Inteligentne klasyfikatory wad kontaktowo – naprężeniowych w szynach kolejowych

• Autorzy: Lesiak P. , Bojarczak P. , Migdal M.

Warianty tytułu

EN

Intelligent classifiers of contact-stress flaws occurring in rails

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono wybrane klasyfikatory wad kontaktowo – naprężeniowych typu head checking w szynach kolejowych. Wyniki badań metodą ultradźwiękową TOFD (ang. Time – Of - Flight Diffraction), poddano klasyfikacji algorytmami partycjonującymi, natomiast do diagnostyki wad metodą Magnetycznej Pamięci Metalu (ang. MMM - Method of Metal Magnetic Memory), zastosowano sieć neuronową SVM (ang.Support Vector Machines). Dokonano porównań ilościowych na podstawie badań przeprowadzonych w torze kolejowym.

EN

In this paper, classifiers of head –checking contact-stress flaws occurring in rail have been presented. Results being obtained by TOFD (Time – Of - Flight Diffraction) and MMM (Method of Metal Magnetic Memory) methods have been classified with the use of partitioning algorithms and SVM network classifier respectively. On the basis of measurements performed in the railway line, quantified comparison has been carried out.

Słowa kluczowe

PL

diagnostyka szyn kolejowych; wady kontaktowo-naprężeniowe; klasyfikatory

EN

rail diagnostic; contact-stress flaws; classifiers

• Wydawca: Fundacja Nauka dla Przemysłu i Środowiska
• Czasopismo: Pomiary, Automatyka, Komputery w Gospodarce i Ochronie Środowiska
• Rocznik: 2009
• Tom: nr 2
• Strony: 13--17
• Opis fizyczny: Bibliogr. 15 poz., il.

Twórcy

autor

Lesiak P.

autor

Bojarczak P.

autor

Migdal M.

• Politechnika Radomska, Wydział Transportu i Elektrotechniki,

Bibliografia

• [I] Bojarczak P., Lesiak P.: SVM based classification method of railway's defects. "Pomiary Automatyka Kontrola" 12/2007,s. 15-17.
• [2] Ciszewski T., Gołąbek P., Lesiak P.: Rozpoznawanie wzorców w defektoskopowych danych pomiarowych za pomocą sieci neuronowych. Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej, nr 18, Zastosowanie Komputerów w Nauce i Technice, Gdańsk 2002, s. 27 - 32.
• [3] Haykin S.: Neural Networks a comprehemive foundation. Prentice Hali International Ind 996.
• [4] Heyder R.: Nowy katalog UIC uszkodzeń szyn. Technika Transportu Szynowego, nr 12, 2002, (na podstawie The new UIC of rail defects. Der Eisenbahningenieur 9, 2001),s. 50 56.
• [5] Komsta Ł.: Wprowadzenie do środowiska R Lublin 2004. Internet: http://cran.r-project.org/doc/contrib/Komsta-Wprowadzenie.pdf
• [6] Koronacki J., Ćwik J.: Statystyczne systemy uczące się. Akademicka Oficyna Wydawnicza EXIT, Warszawa 2008.
• [7] Krzyśko M., Wołyński W., Górecki T., Skorzybut M.: Systemy uczące się. WNT, Warszawa 2008.
• [8] Lesiak P., Radziszewski A.: Diagnostyka szyn metodą magnetycznej pamięci metalu. Prace Naukowe Politechniki Radomskiej, "Elektryka" z. 2(8) 2004, Radom 2004, s. 103-110.
• [9] Lesiak P., Bojarczak P.: Application of neural classifier to railway flaw detection in the method of metal magnetic memory. The 6th International Conference "Environmental Engineering" Selected Papers Vol. 2, May 26-27, 2005, Vilnius, Lithuania, s. 744-747.
• [10] Lesiak P., Moszczyński R.: Alternative methods of mobile diagnostics of flaws such as head checking in railway rails. 11TH International Conference, "Computer Systems Aided Science, Industry and Transport", Vol. l, Zakopane 2007, s. 461 -468.
• [11] Lesiak P.: Mobilna diagnostyka szyn w torze kolejowym. Wyd. Politechniki Radomskiej, seria monografie, nr 116, Radom 2008.
• [12] Lesiak P.: Diagnostic technology of contact-stress flaws such as head checking in railway rails. Monograph No 121, Technical University of Radom, 2008, s. 187-198.
• [13] Lesiak P., Migdal M.: Cluster analysis of head checking flaws in railway rails subjected to ultrasound diagnostics (złożone do redakcji Archives of Transport 2009).
• [14] Muller K., Mika S., Ratsch G., Tsuda K., Scholkopf B.: An Inroduction to Kemel-Based Learning Algorithms. IEEE Transactions on Neural Networks, Vol. 12 No 2 March 2001.
• [15] Scholkopf B., Smoła A.: Learning with Kernels, Support Vector Machines, Regularization, Optimization and Beyond. MIT Press, Cambridge, Massachusetts, London, England2002.