پایش هوشمند عیوب ریل با استفاده از پردازش سیگنال های صوتی و شبکه های عصبی عمیق

پایش سلامت سازه ای ریل ها در شبکه های ریلی شهری، به دلیل بار ترافیکی سنگین و دسترسی محدود به مسیر در ساعات بهره برداری، همواره یکی از چالش برانگیزترین حوزه های نگهداری و تعمیرات بوده است. روش های سنتی بازرسی ریل نظیر آزمون های فراصوت و جریان گردابی، اگرچه دقت بالایی دارند، اما نیاز به توقف تردد و نیروی انسانی ماهر داشته و هزینه های بالایی را تحمیل می کنند. پژوهش حاضر یک سیستم پایش غیرمخرب مبتنی بر تحلیل سیگنال های صوتی ضبط شده از ناحیه ی تماس چرخ و ریل ارائه می دهد. یک وسیله ی نقلیه ی ریلی که روی یک خط ریل پایدار حرکت می کند، دارای دامنه و فرکانس ثابتی بوده و بنابراین دارای مقادیر صوتی ثابتی است. با این حال، عیوب خط ریل این صدای ثابت را تغییر می دهند و هر نوع عیب، مقدار صدای مرجع را به گونه ای متفاوت تغییر می دهد. در این مطالعه، سیگنال های صوتی ناشی از سه عیب ساختاری رایج در سیستم های ریل (تغییر شکل سطح، تغییر شکل اتصالات و موج دارشدگی ریل) با استفاده از یک شبکه ی عصبی عمیق و تبدیل صدا به طیف نگار مورد بررسی قرار گرفته است. تبدیل فوریه ی کوتاه مدت (STFT) بر روی سیگنال های صوتی جمع آوری شده از ریل ها اعمال شده و یک مدل شبکه ی عصبی کانولوشنی (CNN) برای تشخیص صوتی سه نوع عیب رایج در روساخت راه آهن در مراحل اولیه توسعه داده شده است. مدل با مجموعه داده ای شامل ۵۰۰۰ مشاهده، پنج کلاس مختلف (اتصال پایدار، سطح ریل پایدار، تغییر شکل سطح ریل، تغییر شکل اتصال و موج دارشدگی ریل) را آموزش دیده است. مدل با مجموعه داده ی اعتبارسنجی (۱۰۰۰ مشاهده) به دقت ۸۹.۳۷٪ و با مجموعه داده ی آزمون (۱۰۰۰ مشاهده) به دقت ۸۷.۳٪ دست یافته است. نتایج نشان می دهد که سیستم پیشنهادی با قابلیت پیاده سازی آسان و ردیابی تغییرات رخ داده در منبع نویز، می تواند راهکاری هوشمند برای پایش سلامت سازه ای سیستم های ریل در آینده فراهم آورد.

کلیدواژه ها:

پایش سلامت ریل ، پردازش سیگنال صوتی ، شبکه های عصبی کانولوشنی ، طیف نگار ، تبدیل فوریه ی کوتاه مدت ، تشخیص عیب ، حمل ونقل ریلی