Upptäcka skador med hjälp av vibrationer?

I våras avslutade jag min utbildning på Chalmers Tekniska Högskola och detta fullbordades traditionsenligt med ett examensarbete. Ämnet för examensarbetet är högaktuellt och lärdomarna många.

För att sammanfatta:

1. ljud och vibrationer är inte bara något som vi kan uppskatta eller störa oss på, det kan också användas som ett verktyg i flera discipliner så som att mäta materiallager, uppskatta hållfasthet eller i detta fall identifiera skador på räls
2. Att utnyttja flera olika kompetensområden tillsammans kan leda till riktigt spännande lösningar
3. Ibland är en enklare lösning till och med mer effektiv

Hur upptäcka skador på järnvägsspåren tidigt och utan att människor beträder spåren?

Mitt examensarbete grundar sig i ett tidigare arbete som har gjorts tillsammans med Deutsche Bahn och Teknisk akustik på Chalmers. Projektet är ett av många som söker svar på frågan – hur kan vi upptäcka skador på järnvägsspåren tidigt och utan att människor beträder spåren? Dessa skador kan leda till minskad komfort för tågpassagerare, ökade skador på räls och hjul samt i värsta fall urspårning. Dessutom är kostnaderna för att reparera mycket lägre ifall man upptäcker skadorna tidigt, innan sprickor i rälsen hunnit uppstå. På senare tid har därför många forskare och företag undersökt möjligheten att använda vibrationerna som uppstår mellan hjulen och spåren för att upptäcka skador.

Typen av rälsskada jag tittat på heter ”squats” och innebär en liten inbuckling i rälsen som med tiden och ytterligare belastning kan ge sprickor längs tvärsnittet på rälsen. Anledningen till uppkomsten av denna skada är fortfarande debatterad och preventiva metoder saknas.

Interaktionen mellan hjul och spår när ett tåg passerar kännetecknas av en dynamisk kraft som beror av flera faktorer så som avstånd mellan sliprar, avstånd mellan hjulaxlar, ojämnheter på spåren och ojämnheter på hjulen. Direkt kopplat till denna dynamiska kraft är accelerationen vid hjulaxlarnas box (axle-box acceleration).  Förutsatt att alla dessa parametrar är kända, så bör accelerationen kunna estimeras med numeriska metoder och dessutom kan avvikelser i accelerationen upptäckas.

Hur upptäcka avvikelser?

Med mig från tidigare arbete hade jag en hel uppsjö av mätdata och simulerade data som hade verifierats mot mätningar. Då var nästa fråga – hur upptäcker vi dessa avvikelser? För att testa olika sätt att presentera accelerationsmätningar använde jag mig av två olika transformmetoder som kan presentera frekvens- och tidsdata på samma 2-dimensionella färgkartor: short-time-fourier-transformer (STFT) och kontinuerliga wavelet-transformer. Fouriertransformerna delar upp representationen i jämna block av information där noggrannheten i tids- och frekvensdomän har ett linjärt förhållande. Wavelet-metoden fördelar frekensblocken logaritmiskt i ”wavelets”. Detta ger högre tidsupplösning för högfrekventa signaler och högre frekvensupplösning för lågfrekventa signaler. Se bild nedan. Detta är särskilt användbart för signaler där de lågfrekventa komponenterna är mer stationära medan de högfrekventa signalerna är kortvariga. En skada i rälsen som passeras av tåghjul kommer ge upphov till en stöt på hjulen, det vill säga en kortvarig signal som påverkar många frekvenser.

Frågan om hur man visar detta data på ett begripligt sätt är så gott som besvarad om man vant sig vid att titta på spektrogram. I figurerna nedan kan man se några exempel först på STFT och nedan på wavelet-transformer vid några olika squats. Tydligast i båda fall är exciteringen vid 600 Hz men squats:en har även en gemensam tidsvarierande excitering i högre frekvenser som blir tydligast i och med wavelet-transformen.

Machine Learning för avvikelser

Kan vi lära en maskin att känna igen dessa avvikelser?  Där kommer arbetet med Machine Learning in, och lärdomen att flera kompetensområden tillsammans kan leda till riktigt spännande resultat. Två saker jag lärde mig om machine learning är att maskiner är riktigt bra på att skapa mönster av data och att mängden data påverkar resultaten mer än vi kan ana.

Den metod jag valde innebar att algoritmen hanterade varje pixel för sig. Detta innebär att algoritmen är känslig för var squat:en är placerad i x-led. Både med wavelets och fouriertransformer lyckades algoritmen väl – den kunde efter träning upptäcka 100% av stora skador och runt 87% av små till mellanstora skador med ett lågt antal falsklarm.

En reflektion med denna metod är att sättet vi människor ser dessa bilder skiljer sig från sättet jag tränade algoritmen. Vi ser ju dessa utstickande värden vid till exempel 600 Hz i relation till de angränsande låga nivåerna. Detta går att implementera i machine learning, till exempel med hjälp av ”convolutional neural networks” men det är en ganska komplicerad algoritm som kräver mycket beräkningskraft.

Jag reflekterade över de svårigheter som fanns med algoritmen. Eftersom datan som skulle analyseras var två-dimensionell så krävdes stora mängder data för att representera signalen. Kunde jag representera datan på ett likvärdigt sätt i en dimension? Jag tittade då på en signalhanteringsmetod som heter ”scale-averaged wavelet power” där man tittar i tidsdomänen specifikt för ett visst antal wavelets som täcker de frekvensområden som är intressanta. Detta visas i bild nedan. Denna metod fungerade inte bra för Machine Learning då variationerna mellan mätningarna var för stora.

Min nyfikenhet fick mig att titta på hela signalen i en och samma graf med hjälp av ”scale-averaged wavelet power”. Ungefär 25 meter spår på två olika spårkvaliteter visas på detta sätt i bilden nedan. Där är rälsskadorna tydliga att urskilja från övriga spår och kräver knappast en machine learning algoritm utan endast ett enkelt tröskelvärde. Där kom lärdom tre in – ibland är den enkla lösningen till och med ännu mer effektiv än den komplicerade. Inte bara sparar du tid!

Denna metod med tröskelvärden har gjorts mer utförlig och visar lovande resultat i ett arbete i Nederländerna. Om du är intresserad av den så kan du läsa vidare här:  https://ieeexplore.ieee.org/document/6728413

Och är du riktigt intresserad så finns mitt examensarbete, på engelska, här:  https://odr.chalmers.se/bitstream/20.500.12380/301866/1/ACEX30%20Frida%20Carlvik.pdf

Skrivet av Frida Carlvik, Sweco Akustik