基于轴箱振动加速度的钢轨波磨评价方法及应用

来源 :中国铁道科学 | 被引量 : 0次 | 上传用户:liongliong522
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
通过分析匀速和变速区段不同钢轨波磨状态下轴箱振动加速度数据特征,发现匀速区段轴箱振动加速度响应频率恒定、变速区段响应频率曲线与车辆经过该区段的速度曲线波形呈现相关性.在此基础上,提出基于时间-能量信息的波磨指数和能量因子双指标联合评价方法,用于评价高速铁路钢轨波磨.首先,将轴箱振动加速度进行高通滤波,去除焊接接头区域数据,根据波磨波长分布范围计算钢轨波磨指数;其次,通过钢轨波磨指数筛选出高频振动区段,计算其能量因子;然后,采用1-范数计算钢轨波磨波长;最后,采用快速傅里叶变换对轴箱振动加速度进行滤波,通过频域积分计算钢轨波磨幅值.应用此方法评价某高铁线路钢轨波磨,结果表明:轴箱垂向加速度采样频率在5~10 kHz时,该评价方法对钢轨波磨波长、幅值的定量评价与地面静态测量结果吻合较好.
其他文献
目的 行人感知是自动驾驶中必不可少的一项内容,是行车安全的保障.传统激光雷达和单目视觉组合的行人感知模式,设备硬件成本高且多源数据匹配易导致误差产生.对此,本文结合双目机器视觉技术与深度学习图像识别技术,实现对公共路权环境下路侧行人的自动感知与精准定位.方法 利用双目道路智能感知系统采集道路前景图像构建4种交通环境下的行人识别模型训练库;采用RetinaNet深度学习模型进行目标行人自动识别;通过半全局块匹配(semi-global block matching,SGBM)算法实现行人道路前景图像对的视差
目的 海洋锋的高效检测对海洋生态环境变化、渔业资源评估、渔情预报及台风路径预测等具有重要意义.海洋锋具有边界信息不明显且多变的弱边缘性,传统基于梯度阈值法及边缘检测的海洋锋检测方法,存在阈值选择不固定、判定指标不一致导致检测精度较低的问题.针对上述问题,基于Mask R-CNN(region convolutional neural network)提出一种改进的海洋锋自动检测方法.方法 兼顾考虑海洋锋的小数据量及弱边缘性,首先对数据扩增,并基于不同算法对海表温度(sea surface temperat