[发明专利]使用机器学习检查轨道的系统和方法

说明书

一个方面包括一种车辆，该车辆包括：轨道检查传感器，其被配置为捕获描述轨道的传感器数据；处理器，其被配置为接收传感器数据以及近实时地处理传感器数据以确定所捕获的传感器数据是否识别出可疑轨道缺陷。该处理包括将所捕获的传感器数据输入机器学习系统，该机器学习系统已经过训练，以识别传感器数据中指示轨道缺陷的模式。该处理还包括接收来自机器学习系统的输出，该输出指示所捕获的传感器数据是否识别出可疑轨道缺陷。至少部分地基于输出指示所捕获的传感器数据识别出可疑轨道缺陷，将警报发送给车辆的操作员。警报包括可疑轨道缺陷的位置并指示操作员停止车辆和执行维修动作。

技术领域

本文公开的主题涉及一种用于检查轨道的系统和方法，具体地，涉及一种用于使用机器学习检查轨道的系统和方法。

背景技术

铁路检查通常涉及超声扫描仪、感应传感器、涡流传感器、相机传感器或其组合的使用。铁路检查用于检测轨道中可指示轨道缺陷的特征。超声技术通常使用超声传感器，该超声传感器安装在骑在轨道上表面上的轨道车辆的柔性轮中。车轮中充满耦合液，因此安装在内部的传感器可以将超声波信号发送到轨道中。返回信号经过处理后用于绘制轨道中的缺陷位置。记录检测数据后，将对其进行分析以识别信号中与轨道缺陷相对应的模式。这些模式被标记以区别于轨道缺陷(例如，螺栓孔、轨道端部、焊接点和信号中的噪声)不相关信号。

当前的标记过程的一个问题是它是高度劳动密集型的，并且需要许多小时的人工分析来识别与轨道缺陷相对应的模式。人工分析的成本很高，如果分析人员疲劳或缺乏有关缺陷类型变化的经验而遗漏了缺陷，则可能会导致错误。为了解决这些问题，人工评估通常与基于规则的识别器软件结合使用，该软件旨在突出显示可能指示轨道缺陷的传感器模式。这些基于规则的系统通常经过调优，可以接受大量的误报，而不会冒遗漏轨道缺陷的风险。为了消除误报，基于规则的系统输出的结果仍必须由人类分析人员进行评估，这样，时间仅得到适度的缩短。

因此，尽管现有轨道检查系统适合于其预期目的，但是仍然存在改进的需要，特别是在提供使用机器学习来检查轨道的系统和方法时。

发明内容

根据本公开的一方面，提供了一种用于检查轨道的车辆。所述车辆包括被配置为捕获描述所述轨道的传感器数据的轨道检查传感器以及处理器。所述处理器被配置为接收所述传感器数据以及近实时地处理所捕获的传感器数据以确定所捕获的传感器数据是否识别出可疑轨道缺陷。所述处理包括将所捕获的传感器数据输入机器学习系统，所述机器学习系统已经过训练，以识别传感器数据中指示轨道缺陷的模式。所述处理还包括接收来自所述机器学习系统的输出，所述输出指示所捕获的传感器数据是否识别出可疑轨道缺陷。至少部分地基于所述输出指示所捕获的传感器数据识别出可疑轨道缺陷，向所述车辆的操作员发送警报。所述警报包括所述可疑轨道缺陷的位置并指示所述操作员停止所述车辆和执行维修动作。

根据本公开的其他方面，提供了用于检查轨道的方法、系统和计算机程序产品。非限制性示例方法包括从安装在位于所述轨道上的车辆上的轨道检查传感器接收传感器数据。处理所述传感器数据以识别所述轨道中的可疑轨道缺陷的位置。所述处理包括输入采取适合于机器学习系统的形式的所述传感器数据，所述机器学习系统已经过训练，以识别所述传感器数据中指示轨道缺陷的模式。从所述机器学习系统接收包括可疑轨道缺陷的列表及其在所述轨道上的相应位置的输出。基于所述可疑轨道缺陷的列表启动维修动作。

通过以下结合附图的描述，这些以及其他优点和特征将变得更明显。

附图说明

在说明书的结尾处的权利要求中特别指出并明确要求保护被视为公开内容的主题。通过以下结合附图的详细描述，本公开的上述和其他特征以及优点将变得显而易见，其中：

图1A、图1B、图1C和图1D示出了根据本发明的实施例的轨道检查系统；

图2A是从基于规则的潜在轨道缺陷识别器输出的图像的线图；

图2B是图2A所示图像的一部分的更详细视图的线图；