Tågbaserat differentiellt virvelströmssensorsystem för detektering av fästanordningar på järnväg
Utveckling av ett tågbaserat system för övervakning av spårfel och spårkomponenter genom avvikelsedetektering i det modulerade magnetfält som genereras och mäts av en differentierad virvelströmssensor.
Forskare: Matti Rantatalo (PL), Praneeth Chandran (doktorand), Florian Thiery, Stephen M Famurewa, Johan Odelius, Uday Kumar, Jan Lundberg
Varaktighet: 2017-2022
Sponsor: Trafikverket/JVTC, INFRASWEDEN, IN2SMART
Mål: Huvudmålet med detta projekt är att utveckla en automatiserad inspektionsmetod för järnvägsinfästningar som kan utföras med hjälp av fordonsmonterad differential virvelströmsmätutrustning som används i vanlig trafik.
Projektets status och resultat:
Järnvägstransporter har blivit ett viktigt transportsätt och utgör en viktig bidragande faktor till den ekonomiska tillväxten och den sociala utvecklingen i det moderna samhället genom mobilisering och transport av människor och varor. Tillväxten i den totala efterfrågan på transporter har lett till att järnvägarna upplever högre krav på driftskapacitet, servicekvalitet och säkerhet. En högre operativ kapacitet kan leda till en ökning av trafiken och belastningen på den befintliga infrastrukturen. Ökad belastning och trafik leder till försämring av infrastrukturens kvalitet och nedbrytning av dess komponenter, vilket resulterar i ett större antal underhålls- och förnyelseinsatser. Den stilleståndstid som uppstår till följd av dessa underhålls- och förnyelseåtgärder i järnvägsnätet är ansvarig för nästan hälften av alla förseningar för passagerarna. Därför måste spåret och dess komponenter inspekteras regelbundet för att minska avbrotten i tågtrafiken, sänka kostnaderna och garantera säkerheten. En av de viktigaste komponenterna i järnvägsspår är rälsfästsystemet, som fungerar som ett medel för att fästa rälsen på slipern och upprätthålla spårstabiliteten och spårvidden. Fel på fästanordningarna kan öka slitaget på hjulflänsarna, minska säkerheten vid tågdrift och leda till urspårning på grund av spårviddsökning eller hjulklättring. I Sverige utförs inspektion av spårinfästningar huvudsakligen antingen manuellt av utbildade inspektörer eller med hjälp av mätvagnar. Manuella inspektioner är långsamma, kostnadsintensiva, arbetsintensiva, innebär säkerhetsproblem för underhållspersonal och är benägna att leda till mänskliga fel. Inspektioner baserade på mätvagnar kräver spårinnehav och är kostnadsintensiva och kan därför inte användas ofta utan att driftskapaciteten äventyras. Dessutom begränsar de ogynnsamma väderförhållandena, särskilt i norra Sverige under större delen av året, regelbunden inspektion av fästelement som är beroende av sådana traditionella inspektionsmetoder. Under de senaste två decennierna har maskinseende gradvis införts av järnvägsindustrin som en spårinspektionsteknik, men dessa automatiserade visuella inspektionstekniker är relativt dyra att utföra och blir en utmaning när rälsen och fästelementen är dolda på grund av dammtäckning, yterosion, rost eller täckt av snö eller annat skräp.
Syftet med detta projekt är att underlätta utvecklingen av ett tågbaserat automatiserat system för differentiell virvelströmsmätning för inspektion av järnvägsinfästningssystem samt att upptäcka och analysera avvikelser från inspektionsmätningen av fästelementen. Figur 1 visar fältmätningen som utfördes längs järnmalmslinjen i Sverige med hjälp av sensorsystemet monterat på ett olastat godståg. Sensorn lyckades fånga upp alla fästelementssignaturer från ett avstånd på 110 mm ovanför rälshuvudet under en verklig tågmätning. Signalbehandlingstekniker och metoder för extrahering av funktioner användes för att extrahera användbar information från råsignalen som rörde fästelementens signatur. Oövervakade tekniker för detektering av avvikelser baserade på maskininlärningsalgoritmer implementerades för att identifiera och separera de avvikande datapunkterna från de friska eller normala fästelementen. Figur 2 och Figur 3 visar resultatet av detekteringsalgoritmen för en mätning som utfördes över en spårsträcka på cirka 2,5 km. Detekteringsalgoritmen kunde exakt detektera alla avvikande punkter och separera dem från den friska gruppen av punkter. Den föreslagna klustringsmodellen kunde också upptäcka saknade klämmor (både en och två) från fästsystem och svetsfogar och separera dem med distinkta gränser.
Läs mer om resultaten i doktorsavhandlingen av Praneeth Chandran.
Uppdaterad: