无砟轨道扣件实现了钢轨与混凝土道床、下部基础的连接。扣件受力除轮轨作用下的正常服役工作状态外,还包括桥梁地段梁端变形诱发扣件受力状态变化。为保障桥梁地段无砟轨道扣件正常服役状态,本文以32 m T型梁为载体,通过分析梁端转角...无砟轨道扣件实现了钢轨与混凝土道床、下部基础的连接。扣件受力除轮轨作用下的正常服役工作状态外,还包括桥梁地段梁端变形诱发扣件受力状态变化。为保障桥梁地段无砟轨道扣件正常服役状态,本文以32 m T型梁为载体,通过分析梁端转角、垂向位移、预留梁缝及扣件安装位置等变量,研究了T型梁梁端变形及接口构造对无砟轨道扣件受力的影响。结果表明:梁端变形引起的扣件上拔力与梁端转角、垂向位移及转角位移组合变形线性相关,提出了不同构造变量与扣件上拔力的线性表达式。研究成果可为客货共线桥梁铺设无砟轨道梁端变形控制及构造设计提供参考。展开更多
针对常规深度学习网络规模大、对现场设备硬件要求高且人工标注位置数据复杂费时等问题,提出了一种语义数据标注的轻量化轨道扣件故障检测方法。该方法仅对训练数据做语义标注,改进轻量化Transformer模型,嵌入梯度加权类激活映射(gradie...针对常规深度学习网络规模大、对现场设备硬件要求高且人工标注位置数据复杂费时等问题,提出了一种语义数据标注的轻量化轨道扣件故障检测方法。该方法仅对训练数据做语义标注,改进轻量化Transformer模型,嵌入梯度加权类激活映射(gradient-weighted class activation mapping,简称Grad-CAM)模块对模型输出的特征图权重作映射处理,可将模型对轨道扣件检测效果可视化。将获得的激活图进行二值化定位检测目标位置,实验结果表明,在真实铁路环境下,改进的轻量化轨道扣件模型的准确率为94.31%。展开更多
文摘无砟轨道扣件实现了钢轨与混凝土道床、下部基础的连接。扣件受力除轮轨作用下的正常服役工作状态外,还包括桥梁地段梁端变形诱发扣件受力状态变化。为保障桥梁地段无砟轨道扣件正常服役状态,本文以32 m T型梁为载体,通过分析梁端转角、垂向位移、预留梁缝及扣件安装位置等变量,研究了T型梁梁端变形及接口构造对无砟轨道扣件受力的影响。结果表明:梁端变形引起的扣件上拔力与梁端转角、垂向位移及转角位移组合变形线性相关,提出了不同构造变量与扣件上拔力的线性表达式。研究成果可为客货共线桥梁铺设无砟轨道梁端变形控制及构造设计提供参考。
文摘针对常规深度学习网络规模大、对现场设备硬件要求高且人工标注位置数据复杂费时等问题,提出了一种语义数据标注的轻量化轨道扣件故障检测方法。该方法仅对训练数据做语义标注,改进轻量化Transformer模型,嵌入梯度加权类激活映射(gradient-weighted class activation mapping,简称Grad-CAM)模块对模型输出的特征图权重作映射处理,可将模型对轨道扣件检测效果可视化。将获得的激活图进行二值化定位检测目标位置,实验结果表明,在真实铁路环境下,改进的轻量化轨道扣件模型的准确率为94.31%。