高速铁路安全：基于神经网络的漏磁裂纹深度与宽度定量分析

本文主要探讨了基于神经网络的高速漏磁裂纹检测信号分析在现代高速铁路安全领域的应用。论文由郝思思和王平两位作者合作完成，他们的研究受到了多项基金的资助，包括高等学校博士学科点专项科研基金、国家自然科学基金以及江苏省科技支撑计划，这显示了该研究的重要性和创新性。 高速铁路的安全保障是全球关注的焦点，特别是在钢轨裂纹检测方面，漏磁技术作为一种重要的非破坏性检测手段，被广泛应用。然而，当将这种技术应用于高速移动的钢轨检测时，速度效应和磁滞效应成为主要挑战，使得裂纹的精确量化分析变得复杂。为了解决这个问题，研究者构建了一个高速钢轨试验平台，通过模拟实际检测条件，获取缺陷的漏磁检测信号。 人工神经网络在这个过程中起到了关键作用。作者利用神经网络模型，对裂纹的深度和宽度进行定量研究，并将速度参数纳入训练样本，以此来消除速度效应和磁滞效应对数据分析的负面影响。这种方法旨在提高缺陷识别的准确性和可行性，证明了神经网络在处理高速漏磁检测信号中的有效性和适应性。 研究还发现，样本数量和提离效应这两个因素对裂纹定量分析的结果有显著影响。提离效应，即由于检测线圈与钢轨表面的距离变化导致的信号变化，对于高速检测中的裂纹定位尤其关键。因此，优化这些参数对于提升高速漏磁裂纹检测系统的性能至关重要。 论文的关键词涵盖了研究的核心内容，包括“漏磁”、“钢轨高速检测”、“速度效应”以及“人工神经网络”。这项研究不仅为解决高速铁路钢轨裂纹检测中的技术难题提供了新思路，也为未来相关领域的研究和发展奠定了基础。通过深入理解速度效应和神经网络在高速漏磁检测中的作用，可以进一步提升轨道交通系统的安全性。