Контроль железнодорожного полотна
11.01.2019
Неразрушающий контроль железнодорожного полотна - это проект, обеспечивающий транспортную безопасность. В данном случае речь идет о железнодорожном транспорте.
Необходимо было реализовать следующие задачи:
1. Понять структуру дефектов и выделить их особенности;
2. Разработать механизм автоматического определения дефектов (распознавание);
3. Добиться высокой скорости работы алгоритма распознавания;
4. Распознавать максимальное количество дефектов с минимизацией ошибок.
Изначально, чтобы обнаружить дефект на рельсах, их необходимо продиагностировать ультразвуком. Благодаря этому получаются многокилометровые сканы. Затем обученный специалист внимательно просматривает все эти километры, анализируя каждый сантиметр. Это довольно монотонная работа, от которой любой человек сильно устает. Также стоит учитывать вероятность возникновения помех в работе.
Помехи появляются из-за постоянного движения поездов, появления загрязнений на рельсах и прочих сторонних шумов, мешающих работать. Все это значительно усложняет задачу и возникает большая вероятность того, что могут быть допущены ошибки в распознавании дефектов.
В таком режиме человек способен обработать в среднем 11 километров за смену. Это получается довольно медленно и дорого с учетом километража. Например, если расстояние от одного города до другого составляет 1320 км, то это приблизительно 4 месяца работы.
Перед нашими специалистами стояла задача создать именно такую систему, которая позволит автоматически распознавать дефекты. В идеале это должно происходить в реальном времени, что и получилось реализовать. Алгоритмы предназначены для работы в составе программного обеспечения вагона-дефектоскопа, тем самым позволяя производить анализ дефектограмм в режиме реального времени.
После того, как были найдены дефекты, требуется еще и визуальный анализ. На место повреждения приезжают специалисты и детально осматривают рельс. В свою очередь настроенные GPS-координаты позволяют быстро найти место поломки.
Данный проект реализован с применением нейронных сетей. Хотя по идее можно было просто проанализировать ультразвуковые сигналы. Тем не менее, гораздо удобнее увидеть своими глазами уже обработанное полноценное изображение. Таким образом можно увидеть ту же самую картину, что и видит специалист, работающий вручную. Это представляет собой распознавание образов.
Данный проект нацелен на железные дороги и уже успешно используется в метрополитене Пекина, а также в Сингапуре.
Основное преимущество проекта заключается в том, что значительно увеличилась производительность системы и уменьшилась стоимость проведения диагностики железнодорожного полотна. Больше нет необходимости нанимать специалистов, которые будут искать дефекты. Гораздо быстрее их найдет сама система.
Таким образом, при помощи автоматизации процесса будет решена сложная техническая задача. Это позволит упростить рабочий процесс и получить экономическую выгоду.
Необходимо было реализовать следующие задачи:
1. Понять структуру дефектов и выделить их особенности;
2. Разработать механизм автоматического определения дефектов (распознавание);
3. Добиться высокой скорости работы алгоритма распознавания;
4. Распознавать максимальное количество дефектов с минимизацией ошибок.
Изначально, чтобы обнаружить дефект на рельсах, их необходимо продиагностировать ультразвуком. Благодаря этому получаются многокилометровые сканы. Затем обученный специалист внимательно просматривает все эти километры, анализируя каждый сантиметр. Это довольно монотонная работа, от которой любой человек сильно устает. Также стоит учитывать вероятность возникновения помех в работе.
Помехи появляются из-за постоянного движения поездов, появления загрязнений на рельсах и прочих сторонних шумов, мешающих работать. Все это значительно усложняет задачу и возникает большая вероятность того, что могут быть допущены ошибки в распознавании дефектов.
В таком режиме человек способен обработать в среднем 11 километров за смену. Это получается довольно медленно и дорого с учетом километража. Например, если расстояние от одного города до другого составляет 1320 км, то это приблизительно 4 месяца работы.
Перед нашими специалистами стояла задача создать именно такую систему, которая позволит автоматически распознавать дефекты. В идеале это должно происходить в реальном времени, что и получилось реализовать. Алгоритмы предназначены для работы в составе программного обеспечения вагона-дефектоскопа, тем самым позволяя производить анализ дефектограмм в режиме реального времени.
После того, как были найдены дефекты, требуется еще и визуальный анализ. На место повреждения приезжают специалисты и детально осматривают рельс. В свою очередь настроенные GPS-координаты позволяют быстро найти место поломки.
Данный проект реализован с применением нейронных сетей. Хотя по идее можно было просто проанализировать ультразвуковые сигналы. Тем не менее, гораздо удобнее увидеть своими глазами уже обработанное полноценное изображение. Таким образом можно увидеть ту же самую картину, что и видит специалист, работающий вручную. Это представляет собой распознавание образов.
Данный проект нацелен на железные дороги и уже успешно используется в метрополитене Пекина, а также в Сингапуре.
Особенности разработанной системы:
- Теперь дефекты распознаются автоматически. Больше нет необходимости искать их вручную и анализировать многокилометровые сканы;
- Значительно улучшилось качество распознавания дефектов. Больше нет отвлекающих факторов в виде посторонних шумов, загрязнения рельсов и прочего;
- Система может работать на скорости 100 км/ч. Производительность увеличилась в несколько раз. В то время как при ручной работе можно охватить примерно 11 км в сутки;
- Появилась возможность отслеживать развитие дефектов с помощью прогнозирования, а значит заранее избегать их возникновения;
- Теперь распознавание дефектов определяется с точностью 90%;
- В свою очередь, уровень ложных срабатываний невелик и составляет всего 5%.
Основное преимущество проекта заключается в том, что значительно увеличилась производительность системы и уменьшилась стоимость проведения диагностики железнодорожного полотна. Больше нет необходимости нанимать специалистов, которые будут искать дефекты. Гораздо быстрее их найдет сама система.
Таким образом, при помощи автоматизации процесса будет решена сложная техническая задача. Это позволит упростить рабочий процесс и получить экономическую выгоду.