Magnetic method of rail track joint gaps automated measurement

封面

如何引用文章

全文:

详细

Introduction. Methods of automatic measurement of rail track joint gaps are not accurate enough or require costly equipment and sensors. This is why joint gaps are still monitored manually in many cases. The work is intended to experiment and examine a new method of automatic measurement of gaps in bolted rail joints using magnetic flaw detection (MFL).

Materials and methods. The paper uses actual track inspection results obtained by a flaw detection car on one of the railroads of Russian Railways. A specially developed programme used magnetic channel signals to highlight bolted rail joint locations and determine the magnitude of the joint gaps. The joint gaps were also measured manually using video images of bolted joints obtained by the on-board rail video recording system.

Results. The authors obtained expressions for calculating the joint gap value using magnetic sensor signals. Small gaps (up to 8 mm) are estimated by amplitude, medium and large gaps (above 9 mm) — by the spatial parameter of the signals from joint gaps. The authors compared the gap measurements from the two specified methods: visual and magnetic.

Discussion and conclusion. The research confirmed that automatic identification of bolted joints and determination of the value of joint gaps by magnetic rail flaw detection are sufficiently reliable for practical application. A comparative analysis of the values of the video inspection and the magnetic method showed high accuracy of joint gap measurement when using the latter. The magnetic method signals show high stability and repeatability.

作者简介

Anatoly Markov

Radioavionica JSC

编辑信件的主要联系方式.
Email: anarmarkov@gmail.com
ORCID iD: 0000-0002-9090-3232

Dr. Sci. (Eng.), Associate Professor, Deputy General Designer for the Development of Non-Destructive Testing Tools and Methods

俄罗斯联邦, St. Petersburg

Andrey Antipov

Radioavionica JSC

Email: anarmarkov@gmail.com

Cand. Sci (Phys. and Math.), Senior Researcher, Non-Destructive Testing Research Laboratory

俄罗斯联邦, St. Petersburg

Ekaterina Maksimova

Radioavionica JSC

Email: anarmarkov@gmail.com

Head of the Non-Destructive Testing Research Laboratory

俄罗斯联邦, St. Petersburg

参考

  1. Вериго М. Ф. Новые методы в установлении норм устройства и содержания бесстыкового пути. М.: Интекст, 2000. 184 с. Verigo M. F. New methods in the establishment of standards for the device and maintenance of a seamless trac. Moscow: Intext Publ.; 2000. 184 p. (In Russ).
  2. Карпущенко Н. И., Ардышев И. К. Новые проблемы содержания бесстыкового пути на особогрузонапряженных участках // Вестник Сибирского государственного университета путей сообщения. 2023. № 1 (64). С. 5-14. https://doi.org/10.52170/1815-9265_2023_64_5. Karpuschenko N. I., Ardyshev I. K. New problems of continuously welded rail track maintenance in high traffic areas. The Siberian Transport University Bulletin. 2023;(1):5-14. (In Russ.). https://doi. org/10.52170/1815-9265_2023_64_5.
  3. Антипов А. Г., Марков А. А., Максимова Е. А. Использование магнитного метода контроля для оценки зазоров в болтовых стыках рельсового пути // Дефектоскопия. 2023. № 6. С. 11-25. https://doi. org/10.52170/1815-9265_2023_64_5. Antipov A. G., Markov A. A., Maksimova E. A. Using a magnetic flux leakage method to estimate railway track bolted joint gaps. Defektoskopiya. 2023;(6):11-25. (In Russ.). https://doi.org/10.52170/1815-9265_2023_64_5.
  4. Стоянович Г. М., Пупатенко В. В. Температурные деформации в зоне уравнительных пролетов беcстыкового пути // Путь и путевое хозяйство. 2019. № 6. С. 34-37. EDN: https://www.elibrary.ru/ ncpqla. Stoyanovich G. M., Pupatenko V.V. Temperature deformations in the balance rails zone of the continuously welded rails. Railway Track and Facilities. 2019;(6):34-37. (In Russ.). EDN: https://www.elibrary.ru/ncpqla.
  5. Шилов М. Н., Алексеев Д. В., Третьяков А. А. Средства и технологии автоматизированной системы видеоконтроля объектов инфраструктуры // Путь и путевое хозяйство. 2021. № 9. С. 11-12. EDN: https://www.elibrary.ru/gmhxoc. Shilov M. N., Alekseev D. V., Tretyakov A. A. Tools and technologies of the automated system of video control of infrastructure facilities. Railway Track and Facilities. 2021 ;(9):11-12. (In Russ.). EDN: https://www.elibrary.ru/gmhxoc.
  6. Xiong L., Jing G., Wang J., Liu X., Zhang Y. Detection of Rail Defects Using NDT Methods. Sensors. 2023;23(10):4627. https://doi. org/10.3390/s23104627.
  7. Yilmazer M., Karakose M., Aydin I. Detection and Measurement of Railway Expansion Gap with Image Processing. In: Proceedings of 2021 International Conference on Data Analytics for Business and Industry. Conference Paper, 25-26 October 2021, Sakheer. Sakheer: IEEE; 2021. p. 515-519. https://doi.org/10.1109/ICDABI53623.2021.9655906.
  8. Gibert X., Patel V. M., Chellappa R. Robust Fastener Detection for Autonomous Visual Railway Track Inspection. In: Proceedings of 2015 IEEE Winter Conference on Applications of Computer Vision. Conference Paper, 5-9 January 2015, Hawaii. Hawaii: IEEE; 2015. p. 694-701. https://doi.org/10.1109/WACV.2015.98.
  9. James A., Jie W., Xulei Y., Ye C., Ngan N. B., Yuxin L., et al. TrackNet - A Deep Learning Based Fault Detection for Railway Track Inspection. In: Proceedings of 2018 International Conference on Intelligent Rail Transportation (ICIRT), 12-14December2018, Singapore. Singapore: IEEE; 2018. p. 1-5. https://doi.org/10.1109/ICIRT.2018.8641608.
  10. Wang T., Yang F., Tsui K-L. Real-Time Detection of Railway Track Component via One-Stage Deep Learning Networks. Sensors. 2020;20(15):4325. https://doi.org/10.3390/s20154325.
  11. Автоматический поиск рельсовых стыков с использованием методов обработки / Ю. А. Сухобок [и др.] // Актуальные теоретико- методологические и прикладные проблемы виртуальной реальности и искусственного интеллекта: материалы Междунар. науч. конф., Хабаровск, 27-28 мая 2021 г. Хабаровск: Дальневосточный гос. ун-т путей сообщения, 2021. С. 56-63. EDN: https://elibrary.ru/aekrdh. Sukhobok Yu. A., Ten E. E., Ponomarchuk Yu. V., Shoberg K. A. Railway gap detection based on image processing and deep learning techniques. In: Actual theoretical, methodological and applied problems of virtual reality and artificial intelligence, 27-28 May 2021, Khabarovsk. Khabarovsk: Far Eastern State Transport University; 2021. p. 56-63 (In Russ). EDN: https://elibrary.ru/aekrdh.
  12. Гуров Е. А. Расшифровка данных видеоконтроля пути на Забайкальской дороге // Путь и путевое хозяйство. 2021. № 8. С. 36-37. https://elibrary.ru/zivybk. Gurov E. A. Zabaykalskaya track video monitoring data decoding. Railway Track and Facilities. 2021;(8):36-37. (In Russ.). https://elibrary.ru/ zivybk.
  13. Тарабрин В. Ф., Юрченко Е. В., Лохач А. В. ЕК АСУИ СДМИ — цифровая платформа для предиктивного анализа и управления состоянием железнодорожной инфраструктуры // Путь и путевое хозяйство. 2022. № 6. С. 25-28. https://elibrary.ru/oiflcu. Tarabrin V. F., Yurchenko E. V., Lokhach A. V. EC ASUI SDMI — digital platform for predictive analysis and management of the state of railway infrastructure. Railway Track and Facilities. 2022;(6):25-28. (In Russ.). https://elibrary.ru/oiflcu.
  14. Шур Е. А. Энциклопедия знаний о дефектах рельсов: рецензия на книгу К.-О Эделя., Г. Будницкого, Т. Шнитцера «Дефекты рельсов. Напряжения и повреждения». Том 1 // Вестник Научно-исследовательского института железнодорожного транспорта (Вестник ВНИИЖТ). 2021. Т. 80, № 3. С. 182-185. https:// doi. org/10.21780/2223-9731-2021-80-3-182-185. Shur E. A. Best practices about rail defects: a review of the book "Defects of rails. Stresses and Damages", Vol. 1 by K.-O. Edel, G. Bud- nitskiy, T. Schnitzer. Russian Railway Science Journal. 2021 ;80(3):182-185 (In Russ.). https://doi. org/10.21780/2223-9731-2021-80-3-182-185.
  15. Неразрушающий контроль рельсов при их эксплуатации и ремонте / А. К. Гурвич [и др.]. М.: Транспорт, 1983. 318 с. Gurvich A. K., Dovnar B. P., Kozlov V. B., Krug G. A., Kuzmina L. I., Matveev A. N. Non-destructive testing of rails during their operation and repair. Moscow: Transport Publ.; 1983. 318 p. (In Russ.).
  16. Комплексный анализ состояния рельсового пути с помощью нового вагона-дефектоскопа АВИК0Н-03 / А. А. Марков [и др.] // В мире неразрушающего контроля. 2013. № 3 (61). С. 74-79. https:// elibrary.ru/rtemhp. Markov A. A., Politay P. G., Makhovikov S. P, Alekseev D. V., Kuznetsova E. A. The complex analysis of rail track condition with new AVIK0N-03M flaw detector car. NDT World Review. 2013;(3):74-79. (In Russ.). https://elibrary.ru/rtemhp.
  17. Antipov A. G., Markov A. A. 3D simulation and experiment on high speed rail MFL inspection. NDT & E International. 2018;(98):177-185. https://doi.org/10.1016/j.ndteint.2018.04.011.
  18. Марков А. А., Антипов А. Г., Карелин М. В. Оценка достоверности автоматического распознавания сигналов от конструктивных элементов рельсового пути // Контроль. Диагностика. 2018. № 3. С. 16-27. https://doi.org/10.14489/td.2018.03.pp.016-027. Markov A. A., Antipov A. G., Karelin M. V. Reliability of automated recognition of mfl signals from rail track structure elements. Kontrol'. Diagnostika. 2018;(3):16-27. (In Russ.). https://doi.org/10.14489/ td.2018.03.pp.016-027.
  19. Марков А. А., Антипов А. Г. Магнитная дефектоскопия рельсов. Новые возможности. [Б. м.]: LAP Lambert Academic Publishing, 2018. 112 с. Markov A. A., Antipov A. G. Magnet rail flaw detection. New Opportunities. [S. l.]: LAP Lambert Academic Publishing; 2018. 112 p. (In Russ.).
  20. Магнитный метод для оценки состояния бесстыкового пути / А. А. Марков [и др.] // Путь и путевое хозяйство. 2024. № 2. С. 4-7. EDN: https://elibrary.ru/abfsfr. Markov A. A., Antipov A. G., Karelin M. V., Maksimova E. A. Magnetic method to assess the condition of a jointless railway track. Railway Track and Facilities. 2024;(2):4-7. (In Russ.). EDN: https:// elibrary.ru/abfsfr.

补充文件

附件文件
动作
1. JATS XML
下载

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».