Оценка степени опасности дефектов 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. При этом также большой интерес представляет и оценка степени опасности выявленных дефектов. 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. Статья посвящена задаче построения оценки степени опасности для выявленных поверхностных дефектов различной протяжённости. Построение оценки опирается на понятие обобщённой относительной амплитуды полезных сигналов. Относительная амплитуда представляет собой отношение реальной амплитуды сигнала к соответствующему пороговому уровню полезных сигналов. Обобщённая относительная амплитуда вычисляется с использованием энтропии полунормального распределения, которое предполагается модельным для распределения вероятностей появления тех или иных относительных амплитуд в оцениваемом дефекте. Настройка формулы расчёта степени опасности дефекта осуществляется на основе записей конструктивных элементов. В качестве эталонного наиболее опасного дефекта рассматривается болтовой рельсовый стык, который моделирует излом рельса. Эталонным слабым дефектом выступает электроконтактная сварка, дефектограмма которой, как правило, содержит сигналы с невысоким значением амплитуд. Предложенный подход к оценке степени опасности дефектов демонстрируется на примерах.

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

2. A. A. Markov and E. A. Kuznetsova, Rails flaw detection. Formation and analysis of signals. Book 2. Data interpretation. 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, V. A. Tyukin, and V. A. Bashkin, “An Algorithm for Correcting Levels of Useful Signals on Interpretation of Eddy-Current Defectograms,” Modeling and Analysis of Information Systems, vol. 28, no. 1, pp. 74-88, 2021.

5. 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.

6. 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.

7. 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.

8. 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.