CN114330131A - 一种快速确定磨粒水射流预防性打磨钢轨深度的方法 - Google Patents
一种快速确定磨粒水射流预防性打磨钢轨深度的方法 Download PDFInfo
- Publication number
- CN114330131A CN114330131A CN202111657513.6A CN202111657513A CN114330131A CN 114330131 A CN114330131 A CN 114330131A CN 202111657513 A CN202111657513 A CN 202111657513A CN 114330131 A CN114330131 A CN 114330131A
- Authority
- CN
- China
- Prior art keywords
- steel rail
- data
- rail
- preventive
- depth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Machines For Laying And Maintaining Railways (AREA)
Abstract
本发明公开了一种快速确定磨粒水射流预防性打磨钢轨深度的方法,包括如下步骤:通过轨道的远程运维***获得待打磨轨道的承载数据;采集磨粒水射流预防性打磨钢轨的钢轨损耗数据;根据轨道承载数据和钢轨损耗数据建立轨道承载与钢轨损耗数据集;采用卷积神经网络算法对轨道承载与钢轨损耗数据集计算并获得轨道承载与钢轨损耗数据的确定模型;重复步骤上述步骤,采集钢轨损耗与预防性打磨深度样本,建立钢轨损耗数据与预防性打磨深度数据集;采用卷积神经网络算法对上一步获得的数据集计算并获得轨道损耗程度与钢轨预防性打磨深度的确定模型;输出钢轨预防性打磨深度;本发明易于实现,能够准确确定预打磨深度,使得钢轨打磨修复一次到位。
Description
技术领域
本发明属于磨粒水射流钢轨打磨技术领域,更具体地,涉及一种快速确定磨粒水射流预防性打磨钢轨深度的方法。
背景技术
我国的铁路运输行业十分发达,且列车运行速度和载重也持续提升。铁路运输在为我国带来巨大经济效益的同时,钢轨的疲劳、磨损等问题日益严重,巨大的客载和货载压力使得钢轨的使用寿命持续减短,列车轮轨与钢轨处在一种滚动接触与滑动接触交杂的复合接触状态,钢轨受力复杂且多变;然而,钢轨打磨修复能提高钢轨的使用寿命,保证列车的运行质量,在降低轨道运营成本的同时保证轨道的安全。
采用高压磨粒水射流对钢轨进行打磨修复相对于传统的砂轮打磨方式,加工效率高,成本较低且对工作环境良好,属绿色型的钢轨打磨方式,有望替代传统的多砂轮包络式打磨钢轨的办法。高压磨粒水射流技术是指将具有一定数量和质量的磨料经泵增压后的高压水混合后从特定喷嘴射出,形成的高速高能量射流束。钢轨打磨分为预打磨、预防性打磨和修理性打磨三种方式。预防性打磨就是对钢轨进行的周期性打磨,以修复轨头深度,预防钢轨接触疲劳、波磨、裂纹等损耗产生。
现有确定钢轨预防性打磨深度的办法主要有专家经验确定、仪器扫描确定、模板确定和机器视觉确定等,如通过廓形检测装置对待预防性打磨路段钢轨的表面质量进行实地实时的检测,或是工人目测观察,获取表面钢轨质量的数据后,专家才能通过经验确定预防性打磨的深度;虽然为确定预打磨深度提供了极大的便利,但是依然存在精度不高、效率低下的问题。
另外,CN201721007888.7提到了一种铁路钢轨打磨量快速确定仪,通过探针检测钢轨轮廓信息,再与标准的钢轨廓形库对比,得出钢轨的打磨量;但专利中通过采用仪器测量确定打磨量的方式,不能确保仪器每次夹持钢轨的位置相同,且采用磁铁连接钢轨,不易测量长段钢轨;CN201511019882.7提到了一种钢轨打磨头打磨深度计算方法和装置,通过预设打磨深度,再打磨的方法来修复钢轨,但并未提及钢轨预打磨深度数据的由来。CN109840907B提到了一种基于深度学习的钢轨磨损检测方法,通过传感器测量钢轨磨损,采用深度学习框架对测试样本进行训练,建立模型,但并未提及确定钢轨磨损量后的打磨深度数值,且未涉及钢轨的承载数据的利用。
因此,急需一种能够快速确定磨粒水射流预防性打磨钢轨深度的方法解决现有技术中依靠人力检查打磨过程中的钢轨表面质量、根据经验确定钢轨预打磨深度存在精度不高、效率低下的问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供一种快速确定磨粒水射流预防性打磨钢轨深度的方法,通过采集轨道路段的预防性打磨周期内的钢轨损耗程度以及该段轨道的承载数据样本,建立轨道承载与钢轨损耗数据样本库;通过卷积神经网络学习方法训练轨道承载与钢轨损耗数据样本库中的数据,得到轨道承载与钢轨损耗程度的确定模型;通过采集轨道路段的钢轨预防性打磨过程中不同磨损程度钢轨与之对应的打磨深度数据,建立钢轨损耗与预防性打磨深度数据样本库,再次通过卷积神经网络学习方法训练钢轨损耗与预防性打磨深度数据样本库中的数据集,得出轨道损耗程度与钢轨预防性打磨深度的确定模型;经过两次卷积神经网络分析得到两个计算模型,本发明易于实现,在钢轨的日常养护周期下,通过查询钢轨的路段信息,结合轨道的远程运维***,得到本次打磨周期内的轨道承载,输入轨道承载与钢轨损耗程度的确定模型,获得钢轨的损耗程度,再输入轨道损耗程度与钢轨预防性打磨深度的确定模型,输出获得钢轨预防性打磨深度;本发明为高压磨粒水射流预防性打磨钢轨的深度确定提供一种新的思路,在高压磨粒水射流打磨钢轨的使用条件下,可进一步提高钢轨打磨的效率,当样本数据库中的样本例足够多时,通过训练得出的模型的精确度会进一步提高,能够准确输出钢轨的损耗程度,确定预打磨深度,使得钢轨的打磨修复能够一次到位,无需再打磨;能够解决现有技术中依靠人力检查打磨过程中的钢轨表面质量、根据经验确定钢轨预打磨深度存在精度不高、效率低下的问题。
为了实现上述目的,本发明提供一种快速确定磨粒水射流预防性打磨钢轨深度的方法,包括如下步骤:包括如下步骤:
S1:明确待预防性打磨钢轨所在轨道的位置信息,通过所述轨道的远程运维***查询并获得所述轨道的轨道承载数据;
S2:采集高压磨粒水射流预防性打磨所述轨道上钢轨过程中的钢轨损耗数据;
S3:根据所述轨道承载数据和所述钢轨损耗数据建立轨道承载与钢轨损耗数据集;
S4:采用卷积神经网络算法对所述轨道承载与钢轨损耗数据集进行计算,并获得轨道承载与钢轨损耗数据的确定模型;
S5:重复步骤S1-S4,采集轨道的钢轨损耗数据与预防性打磨深度样本,建立钢轨损耗数据与预防性打磨深度数据集;
S6:再次采用卷积神经网络算法对所述钢轨损耗数据与预防性打磨深度数据集进行数据划分、模型训练、参数调整、效果验证、初始化输出,最终获得轨道损耗程度与钢轨预防性打磨深度的确定模型;
S7:输出所述轨道钢轨的预防性打磨深度。
进一步地,所述卷积神经网络的结构包括输入层、隐藏层、输出层;
所述输入层的层数由轨道承载与钢轨损耗数据集中的钢轨承载数据的种类确定,所述隐藏层中隐藏神经元的个数由轨道承载与钢轨损耗数据集中的因素水平确定。
进一步地,步骤S4中所述轨道承载与钢轨损耗数据的确定模型的获得还包括如下步骤:
S41:将所述轨道承载与钢轨损耗数据库划分为训练集数据、测试集数据和验证集数据;
S42:使用所述训练集数据训练得到轨道承载与钢轨损耗数据的初始化模型,通过所述训练集数据继续训练所述初始化模型,当达到迭代次数后,通过分类器输出初步结果模型;
S43:通过所述测试集数据的Loss函数曲线对所述初步结果模型进行参数调整,调整到效果最佳后使用所述验证集数据验证模型的效果和性能,最终获得轨道承载与钢轨损耗数据的确定模型。
进一步地,步骤S42中所述初始化模型的参数包括隐藏层层数、隐藏层神经元个数、激活函数、优化函数、指定输入输出的神经元个数。
进一步地,所述步骤S41中所述训练集数据、所述测试集数据和所述验证集数据的比例划分为6:1:3。
进一步地,步骤S42中激活函数为ReLU函数。
进一步地,步骤S6中获得轨道损耗程度与钢轨预防性打磨深度的确定模型还包括:以6:1:3的比例将钢轨损耗数据与预防性打磨深度数据集划分为训练集数据、测试集数据和验证集数据;重复步骤S41~S43的方法。
进一步地,步骤S1中的所述轨道承载数据包括列车类型、运载质量、列车行驶速度、通过列车数量、刹车路段和加速路段。
进一步地,步骤S2中的所述钢轨损耗数据包括剥落、疲劳裂纹、压溃、波磨、光带情况、侧磨、肥边、波磨、鱼鳞损耗。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明的一种快速确定磨粒水射流预防性打磨钢轨深度的方法,通过采集轨道路段的预防性打磨周期内的钢轨损耗程度以及该段轨道的承载数据样本,建立轨道承载与钢轨损耗数据样本库;通过卷积神经网络学习方法训练轨道承载与钢轨损耗数据样本库中的数据,得到轨道承载与钢轨损耗程度的确定模型;通过采集轨道路段的钢轨预防性打磨过程中不同磨损程度钢轨与之对应的打磨深度数据,建立钢轨损耗与预防性打磨深度数据样本库,再次通过卷积神经网络学习方法训练钢轨损耗与预防性打磨深度数据样本库中的数据集,得出轨道损耗程度与钢轨预防性打磨深度的确定模型;经过两次卷积神经网络分析得到两个计算模型,本发明易于实现,在钢轨的日常养护周期下,通过查询钢轨的路段信息,结合轨道的远程运维***,得到本次打磨周期内的轨道承载,输入轨道承载与钢轨损耗程度的确定模型,获得钢轨的损耗程度,再输入轨道损耗程度与钢轨预防性打磨深度的确定模型,输出获得钢轨预防性打磨深度;本发明为高压磨粒水射流预防性打磨钢轨的深度确定提供一种新的思路,在高压磨粒水射流打磨钢轨的使用条件下,可进一步提高钢轨打磨的效率,当样本数据库中的样本例足够多时,通过训练得出的模型的精确度会进一步提高,能够准确输出钢轨的损耗程度,确定预打磨深度,使得钢轨的打磨修复能够一次到位,无需再打磨;能够解决现有技术中依靠人力检查打磨过程中的钢轨表面质量、根据经验确定钢轨预打磨深度存在精度不高、效率低下的问题。
(2)本发明的一种快速确定磨粒水射流预防性打磨钢轨深度的方法,利用卷积神经网络分析方法对钢轨预防性打磨过程中的轨道承载与轨道损耗以及轨道损耗和预防性打磨深度二者之间的关系进行研究分析,无需装置或工人实地检测来获取钢轨的表面损耗数据,通过建立样本库,经卷积神经网络分析训练生成模型,输入轨道承载即可得到钢轨的损耗程度;省去了打磨过程中的钢轨表面质量检测工作,节省了人力物力,同时以大量的数据样本作为数据支撑,且经分析得出的结果精确度更高。
附图说明
图1为本发明实施例一种快速确定磨粒水射流预防性打磨钢轨深度的方法的流程示意图;
图2为本发明实施例轨道承载样本建立的流程示意图;
图3为本发明实施例钢轨损耗样本建立的流程示意图;
图4为本发明实施例轨道承载与钢轨损耗样本数据集建立的流程示意图;
图5为本发明实施例卷积神经网络的结构示意图;
图6为本发明实施例钢轨损耗与预防性打磨深度样本数据集建立的流程示意图;
图7为本发明实施例钢轨预防性打磨深度示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1-7所示,本发明提供一种快速确定磨粒水射流预防性打磨钢轨深度的方法,包括如下步骤:
S1:明确待预防性打磨钢轨所在轨道的位置信息,通过所述轨道的远程运维***查询并获得所述轨道的轨道承载数据;具体地,明确待预防性打磨钢轨所在轨道的位置信息,向轨道的远程运维***查询该段轨道在本次打磨周期内的轨道承载数据,所述轨道承载数据包括列车类型、运载质量、列车行驶速度、通过列车数量、刹车路段和加速路段等(如图2所示);
S2:采集高压磨粒水射流预防性打磨所述轨道上钢轨过程中的钢轨损耗数据;具体地,采集高压磨粒水射流预防性打磨钢轨过程中与所述轨道承载相对应的钢轨损耗数据(如图3所示);所述钢轨损耗数据包括剥落、疲劳裂纹、压溃、波磨、光带情况、侧磨、肥边、波磨、鱼鳞损耗等;
S3:根据所述轨道承载数据和所述钢轨损耗数据建立轨道承载与钢轨损耗数据集;具体地,将所述轨道承载数据和所述钢轨损耗数据作为钢轨的承载与损耗样本,建立轨道承载与钢轨损耗数据集(如图4所示);如图3和图4所示,其中m为列车质量,v为列车速度,a为列车加速度;
S4:采用CNN卷积神经网络算法对所述轨道承载与钢轨损耗数据集进行计算,并获得轨道承载与钢轨损耗数据的确定模型;具体包括如下步骤:
S41:将所述轨道承载与钢轨损耗数据库划分为训练集数据、测试集数据和验证集数据;具体地,采用CNN卷积神经网络算法,以6:1:3的比例将轨道承载与钢轨损耗数据库划分为训练集数据、测试集数据和验证集数据;其中,所述卷积神经网络包括输入层、隐藏层、输出层(如图5所示),其中输入层数由数据集中的钢轨的承载信息的种类确定,隐藏神经元的个数由数据样本中的因素水平确定,本方法所选用的激活函数为ReLU函数,公式如下:
fReLU=max(0,z) (1)
其中,fReLU为激活函数,z为输入数据集参数。
卷积神经网络正向传导时,神经元的计算公式为:
yk=f(uk-bk) (4)
其中,Xi表示输入数据中第i个值,WKi表示与第i个输入量相连的权重;uk表示所有输入变量的加权和;bk为阈值;f(·)为激活函数;yk为神经网络的输出;
S42:使用所述训练集数据训练得到轨道承载与钢轨损耗数据的初始化模型;所述初始化模型参数包括隐藏层层数、隐藏层神经元个数、激活函数、优化函数、指定输入输出的神经元个数等;具体地,通过训练集训练模型,当达到迭代次数后模型训练完成,此时神经元之间的权重固定,通过分类器softmax输出结果,形成初步结果模型,此时权重最大的就属于哪一类,分类器softmax的loss函数如式(5):
Loss=-∑yi ln ai (5)
其中分类器即回归模型softmax,yi为输出,ai为函数特征参数;
S43:通过所述测试集数据的函数loss曲线对所述初步结果模型进行模型参数调整,调整到效果最佳后使用所述验证集数据验证模型的效果和性能,最终获得轨道承载与钢轨损耗数据的确定模型。
S5:重复步骤S1-S4,通过采集钢轨预防性打磨过程中不同磨损程度钢轨与之对应的打磨深度数据,作为轨道的钢轨损耗数据与预防性打磨深度样本,并建立钢轨损耗数据与预防性打磨深度数据集(如图6所示);
S6:再次采用卷积神经网络算法对所述钢轨损耗数据与预防性打磨深度数据集进行数据划分、模型训练、参数调整、效果验证、初始化输出,最终获得轨道损耗程度与钢轨预防性打磨深度的确定模型;具体地,以6:1:3的比例将钢轨损耗数据与预防性打磨深度数据集划分为训练集数据、测试集数据和验证集数据;重复步骤S41~S43的方法,经过模型训练、参数调整、效果验证、初始化输出后获得轨道损耗程度与钢轨预防性打磨深度的确定模型;
S7:输出所述轨道钢轨的预防性打磨深度(如图7所示)。
本发明提供的一种快速确定磨粒水射流预防性打磨钢轨深度的方法的原理:本发明为高压磨粒水射流预防性打磨钢轨的深度确定提供一种新的思路,通过采集轨道路段的预防性打磨周期内的钢轨损耗程度以及该段轨道的承载数据样本,建立轨道承载与钢轨损耗数据样本库;通过卷积神经网络学习方法训练轨道承载与钢轨损耗数据样本库中的数据,得到轨道承载与钢轨损耗程度的确定模型;通过采集轨道路段的钢轨预防性打磨过程中不同磨损程度钢轨与之对应的打磨深度数据,建立钢轨损耗与预防性打磨深度数据样本库,再次通过卷积神经网络学习方法训练钢轨损耗与预防性打磨深度数据样本库中的数据集,得出轨道损耗程度与钢轨预防性打磨深度的确定模型;经过两次卷积神经网络分析得到两个计算模型,本发明易于实现,在钢轨的日常养护周期下,通过查询钢轨的路段信息,结合轨道的远程运维***,得到本次打磨周期内的轨道承载,输入轨道承载与钢轨损耗程度的确定模型,获得钢轨的损耗程度,再输入轨道损耗程度与钢轨预防性打磨深度的确定模型,输出获得钢轨预防性打磨深度;
本发明通过确定一段采用高压磨粒水射流预打磨的钢轨,并获取该段轨道的位置信息,通过与铁路的远程运维***结合,查询某段预防性打磨周期内的轨道承载数据,输入到已训练好的轨道承载与钢轨损耗程度的确定模型中,通过分析轨道在一段时间内承载信息,输入神经网络训练模型,经过样本对比分析、经验表达式分析计算得出钢轨的损耗程度,接着对照钢轨损耗与预防性打磨深度数据库,进而确定钢轨预防性打磨深度;本发明使用在高压磨粒水射流打磨钢轨的条件下,可进一步提高钢轨打磨的效率,当样本数据库中的样本例足够多时,通过训练得出的模型的精确度会进一步提高,能够准确输出钢轨的损耗程度,确定预打磨深度,使得钢轨的打磨修复能够一次到位,无需再打磨;本发明在钢轨打磨领域具有一定的创新性,利用卷积神经网络分析方法对钢轨预防性打磨过程中的轨道承载与轨道损耗以及轨道损耗和预防性打磨深度二者之间的关系进行研究分析,无需装置或工人实地检测来获取钢轨的表面损耗数据,通过建立样本库,经卷积神经网络分析训练生成模型,输入轨道承载即可得到钢轨的损耗程度;省去了打磨过程中的钢轨表面质量检测工作,节省了人力物力,同时以大量的数据样本作为数据支撑,且经分析得出的结果精确度更高。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种快速确定磨粒水射流预防性打磨钢轨深度的方法,其特征在于,包括如下步骤:
S1:明确待预防性打磨钢轨所在轨道的位置信息,通过所述轨道的远程运维***查询并获得所述轨道的轨道承载数据;
S2:采集高压磨粒水射流预防性打磨所述轨道上钢轨过程中的钢轨损耗数据;
S3:根据所述轨道承载数据和所述钢轨损耗数据建立轨道承载与钢轨损耗数据集;
S4:采用卷积神经网络算法对所述轨道承载与钢轨损耗数据集进行计算,并获得轨道承载与钢轨损耗数据的确定模型;
S5:重复步骤S1-S4,采集轨道的钢轨损耗数据与预防性打磨深度样本,建立钢轨损耗数据与预防性打磨深度数据集;
S6:再次采用卷积神经网络算法对所述钢轨损耗数据与预防性打磨深度数据集进行数据划分、模型训练、参数调整、效果验证、初始化输出,最终获得轨道损耗程度与钢轨预防性打磨深度的确定模型;
S7:输出所述轨道钢轨的预防性打磨深度。
2.根据权利要求1所述的一种快速确定磨粒水射流预防性打磨钢轨深度的方法,其特征在于,所述卷积神经网络的结构包括输入层、隐藏层、输出层;
所述输入层的层数由轨道承载与钢轨损耗数据集中的钢轨承载数据的种类确定,所述隐藏层中隐藏神经元的个数由轨道承载与钢轨损耗数据集中的因素水平确定。
3.根据权利要求2所述的一种快速确定磨粒水射流预防性打磨钢轨深度的方法,其特征在于,步骤S4中所述轨道承载与钢轨损耗数据的确定模型的获得还包括如下步骤:
S41:将所述轨道承载与钢轨损耗数据库划分为训练集数据、测试集数据和验证集数据;
S42:使用所述训练集数据训练得到轨道承载与钢轨损耗数据的初始化模型,通过所述训练集数据继续训练所述初始化模型,当达到迭代次数后,通过分类器输出初步结果模型;
S43:通过所述测试集数据的Loss函数曲线对所述初步结果模型进行参数调整,调整到效果最佳后使用所述验证集数据验证模型的效果和性能,最终获得轨道承载与钢轨损耗数据的确定模型。
4.根据权利要求3所述的一种快速确定磨粒水射流预防性打磨钢轨深度的方法,其特征在于,步骤S42中所述初始化模型的参数包括隐藏层层数、隐藏层神经元个数、激活函数、优化函数、指定输入输出的神经元个数。
5.根据权利要求3或4所述的一种快速确定磨粒水射流预防性打磨钢轨深度的方法,其特征在于,所述步骤S41中所述训练集数据、所述测试集数据和所述验证集数据的比例划分为6:1:3。
6.根据权利要求3或4所述的一种快速确定磨粒水射流预防性打磨钢轨深度的方法,其特征在于,步骤S42中激活函数为ReLU函数。
7.根据权利要求1-4中任一项所述的一种快速确定磨粒水射流预防性打磨钢轨深度的方法,其特征在于,步骤S6中获得轨道损耗程度与钢轨预防性打磨深度的确定模型还包括:以6:1:3的比例将钢轨损耗数据与预防性打磨深度数据集划分为训练集数据、测试集数据和验证集数据;重复步骤S41~S43的方法。
8.根据权利要求1-4中任一项所述的一种快速确定磨粒水射流预防性打磨钢轨深度的方法,其特征在于,步骤S1中的所述轨道承载数据包括列车类型、运载质量、列车行驶速度、通过列车数量、刹车路段和加速路段。
9.根据权利要求1-4中任一项所述的一种快速确定磨粒水射流预防性打磨钢轨深度的方法,其特征在于,步骤S2中的所述钢轨损耗数据包括剥落、疲劳裂纹、压溃、波磨、光带情况、侧磨、肥边、波磨、鱼鳞损耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111657513.6A CN114330131B (zh) | 2021-12-30 | 2021-12-30 | 一种快速确定磨粒水射流预防性打磨钢轨深度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111657513.6A CN114330131B (zh) | 2021-12-30 | 2021-12-30 | 一种快速确定磨粒水射流预防性打磨钢轨深度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114330131A true CN114330131A (zh) | 2022-04-12 |
CN114330131B CN114330131B (zh) | 2023-07-07 |
Family
ID=81018373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111657513.6A Active CN114330131B (zh) | 2021-12-30 | 2021-12-30 | 一种快速确定磨粒水射流预防性打磨钢轨深度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330131B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114481727A (zh) * | 2022-04-18 | 2022-05-13 | 中铁第四勘察设计院集团有限公司 | 无人驾驶水射流钢轨打磨车智能控制***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460705A (zh) * | 2020-03-19 | 2020-07-28 | 中国铁道科学研究院集团有限公司金属及化学研究所 | 一种高速铁路钢轨型面优化设计方法 |
CN111733639A (zh) * | 2020-06-23 | 2020-10-02 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 无砟轨道伤损轨枕更换方法 |
CN112613234A (zh) * | 2020-12-24 | 2021-04-06 | 中铁第四勘察设计院集团有限公司 | 一种受电弓滑板磨耗趋势估算及寿命预测方法及装置 |
CN112836272A (zh) * | 2021-01-20 | 2021-05-25 | 北京交通大学 | 一种基于神经网络模型的高速铁路钢轨廓形优化设计方法 |
CN113239599A (zh) * | 2021-06-15 | 2021-08-10 | 江苏理工学院 | 基于bp神经网络的智能轮胎磨损寿命预估方法及装置 |
-
2021
- 2021-12-30 CN CN202111657513.6A patent/CN114330131B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460705A (zh) * | 2020-03-19 | 2020-07-28 | 中国铁道科学研究院集团有限公司金属及化学研究所 | 一种高速铁路钢轨型面优化设计方法 |
CN111733639A (zh) * | 2020-06-23 | 2020-10-02 | 中国铁道科学研究院集团有限公司铁道建筑研究所 | 无砟轨道伤损轨枕更换方法 |
CN112613234A (zh) * | 2020-12-24 | 2021-04-06 | 中铁第四勘察设计院集团有限公司 | 一种受电弓滑板磨耗趋势估算及寿命预测方法及装置 |
CN112836272A (zh) * | 2021-01-20 | 2021-05-25 | 北京交通大学 | 一种基于神经网络模型的高速铁路钢轨廓形优化设计方法 |
CN113239599A (zh) * | 2021-06-15 | 2021-08-10 | 江苏理工学院 | 基于bp神经网络的智能轮胎磨损寿命预估方法及装置 |
Non-Patent Citations (5)
Title |
---|
DENG LI 等: "Experimental investigation of the preferred Strouhal number used in self-resonating pulsed waterjet" * |
JIHEON KANG 等: "Novel Leakage Detection by Ensemble CNN-SVM and Graph-Based Localization in Water Distribution Systems" * |
张凤莲 等: "应用模糊理论预测磨料水射流切深模型的建立" * |
陈玄: "基于磨料水射流技术的除锈实验研究" * |
龙新平 等: "磨料水射流切割碳纤维复合材料的表面粗糙度试验", vol. 30, no. 11 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114481727A (zh) * | 2022-04-18 | 2022-05-13 | 中铁第四勘察设计院集团有限公司 | 无人驾驶水射流钢轨打磨车智能控制***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114330131B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bevan et al. | Development and validation of a wheel wear and rolling contact fatigue damage model | |
Liu et al. | Analytical modeling of grinding process in rail profile correction considering grinding pattern | |
CN109457561B (zh) | 道岔区域的钢轨廓形打磨方法及装置 | |
CN111809463B (zh) | 一种基于ai方法的钢轨智能打磨***及相应的打磨方法 | |
CN107179101A (zh) | 一种砂轮表面粗糙度和磨粒分布状态的检测及评价方法 | |
CN114330131A (zh) | 一种快速确定磨粒水射流预防性打磨钢轨深度的方法 | |
CN114575205A (zh) | 一种基于图像数据处理的水射流钢轨廓形智能化打磨*** | |
CN108274187A (zh) | 一种复杂曲面零件缺陷修复***及修复方法 | |
CN111764208A (zh) | 一种基于区间分割的钢轨打磨廓形快速预测方法 | |
CN103630564A (zh) | 高速列车车体残余应力测量方法 | |
Domin et al. | Investigation of the some problems of running safety of rolling stock on the Ukrainian railways | |
CN111441203A (zh) | 全自动钢轨在线增材修复车 | |
CN214391159U (zh) | 一种承载鞍在线检测*** | |
CN111809464B (zh) | 一种钢轨智能打磨控制方法 | |
CN114279314B (zh) | 一种钢轨修复后处理策略制定方法 | |
CN113106796B (zh) | 一种无缝线路钢轨预打磨施工方法 | |
RU2502572C2 (ru) | Способ классификации дефектов и выполнения шлифования прокатных валков | |
CN105544327B (zh) | 一种钢轨快速在线检测复能装置 | |
CN205474647U (zh) | 一种用于钢轨在线检测及复能的车辆装置 | |
Grassie | Maintenance of the wheel–rail interface | |
Müller et al. | Definition of wheel maintenance measures for reducing ground vibration | |
CN116047020B (zh) | 钢轨表层损伤在线修复性能测试装置及测试方法 | |
CN117235507B (zh) | 一种钢轨打磨车磨石异常状态识别方法 | |
CN214138511U (zh) | 一种钢轨打磨车 | |
CN213389537U (zh) | 全自动钢轨在线增材修复车 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |