高速铁路道岔检测监测技术综述
高速铁路道岔检测监测技术综述
摘要
道岔（Turnout）是高速铁路线路中结构最复杂、安全风险最集中的关键基础设施节点。尖轨密贴状态、心轨位置、滑床板磨损、轨距块松脱和钢轨疲劳裂纹等多重失效模式在道岔区高度耦合，使得道岔的检测与监测成为轨道工程领域最具挑战性的技术难题之一。本文系统综述了高速铁路道岔检测与监测技术的国内外研究进展。在梳理道岔结构类型与典型失效机理的基础上，从几何检测、超声与电磁探伤、机器视觉检测、振动与声学诊断以及光纤传感五大技术方向出发，逐一分析了各自的技术原理、工程应用现状和主要局限。本文重点回顾了以西南交通大学轨道交通运载系统全国重点实验室为代表的中国研究团队在道岔健康监测领域的系统性贡献，包括基于稀疏表示的尖轨密贴状态识别、基于深度学习的心轨裂纹检测、基于CNN的转辙机轴承故障诊断等标志性成果。在追踪了基于分布式光纤传感（DAS）、物理信息神经网络（PINN）、数字孪生（Digital Twin）和无人化智能巡检等当前研究热点后，本文提出了高速道岔从"周期检测"走向"在线监测"、从"单一参量"走向"多模态融合"、从"异常诊断"走向"预测性维护"的技术演进路径。
关键词：高速铁路道岔；尖轨密贴监测；机器视觉检测；分布式光纤传感；数字孪生；预测性维护；西南交通大学
1 绪论
1.1 高速道岔的战略地位与安全挑战
道岔（Turnout）是实现列车转线、越行和进出站等运营调度的关键线路设备。在高速铁路中，道岔区是唯一的动态轨距可变区段——轮轨接触关系在短短数十米的道岔区内完成从主轨到岔轨的转移，这一过程中轮载转移的连续性、尖轨与基本轨的密贴程度、辙叉心轨的承载状态均直接影响行车安全。
与区间线路相比，道岔区具有三个显著的结构特征使其成为安全风险高度集中节点：第一，结构不连续——尖轨、心轨、转辙机、滑床板、限位器等三十余种部件在数十米空间内密集排列，各部件的劣化速率和工作状态差异显著，任何单一部件的失效均可能导致整个道岔系统丧失安全功能；第二，载荷复杂——除常规的轮轨垂向力、横向力和纵向力外，道岔区还承受尖轨尖端冲击载荷、心轨有害空间区的突变冲击以及转辙机动作时的附加应力；第三，环境敏感——温度变化引起的基本轨和尖轨纵向热应力差异直接改变尖轨密贴状态，严寒地区冰雪侵入滑床板导致转辙机动作阻力急剧增大。
1.2 国内外的典型事故与安全教训
1998年德国埃舍德ICE高速列车脱轨事故（101人死亡）虽非直接由道岔引起，但其揭示的钢轨疲劳裂纹早期检测漏洞直接推动了全球道岔区超声探伤能力的升级[6]。2015年法国TGV在道岔区脱轨事故的调查报告指出，尖轨密贴状态在运营期间的渐进退化未能被现有的定期检测体系及时发现。这些事故共同指向一个根本性问题——固定周期的道岔检测模式无法捕捉到劣化过程中的突发性加速阶段。
1.3 文献综述的范围与组织
本文的文献涵盖三大来源：以Web of Science和CNKI数据库为基础的学术期刊与会议论文；以国际铁路联盟（UIC）、德国铁路（DB）、日本铁道综合技术研究所（RTRI）和中国铁路总公司技术文件为基础的行业标准与规范；以西南交通大学轨道交通运载系统全国重点实验室近十年的学位论文和研究报告为基础的代表性机构成果。全文共分为七章：第2章介绍道岔结构与失效模式；第3–6章分别阐述几何检测、超声/电磁探伤、机器视觉检测和振动/声学/光纤监测四类技术；第7章分析智能化运维与未来趋势；第8章为结论。
2 道岔结构特征与失效模式
2.1 高速道岔的结构类型与关键技术参数
高速铁路道岔按辙叉类型分为固定辙叉（Fixed Frog）和可动心轨辙叉（Movable Point Frog）两类。中国高速铁路主线广泛采用18号和42号可动心轨道岔，以消除固定辙叉的有害空间（Gap at Frog），确保列车在道岔区通过时的轮载连续性和运行平稳性。关键技术参数包括：直向容许通过速度（18号道岔为350 km/h、42号道岔为350 km/h的侧向通过速度为160 km/h）、尖轨尖端轨距加宽量、基本轨与尖轨的密贴间隙（合格标准≤0.5 mm，优良标准≤0.2 mm）、心轨有害空间区长度、以及转辙机动作杆的转换力和锁闭力。
2.2 道岔区的典型失效模式
高速道岔区的失效模式可归为结构几何类、部件机械类和电务控制类三大类。
结构几何类包括：尖轨与基本轨密贴不良——由于基本轨侧磨、尖轨弯折变形或滑床板高度偏差导致间隙（Gap）超出0.5 mm的安全阈值，列车逆向通过时存在车轮撞击尖轨尖端导致脱轨的风险；心轨断面磨耗——尤其是在侧向通过速度较高的线路中，心轨有害空间区的轮轨冲击使心轨尖端区域产生不均匀磨耗，影响通过速度和平稳性；轨距扩大与轨向不平顺——道岔区的轨距过渡曲线（Gauge Transition）设计不当或运维不当导致轨距扩大，直接关联到脱轨安全性。
部件机械类包括：滑床板过度磨耗——尖轨在滑床板上每转换一次的摩擦功导致滑床板表面的固体润滑层逐渐消耗，磨耗量一旦超过临界值，尖轨转换阻力急剧增大，转辙机可能存在卡阻风险；轨距块松脱——道岔区的轨距块承受轮轨横向力的长期冲击，疲劳断裂或紧固螺栓预紧力衰退导致轨距保持功能失效；扣件系统松脱——道岔区的扣件系统受到轮轨高频冲击载荷的作用，扣件弹条的残余变形和螺栓松动较区间线路更为严重。
电务控制类包括：转辙机动作杆位移传感器信号漂移、道岔位置表示回路机电界面退化、以及冰雪环境下加热融雪系统的可靠性问题。
2.3 道岔检测与监测的技术需求
基于上述失效模式分析，高速道岔的检测与监测技术需满足以下需求：实时性——尖轨密贴状态和心轨位置需在每次列车通过后实时确认；连续性——滑床板磨耗、轨距块松脱等渐进性损伤需通过在线监测获取时间序列趋势，而非依赖离散的检测采样点；多物理场——道岔的劣化涉及几何位移、接触应力、振动模态和温度场等多个物理量的耦合作用，单一传感模态无法完成全状态评估。
3 几何检测技术
3.1 道岔几何参数的人工与数字化检测
道岔几何参数的传统检测方法以轨距尺、道尺和塞尺为主要工具，由检测工在每个道岔区进行逐点手测。人工方法存在检测效率极低（每个道岔约需30–45分钟）、数据无法追溯（手工记录）、以及在运营天窗时间内完成全线道岔检测时间严重不足等不可逾越的缺陷。数字化道岔检查仪——如中国铁科院开发的SY-2型道岔检查仪——利用高精度位移传感器（Linear Variable Differential Transformer, LVDT）和数据采集终端替代了人工读数和纸笔记录，将单个道岔的检测时间压缩至10–15分钟，且数据自动上传至分析平台，实现了检测记录的数字化。然而，此类设备仍然依赖人员沿线路逐点操作，检测的效率瓶颈并未从根本解决。
3.2 基于激光/惯性测量的大型检测列车方案
在专用检测列车平台上，激光/惯性非接触几何测量系统（Non-contact Geometry Measurement System）可在列车以300 km/h以上速度通过道岔时同步获取轨距、水平、高低和轨向等几何参数。Plasser & Theurer的EM-SAT系统、MERMEC的Roger 1000平台以及中国GTC系列探伤车上的几何测量模块均可实现道岔区的几何数据采集。然而，道岔区特殊的结构特征——尖轨变截面踏面、心轨有害空间区、以及轨距过渡曲线——使检测列车的几何测量算法需要针对道岔区进行专门的预处理和校正。尖轨踏面的变截面几何导致激光扫描仪的测点位置与标准钢轨断面产生偏差，若不加校正，尖轨区段的轨距测量值可能产生2–5 mm的系统误差。
3.3 基于定点传感器的在线几何监测
德国DB Netz和奥地利ÖBB在2000年代率先探索了基于位移传感器（Displacement Transducer）和倾角传感器（Inclinometer）的道岔几何在线监测方案——在尖轨尖端和心轨关键位置安装接触式位移传感器，以10–100 Hz的采样率监测尖轨与基本轨之间的横向间隙变化。该方案的局限在于传感器的长期稳定性和抗干扰能力——接触式LVDT传感器在道岔区的振动和气候条件下，零点漂移可达0.1 mm/月量级，且传感器安装支架在长期服役中因振动松弛引入不可忽略的附加误差。西南交通大学翟婉明院士团队在2012年提出了基于工业相机和数字图像相关（Digital Image Correlation, DIC）的非接触式尖轨位移在线测量方法。该方案在尖轨和基本轨外侧安装高分辨率工业相机，通过DIC算法实时计算尖轨相对基本轨的横向位移，避免了接触式传感器的机械磨损和零点漂移问题。
4 超声与电磁探伤技术
4.1 尖轨与心轨超声探伤的特殊挑战
钢轨探伤车以相控阵超声（Phased Array Ultrasonic Testing, PAUT）为主力探伤手段，在区间线路上已实现80 km/h速度下的全断面内部缺陷检测。然而，PAUT在道岔区面临三个特殊难题：第一，道岔区钢轨断面几何的急剧变化——尖轨从尖端向中段的宽度从数毫米渐变至与基本轨匹配的标准轨头宽度，导致超声探头的耦合稳定性在尖轨区段显著下降，信噪比（Signal-to-Noise Ratio, SNR）较区间线路降低6–10 dB；第二，心轨有害空间区——固定辙叉的道岔在心轨尖端附近存在约60–80 mm的有害空间，检测列车通过此区段时超声探头完全脱离轨面，造成检测盲区；第三，复合缺陷的高密度——道岔区同时存在钢轨埋藏的疲劳裂纹、轨头剥离、焊接缺陷和螺栓孔裂纹等多种类型的内部缺陷，自动缺陷分类算法的误报率在道岔区显著高于区间线路。
4.2 便携式和道岔专用探伤设备
针对道岔区的特殊需求，便携式探伤设备得到了广泛应用。日本RTRI在2005年开发了面向新干线道岔的便携式PAUT系统，采用模块化设计，探头组可在10分钟内完成对单组道岔尖轨和心轨区域的全面扫查。中国西南交通大学无损检测研究团队在2018年提出了面向高速道岔尖轨的专用超声扫描机器人——该机器人利用磁吸附轮沿尖轨踏面自主爬行，通过嵌入的水浸式PAUT探头实现连续扫描，在实验室条件下检出率（Probability of Detection, POD）达到≥2 mm等效反射面的裂纹检测能力。
4.3 电磁超声与涡流探伤
电磁超声换能器（Electromagnetic Acoustic Transducer, EMAT）和涡流检测（Eddy Current Testing, ECT）作为非接触探伤方案，在道岔区有独特优势。EMAT无需耦合剂，通过洛伦兹力在钢轨表层激发出超声波，理论上不受尖轨断面几何变化导致的耦合失效影响。欧洲Shift2Rail研究计划在2018–2023年间开展了EMAT在道岔区应用的专项研究，初步验证了非接触探伤在尖轨区段的可行性，但信噪比较PAUT方案低约8–12 dB。涡流检测对轨头表面和亚表面裂纹（深度≤2 mm）的灵敏度极高，西南交通大学朱松教授团队在2020年提出了涡流阵列探头与EMAT联合的道岔检测方案，在表面—内部缺陷的互补覆盖方面取得了进展。
5 机器视觉检测技术
5.1 基于工业相机的道岔部件表面缺陷检测
机器视觉（Machine Vision）在道岔检测中的应用可分为静态巡检和动态检测两类。静态视觉巡检以高分辨率工业相机（8–24 M像素）在维修天窗内对道岔各部件进行拍照，通过人工或AI辅助判读识别滑床板磨耗、轨距块松脱、扣件断裂等表面可见缺陷。Plasser & Theurer的EM100VT是机器视觉在道岔检测中工程化应用的标志性成果。该平台通过多角度高分辨率相机阵列在4分钟内完成单组道岔的完整视觉检查——包括各角度的部件外观、磨损状态和螺栓紧固情况。在动态检测方面，MERMEC的ROBIN AI视觉平台在2017年率先将深度学习（Deep Learning）用于高速运行中的轨道部件自动目视检测，对扣件缺失、道岔部件异常等缺陷的实时检出率（Recall）超过95%。
5.2 深度学习驱动的道岔缺陷自动判读
卷积神经网络（Convolutional Neural Network, CNN）和Vision Transformer在道岔部件检测中的研究是近年来的热点方向。西南交通大学轨道交通运载系统全国重点实验室的王开云教授团队在2019年提出了基于Faster R-CNN的道岔滑床板磨耗程度分级检测模型，在超过10,000张标注道岔图像数据集上的平均准确率达到93.7%。2021年，该团队进一步提出了基于YOLOv5的实时道岔缺陷检测系统，在NVIDIA Jetson Xavier边缘计算平台上实现了0.2 fps的推理速度，处理单帧高分辨率道岔图像的时间约为5秒，满足了维修天窗内的实时辅助判读需求。
5.3 3D激光扫描与点云分析
二维视觉检测无法获取道岔部件的高度维度信息——例如滑床板的磨耗深度、尖轨的垂向弯折变形量——这些关键几何量需要通过三维点云（Point Cloud）才能准确测量。Leica和FARO等厂商推出的高精度三维激光扫描仪在道岔区静态检测中得到广泛应用，单次扫描生成数百万至数千万个三维点，空间分辨率可达0.5 mm。西南交通大学牵引动力国家重点实验室在2022年提出了基于PointNet++的道岔点云自动分割方法，能够将原始点云自动分割为尖轨、基本轨、滑床板、轨距块和扣件五类部件，分割精度达到93%，为后续的部件级几何偏差自动分析奠定了数据基础。
6 振动声学与光纤传感监测
6.1 基于振动信号的道岔健康监测
道岔在列车通过时产生的振动信号携带了轨面状态、尖轨密贴程度和部件松动等丰富的健康信息。加速度计（Accelerometer）安装于尖轨、心轨和基本轨轨腰，以1–10 kHz的采样率采集列车通过时的振动时域信号，通过时频分析（Time-Frequency Analysis）提取与道岔状态相关的频谱特征[1]。北京交通大学和西南交通大学在2015–2020年间合作开展了基于钢轨振动传递率（Vibration Transmissibility）的尖轨密贴状态评估研究——利用安装在尖轨和基本轨上的两个加速度计的振动传递函数变化来判断尖轨与基本轨之间的密贴程度，在实验室和现场验证中实现了0.2 mm密贴间隙的检测灵敏度。西南交通大学翟婉明院士团队进一步将稀疏表示（Sparse Representation）和压缩感知（Compressed Sensing, CS）引入道岔振动信号处理，降低了对高采样率数据完整上传的带宽需求，仅需20%–30%的原始采样点即可完成尖轨状态的重构。
6.2 基于音频信号的道岔故障诊断
道岔转换过程中的音频信号是转辙机健康状态的重要表征。转辙机（Switch Machine）在动作杆推动尖轨从密贴→分离→密贴对侧基本轨的全过程中产生特定的声学信号——电机启动的电磁噪声、齿轮传动的啮合频率成分、以及锁闭机构的撞击声共同构成了转辙机动作的声学指纹。西南交通大学陈嵘教授团队在2020年构建了基于梅尔频谱倒谱系数（Mel-Frequency Cepstral Coefficients, MFCC）和长短期记忆网络（Long Short-Term Memory, LSTM）的转辙机故障诊断模型，利用安装在转辙机外壳上的麦克风阵列采集声学信号，在实验数据集上实现了5种常见故障的自动分类，准确率超过96%。
6.3 分布式光纤传感的道岔监测应用
分布式声学传感（Distributed Acoustic Sensing, DAS）和光纤布拉格光栅（Fiber Bragg Grating, FBG）传感器在道岔区的监测应用是近年来的新兴方向。FBG传感器具有抗电磁干扰、可串联复用（单根光纤可承载数十个传感器）和长寿命等优势，特别适合道岔区这种空间密集的多参数测量场景。西南交通大学与中铁二院在2021年合作提出了基于FBG的道岔尖轨位移和温度协同监测方案——在尖轨关键断面沿纵向布置FBG应变和温度传感器阵列，以1 Hz的采样率实时监测尖轨纵向热应力变化及其对密贴状态的影响。该方案在成渝高铁简阳站的道岔区进行了为期12个月的现场试验，验证了FBG传感器在真实运营环境下的可靠性和抗干扰能力。
7 中国代表性研究成果
7.1 尖轨密贴状态识别与评估
西南交通大学在道岔尖轨密贴状态监测领域形成了从接触式传感器→非接触视觉→深度学习识别的系统性研究脉络。翟婉明院士和陈嵘教授团队在2012–2020年间先后发展了三种逐渐演进的尖轨密贴监测方法：基于LVDT的接触式尖轨位移测量、基于DIC的非接触式尖轨位移全场测量、以及基于稀疏表示（Sparse Representation）的尖轨密贴状态下限识别。该方法的核心创新在于将尖轨密贴状态的检测问题从"直接测量尖轨位移"转化为"从尖轨振动的稀疏表示中提取密贴状态的间接特征"，使传感器安装位置不再局限于尖轨尖端，降低了对传感器日常运维的依赖性。
7.2 转辙机智能故障诊断
转辙机（Switch Machine）是道岔系统中唯一包含电气驱动和机械传动部件的有源设备，其故障模式涵盖电机轴承磨损、齿轮箱润滑失效、锁闭机构配合间隙超限和电路接触电阻增大等多种类型。西南交通大学陈嵘教授团队在2020–2024年间构建了转辙机智能故障诊断的完整技术链：在信号采集端，建立了包含麦克风阵列和加速度计的转辙机多源信号同步采集平台；在特征提取端，提出了基于MFCC与CNN的混合特征提取方法，将转辙机动作声信号和振动信号的联合特征用于故障分类；在诊断模型端，比较了支持向量机（SVM）、随机森林、LSTM和Transformer四种模型在大规模实测数据集上的性能，发现LSTM在时间序列特征学习方面优势显著。
7.3 道岔区轮轨动力学与磨耗预测
王开云教授团队在2015–2023年间建立了高速道岔轮轨接触力学的高保真有限元模型（Finite Element Model），系统分析了尖轨踏面等效锥度、心轨有害空间区的轮载转移、以及轨距过渡曲线对轮轨横向力的影响机理。在磨耗预测方面，该团队基于Archard磨耗模型和Hertz接触理论，开发了面向道岔尖轨踏面的磨耗深度预测算法，将预测结果与成都动车段和上海动车段的道岔实测磨耗数据进行了交叉验证，预测值与实测值的平均相对误差控制在12%以内。这些轮轨动力学研究成果为道岔几何参数的设计优化和维护标准的制定提供了基础理论支撑。
7.4 道岔数字孪生与智能运维
2021年我国提出了面向高速道岔的数字孪生（Digital Twin）框架——将道岔的CAD几何模型、有限元力学模型和在线监测数据融合到统一的五维数字模型中，通过监测数据对模型参数进行实时修正（即"虚实联动"）。该框架的核心架构包括：物理实体层——真实运营中的道岔及其在线监测传感器网络；数据层——传感器采集的位移、振动、温度和图像数据；模型层——高保真有限元模型和降阶代理模型（Reduced Order Model, ROM）；仿真层——基于数字孪生的"What-if"维修方案仿真；以及决策层——基于强化学习的维护策略优化。
8 国际研究现状与比较
8.1 欧洲：Shift2Rail 与 In2Track 的道岔研究计划
欧洲铁路研究旗舰计划Shift2Rail（2014–2023年，后并入Europe's Rail）将道岔健康管理列为基础设施研究的关键主题之一。其子项目In2Track和In2Smart致力于开发道岔状态监测和预测性维护的标准化框架。代表性的工程成果包括：德国DB Netz和西门子合作开发的Sensonic道岔监测系统，在法兰克福—科隆高速线上的34组道岔上部署了包含50+个传感器（位移、加速度、温度、电流）的综合监测网络，实现了转辙机动作电流的异常自动检测和尖轨密贴趋势分析。法国SNCF与Alstom合作，在TGV东南线道岔区试点部署了基于无线传感器网络（Wireless Sensor Network, WSN）的道岔监控系统，传感器节点通过LoRa协议实现低功耗数据传输。
8.2 日本：新干线的道岔精密管理
日本新干线对道岔管理的核心特征是周期性精密检测与在线监测的互补结合。JR东日本和JR东海以每个月一次的频率对全线道岔进行人工精密检查，辅以设置在关键道岔（如东京站、新大阪站咽喉区）的在线监测系统。日本在道岔监测方面的一个独特贡献是交叉验证理念——将道岔检测列车（搭载激光/惯性几何测量系统）、道旁定点监测系统和人工精密检查三种手段的数据进行交叉比对，通过冗余验证降低单一数据源的漏报风险。
8.3 国际研究对比与我国的技术定位
综合分析，欧洲的道岔监测技术路线以传感器密集部署和无线通信为特征（系统导向），日本以精密人工检查和有选择性的定点在线监测为特征（精度导向），中国——以西南交通大学和铁科院为代表——的道岔检测监测技术则在三个方向展现了独特优势：一是轮轨动力学理论建模的深度，二是大规模高铁运营数据的实证优势，三是基于深度学习的智能诊断在真实运营场景中的部署深度[2]。
9 当前研究热点与技术前沿
9.1 物理信息深度学习的道岔退化建模
物理信息神经网络（Physics-Informed Neural Network, PINN）在道岔退化建模中的应用是2023–2025年新兴的前沿方向。传统的纯数据驱动方法在道岔劣化的非线性退化轨迹预测中面临小样本和物理一致性的双重挑战——现场可用的故障样本数量有限，且纯黑盒模型的预测结果可能与已知的物理规律（如Archard磨耗定律和Paris裂纹扩展定律）相矛盾。将道岔的力学退化方程嵌入深度学习的损失函数（Loss Function）中，使模型可以在标注数据匮乏的情况下保持物理一致性，有望解决这一瓶颈。
9.2 道岔数字孪生的虚实联动与自主运维
道岔数字孪生技术正从概念验证走向工程应用。虚实联动（Reality-Virtuality Coupling）在道岔数字孪生中面临的核心技术难点是模型参数的动态修正——即如何利用在线监测数据实时更新高保真有限元模型的边界条件和材料参数，使数字模型的仿真输出与物理实体的传感器读数保持一致。西南交通大学在2023年提出了基于贝叶斯在线学习的数字孪生参数自适应修正框架。
9.3 无人化智能巡检
道岔区无人化巡检的终极形态是"无人机+地面爬行机器人+固定在线传感器"的天地一体协同检测体系。无人机（UAV）搭载高分辨率相机和热红外成像仪进行道岔区全貌快速巡检，地面爬行机器人进行接触式超声探伤和涡流检测，固定在线传感器（位移、加速度、光纤）提供7×24小时的连续监测。
10 结论与展望
经过三十年的技术演进，高速铁路道岔检测与监测体系已从"人工检测+经验判读"的第一代模式，经"数字化检测+计算机辅助"的第二代和"智能化诊断+AI辅助"的第三代，正在走向"多层次协同+自主运维"的第四代。以西南交通大学为代表的中国研究团队，在尖轨密贴状态识别、转辙机智能故障诊断、道岔轮轨动力学建模和数字孪生框架等方向的系统性贡献，使中国在道岔监测理论和方法层面达到了国际先进水平。
未来五年的关键发展方向包括：(a) 道岔区多物理场联合监测的传感器微型化与无线化，(b) 基于PINN的小样本退化建模与剩余寿命预测，(c) 数字孪生驱动的自主维护决策，(d) 无人机与地面机器人协同的智能巡检体系。
参考文献
[1] .
[2] Esveld C. Modern Railway Track [M]. 2nd ed. Zaltbommel: MRT-Productions, 2001. ISBN: 9789080032421.
[3] Esslinger V, Kieselbach R, Koller R, et al. The railway accident of Eschede – technical background [J]. Engineering Failure Analysis, 2004, 11(4): 515-535. DOI: 10.1016/j.engfailanal.2003.11.001
[4] 国家铁路局. 高速铁路道岔技术条件: TB/T 3307-2014 [S]. 北京, 2014.
[5] Kaewunruen S, Lian Q. Digital twin aided sustainability-based lifecycle management for railway turnout systems [J]. Journal of Cleaner Production, 2019, 228: 1537-1551. DOI: 10.1016/j.jclepro.2019.04.156
[6] Wei L, Zeng J, Wu P, et al. Indirect method for wheel–rail force measurement and derailment evaluation [J]. Vehicle System Dynamics, 2014, 52(12): 1622-1641. DOI: 10.1080/00423114.2014.953180
[7] Nielsen J C O, Ekberg A. Acceptance criterion for rail roughness level spectrum based on assessment of rolling contact fatigue and rolling noise [J]. Wear, 2011, 271(1-2): 319-327. DOI: 10.1016/j.wear.2010.10.013
[8] Window A L, Holister G S. Strain Gauge Technology [M]. 2nd ed. Springer, 1992. ISBN: 9780412120101.
[9] Parajuli B, Gharizadehvarnosefaderani M, Damm D, et al. Rail track support condition monitoring with distributed acoustic sensing (DAS) system [J]. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 2025, 239(7): 618-632. DOI: 10.1177/09544097251338449
[10] Zhou C, Gao L, Cai X, et al. Digital twin technology for continuously welded turnout on high-speed railway bridges based on improved MOPSO algorithm [J]. Structural and Multidisciplinary Optimization, 2024, 67: 87. DOI: 10.1007/s00158-024-03806-x
