实验室在大型装备自动化健康运维领域取得进展。相关研究成果以题为“Bolt Looseness Quantitative Visual Detection With Cross-Modal Fusion”在线发表于《Structural Control and Health Monitoring》（IF=4.6）。

随着高速列车对安全与可靠性要求的日益严格，螺栓松动是影响整机安全性与可靠性的关键隐患之一。螺栓预紧力不足可能导致界面分离、疲劳及自松动，从而引发严重安全事故。然而，底盘螺栓空间狭窄，表面纹理信息不足，且现场维护环境中光照与视角多变，传统基于单一2D视觉或人工目测的方法在实际应用中常出现漏检或误检，难以实现高精度定量评估。

针对上述挑战，提出了一种跨模态融合检测新方案，通过设计专用的跨模态Transformer架构，将2D RGB图像特征与3D深度点云信息在注意力机制下深度融合，实现对不同光照与视角条件的自适应补偿。同时，本研究采用点云中螺栓帽顶部与紧固面平面之间的高度差作为松动判据，有效克服了透视投影带来的几何畸变问题，确保测量结果物理意义明确且抗干扰能力强，为大型设备自动化检测提供了新的技术路径。

该自动化检测方案可实现快速、精准的螺栓松动定量评估，大幅减少人工作业风险与人为误判，将为大型轨道交通装备的日常检修、故障诊断与预测性维护提供可靠数据支撑，助力构建智能化、数字化的健康运维体系，对提升轨道交通装备的维护效率与运行安全具有重要价值。

论文信息：Zhipeng Wang, Jiajun Ma, Gui Xue, Feida Gu, Ruochen Ren, Yanmin Zhou, Bin He, “Bolt Looseness Quantitative Visual Detection With Cross-Modal Fusion”, Structural Control and Health Monitoring. DOI：10.1155/STC/2282684