En la Universidad Electrotécnica Estatal de San Petersburgo "LETI" se ha desarrollado un algoritmo para el reconocimiento y clasificación automática de tipos de irregularidades en los raíles ferroviarios. Así lo informó el servicio de prensa de la universidad.
En el transcurso de las investigaciones se utilizaron activamente métodos que ayudan a analizar las señales en los dominios temporal y de frecuencia, incluyendo el análisis de Fourier y la transformada wavelet. Uno de los resultados significativos del proyecto fue un nuevo algoritmo de clasificación de irregularidades de la vía férrea, que permite aumentar la fiabilidad de la detección de defectos en las superficies de rodadura de los raíles.
Los especialistas estudiaron el sistema de irregularidades cortas e impulsivas para detectar defectos en la superficie de los raíles y medir sus parámetros. El clasificador desarrollado se probó en una muestra de 150 señales. Los resultados mostraron un 85% de precisión en la determinación del tipo de junta y un 15% de irregularidades que requieren investigación adicional.
El algoritmo se basa en el análisis de señales de vibración, que permite distinguir entre juntas atornilladas y soldadas. Las investigaciones mostraron que la junta soldada se caracteriza por oscilaciones de baja frecuencia (140-200 Hz), mientras que la atornillada, por oscilaciones de alta frecuencia (1400-2400 Hz).
El nuevo sistema no solo realiza mediciones, sino que también clasifica las irregularidades.
Es importante destacar que no hubo definiciones incorrectas de defectos. Por lo tanto, el algoritmo puede utilizarse en otros sistemas de vagones detectores de defectos y al instalar un sistema de medición de irregularidades cortas e impulsivas en trenes que circulan regularmente.
Anteriormente www1.ru informó que Skoltech y MFTI desarrollaron un algoritmo para la búsqueda rápida de aleaciones de alta eficiencia con la ayuda de la IA.
Leer materiales sobre el tema:
En Kazán aprendieron a fundir metal con la ayuda de ondas sonoras
En Moscú adaptaron redes neuronales para predecir defectos en el acero para centrales nucleares