基于DLS曲线的探伤车伤损检测能力评估方法

为研究探伤车检测能力评估方法,提出了钢轨伤损埋藏深度(Depth)、超声波走波距离(Length)和伤损尺寸(Size)的DLS曲线建模方法,结合探伤车判伤最小走波距离,提出了探伤车对不同埋藏深度、不同尺寸钢轨伤损的检测能力的评估方法。以钢轨横孔为研究对象,采用仿真计算方法得到了不同埋藏深度和尺寸的钢轨横孔走波距离与回波幅值,绘制出钢轨横孔DLS曲线。通过比较钢轨伤损的走波距离比与最小走波距离比,可评估钢轨伤损是否被有效检出。

基于深度视觉算法的轨面伤损检测方法

针对现有目标检测器存在的推理延迟、不稳定和高计算成本等问题,提出一种基于深度学习理论的创新算法RT-DETR(RT-DETR-L),实现了对钢轨表面伤损的高效精细化检测。基于该算法设计的目标检测实验方案,去除了传统目标检测算法中的非极大值抑制(NMS)后处理步骤;引入了一个解耦单尺度内部交互和跨尺度融合的高效混合编码器;提出了一种IoU-aware初始化对象查询机制,并重新定义了目标函数。实验结果表明,该方案能有效提高算法在检测钢轨表面伤损时的准确率和召回率,在检测剥离掉块、疲劳裂纹、接头方面表现出色,准确率分别为95.1%、93.8%和99.5%,检测速度为8.62 ms/帧,参数量仅为4.2 M。该研究成果能够为钢轨养护维修提供一种准确高效的检测方案。

改进YOLOv8的汽车表面伤损实例分割模型

针对人工定损方式无法满足智能汽车时代的发展要求,及传统汽车伤损检测模型精度低、信息少、难部署等问题,提出了改进YOLOv8的汽车伤损实例分割模型EIS-YOLO。在主干网络中设计了一个多尺度特征融合与通道数减小的CRDB模块,取代传统C2f模块,显著减少了参数量的同时提高了特征融合的能力;提出了保留高分辨率分支的HRFPN结构,以加强细节信息保留能力,增强细节与语义信息的交换,该结构通过AFF和BiAM注意力融合模块增强了深层传递,经由简化冗余连接的E-FPN完成特征融合。还增加了一个额外的输出头捕捉细小伤损,提高了模型对小目标伤损及伤损边缘的精确识别。在CarDD数据集上,主干网络部分提出的CRDB模块对比C2f模块实现了同架构下计算量减小20.15%,同时多任务平均准确率提升2个百分点,在此基础上,结合HRFPN结构与额外输出头设计的模型整体的准确率P_(B)、P_(M)相较于基准模型分别提升了4.4和6.6个百分点,且模型更轻量,计算复杂度更低。

计算应力谱在机车疲劳伤损领域的应用研究

针对电力机车疲劳伤损评估的传感器测点数量局限性问题,对某型重载电力机车车体振动关键部位进行了加速度传感器布置,对车钩进行了载荷标定,在某货运专线进行了重车和空车状态下的动态测试,基于ANSYS仿真结果、nCode数据处理流程及实测车钩载荷数据获取了车体疲劳关键部位的计算应力时间历程,以雨流计数为基础编制了疲劳关键部位的计算应力谱,通过计算累积损伤获取了疲劳关键部位的剩余寿命,该机车在达到其设计寿命运行里程后,还可以安全运行56万km。

基于改进YOLOv7的钢轨螺孔伤损检测方法

针对目前钢轨螺孔伤损识别过程中算法的检测精度较低、检测时间长、参数量大、计算资源占用高等问题,提出一种基于YOLOv7网络的改进算法模型。通过建立B显图像数据集,统计分析螺孔B显图像中待检测目标的面积大小、宽高比和占比情况,对YOLOv7网络进行改进,包括改进目标检测层、引入轻量级卷积、增加坐标注意力机制、优化损失函数,降低了改进算法的参数量和计算量,提高了网络的识别能力和检测速度。为评估该改进方法的有效性,进行了消融试验,并与Faster R-CNN(Regionbased Convolutional Neural Networks)、YOLOv3及YOLOv5算法进行了对比测试。结果表明,提出的改进YOLOv7算法综合表现优于其他算法,具有更高均值平均精度和更小的错检率,最终算法的均值平均精度为97%,参数量为18.0×10^(6),计算量为58.1×10^(9),检测时间为7.4 ms,能够较好地应用于钢轨螺孔伤损检测场景。

基于超声检测的主动式钢轨伤损智能识别方法

常规的主动式钢轨伤损智能识别方法,在钢轨伤损数据采集过程中耗时较多,使得伤损智能识别时间较长。为解决这一问题,提出一种基于超声检测的主动式钢轨伤损智能识别方法。首先按照增益范围,获取钢轨伤损回波信号,设置超声换能器的滤波器,对信号进行转换,从而对数据进行采集;然后根据DBSCAN算法,以伤损识别的最小单元为一个单元,对采集的超声数据进行组合而构成超声信息群,并对数据进行划分,按照划分数据对钢轨伤损特征进行匹配;最后以AlexNet网络架构为识别主体结构,以数据匹配结果为基础,建立显图样本数据集,对伤损类型进行精细搜索,从而得到主动式钢轨伤损智能识别结果。试验结果表明,所提方法对主动式钢轨伤损识别的时间较短,能实现对主动式钢轨伤损的快速识别,具有较好的应用价值。

普铁曲线段伤损发展规律及打磨周期研究

以焦柳线铁路常见小半径曲线为研究对象,基于现场测试和打磨效果跟踪分析方法,研究钢轨表面状态发展和钢轨廓形质量变化周期。结果显示,打磨后掉块和斜裂纹基本去除,曲线上股打磨前轨面状态良好,轨面无明显肉眼可见病害;在打磨后的7个月内,钢轨曲线上股和下股的轨面伤损均得到较好控制,钢轨服役状况良好;在打磨后7~10个月内,钢轨伤损发展迅速,钢轨服役状况迅速恶化;在打磨10个月后,轨面状态基本与打磨前一致,病害较为严重;钢轨廓形打磨到位后,轮轨间的蠕滑力及应力集中现象大幅减少,故轮轨磨耗更小,廓形更易保持,病害不易扩展;钢轨打磨周期保持在7~10个月时,既能保持钢轨具有良好的服役状态,又能避免因频繁打磨造成的线路养护成本过高。

沪杭高铁钢轨伤损病害分析与防治措施研究

沪杭高铁开通运营十几年,钢轨伤损病害数量明显增加,特别是擦伤、鱼鳞伤等疲劳伤损尤为突出,该类伤损不仅会大大缩短钢轨使用寿命,更有甚者会危及行车安全。针对该情况重点分析了沪杭高铁钢轨运营过程中的主要伤损类型——擦伤,研究其产生原因和发展规律,提出预防措施。对于已经形成的擦伤,根据擦伤程度制定相应的整治措施,在一定程度上减轻了在役钢轨擦伤伤损的影响。同时也为其他高速铁路钢轨伤损分析提供参考。

高速铁路双块式无诈轨道道床板伤损修复工艺研究

高速铁路无轨道具有良好的稳定性、几何尺寸持久保持、线路维修工作量小的特点。但随着高速铁路运营年限增加,线路、道床等病害逐步发展,道床板伤损病害也时有发生,这些病害影响轨道平顺性和旅客乘坐舒适度,甚至对行车安全产生危害。本文介绍了大西高速线双块式无轨道道床板伤损病害的原因、修复方案以及相关安全注意事项,为此类病害修复提供了借鉴和参考。

铁路轨道伤损检测系统YOLOv5s算法模型优化研究(上)

在介绍轨道伤损检测系统组成的基础上,分析YOLOv5s算法模型原理,针对采用YOLOv5s算法模型检测钢轨轨面掉块和夹板裂纹等小目标伤损效果不佳的问题,通过数据增强策略和算法模型改进来优化YOLOv5s算法,并进行试验和现场应用验证。结果表明:改进后的YOLOv5s算法模型平均精确率提升7.7%,检测速度增加5.7帧/秒,使轨道伤损检测系统能有效检测出钢轨轨面掉块、夹板裂纹等细小伤损。YOLOv5s算法模型的优化,为轨道伤损检测系统准确检测钢轨轨面掉块和夹板裂纹等小目标伤损提供理论依据。

道岔复杂部位钢轨伤损分析及探伤要领

道岔区段内钢轨异型构件多、结构复杂,是钢轨探伤作业中的难点和重点。研究分析了铁路道岔复杂部位的重点伤损及探伤方法,通过钢轨探伤B超图谱的应用及现场道岔探伤作业要领的总结和提炼,为提高道岔复杂部位钢轨伤损检出率提供参考。

立探轨腰法在钢轨焊接接头轨腰伤损检测中的应用

针对钢轨焊接接头轨腰伤损检测中传统探伤工艺的不足,提出了立探轨腰法,以轨腰侧面为探伤检测面,用灵敏度已校正过的K2.5单斜探头反复多次做平行及锯齿形扫查。与从钢轨顶面扫查的传统探伤工艺相比,立探轨腰法具有较小的声程,覆盖面积大,可提高轨腰部位某些伤损的检出率。采用立探轨腰法可有效降低钢轨焊接接头伤损的漏检率,从而减少因钢轨焊接接头失效引发的质量安全事故,保障铁路行车安全。

城市轨道交通钢轨伤损原因及维护管理对策

近年来,随着我国城市轨道交通建设的逐年增多,乘客对于城市轨道交通乘坐体验的要求也逐步发生了变化。虽然地铁为人们提供了便捷快速的出行方式和出行的便利与空间,但是地铁的运营期维护给运营质量带来了一系列问题。因此,本文的内容主要是反映近年来我国地铁系统运营期轨道伤损原因的一些重要研究内容,分析或探讨地铁轨道工程后续运营过程维护时段内可能出现的一些具体城市建设质量问题的原因,分析并提出了主要的故障检测和技术措施,探讨对应的维护管理对策,为地铁单位相关领域的行业人员开展研究活动提供重要参考。

基于Anchors设计和模型迁移的钢轨内部伤损检测方法

钢轨内部伤损的准确检测是保障列车安全运行的重要环节,如何提高伤损检测算法的泛化能力和鲁棒性是当前自动检测该类伤损面临的主要问题。为此,提出一种基于Anchors设计和模型迁移的钢轨内部伤损检测方法。首先,采用图像数据增强技术扩充现有图像数据集,获取适量的训练样本。其次,设计以交并比为距离度量的K-means聚类算法获取新的Anchors多维度约束,提高伤损检测精度。最后,在基于改进Faster R-CNN模型的迁移学习方法基础上,训练所提的钢轨伤损检测模型。试验结果表明,本文检测方法所得精确率、召回率和F 1值均达到99%,对不同类型的内部伤损取得了较好的检测效果;与现有方法相比,本文所提方法的识别准确率高、误报率低,可有效检测钢轨内部伤损。

基于集成深度学习的钢轨表面伤损精细化分割

研究目的:钢轨表面伤损分割是铁路工务巡检的重要内容。为应对轨面伤损未及时发现导致安全事故发生的难题,解决传统检测方法适用性受限的问题,本文提出一个集成多种深度学习模型的伤损自动化分割算法,为钢轨表面伤损的识别、分析和处理提供一个精准且高效的解决方案。研究结论:(1)提出了一种集成目标检测和语义分割的深度学习算法,实现了针对钢轨表面伤损特征的高效识别与精准分割;(2)实践结果表明,本文算法与现有的几种深度学习模型相比精度更高,准确度和平均交并比分别达到99.56%和83.89%;(3)本文算法能够精细化地区分钢轨伤损和背景的模糊边界,减少数据冗余,加快分割效率,对多尺度伤损目标的分割准确性高,研究结论可为铁路工务部门的自动化检维提供理论指导。

基于改进YOLO v5的钢轨内部伤损B显图像识别与分类

钢轨正常工作是铁路安全运营的重要保障,开展钢轨损伤检测研究具有重要的意义。钢轨的损坏、裂纹和疲劳可能引发脱轨和事故,威胁乘客和货物的安全。传统的人工钢轨探伤存在判伤时间长、漏报率高等问题。基于改进的YOLO v5目标检测算法,对铁路行业的钢轨超声波B显图像进行伤损识别与分类研究。在YOLO v5网络结构中引入卷积注意力机制模块,基于一种改进的损失评价函数,以提高模型训练的速度和鲁棒性。同时,在样本集构建方面,改进马赛克(Mosaic)数据增强方法,随机粘贴一个或多个样本小目标于另外样本对应出波区形成新样本,扩充B显图像数据集;基于数据迁移技术,将基于第3方钢轨超声波B显样本数据训练得到的模型参数作为模型训练的初始化参数以提升模型泛化性能。对实际标准样轨进行实验,可成功识别全部4类典型钢轨伤损,平均精度均值(mean average precision,mAP)mAP@0.5∶0.95达到了76.9%,验证了研究成果良好的快速性、准确性、鲁棒性和泛化性。

考虑板间接缝伤损的CRTSⅡ型轨道板上拱稳定性公式

考虑板间接缝伤损状态下的轨道板上拱稳定性,是CRTSⅡ型轨道板上拱研究中的重要内容。基于结构稳定性评判标准中的能量原理,采用等波长模型推导考虑板间接缝伤损时的CRTSⅡ型轨道板上拱稳定性临界力计算公式;建立可反映伤损接缝对CRTSⅡ型轨道板上拱实际影响效果的二维数值计算模型;将所推导的临界力计算公式的计算结果与数值模型的计算结果进行对比分析,确定临界力计算公式的适用性。结果表明:推导临界力公式时所采用的轨道板上拱变形曲线无法始终与不同程度的伤损接缝造成的板体上拱变形曲线一致,因此,当接缝的伤损程度较小时,计算结果准确,当接缝的伤损程度较大时,计算结果明显偏大;建议当接缝处的伤损高度不大于2 cm时,可采用本文推导的公式计算轨道板上拱临界力,当接缝处的伤损高度大于2 cm时,宜采用数值模型计算轨道板上拱临界力。

基于模态曲率理论的轨底隐蔽性伤损识别装置及方法研究

针对钢轨轨底隐蔽性伤损(发展初期难以检出)威胁行车安全的问题,基于模态曲率理论提出了轨底隐蔽性伤损识别方法。基于此方法设计出一种轨底隐蔽性伤损识别装置,解决了传统模态测试方法的锤击精度和锤击点密度无法满足伤损识别要求的问题,经对比试验分析:该装置将识别误差降低了2个数量级;采用该装置对预制10 mm轨底裂纹的钢轨进行伤损识别试验,获取模态曲率参数,实现隐蔽性伤损的有效识别;探究多种基于模态曲率理论的伤损识别方法对轨底隐蔽性伤损的识别效果,以振型曲线的峰值与本底噪声绝对值的最大值的比定义“信噪比”。结果表明:模态曲率差法“信噪比”最高,为14.32 dB,且通过振型曲线能够明确判定出伤损位置,相较于其他方法,模态曲率差法具有更适合表征钢轨轨底隐蔽性伤损的特性。

高速铁路无砟轨道典型伤损图谱的设计研究

为解决养护维修人员对无砟轨道典型伤损命名不规范、认知标准不统一、跨专业数据融合分析困难,以及检测监测数据种类繁多且规模大、存储不规范等问题,采用知识图谱概念和方法,对无砟轨道典型伤损的相关信息资源进行全面梳理和分析,采用自顶向下与自底向上相结合的方法,完成铁路无砟轨道典型伤损图谱的构建。提出了无砟轨道典型伤损主要实体概念及其属性与关系的定义,通过研究高速铁路无砟轨道伤损特征库海量图片抽取、标注、存储技术以及高效组织与快速检索技术,实现了铁路无砟轨道典型伤损数据的规范、有序存储,加强研究的前瞻性,提高典型伤损的综合研判能力和伤损资源的使用便利水平,为铁路无砟轨道多源海量数据协同分析展示提供有利条件。

基于改进YOLOv5算法的道路伤损检测

道路伤损检测是道路养护过程中的重要基础性环节,传统道路伤损检测方法存在检测成本高且效率低的缺陷。为准确快速检测道路伤损状况,提出了一种基于YOLOv5改进的道路伤损检测模型YOLO-C-α。通过引入注意力机制CBAM模块,提高检测模型的特征提取及特征融合能力,改善模型对道路损伤小目标的漏检问题;引入α-IoU损失函数替换原始网络CIOU损失函数,降低预测框的回归损失,提升预测框的定位精度。基于RDD2020道路伤损检测数据集展开对比实验,结果显示:YOLO-C-α模型平均准确度达到60.3%,相比于原始模型平均精度提升1.4%,其F1值为60.2,相比于原始模型提升1%,且对于不同天气状况下的路面损伤均有较高的检测性能,实验环境每张图片的检测速度为6.3ms,模型大小40.6Mb。结果表明:本文基于YOLOv5m改进的算法抗干扰能力较强,能更准确地检测出多种天气状况下道路伤损目标,可为道路伤损实时检测及智慧化道路养护提供参考。