Till innehåll på sidan

Tillståndsövervakning ombord av dynamisk interaktion mellan fordon och spår med hjälp av maskininlärning

Möjliggörande av järnvägsbranschens digitala transformation

Tid: To 2023-06-01 kl 10.00

Plats: F3, Lindstedtsvägen 26 & 28, Stockholm

Videolänk: https://kth-se.zoom.us/j/68259826119

Språk: Engelska

Ämnesområde: Farkostteknik

Respondent: Rohan Kulkarni , Teknisk mekanik, Järnvägsgruppen, JVG

Opponent: Prof. Jordi Viñolas, Escuela Politécnica Superior, Universidad Francisco de Vitoria, Madrid, Spain

Handledare: Mats Berg, Järnvägsgruppen, JVG, Teknisk mekanik; Ulf Carlsson, Teknisk mekanik; Alireza Qazizadeh, Teknisk mekanik, Järnvägsgruppen, JVG; Professor Sebastian Stichel, Järnvägsgruppen, JVG, Teknisk mekanik

Exportera till kalender

Abstract

Järnvägssektorns tillförlitlighet, tillgänglighet, underhållsmässighet och säkerhet (RAMS) kan förbättras avsevärt genom att införa tillståndsbaserat underhåll (CBM). I CBM-regimen drivs underhållsbeslut av tillståndsövervakning (CM) av tillgången. Denna avhandling föreslår maskininlärning (ML) baserade omboard CM (OCM) algoritmer för CM av fordon-spår dynamisk interaktion via fordonsrespons (VR). Mer specifikt utvecklas algoritmerna för att övervaka spårlägesfel (TI) och fordonsinstabilitets (VRII) via VR.

CM av TI från accelerationer ombord är en kostnadseffektiv metod för daglig övervakning av spår. Det mesta av den senaste forskningen är inriktad på att övervaka vertikal oregelbundenhet via vertikala accelerationer. Mindre uppmärksamhet ägnas åt övervakning av oegentligheter i lateralled (AL) och rälsförhöiningsfel (CL). Doktorsavhandlingen föreslår en ML-baserad OCM-algoritm för att identifiera spårsektioner med AL- och CL-spåroregelbundenheter som överskrider underhållströsklar via boggiramaccelerationer (BFA). I denna avhandling tränas OCM-algoritmens övervakade ML-modeller på BFAs' data syntetiserade med flerkropps-simulering (MBS) av ett höghastighetsfordon. Dessutom valideras de tränade ML-modellerna och OCM-algoritmen med mätningar som erhållets från samma höghastighetsfordon. Den föreslagna OCM-algoritmen visar utmärkt prestanda vid övervakning av spårkvalitet endast från BFA.

OCM för fordonets gånginstabilitet (VRI) är viktigt för att säkerställa säkerhet och komfort. Den senaste forskningen fokuserar på att designa OCM-algoritmer för att upptäcka VRI, men dessa OCM-algoritmer saknar feldiagnos (FD) av detekterad VRII. Doktorsavhandlingen föreslår olika OCM-algoritmer under ett "intelligent vehicle running instability detection algorithm" (iVRIDA) paraply för att upptäcka VRII och diagnostisera motsvarande grundorsaker via korgsaccelerationer. Förekomsten av VRI under regelbunden drift över en hel tågflotta är en anomali. Således föreslås en oövervakad anomalidetektering (AD) baserad iVRIDA algoritm och utvidgas senare som iVRIDA-fleet för fordonsparksomfattande applikation.

De föreslagna OCM-algoritmerna iVRIDA och iVRIDA-fleet verifieras genom mätningar ombord av ett europeiskt höghastighetsfordon och den svenska fordonsflottan X2000.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-326616