May, 2024

利用运行中的列车振动检测铁路维护需求

PDF
TL;DR本论文提出了使用单次列车行驶指标来检测铁路轨道系统不同的维护需求。结果显示，通过使用简单的分类器如 k 最近邻算法，加速度数据的信号能量特征在压实和铺装两种维护需求上能够达到 76% 的准确率。结果还表明，东西向方向能够更准确地检测维护需求，而三轴加速度计能够提供更多的维护需求信息。此外，本论文还展示了使用多标签分类同时检测多种维护需求的方法。结果显示多标签分类的性能略低于简单的二分类（72% 准确率），但这是一种能够轻松部署在存在许多维护问题的地区的简单方法。
发现论文，激发创造
  • 铁路轨道检测的深度多任务学习

    本文提出了一种利用自动化轨道检测和多任务学习的方法，在铁路道床和紧固件上检测缺陷，以提高铁路轨道检测的精度。

    Sep, 2015

  • 使用真实世界数据进行铁路车辆轴承故障的空气声分析

    本文介绍了一种通过分析铁路车辆运行期间录制的声学信号来检测轴承故障的方法，使用 Mel Frequency Cepstral Coefficients 作为特征，输入到一个简单的 Multi-Layer Perceptron 分类器中进行分类。实验结果表明，在训练集中未包含的轴承损伤情况下，使用所选择的 MFCC 特征可以可靠地检测轴承故障。

    Apr, 2023

  • 铁路车辆轴承故障检测的新特征

    本文提出了一种使用音频信号处理中的 Mel 频率倒谱系数和振幅调制谱中提取的特征来检测轴承故障的新方法，并使用只有健康轴承的数据训练一种 One-class 支持向量机来应对数据不平衡问题，从而在高度具有挑战性的场景下评估了该方法。

    Apr, 2023

  • 基于声音和振动信号的旋转机械故障诊断的新型迁移学习方法

    利用声音和振动信号的转移学习方法来解决实际运行场景中训练数据与真实数据之间的分布差异，并通过预训练和微调的骨干结构与基于深度神经网络的分类器相结合，取得了较好的故障诊断性能。

    Oct, 2023

  • 基于卷积方法的振动信号故障检测集成

    本研究探讨了如何使用基于卷积核的方法，包括 ROCKET 和一维卷积神经网络，在多变量时间序列分类中实现故障检测。使用三个不同的基于卷积核的分类器，该方法在测试数据中表现出超过 98.8％的准确性，优于其他曾有的方法。

    May, 2023

  • 有限资源环境下自动机器状态监测和维护系统的设计与实现

    在本研究中，通过开发成本有效的数据采集系统（DAS），结合小波、微分计算和信号处理的概念，开发了一种特征工程和数据缩减方法，然后提出了在开发预测模型时需要考虑的所有必要理论和实践因素。DAS 在与专业手动监测系统相比的准确率达到了 89%，在预测过程中，SVM 和 NN 的准确率超过了 95%，在测试新样本时达到了 100%。此研究的结果可立即应用于中小型工业领域，以发现其他问题并相应地进行发展，对于自动化故障检测与诊断领域具有重要意义。

    Jan, 2024

  • 基于无监督深层 FCDD 的乡村铁路枕木腐朽检测

    本文提出了一种基于卷积神经网络（CNNs）的预测鉴别器流水线来自动分类损坏的铁路组件，使用一类分类方法，结合基于可视化的热图来判定铁路组件的损坏情况，并在预测性维护中提出了未来工作。

    May, 2023

  • 用于诊断轴承故障的振动信号二次时频分析

    利用时间频率分析和深度学习技术，本文提出了一种诊断滚动轴承故障的方法，在时间变化的速度和不同噪声水平下取得了显著的准确率提升，解决了现有方法在这些条件下应用受限的问题。

    Jan, 2024

  • 使用二维灰度共生矩阵的纹理图像处理进行破损铁轨检测

    该文提出了一种基于图像纹理处理的铁路缺陷检测方法，使用 Automatic Train Control system 提高铁路安全性，分析了由于铁路破损和断裂导致的事故，采用 Random Forest 分类器对提取的缺陷图像特征进行分类，实验结果表明该算法在精度、召回率和准确度方面均优于支持向量机和 K - 最近邻分类器。

    Apr, 2023

  • OSDaR23：2023 年铁路开放传感器数据

    本文介绍了一个在铁路上进行无人驾驶列车运营所需要的技术系统中的关键任务 —— 通过机器学习算法，分析来自红外线、视觉摄像头、激光雷达和雷达等视觉传感器的数据来检测可能的障碍物。文中详细介绍了一种包含多个传感器的数据集 OSDaR23，并强调了其在铁路领域中进行物体检测和其他任务的重要性。

    May, 2023