An Algorithm for Correcting Levels of Useful Signals on Interpretation of Eddy-Current Defectograms

Abstract

To ensure traffic safety of railway transport, non-destructive tests of rails are regularly carried out by using various approaches and methods, including eddy-current flaw detection methods. An automatic analysis of large data sets (defectograms) that come from the corresponding equipment is an actual problem. The analysis means a process of determining the presence of defective sections along with identifying structural elements of railway tracks in defectograms. This article continues the cycle of works devoted to the problem of automatic recognizing images of defects and structural elements of rails in eddy-current defectograms. In the process of forming these images, only useful signals are taken into account, the threshold levels of amplitudes of which are determined automatically from eddy-current data. The previously used algorithm for finding threshold levels was focused on situations in which the vast majority of signals coming from the flaw detector is a rail noise. A signal is considered useful and is subject to further analysis if its amplitude is twice the corresponding noise threshold. The article is devoted to the problem of correcting threshold levels, taking into account the need to identify extensive surface defects of rails. An algorithm is proposed for finding the values of threshold levels of rail noise amplitudes with their subsequent correction in the case of a large number of useful signals from extensive defects. Examples of the algorithm’s operation on real eddy-current data are given.

Severity Estimation of Defects on Interpretation of Eddy-Current Defectograms

“…Важно отметить, что именно использование энтропии при вычислении среднеквадратического отклонения позволяет получать стабильный ожидаемый результат при построении оценки степени опасности поверхностного дефекта. Вычисление среднеквадратического отклонения напрямую или же с применением алгоритма из статей [4][5][6] нецелесообразно, так как совершенно не гарантируется, что полученные значения будут согласовываться с поставленными целями по причине частого завышения или занижения (относительно ожиданий) вычисляемого значения . На рис.…”

“…Данная статья продолжает цикл работ [4][5][6][7][8], посвященных задаче автоматического распознавания образов дефектов и конструктивных элементов железнодорожных рельсов по дефектограммам многоканальных вихретоковых дефектоскопов. Дефектограммы разбиваются на фрагменты (блоки анализа), каждый из которых обрабатывается отдельно.…”

“…Дефектограммы разбиваются на фрагменты (блоки анализа), каждый из которых обрабатывается отдельно. В текущем блоке анализа с использованием алгоритма из статей [4][5][6] для каналов данных происходит выделение полезных сигналов, которые группируются в отметки. Найденные отметки подлежат дальнейшей классификации с применением нейронных сетей.…”

“…Интерес представляют амплитуды только полезных сигналов. Отметим, что применяемый ранее алгоритм определения порогового уровня амплитуд полезных сигналов [5,6], рассчитанный на фрагменты вихретоковых дефектограмм, подавляющее большинство сигналов в которых составляет рельсовый шум, был скорректирован в работе [4]. Были учтены ситуации с возможным наличием на анализируемом фрагменте вихретоковой дефектограммы большого количество полезных сигналов (например, от протяженных поверхностных дефектов, длина которых может составлять несколько сотен метров).…”