应用导纳法与注意力卷积神经网络相结合的扣件失效识别方法研究

作     者：罗锟 余崇彬 李泳辉 甄慧杰 姜兴 

作者机构：华东交通大学铁路环境振动与噪声教育部工程研究中心 华东交通大学轨道交通基础设施性能检测与保障国家重点实验室 

出 版 物：《机械科学与技术》 (Mechanical Science and Technology for Aerospace Engineering)

年 卷 期：2025年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0814[工学-土木工程] 0811[工学-控制科学与工程] 082301[工学-道路与铁道工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

基　　金：国家自然科学基金项目(52178424,51868023) 江西省自然科学重点项目(20224ACB204018) 江西省国家科技奖后备项目培育计划(20223AEI91004) 江西省教育厅项目(GJJ2205122) 江西省研究生创新专项项目(YC2024-S451) 

主　　题：扣件失效识别 多通道卷积神经网络 注意力机制 加速度导纳 

摘      要：针对铁路运行过程中由于扣件失效造成的安全隐患问题，提出一种导纳法结合交互注意力卷积神经网络(AID-CNN)的扣件失效检测方法。该方法以受检测结构的局部多测点导纳作为多通道卷积神经网络的输入，利用交互卷积注意力模块(CIDBM)实现注意力权重分配，通过卷积神经网络(CNN)完成特征提取与结果输出。为验证模型性能，论文通过缩尺模型试验获取扣件不同失效程度、不同失效位置的多测点导纳样本集进行模型验证。试验结果表明，加速度导纳相较于其他信号处理方式在特征可视化中展现出更为显著的聚类；优选多通道加速度导纳和注意力机制都能显著提高卷积神经网络的识别效果；论文构造的CIDBM模块在稳定性和准确率均优于卷积注意力模块(CBAM)；以优选通道作为AID-CNN模型的输入时的平均识别率可达99.9%。