磨巧梅

文章针对钢轨裂纹声发射信号特性人工提取效率低的问题，应用CNN与BiLSTM手段进行钢轨裂纹声发射信号提取的研究，通过预处理采集的实际钢轨裂纹声发射信号，对其特征信息进行提取及分类，分别构建基于一维CNN、二维CNN钢轨裂纹检测模型，证明前者效果优于后者。根据钢轨裂纹信号拥有时序的特性，构建不同递归网络钢轨裂纹检测模型，并对比RNN与LSTM模型检测钢轨裂纹的性能，优化BiLSTM钢轨裂纹检测模型的方法证明能够应用于钢轨裂纹的检测。

钢轨裂纹;声发射信号;BiLSTM;一维CNN

U216.4A371304

0 引言

近年来，高速铁路的发展已成为全球发展的一个重要趋势。我国在铁路里程数上取得了全球第一的成绩，创下全球最高列车时速的傲人纪录，令世界叹服。随着速度的一次次提升，人们更加注重列车运行的安全性。在高速列车运行过程中，容易形成轮轨间长期的反复接触，使得钢轨受重载挤压力大于普通钢轨，造成钢轨出现裂纹的几率变大。钢轨裂纹容易出现扩展，若不及时进行检测并采取防治措施，继续在承受强大外力的作用下使用，就会形成钢轨断裂，发生安全事故。因此，及时对钢轨裂纹进行检测成为了铁路安全运营中最重要的一步[1]。

国外针对钢轨裂纹的研究相比国内要早，美国某公司早在1928年就利用磁感应[2]对钢轨裂纹进行检测，成为了当今最早使用铁路检测技术的国家。随着钢轨裂纹检测技术的深入研究和深度学习，其运用在故障检测中的次数增多，研究学者们提出一种深度卷积网络[3]（深度CNN），对钢轨裂纹进行检测，为此利用深度学习对钢轨裂纹声发射技术的研究便慢慢兴起。……