CN107290428B - 基于深度学习的超声波铁轨探伤小车系统及其控制方法 - Google Patents
基于深度学习的超声波铁轨探伤小车系统及其控制方法 Download PDFInfo
- Publication number
- CN107290428B CN107290428B CN201710488158.1A CN201710488158A CN107290428B CN 107290428 B CN107290428 B CN 107290428B CN 201710488158 A CN201710488158 A CN 201710488158A CN 107290428 B CN107290428 B CN 107290428B
- Authority
- CN
- China
- Prior art keywords
- trolley
- ultrasonic
- rail
- flaw detection
- personal computer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
- B61D15/00—Other railway vehicles, e.g. scaffold cars; Adaptations of vehicles for use on railways
- B61D15/08—Railway inspection trolleys
- B61D15/12—Railway inspection trolleys power propelled
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
- B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
- B61K9/08—Measuring installations for surveying permanent way
- B61K9/10—Measuring installations for surveying permanent way for detecting cracks in rails or welds thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
- G01N29/0654—Imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/26—Scanned objects
- G01N2291/262—Linear objects
- G01N2291/2623—Rails; Railroads
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于深度学习的超声波铁轨探伤小车系统及其控制方法,该超声波铁轨探伤小车系统包括探伤系统、小车控制器和第一工控机;所述探伤系统包括第二工控机、喷淋机构、涂料机构和与第二工控机连接的超声波探轮;所述超声波探轮包括填充有耦合剂的胶轮,和设置在胶轮上的超声波换能器;所述小车控制器控制小车沿铁轨运动或对小车制动,还分别与第一工控机、第二工控机、喷淋机构和涂料机构连接。小车结构采用模块化的设计方法,能够实现小车重要部件的快速拆装;本发明同时将深度学习运用到铁轨探伤应用中,实现探伤数据实时、高效、高准确率的检测。
Description
技术领域
本发明涉及铁轨探伤领域,具体涉及一种基于深度学习的超声波铁轨探伤小车系统及其控制方法。
背景技术
随着近年来我国铁路运输行业的快速发展,铁路里程也大大增加,对于铁路的安全可靠性的要求也大大提高,相应地也为铁路维护检修工作提出了更高的要求。
现阶段我国的铁路探伤设备主要以人工手推式的小型探伤车为主,具有穿透能力强、检测敏感性好、检出率较高的优点,但其探伤效率低下,正常运行的探伤速率为2km/h之内,加之操作时要操作人员手推探伤车前行,将耗费很大人力,也会影响探伤车的运行平稳性,探伤结果也会受操作人员的经验、造作习惯等人为因素的影响,不可避免地会由于人为因素造成偏差。
国外的探伤检测公司一般和铁路系统是分离的,铁路探伤检测设备一般为大型超声钢轨探伤车,探伤系统搭载轮式或滑靴式的探伤轮,该探伤车功能齐全,检测速率高,同时具有监测准确性好的优点。但是大型超声钢轨探伤车成本极高,其检测环境受限因素较多,一般需要轨面平整清洁,而且检测方式为离线式的轨道检测,无法在运行时直接完成探伤数据处理。
发明内容
本发明的目的是提供一种基于深度学习的超声波铁轨探伤小车系统及其控制方法,以解决上述现有技术的不足。
为达到上述目的,本发明提供了一种基于深度学习的超声波铁轨探伤小车系统,包括探伤系统、小车控制器和第一工控机;所述探伤系统包括第二工控机、喷淋机构、涂料机构和与第二工控机连接的超声波探轮;所述超声波探轮包括填充有耦合剂的胶轮,和设置在胶轮上的超声波换能器;所述小车控制器控制小车沿铁轨运动或对小车制动,还分别与第一工控机、第二工控机、喷淋机构和涂料机构连接;
在任意一个循环的探伤作业中,所述喷淋机构根据所述小车控制器向其发送的启动信号,将耦合剂喷洒在铁轨表面;
所述第二工控机将所述小车控制器发送的启动信号提供给超声波探轮,以驱使所述超声波探轮的超声波换能器向铁轨发出超声波信号并接收来自铁轨的反射信号;所述第二工控机还接收所述反射信号进行处理,得到超声波探伤图像信息;
所述第一工控机包含有基于深度神经网络模型的深度学习模块,其根据超声波探伤图像信息进行判断,将铁轨是否存在缺陷的状态信息输出给所述小车控制器;
所述小车控制器根据铁轨不存在缺陷的状态信息,发送执行下一循环的探伤作业的启动信号;或者,所述小车控制器根据铁轨存在缺陷的状态信息,驱使所述涂料机构将涂料喷涂在存在缺陷的铁轨上进行标记后,发送执行下一循环的探伤作业的启动信号。
上述的基于深度学习的超声波铁轨探伤小车系统,其中,所述超声波铁轨探伤小车系统还包括与小车控制器连接的驱动系统和与驱动系统连接的车轮,所述驱动系统包括与小车控制器连接的电机驱动器、与电机驱动器连接的电机和分别与电机和车轮连接的传动机构;在需要小车行驶时,小车控制器发送启动信号至电机驱动器,进而使与电机驱动器连接的电机通过传动机构带动车轮运动;在需要小车行驶时,小车控制器发送启动信号至驱动系统,进而驱动车轮前进。
上述的基于深度学习的超声波铁轨探伤小车系统,其中,所述超声波铁轨探伤小车系统还包括分别与小车控制器和车轮连接的制动系统,所述制动系统包括与小车控制器连接的制动器和分别与制动器和车轮连接的减速机;在需要小车制动时,小车控制器发送制动信号至制动器,进而通过与制动器连接的减速机对车轮进行制动;在需要小车制动时,小车控制器发送制动信号至制动系统,进而使车轮制动。
上述的基于深度学习的超声波铁轨探伤小车系统,其中,所述小车控制器包含有里程计,其用于计算小车所行驶的里程数;当所述小车控制器接收到铁轨存在缺陷的状态信息时,所述小车控制器通过里程计记录该缺陷的里程信息。
上述的基于深度学习的超声波铁轨探伤小车系统,其中,所述超声波铁轨探伤小车系统还包括用于给所述小车系统各部分供电的供电系统;所述喷淋机构包括耦合剂箱和分别与耦合剂箱和小车控制器连接的喷淋耦合剂泵;所述涂料机构包括涂料箱和分别与涂料箱和小车控制器连接的涂料喷头;所述超声波铁轨探伤小车系统设置在车体上;所述车体上部设置有用于放置耦合剂箱的耦合剂箱柜和用于放置供电系统的供电系统柜;所述耦合剂箱柜和供电系统柜内部的底面两侧设置有滑道;所述超声波铁轨探伤小车还包括底部设置有与所述滑道匹配的活动轨的耦合剂箱架和供电系统架,其用于将耦合剂箱和供电系统以可抽出的方式分别放置于耦合剂箱柜和供电系统柜内。
上述的基于深度学习的超声波铁轨探伤小车系统,其中,所述超声波铁轨探伤小车系统还包括用于悬挂超声波探轮的探轮支架,其分别与超声波探轮和车体底部连接,并使得所述超声波探轮悬挂于铁轨的上方。
上述的基于深度学习的超声波铁轨探伤小车系统,其中,所述探轮支架包括分别与超声波探轮和车体底部连接的探轮安装支架及设置在探轮安装支架上的高度调整装置;所述高度调整装置用于调整超声波探轮相对于铁轨的位置。
本发明还提供了一种深度神经网络模型的构建方法,所述深度神经网络模型适用于上述的基于深度学习的超声波铁轨探伤小车系统的深度学习模块,所述构建方法包含以下步骤:
步骤S1、将历史的超声波探伤图像数据按照正常铁轨和不同缺陷形式的铁轨进行分类;
步骤S2、将经步骤S1分类后的超声波探伤图像数据转化为二进制数据并进行序列化,以转变为探伤训练数据集;
步骤S3、将步骤S2所得到的探伤训练数据集划分为训练集与测试集;
步骤S4、采用自下上升的非监督学习方法进行数据训练,逐层构建单层神经元;首先根据探伤训练数据集训练第一层,在之后的学习过程中,以第n-1层的输出作为第n层的输入,进行第n层的训练,由此计算出各层的具体权重及参数数据,最终得到深度神经网络模型。
本发明还提供了一种上述的基于深度学习的超声波铁轨探伤小车系统的控制方法,其中,所述小车控制器发送启动信号至驱动系统以控制小车沿铁轨前进,同时控制里程计开始记录里程信息;
在进行超声波探伤时,所述小车控制器向喷淋机构以及通过第二工控机向超声波探轮分别发送启动信号;所述喷淋机构接收到启动信号后将耦合剂喷洒在铁轨表面;所述超声波探轮接收到启动信号后通过超声波换能器向铁轨发出超声波信号并接收来自铁轨的反射信号;所述第二工控机对接收到的所述反射信号进行处理并得到超声波探伤图像信息;所述深度学习模块将接收到的所述超声波探伤图像信息进行处理并输出铁轨是否存在缺陷的状态信息;
当所述小车控制器接收到铁轨不存在缺陷的状态信息时,所述小车控制器通过第二工控机向超声波探轮发送启动信号,进而启动下一循环的探伤作业;当所述小车控制器接收到铁轨存在缺陷的状态信息时,所述小车控制器向所述涂料机构发出启动信号,所述涂料机构将涂料喷涂在存在缺陷的铁轨上以进行标记;所述小车控制器在所述涂料箱进行标记后将铁轨存在缺陷的状态信息和该缺陷的里程信息进行存储并通过第二工控机向超声波探轮发送启动信号,进而启动下一循环的探伤作业。
相对于现有技术,本发明具有以下有益效果:
(1)小车结构采用模块化的设计方法及其快速拆装特性,将供电系统、耦合剂箱、超声波探轮等进行模块化的划分,能够实现小车重要部件的快速拆装,方便其重要设备的维护、更换;
(2)将深度学习运用到铁轨探伤应用中,利用预先大量数据训练好的成熟的深度神经网络模型,实现在探伤小车上的探伤数据实时、高效、高准确率检测,同时能够根据探伤数据,不断反馈更新深度神经网络模型,进一步提高检测准确性。
附图说明
图1为本发明基于深度学习的超声波铁轨探伤小车系统的结构示意图;
图2为本发明基于深度学习的超声波铁轨探伤小车系统的工作流程图;
图3为本发明基于深度学习的超声波铁轨探伤小车的结构示意图;
图4为本发明超声波探轮及其探轮支架的结构示意图。
具体实施方式
以下结合附图通过具体实施例对本发明作进一步的描述,这些实施例仅用于说明本发明,并不是对本发明保护范围的限制。
如图1所示,本发明提供了一种基于深度学习的超声波铁轨探伤小车系统,包括探伤系统100、驱动系统200、制动系统300、与驱动系统200和制动系统300连接的车轮400,小车控制器500、第一工控机600以及用于给所述小车系统各部分供电的供电系统700;
所述探伤系统100包括第二工控机110、与第二工控机110连接的超声波探轮120、喷淋机构130和涂料机构140;所述超声波探轮120包括内部充填有耦合剂的胶轮121和设置在胶轮121上的超声波换能器122;所述喷淋机构130包括耦合剂箱131和与耦合剂箱131连接的喷淋耦合剂泵132;所述涂料机构140包括涂料箱141和与涂料箱141连接的涂料喷头142;
所述小车控制器500分别与第一工控机600、第二工控机110、喷淋耦合剂泵132、涂料喷头142、驱动系统200和制动系统300连接;
所述第一工控机600包含有基于深度神经网络模型的深度学习模块610,其用于判断铁轨是否存在缺陷;
在需要小车行驶时,小车控制器500发送启动信号至驱动系统200,进而驱动车轮400前进;在需要小车制动时,小车控制器500发送制动信号至制动系统300,进而使车轮400制动;
如图2所示,在超声波铁轨探伤小车开始工作之前,小车系统开始自检,检查其各部分是否状态正常,若状态异常,则发送错误信息,等待人工处理;若自检正常,则小车开始正常工作。在进行超声波探伤时,所述小车控制器500向喷淋耦合剂泵132以及通过第二工控机110向超声波探轮120分别发送启动信号;所述喷淋耦合剂泵132接收到启动信号后将耦合剂箱131内的耦合剂喷洒在铁轨表面,使超声波探轮120与铁轨之间耦合接触;所述超声波探轮120接收到启动信号后通过超声波换能器122向铁轨发出超声波信号并接收来自铁轨的反射信号,再将所述反射信号回传至所述第二工控机110;所述第二工控机110对接收到的所述反射信号进行处理并得到超声波探伤图像信息,再将所述超声波探伤图像信息回传至小车控制器500;所述小车控制器500将接收到的超声波探伤图像信息传送至第一工控机600的深度学习模块610;所述深度学习模610块将接收到的所述超声波探伤图像信息进行处理并输出铁轨是否存在缺陷的状态信息,再将所述状态信息回传至所述小车控制器500;当所述小车控制器500接收到铁轨不存在缺陷的状态信息时,所述小车控制器500通过第二工控机110向超声波探轮120发送启动信号,进而启动下一循环的探伤作业;当所述小车控制器500接收到铁轨存在缺陷的状态信息时,所述小车控制器500向所述涂料喷头142发出启动信号,所述涂料喷头142将涂料箱141内的涂料喷涂在存在缺陷的铁轨上以进行标记;所述小车控制器500在所述涂料箱141进行标记后将铁轨存在缺陷的状态信息进行存储并通过第二工控机110向超声波探轮120发送启动信号,进而启动下一循环的探伤作业。
上述的基于深度学习的超声波铁轨探伤小车系统,其中,所述驱动系统200包括与小车控制器500连接的电机驱动器210、与电机驱动器210连接的电机220和分别与电机220和车轮400连接的传动机构230;在需要小车行驶时,小车控制器500发送启动信号至电机驱动器210,进而使与电机驱动器210连接的电机220通过传动机构230带动车轮400运动。
上述的基于深度学习的超声波铁轨探伤小车系统,其中,所述制动系统300包括与小车控制器500连接的制动器310和分别与制动器310和车轮400连接的减速机320;在需要小车制动时,小车控制器500发送制动信号至制动器310,进而通过与制动器310连接的减速机320对车轮400进行制动。
上述的基于深度学习的超声波铁轨探伤小车系统,其中,所述小车控制器500包含有里程计510,其用于计算小车所行驶的里程数;当所述小车控制器500接收到铁轨存在缺陷的状态信息时,所述小车控制器500通过里程计510记录该缺陷的里程信息。
上述的基于深度学习的超声波铁轨探伤小车系统,其中,所述深度神经网络模型的构建方法包含以下步骤:
步骤S1、将历史的超声波探伤图像数据按照正常铁轨和不同缺陷形式的铁轨进行分类;
步骤S2、将经步骤S1分类后的超声波探伤图像数据转化为二进制数据并进行序列化,以转变为探伤训练数据集;
步骤S3、将步骤S2所得到的探伤训练数据集划分为训练集与测试集;
步骤S4、采用自下上升的非监督学习方法进行数据训练,逐层构建单层神经元;首先根据探伤训练数据集训练第一层,在之后的学习过程中,以第n-1层的输出作为第n层的输入,进行第n层的训练,n为大于2的正整数,由此计算出各层的具体权重及参数数据,最终得到深度神经网络模型。
如图3所示,本发明还提供了一种基于深度学习的超声波铁轨探伤小车,其中,包括车体800和设置在车体800上的上述基于深度学习的超声波铁轨探伤小车系统。
如图4所示,上述的基于深度学习的超声波铁轨探伤小车,其中,所述超声波铁轨探伤小车还包括用于悬挂超声波探轮120的探轮支架900,其分别与超声波探轮120和车体800底部连接,并使得所述超声波探轮120悬挂于铁轨的上方。
上述的基于深度学习的超声波铁轨探伤小车,其中,所述探轮支架900包括分别与超声波探轮120和车体800底部连接的探轮安装支架910及设置在探轮安装支架910上的高度调整装置920;所述高度调整装置920用于调整超声波探轮120相对于铁轨的位置。
上述的基于深度学习的超声波铁轨探伤小车,其中,所述超声波铁轨探伤小车还包括设置在车体800上部的用于放置耦合剂箱131的耦合剂箱柜133和用于放置供电系统700的供电系统柜710。
上述的基于深度学习的超声波铁轨探伤小车,其中,所述耦合剂箱柜133和供电系统柜710内部的底面两侧设置有滑道1000;所述超声波铁轨探伤小车还包括底部设置有与所述滑道1000匹配的活动轨的耦合剂箱架134和供电系统架720,其用于将耦合剂箱131和供电系统700以可抽出的方式分别放置于耦合剂箱柜133和供电系统柜710内。
在上述第一工控机的超声波轨道探伤数据处理过程中,结合深度学习,通过大量数据训练得到的深度神经网络模型来进行数据的处理分析。超声波轨道探伤小车在探伤过程中需要处理的数据量往往比较大,传统的数据处理方法无法做到实时的在线监测,且其探伤缺陷的自动识别准确性往往较低,无法满足实际应用的需求。因此本发明中将深度学习的方法融入到轨道探伤的自动识别处理中,通过预先训练的深度神经网络模型进行实时数据处理分析。
在基于深度学习的超声波探伤数据处理方法中,在训练数据集的构建过程中,首先将历史的探伤图片数据按照正常铁轨及缺陷铁轨(如正常、白点、气泡、划痕、折断等)进行分类,再将探伤图片数据转化为二进制数据并进行序列化,进而转变为探伤训练数据集。具体的训练集与测试集按照5:1的比例进行划分。在数据训练的过程中,采用自下上升的非监督学习方法,逐层构建单层神经元,首先根据数据集训练第一层,在之后的学习过程中,以第n-1层的输出作为第n层的输入,进行第n层的训练,由此得到各层的具体权重及参数数据,最终得到深度神经网络模型。
在超声波探伤小车的实际使用中,第一工控机接收到超声波探伤图像数据之后,输入到预先针对轨道探伤应用训练的深度神经网络模型中,通过该模型进行探伤数据的分析,得到轨道缺陷检测的结果。该深度神经网络模型由大量已知的轨道探伤数据在高性能计算机中进行训练而得到的,包含了轨道探伤中的多层次的特征信息,能够保障绝大部分情况下轨道探伤分析结果的正确性。
在后续的轨道探伤过程中,继续通过现有获取得到的轨道探伤数据,丰富深度神经网络的训练集合,进行进一步的神经网络训练,并不断的更新深度神经网络模型,进一步提高其自动探伤的准确性。
综上所述,小车结构采用模块化的设计方法及其快速拆装特性,将供电系统、耦合剂箱、超声波探轮等进行模块化的划分,能够实现小车重要部件的快速拆装,方便其重要设备的维护、更换;
本发明同时将深度学习运用到铁轨探伤应用中,利用预先大量数据训练好的成熟的深度神经网络模型,实现在探伤小车上的探伤数据实时、高效、高准确率检测,同时能够根据探伤数据,不断反馈更新深度神经网络模型,进一步提高检测准确性。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (9)
1.一种基于深度学习的超声波铁轨探伤小车系统,其特征在于,包括探伤系统、小车控制器和第一工控机;所述探伤系统包括第二工控机、喷淋机构、涂料机构和与第二工控机连接的超声波探轮;所述超声波探轮包括填充有耦合剂的胶轮,和设置在胶轮上的超声波换能器;所述小车控制器控制小车沿铁轨运动或对小车制动,还分别与第一工控机、第二工控机、喷淋机构和涂料机构连接;
在任意一个循环的探伤作业中,所述喷淋机构根据所述小车控制器向其发送的启动信号,将耦合剂喷洒在铁轨表面;
所述第二工控机将所述小车控制器发送的启动信号提供给超声波探轮,
以驱使所述超声波探轮的超声波换能器向铁轨发出超声波信号并接收来自铁轨的反射信号;所述第二工控机还接收所述反射信号进行处理,得到超声波探伤图像信息;
所述第一工控机包含有基于深度神经网络模型的深度学习模块,其根据超声波探伤图像信息进行判断,将铁轨是否存在缺陷的状态信息输出给所述小车控制器;
所述小车控制器根据铁轨不存在缺陷的状态信息,发送执行下一循环的探伤作业的启动信号;或者,所述小车控制器根据铁轨存在缺陷的状态信息,驱使所述涂料机构将涂料喷涂在存在缺陷的铁轨上进行标记后,
发送执行下一循环的探伤作业的启动信号。
2.如权利要求1所述的基于深度学习的超声波铁轨探伤小车系统,其特征在于,所述超声波铁轨探伤小车系统还包括与小车控制器连接的驱动系统和与驱动系统连接的车轮,所述驱动系统包括与小车控制器连接的电机驱动器、与电机驱动器连接的电机和分别与电机和车轮连接的传动机构;在需要小车行驶时,小车控制器发送启动信号至电机驱动器,进而使与电机驱动器连接的电机通过传动机构带动车轮运动;在需要小车行驶时,小车控制器发送启动信号至驱动系统,进而驱动车轮前进。
3.如权利要求2所述的基于深度学习的超声波铁轨探伤小车系统,其特征在于,所述超声波铁轨探伤小车系统还包括分别与小车控制器和车轮连接的制动系统,所述制动系统包括与小车控制器连接的制动器和分别与制动器和车轮连接的减速机;在需要小车制动时,小车控制器发送制动信号至制动器,进而通过与制动器连接的减速机对车轮进行制动;在需要小车制动时,小车控制器发送制动信号至制动系统,进而使车轮制动。
4.如权利要求1所述的基于深度学习的超声波铁轨探伤小车系统,其特征在于,所述小车控制器包含有里程计,其用于计算小车所行驶的里程数;当所述小车控制器接收到铁轨存在缺陷的状态信息时,所述小车控制器通过里程计记录该缺陷的里程信息。
5.如权利要求1所述的基于深度学习的超声波铁轨探伤小车系统,其特征在于,所述超声波铁轨探伤小车系统还包括用于给所述小车系统各部分供电的供电系统;所述喷淋机构包括耦合剂箱和分别与耦合剂箱和小车控制器连接的喷淋耦合剂泵;所述涂料机构包括涂料箱和分别与涂料箱和小车控制器连接的涂料喷头;所述超声波铁轨探伤小车系统设置在车体上;所述车体上部设置有用于放置耦合剂箱的耦合剂箱柜和用于放置供电系统的供电系统柜;所述耦合剂箱柜和供电系统柜内部的底面两侧设置有滑道;所述超声波铁轨探伤小车还包括底部设置有与所述滑道匹配的活动轨的耦合剂箱架和供电系统架,其用于将耦合剂箱和供电系统以可抽出的方式分别放置于耦合剂箱柜和供电系统柜内。
6.如权利要求5所述的基于深度学习的超声波铁轨探伤小车系统,其特征在于,所述超声波铁轨探伤小车系统还包括用于悬挂超声波探轮的探轮支架,其分别与超声波探轮和车体底部连接,并使得所述超声波探轮悬挂于铁轨的上方。
7.如权利要求6所述的基于深度学习的超声波铁轨探伤小车系统,其特征在于,所述探轮支架包括分别与超声波探轮和车体底部连接的探轮安装支架及设置在探轮安装支架上的高度调整装置;所述高度调整装置用于调整超声波探轮相对于铁轨的位置。
8.一种深度神经网络模型的构建方法,其特征在于,所述深度神经网络模型适用于如权利要求1-7中任意一项所述的基于深度学习的超声波铁轨探伤小车系统的深度学习模块,所述构建方法包含以下步骤:
步骤S1、将历史的超声波探伤图像数据按照正常铁轨和不同缺陷形式的铁轨进行分类;
步骤S2、将经步骤S1分类后的超声波探伤图像数据转化为二进制数据并进行序列化,以转变为探伤训练数据集;
步骤S3、将步骤S2所得到的探伤训练数据集划分为训练集与测试集;
步骤S4、采用自下上升的非监督学习方法进行数据训练,逐层构建单层神经元;首先根据探伤训练数据集训练第一层,在之后的学习过程中,
以第n-1层的输出作为第n层的输入,进行第n层的训练,由此计算出各层的具体权重及参数数据,最终得到深度神经网络模型。
9.一种如权利要求1-7中任意一项所述的基于深度学习的超声波铁轨探伤小车系统的控制方法,其特征在于,所述小车控制器发送启动信号至驱动系统以控制小车沿铁轨前进,同时控制里程计开始记录里程信息;
在进行超声波探伤时,所述小车控制器向喷淋机构以及通过第二工控机向超声波探轮分别发送启动信号;所述喷淋机构接收到启动信号后将耦合剂喷洒在铁轨表面;所述超声波探轮接收到启动信号后通过超声波换能器向铁轨发出超声波信号并接收来自铁轨的反射信号;所述第二工控机对接收到的所述反射信号进行处理并得到超声波探伤图像信息;所述深度学习模块将接收到的所述超声波探伤图像信息进行处理并输出铁轨是否存在缺陷的状态信息;
当所述小车控制器接收到铁轨不存在缺陷的状态信息时,所述小车控制器通过第二工控机向超声波探轮发送启动信号,进而启动下一循环的探伤作业;当所述小车控制器接收到铁轨存在缺陷的状态信息时,所述小车控制器向所述涂料机构发出启动信号,所述涂料机构将涂料喷涂在存在缺陷的铁轨上以进行标记;所述小车控制器在所述涂料箱进行标记后将铁轨存在缺陷的状态信息和该缺陷的里程信息进行存储并通过第二工控机向超声波探轮发送启动信号,进而启动下一循环的探伤作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710488158.1A CN107290428B (zh) | 2017-06-23 | 2017-06-23 | 基于深度学习的超声波铁轨探伤小车系统及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710488158.1A CN107290428B (zh) | 2017-06-23 | 2017-06-23 | 基于深度学习的超声波铁轨探伤小车系统及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107290428A CN107290428A (zh) | 2017-10-24 |
CN107290428B true CN107290428B (zh) | 2020-02-07 |
Family
ID=60098447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710488158.1A Active CN107290428B (zh) | 2017-06-23 | 2017-06-23 | 基于深度学习的超声波铁轨探伤小车系统及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107290428B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748203B (zh) * | 2017-11-16 | 2024-01-26 | 西安石油大学 | 一种智能自循迹焊缝探伤机器人 |
US11078631B2 (en) * | 2017-11-30 | 2021-08-03 | Sperry Rail Holdings, Inc. | System and method for inspecting a rail using machine learning |
CN108956786A (zh) * | 2018-06-13 | 2018-12-07 | 西安理工大学 | 一种自动化非接触式轨道探伤车 |
CN108956787B (zh) * | 2018-06-13 | 2021-04-06 | 西安理工大学 | 一种基于神经网络的钢轨损伤检测方法 |
CN108944997A (zh) * | 2018-10-19 | 2018-12-07 | 四川理工学院 | 一种智能轨道探伤组合车及控制方法 |
CN109975412A (zh) * | 2019-03-29 | 2019-07-05 | 中国电建集团华东勘测设计研究院有限公司 | 基于超声波频谱深度迁移学习的岩心单轴抗压强度测定方法及装置 |
CN110068666B (zh) * | 2019-05-08 | 2019-11-22 | 陈文娟 | 一种轨道裂纹检测的预警装置 |
CN110320285A (zh) * | 2019-07-08 | 2019-10-11 | 创新奇智(青岛)科技有限公司 | 一种基于超声波信号的钢轨缺陷识别方法、系统及电子设备 |
CN112816557B (zh) * | 2019-11-18 | 2022-02-18 | 中国商用飞机有限责任公司 | 一种缺陷检测方法、装置、设备和存储介质 |
CN112649513A (zh) * | 2020-12-30 | 2021-04-13 | 天津精益铁安机电技术有限公司 | 一种基于图像识别的铁路人工智能判伤方法 |
CN112903825A (zh) * | 2021-01-19 | 2021-06-04 | 昆明论道机械制造有限公司 | 一种可快速检测铁轨表面裂痕的检测设备及其检测方法 |
CN113703457B (zh) * | 2021-08-31 | 2024-01-05 | 中铁第四勘察设计院集团有限公司 | 一种模块化的轨道式巡检机器人系统 |
CN114199562B (zh) * | 2021-12-14 | 2022-06-14 | 江苏省特种设备安全监督检验研究院 | 一种起重机传动机构故障监测装置及方法 |
CN114919618B (zh) * | 2022-05-24 | 2023-04-18 | 郑州铁路职业技术学院 | 一种铁路轨道探伤装置及其探伤方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE394873B (sv) * | 1974-10-03 | 1977-07-18 | Tekniska Roentgencentralen Ab | Transportanleggning, avsedd att anbringas pa eller invid en yta pa ett foremal for inspektion av densamma helt eller delvis, innefattande en inspektionsvagn |
CN201081765Y (zh) * | 2007-06-07 | 2008-07-02 | 章罕 | 超声波轮式探头 |
CN201882114U (zh) * | 2010-12-01 | 2011-06-29 | 南车洛阳机车有限公司 | 用于检测城市轻轨钢轨的探伤车 |
CN203793342U (zh) * | 2013-12-18 | 2014-08-27 | 上海铁路局科学技术研究所 | 双轨自走行钢轨探伤小车 |
CN104739452B (zh) * | 2013-12-30 | 2019-02-12 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像装置及方法 |
CN105946878B (zh) * | 2016-04-27 | 2018-09-18 | 上海市东方海事工程技术有限公司 | 一种地铁双轨钢轨探伤车 |
CN106248801B (zh) * | 2016-09-06 | 2019-06-14 | 哈尔滨工业大学 | 一种基于多声发射事件概率的钢轨裂纹检测方法 |
CN106525971A (zh) * | 2016-11-16 | 2017-03-22 | 西安理工大学 | 便携式自动超声波无损探伤定位仪及其检测轨道的方法 |
CN106596730B (zh) * | 2017-01-26 | 2024-04-30 | 中国铁道科学研究院集团有限公司 | 一种探轮更换机构、钢轨探伤小车及在线更换探轮的方法 |
-
2017
- 2017-06-23 CN CN201710488158.1A patent/CN107290428B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107290428A (zh) | 2017-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107290428B (zh) | 基于深度学习的超声波铁轨探伤小车系统及其控制方法 | |
CN109910947B (zh) | 搭载式轨道健康状态动态监测与智慧分析系统及方法 | |
CN205524254U (zh) | 一种地铁双轨钢轨探伤车 | |
CN105946878A (zh) | 一种地铁双轨钢轨探伤车 | |
CN110789566B (zh) | 基于轴箱加速信号的轨道缺陷监测方法及监测设备 | |
CN107585172A (zh) | 可自动行走的轨道检测仪 | |
CN110606096A (zh) | 一种空铁轨道梁内部巡检及清扫设备 | |
CN109459128B (zh) | 一种汽车燃油箱油液晃动噪声测试系统 | |
CN212500409U (zh) | 一种轻便型轨道检测装置 | |
CN110217264A (zh) | 车辆轮对检测装置、方法及系统 | |
CN208453013U (zh) | 移动检测机器人搭载2d激光雷达扫描车轴的定位系统 | |
CN214201293U (zh) | 一种地铁铁轨检测装置 | |
CN208602482U (zh) | 一种沿游乐设施轨道主动行走的轨道检测装置 | |
CN108423032B (zh) | 基于北斗导航卫星的遥控轨道测量车及其测量检测方法 | |
CN106826772A (zh) | 一种具有主动波浪补偿功能的机器人系统 | |
CN111376930B (zh) | 一种轨道系统的检测和维护装置及方法 | |
CN116499727A (zh) | 高速列车雨刮器的检测装置和检测控制方法 | |
CN106740980A (zh) | 一种钢轨打磨车用波磨轨廓检测装置 | |
CN104903175A (zh) | 用于分析撒布剂和用于控制播撒撒布剂到用于轨道车辆的轨道上的方法和装置 | |
CN110961908A (zh) | 飞机发动机自动对接调姿安装系统 | |
CN107121302B (zh) | 一种轮轨润滑综合检测装置及方法 | |
CN108956786A (zh) | 一种自动化非接触式轨道探伤车 | |
CN214689821U (zh) | 一种高铁箱梁巡检机器人 | |
CN211471997U (zh) | 一种基于图像识别的钢轨激光强化车 | |
KR20150049398A (ko) | 차륜 비분리형 초음파 탐상장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |