АЛГОРИТМ ПОЗИЦИОНИРОВАНИЯ ДВИЖУЩЕГОСЯ ЖЕЛЕЗНОДОРОЖНОГО СОСТАВА С ПРИМЕНЕНИЕМ ТЕХНОЛОГИИ ДИСТАНЦИОННОГО ВИБРОАКУСТИЧЕСКОГО ЗОНДИРОВАНИЯ

DOI: 10.47026/1810-1909-2025-2-83-96

УДК 629.4.052.2

ББК 39.28

М.В. МАРКЕВИЧ, В.В. АНДРЕЕВ

Ключевые слова

дистанционное виброакустическое зондирование, позиционирование движущихся железнодорожных составов, автоматизация движения поездов, C-OTDR, φ-OTDR.

Аннотация

В основе многих технологий позиционирования движущихся поездов с применением дистанционного виброакустического зондирования лежат частотные и пороговые методы анализа сигналов. Сильная зашумленность сторонними помехами виброакустического сигнала, распространяющегося по оптическому волокну, проложенному вдоль железнодорожного пути, является причиной существенной погрешности в позиционировании поезда. Поэтому актуальной задачей является разработка метода, который позволил бы с желаемой точностью позиционировать подвижный железнодорожный состав.

Цель исследования – разработка эффективного метода обработки и анализа виброакустического сигнала, обеспечивающего позиционирование с требуемой точностью движущегося железнодорожного состава.

Материалы и методы. Исследования проводились с применением записей виброакустических сигналов, генерированных проходящими по железнодорожному участку длиной около 42 км грузовыми поездами длиной больше 800 м. Этот участок оснащен системой виброакустического зондирования. Для обработки виброакустических сигналов использовались разностный метод, а также методы быстрого преобразования Фурье и сегментации изображений уровня серого. Исходный сигнал был предварительно отфильтрован разностным методом. После этого было выполнено быстрое преобразование Фурье вдоль оси времени с последующим вычислением нормированной суммы модулей коэффициентов Фурье в заданном диапазоне частот. Полученный двумерный массив спектрограмм был представлен в виде изображения. Задача нахождения границ поезда была сведена к задаче выбора порога, который позволит разделить изображение на два класса – «поезд» и «фон». В качестве порога было выбрано значение, при котором дисперсия между классами «фон» и «поезд» достигала своего максимального значения.

Результаты. Основываясь на уникальных частотных характеристиках каждого железнодорожного состава, разработан алгоритм определения в реальном времени местоположения движущихся поездов. Примененный непараметрический метод выбора порога дает возможность выполнить оценку оптимальности порога на текущих данных без привлечения дополнительных входных параметров. Первоначально происходит фильтрация исходных рефлектограмм путем нахождения разности между соседними. Этот процесс необходим для удаления статического шума. Затем выполняется быстрое преобразование Фурье по времени с последующим вычислением нормированной суммы его амплитуд. Рассматривая результат быстрого преобразования Фурье как изображение (пикселями являются нормированные суммы модулей амплитуд дискретного быстрого преобразования Фурье для каждого отсчета оптоволокна), можно применить к нему метод сегментации изображений для разделения классов «фон» и «поезд». Метод основан на вычислении оптимального порога, при котором дисперсия между классами «фон» и «поезд» достигает своего максимума. В процессе сравнения яркости каждого пикселя с полученным порогом пикселю присваивается значение 0 или 1. В результате получаем бинарный массив. Далее выполняется постобработка бинарного массива, в котором все изолированные единицы устанавливаются в 0. Далее вычисляются границы поезда: левой границей поезда считается первая единица от начала бинарного массива, а первая единица от конца массива – правой границей поезда. Для сглаживания границ поезда выполняется аппроксимация полученных значений методом наименьших квадратов. На обработанных записях рефлектограмм с помощью предложенного метода были определены границы движущегося поезда по железнодорожному участку с отклонением в пределах 20 м.

Выводы. Предложенный алгоритм позволяет позиционировать железнодорожные составы пассажирского и грузового типов, в том числе состоящих из смешанных типов вагонов. У грузовых поездов чаще имеются дефекты колесных пар, которые вносят искажение в виброакустические сигналы. Обработка виброакустических сигналов в частотной области и анализ заданного диапазона частот, характерных движущимся поездам, позволяет устранить описанный эффект, а также динамические факторы внешней среды. Использование непараметрического метода для вычисления порога позволяет оценить оптимальность выбранного порогового значения по критерию максимальной дисперсии между классами «фон» и «поезд». Вычисление частотных характеристик через равные короткие промежутки времени при движении поезда позволяет подстраиваться под текущую ситуацию на участке железнодорожного пути.

Литература

1. Когерентный фазовочувствительный рефлектометр с амплитудно-фазовой модуляцией зондирующих импульсов / А.Э. Алексеев, В.С. Вдовенко, Б.Г. Горшков и др. // Письма в Журнал технической физики. 2015. Т. 41, № 2. С. 41–48.
2. Когерентный фазочувствительный рефлектометр с дифференциальной фазовой модуляцией зондирующих импульсов / А.Э. Алексеев, В.С. Вдовенко, Б.Г. Горшков и др. // Квантовая электроника. 2014. Т. 44, № 10. С. 965–969.
3. Тейлор Дж. Введение в теорию ошибок. М.: Мир, 1985. 272 с.
4. Точность измерения и пространственная разрешающая способность распределенного температурного датчика на основе двухимпульсного дифференциального когерентного рефлектометра / Т.О. Лукашова, О.Е. Наний, С.П. Никитин, В.Н. Трещиков // Квантовая электроника. 2020. Т. 50, № 9. С. 882–887.
5. Cao C., Fan X., Liu Q., He Z. Practical Pattern Recognition System for Distributed Optical Fiber Intrusion Monitoring Based on Ф⁃ ZTE Commun., 2017, vol. 15, no. 3, pp. 52–55.
6. Fukunage K. Introduction to Statistical Pattern Recognition. New York, Academic Press, 1972, 369 p.
7. He M., Feng L., Fan J. A method for real-time monitoring of running trains using Ф-OTDR and the improved Canny. Optik, 2019, vol. 184, pp. 356–363. DOI: 10.1016/j.ijleo.2019.04.112.
8. He M., Feng L., Zhao D. Application of distributed acoustic sensor technology in train running condition monitoring of the heavy-haul railway. Optik, 2019, vol. 181, pp. 343–350. DOI: 10.1016/j.ijleo.2018.12.074.
9. Kandamali D.F., Cao X., Tian M. et al. Machine learning methods for identification and classification of events in ϕ-OTDR systems: a review. Applied Optics, 2022, vol. 61(11), pp. 2975–2997. DOI: 10.1364/AO.444811.
10. Karapanagiotis C., Hicke K., Krebber K. A collection of machine learning assisted distributed fiber optic sensors for infrastructure monitoring. Technisches Messen, 2023, vol. 90(3), pp. 177–195. DOI: 10.1515/teme-2022-0098.
11. Kowarik S., Hussels M.-T., Chruscicki S. et al. Fiber Optic Train Monitoring with Distributed Acoustic Sensing: Conventional and Neural Network Data Analysis. Sensors, 2020, vol. 20(2), 450. DOI: 10.3390/s20020450.
12. Lämmerhirt A., Schubert M., Drapp B., Zeilinger R. Fiber Optic Sensing for Railways – Ready to use?! SIGNAL + DRAHT, 2022, vol. 114, no. 9, pp. 60–69.
13. Muñoz F., Urricelqui J., Soto M.A., Jimenez-Rodriguez M. Finding Well-Coupled Optical Fiber Locations for Railway Monitoring Using Distributed Acoustic Sensing. Sensors, 2023, vol. 23(14), 6599. DOI: 10.3390/s23146599.
14. Otsu N. A Threshold Selection Method from Gray-Level Histograms. IEEE Transactions on Systems, Man, and Cybernetics, 1979, vol. 9(1), pp. 62–66. DOI: 10.1109/TSMC.1979.4310076.
15. Peng F., Duan N., Rao Y.-J., Li J. Real-Time Position and Speed Monitoring of Trains Using Phase-Sensitive OTDR. IEEE Photonics Technology Letters, 2014, vol. 26(20), pp. 2055–2057. DOI: 10.1109/LPT.2014.2346760.
16. Shi Y., Dai S., Liu X. et al. Event recognition method based on dual-augmentation for a Φ-OTDR system with a few training samples. Optics Express, 2022, vol. 30(17), pp. 31232–31243. DOI: 10.1364/OE.468779.
17. Timofeev A.V. Monitoring the Railways by Means of C-OTDR Technology. International Journal of Computer and Information Engineering, 2015, vol. 9(5), pp. 717–720. DOI: 10.5281/zenodo.1100523.
18. Wang Y., Jin B., Wang Y. et al. Real-Time Distributed Vibration Monitoring System Using Φ-OTDR. IEEE sensors journal, 2017, vol. 17(5), pp. 1333–1341. DOI: 10.1109/JSEN.2016.2642221.
19. Wang Z., Lou S., Liang S., Sheng X. Multi-Class Disturbance Events Recognition Based on EMD and XGBoost in φ-OTDR. IEEE Access, 2020, vol. 8, pp. 63551–63558. DOI: 10.1109/ACCESS.2020.2984022.
20. Wen T., Zhu P., Ye W. et al. Application of graphics processing unit parallel computing in pattern recognition for vibration events based on a phase-sensitive optical time domain reflectometer. Applied Optics, 2019, vol. 58(26), pp. 7127–7133. DOI: 10.1364/AO.58.007127.
21. Zhu T., He Q., Xiao X., Bao X. Modulated pulses based distributed vibration sensing with high frequency response and spatial resolution. Optics Express, 2013, vol. 21(3), pp. 2953–2963. DOI: 10.1364/OE.21.002953.

Сведения об авторах

Маркевич Мария Валерьевна – аспирант кафедры теплоэнергетических установок, Чувашский государственный университет, Россия, Чебоксары (mariya.komandirova@gmail.com; ORCID: https://orcid.org/0009-0003-0643-1282).

Андреев Всеволод Владимирович – кандидат физико-математических наук, доцент кафедры теплоэнергетических установок, Чувашский государственный университет, Россия, Чебоксары (andreev_vsevolod@mail.ru; ORCID: https://orcid.org/0000-0002-6969-9468).

Формат цитирования

Маркевич М.В., Андреев В.В. Алгоритм позиционирования движущегося железнодорожного состава с применением технологии дистанционного виброакустического зондирования // Вестник Чувашского университета. 2025. № 2. С. 83–96. DOI: 10.47026/1810-1909-2025-2-83-96.

Загрузить полный текст статьи