基于深度学习的高速铁路工务设备巡检修数字化应用

高速铁路工务设备是铁路运输的基础,其使用状态直接关系到运输的安全性。为提升工务段巡检员和管理层的巡检效率和决策的准确性,解决巡检预警状态缺乏直观性、周期天数设置不合理以及春秋季专项检查缺乏电子化等问题,本文研究了两项关键技术,以构建数字化技术体系。首先利用深度学习建立了基于卷积神经网络的病害自动识别模型,并通过对几个高速铁路沿线车间的数据进行采集与验证分析,证明该模型在巡检员上传病害影像后,能够自动识别病害。训练精度高达97%,验证精度达到76%。其次,本文基于大数据技术,结合卷积神经网络和长短期神经网络建立设备状态判断模型,并构建出巡检周期预测算法。通过分析两个高速铁路工务段的数据,结果显示,设备状态识别模型能够通过捕捉巡检记录中的关键信息,准确判断设备运行状态,预测巡检次数的平均相对误差为14.3%,精度为85.7%。最后,通过高速铁路工务设备巡检修数字化实现案例,充分证明了两项应用的设计与融合方案能够为高速铁路工务设备的巡检修作业提供充分的技术支持,并能为实时而高效的检修决策提供全面可靠的数据依据。