Технології машинного зору на залізницях США

На залізничній колії та рухомому складі є багато речей, які неможливо побачити неозброєним оком. Тому технологія машинного зору дедалі частіше стає найкращим способом виявлення потенційних недоліків, перш ніж вони призведуть до збоїв. Одними з передових в цьому плані є вантажні залізниці США. Із впровадженими там технологіями Rail.insider пропонує ознайомитися  в матеріалі, підготовленому на основі статті видання Railway Age у перекладі кандидата технічних наук Олексія Краснова.

«Різноманітні технології машинного зору щороку виявляють тисячі дефектів колії, які потенційно можуть призвести до нещасних випадків», — говорить директор з розвитку бізнесу компанії ENSCO Rail (що впроваджує нові технології) Роберт Коклі. За його словами, порівняно із звичайним візуальним оглядом, нова технологія пропонує переваги швидкості, зменшення зайнятості колії, частоти і послідовності перевірок. Обладнання встановлюється на звичайних поїздах, тому немає потреби в додатковому спеціальному вагоні. Крім того, перевірки можна виконувати при звичайній швидкості руху.

«Процеси оцінки зображень здійснюються за єдиним стандартом, при цьому поточний стан колії відображується у форматі діаграм для забезпечення аналізу даних та їх моделювання, — каже Роберт Коклі. — Такий підхід дає можливість переглядати й аналізувати зображення, а також створювати масиви даних за результатами кількох перевірок».

Він додає, що ENSCO використовує системи камер високої роздільної здатності та практичні алгоритми машинного зору, застосовуючи передові методи обробки зображень (наприклад, глибоке навчання) для виявлення об’єктів та їх особливостей. Результатом є «високошвидкісні та якісні системи візуалізації, які забезпечують надзвичайно надійні можливості отримання та обробки зображень для всебічної перевірки та оцінки стану колії».

За словами директора відділу моніторингу та діагностики вагонів залізниці першого класу CSX Кім Боулінг, в компанії використовують два типи систем машинного зору: цільовий машинний зір і системи візуалізації всього вагону. Перший використовує «дуже оптимізоване освітлення та оптику, щоб ретельно оглянути один компонент». Систему візуалізації всього вагона називають «порталом перевірки поїздів» (Train Inspection Portal). Такий портал має 17 камер для фіксації стану всього поїзда, коли він проїжджає повз нього зі встановленою швидкістю.

Директор із планування інтермодальних перевезень та проєктування залізничної мережі CSX Гері Ван Тассел каже, що на більшій частині інтермодальної інфраструктури компанії розгорнуто портали оптичного розпізнавання: загалом їх 60. «Це свого роду система, яка швидко розвивається… прямо зараз ми фіксуємо камерою всі ракурси на вході та виході з терміналу і зберігаємо їх для ідентифікації пошкоджень», — говорить він.

Гері Ван Тассел додає, що в рамках автоматизації кранів CSX використовує безліч інструментів машинного бачення, наприклад, LIDAR (виявлення світла та визначення дальності), лазери чи OCR (оптичне розпізнавання символів), щоб виявляти перешкоди та, зрештою, керувати кранами, які близько 80% часу працюють в автоматизованому режимі».

Компанія Trimble Beena Vision створила лінійку технологій безконтактного вимірювання та контролю рухомого складу з боку колії на основі машинного зору. Мета цього — забезпечити автоматизований попереджувальний моніторинг стану рухомого складу, в результаті якого накопичується масив даних, які можна обробляти для ефективної оцінки стану рухомого складу на рівні як окремих компонентів, так і повного огляду поїзда. Набір рішень включає в себе блоки візуалізації для перевірки майже всіх компонентів рухомого складу, видимих під час руху поїзда, алгоритми машинного зору для обробки та надання інформації, пов’язаної з цими зображеннями, бази даних та інтерфейси користувача для доступу та перегляду інформації (за короткий або довгий період) для виявлення закономірностей та прогнозування тощо.

«Наші рішення розроблені для збору даних щодо конкретних компонентів. Залежно від типу проведених вимірювань та перевірок, системи Trimble Beena Vision використовують відповідну сенсорну технологію, щоб забезпечити високу якість та точність зображення та вихідних даних», — говорить директор з інжинірингу Кен Вілардебо.

Як це працює

Залізниця I класу BNSF почала використовувати системи машинного зору (MVS) разом з мережею колійних датчиків для зменшення інцидентів на залізничному обладнанні та перебоїв у роботі. Зокрема, технічні спеціалісти компанії та фахівці з аналізу даних намагалися встановити закономірності, пов’язані з періодичністю ремонту обладнання, щоб вказати, коли має проводитися технічне обслуговування. Технологія працює, як пояснює директор технологічних служб Джон Мартін, з використанням штучного інтелекту (AI) у поєднанні з MVS для аналізу зображень обладнання та виявлення дрібних дефектів, перш ніж вони призведуть до більших проблем, таких як відмова обладнання.

«Сьогодні моделі штучного інтелекту вдосконалюються завдяки збільшенню можливостей комп’ютерної обробки», — каже Джон Мартін. «Завдяки цим досягненням ми маємо систему аналізу зображень механічного обладнання (MIDAS), інтегровану в систему моніторингу якості обладнання, що дозволяє нам легко зв’язувати інформацію MVS з іншими даними з 4000 датчиків, які контролюють рухомий склад на мережі BNSF».

Кім Боулінг з CSX зазначає, що алгоритми «є ключовим елементом логіки, який допомагає розібрати ці зображення та визначити, чи це зображення правильного компонента, а потім — справний компонент чи дефектний? «Ми співпрацюємо з різними компаніями, котрі допомагають створити ці алгоритми», — каже вона.

Машинне навчання (ML) — це комп’ютерний інструмент, який використовує кілька зображень, щоб допомогти навчити модель і створити алгоритм. Перш ніж створити модель, необхідно мати сотні зображень компонента.

Гері Ван Тассел з CSX додає, що підрозділ компанії з інтермодальних операцій використовує подібну технологію для іншої, але пов’язаної задачі. «Коли ми автоматизуємо наші крани, машина вирішує, у який бік орієнтувати контейнер, — каже він. — Очевидно, ви повинні розташувати двері контейнера на задній частині вантажівки. Це відносно швидко і просто для людини-оператора, щоб натиснути кнопку, підняти контейнер і правильно його зорієнтувати. При автоматизації ми використовуємо тип нейронної мережі, де показуємо сотні, якщо не тисячі, зображень передньої сторони контейнера та дверної сторони, які відрізняються за виглядом. А потім алгоритми починають вивчати цю конфігурацію, дозволяючи машині переорієнтувати контейнер, не чекаючи на втручання людини».

Автономна система вимірювання геометрії колії (ATGMS) ENSCO Rail використовує автономні датчики та технологію перевірки колії. Блоки ATGMS встановлюються на звичайному рухомому складі. Дані бездротовим способом передаються з транспортного засобу на хмарний сервер, де автоматизовані алгоритми штучного інтелекту переглядають ці дані, відфільтровують помилкові результати та надсилають сповіщення майже в реальному часі. ENSCO розгорнула понад 25 систем ATGMS, в тому числі на чотирьох залізницях I класу. У 2020 році таким чином перевірили понад 340 тис. миль (547 тис. км), допомагаючи залізницям підтримувати критичну інфраструктуру під час пандемії COVID-19, коли «ручні» перевірки здійснювати було неможливо або не рекомендовано.

Автономна система візуалізації рейкових накладок (AJBIS) безперервно збирає зображення, які оцінюються за допомогою алгоритмів глибокого навчання. Несправності визначаються та передаються бездротовим способом у «хмару», де здійснюється сповіщення клієнтів. Автономна система візуалізації поверхні рейок (ARSIS) збирає зображення верхньої частини рейок. Вони оцінюються за допомогою алгоритмів глибокого навчання, які визначають надмірне пошкодження. Автономна система візуалізації компонентів колії (ATCIS) збирає зображення нижньої частини колії, включаючи рейкові скріплення та шпали. Ці зображення оцінюються за допомогою алгоритмів глибокого навчання, які ідентифікують відсутні або зламані скріплення, перекошені або зламані шпали тощо.

Кен Вілардебо з Trimble Beena Vision каже, що «у застосуванні технології машинного зору з використанням колійних сповіщувачів є три ключові фази: отримання зображення, обробка даних, виявлення несправностей та генерація сигналу тривоги. Обладнання MVS встановлюється на коліях і біля них в місцях, де умови навколишнього середовища можуть бути екстремальними. Для успішного розгортання візуальних систем якість і точність зображення повинні бути незалежними від умов навколишнього середовища (освітлення, температура, опади тощо). Другий важливий фактор — правильне освітлення.

«Сигналізація на основі MVA може бути миттєвою, на рівні планування або на основі тенденцій до несправності», — каже Кен Вілардебо. «Можна генерувати миттєві сигнали тривоги, які вказують на значні види несправності, такі як несправності кріплення муфти, злам колеса тощо. У цих випадках, залежно від прийнятих правил, поїзд, можливо, доведеться негайно зупинити для усунення недоліків. При інших, менш екстрених випадках, таких як відсутність болта кришки підшипника або зламаній ресорі вагона, поїзд зазвичай переміщують у відповідне місце для ремонту. Інформація на рівні планування стосується менш серйозних випадків, які вимагають планування та виконання технічного обслуговування в певні терміни. Такі типи подій можуть стосуватися, наприклад, незначних пошкоджень конструкції, які можна усунути в депо».

«Сигнали на основі тенденцій зазвичай формують за результатами вимірювання відносно повільних процесів, де закономірності змін вказують на можливу несправність. Нагадування при цьому зазвичай генеруються з бази даних. Попередження та сповіщення можна переглядати та керувати ними за допомогою одного з рішень Trimble для моніторингу машинного зору — Trimble WISE (Wayside Inspection System Environment) або Trimble TrainWatch, які є програмними додатками для візуалізації та аналізу даних датчиків».

Компанія Duos Technologies планує запровадити посилені автоматизовані перевірки на одному зі своїх існуючих порталів інспекції вагонів (rip) вздовж мережі залізниць I класу за контрактом вартістю 1,3 млн доларів. «Метою оновленої системи є визначення конкретних операцій перевірки вагонів за допомогою штучного інтелекту, які залізниці I класу розробляють та інтегрують в платформу програмного забезпечення Duos centraco Command and Control, що накопичує дані та події з декількох джерел в уніфікований інтерфейс користувача», — повідомляють в Duos Technologies. Тут очікують, що після успішного підтвердження концепції її застосування буде розширюватися.

Технологія складається з 360-градусної модульної інтелектуальної системи візуалізації, яка в режимі реального часу отримує повні й детальні зображення вагонів, що рухаються зі швидкістю до 120 миль/год (193 км/год). Панорамний огляд може виявити витікання масла, пошкоджені деталі, відкриті двері, відкриті або відсутні люки, попереджаючи інспекторів про проблему та вказуючи їм її місце.

Duos Technologies постачає системи rip кільком залізницям I класу. Наприклад, Canadian National наразі розгорнула 7 таких систем.

Практичні вигоди

BNSF на кінець 2020 року використовувала MIDAS у 5 місцях на 7 основних дільницях для того, щоб ідентифікувати зламані або тріснуті колеса. Ці системи збирають дані приблизно з 250 поїздів на день, створюючи понад 650 тис. зображень коліс. Система обробляє зображення на маршруті та передає дані до центру управління залізницею 24 години на добу, інформує спеціалістів відповідних служб, які потім переглядають зображення потенційних дефектів і планують необхідні ремонти.

«Зрештою, ці системи попереджують несправності та дозволяють ремонтувати вагони в цехах, а не вилучати їх з експлуатації в польових умовах. Це зберігає стабільний рух поїздів на нашій мережі та зменшує перерви в роботі, – каже представник залізниці Джон Мартін. – Наразі ми розширюємо MIDAS до трьох додаткових місць і маємо плани щодо майбутніх об’єктів. Ми постійно розвиваємо наші моделі MVS, щоб збільшити кількість компонентів, які проходять перевірку».

Фахівці зазначають, що технології машинного зору у галузі інтермодальних (морських і залізничних) перевезень невпинно розвиваються протягом останніх 15—20 років. Перші системи в основному фіксували номер контейнера. Згодом стало можливим попереджувальне виявлення дефектів. І це дало поштовх для стрімкого розвитку.

Технології MVS з роками стали більш досконалими як на апаратному, так і на програмному рівні. «З точки зору апаратного забезпечення, камери стали більш надійними і мають більш високу роздільну здатність, вищу частоту кадрів і більш чутливі датчики, — каже Кен Вілардебо. — Це допомагає навіть в умовах слабкого освітлення, що покращує результати перевірки. Що стосується програмного забезпечення, то з моменту появи глибокого навчання на основі графічного процесора (GPU) відбувся бум нових алгоритмів. Використовуючи алгоритми глибокого навчання, перевірки можна проводити швидше і з набагато більшою точністю. Ця еволюція прокладає шлях до повністю автоматизованого контролю поїздів».

 

Перспективи

Кен Вілардебо вважає, що в міру того, як все більше операторів у залізничній галузі починають прагнути до цифровізації для зниження витрат і оптимізації процесів, ці ініціативи «неминуче призведуть до значних обсягів даних, які потребують розумної обробки та аналізу для надання оперативної інформації». «Завдяки швидкій розширеній підготовці та обробці даних, а також застосуванню інтелектуальної аналітики можна здійснювати моделювання, щоб виявити закономірності, які інакше залишалися б прихованими», — говорить він.

Роберт Коклі додає, що перед залізницями нині постають дві основні проблеми: планувати важливі роботи на колії за обмежений час без впливу на рух поїздів і робити це в рамках фінансових можливостей. Він вважає, що більшість досягнень у цій галузі дозволять вирішити поставлені проблеми. «Інтеграція передових технологій, таких як AI та ML, пропонує безпрецедентні можливості для ефективності планування та значної економії витрат на технічне обслуговування, — говорить він. — Інтегруючи ці технології у весь безперервний цикл моніторингу обладнання та планування його технічного обслуговування, можна покращити безпеку та зменшити збої в роботі».

Таким чином, попит на машинний зір та автономні технології продовжує зростати.