铁路路基病害的智能识别.docVIP

铁路路基病害的智能识别 杜攀峰1 廖立坚2，杨新安2 (1.湖南大学 土木工程学院，湖南 长沙 410082; 2.同济大学 城市轨道与铁道工程系，上海 200092) 摘要：探地雷达适合于铁路路基病害的检测，但繁重的后期资料处理费时费力，不利于其在铁路路基检测中的推广使用。本文分析了各种路基病害图像的特征，从图像中提取出分段能量、方差和层面位置作为特征值，根据其值的大小不但能区分各种病害类型，而且可以比较病害的发育程度。计算已知样本数据的这些特征值，建立学习向量量化神经网络模型，通过不断地调整神经元的权值和阈值对这些特征值进行学习，直到满足给定精度为止。应用调整好的网络对沪宁线检测数据进行测试，结果表明，该模型对路基有无病害的识别率达到90%以上，以识别翻浆冒泥病害的效果最好。 关键词：路基病害；探地雷达；特征值；学习向量量化 INTELLIGENT RECOGNITION OF DEFECTS IN TRACKBED AND SUBGRADE OF RAILWAY Du Panfeng1，LIAO Lijian2，YANG Xin-an2 （1. College of Civil Engineering , Hunan University , Changsha Hunan China，410082） (2.Department of Urban Track and Railway Engineering, Tongji University, Shanghai, China, 200092) Abstractcharacteristics of GPR plot of different kinds of defects in trackbed and subgrade of railway, extracts segmented energy, variance and interface for eigenvalue from GPR data. The eigenvalue can not only distinguish different kinds of defects, but also value extent of development of defects. So we calculate the eigenvalue of known sample data, establish learning vector quantization network model, make the network study the eigenvalue by constantly adjusting the weight and threshold of neurons until the errors meet accuracy, and use the network to test the GPR data of Shanghai-Nanjing railway. The results indicate that the model’s recognition rate of subgrade defects is up to 90%, especially for mud pumping. Key words：subgrade defects；GPR；eigenvalue；learning vector quantization 为了缩短列车运行时间，增加铁路运输能力，截止到目前，铁路部门已经在既有线上先后进行了六次大提速。列车提速加速了既有线路基的老化速度，使得路基病害正在逐年地增加，这些病害往往具有隐蔽性、突发性等特点，给铁路的正常运营和国家财产及人身安全造成极大危害。为克服传统路基质量检测方法存在的人为性、随机性、样点少、效率低等缺点，铁路建设和管理部门越来越多地应用探地雷达这一快速、高效、连续、无损、高精度的路基质量检测新技术来全面、及时、准确地了解整条线路连续路基状况信息。 然而目前国内外对雷达探测资料的解释仍处于人工阶段，使得现场施工人员无法轻易理解，只有通过经验丰富的专业人员才能解释，在很大程度上限制了探地雷达在铁路路基检测领域内的应用与推广。此外，实际检测时探地雷达所采集的数据量都十分庞大(1公里就有上千道数据)，需要投入大量的时间和精力去解释。而且人眼划分标准不一，误判时有发生。 本文通过整理和总结同济大学和上海铁路局完成的沪宁线段路基检测的实际资料，提取了各种路基病害的特征值，使用学习向量量化神经网络对这些特征值进行训练，得到划分各种病害的分类判决规则，从而能够对探地雷达检测资料进行自动分析，智能地识别各种路基病害。 1 各种路基病害的特征提取 特征提取是成功识别