Système laser d’inspection des rails (LRAIL™)
Le Système laser d’inspection des rails de Pavemetrics® (LRAIL™) offre une toute nouvelle façon économique de faire l’inspection des chemins de fer.
La plupart des capteurs pour l’inspection des rails disponibles sur le marché aujourd’hui sont limités à une seule fonctionnalité. Ils ne mesurent qu’un seul paramètre comme la jauge ou ne font qu’une seule tâche comme l’imagerie.
Le LRAIL offre un meilleur retour sur investissement en combinant l’imagerie haute résolution des rails avec les scans 3D dans un seul passage et en automatisant le processus d’inspection. On peut donc voir le chemin de fer en haute résolution et l’inspecter.
Le LRAIL acquiert des profils 3D impressionnants d’une résolution de 1 mm en X et Y avec une précision verticale de 0,1 mm des rails, attaches et ballasts à des vitesses allant jusqu’à 120 km/h.
Les algorithmes automatisés du LRAIL analysent les profils 3D et font des mesures de la géométrie des rails et pour détecter les défauts.
Les bonnes données pour bien répondre aux normes
Les capacités de détection automatique du LRAIL incluent : la jauge, le relèvement, la courbure, l’alignement, les traverses, les joints, les défauts de surface des rails et plus encore.
Des capteurs qui ont fait leurs preuves
Le LRAIL de Pavemetrics se base sur la technologie du réputé LCMS®. Avec plus de 100 systèmes en utilisation à travers le monde, le LCMS est la technologie plus utilisée et à laquelle l’industrie fait le plus confiance.
Objectif, précis et répétable
La qualité des résultats est optimisée par le traitement des données qui se fait entièrement par ordinateur de façon objective, avec des résultats bien plus précis et bien plus répétable qu’une inspection visuelle traditionnelle.
Meilleur retour sur investissement que les technologies traditionnelles
En capturant à la fois des profils 3D et des images précises en un seul passage et en offrant le traitement automatique des données, le LRAIL peut facilement remplacer à lui seul plusieurs technologies traditionnelles tout en sauvant temps, argent et électricité.
Voyez le LRAIL en action
Cliquez sur la vidéo ci-dessous pour voir les résultats haute définition du LRAIL.
Caractéristiques du LRAIL
- Vitesse d’inspection allant jusqu’à 120 km/h
- Mesure de la géométrie 3D et imagerie haute résolution simultanées
- Opération de jour comme de nuit, immunité aux ombres
- Inspection automatique des chemins de fer:
- Évaluation des traverses en bois (angle, fissuration, tire-fonds)
- Évaluation des traverse en béton (angle, fissuration)
- Détection des attaches brisées ou manquantes
- Évaluation de l’usure du coeur de croisement des rails d’aiguillage
- Détection des défauts de surface sur la table de roulement
- Détection des joints
- Largeur du chemin de fer, alignement, niveau transversal et inclinaison, courbure, niveau longitudinal
- Profil du champignon du rail et mesure de l’usure
- Données géoréférencées automatiquement en utilisant les points de référence et les données inertielles corrigées (x, y et z)
- Système compact : les capteurs ne pèsent seulement que 13 kg chaque et peuvent être installés sur n’importe quel véhicule utilisé pour l’inspection
- Composants robustes, boîtiers scellés pour faire face aux intempéries
- Faible consommation d’énergie
- Algorithmes de compression des données afin de minimiser l’entreposage
Spécifications du LRAIL
- Fréquence de scannage de 16 666 Hz
- Vitesse jusqu’à 120 km/h
- Résolution transversale de 1 mm
- Résolution verticale de 0,1 mm
- Précision verticale de 0,25 mm
Articles disponibles en anglais seulement.
Deep Learning for Railroad Inspection – Phase 2
Authors: Richard Fox Ivey, Mario Talbot, John Laurent (Pavemetrics)
Abstract: This paper builds on prior work (Deep Learning for Railroad Inspection – Phase 1) to develop a Deep Neural Network that can automatically identify key railway components as a step in the process of automating rail inspection in an effort to overcome the limitations of traditional methods. This new study adds the identification of new railway components (Tie Plates) as well as the automated assessment of their condition.
Deep Learning for Railroad Inspection – Phase 1
Authors: Richard Fox Ivey, Mario Talbot, John Laurent (Pavemetrics)
Abstract: Railway networks around the world are an important part of the transportation network and represent billions of dollars of investment. Poorly maintained networks negatively impact asset longevity, schedule performance and pose a serious threat to safety. In order to safeguard against these risks, Railroads typically inspect 100% of their mainline network at least annually and key locations even more frequently. Railroad inspection has traditionally been a manual process with inspectors walking the track or driving slowly in a high-rail vehicle to visually spot problems. This practice is very costly, time consuming, impacts schedule performance (due to the need for track possession), and puts staff at risk. While there have been some recent attempts to modernize the inspection process through the adoption of machine-vision technologies, these technologies are often still reliant on human inspectors manually reviewing images in order to spot defects. Manual review of images suffers from many of the same problems as manual inspections do: it is time consuming, subjective as opposed to being objective, and requires significant amounts of labor. This paper will explore a new approach which makes use of Deep Learning algorithms, specifically a Deep Neural Network, to automatically inspect images and has the potential to overcome these limitations.
Laser Triangulation for Track Change and Defect Detection
Authors: Federal Railroad Administration
Abstract:This report documents the successful demonstration of automated change detection on railroad track. Pavemetrics Systems Inc. performed this research under contract with the Federal Railroad Administration between March and December 2017. The project successfully demonstrated the ability of its Laser Rail Inspection System (LRAIL) to detect changes in fasteners, anchors,spikes, ties, joints, and ballast—as well as record rail stamping information on Amtrak’s Harrisburg line.
Extended Field Trials of LRAIL for Automated Track Change Detection
Authors: Federal Railroad Administration
Abstract:This report details the deployment of Pavemetrics’ Laser Rail Inspection System, “LRAIL,” for the purposes of automated change detection. The project was conducted between September 2018 and December 2019 at filed locations on Amtrak property and at Pavemetrics’ offices in Quebec, Canada.The project involved a combination of field sensor data acquisition, deliberate manual changes in the field, office algorithm development, algorithm testing and validation, and system performance reporting. The extended field trial proved successful. Repeatability, mean, and standard deviation of change measurements were determined and noise floors for each measured parameter were established.
