CC BY
59
УДК 620.179.14
А.О. Хованский
ПОДХОД К АВТОМАТИЗИРОВАННОМУ РАСПОЗНАВАНИЮ ДЕФЕКТОВ В УЛЬТРАЗВУКОВОЙ ДЕФЕКТОСКОПИИ
РЕЛЬСОВОГО ПУТИ
В настоящее время на железной дороге преобладают средства контроля рельсового пути, основанные на ультразвуковом методе дефектоскопии. Поэтому актуальной является задача автоматизированной расшифровки ультразвуковых дефектограмм.
Обычный подход к решению задач распознавания образов состоит в выделении признаков, общих для всех классов распознаваемых объектов, и построении классификационного алгоритма (жесткого или адаптивного), который набору значений признаков объекта ставит в соответствие класс, к которому тот относится. Однако, сигналы от дефектов рельсового пути при использовании ультразвукового метода столь разнообразны по своей структуре, что выделить признаки, общие для всех типов дефектов, представляется весьма затруднительным. В связи с этим предлагается система, состоящая из двух уровней. На первом уровне эвристический алгоритм сравнивает фрагменты дефектограммы с моделями идеальных дефектов каждого типа и выдвигает гипотезы о наличии в рельсе дефектов и их принадлежности к определенному типу. На втором уровне каждая гипотеза проверяются соответствующим предполагаемому типу дефекта алгоритмом, основанным на опыте, то есть на библиотеке реальных дефектов данного типа.
Для подвижных средств ультразвукового контроля характерно кратковременное «выпадение» сигнала из-за потери контакта искательной лыжи с поверхностью рельса. Эта особенность затрудняет работу эвристического алгоритма, так как сигнал от одного объекта представляется в виде нескольких пачек импульсов. Для того, чтобы устранить эту проблему, а также сделать распознающую систему инвариантной к небольшим изменениям параметров искательной системы дефектоскопа, необходимо ввести еще один, «нулевой» уровень, задачей которого является преобразование выходных сигналов различных дефектоскопов в единую форму, воспринимаемую алгоритмом уровня 1.
Алгоритмы уровня 2 целесообразно реализовать на основании нейронных сетей, являющихся универсальным и в то же время эффективным средством решения трудно алгоритмизируемых задач. Кроме того, нейросетевые алгоритмы могут дообучаться в диалоге с человеком-оператором в процессе эксплуатации.
