟轨道设计时为了防止高温下底座板4出现胀板现象，在相邻底座板4之间设置了宽度为2 cm的伸缩缝，伸缩缝中心采用泡沫橡胶板或塑料板进行填充。无砟轨道路基建过程中，由于施工控制和施工质量把控不严，导致基床填料的材质及压实质量往往不能满足高速铁路路基的设计标准。另外，基床和上覆底座板之间的刚度相差较大，列车运行荷载作用下轨道结构的动力响应呈现出鞭梢效应，鞭梢效应引起底座板4和基床表层8之间发生脱离，进而为雨水侵入基床提供了通道。基床表层8上覆盖有坡度为4%的混凝土密封层7，便于无砟轨道表面排水，然而长期降雨条件下，侵入基床的雨水反而被混凝土密封层7锁在了基床表层8内并不断饱和基床表层8，饱和的基床表层8在列车运行荷载作用下发生翻浆冒泥病害，冒出的泥浆5在底座板4伸缩缝周围堆积。翻浆冒泥是无砟轨道结构较为常见的病害，随着翻浆冒泥的持续恶化，细颗粒不断丢失，底座板4底部逐渐被淘空，进而出现脱空区域6，列车运行荷载作用下底座板4的振动加剧，伸缩缝离缝增大，相邻底座板之间出现错台，严重时危及列车运行安全。针对运营期内的高速铁路无砟轨道基床翻浆冒泥病害，目前的修复方式大都采用高聚物注浆的方法，然而翻浆冒泥病害修复位置和病害等级主要是通过铁路巡道工人现场经验来确定，这就要求巡道工人对翻浆冒泥病害有足够的认识，显然人为影响因素较大，因此注浆修复过程中，经常会出现因翻浆冒泥病害状态判别不准确，而导致遗漏注浆或者是过量注浆的情况，因而注浆修复后的轨道状态仍然难以恢复。
因此，本发明提供了一种基于高速综合检测列车数据的无砟轨道基床翻浆冒泥病害状态判别方法，该方法基于高速综合检测列车所获取的轨道状态数据，构建无砟轨道基床翻浆冒泥病害状态判别网络，利用构建的无砟轨道基床翻浆冒泥病害状态判别网络对无砟轨道线路翻浆冒泥病害的状态进行判别，优化无砟轨道基床翻浆冒泥病害治理方案，进而为运营期内高速铁路无砟轨道基床翻浆冒泥病害的治理提供指导。
如图2所示，本发明方法具体包括如下步骤：
（1）标记无砟轨道线路上翻浆冒泥病害的位置，并确定各位置处翻浆冒泥病害的等级。
具体地，对于遭受过翻浆冒泥病害的无砟轨道线路，标记该线路上无砟轨道基床翻浆冒泥病害的位置（即无砟轨道线路上对应的里程）。再基于高速铁路无砟轨道线路维修规则（TG/GW115-2012）分别划分标记位置处（即翻浆冒泥病害里程点）无砟轨道基床翻浆冒泥病害的等级：I级翻浆冒泥病害（伸缩缝的离缝宽度小于2 mm）、II级翻浆冒泥病害（伸缩缝的离缝宽度为2 mm ~ 3 mm）及III级翻浆冒泥病害（伸缩缝的离缝宽度大于3 mm）。其中，I级翻浆冒泥病害影响行车舒适性，需适时对病害进行维修；II级翻浆冒泥病害严重影响行车舒适性，但不危及列车运行安全，可在列车无需降速的情况下及时进行维修；III级翻浆冒泥病害危及列车运行安全，列车需降速运行并及时进行维修。
（2）利用高速综合检测列车采集高速铁路无砟轨道线路的轨道状态数据。
具体地，通过高速综合检测列车对上述无砟轨道线路开展综合检测作业，获取该无砟轨道线路的轨道状态数据，并选取受翻浆冒泥病害影响最为明显的轨道高低（mm）和车体垂向加速度（m/s2）数据作为轨道状态分析数据。
本发明实施例中，所述高速综合检测列车可以选用型号为CIT001的高速综合检测列车，该型高速综合检测列车是以CRH5A型电力动车组为基础的时速250公里综合检测列车。
进一步地，无砟轨道基床翻浆冒泥病害发生后，基床内部细颗粒流失导致基床支承条件恶化，底座板底部出现脱空，列车荷载作用下轨道结构的动力响应增大，综合检测车所获取的轨道状态数据包含多种，如轨道高低、轨向、轨距、水平、超高、三角坑及车体垂向加速度等。其中，轨道高低和车体垂向加速度受翻浆冒泥病害的影响最大。因此，本发明实施例选用轨道高低（mm）和车体垂向加速度（m/s2）作为轨道状态分析数据。
通过对步骤（1）中所标记的翻浆冒泥病害位置处轨道状态数据分析，发现轨道高低和车体垂向加速度的峰值发生了剧烈突变，据此得到具有翻浆冒泥病害特征的轨道状态数据（峰值突变）。
（3）基于步骤（2）所得到的具有翻浆冒泥病害特征的轨道状态数据，参照步骤（1）中所标记位置处翻浆冒泥病害的等级，获取具有翻浆冒泥病害特征的不同病害等级的轨道状态数据。示例性地，在I级翻浆冒泥病害处，其轨道高低为6 ~ 8 mm，车体垂向加速度为1.5 ~ 2.0 m/s2；在II级翻浆冒泥病害处，其轨道高低为8 ~ 10 mm，车体垂向加速度为2.0~ 2.5 m/s2；在III级翻浆冒泥病害处，轨道高低超过10 mm，车体垂向加速度大于2.5 m/s2。
（4）利用高速综合检测列车在翻浆冒泥病害发展周期内多次采集无砟轨道线路的轨道状态数据，得到低等级翻浆冒泥病害发展为高等级翻浆冒泥病害所需天数的数据；
具体地，本发明实施例中选取步骤（1）中无砟轨道线路上低等级翻浆冒泥病害（I级和II级）进行重点分析，增加该线路上高速综合检测列车检测作业的频次，获取考虑降雨量、列车轴重及线路运营量等主要影响因素的低等级翻浆冒泥病害发展成为高等级翻浆冒泥病害（I级病害发展为II级病害、II级病害发展为III级病害）时所需天数的数据。
（5）将步骤（3）和步骤（4）采集的数据作为轨道状态数据库，构建无砟轨道基床翻浆冒泥病害状态判别网络，将轨道状态数据库输入该无砟轨道基床翻浆冒泥病害状态判别网络进行训练并保存。
具体包括以下子步骤：
（5.1）结合步骤（3）和步骤（4）中的数据，形成具有翻浆冒泥病害特征的不同翻浆冒泥病害等级的轨道高低和车体垂向加速度数据库（轨道状态数据库），以及考虑降雨量、列车轴重及线路运营量等主要影响因素的低等级翻浆冒泥病害发展成为高等级翻浆冒泥病害所需天数的数据库。
（5.2）构建无砟轨道基床翻浆冒泥病害状态判别网络，本发明实施例中所述无砟轨道基床翻浆冒泥病害状态判别网络选用卷积神经网络（Convolutional NeuralNetworks, CNN）。
（5.3）将步骤（5.1）中组合得到的轨道状态数据库输入步骤（5.2）所构建的无砟轨道基床翻浆冒泥病害状态判别网络中基于梯度下降法进行训练，并保存训练后的无砟轨道基床翻浆冒泥病害状态判别网络参数。
（6）利用高速综合检测列车新采集的轨道状态数据，将该轨道状态数据中的轨道高低和车体垂向加速度数据作为测试集，将该测试集输入训练好的无砟轨道基床翻浆冒泥病害状态判别网络中，得到翻浆冒泥病害的位置、各位置处翻浆冒泥病害的等级以及低等级翻浆冒泥病害发展成为高等级翻浆冒泥病害所需的天数。
（7）根据步骤（6）获取的翻浆冒泥病害的位置、各位置处翻浆冒泥病害的等级以及低等级翻浆冒泥病害发展成为高等级翻浆冒泥病害所需的天数，优化现有的无砟轨道基床翻浆冒泥病害维修计划。
其中，优化现有的无砟轨道基床翻浆冒泥病害维修计划具体为：根据翻浆冒泥病害等级的判别结果优先安排高等级翻浆冒泥病害的维修作业，根据低等级翻浆冒泥病害发展成为高等级病害所需天数的判别结果，按照翻浆冒泥病害恶化发展所需天数由短到长的顺序，依次安排翻浆冒泥病害的维修作业。根据线路上无砟轨道基床翻浆冒泥病害状态判别结果，确保高等级翻浆冒泥病害得到及时治理，低等级翻浆冒泥病害在恶化成为高等级翻浆冒泥病害前得到有效治理。
综上，本发明方法成功规避了无砟轨道基床翻浆冒泥病害状态（位置、等级及病害的发展趋势）确定过程中人为因素的影响，基于高速综合检测列车所获取的轨道状态数据并结合深度学习的方法，有效提高了无砟轨道基床翻浆冒泥病害状态的确认速度和准确率，从而可快速、精准地确定无砟轨道线路上翻浆冒泥病害状态，进而为无砟轨道基床翻浆冒泥的治理提供技术支撑。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (8)

1.一种无砟轨道基床翻浆冒泥病害状态判别方法，其特征在于，所述方法具体包括如下步骤：
（1）标记无砟轨道线路上翻浆冒泥病害的位置，并确定各位置处翻浆冒泥病害的等级；
（2）利用高速综合检测列车采集无砟轨道线路的轨道状态数据；
（3）基于步骤（2）得到的无砟轨道线路的轨道状态数据，参照步骤（1）确定的相应位置处翻浆冒泥病害的等级，得到具有翻浆冒泥病害特征的不同病害等级的轨道状态数据：
（4）利用高速综合检测列车在翻浆冒泥病害发展周期内多次采集该无砟轨道线路的轨道状态数据，得到低等级翻浆冒泥病害发展成为高等级翻浆冒泥病害所需天数的数据；
（5）将步骤（3）和步骤（4）采集的数据作为轨道状态数据库，构建无砟轨道基床翻浆冒泥病害状态判别网络，将轨道状态数据库输入该无砟轨道基床翻浆冒泥病害状态判别网络进行训练并保存；
（6）利用高速综合检测列车新采集的轨道状态数据作为测试集，将该测试集输入已训练好的无砟轨道基床翻浆冒泥病害状态判别网络，得到翻浆冒泥病害的位置、各位置处翻浆冒泥病害的等级以及低等级翻浆冒泥病害发展成为高等级翻浆冒泥病害所需的天数。
2.根据权利要求1所述的无砟轨道基床翻浆冒泥病害状态判别方法，其特征在于，所述无砟轨道线路上翻浆冒泥病害的位置为无砟轨道线路对应的里程点。
3.根据权利要求1所述的无砟轨道基床翻浆冒泥病害状态判别方法，其特征在于，确定各位置处翻浆冒泥病害的等级的过程具体为：测量无砟轨道相邻底座板之间伸缩缝的离缝宽度，若离缝宽度小于2 mm，则确认为I级翻浆冒泥病害；若离缝宽度为2 mm~ 3 mm，则确认为II级翻浆冒泥病害；若离缝宽度大于3 mm，则确认为III级翻浆冒泥病害。
4.根据权利要求1所述的无砟轨道基床翻浆冒泥病害状态判别方法，其特征在于，所述步骤（2）中采集得到的轨道状态数据峰值突变处对应为无砟轨道线路上翻浆冒泥病害的位置。
5.根据权利要求1所述的无砟轨道基床翻浆冒泥病害状态判别方法，其特征在于，所述步骤（2）还包括：选取无砟轨道线路的轨道状态数据中的轨道高低和车体垂向加速度作为轨道状态分析数据。
6.根据权利要求1所述的无砟轨道基床翻浆冒泥病害状态判别方法，其特征在于，所述低等级翻浆冒泥病害发展为高等级翻浆冒泥病害所需天数的数据为基于降雨量、列车轴重及线路运营量影响的低翻浆冒泥病害发展为高翻浆冒泥病害所需天数的数据。
7.根据权利要求1所述的无砟轨道基床翻浆冒泥病害状态判别方法，其特征在于，所述方法还包括以下步骤：根据获取的翻浆冒泥病害的位置、各位置处翻浆冒泥病害的等级以及低等级翻浆冒泥病害发展为高等级翻浆冒泥病害所需的天数优化现有的无砟轨道基床翻浆冒泥病害维修计划。
8.根据权利要求7所述的无砟轨道基床翻浆冒泥病害状态判别方法，其特征在于，优化现有的无砟轨道基床翻浆冒泥病害维修计划具体为：根据翻浆冒泥病害等级判别结果，优先安排高等级翻浆冒泥病害的维修作业；根据低等级翻浆冒泥病害发展成为高等级翻浆冒泥病害所需天数的判别结果，按照翻浆冒泥病害恶化发展所需天数由短到长的顺序，依次安排翻浆冒泥病害的维修作业；确保高等级翻浆冒泥病害得到及时治理，低等级翻浆冒泥病害在发展成为高等级翻浆冒泥病害前得到有效治理。
CN202210744608.XA 2022-06-28 2022-06-28 一种无砟轨道基床翻浆冒泥病害状态判别方法 Active CN114818998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210744608.XA CN114818998B (zh) 2022-06-28 2022-06-28 一种无砟轨道基床翻浆冒泥病害状态判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210744608.XA CN114818998B (zh) 2022-06-28 2022-06-28 一种无砟轨道基床翻浆冒泥病害状态判别方法

Publications (2)

Publication Number Publication Date
CN114818998A CN114818998A (zh) 2022-07-29
CN114818998B true CN114818998B (zh) 2022-09-13

Family

ID=82522309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210744608.XA Active CN114818998B (zh) 2022-06-28 2022-06-28 一种无砟轨道基床翻浆冒泥病害状态判别方法

Country Status (1)

Country Link
CN (1) CN114818998B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117248401B (zh) * 2023-09-21 2024-03-19 浙江大学 一种板式无砟轨道基床翻浆冒泥病害注浆修复工艺

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008095413A (ja) * 2006-10-13 2008-04-24 Hokkaido Railway Co 有道床軌道における道床補修方法
WO2015127740A1 (zh) * 2014-02-28 2015-09-03 中铁第四勘察设计院集团有限公司 用于软土地区高速铁路无砟轨道路基的纠偏方法及纠偏结构
CN105346561A (zh) * 2015-12-02 2016-02-24 北京交通大学 基于运营车辆的轨道道岔病害检测系统及方法
CN105719308A (zh) * 2016-01-27 2016-06-29 石家庄铁道大学 基于稀疏表示的有砟铁路路基病害特征表示方法
CN107165003A (zh) * 2017-05-18 2017-09-15 浙江大学 一种用于治理板式无砟轨道铁路路基翻浆冒泥的整治方法
CN107609304A (zh) * 2017-09-29 2018-01-19 中国铁道科学研究院铁道建筑研究所 大跨度铁路桥梁的基于phm的故障诊断预测系统及方法
CN107621626A (zh) * 2017-10-09 2018-01-23 中国矿业大学(北京) 基于深度卷积神经网络的雷达信号铁路路基病害检测方法
CN107871183A (zh) * 2017-10-30 2018-04-03 长安大学 基于不确定性云理论的多年冻土区公路病害预测方法
CN109610253A (zh) * 2018-11-19 2019-04-12 西南交通大学 一种评定无砟轨道路基冒浆危害等级的方法
CN110533640A (zh) * 2019-08-15 2019-12-03 北京交通大学 基于改进YOLOv3网络模型的轨道线路病害辨识方法
CN110706211A (zh) * 2019-09-17 2020-01-17 中国矿业大学(北京) 基于卷积神经网络的铁路路基病害雷达图实时检测方法
CN111270566A (zh) * 2020-03-24 2020-06-12 固远晨通科技发展有限公司 铁路路基排水装置、修复结构以及翻浆冒泥整治方法
CN212003256U (zh) * 2020-04-30 2020-11-24 中铁二院工程集团有限责任公司 一种隧道仰拱填充渗漏水的排放系统
CN112036599A (zh) * 2020-06-29 2020-12-04 张玉燕 一种利用模糊神经网络预测轨道质量的方法
CN112733709A (zh) * 2021-01-08 2021-04-30 北京主导时代科技有限公司 轨道巡检检测系统及方法
CN113255825A (zh) * 2021-06-16 2021-08-13 中国铁道科学研究院集团有限公司 一种轨道道床病害识别方法及装置
CN113281401A (zh) * 2021-04-29 2021-08-20 同济大学 无砟轨道隐蔽病害的检测方法、系统与装置
CN113313669A (zh) * 2021-04-23 2021-08-27 石家庄铁道大学 一种地铁隧道表面病害图像顶层语义特征增强方法
CN113447570A (zh) * 2021-06-29 2021-09-28 同济大学 一种基于车载声学传感的无砟轨道病害检测方法及系统
CN113538385A (zh) * 2021-07-21 2021-10-22 上海勘察设计研究院(集团)有限公司 基于深度学习的隧道表观病害类型及等级判别方法
CN114004380A (zh) * 2021-11-08 2022-02-01 中煤(安徽)城市科技发展有限公司 一种智慧城市地下空间基础设施管理系统
CN114139452A (zh) * 2021-11-30 2022-03-04 石家庄铁道大学 高速铁路无砟轨道结构性能预测方法与控制系统
CN114358593A (zh) * 2022-01-05 2022-04-15 武汉工程大学 一种基于pca模型的桥区轨道平顺度评价方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10423850B2 (en) * 2017-10-05 2019-09-24 The Climate Corporation Disease recognition from images having a large field of view
US11466556B2 (en) * 2019-05-17 2022-10-11 Helmerich & Payne, Inc. Stall detection and recovery for mud motors

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008095413A (ja) * 2006-10-13 2008-04-24 Hokkaido Railway Co 有道床軌道における道床補修方法
WO2015127740A1 (zh) * 2014-02-28 2015-09-03 中铁第四勘察设计院集团有限公司 用于软土地区高速铁路无砟轨道路基的纠偏方法及纠偏结构
CN105346561A (zh) * 2015-12-02 2016-02-24 北京交通大学 基于运营车辆的轨道道岔病害检测系统及方法
CN105719308A (zh) * 2016-01-27 2016-06-29 石家庄铁道大学 基于稀疏表示的有砟铁路路基病害特征表示方法
CN107165003A (zh) * 2017-05-18 2017-09-15 浙江大学 一种用于治理板式无砟轨道铁路路基翻浆冒泥的整治方法
CN107609304A (zh) * 2017-09-29 2018-01-19 中国铁道科学研究院铁道建筑研究所 大跨度铁路桥梁的基于phm的故障诊断预测系统及方法
CN107621626A (zh) * 2017-10-09 2018-01-23 中国矿业大学(北京) 基于深度卷积神经网络的雷达信号铁路路基病害检测方法
CN107871183A (zh) * 2017-10-30 2018-04-03 长安大学 基于不确定性云理论的多年冻土区公路病害预测方法
CN109610253A (zh) * 2018-11-19 2019-04-12 西南交通大学 一种评定无砟轨道路基冒浆危害等级的方法
CN110533640A (zh) * 2019-08-15 2019-12-03 北京交通大学 基于改进YOLOv3网络模型的轨道线路病害辨识方法
CN110706211A (zh) * 2019-09-17 2020-01-17 中国矿业大学(北京) 基于卷积神经网络的铁路路基病害雷达图实时检测方法
CN111270566A (zh) * 2020-03-24 2020-06-12 固远晨通科技发展有限公司 铁路路基排水装置、修复结构以及翻浆冒泥整治方法
CN212003256U (zh) * 2020-04-30 2020-11-24 中铁二院工程集团有限责任公司 一种隧道仰拱填充渗漏水的排放系统
CN112036599A (zh) * 2020-06-29 2020-12-04 张玉燕 一种利用模糊神经网络预测轨道质量的方法
CN112733709A (zh) * 2021-01-08 2021-04-30 北京主导时代科技有限公司 轨道巡检检测系统及方法
CN113313669A (zh) * 2021-04-23 2021-08-27 石家庄铁道大学 一种地铁隧道表面病害图像顶层语义特征增强方法
CN113281401A (zh) * 2021-04-29 2021-08-20 同济大学 无砟轨道隐蔽病害的检测方法、系统与装置
CN113255825A (zh) * 2021-06-16 2021-08-13 中国铁道科学研究院集团有限公司 一种轨道道床病害识别方法及装置
CN113447570A (zh) * 2021-06-29 2021-09-28 同济大学 一种基于车载声学传感的无砟轨道病害检测方法及系统
CN113538385A (zh) * 2021-07-21 2021-10-22 上海勘察设计研究院(集团)有限公司 基于深度学习的隧道表观病害类型及等级判别方法
CN114004380A (zh) * 2021-11-08 2022-02-01 中煤(安徽)城市科技发展有限公司 一种智慧城市地下空间基础设施管理系统
CN114139452A (zh) * 2021-11-30 2022-03-04 石家庄铁道大学 高速铁路无砟轨道结构性能预测方法与控制系统
CN114358593A (zh) * 2022-01-05 2022-04-15 武汉工程大学 一种基于pca模型的桥区轨道平顺度评价方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
In-situ investigation on mud pumping in ballastless high-speed railway and development of remediation method;ZhangboWan 等;《Transportation Geotechnics》;20220331;第33卷;全文 *
Remediation of mud pumping in ballastless high-speed railway using polyurethane chemical injection;Zhangbo Wan 等;《Construction and Building Materials》;20201030;全文 *
基于Cascade R⁃CNN的铁路路基翻浆冒泥;徐昕军 等;《铁道建筑》;20191231;第59卷(第12期);全文 *
基床翻浆条件下无砟轨道路基振动特性研究;张文超等;《岩土力学》;20141210(第12期);全文 *
易发生翻浆冒泥的细粒土物理状态指标分析与评判;冷伍明 等;《铁道学报》;20180131;第40卷(第1期);全文 *
隧道内CRTS Ⅰ型双块式无砟轨道轨枕离缝修复技术研究;杨燕等;《现代隧道技术》;20191215;全文 *
高速铁路无砟轨道主要病害(缺陷)分析与无损检测;魏祥龙等;《铁道标准设计》;20110320(第03期);全文 *
高速铁路无砟轨道基床翻浆冒泥机理及修复研究;万章博;《中国博士学位论文全文数据库 工程科技II辑》;20220415;全文 *

Also Published As

Publication number Publication date
CN114818998A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
Hudson et al. Remediation of mud pumping on a ballasted railway track
US20140314502A1 (en) Polymer grouting method for uplifting ballastless track of high-speed rail
CN114818998B (zh) 一种无砟轨道基床翻浆冒泥病害状态判别方法
CN108166346A (zh) 沥青道路加固处治方法
CN106638209A (zh) 一种非破拆式改造整修施工方法
CN104131499A (zh) 一种用于沉降无砟轨道中线偏移纠偏方法
CN104179105A (zh) 一种逆作法刚性桩复合地基施工方法
Sol-Sánchez et al. Defining the process of including sustainable rubber particles under sleepers to improve track behaviour and performance
CN108642975A (zh) 一种用于抬升沉降病害铁路路基的方法
CN112069628B (zh) 运营盾构区间隧道整体式道床脱空病害评价及分级方法
CN111676742B (zh) 一种crtsⅲ型板式无砟轨道结构的纠偏方法
CN210797316U (zh) 一种在软基上的箱涵施工结构
CN107558324A (zh) 一种有轨电车与道路平交口的钢纤维砼路面及其施工工艺
CN208995842U (zh) 铁路与公路平交道口道床
CN108130825B (zh) 特殊限制条件中地铁道床混凝土置换工艺
CN114657827B (zh) 基于基床填料颗粒级配的无砟轨道基床翻浆冒泥防治方法
CN111155361B (zh) 地铁可更换框架式减振浮置板道床施工方法
CN108447377A (zh) 无砟轨道基床表层翻浆病害的模拟装置以及模拟方法
CN102383355A (zh) 沥青路面桥头跳车病害就地热再生治理方法
CN109610286A (zh) 一种高速铁路道岔区无砟道床冒浆整治方法
CN107988854A (zh) 一种地铁上盖车辆基地停车列检库的后期预留结构
Sárik Decision-making model for track system of high-speed rail lines: Ballasted track, ballastless track or both?
Sayeed Design of ballasted railway track foundations using numerical modelling with special reference to high speed trains
CN102433818A (zh) 缺损公路路面钻孔建桥补缺结构及施工方法
CN111321636A (zh) 用于快速原位整治铁路隧道底板病害的横梁结构及方法

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