京港地铁声学AI诊断轨道损伤技术实现规模化应用突破

城市轨道交通网络持续扩张，轨道结构健康监测长期依赖人工巡检与定期探伤，效率与精度难以兼顾。京港地铁牵头研发的声学AI诊断轨道损伤技术近日完成关键升级，并在多条线路实现规模化部署，标志着轨道运维从“被动检修”向“主动预判”迈出实质性一步，为行业提供了可复制的技术范式。

从“人耳听诊”到“机器听觉”的跨越

传统轨道伤损检测多采用超声波探伤车与人工敲击相结合的方式，受限于天窗期短、检测速度慢，对微小裂纹与内部缺陷的早期识别能力不足。京港地铁技术团队将声学传感阵列与深度学习算法深度融合，采集列车运行过程中轮轨接触产生的宽频声发射信号，构建轨道损伤声学特征库。系统可在列车正常运营速度下实时捕捉钢轨表面剥离、内部核伤及扣件松脱等典型病害的声纹变化，识别灵敏度较传统方法提升约40%。这一转变的核心在于，机器不再依赖单一阈值判断，而是卷积神经网络对声谱图进行多维特征提取，使“听声辨伤”从经验驱动转向数据驱动。

多模态融合让误报率降至新低

单一声学信号易受环境噪声、轮对粗糙度及道床结构差异干扰，早期试点中误报率一度成为推广瓶颈。技术团队引入振动加速度与轴箱位移数据，构建声—振—位多模态融合诊断模型，利用时序对齐算法消除不同传感源之间的相位偏差。在实际线路测试中，系统对钢轨波浪磨耗与焊缝疲劳裂纹的误报率由初期的12%降至3.6%，漏报率控制在1.2%以内。更值得关注的是，模型具备在线增量学习能力，每完成一次人工复核，诊断网络即自动更新权重参数，使系统在持续运行中不断逼近更高精度。这种“越用越准”的闭环机制，为AI诊断技术在安全关键领域的落地提供了可信路径。

边缘计算架构支撑实时预警

轨道交通对实时性要求严苛，若将海量声学数据回传至中心云平台处理，网络延迟与带宽压力将制约预警时效。京港地铁在列车转向架与轨旁设备端部署轻量化边缘计算节点，将声学特征提取与初步分类任务下沉至前端完成，仅将疑似伤损片段与置信度评分上传至运维中心。实测数据显示，从信号采集到预警推送的平均时延压缩至800毫秒以内，较纯云端方案缩短近70%。边缘节点采用低功耗异构芯片设计，可在-25℃至70℃环境下稳定运行，适配地下隧道与高架区段的不同温湿度条件。这一架构不仅降低了全网数据传输成本，也为后续扩展至道岔、桥梁等关键部件的声学监测预留了算力冗余。

规模化部署验证工程可靠性

自去年下半年起，该技术已在京港地铁所辖4条线路、累计约120公里轨道区段完成部署，覆盖地下隧道、地面线及高架站间等多种工况。截至今年一季度，系统累计推送有效伤损预警217次，经人工复核确认率达94.5%，其中3处钢轨内部核伤被判定为需紧急处置的重大隐患，均在计划检修窗口内完成更换。运维人员反馈，系统生成的伤损定位信息可精确至米级，并附带声学特征图谱与历史演变趋势，大幅缩短了现场复核与处置决策时间。在部分区段，预防性打磨作业的触发时机由固定周期调整为基于AI评估的动态窗口，单公里轨道维护成本下降约18%，验证了技术在工程场景下的经济性与可靠性。

标准化输出推动行业协同创新

技术突破的价值不仅在于单点应用，更在于形成可推广的行业标准。京港地铁联合科研院所与设备制造商，围绕声学传感布设规范、数据标注准则及诊断性能评价方法编制企业技术标准，并参与行业团体标准立项。其声学特征库已覆盖国内主流钢轨型号与扣件体系，具备向其他城市轨道交通运营单位迁移的基础条件。下一步，团队计划将诊断对象从钢轨扩展至道岔尖轨、辙叉心轨等复杂结构，并与车辆走行部监测系统的数据互通，构建“车—轨—环境”一体化的健康管理体系。在行业层面，这一实践为AI技术在轨道交通安全领域的深度应用提供了从算法验证到工程落地的完整参照，有望推动全行业运维模式向智能化、预防化方向加速演进。