Применение искусственного интеллекта для фильтрации оптических изображений дефектов на поверхности колеса и восстановление пропущенных участков данных на основе гостированной формы обода колеса

Введение. Современные тенденции развития железнодорожного транспорта, связанные с повышением скоростей и грузонапряженности, предъявляют новые требования к системам технического диагностирования. Особую критическую значимость приобретает контроль состояния колесных пар, поскольку их дефекты напрямую влияют на безопасность движения. Традиционные методы диагностики требуют остановки состава и обладают низкой оперативностью. Существующие оптические системы зачастую неспособны функционировать в условиях высокоскоростного движения и интенсивных электромагнитных помех, что серьезно затрудняет непрерывный мониторинг.
Цель работы. Разработка и апробация автоматизированной оптической системы, обеспечивающей высокоскоростной мониторинг геометрии поверхности катания колес в реальном времени без остановки подвижного состава.
Материалы и методы. Предлагаемая система размещается ниже головки рельса и включает массив из восьми термостабилизированных импульсных лазеров, синхронизированных с высокочувствительными КМОП-матрицами. Методологической основой служит темнопольная схема регистрации, позволяющая селективно отделять сигнал от дефектов на фоне помех. Для устранения интерференционных искажений применяется оригинальный алгоритм последовательного раздельного сканирования элементов колеса. Обработка полученных данных выполняется с использованием алгоритмов на основе искусственного интеллекта. Экспериментальная проверка реализуется в лабораторных условиях на стенде и в ходе натурных испытаний на железнодорожном перегоне.
Результаты. Эксперименты подтверждают устойчивую работоспособность системы при скоростях движения до 100 км/ч, а т акже ее высокую помехоустойчивость к электромагнитным воздействиям. Интеллектуальные алгоритмы обработки данных обеспечивают определение геометрических параметров профиля колеса с точностью до 0.2 мм. Применение искусственного интеллекта позволяет эффективно подавлять остаточные помехи, регистрируемые матрицей.
Заключение. Разработанная система демонстрирует значительное преимущество перед традиционными методами, обеспечивая оперативный контроль без остановки движения. В отличие от существующих аналогов предложенное решение адаптировано к эксплуатации в сложных условиях высоких скоростей и помех. Внедрение данной технологии закладывает основу для перехода к предиктивной аналитике и техническому обслуживанию по фактическому состоянию в железнодорожной отрасли.

1. Manifold-Contrastive Broad Learning System for Wheelset Bearing Fault Diagnosis / N. Wang, L. Jia, H. Zhang, Y. Qin, Z. Wang, X. Zhao // IEEE Trans. on Intelligent Transportation Systems. 2023. Vol. 24, № 9. P. 9886–9900. doi: 10.1109/TITS.2023.3274256

2. Особенности работы лазерного профилометра в автоматизированной системе управления подвижным составом / К. Г. Аринушкина, А. С. Ададуров, И. Ю. Савельев, В. В. Давыдов // Науч.-техн. ведомости СПбГПУ. Физ.-мат. науки. 2023. Т. 16, № 3.2. С. 56–62. (In Eng.) doi: 10.18721/ JPM.163.209

3. Portable contactless caliper / K. Boonmeeprakob, A. Phanpumnak, C. Punwong, S. Chana, P. Thavarungkul, P. Kanatharana, C. Buranachai // Appl. Optics. 2024. Vol. 63, № 1. P. 122–128. doi: 10.1364/AO.507349

4. Polyakov V., Nearing M. A simple automated laser profile meter // Soil Science Society of America J. 2019. Vol. 83, № 2. P. 327–331. doi: 10.2136/sssaj2018.10.0378

5. Abnormal noise monitoring of subway vehicles based on combined acoustic features / Z. Yan, H. Zhu, H. Zhang, H. Wan, B. Liu // Applied Acoustics. 2022. Vol. 197. Art. № 108951. doi: 10.1016/j.apacoust.2022.108951

6. Jelila Y. D., Pamuła W. Detection of Tram Wheel Faults Using MEMS-Based Sensors // Sensors. 2022. Vol. 22, № 17. Art. № 6373. doi: 10.3390/s22176373

7. Wheel Surface Defect Detection Method Using Laser Sensor and Machine Vision / T. Emoto, A. A. Ravankar, A. Ravankar, T. Emaru, Y. Kobayashi // Proc. 62nd Annual Conf. of the Society of Instrument and Control Engineers, Tsu, Japan, 06–09 Sept. 2023. IEEE, 2023. Vol. 2023. P. 1194–1199. doi: 10.23919/SICE59929.2023.10354134

8. Arinushkina K. G. Overview of Fiber Optic Communications in Railway Transport: Challenges and Impact of Processing Time // Proc. of the 2024 Conf. of Young Researchers in Electrical and Electronic Engineering, St Petersburg, 29–31 Jan. 2024. IEEE, 2024. P. 870–874. doi: 10.1109/ElCon61730.2024.10468372

9. A high-precision method for dynamically measuring train wheel diameter using three laser displacement transducers / F. Zheng, B. Zhang, R. Gao, Q. Feng // Sensors. 2019. Vol. 19, № 19. Art. № 4148. doi: 10.3390/s19194148

10. Optical control of the radius of a wheel rolling on a rail / Yu. N. Dubnishchev, P. Ya. Belousov, V. V. Sotnikov, O. P. Belousova // Optoelectronics, Instrumentation and Data Processing. 2012. Vol. 48, № 1. P. 75‒80. doi: 10.3103/S8756699012010116

11. Мониторинг технического состояния железнодорожного пути с использованием метода непрерывной регистрации динамических процессов, возникающих при взаимодействии подвижного состава и пути / Ю. П. Бороненко, А. В. Третьяков, Р. В. Рахимов, М. В. Зимакова, А. В. Некрасова, О. А. Третьяков // Бюллетень результатов научных исследований. 2021. Вып. 3. С. 66–82. doi: 10.20295/2223-9987-2021-3-66-82

12. A fault diagnosis method of bogie axle box bearing based on spectrum whitening demodulation / Z. Zheng, D. Song, X. Xu, L. Lei // Sensors. 2020. Vol. 20, № 24. Art. № 7155. doi: 10.3390/s20247155

13. Digitally Controlled Frequency-Locked Circuit for Ultrastable Laser / B. Yan, R. Xiao, Z. Cai, H. Sun, Q. Chen // Chinese J. of Lasers. 2024. Vol. 51, № 13. Art. № 130101. doi: 10.3788/CJL240450

14. Deep Convolutional Neural Net-works for Detection of Rail Surface Defects / S. Faghih-Roohi, S. Hajizadeh, A. Núñez, R. Babuska, B. De Schutter // Intern. Joint Conf. on Neural Networks, Vancouver, Canada, 24–29 July 2016. IEEE, 2016. P. 2584–2589. doi: 10.1109/IJCNN.2016.7727522

15. Artificial Intelligence in Railway Transport: Taxonomy, Regulations and Applications / N. Bešinović, L. De Donato, F. Flammini, R. M. P. Goverde, Zh. Lin, R. Liu, S. Marrone, R. Nardone, T. Tang, V. Vittorini // IEEE Trans. on Intelligent Transportation Systems. 2021. Vol. 23, no. 9. P. 14011–14024. doi: 10.1109/TITS.2021.3131637.

16. Разработка перспективного алгоритма расчета и оценки геометрических параметров колесной пары в комплексе КОНЛОК / А. С. Ададуров, И. Ю. Савельев, М. А. Чепулис, К. Г. Аринушкина // Вестн. ВНИИЖТ. 2023. Т. 82, № 3. С. 247‒256. doi: 10.21780/2223-9731-2023-82-3-247-256

17. Automated Non-contact Measurement of Geometric Parameters of Wheels for Safe Movement of Rolling Stock / A. S. Adadurov, I. Y. Savelev, P. I. Tsomaev, K. G. Arinushkina // Proc. of the Ninth Intern. Sci. Conf. Intelligent Information Technologies for Industry. Springer, Cham, 2026. Vol. 1. P. 65‒76. doi: 10.1007/978-3-032-13615-2_7