機(jī)器學(xué)習(xí)在鐵路缺陷檢測(cè)中的實(shí)際應(yīng)用

本文介紹了在鐵軌的超聲波檢測(cè)過(guò)程中有效使用機(jī)器學(xué)習(xí)技術(shù)自動(dòng)檢測(cè)缺陷的經(jīng)驗(yàn)，并提出了一種使用數(shù)學(xué)建模為神經(jīng)網(wǎng)絡(luò)創(chuàng)建訓(xùn)練數(shù)據(jù)集的有效方法，為實(shí)際缺陷圖的識(shí)別提供了更高精度的指標(biāo)。文中訓(xùn)練神經(jīng)網(wǎng)絡(luò)運(yùn)算的原型實(shí)例，其實(shí)際缺陷圖的預(yù)測(cè)精度高達(dá)92%。

鐵軌在列車(chē)行進(jìn)過(guò)程中往往承受著巨大的壓力，而這一過(guò)程可能會(huì)產(chǎn)生導(dǎo)致火車(chē)發(fā)生事故的缺陷。

鐵軌缺陷與預(yù)防性檢測(cè)是鐵路安全領(lǐng)域的一個(gè)極其重要的領(lǐng)域。本文將對(duì)廣泛應(yīng)用于火車(chē)鐵軌診斷的超聲波檢測(cè)技術(shù)進(jìn)行闡述和分析。

分析缺陷檢測(cè)結(jié)果面臨的一個(gè)主要問(wèn)題是，目前缺乏在數(shù)百公里的鐵軌上捕獲缺陷數(shù)據(jù)的自動(dòng)檢測(cè)能力。而在人工搜索缺陷時(shí)，遺漏缺陷的可能性很高，并且其結(jié)果主要取決于檢測(cè)人員的經(jīng)驗(yàn)和人為因素。

問(wèn)題陳述

在這項(xiàng)工作中，主要的任務(wù)是創(chuàng)建一個(gè)神經(jīng)網(wǎng)絡(luò)的工作原型，以自動(dòng)檢測(cè)鐵軌超聲檢測(cè)圖上的缺陷，其準(zhǔn)確性需要超過(guò)85%。

超聲波檢測(cè)中的鐵軌缺陷的分類(lèi)

為了訓(xùn)練神經(jīng)網(wǎng)絡(luò)，需要以數(shù)字形式對(duì)鐵軌進(jìn)行超聲波檢查的初始數(shù)據(jù)，這些數(shù)據(jù)可以使用相應(yīng)的缺陷圖的檢測(cè)儀獲得，這些檢測(cè)儀以B掃描（BSCAN）的形式顯示。

BSCAN形成的原理是將脈沖超聲波信號(hào)以一定的角度和距離輸入到鐵軌中，并記錄其反射信號(hào)（如圖2所示）。在反射信號(hào)強(qiáng)度圖中，不同的輸入角度的信號(hào)生成不同亮度的點(diǎn)。使用不同輸入角度的超聲波信號(hào)探測(cè)是由于缺陷具有不同性質(zhì)，而反映信號(hào)的深度取決于缺陷的深度和形狀。

圖2：使用六個(gè)傳感器的鐵軌測(cè)深方案示例

為了對(duì)缺陷進(jìn)行分類(lèi)，需要考慮鐵軌缺陷分類(lèi)的原則。而根據(jù)PJSC俄羅斯鐵路公司2017年推出的文件“關(guān)于無(wú)損鐵軌檢測(cè)結(jié)果解密的聲明”，其分類(lèi)的所有鐵軌缺陷都用三位數(shù)字進(jìn)行編碼。

為了創(chuàng)建數(shù)據(jù)集，以下選擇了8個(gè)最常見(jiàn)的缺陷。表1和表2顯示了所選鐵軌缺陷的視圖、缺陷代碼以及BSCAN的外觀。

表1：缺陷代碼及其缺陷圖列表的第1部分

表2：缺陷代碼及其缺陷圖列表的第2部分

在實(shí)際缺陷圖框架上訓(xùn)練的神經(jīng)網(wǎng)絡(luò)第一版

對(duì)現(xiàn)有缺陷圖數(shù)據(jù)庫(kù)的分析表明，由于各種制造商生產(chǎn)的設(shè)備具有各種信號(hào)處理算法、不同數(shù)量的發(fā)射器和接收器，因此無(wú)法同時(shí)使用它們。對(duì)于每個(gè)缺陷組都采用了Avikon-11檢測(cè)儀，根據(jù)估計(jì)，在兩個(gè)車(chē)站之間的鐵軌獲得的缺陷不會(huì)超過(guò)20個(gè)，而這對(duì)于創(chuàng)建有效的神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，這些缺陷的數(shù)量非常少。因此，在特定位置的參考缺陷鐵軌的現(xiàn)有站點(diǎn)上也采用了一組缺陷圖。這樣的一段鐵路被稱(chēng)為“控制死區(qū)”。圖3顯示了一條鐵軌控制死區(qū)的缺陷圖。

圖3：采用Avikon-11檢測(cè)儀顯示的一根鐵軌截面的缺陷圖

可以將連續(xù)的缺陷圖“切割”為單獨(dú)的片段，然后將其分類(lèi)并保存為單獨(dú)的文件——幀。圖3（第5點(diǎn)）所示的每個(gè)切割的幀同時(shí)包括沿其鐵軌截面的所有檢查區(qū)域。其測(cè)量通道的這種綜合考慮允許使用所有可用的信息特征來(lái)對(duì)缺陷圖幀進(jìn)行分類(lèi)。而［500，800］個(gè)條件點(diǎn)組成的幀數(shù)量很大，在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)需要大量的時(shí)間和計(jì)算成本。此外，它還需要較大的數(shù)據(jù)集。為了擴(kuò)大帶有缺陷的數(shù)據(jù)集規(guī)模，可以使用一種偏移幀方法，如圖4所示。因此可以在一個(gè)缺陷上獲得50個(gè)以上的幀。這種方法允許將9個(gè)類(lèi)的數(shù)據(jù)集從1，000個(gè)增加到60，000個(gè)，其中0類(lèi)是無(wú)缺陷的鐵軌。

圖4：用于創(chuàng)建帶有缺陷的擴(kuò)展數(shù)據(jù)集的幀

在這一過(guò)程中，合成了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)用于無(wú)歧義的分類(lèi)，其輸出端有一個(gè)完全連接的分類(lèi)器（CNN）。經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)在驗(yàn)證數(shù)據(jù)上顯示35%的準(zhǔn)確性。而每個(gè)可用的9類(lèi)的準(zhǔn)確率比純粹的隨機(jī)分類(lèi)器要高出3倍。由于選擇了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和超參數(shù)，因此無(wú)法提高識(shí)別精度。在這一階段，缺少規(guī)模足夠大的通用數(shù)據(jù)集是導(dǎo)致神經(jīng)網(wǎng)絡(luò)效率低下的關(guān)鍵因素。

基于模型數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)第二版

基于模型數(shù)據(jù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)第一版的效率比較低下的原因并不是因?yàn)槭褂玫乃惴ú患?，而是由于缺乏針?duì)其訓(xùn)練的代表性的數(shù)據(jù)集，這才是關(guān)鍵因素。在測(cè)試鐵軌時(shí)，由于獲得新數(shù)據(jù)而導(dǎo)致數(shù)據(jù)集的增加是一個(gè)漫長(zhǎng)的過(guò)程，可能會(huì)持續(xù)數(shù)年的時(shí)間。在這里實(shí)施的任務(wù)是考慮使用模型數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的可能性。

建模是加快增加數(shù)據(jù)集過(guò)程的一種方法，因此有必要基于數(shù)學(xué)模型，來(lái)獲得具有不同類(lèi)別的缺陷圖幀的樣本。

建模類(lèi)型選擇

神經(jīng)網(wǎng)絡(luò)操作及其訓(xùn)練的主要原理是抽象化在輸入端接收到的可見(jiàn)圖像，將其轉(zhuǎn)換為高級(jí)視覺(jué)概念，并同時(shí)過(guò)濾不重要的視覺(jué)細(xì)節(jié)。神經(jīng)網(wǎng)絡(luò)應(yīng)該只記住圖像，而細(xì)節(jié)只會(huì)妨礙它識(shí)別，這就是不必在鐵軌中創(chuàng)建精確的超聲波傳播物理模型的原因。超聲波在鐵軌中傳播的物理模型不能解決導(dǎo)致各種形式的缺陷及其位置的問(wèn)題。此類(lèi)缺陷需要人工創(chuàng)建，數(shù)量多達(dá)數(shù)萬(wàn)個(gè)。而在鐵軌中引入超聲波并測(cè)量反射信號(hào)的模型、隨機(jī)性、對(duì)許多因素（生成器位置等）的依賴(lài)性等問(wèn)題也沒(méi)有得到解決。

在這項(xiàng)工作中提出了一種方法，該方法包括創(chuàng)建參數(shù)仿真模型，基于該模型可以生成一個(gè)數(shù)據(jù)集，用于訓(xùn)練處理數(shù)以千計(jì)的每類(lèi)缺陷的神經(jīng)網(wǎng)絡(luò)。

為了構(gòu)建這種神經(jīng)網(wǎng)絡(luò)的工作原型，選擇了超聲波輸入角為α=0（嚴(yán)格向下）的通道。其幀長(zhǎng)（沿鐵軌長(zhǎng)度）增加到1000個(gè)條件點(diǎn)，這對(duì)識(shí)別的準(zhǔn)確性非常重要。

數(shù)學(xué)模型是在LabVIEW環(huán)境中開(kāi)發(fā)的，用于原型設(shè)計(jì)和建模。所獲得的數(shù)學(xué)模型不僅考慮從反射器獲得的波形，而且考慮振幅的分布。在公共參數(shù)模型的輸出處獲得的每個(gè)幀都是唯一的，這是因?yàn)樵撃Ｐ偷拿總€(gè)參數(shù)都有隨機(jī)生成器。表3和表4顯示了鐵軌中各個(gè)異質(zhì)結(jié)構(gòu)的測(cè)量數(shù)據(jù)和模型數(shù)據(jù)的BSCAN示例。

表3：鐵軌螺栓孔的實(shí)測(cè)數(shù)據(jù)和模型數(shù)據(jù)的BSCAN示例

表4：30組實(shí)測(cè)缺陷和模型缺陷掃描（表面缺陷和軌頭缺陷）

將單個(gè)鐵軌故障的超聲波檢查的測(cè)量數(shù)據(jù)與獲得的模型數(shù)據(jù)進(jìn)行比較，可以了解它們的相似性。建議基于神經(jīng)網(wǎng)絡(luò)識(shí)別實(shí)際缺陷的準(zhǔn)確性指標(biāo)來(lái)檢查所獲得模型的適當(dāng)性，該神經(jīng)網(wǎng)絡(luò)將從模型數(shù)據(jù)中學(xué)習(xí)。

從不同的鐵軌故障模型中，可以獲得對(duì)鐵軌進(jìn)行超聲波檢查的幀。與此同時(shí)，模型的參數(shù)將會(huì)發(fā)生變化，以獲得在實(shí)際條件下可能發(fā)生的各種組合，也就是：

各種深度的缺陷;

各種坐標(biāo)的缺陷;

以螺栓孔的形式存在的缺陷和過(guò)程反射器的各個(gè)相對(duì)位置;

根據(jù)螺栓孔數(shù)的不同，螺栓連接的組合方式不同;

鐵軌中不同形式的缺陷和工藝異質(zhì)結(jié)構(gòu);

鐵軌中所有異類(lèi)結(jié)構(gòu)的振幅響應(yīng)隨機(jī)性。

模型數(shù)據(jù)樣本的示例

圖5顯示了具有30組缺陷-表面缺陷和軌頭缺陷模型幀的樣本。

圖5：具有30組缺陷的模型幀樣本—表面缺陷和軌頭缺陷

為了進(jìn)行比較，圖6顯示了來(lái)自Avikon-11檢測(cè)儀的實(shí)際數(shù)據(jù)。

圖6：具有第30組缺陷的真實(shí)幀的樣本—表面缺陷（軌頭缺陷）

圖7顯示了具有33組缺陷—軌頸缺陷模型幀的樣本。

圖7：具有33組缺陷—軌頸缺陷模型幀的樣本

為了進(jìn)行比較，圖8顯示了來(lái)自Avikon-11檢測(cè)儀的實(shí)際數(shù)據(jù)。

圖8：具有33組缺陷-軌頸缺陷實(shí)際幀的樣本

圖9顯示了具有55組缺陷（軌頸中的缺陷）模型幀的樣本。圖10顯示了具有55組缺陷的實(shí)際幀。

圖9：具有55組缺陷-—軌頸缺陷模型幀的樣本

圖10：具有55組缺陷—-軌頸缺陷實(shí)際幀的樣本

圖11顯示了具有無(wú)缺陷條件（帶有和不帶有螺栓孔）模型幀的樣本。

圖11：處于無(wú)缺陷狀態(tài)（有螺栓孔和不帶有螺栓孔）模型幀的樣本

根據(jù)表5為每組模型幀分配一個(gè)類(lèi)別編號(hào)（編碼標(biāo)記）

表5-分配類(lèi)別

創(chuàng)建的數(shù)學(xué)模型使得有可能針對(duì)4個(gè)給定的類(lèi)別（如上表中的0、1、2、3）生成10000個(gè)訓(xùn)練數(shù)據(jù)、1000個(gè)驗(yàn)證數(shù)據(jù)和1000個(gè)測(cè)試數(shù)據(jù)的平衡集。這樣一個(gè)數(shù)據(jù)集的生成時(shí)間為10分鐘。

想法的有效性

此外，這項(xiàng)工作還進(jìn)行了卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型的綜合、訓(xùn)練以及對(duì)創(chuàng)建的數(shù)據(jù)集的綜合（模型）數(shù)據(jù)的驗(yàn)證。實(shí)踐表明，其訓(xùn)練數(shù)據(jù)的識(shí)別準(zhǔn)確率為98%，測(cè)試數(shù)據(jù)的識(shí)別準(zhǔn)確率為97%。

為了檢查識(shí)別實(shí)際缺陷幀（由檢測(cè)儀測(cè)量）的準(zhǔn)確性，將來(lái)自控制死區(qū)的標(biāo)記幀（通過(guò)Avikon-11檢測(cè)儀檢查數(shù)據(jù)集，這里有3000個(gè)樣本）提供給所創(chuàng)建的神經(jīng)網(wǎng)絡(luò)的輸入。對(duì)Avikon-11型檢測(cè)儀實(shí)測(cè)數(shù)據(jù)的識(shí)別準(zhǔn)確率為92%。

獲得的精度是一個(gè)很好的結(jié)果。但是采用一些方法可以提高精度。失配矩陣（如圖12所示）有助于了解神經(jīng)網(wǎng)絡(luò)在哪些幀上出錯(cuò)。

圖12：失配矩陣

在分析矩陣之后，很明顯，神經(jīng)網(wǎng)絡(luò)會(huì)在3類(lèi)（缺陷組-55）的幀中做出主要預(yù)測(cè)誤差，而在0類(lèi)（無(wú)缺陷狀態(tài)）的幀中進(jìn)行預(yù)測(cè)，神經(jīng)網(wǎng)絡(luò)將其識(shí)別為一個(gè)螺栓孔的位置。由于其相似性，導(dǎo)致第55組出現(xiàn)缺陷（如圖13所示）。在這種情況下，有必要添加其他通道的信息符號(hào)，從而提高預(yù)測(cè)的準(zhǔn)確性（在這種情況下通常是軌頸控制通道，這是由于存在螺栓孔）。這對(duì)圖13進(jìn)行了解釋。

圖13：將幀錯(cuò)誤分配給3類(lèi)的示例

目前，在識(shí)別系統(tǒng)中已添加了在神經(jīng)網(wǎng)絡(luò)已“決定”分類(lèi)的幀上突出顯示信息符號(hào)的算法（圖14中的黃色背景）。

結(jié)論和進(jìn)一步的發(fā)展策略

獲得的92%的準(zhǔn)確度表明了將模型數(shù)據(jù)用于訓(xùn)練網(wǎng)絡(luò)的可能性，并將其應(yīng)用于自動(dòng)識(shí)別鐵軌超聲檢測(cè)的實(shí)際缺陷圖，從而解決了訓(xùn)練數(shù)據(jù)量少的問(wèn)題，這將顯著加快采用自動(dòng)缺陷識(shí)別系統(tǒng)生成軟件的進(jìn)程。這一想法的進(jìn)一步發(fā)展包括以下步驟：

（1）軌頭控制通道、軌頸控制通道、軌底控制通道的模型綜合。

（2）調(diào)整模型以消除噪音。

（3）將生成的缺陷“植入”（放置和引入）到實(shí)際缺陷圖（具有引入缺陷的真實(shí)噪聲圖）。

（4）改進(jìn)模型以提高神經(jīng)網(wǎng)絡(luò)的精度。

工作原型所提出的發(fā)展階段將允許增加：

缺陷識(shí)別的準(zhǔn)確性

已識(shí)別的缺陷類(lèi)別的數(shù)量

創(chuàng)建一個(gè)完整的系統(tǒng)，以通過(guò)所選檢測(cè)儀的所有測(cè)量通道來(lái)自動(dòng)檢測(cè)缺陷。

所獲得的模型可以適合所需的檢測(cè)儀。
編輯：lyn