基于残差卷积网络的浮置板轨道钢弹簧损伤检测
Damage detection for floating-slab track steel-spring based on residual convolutional network作者机构:西南交通大学牵引动力国家重点实验室四川成都610031
出 版 物:《交通运输工程学报》 (Journal of Traffic and Transportation Engineering)
年 卷 期:2022年第22卷第2期
页 面:123-135页
核心收录:
学科分类:08[工学] 0814[工学-土木工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 082301[工学-道路与铁道工程] 0823[工学-交通运输工程]
基 金:国家自然科学基金项目(51978587,11790283) 牵引动力国家重点实验室自主课题(2019TPL-T16)
主 题:车辆-轨道耦合动力学 浮置板轨道 损伤检测 卷积神经网络 残差学习 传感器布置
摘 要:针对传统故障诊断方法难以有效检测浮置板轨道钢弹簧损伤这一挑战性问题,提出了一种基于一维残差卷积网络的损伤检测方法;建立了车辆-浮置板轨道耦合动力学模型,得到了多种工况下列车通过导致的浮置板振动响应数据集;利用残差卷积网络对不同损伤情形下的振动响应进行特征提取和数据分类,实现了对损伤钢弹簧的准确定位;研究了残差卷积网络在不同传感器布置方案上的检测性能,分析了损伤钢弹簧和传感器之间的复杂位置关系对检测性能的影响规律,优化并确定了经济可靠的传感器布置方案。研究结果表明:传感器的位置越靠近浮置板中部,残差卷积网络对不同损伤情形下的数据分类准确性和鲁棒性越好;传感器的布置数量增多,损伤检测方法的性能也随之改善,但传感器过多地集中于浮置板中部并不会带来显著的性能提升;在浮置板中部的钢弹簧损伤比在浮置板端部的钢弹簧损伤更难识别;损伤检测方法在全覆盖式布置方案下达到了99.11%的分类准确率,对复杂多变的检测情景具有良好适应性,而优化后双传感器布置方案和三传感器布置方案的分类准确率分别达到了98.23%和98.96%,优化后传感器布置方案具有良好的检测性能,同时也保持了损伤检测方法对复杂情景的适应性。