Застосування волокно-оптичних сенсорів і нейромереж для контролю вільності колії та цілісності рейок на залізничному транспорті

Abstract

UA: У даній кваліфікаційній роботі досліджується застосування волоконно-оптичних сенсорів та нейронних мереж для підвищення безпеки та ефективності залізничного транспорту шляхом контролю вільності колії та цілісності рейок. Робота складається з чотирьох основних розділів. У першому розділі виконано аналіз вихідних даних та розроблено структурну схему системи керування і контролю. Розглянуто традиційні методи контролю стану залізничних колій, такі як візуальний огляд, неруйнівні методи контролю (ультразвуковий, вихрострумовий, магнітопорошковий, радіографічний та капілярний контроль), колієвимірювальні візки, рейкові кола та системи лічення вісей, та виявлено їхні недоліки, зокрема суб'єктивність, трудомісткість, обмеження щодо виявлення прихованих дефектів та чутливість до зовнішніх факторів. Висвітлено переваги волоконно-оптичних сенсорів, включаючи їхню стійкість до електромагнітних завад, здатність до моніторингу на великих відстанях, економічну ефективність та можливість збору даних у реальному часі. У другому розділі було створено технічне завдання. Третій розділ присвячений вібраційному аналізу, який є ключовим для оцінки стану рейки та виявлення перешкод. Детально описано природу вібрацій, що генеруються рухомим складом (пасажирськими та вантажними поїздами), їхнє поширення по рейці та механізми загасання. Наведено розрахунки швидкості поздовжніх та поперечних хвиль у сталі та визначено коефіцієнти загасання для вантажних та пасажирських поїздів. Розглянуто, як порушення цілісності рейки (мікротріщини, повні розриви) впливають на спектр сигналу та як ці зміни можуть бути виявлені за допомогою волоконно-оптичних сенсорів, зокрема DAS. Також обговорено виявлення сторонніх предметів за характером відбитої вібрації. Четвертий розділ зосереджений на застосуванні нейронних мереж для обробки сигналів. Обґрунтовано

вибір згорткових нейронних мереж (CNN) для розпізнавання образів, мереж Long Short- Term Memory (LSTM) для обробки часових рядів та автокодувальників для виявлення

аномалій. Проведено порівняння точності розпізнавання подій цими моделями та визначено фактори, що впливають на їхню ефективність. Запропоновано алгоритм класифікації небезпеки за сигналом, що включає три рівні: нормальний стан, попередження та критичний стан, що дозволяє оперативно реагувати на потенційні загрози.

EN: This qualification paper investigates the application of fiber-optic sensors and neural networks to enhance railway transport safety and efficiency by monitoring track occupancy and rail integrity. The work consists of four main sections. The first section analyzes initial data and develops a structural diagram of the control and monitoring system. It reviews traditional railway track condition monitoring methods, such as visual inspection, non-destructive testing

(ultrasonic, eddy current, magnetic particle, radiographic, and penetrant testing), track- measuring trolleys, track circuits, and axle counter systems, highlighting their drawbacks,

including subjectivity, labor-intensiveness, limitations in detecting hidden defects, and susceptibility to environmental factors. The advantages of fiber-optic sensors are emphasized, including their immunity to electromagnetic interference, long-distance monitoring capability, cost-effectiveness, and real-time data acquisition. The second section outlines the technical requirements for the module. The third section focuses on vibration analysis, which is crucial for assessing rail condition and detecting obstacles. It provides a detailed description of the nature of vibrations generated by rolling stock (passenger and freight trains), their propagation along the rail, and attenuation mechanisms. Calculations for the speed of longitudinal and transverse waves in steel are presented, along with attenuation coefficients for freight and passenger trains. The section explains how rail integrity breaches (micro-cracks, complete breaks) affect the signal spectrum and how these changes can be detected using fiber-optic sensors, particularly Distributed Acoustic Sensors (DAS). The detection of foreign objects based on reflected vibration characteristics is also discussed. The fourth section concentrates on the application of neural networks for signal processing. It justifies the selection of Convolutional Neural Networks (CNNs) for pattern recognition, Long Short-Term Memory (LSTM) networks for time series processing, and Autoencoders for anomaly detection. A comparison of event recognition accuracy among these models is presented, and factors influencing their performance are identified. An algorithm for hazard level classification is proposed, encompassing three levels: normal, warning, and critical, enabling prompt responses to potential threats.