基于激光分析仪数据和监督机器学习的铁路轨道运行表面的自动检测
Florian Mauz1, Remo Wigger1, Alexandru-Elisiu Gota1
1Institute for Machine Tools and Manufacturing, ETH Zürich, 8092 Zurich, Switzerland.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
本研究引入了一种自动化方法,用于使用激光分析和机器学习来检测铁路跑面. 该技术达到90%以上的准确性,可实现精确的轨道状况监测.
科学领域:
- 铁路基础设施监控 铁路基础设施监控
- 非破坏性测试是指非破坏性测试.
- 机器学习应用程序 机器学习应用程序
背景情况:
- 精确的铁路形状测量对于基础设施健康至关重要.
- 识别行驶面对于铁路诊断和基于车辆的测量至关重要.
- 目前的方法可能缺乏全面监控的自动化或精度.
研究的目的:
- 开发一种自动化方法来检测轨道行驶面.
- 使用激光分析和监督机器学习来进行这种检测.
- 评估拟议的铁路车载监控方法的准确性和适用性.
主要方法:
- 采用激光谱仪来捕获轨道表面数据.
- 分析轨道表面反射的光模式.
- 应用监督机器学习,特别是线性支向量机器,用于表面元素分类.
主要成果:
- 实现了超过90%的运行表面的检测准确性.
- 成功计算了跑道面的横向位置和宽度.
- 在宽度测量中报告的平均偏差范围为-1.2mm至5.6mm.
结论:
- 拟议的自动化方法可靠地检测轨道行驶面.
- 该方法显示了高精度和可量化的测量能力.
- 这种技术适合集成到车载列车系统中,用于连续监控铁路网络.


