Алгоритм корректировки уровней полезных сигналов при расшифровке вихретоковых дефектограмм

Для обеспечения безопасности движения на железнодорожном транспорте регулярно проводится неразрушающий контроль рельсов с применением различных подходов и методов, включая методы вихретоковой дефектоскопии. Актуальной задачей является автоматический анализ больших массивов данных (дефектограмм), которые поступают от соответствующего оборудования. Под анализом понимается процесс определения по дефектограммам наличия дефектных участков наряду с выявлением конструктивных элементов рельсового пути. Данная статья продолжает цикл работ, посвященных задаче автоматического распознавания образов дефектов и конструктивных элементов железнодорожных рельсов по вихретоковым дефектограммам. При формировании этих образов принимаются в расчет только полезные сигналы, пороговые уровни амплитуд которых определяются автоматически по вихретоковым данным. Применяемый ранее алгоритм нахождения пороговых уровней был ориентирован на ситуации, при которых подавляющее большинство поступающих от дефектоскопа сигналов составляет рельсовый шум. Сигнал считается полезным и подлежит дальнейшему анализу, если его амплитуда в два раза превосходит соответствующий пороговый уровень шума. Статья посвящена задаче корректировки пороговых уровней с учётом необходимости выявления протяжённых поверхностных дефектов рельсов. Предлагается алгоритм нахождения значений пороговых уровней амплитуд рельсового шума с их последующей корректировкой в случае наличия большого количество полезных сигналов от протяженных дефектов. Приводятся примеры работы алгоритма на реальных вихретоковых данных.

1. A. A. Markov and E. A. Kuznetsova, Rails flaw detection. Formation and analysis of signals. Book 1. Principles. St. Petersburg: KultInformPress, 2010.

2. A. A. Markov and E. A. Kuznetsova, Rails flaw detection. Formation and analysis of signals. Book 2. Data interpretation. St. Petersburg: Ultra Print, 2014.

3. V. F. Tarabrin, A. V. Zverev, O. E. Gorbunov, and E. V. Kuzmin, “About Data Filtration of the Defectogram Automatic Interpretation by Hardware and Software Complex ASTRA”, NDT World, vol. 64, no. 2, pp. 5–9, 2014.

4. E. V. Kuzmin, O. E. Gorbunov, P. O. Plotnikov, and V. A. Tyukin, “Finding the Level of Useful Signals on Interpretation of Magnetic and Eddy-Current Defectograms”, Automatic Control and Computer Sciences, vol. 52, no. 7, pp. 658–666, 2018.

5. E. V. Kuzmin, O. E. Gorbunov, P. O. Plotnikov, and V. A. Tyukin, “An Efficient Algorithm for Finding the Level of Useful Signals on Interpretation of Magnetic and Eddy Current Defectograms”, Automatic Control and Computer Sciences, vol. 52, no. 7, pp. 867–870, 2018.

6. E. V. Kuzmin, O. E. Gorbunov, P. O. Plotnikov, V. A. Tyukin, and V. A. Bashkin, “Application of Neural Networks for Recognizing Rail Structural Elements in Magnetic and Eddy Current Defectograms”, Automatic Control and Computer Sciences, vol. 53, no. 7, pp. 628–637, 2019.

7. E. V. Kuzmin, O. E. Gorbunov, P. O. Plotnikov, V. A. Tyukin, and V. A. Bashkin, “Application of Convolutional Neural Networks for Recognizing Long Structural Elements of Rails in Eddy-Current Defectograms”, Modeling and analysis of information systems, vol. 27, no. 3, pp. 316–329, 2020.