高铁扣件损伤智能检测技术及成套装备

发布时间: 2026-09-14

截止日期:2026-09-18

价格 ¥200万

地区：江西省南昌市市辖区

需求方：江西***公司

行业领域

新一代信息技术产业,新材料产业,下一代信息网络产业,电子核心产业,互联网与云计算、大数据服务,人工智能

需求背景

高铁扣件是轨道结构的关键连接部件，弹条断裂、螺栓松动等损伤状态直接影响线路行车安全。现有以人工巡检和单一传感手段为主的检测方式效率低、覆盖面有限、漏检率高，难以适应高密度、高速度铁路线路精细化运维要求。

实际作业环境中，轨道振动、粉尘、光照变化及受损样本稀缺等因素会显著降低检测精度与装备稳定性；同时检修决策与机器人作业能力之间缺乏高效匹配机制，难以满足天窗期快速检修需求。

需解决的主要技术难题

本需求需解决高铁扣件智能检测与机器人检修一体化中的三项核心难题：

1.多模态数据获取与融合瓶颈：轨道振动导致激光多普勒信号偏移量超0.3mm，粉尘使红外热成像信噪比下降40%，光照变化造成2D图像特征丢失率达35%。多源数据结构差异显著，高维数据维度爆炸导致相似度计算准确率不足60%，冗余特征占比超50%。

2.损伤识别与评估模型局限：弹条断裂细微裂纹特征被列车振动噪声掩盖，螺栓松动的力学特征与轨道沉降信号耦合，受损样本仅占数据集20%导致模型过拟合，现有模型泛化能力不足。

3.决策与机器人作业匹配缺失：扣件性能退化速率差异导致检修策略僵化，机械臂在轨道振动环境下紧固精度仅±15N，决策结果与机器人作业能力匹配延迟超10s，难以满足天窗期快速检修需求。

期望实现的主要技术目标

a.突破强振动、强粉尘、变光照条件下的高铁扣件多模态（激光、红外、图像等）数据高质量获取与融合技术，显著降低信号偏移、特征丢失与冗余特征占比。

b.建立扣件典型损伤（弹条断裂、螺栓松动等）智能识别与状态评估模型，形成小样本、强噪声条件下的高泛化识别与退化速率预测方法。

c.突破检修决策与机器人作业能力的高效匹配与协同控制技术，显著降低决策—作业匹配延迟，提高振动环境下紧固力控制精度。

科创中国