پديد آورندگان :
احدي اخلاقي، ايمان دانشگاه سجاد - دانشكدة مهندسي برق، مشهد، ايران , نوروزي صحرائي، حسين دانشگاه سجاد - مركز بررسي هاي غيرمخرب سجاد، مشهد، ايران , اخلاقي مديري، فرزاد دانشگاه سجاد - مركز بررسي هاي غيرمخرب سجاد، مشهد، ايران , كهربائي، سعيد دانشگاه سجاد - دانشكدة مهندسي صنايع و مكانيك، مشهد، ايران
كليدواژه :
عيوب ريلي , سايش , سيستم ليزر و دوربين , پردازش تصوير , شبكه عصبي مصنوعي GRNN
چكيده فارسي :
در اين پژوهش، سيستم غيرمخربي به منظور تشخيص و اندازه‌گيري سايش خطوط ريلي طراحي و ساخته شده است. عدم تشخيص به موقع عيوبي مانند سايش ريل مي‌تواند منجر به بروز مشكلات يا عواقب جبران ناپذيري شود. به طور مثال، در صورتي كه ميزان سايش ريل از مقدار بحراني عبور كند، ضمن تغيير در هندسه خط، امكان بروز حوادثي همچون خروجي قطار از ريل وجود دارد. در روش پيشنهادي از يك سيستم سخت‌افزاري متشكل از ليزر خطي و دوربين استفاده شده است. در اين سيستم تصوير پرتو ليزر خطي كه به سطح ريل تابيده مي‌شود توسط يك دوربين مناسب ثبت مي‌شود. ميزان انحراف تصوير پرتو ليزر در مناطق سايش‌يافته نسبت به مناطق سالم، معياري از ميزان سايش به دست مي‌دهد. در روش پيشنهادي پس از به كارگيري روش‌هاي مختلف پردازش تصوير جهت استخراج الگوي روشن شده توسط ليزر، عملكرد سه شبكه مصنوعي MLP، RBF وGRNN جهت كاليبراسيون و تخمين مقادير كمّي سايش بررسي و مقايسه گرديد. در نهايت با توجه به خطاي كمتر شبكه GRNN در تخمين هر سه كميت W1، W2و W3، از اين شبكه به منظور كاليبراسيون استفاده شد. خطاي مقادير پيش‌بيني شده براي پارامترهاي سايش W1، W2 و W3 به ترتيب برابر با0/27، 0/24 و 0/32ميلي‌متر مي‌باشد. اين مقادير نشان‌دهنده عملكرد بسيار خوب سيستم اندازه‌گيري پيشنهادي مي‌باشد. لازم به ذكر است، در دستگاه عيب‌ياب خطوط ريلي RDD-S11 كه در حال حاضر جهت تشخيص عيوب متداول ريل‌هاي خطوط شركت بهره‌برداري قطارشهري مشهد مورد استفاده قرار مي‌گيرد، اين روش پياده‌سازي و جهت استخراج پارامترهاي سايش استفاده مي‌شود.
چكيده لاتين :
In this study a non-destructive system was designed and fabricated to detect wear and measure its parameters on railway tracks. Delayed detection of wear on railway lines can cause critical problems and makes the repair and maintenance process more time and cost-consuming. Even worth, if the wear passes the critical value, it changes the geometry of the line, causing the derailment of the train. In the proposed method for wear detection, a system with a line laser and a camera is applied. The laser lights the surface of the rail, and the camera captures an image from it. By processing the shape of the lit pattern, which is different in worn and unworn areas, we could detect wear and estimate its several parameters. In the proposed method, after applying some preprocessing techniques to extract the shape of the lit pattern, an artificial neural network (ANN) is used to quantify w1, w2, and w3 as the three parameters of the wear. The performance of three artificial neural networks (MLP, GRNN, and RBF) to estimate w1, w2, and w3 was studied. Among all, GRNN had the best performance with the maximum error of 0.27, 0.24, and 0.32 mm, respectively for W1, W2, and W3. It shows the high efficiency of the suggested measurement system. In RDD-S11, which is currently being used in lines one and two of Mashhad Urban Railway Company to detect three common defects, the proposed method is being used to detect and measure the wear on railway tracks.
