(光源影响)火车轮对表面缺陷检测

列车轮对缺陷自动检测系统列车轮轴缺陷自动检测系统简 介一．概述火车轮轴质量好坏与否对于列车行车安全关系重大，轮轴质量检验最主要的指标就是其表面是否存在裂纹，这些裂纹尤其是横向裂纹的存在将对列车安全行驶构成重大的隐患。

目前对这些裂纹的检测主要用目视法。

这种方法的主要缺点是：工人劳动强度大，长时间观察眼睛发生疲劳的情况下容易漏检，同时在利用萤光磁粉显示裂纹时的紫外线会给工人眼睛造成较大程度的伤害，检测精度受人为因素影响较大。

以上这些问题都给列车的安全行驶带来了不利的影响。

针对上述问题，通过调研、搜集了大量的国内外有关资料，咨询了有关专家、学者，认真听取了使用单位领导和工人师傅的意见，我们经过近两年的努力研制成功了科技含量高、自动化程度强、实用性好具有国内外一流水平的“客车轮轴缺陷自动检测系统”。

该系统已申报国家发明专利（专利号为：03239961·8）。

本系统是火车轮轴检测领域应用现代高科技的一次成功突破，填补了国内空白。

二. 系统结构、功能与特点本系统以检测的灵敏度和探伤精度较高的萤光磁粉为裂纹的检测介质，采用主副计算机结构，通过摄像机自动巡检，用PC机完成图像的采集、处理及裂纹的识别，而后利用声音及图像对可能的裂纹进行报警，为了排除虚警的情况，最后需要通过人工复检对裂纹进行最终的确认。

１．系统结构及工作原理下面为本系统的结构及工作原理示意图：图１.客车轮对缺陷自动检测系统原理示意图１被检测的轮对；２单片机系统，为控制摄像机及紫外线灯等运动的控制机构；３导轨及机械传动机构；４摄像机及紫外线灯、控制移动及转动的机构；５视频线及通信线；６PC机；其工作过程如下：通过PC机发出指令，完成系统的初始化后，系统可是进入检测程序，摄像机按指定的程序运动，同时由PC机完成采集图像、图像的处理及裂纹识别的任务，遇到可能的裂纹发出声音报警，并自动显示以利于进行人工确认。

摄像机的运动方式有两种，一是沿导轨左右运动，另外摄像机本身还可以根据程序设定左右转动，因此可以确保不留任何检测死角。

高速列车轮对故障检测与预测方法研究引言随着高速列车运营的提速与频次增加，列车轮对故障成为一个不可忽视的问题。

列车轮对故障可能导致列车运行不稳定、安全隐患以及影响乘客的舒适感受。

因此，开展高速列车轮对故障检测与预测方法研究对于确保高速列车运行的安全和可靠性具有重要意义。

一、高速列车轮对故障检测方法的研究1. 传感器技术为了实时监测列车轮对的状态，传感器技术被广泛应用于高速列车轮对故障检测中。

其中，加速度传感器、振动传感器和温度传感器是常用的传感器。

通过监测列车轮对的振动和温度变化，可以判断轮对是否存在故障。

2. 机器学习技术机器学习技术是一种可以通过训练数据来识别和预测列车轮对故障的方法。

通过提供大量的正常轮对和故障轮对的数据，机器学习算法可以提取特征并建立模型，从而实现对轮对故障的自动检测和预测。

3. 图像处理技术利用图像处理技术可以对列车轮对进行非接触式检测。

通过拍摄轮对的照片或用摄像头实时监测轮对的表面变化，可以通过图像处理算法提取特征并判断轮对是否存在缺陷。

二、高速列车轮对故障预测方法的研究1. 基于时间序列分析的预测方法时间序列分析是一种利用历史数据来预测未来情况的方法。

对于高速列车轮对故障预测，可以通过分析轮对振动、温度等时间序列数据，建立合适的数学模型来预测轮对故障的发生。

2. 基于深度学习的预测方法深度学习技术在故障预测领域表现出了强大的能力。

通过使用适当的深度神经网络模型，可以从轮对的传感器数据中提取复杂的特征并进行准确的故障预测。

3. 基于数据挖掘的预测方法数据挖掘技术可以从大量的轮对数据中发现隐藏的模式和关联，从而帮助预测轮对故障。

通过对历史数据进行挖掘和分析，可以找到轮对故障发生的规律，并建立相应的预测模型。

三、高速列车轮对故障检测与预测方法研究的挑战和未来发展方向1. 检测和预测精度的提高当前的轮对故障检测和预测方法在准确性方面还存在一定的不足。

因此，未来需要进一步改进算法和模型，提高检测和预测的准确度。

铁路车辆轮对检测技术研究随着社会经济水平的不断发展，我国铁路运输事业的发展也越来越迅速，铁路运输企业是铁路行业中的重要组成部分，主要是各种货物的运输，随着铁路运输事业的不断发展，铁路车辆设备出现的故障问题也越来越多，本文主要对铁路车辆的轮对故障进行分析，探讨车辆轮对检测技术，旨在提高车辆运输过程中的安全水平。

标签：车辆运输轮对检测技术引言车辆轮对是现代铁路车辆中的重要部件，是保证铁路运输安全、铁路车辆正常运行的关键，在铁路车辆运行过程中，轮对故障比较常见，车辆轮对故障会影响车辆的荷载能力，还会对车辆的通行速度以及其他各个方面的生产产生十分重要的影响，因此，对车辆的轮对故障进行处理，加强对轮对故障的检测，是铁路车辆运输过程中一个十分必要的过程。

在车辆轮对故障检测过程中，轮对故障的检测方法有动态检测、静态检测等措施，不同的方法适应于不同的故障，在检测过程中必须要合理地选择检测技术，同时要做好车辆轮对的日常维护和保养，提高轮对的工作效率，减少故障率。

一、车辆轮对故障检测方法分析在铁路车辆的运行过程中，轮对是机车车辆与钢轨接触的部分，是两个车轮牢固地压装在同一根车轴上组成的，轮对的主要作用是保证运输车辆可以在铁轨上运行，保证运行方向准确，同时要承受来自机车车辆的全部荷载，包括静态荷载和动态荷载两个部分，将车辆的荷载传递给钢轨，同时将因为线路不平顺带来的荷载传递给机车车辆的各个零部件。

此外，机车车辆的驱动以及制动过程也是通过轮对完成的，在铁路车辆设计过程中，对车轴以及车轮的组装压力和压装过程有十分严格的要求，一般要求车辆轮对的内侧距离要保持在1353±3mm范围之内，而且为了确保车辆可以稳定运行，除了要降低轮轨之间的相互作用力以及阻力之外，车轴轴颈和车轮踏面的加工椭圆度和偏心度以及车轮轴的颈椎度都不能超过要求范围。

随着铁路运输事业的发展，货车的承载重量越来越大，对货车的安全性和稳定性的要求也越来越高，在长期运行过程中，轮对很容易受到磨损。

铁路车辆轮对故障检测方法的分析-机械工程论文-工程论文——文章均为WORD文档，下载后可直接编辑使用亦可打印——铁路车辆工程师论文（优选10篇）之第八篇摘要：随着当前社会经济及科技不断发展, 铁路运输也得到越来越快发展, 铁路车辆作为铁路运输的重要工具在铁路运输发展过程中有着十分重要的作用。

在铁路车辆实际运行过程中, 车辆轮对是保证其运行安全的重要部件, 因而保证车辆轮对质量也就十分必要。

为能够使车辆轮对质量得到较好保证, 应当选择通过有效技术策略对车辆轮对进行科学检验, 从而避免车辆轮对有故障出现, 保证其正常使用。

本文就铁路车辆轮对检测技术集中进行分析。

关键词：铁路运输; 车辆轮对; 检测技术;车辆轮对是现代铁路车辆中的重要部件, 并且使保证铁路车辆能够正常运行的关键, 因而防止车辆轮对出现故障也就十分必要, 而当前车辆轮对检测技术对保证车辆轮对的一种有效途径。

因此, 在车辆轮对实际应用过程中, 应当熟练掌握车辆轮对检测技术, 并且能够对该技术进行科学合理应用, 降低车辆轮对故障发生率, 保证其运行质量及安全。

1 车辆轮对故障检测方法分析在铁路车辆实际运行过程中, 为能够使其运行质量得到保证并且不断提高, 应当有效控制轮对故障, 而为能够实现有效控制轮对故障, 则应当积极总结车辆轮对故障检测技术。

从当前实际情况来看, 对于车辆轮对相关参数, 其测量方法所包括的主要有静态检测法与动态检测法。

其中, 对于静态检测法而言, 其所针对的主要就是车辆检修过程中相关测量工作;对于动态检测法而言, 其所针对的主要就是车辆运行过程中相关测量工作, 一般也可在线测量车辆轮对。

对于静态检测以及动态检测技术而言, 其所包括内容主要有以下方面:一是便携式测量方式, 该测量方式主要测量轮对单一几何尺寸或者几个几何尺寸, 所使用工具主要就是传感器, 该类测量方法具有明显优势, 操作比较简单, 并且使用也比较方便, 然而也有突出缺点存在, 其问题主要就是测量参数缺乏全面, 并且测量自动化程度相对较低;二是接触式自动测量方式, 该测量方式可将轮对支起且能够对其旋转起推动作用, 所选择使用工具主要就是多种接触式传感器, 该方法所存在问题就是容易损坏传感器;三是非接触式测量方式, 该类测量方式所选择的主要就是CCD技术以及激光传感技术, 其不但能够在线测量车辆轮对, 并且检测速度比较快, 因此在这类车辆轮对检测中均有着十分广泛应用。

基于深度学习的轮对踏面缺陷检测研究基于深度学习的轮对踏面缺陷检测研究摘要随着铁路交通的不断发展，轮对踏面缺陷的检测变得越来越重要。

本文基于深度学习技术，提出了一种用于轮对踏面缺陷检测的新方法。

首先，我们介绍了深度学习的基本原理。

然后，对轮对踏面缺陷进行了详细的介绍，包括缺陷的类型和对铁路交通安全的影响。

接着，我们详细描述了我们的检测方法，并设计了一个基于深度学习的轮对踏面缺陷检测模型。

最后，我们使用真实数据对我们的方法进行了实验验证，结果表明我们的方法在轮对踏面缺陷检测方面取得了很好的效果。

关键词：深度学习，轮对踏面缺陷，检测模型，实验验证 1. 引言轮对踏面是铁路交通中的关键部件之一。

它承受着列车的重载和高速运行带来的巨大压力。

然而，长时间的使用和恶劣的工作条件都会导致轮对踏面出现各种缺陷，如疲劳裂纹、腐蚀和磨损等。

这些缺陷不仅会减少轮对踏面的寿命，还会对铁路交通的安全性产生重大影响。

因此，轮对踏面缺陷的及时检测和修复对于确保铁路交通运行的安全和稳定至关重要。

当前，轮对踏面缺陷的检测主要依赖于人工目视检查。

然而，这种方法存在着检测效率低、主观性强和受环境因素影响等问题。

为了克服这些问题，许多研究人员开始将深度学习技术应用于轮对踏面缺陷检测中。

深度学习是一种通过模拟人脑神经网络的工作方式来解决复杂问题的机器学习方法，具有强大的特征学习和数据处理能力。

因此，利用深度学习技术可以更准确地检测轮对踏面缺陷，并提高检测效率。

2. 轮对踏面缺陷的类型和影响轮对踏面缺陷的类型主要包括疲劳裂纹、腐蚀和磨损等。

疲劳裂纹是由于长时间的重载和高速运行引起的金属疲劳所致。

腐蚀是因为恶劣的运行环境导致轮对踏面金属表面的腐蚀。

磨损是由于长时间的使用引起的轮对踏面表面磨损。

轮对踏面缺陷对铁路交通的影响是非常严重的。

首先，缺陷会导致轮对踏面的强度和稳定性下降，从而增加了运输安全隐患。

其次，缺陷会增加轮对踏面的摩擦系数，使列车的制动距离增加，降低整个列车系统的制动性能。

高速列车轮毂表面缺陷检测的基础研究报告正文（一）立项依据与研究内容1.项目的立项依据自1964 年日本东海道新干线开通运营以来，经过40 余年发展，世界高速铁路形成了以日本新干线N700 系与E5 系、法国TGV 和德国ICE 为代表的列车技术系统。

我国建设高速铁路方案于1990 年进入决策层视野，到90 年代末付诸实施。

跨入21 世纪，随着铁路跨越式发展战略的实施，以及2004 年国家《中长期铁路网规划》的颁布，我国高速铁路在短短的几年间取得了迅猛发展。

2008 年8月1 日京津城际列车通车运营，标志着中国铁路正式迈入“高铁时代”。

截止到2012年底，中国高铁客运专线达到9356 公里，超过了世界所有其它国家高铁运营里程的总和，居世界第一位。

中国CRH 高速铁路技术谱系以崭新的面貌，汇入了世界高铁技术体系之列。

中国大力发展高速铁路，尚有一个重要的战略意义经常为人所忽视，即中国本身的能源结构特点的制约。

中国的能源有一个鲜明特点：即多煤、少油、缺气。

其主要的能源基本都是煤，而缺少目前汽车、飞机等需要的石油和天然气。

尤其是在高速发展了二三十年以后，中国对于石油及天然气的严重依赖，已经使自己在战略资源的占有上受到了巨大的挑战。

所以，以高铁这种消耗电力，且具有巨大运输能力的战略投送工具，来替代消耗大量自己并不具备的石油制品的飞机，就更具有战略上的价值，可以在很大程度上减少中国对于石油的严重依赖。

更不用说高铁比飞机对于环境而言，更具有相对优势，而这点对于在环境问题上已然受到极大挑战的中国更有吸引力。

高铁在战略上具有以上诸多优点，在中短程国内运输(两千公里以内)，时间上比飞机更有优势，较飞机更不容易受异常气候影响，而且运输量之大也非飞机所能比，这些都对中国这个人口大国具有极大的好处。

高速铁路作为人类现在和将来的和谐友好绿色交通工具，它的优点众所周知。

尽管高铁发展给我国经济社会生活带来深刻变化，但高速铁路发展之路并非一帆风顺。

⽕车车轮主要危害性缺陷类型及其超声检测⽅法⽕车车轮主要危害性缺陷类型及其超声检测⽅法铁路机车车辆车轮是保证列车安全运⾏的极其重要的部件，起着承重和导向的作⽤。

车轮⼀旦发⽣问题，将导致崩轮、切轴，进⼀步发⽣列车巅覆的重⼤交通事故。

因此，如何对车轮进⾏检测，保证车轮运⾏安全⾄关重要。

⼀、铁路机车车辆车轮主要危害性缺陷类型1、辋裂列车运⾏时，在车轮接触⾯下⼀定深度范围（10 mm~20 mm）是轮轨接触剪应⼒的最⼤分布区，若该区域存在有⾮⾦属夹杂等冶⾦缺陷，则夹杂物在剪应⼒作⽤下会成为疲劳裂纹源，随后疲劳裂纹不断扩展。

轮轨接触剪应⼒是列车运⾏时轮对所固有的，当裂纹源成核并在剪应⼒作⽤下促使裂纹萌⽣时，列车运⾏速度越快，裂纹扩展也将越快，当裂纹发展到较⼤尺⼨的快速扩展阶段时，裂纹会发展到轮辋外侧⾯、内侧⾯或踏⾯，如不及时发现会造成车轮“掉块”。

这类缺陷称为辋裂。

典型的辋裂缺陷如图1、图2、图3所⽰。

图1 轮辋疲劳裂纹图2 辋裂掉块基体图3 辋裂掉块偶合⾯从打开的辋裂缺陷可以清晰看到辋裂缺陷有疲劳源和疲劳扩展过程（贝壳状裂纹）。

从辋裂的发展过程来看，它是沿车轮的圆周⽅向扩展的，因此称为周向缺陷。

2、车轮裂损由于⾮正常强烈制动、车轮内部冶⾦缺陷或制造⼯艺缺陷，导致车轮径向崩裂，在列车运⾏中有可能造成列车颠覆事故。

如图4、图5所⽰。

图4 冶⾦缺陷导致车轮崩裂图5 由于强烈制动产⽣的制动热裂纹导致车轮径向崩裂车轮裂损沿车轮直径⽅向，称为径向缺陷。

⼆、车轮缺陷超声探伤⼯艺1、周向裂纹的检测根据超声波探伤的原理，当超声波与裂纹⾯垂直时，超声反射能量最⼤。

超声波沿车轮径向⼊射时正好与周向缺陷相垂直。

因此，采⽤超声径向⼊射检测车轮周向缺陷，如图6所⽰。

图6 周向裂纹检测2、径向缺陷的检测采⽤常规超声横波进⾏检测，如图7所⽰。

图7 径向裂纹检测来源：节选⾃《2014中国⽆损检测年度报道》，版权归原作者所有，如有侵权请联系我们及时处理。

火车轮对磨损及故障诊断技术研究一、引言在火车交通中，作为重要部位的火车轮对，随着使用时间增加和行驶里程增多，轮对会出现磨损和故障等问题，严重影响火车的安全和稳定性。

因此，如何有效提高火车轮对的使用寿命和安全性，对于铁路行业和社会交通安全具有重要的意义。

本文将围绕火车轮对的磨损及故障诊断技术展开深入探讨，并从轮对磨损的机理、检测技术和故障诊断方法等方面进行详细阐述，旨在为相关领域研究者提供借鉴和参考。

二、轮对磨损机理分析轮对磨损是由于轨道和车轮之间的摩擦和碰撞引起的，其中主要有以下几种磨损形式：（1）黄皮磨损黄皮磨损是轮对表面黄铁矿晶体的磨损形成的，是轻微的磨损，不会危及轮对的安全性。

（2）沙孔磨损沙孔磨损是由于砂石进入轮对与钢轨之间的缝隙而引起的磨损，表现为轮面有凹坑状磨损，主要影响轮对牵引力和制动力性能。

（3）横皮磨损横皮磨损是由于因轨道几何形状变化引起的，表现为轮面有一定的横向磨损，可以通过轮对磨削技术进行修复。

（4）轮缘磨损轮缘磨损是由轮缘与玻璃或线路零件相互作用而引起的磨损，表现为轮缘有一定高度的磨损，轮对会因此降低强度和稳定性，一般通过轮盘磨削技术进行修复。

（5）轮胎磨损轮胎磨损是由于轮胎与轨道之间长期的碰撞和摩擦而引起的，表现为轮胎表面有一定深度和长度的磨损，会对轮对的安全性产生严重影响。

三、轮对磨损检测技术轮对磨损检测技术是针对火车轮对进行的一种无损检测，主要包括以下几种方式：（1）超声波探伤技术超声波探伤技术是利用超声波高频实现对轮对内部结构和缺陷的检测，通过检测气隙、裂纹等缺陷的大小和深度，确定轮对的磨损情况。

（2）磁粉探伤技术磁粉探伤技术是通过对轮对表面进行涂粉处理，然后在磁场作用下观察粉末的排布情况，从而检测轮对表面缺陷和磨损程度。

（3）红外线成像技术红外线成像技术是利用红外线成像设备，对轮对进行热成像，通过对热点的发现和分析，确定轮对表面温度分布和磨损情况。

（4）激光扫描技术激光扫描技术是通过激光束扫描轮对表面，根据轮面高度差异形成三维结构，进而进行轮对磨损分析和预测，为轮对修复提供技术支持。

检测车轮表面缺陷超声波探头
祁欣
【期刊名称】《传感器技术》
【年(卷),期】1998(017)006
【摘要】火车车轮在快速行进的过程中，表面擦伤的裂纹易扩展、开裂。

严重影响火车运行安全。

介绍在线检测车轮表面缺陷超声波探头的研制及检测的结果。

【总页数】3页(P45-47)
【作者】祁欣
【作者单位】哈尔滨理工大学物理系
【正文语种】中文
【中图分类】U260.331.1
【相关文献】
1.一种用于动车车轮缺陷自动检测的超声波探头机构 [J], 马龙;邓嘉鸣
2.一种用于动车车轮缺陷自动检测的超声波探头机构 [J], 马龙;邓嘉鸣;
3.摩托车轮毂表面缺陷检测研究 [J], 李飞;唐亚健;苑玮琦
4.基于深度学习的车轮踏面表面缺陷检测研究 [J], 杨凯;李锐;罗林;谢利明
5.基于改进的Faster-RCNN模型的汽车轮毂表面缺陷在线检测算法研究 [J], 朱超平;杨永斌
因版权原因，仅展示原文概要，查看原文内容请购买。

基于图像处理技术的火车轮胎缺陷检测研究在火车运输中，轮胎是非常重要的零件，它承载了整个车辆的重量，并且在运行过程中要经受巨大的压力和摩擦力。

若轮胎存在缺陷，不仅会影响列车的运行安全，还可能导致事故发生。

因此，对于火车轮胎的缺陷检测具有重要的意义。

而基于图像处理技术的检测方法，是当前比较先进、有效的一种方法。

一、图像处理技术在火车轮胎缺陷检测中的应用在火车轮胎缺陷检测中，图像处理技术被广泛应用。

主要包括以下几个步骤：1. 图像采集：通过高清相机，对轮胎表面进行拍摄，获取轮胎表面的图像。

2. 图像预处理：对采集到的图像进行预处理，包括滤波、增强、去噪等操作，以减少噪声和干扰。

3. 特征提取：提取轮胎表面的几何、纹理和颜色等特征，通过这些特征来区分缺陷和正常。

4. 分类判别：将提取的特征送入分类器中进行分类和判断，从而确定轮胎是否存在缺陷。

在上述步骤中，特征提取和分类判别是非常重要的环节，需要综合考虑多种因素。

例如，纹理特征可以用来表征轮胎表面的纹理模式和缺陷纹理信息，几何特征可以用来描述轮胎表面几何形状和结构特征，颜色特征可以用来区分轮胎表面的颜色和色调变化等。

二、基于神经网络的火车轮胎缺陷检测方法目前，基于神经网络的图像处理技术已经成为了火车轮胎缺陷检测领域的主流方法之一。

根据这种方法，通过对轮胎表面图像进行处理和分析，提取出一系列特征，并将这些特征输入到神经网络模型中进行训练，从而实现轮胎缺陷检测的任务。

在神经网络模型中，卷积神经网络（Convolutional Neural Network，CNN）是最常用的一种模型。

CNN模型通过学习图像的局部特征，可以自动提取轮胎表面图像的纹理和几何特征，并将这些特征组合起来，作为判断轮胎是否存在缺陷的依据。

此外，还可以使用支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest，RF）等分类器进行分类判别。