基于ResNet-SSD的铁路扣件缺损检测方法

铁路轨面扣件的缺失、损坏状态与行车安全密切关系。为进一步提高铁路扣件检测性能,提出基于残差网络-单发多框检测器(Residual network-single shot multibox detector,ResNet-SSD)的铁路扣件缺损检测方法。首先,采用虚拟图像技术进行扣件缺损状态图像建模来扩展扣件样本特征信息,完善样本库以解决各类扣件图像不均衡问题。其次,使用ResNet构建特征提取网络,SSD模型进行目标检测,完成对扣件缺损状态的检测。实验结果表明,采用虚拟图像扩展现场采集扣件图像集后,ResNet-SSD网络有更快的收敛速度且mAP提高了3.06%(95.47%-98.53%);ResNet-SSD在召回率为98.8%时,检测准确度可达98.5%,达到了在交并比(Intersection over union,IoU)为0.5时较VGG16-SSD高、与Faster-RCNN相同的评价指标;就检测速度而言,该方法为Faster-RCNN的6倍,VGG16-SSD的1.4倍。该方法可满足铁路扣件实时自动检测的需求。

铁路货车车辆轮对故障分析及改进措施研究

由于轮对通常向高速横向转动方向滚动,轮对承载着我国铁路货车和客车的满载,在日常运营过程中,容易发生各种故障。这些安全事故对铁路货车正常连续运行速度造成极大限制,也对我国铁路货车正常运行安全造成严重威胁和不利影响。本文首先对铁路货车轮对可能存在的几种常见故障进行了深入分析。其次,结合笔者工作经验,对铁路货车轮对常见故障的主要解决方法进行了深入的分析和探讨。

基于循环神经网络的动车组温度数据预测研究

采用循环神经网络建立了基于CRH5A型动车组温度类数据的预测模型,对影响预测结果的影响因子、模型层数及神经元个数进行了明确的界定,对CRH5A型动车组实车开展持续性追踪分析,采集动车组运行真实数据,进行积累和培养。在利用神经网络预测模型对数据进行训练后,CRH5A型动车组变压器温度峰值预测模型精度可达94.2%,牵引电机温度峰值预测模型精度可达93.8%,齿轮箱温度峰值预测模型精度可达95.3%,轴箱温度峰值预测模型精度可达92.7%。动车组温度数据预测结果的精确度可满足实际应用需求,预测模型在提高列车检修效率、节支降耗方面有着重要的作用。