一、轨检车检测道岔的自动判别系统（论文文献综述）
于东东[1]（2021）在《普速铁路线路动静态轨检数据综合分析应用研究》文中研究表明铁路工务部门主要的任务是对线路设备进行日常养护和维修,保障线路设备的完整与运行质量,确保列车能够按照相关规定安全运行。在平时的养护维修中,通过手工现场检查、便携式添乘仪添乘检查、轨道检查车全面检查等方式,收集了大量的检测、维修等的资料。但是由于缺少对轨检信息精确而又深度的综合分析,导致轨检信息作用发挥不够明显,对养护维修生产进行指导的时效性不强。针对这一问题,本文依托陇海铁路洛阳工务段管内线路设备动静态轨检数据,通过动静态数据的综合分析和现场应用情况对比,开展了依托轨检数据进行病害查找、病害原因分析以及维修作业方法的研究,提高了维修作业的精准性。主要研究工作和结论如下:（1）首先分析了国内外轨检车发展应用情况,对其检测原理、检测项目、数据处理系统和超限成因分析进行了全面介绍和详细分析;（2）应用轨道状态波形图、超限报表、振动加速度及动力学指标超限等多个指标,对单项大值病害以及复合叠加病害的查找等多方面进行综合分析,通过直接复核法、特征点复核法和参照复核法对理论分析结果进行实践验证,提高了病害复核的效率和精准度;（3）通过对洛阳工务段管内2020年全年陇海上下行正线轨检车检测数据进行细致深入的对比分析,普速铁路轨道几何不平顺超限的主要原因集中在小半径曲线养护维修不到位、站场道岔群设备养护不到位和大型机械作业车无法调整轨距及轨距变化率三个方面;并提出了加强小半径曲线养护、人工配合大机作业和改善道岔群状态三个方面的措施建议,通过对现场应用结果的跟踪调查,达到了预期效果;（4）在对各种动静态轨检数据进行综合对比分析的基础上,提出了利用动静态轨检数据精准安排大型机械作业车作业计划、精准判别病害及合理安排区段精调作业。
李思宇[2]（2020）在《无砟轨道在线监测数据信息管理系统的设计与实现》文中研究表明随着我国高速铁路网的逐渐成形,高速铁路的发展重点已由建设转为运营。无砟轨道作为高速列车走行的主要基础形式,近年来服役状态劣化现象显着,在环境温度、列车动荷载、雨水等因素耦合作用下,无砟轨道板的开裂、离缝、脱空等结构性病害频发。这些病害的存在严重影响高速列车运行的平稳性和舒适性,甚至危及高速铁路运营的安全性。因此,对无砟轨道服役状态关键参数进行在线监测,并利用信息化管理方法对监测数据进行科学管理和使用,已经成为铁路工务部门亟需解决的重要难题。基于以上目的,本文以华东地区某高铁为项目背景,以数据库为核心技术,以该项目海量监测数据储存、分析和管理为前提,同时考虑其他在线监测系统对数据处理分析的共性需求,采取软件与硬件相结合的思想设计了无砟轨道在线监测数据信息管理系统,主要工作如下:（1）无砟轨道在线监测系统总体构架设计研究。根据轨道板在线监测系统的设计原则,以及在系统开发与设计过程中所涉及的相关技术,搭建了无砟轨道在线监测系统的总体框架,并对系统功能和结构进行了设计和分析。（2）建立了以关系型数据库Oracle为中心的在线监测数据库系统。根据本系统的需求分析,实现对数据库的逻辑、概念、物理和安全设计,并利用OLE-DB连接数据库,实现Visual Studio与Oracle间的数据通信,建立了一套完整的动态数据储存管理系统,实现了对海量监测数据的有效管理,并提高了数据管理的时效性、信息化程度和便捷性,解决了大量数据存储问题并提高了对监测数据的利用率。（3）无砟轨道监测数据的预处理方法研究和预警模型的建立。通过查阅资料、理论分析等手段,利用统计学中的方法对数据进行预处理,对缺失值进行填补并对监测数据中存在的异常值进行剔除,以确保监测数据的真实性和预测结果的有效性。然后根据气象参数与轨道板温度之间的关系及其变化规律的相关性,利用机器学习中的算法进行分类,建立预警模型并确定预警指标,从而实现对轨道结构服役状态的评估。（4）采用多源信息融合技术,将云服务器（ECS）嵌入到“无砟轨道在线监测数据信息管理系统”中,并开发出微信小程序和监测数据查询的客户端程序,集多源信息发布和搜索技术于一体。
姜晨瑞[3]（2019）在《轨道场景分类的紧致型深度学习方法研究》文中指出我国高速铁路发展已经领先世界,铁路的日常检测是保障高铁正常运行的重中之重,随着轨检车的不断升级换代以及计算机视觉技术的快速发展,使用计算机视觉技术代替人工进行自动化检测的方法也不断发展完善,与传统的人工检测方法相比,基于计算机视觉技术的自动化检测方法的检测速度更快,效率更高。对轨道场景进行分类可以提升扣件检测及钢轨检测等轨道重要部分病害检测的性能,随着深度学习席卷全球的浪潮,深度学习成为了图像分类的首选方法,目前普遍使用的高性能神经网络对设备计算能力的需求高,训练的模型推理速度慢,很难做到实时检测;紧致型神经网络虽然对设备计算能力的需求低,训练的模型推理速度快,可以实现实时检测,但是性能却不能满足要求。轨道场景图像分无砟道岔、无砟正线、有砟道岔和有砟正线为四类,各类图片数量不均衡,而且类间差异较小。本文借鉴近几年最先进的卷积神经网络的设计思想,针对轨道场景分类任务类别少,类间差异小,类内差异大,图片一致性高的特征进行网络定制,设计了特征重用的深度可分离卷积网络Dwres Net以及带有注意力机制的残差网络Dw Attention Net。特征重用的深度可分离网络Dwres Net在识别准确率、推理速度、模型大小以及计算量上都优于大部分目前常用的高性能神经网络和紧致型神经网络,能够很好地解决轨道场景分类任务,但易将有咋正线图片错识别为有砟道岔;针对特征重用的深度可分离网络对有砟道岔图片识别率不高的问题,引入注意力机制,在增加较少计算量的情况下提升模型的性能,进一步提高了轨道场景分类任务的精度。为了验证本文方法的有效性,笔者采用相同的训练方法训练了十几个模型,包括常用的高性能神经网络VGG、Res Net、Efficient Net和紧致型神经网络Mobile Net V1、Mobile Net V2、Mobile Net V3和Shuffle Net V2等模型。实验结果表明,与目前常用神经网络相比,Dwres Net的推理速度快于所以的神经网络,性能优于紧致型神经网络和部分高性能神经网络,Dw Attention Net的推理速度与常用的紧致型神经网络的推理速度相当,性能优于高性能神经网络。
彭丽宇[4]（2019）在《铁路货运运营风险数据知识化方法研究》文中研究指明随着我国经济的快速发展,带动铁路运输业的不断创新和改革,技术复杂程度不断加强,既有的安全管理模式面临严峻挑战。采用传统铁路货运运营风险管理方式分析事故形成的原因一般是以单一线性关系为基础,即风险源与事故之间,对已发生事故的风险源进行有效识别和控制,而无法对潜在风险源进行辨识和关联,做不到精准的风险管理,无法满足铁路货运运营风险管理的智能化服务,也无法通过实时、动态的数据挖掘,实现信息化和知识化的增值的需求。因此,研究铁路货运运营风险数据的知识化方法,对进一步精准挖掘风险源,提高铁路货运运营风险管理水平,具有重要意义。本文针对铁路货运运营风险事故特点,基于本体论、粗糙集和人工神经网络等方法探究了铁路货运运营风险结构化数据和非结构化数据的知识化问题,建立风险数据知识化与情景集成知识库,为铁路货运运营风险数据知识化与管理提供了借鉴。论文的主要研究内容如下。（1）铁路货运运营风险影响因素指标体系建立与关键影响因素筛选从人、装备、环境、管理角度建立铁路货运运营风险影响因素指标体系,选取危险源、故障与事故数据作为条件属性集,将相应的风险等级信息作为决策属性集,构建基于人、装备、环境、管理的铁路货运运营风险影响因素知识系统,运用粗糙集筛选影响铁路货运安全的关键风险因素,计算并对比分析各关键风险因素的权重差异。（2）铁路货运运营风险管理本体构建与关联模式识别以铁路事故案例非结构化数据为基础,对事故进行描述与解析,挖掘铁路货运运营风险源,解析致因机理,选取若干事故致因复杂、事故级别高的典型事故案例完成情景实例的知识提取,建立基于事故情景的事故-风险本体模型,并对铁路货运运营风险本体进行形式化表示,从而识别风险关联模式,提出了铁路非结构数据的知识化方法。（3）提出铁路货运设备风险管理数据知识化方法针对铁路设备状态检测结构化数据知识化现状,提出基于神经网络的铁路货运设备数据知识化方法,并以轨道不平顺为例,利用BP神经网络对其分周期进行预测,并运用轨距、左轨向、右轨向、左高低、右高低、三角坑、水平等七项检测数据对模型有效性进行了验证。（4）铁路货运运营风险数据知识化与情景知识集成将铁路的风险影响指标体系与事故-风险本体中的风险源相关概念相对应,完成铁路货运运营风险影响指标权重的知识化。确定铁路货运运营风险影响指标包括人员对应、管理对应、环境对应与装备对应4组映射规则。以轨道平顺测量数据的挖掘与计算过程为例,将风险-事故本体的概念部分进行相应更新,将新生本体概念对应到风险、设备、基础设备、固定设备、轨道与线路下,使用Protege工具,在风险-事故本体中建立新的概念,构建新生本体图。依据风险源的类型,将其分为人员、设备、环境、管理四类进行管理。对于关联关系的提取,依照事故情景要素和风险、事故成因,将风险源之间成组关联关系分析定义为:升级、影响、导致三种风险成组关联关系。通过分析事故风险源及对应事故情景中的参与行为,寻找二者对应关系,将二者关联起来,形成由参与行为到风险成组的动态推理链条,建立提取、产生、催化、处理异常行为-风险链的规则认定,形成推理映射逻辑表。本文的主要创新点如下:（1）提出了铁路货运运营风险数据知识化方法。基于事故情景的致因机理解析,识别风险源并挖掘影响铁路货运运营安全风险因素之间的关联规则,基于风险关联知识构建事故-风险本体模型,研究铁路货运运营风险本体知识推理与更新机制。（2）构建了铁路货运运营风险本体模型。以基于本体的铁路货运运营风险模型结构化描述与推理方法为基础,挖掘并提出铁路货运运营风险关联知识推理机制,建立基于管理数据和设备数据的风险识别方法。运用铁路货运运营事故情景的本体描述,对不同类型铁路货运运营风险进行本体集成,实现了铁路货运运营风险数据的知识化。（3）提出了铁路货运运营风险数据的知识建模和推理研究方法。建立铁路货运运营风险影响因素指标体系,构建基于人、装备、环境、管理的铁路货运运营风险影响因素知识系统,运用粗糙集筛选了影响铁路货运安全的关键风险因素。通过铁路货运事故情景分析建模,分析、分解各个事故的成因链与事故链,探究非结构化铁路货运运营风险数据和事故数据间相互作用关系。
刘畅[5]（2019）在《重载铁路线路综合检测技术应用研究》文中提出朔黄铁路是西煤东运的第二大通道,近年来,随着运量的增加,朔黄铁路公司为实现“打造国内领先、国际一流‘绿色、高效、数字化’重载铁路”的战略目标,致力于重载综合检测技术的研发。自2009年以来,提出重载铁路综合检测车研发方案和理念,联合中、美、英、德等国内外铁路检测主流技术供应商和科研院所共同开发,历时五年,重载综合检测车于2014年1月正式上线运用,同年8月通过了中国铁道学会评审验收。综合检测技术的利用,使朔黄铁路的维修模式发生了巨大变化。本文试图通过轨道检测、波磨检测、巡检检测数据的应用,探索设备质量的变化规律,通过综合分析来指导线路维修,极大地提高铁路维修作业效率,从而精准地判断病害位置及程度,极大地节约劳动力,同时通过对设备的变化发展规律预测设备状态,探索设备大修周期。
张晨[6]（2019）在《高速铁路轨道检测数据里程偏差修正算法研究》文中指出轨道几何不平顺检测系统进行轨道检测时,因车轮空转与打滑、检测速度、是否通过曲线、轨道表面清洁状况、钢轨磨损程度等复杂检测环境的影响,轨道检测数据不可避免产生里程偏差,导致波形错位,造成数据应用困难。因此,针对轨道检测数据存在里程偏差的问题,深入开展里程偏差修正研究,就成为一个重要的研究问题。为了实现里程偏差修正,里程偏差识别与修正就成为关键所在。以波形相似性作为切入点,利用不同通道数据使用相同里程系统的特点,使用多通道数据相结合,遵循逐级控制逐级修正原则,针对较大里程偏差识别,利用曲线主点处超高数据变化具有极强特征性,提出以归一化相关系数作为波形相似性粗配准模型,使用模板匹配思想提取较大里程偏差。在此基础上,顾及到釆样点之间的里程偏差随着里程呈现非线性变化特点,依据Lagrange插值和多项式插值基本原理,分别建立起里程偏差修正模型和幅值重采样模型。为了进一步精确修正里程偏差,依据正确的波形特征点具有相似的几何位置关系,引入几何约束最大向量角和最大角度差准则,建立波形特征精确配准模型。依据波形变化规律提出波形特征抽取算法处理得到波形特征。然后使用精确匹配模型建立特征点之间一一对应关系,得到特征点处里程偏差,实现里程偏差精确修正。为了验证算法的正确性及适用性,选取相同轨道几何不平顺检测系统测量的不同线路条件下轨道检测数据进行算法验证。试验结果表明:利用曲线主点处超高数据变化特征能够有效实现长大曲线内部里程偏差处理,波形特征能够更好的控制较短区间里程偏差修正。里程偏差修正模型能够有效修正波形匹配提取的里程偏差,具有良好修正效果,里程修正精度优于0.635m。波形特征抽取算法能够准确抽取波形关键特征点,突显波形关键信息。波形特征精确配准模型能够筛选出正确匹配点对,建立特征点之间对应关系,确保基准序列与观测序列波形高度吻合。因此,算法具有修正效果好,通用性强,适用于同一轨道检测系统检测数据里程偏差修正。
程思柳[7]（2019）在《基于图像处理的铁路扣件状态识别算法的研究与应用》文中提出随着我国铁路交通运输行业的高速发展,铁路里程逐年增长,铁路线路巡检的压力越来越大,设计能够自动化巡检线路状况的系统已成为铁路工务部门的迫切需求。轨道扣件系统是铁路轨道表面基础设施的重要组成部分之一,是整个轨道系统不可或缺的一部分,起到将钢轨固定在轨枕上或者混凝基座上的作用,保证列车行车安全。因此,研究基于图像处理的轨道扣件状态识别算法具有十分重要的理论和实际意义。首先,为了扣件状态识别的正常进行,根据实际的轨道图像特点,构建了一种基于形态学处理的扣件定位方法,利用轨枕、钢轨和枕肩的边缘特征快速得到定位坐标,根据坐标信息从原始图像中定位扣件子图像。针对定位有偏差的扣件子图像,充分挖掘扣件区域与非扣件区域的特征信息,构建了一种基于超像素处理的自动调整扣件子图像定位坐标的算法,使用超像素处理方法将扣件子图像分割成若干个超像素区域,然后利用超像素的五个特征将超像素区域聚集成多个较大的聚类区域,接着根据扣件区域的颜色特征合并聚类区域,从扣件子图像中分割出扣件区域,最后根据子图像中扣件区域的坐标位置调整原始扣件子图像的定位坐标,该方法提高了扣件子图像的定位精准度。其次,为了获取扣件图像的局部特征,建立了扣件图像的马尔可夫模型,使用该模型证明了关键区域状态与扣件图像状态之间的关系,将关键区域的LBP均匀模式特征作为局部特征。扣件图像的全局特征是HOG特征,首先对同一张扣件图像使用不同带宽的高斯核函数进行多次处理,保留扣件外部形状特征,消除局部细节,然后提取经过高斯核函数处理后所有图像的HOG特征,将同一张扣件图像的所有HOG特征顺序级联形成该扣件图像的全局特征。再次,针对样本库扣件图像数量少和缺乏多样性的情况,将所有扣件图像按对称轴一分为二,之后采用镜像和拼接的方法重构扣件图像,使用该方法将增加训练样本库的图像数量,提高样本库的多样性。最后,搭建了一种结合两种训练模型的扣件状态混合识别算法。使用全局特征训练支持向量机、局部特征训练BP神经网络,将两种训练模型用于扣件图像的状态识别,它们的判别结果通过逻辑与进行运算,得到混合识别算法的判别结果,结果表明,综合两种模型的扣件状态结果,扣件状态识别率将比单一模型的识别率高。
刘伟[8]（2018）在《钢轨轮廓检测数据的预处理方法研究》文中认为非接触式钢轨轮廓在线检测是当今轨道质量检测的主流方式,对提高线路维护效率、保障铁路交通安全具有重要意义。如何实时准确地从检测系统采集的原始轮廓中提取有效钢轨轮廓来评估线路状态,是轨道质检工作面临的关键问题。本文旨在研究一种基于钢轨轮廓检测数据的预处理方法,保证轮廓数据的准确性和完整性,从而提高轨道质量测量的精度。钢轨轮廓数据的预处理包括钢轨轮廓有效性识别和有效轮廓的去噪与补缺两个环节。本文首先分析对比了实际线路中不同区域的钢轨轮廓形态,指出轨头至轨腰的间断性与测量轨腰与标准轨腰的匹配性是识别有效轮廓的重要依据;利用轨颚点及轨头内侧直线的匹配完成轮廓粗配准,再依据配准轮廓轨腰重合区的单向Hausdorff距离与统计阈值的比较,实现有效钢轨轮廓的精确判别。然后在轮廓具备轨腰廓形的基础上,对轨腰上的特征圆弧以半径约束进行非线性拟合,得到测量轨腰的圆心坐标并与标准轨腰圆心套合,完成轮廓的精细配准。针对部分轮廓轨头出现散乱点噪声和数据空缺的情况,提出的一种钢轨轮廓的去噪与补缺方法:通过基于分段轮廓的去噪算法消除钢轨轮廓噪声,并依据相邻测量轮廓形状相似,将相邻轮廓作精细配准,重叠轨头区域实现缺失数据点的修补。最后对轮廓预处理方法进行性能测试,实验结果表明:有效轮廓识别算法在实际线路上判别出的有效轮廓分布和实际路况基本一致,识别准确率为93.1%,平均识别速度10.8ms/幅,车体检测速度可达83.3km/h。将数据异常的有效钢轨轮廓通过去噪与补缺预处理后,消除噪声和数据不完整对钢轨测量的干扰,其断面精度值与正常轮廓作误差计算,平均误差仅有0.1017mm,满足钢轨动态检测的精度要求。因此本文提出的钢轨轮廓预处理方法为保证钢轨测量数据的准确性和提高轨道检测效率提供了一种新的思路与方法。
许贵阳[9]（2015）在《高速铁路轨道状态智能评判技术研究》文中研究说明高速铁路轨道的平顺状态直接决定轨道-车辆系统运行的安全性和运行品质。目前对轨道不平顺的管理主要采用幅值管理和均值管理。从发展趋势看,综合运用轨道几何不平顺和轨检车、晃车仪、添乘仪、人体感觉等多源数据评判轨道状态将是高速铁路轨道管理的热点和难点。本文结合信号处理、数据挖掘、神经网络等技术,对高速铁路线路养修单元评价模型和方法进行了深入探索,主要研究内容如下。（1）研究高速铁路海量轨道几何检测数据的自动预处理方法。利用相关性分析、傅立叶变换、绝对平均值等方法,实现了高速铁路海量轨道几何检测数据的里程修正、趋势项滤除、单一和分片异常值滤波等自动处理功能,解决了人工编辑剔除无效数据带来的效率低下和结果多样性等问题,为超限判断和轨道状态特征参数的计算提供可靠数据支撑。（2）研究车载特征参数偏差的遴选和分析方法。将每月的车载偏差数据分成四周,提出根据重复性原理来挑选每周的晃车仪、添乘仪和人体感觉偏差数据,并用于轨道单元状态评判。分析结果表明,相比随意选取几趟车次的偏差数据,根据重复性原理来挑选偏差数据更合理更科学,评判的结果更可靠。（3）结合LVQ神经网络、成对比较矩阵和聚类方法,研究提出了一种轨道单元状态的综合评判方法。利用成对比较矩阵确定特征参数的权系数,并通过加权求和得到单元的量化评分指标。根据大量实测的数据建立随机样本,提出利用聚类方法确定轨道单元状态分级。分别以轨道单元量化评分指标作为输入,以聚类得到轨道单元状态分级作为输出,利用LVQ神经网络建立了轨道单元状态的关联模型。（4）基于应用统一展示、多源数据同时接入和具备可扩展性的原则,详细设计并构建了高速铁路轨道单元管理系统,实现了基于轨道单元的轨道状态综合评判。
徐鹏[10]（2012）在《铁路轨检车检测数据里程偏差修正模型及轨道不平顺状态预测模型研究》文中进行了进一步梳理为了保证轨道为列车运行提供可靠的运行基础,铁路工务部门针对轨道经常组织实施修理作业。实施修理作业有三个关键问题（3W）需要确定：作业时间（When）、作业内容（What）及作业地点（Where）。在基于状态的轨道养护维修策略指导下,获取这三个方面信息的核心基础是轨道不平顺状态变化规律。轨检车检测数据（Track Geometry Measurements, TGM）是铁路工务部门把握轨道不平顺状态最重要的状态数据之一。利用TGM研究轨道不平顺状态变化规律提取3W信息有多个方面的问题需要探讨。本文主要针对其中的两个关键问题进行了研究：一是TGM里程偏差修正问题；二是轨道不平顺状态短期预测问题。本文的研究将为在中国铁路上实现基于状态的轨道养护维修提供理论和技术基础。这种维修策略的实现将能够提高轨道系统可靠性,提高列车运行的安全性,延长轨道设备使用寿命,从而降低轨道设备生命周期成本。在综合分析国内外专家学者围绕这两个问题提出的解决方案的基础上,本文首先利用均一阈值处理（Uniform Thresholding, UT）、地图匹配（Map Matching）、相关分析和动态规划等技术,研究建立了一个新的修正TGM里程与线路上设备里程之间偏差（简称为第一类里程偏差）的模型,基于关键设备的里程偏差修正模型（Key Equipment based Mileage Error Correction method, KE-BMEC）.模型KE-BMEC,首先利用TGM、车站平面布置图和已经在铁路上推广使用近6年的铁路工务管理信息系统（Permanent of Way Management Information System, PWMIS）的数据库（以下简称PWMIS数据库）中存储的工务设备台帐数据,在TGM中确定一些工务设备（称为关键设备）特征点上的采样点；其次根据PWMIS数据库中存储的这些采样点的里程,修正轨检车一次检测产生的整个TGM文件中所有采样点的里程。模型KE-BMEC的性能分析结果表明：经过该模型修正里程偏差后,第一类里程偏差大幅减小了,远小于GPS里程自动修正系统修正后的里程偏差；一般情况下,同一采样点上经过KE-BMEC修正里程的多次检测数据中的里程偏差（简称为第二类里程偏差）小于lm。其次,利用相关分析、Dynamic Time Warping （DTW）和动态规划等技术研究建立了一个新的修正第二类里程偏差的模型,基于TGM的里程偏差修正模型（TGMbased Mileage Error Correction method, TGM-BMEC）。DTW技术被首次用来解决TGM里程偏差问题。模型TGM-BEMC对经过KE-BMEC处理的TGM（简称为待修正TGM）做进一步里程修正,以尽可能减小第二类里程偏差。以最新的并且经过TGM-BMEC修正的TGM为参考数据,TGM-BMEC首先在参考数据中确定距离待修正TGM中每个采样点最近的采样点（简称为对应采样点）,其次利用参考数据记录的对应采样点的里程修正待修正TGM中每个采样点的里程。模型TGM-BMEC的性能分析结果表明：经过该模型修正里程偏差以后,第二类里程偏差小于1个采样点间距0.25m,小于已有里程修正模型处理后的第二类里程偏差。最后,在以上两个模型修正里程的基础上,根据轨道不平顺状态劣化特点研究建立了一个新的对轨道不平顺状态进行短期预测的模型（Short-Range Prediction Model for Track Irregularities, TI-SRPM）。模型TI-SRPM对每个采样点上所有轨道不平顺指标在未来一段时期（长度由轨检车检测的时间间隔决定）内每一天的幅值进行预测。模型TI-SRPM的性能分析结果表明：TI-SRPM预测的各采样点的幅值与轨检车检测出的各采样点的幅值非常接近；根据TI-SRPM预测的幅值,能够提前一个轨检车检测周期预测出至少80%的轨道不平顺超限,并且幅值较大超限的预测可靠性比幅值较小超限的预测可靠性高；根据TI-SRPM的预测结果,能够提前一个轨检车检测周期较准确地预测出各种长度区段的整体不平顺状态指数,为精细化管理轨道不平顺状态提供状态数据。
二、轨检车检测道岔的自动判别系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、轨检车检测道岔的自动判别系统（论文提纲范文）
（1）普速铁路线路动静态轨检数据综合分析应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 洛阳工务段管辖线路设备状况 |
| 1.1.2 设备运营条件 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究应用现状 |
| 1.3.1 国外研究应用现状 |
| 1.3.2 国内研究应用现状 |
| 1.4 研究思路与研究内容 |
| 1.4.1 研究思路 |
| 1.4.2 研究内容 |
| 2 轨检车检测原理及数据处理 |
| 2.1 轨检车检测原理 |
| 2.1.1 轨道几何尺寸指标 |
| 2.1.2 曲率采集处理过程(GJ5) |
| 2.1.3 水平测量原理及传感器分布 |
| 2.1.4 高低测量原理及传感器配置 |
| 2.2 轨检信息数据处理 |
| 3 轨检信息超限成因分析与病害定位 |
| 3.1 轨检信息超限成因分析 |
| 3.2 轨检信息病害定位 |
| 3.2.1 检测里程的校对 |
| 3.2.2 病害查找及应用实例 |
| 3.2.3 误判信息的排除 |
| 3.2.4 现场复核方法 |
| 4 普速铁路轨道几何不平顺超限项目分析 |
| 4.1 2020 年陇海线轨检车扣分情况汇总分析 |
| 4.2 2020 年陇海线轨检车超限扣分比例分析 |
| 5 超限原因分析及措施建议 |
| 5.1 超限原因分析 |
| 5.2 措施建议 |
| 5.2.1 加强对曲线养护 |
| 5.2.2 安排人工配合大机作业 |
| 5.2.3 改善道岔群设备状态 |
| 5.3 大值偏差分析 |
| 6 动静态轨检数据来源及综合运用 |
| 6.1 数据资料来源 |
| 6.1.1 轨检仪检测 |
| 6.1.2 轨检车检测 |
| 6.1.3 线路检查仪检测 |
| 6.1.4 各类轨检信息优缺点比较 |
| 6.2 动静态轨检数据的运用 |
| 6.2.1 为大型机械打磨车的计划安排提供指导依据 |
| 6.2.2 通过对比分析精准查找病害 |
| 6.2.3 精确安排区段精调作业 |
| 7 结论 |
| 参考文献 |
| 作者简历及攻读学位期间取得的科研成果 |
| 学位论文数据集 |
（2）无砟轨道在线监测数据信息管理系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 我国无砟轨道监测数据信息管理系统的不足 |
| 1.4 本文主要工作 |
| 第二章 系统的结构及功能设计 |
| 2.1 系统的设计原则 |
| 2.2 系统总体设计 |
| 2.2.1 系统总体框架设计 |
| 2.2.2 系统硬件设计 |
| 2.2.3 系统软件设计 |
| 2.3 系统开发环境的搭建 |
| 2.4 系统功能设计 |
| 2.5 本章小结 |
| 第三章 系统数据库设计 |
| 3.1 数据库需求分析 |
| 3.2 数据库设计 |
| 3.2.1 数据库概念设计 |
| 3.2.2 数据库逻辑设计 |
| 3.2.3 数据库物理设计 |
| 3.3 数据库保护与事务管理 |
| 3.3.1 数据库安全性和完整性 |
| 3.3.2 数据库恢复和备份 |
| 3.4 VB访问Oracle数据库的实现 |
| 3.5 本章小结 |
| 第四章 监测数据分析方法研究 |
| 4.1 概述 |
| 4.2 监测数据的预处理方法 |
| 4.2.1 遗漏数据的处理方法 |
| 4.2.2 异常数据的处理方法 |
| 4.3 监测数据预警方法研究 |
| 4.3.1 决策树算法概述 |
| 4.3.2 决策树模型的构建 |
| 4.3.4 决策树模型的验证和结果分析 |
| 4.4 本章小结 |
| 第五章 无砟轨道在线监测系统的实现与应用 |
| 5.1 云服务器的应用 |
| 5.1.1 云服务器的搭建与配置 |
| 5.1.2 云服务器内部接口的开发 |
| 5.2 微信小程序的开发 |
| 5.2.1 微信小程序的开发步骤 |
| 5.2.2 微信小程序的逻辑结构设计 |
| 5.2.3 通信模块设计 |
| 5.3 系统功能模块的实现 |
| 5.3.1 客户端功能的实现 |
| 5.3.4 移动端功能的实现 |
| 5.4 系统测试 |
| 5.4.1 测试环境 |
| 5.4.2 性能测试 |
| 5.4.3 功能测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（3）轨道场景分类的紧致型深度学习方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 论文的主要工作与研究内容 |
| 1.3 文章的组织架构 |
| 2 相关工作研究综述 |
| 2.1 引言 |
| 2.1.1 传统图像特征提取方法简述 |
| 2.1.2 卷积神经网络简述 |
| 2.2 高性能神经网络 |
| 2.2.1 VGG |
| 2.2.2 ResNet |
| 2.2.3 EfficientNet |
| 2.3 紧致型神经网络 |
| 2.3.1 深度可分离卷积 |
| 2.3.2 分组卷积 |
| 2.4 基于机器视觉的轨道检测 |
| 3 特征重用的深度可分离网络 |
| 3.1 引言 |
| 3.2 紧致型网络设计准则 |
| 3.3 特征重用的深度可分离网络 |
| 3.3.1 模型结构 |
| 3.3.2 模型优化 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集制作 |
| 3.4.2 数据增广 |
| 3.4.3 实验设置 |
| 3.4.4 实验比较 |
| 3.5 小结 |
| 4 带有注意力机制的残差网络 |
| 4.1 引言 |
| 4.2 带有注意力机制的残差网络 |
| 4.2.1 注意力机制 |
| 4.2.2 模型结构 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 实验比较 |
| 4.4 小结 |
| 5 结论 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）铁路货运运营风险数据知识化方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 问题提出与研究意义 |
| 1.1.1 问题提出 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 铁路货运运营风险管理研究现状 |
| 1.2.2 铁路货运运营风险影响因素分析评价 |
| 1.2.3 铁路货运运营风险数据知识化研究 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容与研究框架 |
| 1.3.2 研究方法与技术路线 |
| 2 基本理论 |
| 2.1 风险管理理论 |
| 2.2 情景分析 |
| 2.3 本体及知识推理 |
| 2.3.1 本体定义 |
| 2.3.2 知识化与知识推理 |
| 2.3.3 本体集成 |
| 2.4 神经网络理论 |
| 2.4.1 神经元基本概念 |
| 2.4.2 递推合成BP网络模型 |
| 2.5 本章小结 |
| 3 铁路货运运营风险管理的数字化体系 |
| 3.1 铁路货运运营风险预控模式 |
| 3.1.1 当前铁路货运运营风险控制模式 |
| 3.1.2 铁路货运运营风险管理协同预控模式 |
| 3.2 铁路货运运营风险相关信息系统 |
| 3.2.1 铁路设备监测信息系统 |
| 3.2.2 风险管理系统 |
| 3.3 铁路货运运营风险数据特征分析 |
| 3.3.1 铁路货运运营风险数据来源和分类 |
| 3.3.2 铁路货运运营风险数据知识化处理方式 |
| 3.4 本章小结 |
| 4 铁路货运运营风险全域影响因素分析 |
| 4.1 铁路货运运营风险影响因素分析 |
| 4.1.1 人员因素分析 |
| 4.1.2 装备因素分析 |
| 4.1.3 环境因素分析 |
| 4.1.4 管理因素分析 |
| 4.2 铁路货运运营风险影响因素指标体系建立 |
| 4.3 基于粗糙集的铁路货运运营风险影响因素权重分析 |
| 4.3.1 粗糙集理论 |
| 4.3.2 铁路货运运营风险影响因素知识系统构建 |
| 4.3.3 基于粗糙集的铁路货运运营风险关键影响因素筛选 |
| 4.3.4 铁路货运运营风险关键影响因素权重计算 |
| 4.3.5 铁路货运运营风险关键影响因素权重对比分析 |
| 4.4 本章小结 |
| 5 事故情景文本数据的知识化 |
| 5.1 风险事故情景描述与致因机理解析 |
| 5.1.1 铁路事故情景描述与解析 |
| 5.1.2 风险源挖掘与致因机理解析 |
| 5.2 基于事故情景的风险形式化 |
| 5.2.1 铁路货运运营风险本体构建方法与内容 |
| 5.2.2 铁路货运运营风险本体构建过程 |
| 5.2.3 铁路货运运营风险本体的形式化表示 |
| 5.2.4 风险关联识别模式 |
| 5.3 本章小结 |
| 6 运营设备检测数据的知识化 |
| 6.1 铁路运输装备结构化数据现状分析 |
| 6.1.1 基于物联网的铁路运输装备结构化数据特点 |
| 6.1.2 铁路运输装备结构化数据处理方法 |
| 6.2 基于结构化数据分析的神经网络模型 |
| 6.2.1 BP神经网络模型 |
| 6.2.2 结构化数据分析的神经网络预测模型 |
| 6.3 铁路运输装备结构化数据分析 |
| 6.3.1 铁路轨道几何不平顺理论分析 |
| 6.3.2 铁路轨道结构化数据统计分析 |
| 6.4 实证研究 |
| 6.4.1 BP神经网络模型的构建 |
| 6.4.2 网络的精度检测与预测 |
| 6.4.3 线路不平顺状态预警 |
| 6.5 本章小结 |
| 7 运营风险情景的知识再发现 |
| 7.1 铁路货运运营风险情景分析 |
| 7.2 事故-风险本体数据知识化扩展 |
| 7.2.1 铁路货运运营风险影响因子知识化 |
| 7.2.2 结构化风险数据知识的集成 |
| 7.3 事故-风险本体的情景化扩展 |
| 7.3.1 事故情景分析 |
| 7.3.2 事故情景建模 |
| 7.3.3 本体集成 |
| 7.3.4 代码实现 |
| 7.4 本章小结 |
| 8 结论与展望 |
| 8.1 本文主要结论 |
| 8.2 论文的主要创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）重载铁路线路综合检测技术应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 本文研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 轨道检测技术研究现状 |
| 1.2.2 钢轨波磨检测技术研究现状 |
| 1.2.3 轨道巡检检测技术研究现状 |
| 1.3 本文主要内容及研究方法 |
| 第二章 轨道检测技术应用及轨道变化规律 |
| 2.1 轨道检测技术介绍 |
| 2.2 轨道检测数据应用 |
| 2.2.1 利用轨道峰值指导线路维修 |
| 2.2.2 利用轨道均值指导线路维修 |
| 2.2.3 曲线病害整治 |
| 2.2.4 轨道波形图的应用 |
| 2.2.5 轨道超限大值追踪 |
| 2.2.6 施工质量评价 |
| 2.3 本章小结 |
| 第三章 钢轨波磨检测技术应用及波磨病害发展规律 |
| 3.1 波浪磨耗病害介绍 |
| 3.2 波磨检测技术 |
| 3.2.1 技术指标 |
| 3.2.2 评价指标创新 |
| 3.2.3 波磨数据应用 |
| 3.3 本章小结 |
| 第四章 轨道巡检检测技术应用及病害发展规律 |
| 4.1 轨道巡检检测技术介绍 |
| 4.2 轨道巡检检测数据应用 |
| 4.3 本章小结 |
| 第五章 轨道状态综合分析 |
| 5.1 轨道综合分析简介 |
| 5.2 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（6）高速铁路轨道检测数据里程偏差修正算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及问题提出 |
| 1.2 轨道几何不平顺检测技术 |
| 1.2.1 基本检测项目 |
| 1.2.2 检测原理及计算模型 |
| 1.2.3 静态检测技术 |
| 1.2.4 动态检测技术 |
| 1.3 国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 研究目标与内容 |
| 1.5 论文的组织结构 |
| 第2章 波形匹配的里程偏差提取 |
| 2.1 相似性匹配 |
| 2.1.1 基于区域的影像配准法 |
| 2.1.2 基于特征的影像配准法 |
| 2.2 轨道检测数据波形特征 |
| 2.2.1 特征描述 |
| 2.2.2 特征点提取 |
| 2.2.3 检测数据波形特征抽取 |
| 2.3 特征波形相似性匹配算法 |
| 2.3.1 基本思想及基本原理 |
| 2.3.2 粗匹配算法 |
| 2.3.3 精确匹配算法 |
| 2.4 算法流程 |
| 第3章 插值法里程偏差修正 |
| 3.1 插值法 |
| 3.2 插值原理 |
| 3.2.1 Lagrange插值 |
| 3.2.2 多项式插值 |
| 3.3 里程偏差修正模型 |
| 3.3.1 里程偏差修正模型 |
| 3.3.2 幅值重采样模型 |
| 第4章 软件研制与算法验证 |
| 4.1 编程平台、语言及运行环境 |
| 4.2 软件系统设计与数据处理流程 |
| 4.2.1 软件系统设计 |
| 4.2.2 数据处理流程 |
| 4.3 算法正确性及有效性验证 |
| 4.3.1 实例1既有铁路 |
| 4.3.2 实例2新建铁路 |
| 结论与展望 |
| 1 主要研究结论 |
| 2 研究不足与展望 |
| 致谢 |
| 参考文献 |
（7）基于图像处理的铁路扣件状态识别算法的研究与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 2 扣件图像的定位与自适应分割 |
| 2.1 基于形态学处理的扣件图像定位 |
| 2.1.1 边缘检测 |
| 2.1.2 形态学处理 |
| 2.1.3 投影定位扣件位置 |
| 2.2 扣件图像自适应调整 |
| 2.2.1 扣件区域正确定位的判别 |
| 2.2.2 超像素分割 |
| 2.2.3 聚类超像素区域 |
| 2.2.4 区域合并 |
| 2.2.5 扣件图像定位坐标的调整 |
| 2.3 本章小节 |
| 3 扣件图像特征提取 |
| 3.1 局部特征 |
| 3.1.1 局部二值模式 |
| 3.1.2 LBP旋转不变模式 |
| 3.1.3 LBP均匀模式 |
| 3.1.4 提取扣件图像局部特征 |
| 3.2 全局特征 |
| 3.2.1 HOG特征 |
| 3.2.2 提取扣件图像全局特征 |
| 3.3 本章小节 |
| 4 扣件图像分类识别与应用 |
| 4.1 扣件训练样本库构建 |
| 4.1.1 拼接与镜像 |
| 4.1.2 对比度变换 |
| 4.2 HOG-SVM分类模型构建 |
| 4.2.1 支持向量机 |
| 4.2.2 HOG-SVM分类模型 |
| 4.2.3 实验结果及分析 |
| 4.3 LBP-BP分类模型构建 |
| 4.3.1 BP神经网络 |
| 4.3.2 LBP-BP分类模型 |
| 4.3.3 实验结果及分析 |
| 4.4 混合分类模型构建 |
| 4.4.1 混合分类模型 |
| 4.4.2 实验结果及分析 |
| 4.5 本章小节 |
| 结论 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）钢轨轮廓检测数据的预处理方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 钢轨轮廓检测技术概述 |
| 1.2 国内外研究现状 |
| 1.2.1 钢轨轮廓检测的研究现状 |
| 1.2.2 轮廓描述方法与匹配的研究现状 |
| 1.3 课题来源和研究意义 |
| 1.3.1 课题来源 |
| 1.3.2 研究意义 |
| 1.4 主要研究内容与组织结构 |
| 第2章 钢轨轮廓预处理技术理论基础 |
| 2.1 激光位移传感器检测原理 |
| 2.1.1 激光回波分析法 |
| 2.1.2 激光三角法 |
| 2.2 基于轮廓曲线的描述方法 |
| 2.2.1 链码 |
| 2.2.2 多边形近似 |
| 2.2.3 曲率尺度空间描述符 |
| 2.3 轮廓曲线相似度评价 |
| 2.3.1 欧式距离 |
| 2.3.2 Hausdorff距离 |
| 2.3.3 Fréchet距离 |
| 2.3.4 Minkowsky距离 |
| 2.4 轮廓散乱点噪声去除方法 |
| 2.5 本章小结 |
| 第3章 钢轨轮廓的有效性识别 |
| 3.1 钢轨轮廓的形态分析 |
| 3.1.1 钢轨类型及尺寸参数 |
| 3.1.2 标准钢轨测量轮廓形态 |
| 3.1.3 复杂线路下的测量轮廓形态 |
| 3.2 特征区域选取与轮廓分类 |
| 3.2.1 匹配特征区域的选取 |
| 3.2.2 测量轮廓的分类 |
| 3.3 测量轮廓与基准轮廓粗配准 |
| 3.3.1 提取轨颚点和轨侧直线 |
| 3.3.2 测量轮廓的旋转与平移 |
| 3.4 测量轮廓轨腰的识别 |
| 3.4.1 识别算法原理 |
| 3.4.2 算法实现步骤 |
| 3.5 算法实例 |
| 3.6 本章小结 |
| 第4章 有效钢轨轮廓的去噪与补缺 |
| 4.1 轮廓的去噪与补缺处理流程 |
| 4.2 基于分段轮廓的去噪算法 |
| 4.2.1 噪声的分布特点 |
| 4.2.2 轮廓去噪步骤 |
| 4.3 轮廓细配准 |
| 4.3.1 拟合轨腰圆弧圆心 |
| 4.3.2 轮廓坐标调整 |
| 4.4 轮廓孔洞的修补 |
| 4.5 本章小结 |
| 第5章 钢轨轮廓数据预处理的实验设计 |
| 5.1 系统总体架构及实验平台 |
| 5.1.1 钢轨轮廓检测系统总体架构 |
| 5.1.2 系统硬件设备 |
| 5.1.3 实验平台与数据采集 |
| 5.2 钢轨轮廓预处理实验方案 |
| 5.2.1 分类器阈值的选取 |
| 5.2.2 有效轮廓识别算法的性能测试 |
| 5.2.3 轮廓去噪与补缺方法的实验设计 |
| 5.3 实验结论 |
| 5.4 本章小结 |
| 总结与展望 |
| 工作总结 |
| 工作展望 |
| 参考文献 |
| 致谢 |
| 附录A 攻读学位期间所发表的论文 |
| 附录B 攻读学位期间所参与的科研项目 |
（9）高速铁路轨道状态智能评判技术研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 轨道状态评判国内外现状 |
| 1.2.2 轨道单元分级管理的研究与应用 |
| 1.2.3 轨道维修辅助决策系统 |
| 1.3 国内高速铁路轨道状态评判现状分析 |
| 1.4 论文主要研究内容 |
| 2 轨道检测数据自动预处理方法 |
| 2.1 基于相关系数最大化原理的里程自动修正技术 |
| 2.2 基于傅立叶变换和逆傅立叶变换的趋势项滤波方法 |
| 2.3 基于绝对平均值的单一异常值滤波方法 |
| 2.4 基于移动窗技术的分片异常值的自动滤除方法 |
| 2.5 实例分析 |
| 2.6 小结 |
| 3 轨道单元特征参数偏差遴选和分析方法 |
| 3.1 TQI偏差数据遴选和分析方法 |
| 3.1.1 偏差数据遴选方法 |
| 3.1.2 偏差特性分析 |
| 3.2 晃车仪偏差数据遴选和分析方法 |
| 3.2.1 偏差数据遴选方法 |
| 3.2.2 偏差特性分析 |
| 3.3 添乘仪偏差数据遴选和分析方法 |
| 3.3.1 偏差数据遴选方法 |
| 3.3.2 偏差特性分析 |
| 3.4 人体感觉偏差数据遴选和分析方法 |
| 3.5 小结 |
| 4 高速铁路轨道单元状态综合评判方法 |
| 4.1 基于成对比较矩阵的权系数确定方法 |
| 4.1.1 成对比较矩阵的构造方法 |
| 4.1.2 权系数的计算方法 |
| 4.1.3 权系数一致性检验 |
| 4.1.4 轨道动态特征参数的权系数确定方法 |
| 4.2 基于层次分析法的轨道单元状态评分方法 |
| 4.3 基于模糊聚类的轨道单元状态分级方法 |
| 4.3.1 模糊集合理论基础 |
| 4.3.2 模糊聚类方法 |
| 4.3.3 改进的模糊聚类算法 |
| 4.3.4 轨道单元状态分级方法 |
| 4.4 基于LVQ神经网络的轨道单元状态综合评判方法 |
| 4.4.1 人工神经网络方法的基本思想 |
| 4.4.2 BP神经网络 |
| 4.4.3 LM算法 |
| 4.4.4 LVQ神经网络 |
| 4.4.5 轨道单元状态综合评判模型 |
| 4.4.6 实例分析 |
| 4.5 小结 |
| 5 轨道单元智能管理系统的设计与实现 |
| 5.1 数据来源和需求分析 |
| 5.1.1 系统架构功能要求 |
| 5.1.2 系统存储功能要求 |
| 5.1.3 数据来源分析 |
| 5.1.4 特定用户需求分析 |
| 5.2 系统设计方案 |
| 5.2.1 系统设计原则 |
| 5.2.2 系统开发架构 |
| 5.2.3 系统功能结构 |
| 5.2.4 系统组件结构 |
| 5.2.5 运行环境设计 |
| 5.2.6 接口设计 |
| 5.2.7 系统安全设计 |
| 5.3 系统实现 |
| 5.3.1 单元类型定义 |
| 5.3.2 单元信息管理 |
| 5.3.3 单元评价配置 |
| 5.3.4 单元评价结果 |
| 5.4 小结 |
| 6 轨道单元智能管理系统应用实例 |
| 6.1 系统应用 |
| 6.2 实例分析 |
| 6.3 小结 |
| 7 结论与展望 |
| 7.1 结论与创新点 |
| 7.2 展望 |
| 参考文献 |
| 作者简历及科研成果清单 |
| 学位论文数据集 |
（10）铁路轨检车检测数据里程偏差修正模型及轨道不平顺状态预测模型研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 图目录 |
| 表目录 |
| 目录 |
| 1 绪论 |
| 1.1 研究背景及问题提出 |
| 1.2 研究内容及意义 |
| 1.2.1 研究内容 |
| 1.2.2 研究意义 |
| 1.3 国内外研究综述 |
| 1.3.1 TGM里程偏差修正 |
| 1.3.2 不平顺状态预测 |
| 1.4 研究思路及技术路线 |
| 1.5 论文结构 |
| 2 基于关键设备的里程偏差修正模型-(KE-BMEC) |
| 2.1 GJ-4型轨检车检测原理简介 |
| 2.2 PWMIS数据库简介及关键设备选取 |
| 2.2.1 PWMIS数据库简介 |
| 2.2.2 关键设备选取 |
| 2.3 关键设备对轨检车检测项目的影响分析 |
| 2.3.1 曲线对轨检车检测项目的影响 |
| 2.3.2 道岔对轨检车检测项目的影响 |
| 2.3.3 站线曲线对轨检车检测项目的影响 |
| 2.3.4 关键设备对轨检车检测项目影响的总结 |
| 2.4 关键设备识别模型 |
| 2.4.1 关键设备提取算法 |
| 2.4.2 关键设备匹配模型 |
| 2.4.3 关键设备定位模型 |
| 2.5 里程修正方法 |
| 2.6 案例分析 |
| 2.7 本章小结 |
| 3 基于TGM的里程偏差修正模型(TGM-BMEC) |
| 3.1 问题描述 |
| 3.2 修正第二类里程偏差的方法 |
| 3.2.1 建立TGM-BMEC的不平顺波形特征基础 |
| 3.2.2 修正里程偏差的方法 |
| 3.3 模型TGM-BMEC的建立 |
| 3.3.1 建立模型TGM-BMEC的思路 |
| 3.3.2 变量说明 |
| 3.3.3 模型建立 |
| 3.3.4 模型求解 |
| 3.4 案例分析 |
| 3.4.1 有明显里程偏差的区段 |
| 3.4.2 里程偏差不明显的区段 |
| 3.4.3 两次检测之间进行过经常保养或临时补修作业的区段 |
| 3.5 本章小结 |
| 4 不平顺状态短期预测模型-(TI-SRPM) |
| 4.1 变量说明 |
| 4.2 模型TI-SRPM |
| 4.2.1 影响不平顺劣化的因素 |
| 4.2.2 TI-SRPM研究对象的确定 |
| 4.2.3 单元区段Sec上不平顺指标Ti的劣化过程 |
| 4.2.4 模型TI-SRPM的建立 |
| 4.2.5 TI-SRPM时间长度T的确定 |
| 4.3 案例分析 |
| 4.3.1 预测幅值的误差分析 |
| 4.3.2 不平顺病害的对比分析 |
| 4.3.3 区段整体不平顺状态评价指数的误差分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 主要研究成果 |
| 5.2 主要创新点 |
| 5.3 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
四、轨检车检测道岔的自动判别系统（论文参考文献）
- [1]普速铁路线路动静态轨检数据综合分析应用研究[D]. 于东东. 中国铁道科学研究院, 2021(01)
- [2]无砟轨道在线监测数据信息管理系统的设计与实现[D]. 李思宇. 上海工程技术大学, 2020(04)
- [3]轨道场景分类的紧致型深度学习方法研究[D]. 姜晨瑞. 北京交通大学, 2019(03)
- [4]铁路货运运营风险数据知识化方法研究[D]. 彭丽宇. 北京交通大学, 2019(01)
- [5]重载铁路线路综合检测技术应用研究[D]. 刘畅. 石家庄铁道大学, 2019(03)
- [6]高速铁路轨道检测数据里程偏差修正算法研究[D]. 张晨. 西南交通大学, 2019(03)
- [7]基于图像处理的铁路扣件状态识别算法的研究与应用[D]. 程思柳. 兰州交通大学, 2019(03)
- [8]钢轨轮廓检测数据的预处理方法研究[D]. 刘伟. 湖南大学, 2018(02)
- [9]高速铁路轨道状态智能评判技术研究[D]. 许贵阳. 中国铁道科学研究院, 2015(05)
- [10]铁路轨检车检测数据里程偏差修正模型及轨道不平顺状态预测模型研究[D]. 徐鹏. 北京交通大学, 2012(01)