Розроблення системи ідентифікації високошвидкісних поїздів з використанням розподілених акустичних сенсорів

Abstract

UA: У кваліфікаційній роботі досліджено застосування волоконно-оптичних сенсорів (DAS) та нейронних мереж для підвищення безпеки та ефективності залізничного транспорту шляхом суцільного моніторингу цілісності поїзда та стану колії. Виконано критичний аналіз існуючих методів контролю, виявлено їхні обмеження та обґрунтовано переваги технології розподіленого акустичного сенсингу, такі як несприйнятливість до електромагнітних завад, велика дальність дії та економічна ефективність. Детально розглянуто принципи роботи різних типів волоконно-оптичних сенсорів та їх застосування для детекції деформацій і вібрацій. Наукова новизна дослідження полягає у розробці та обґрунтуванні принципово нового методу використання існуючих телекомунікаційних кабелів як розподілених акустичних сенсорів для ідентифікації рухомого складу в умовах апаратних обмежень. На відміну від традиційних точкових рішень, запропоновано метод програмної компенсації ефекту бази вимірювання (Gauge Length) за допомогою глибокого навчання. Проведено вібраційний аналіз для розуміння поширення хвиль від рухомого складу та виявлення аномалій на основі змін спектру сигналу. Значну увагу приділено інтеграції нейронних мереж (CNN-LSTM, Autoencoder, U-Net) для автоматизованої обробки та класифікації сенсорних даних. Це дозволило досягти високої точності розпізнавання типів поїздів (98.5%) та ефективного виявлення дефектів коліс без необхідності створення великої розміченої бази несправностей. Запропоновано алгоритм просторової деконволюції сигналу за допомогою мережі U-Net, що забезпечує точний підрахунок осей навіть при їхньому злитті у вихідному сигналі сенсора, перетворюючи DAS на прецизійний інструмент обліку.

EN: This qualification paper explores the application of fiber-optic distributed acoustic sensing (DAS) and neural networks to enhance railway transport safety and efficiency through continuous train integrity and track condition monitoring. A critical analysis of existing monitoring methods is performed, highlighting their limitations, and the advantages of DAS technology, such as immunity to electromagnetic interference, long-distance monitoring capabilities, and cost-effectiveness, are substantiated. The principles of operation for various fiber-optic sensors and their application in detecting deformations and vibrations are detailed. The scientific novelty of this research lies in the development and substantiation of a fundamentally new approach to utilizing existing telecommunication cables as distributed acoustic sensors for rolling stock identification under hardware constraints. Unlike traditional localized sensor applications, this work proposes a method for software compensation of the Gauge Length effect using deep learning. Vibration analysis is conducted to understand the propagation of rolling stock-induced waves and to detect anomalies based on signal spectrum changes. Significant attention is given to integrating neural networks (CNN-LSTM, Autoencoder, U-Net) for automated processing and classification of sensor data. This enabled high accuracy in train type recognition (98.5%) and effective wheel defect detection without the need for a large labeled fault database. An algorithm for spatial signal deconvolution using the U-Net architecture is proposed, ensuring accurate axle counting even when signals merge in the raw sensor output, effectively transforming DAS into a precision accounting tool.