高速铁路轨道结构故障诊断及预测关键技术研究

Effective maintenance of high-speed rails system relies on accurate detection of track structural performance with state-of-the-art technologies. However, the current detection technologies are only sufficient to detect track geometry and its operational status; they have limited capabilities of detecting both surface condition and internal damages. Therefore maintenance for high-speed rail is constrained in terms of efficiency and cost-effectiveness. The proposed research targets at deterioration diagnosis, performance prediction, and operational status of track-slab, including the following topics: based on dynamic analysis theory and experimental tests, determining deterioration development mechanism of rail structure under dynamic train loading with various environmental factors, and developing the non-linear performance of key structural components, such as its evolving pattern and deteriorating mechanism; based on 3D laser imaging cloud-point sensing technology, developing integrated technologies with array of 3D sensors, high-precision GPS positioning system, and data storing and processing of huge amount of data, and providing solutions to detecting rail surface defects and track-slab dynamic vibration in a continuous manner; based on big-data fusion methodology and rail deterioration and performance curve and with a 3D rail visual management information system, establishing prediction models for health monitoring and remaining life of rail system, and proposing reliability-based maintenance policy to reduce Life-Cycle Cost and provide decision-support database for maintenance of high-speed rail track-slab.

轨道结构状态演变规律的准确掌握与高精度检测是进行轨道科学维护的前提，而现有的检测技术仅能较好地掌握轨道几何形位的状态，高效的轨道表面状态和内部伤损的检测技术缺乏，制约着高速铁路轨道维修技术的发展。本项目拟针对无砟轨道结构的故障诊断、性能预测与服役状态开展研究，基于动力学理论与模型试验，研究高速列车动荷载和环境因素共同作用下轨道结构的伤损发展规律，提出轨道结构关键性部件的非线性演化规律与失效机理；采用三维激光云点感应技术，研究三维成像传感器阵列、高精度卫星定位及高性能海量数据传输与处理系统的集成机制，研发适用于轨道结构表面伤损与振动的连续检测系统；基于大数据融合技术构建轨道结构状态可视化信息管理系统，并根据轨道性能劣化曲线建立轨道结构健康评估与剩余寿命预测模型，从降低全寿命周期成本角度，提出可靠性维修对策，为高速铁路无砟轨道的养护维修决策管理提供支持。

本项目根据高速铁路无砟轨道服役状态检测需求，开展了基于3D激光超高速云点感应系统的无砟轨道表面非接触式病害检测方法研究，开发建立了多任务集成并行处理的高速铁路检测系统，对无砟轨道表面病害非接触式检测方法提供了重要的理论指导和数据支撑。研发了基于超高速云点感应、3D成像传感器阵列、高精度卫星定位及高性能海量数据传输与处理系统的轨道板以及铁路扣件图像采集系统，开发出了高速铁路无砟轨道表面损伤分析平台，实现了采集数据的全体可视化、可查询化及可管理化。以高精度表面三维数据为基础，提出了改进的数据压缩算法，实现了可处理任意深度的轨道三维图像数据，将卷积神经网络、张量投票、图像预处理、多尺度多方向图像特征提取等理论知识应用于无砟轨道表面扣件图像识别与分类中，进一步提高了表面病害提取精度。基于三维图像提出了利用先验知识验证的扣件区域定位分割方法及弹条分割算法。结合弹条三维图像的特性提出了一种基于HOHG和 SVM检测弹条缺失、弹条正常、弹条上侧断裂、弹条下侧断裂以及弹条双侧断裂五种扣件缺陷的识别算法。结果表明，结合HOHG特征和SVM的检测算法准确率可以达到98.5%。将深度学习的概念引入到扣件缺陷检测识别研究中，提出了基于卷积神经网络的扣件缺陷检测算法。建立了用于识别弹条正常、弹条上侧断裂、弹条下侧断裂、弹条两侧断裂四种状态的卷积神经网络模型。实验结果不仅表明基于卷积神经网络的扣件缺陷检测算法能完全准确地分类识别铁路扣件的缺陷，还证明了该算法对其他种类的弹条型铁路扣件具有一定的普适性。分别对无砟轨道表面裂缝阴影和非阴影区进行标记计算，自动提取无砟轨道结构表面裂缝特征，建立了基于三维光影模型的无砟轨道板表面裂缝的三维图像识别算法，采用连通域分析与线性形态分析方法消除图像噪声．从而提高了轨道结构表面裂缝的自动识别准确率。