【.com快译】简介列车在运行过程中，钢轨经常承受着巨大的压力，这个过程可能会产生缺陷导致列车事故，如图1所示.图1：因钢轨缺陷导致的列车脱轨事故钢轨缺陷及预防性检测是铁路安全领域极其重要的领域。本文将对广泛应用于列车轨道诊断的超声波检测技术进行介绍和分析。分析缺陷检测结果面临的一个主要问题是目前缺乏自动检测能力来捕获数百公里铁轨上的缺陷数据。人工查找缺陷时，遗漏缺陷的可能性较大，结果主要取决于检测人员的经验和人为因素。问题陈述在这项工作中，主要任务是创建一个神经网络的工作原型，以自动检测铁路轨道超声波检测图上的缺陷，准确度大于85%。超声波检测中的钢轨缺陷分类为了训练神经网络，需要数字形式的钢轨超声波检测初始数据，这些数据可以使用具有B扫描(BSCAN)形式的相应缺陷图的检测器获得.BSCAN编队的原理是将脉冲式超声波信号以一定的角度和距离输入钢轨，记录其反射信号（如图2所示）。在反射信号强度图中，不同输入角度的信号会生成不同亮度的点。不同输入角度的超声波信号检测是由于缺陷具有不同的性质，反射信号的深度取决于缺陷的深度和形状。图2：使用六个传感器的铁路探测方案示例为了对缺陷进行分类，需要考虑铁路缺陷分类的原则。根据俄罗斯铁路公司PJSC2017年发布的《关于钢轨无损检测结果解密的声明》，其分类的所有钢轨缺陷均采用三位数字编码。为了创建数据集，在下面选择了8个最常见的缺陷。表1和表2显示了所选钢轨缺陷的视图、缺陷代码和BSCAN的外观。表1：缺陷代码列表Part1及其缺陷图表2：缺陷代码列表Part2及其缺陷图在实际缺陷图框架上训练的神经网络第一版现有缺陷图数据库分析表明，由于各厂商设备的信号处理算法各不相同，发射器和接收器的数量也不同，因此不可能同时使用。每个缺陷组使用Avikon-11检测器，估计在两个站之间的轨道上将获得不超过20个缺陷，这对于创建有效的神经网络来说是一个非常大的缺陷数量。很少。因此，在特定位置的参考缺陷轨道的现有站点上也采用了一组缺陷图。这样一段铁路被称为“控制盲区”。图3显示了轨道控制死区的缺陷图。图3：Avikon-11检测器显示的铁路横截面缺陷图。可以将连续的缺陷图“切割”成单独的片段，然后将其分类并保存为单独的文件——帧。图3（第5点）所示的每个切割框架同时包括沿其轨道部分的所有检查区域。这种对其测量通道的综合考虑允许使用所有可用的信息特征来对缺陷图框进行分类。但是，[500,800]个条件点组成的帧数非常大，在训练神经网络时需要大量的时间和计算成本。此外，它需要更大的数据集。为了增加有缺陷的数据集的大小，可以使用偏移帧方法，如图4所示。因此可以在一个缺陷上获得50多个帧。这种方法允许将9类的数据集从1,000增加到60,000，其中0类是无缺陷的轨道。图4：用于创建具有缺陷的扩展数据集的帧。在此过程中，合成了一个卷积神经网络，用于在其输出端使用完全连接的分类器(CNN)进行明确分类。经过训练的神经网络在验证数据上显示出35%的准确率。并且可用的9个类中的每一个的准确率都比纯随机分类器高3倍。由于所选择的神经网络结构和超参数，无法提高识别精度。现阶段，缺乏足够大的通用数据集是导致神经网络效率低下的关键因素。第一版在模型数据上训练的神经网络之所以效率比较低，并不是因为使用的算法不好，而是因为其训练缺乏具有代表性的数据集。是关键因素。在测试Rails时，随着新数据可用而增加数据集是一个漫长的过程，可能需要数年时间。这里实现的任务是考虑使用模型数据训练神经网络的可能性。建模是一种加快数据集增加过程的方法，因此需要基于数学模型获取不同类别的缺陷帧样本。建模类型选择神经网络运行及其训练背后的主要原则是对输入端接收到的可见图像进行抽象，将其转化为高级视觉概念，同时过滤掉不重要的视觉细节。神经网络应该只记住图像，细节只会阻碍它，这就是为什么没有必要创建一个准确的超声波在轨道中传播的物理模型。超声波在铁轨中传播的物理模型没有考虑导致各种形式的缺陷及其位置的问题。此类缺陷需要手动创建，数量达数万个。在轨道中引入超声波并测量反射信号的模型、随机性、对许多因素（发生器位置等）的依赖性也没有解决。在这项工作中，提出了一种方法，该方法涉及创建一个参数化仿真模型，基于该模型可以生成一个数据集，用于在每个类别的数千个缺陷上训练神经网络。为了构建该神经网络的工作原型，选择了超声波输入角为α=0（严格向下）的通道。其框架长度（沿导轨长度）增加到1000个条件点，这对识别的准确性非常重要。数学模型是在LabVIEW环境中开发的，用于原型设计和建模。获得的数学模型不仅考虑了从反射器获得的波形，还考虑了振幅的分布。由于模型的每个参数的随机生成器，在公共参数模型的输出处获得的每个帧都是唯一的。表3和表4显示了轨道中各个异质结构的测量和建模数据的BSCAN示例。表3：BSCAN钢轨螺栓孔实测数据和模型数据示例表4：30组实测和模型缺陷扫描（表面缺陷和轨头缺陷）获得的模型数据将它们进行比较，看看它们的相似之处。建议根据将从模型数据中学习的神经网络识别真实缺陷的准确度指标来检查所获得模型的充分性。从不同的钢轨故障模型中，可以获得钢轨超声波检测的框架。同时，改变模型的参数以获得实际情况下可能出现的各种组合，即：各种深度的缺陷；各种坐标缺陷；螺栓孔形式的缺陷和工艺反射器的各种相对位置；根据螺栓孔的数量，螺栓连接的不同组合；钢轨中不同形式的缺陷和工艺异质结构；轨道中所有异质结构的振幅响应的随机性。模型数据示例示例图5显示了一个包含30组缺陷-表面缺陷和钢轨头部缺陷模型框架的示例。图5：具有30组缺陷的模型框架样本——表面缺陷和轨头缺陷为了进行比较，图6显示了Avikon-11检测器的实际数据。图6：具有缺陷组30的真实车架样本-表面缺陷（头部缺陷）图7显示了具有缺陷组33-颈部缺陷的模型车架样本。图7：具有33组缺陷-颈部缺陷模型框架的样本为了进行比较，图8显示了Avikon-11检测器的实际数据。图8：具有33组缺陷的实际框架样本-颈部缺陷图9显示了具有55组缺陷（颈部缺陷）的模型框架样本。图10显示了具有55组缺陷的实际帧。图9：有55组缺陷的样本-颈部缺陷模型框架图10：有55组缺陷的样本-颈部缺陷实际框架图11显示了没有缺陷（有和没有螺栓孔）的模型框架样本。图11：处于无缺陷状态的模型框架样本（有和没有螺栓孔）每组模型框架根据表5分配一个类别编号（编码标记）表5-类别的分配创建的数学模型使之成为可能为4个给定类（上表中的0、1、2、3）生成一组平衡的10000个训练数据、1000个验证数据和1000个测试数据。此类数据集的生成时间为10分钟。想法的有效性此外，这项工作对创建的数据集的合成（模型）数据进行了卷积神经网络（CNN）模型的合成、训练和验证。实践表明，其训练数据的识别准确率为98%，测试数据的识别准确率为97%。为了检查识别实际缺陷帧（由检测器测量）的准确性，来自控制死区的标记帧（由Avikon-11检测器检查的数据集，这里有3000个样本）被馈送到创建的神经网络的输入端。Avikon-11探测器测得的数据识别准确率为92%。获得的精度是一个很好的结果。但是有几种方法可以提高准确性。不匹配矩阵（如图12所示）有助于了解神经网络在哪些帧上出错。图12：不匹配矩阵分析矩阵后，很明显神经网络在第3类（缺陷组-55）的帧中做出主要预测错误，而在第0类（无缺陷状态）的帧中做出预测，神经网络网络将此识别为螺栓孔的位置。由于其相似性，第55组中存在缺陷（如图13所示）。在这种情况下，需要添加其他通道的信息标志，从而提高预测精度（这种情况下通常是轨颈控制通道，由于存在螺栓孔）。这解释了图13。图13：将帧错误分配到3类的示例当前将神经网络“决定”分类的帧上突出显示信息符号（图14中的黄色背景）的算法添加到识别系统中。结论和进一步发展策略获得的92%的准确率显示了使用模型数据训练网络并将其应用于自动识别铁路轨道超声波检测的真实缺陷图的可能性，从而解决了训练数据量小的问题，这将显着加快生成具有自动缺陷识别系统的软件的过程。这一思路的进一步发展包括以下步骤：(1)轨头控制通道、轨颈控制通道和轨底控制通道的模型综合。(2)调整模型去除噪声。(3)将生成的缺陷“植入”(放置和引入)到实际的缺陷图(带有引入缺陷的真实噪声图)中。(4)改进模型以增加神经网络的准确性。工作原型的拟议开发阶段将允许增加：缺陷识别的准确性识别的缺陷类别的数量创建一个完整的系统，通过所选检测器的所有测量通道自动检测缺陷。获得的模型可以拟合到所需的检测器。原标题：使用机器学习检测铁路缺陷，作者：AlexKaluzhniy
