Blog

Oct 30, 2023

Umgang mit Störungen bei der Gleisinspektion unter Einsatz von Risiken

Wissenschaftliche Berichte Band 13,

Wissenschaftliche Berichte Band 13, Artikelnummer: 2141 (2023) Diesen Artikel zitieren

826 Zugriffe

2 Zitate

1 Altmetrisch

Details zu den Metriken

Ungeplante Gleisinspektionen können eine direkte Folge einer Störung des Betriebs der Aktivitäten zur Überwachung der Gleisgeometrie an Bord sein. Auf diese Weise wird eine neuartige Reaktionsstrategie zur Verbesserung des Informationswerts für ergänzende Gleismessungen entwickelt, um ein Datengenerierungsmodell zu erstellen. Bei diesem Modell werden jedem Messpunkt entlang des betroffenen Gleisabschnitts über einen kurzen Zeitraum künstliche (synthetische) Daten zugeordnet. Um effektiv künstliche Spurmessdaten zu generieren, schlägt diese Studie ein NARX-Modell (nichtlinear autoregressiv mit exogenen Variablen) vor, das Kurzstreckengedächtnisabhängigkeiten in die abhängige Variable einbezieht und voneinander abhängige Effekte externer Faktoren integriert. Nichtlinearitäten im vorgeschlagenen Modell wurden mithilfe eines künstlichen neuronalen Netzwerks bestimmt, das eine schnelle Berechnung einer Zuordnungsfunktion im Einklang mit den Anforderungen eines effektiven Störungsmanagements ermöglichte. Das Risiko einer Überanpassung des Datengenerierungsmodells, das seine Generalisierungsfähigkeit widerspiegelte, wurde durch das Risikoaversionskonzept effektiv gemanagt. Für die Modellbewertung wurde die Abweichung des Gleislängsniveaus als Fallstudie herangezogen und anhand der Degradationsrate sowie der Gleisausrichtung und Spurweite als exogene Variablen vorhergesagt. Simulationsergebnisse an zwei statistisch unterschiedlichen Datensätzen zeigten, dass das Datengenerierungsmodell für Messungen gestörter Gleise zuverlässig, genau und einfach zu verwenden ist. Dieses neuartige Modell ist ein wesentlicher Durchbruch bei der Vorhersage der Gleisintegrität und dem robusten Betriebsmanagement.

Die geometrischen Bedingungen einer Eisenbahnstrecke werden regelmäßig gemessen und aktualisiert, indem die Gleisgeometriemessungen, die von einem Gleisaufzeichnungswagen erfasst werden, in Kombination mit Inspektionsdaten aus Sichtprüfungen ausgewertet werden. Diese Untersuchungen gewährleisten die Fahrsicherheit und den Fahrkomfort von Schienenfahrzeugen auf einem Eisenbahnnetz. Vor einem Betriebsausfall werden bei defekten Gleisen entsprechend der Gleisinstandhaltungsrichtlinie entsprechende Gleisinstandhaltungsmaßnahmen durchgeführt (z. B. Stopfen, Schienenerneuerung, Instandsetzung usw.), entweder im Rahmen von Korrektur- oder Präventivmaßnahmen. Voraussetzung für einen effektiven Wartungsbetrieb ist ein Gleismess-/Inspektionsplan (TIS). Bisher wird TIS als Optimierungsproblem modelliert, das verschiedene zeitliche und räumliche Parameter sowie physikalische (dh menschliche und maschinelle) Eigenschaften berücksichtigt1. Da das TIS in einer Echtzeitumgebung Unsicherheiten ausgesetzt ist, können Störungen auftreten und möglicherweise einige oder alle der verbleibenden Aktivitäten im Zeitplan zunichte machen1,2.

Störungen sind ein zufälliges Ereignis und kein deterministischer Prozess, und diese Eigenschaft macht ihr Auftreten unvorhersehbar und dynamisch. Wenn eine Störung des TIS auftritt, können wir mit einer Verzögerung bei der Bereitstellung von Gleismessungen und Inspektionsdaten rechnen, die Gleisunregelmäßigkeiten in den Planungsprozess der Gleisinstandhaltung einfließen lassen. Wenn Gleise länger als nötig unbeaufsichtigt bleiben, erhöht sich das Risiko einer verspäteten Fehlererkennung. Dadurch muss eine ungeplante Wartung anstelle einer geplanten Funktion durchgeführt werden. Dies hat sicherlich direkte Auswirkungen auf die Instandhaltungskosten der Gleise3. In einer Extremsituation könnte eine ineffektive Gleisinspektion ein ursächlicher Faktor für eine Zugentgleisung sein4,5. Eine Möglichkeit, auf ein störendes Ereignis bei der Gleisinspektion zu reagieren, besteht darin, eine geeignete Reaktion auf eine gestörte Gleismessung zu finden. Der Begriff „gestört“ wird verwendet, um einen direkten Verlust hervorzuheben, der auf eine Störung im TIS zurückzuführen ist. In dieser Studie wurde ein innovativer Rahmen für das Störungsmanagement (DM) eingesetzt, um eine geeignete Reaktionsmaßnahme für gestörte TIS zu ermitteln.

Die Motivation für den Einsatz des DM-Frameworks besteht darin, dass eine Reaktionsaktion die minimal mögliche Änderung in allen Aspekten des betroffenen Prozesses oder Systems von Interesse bewirken kann. Da Störungen vorübergehender Natur sind, ist ein reibungsloser Übergang von der Zeit vor der Störung zur Zeit nach der Störung erforderlich. Um diese Anforderung zu erfüllen, muss ein Systemingenieur die Integrität der „gestörten“ Komponente oder Einheit des Prozesses kennen und so weit wie möglich bewahren6. In dieser Studie dienen Gleismessdaten als repräsentative Informationen über „gestörte“ Komponenten.

Eine Eisenbahnstrecke ist ein Beispiel für eine komplexe und kontinuierliche Anlage; Daher ist seine Länge ein kritischer Parameter in der Gleisinstandhaltungsgleichung. Diese Beschreibung bedeutet, dass aus statistischer Sicht Gleismessungen innerhalb eines bestimmten Intervalls räumlich korreliert sind. Diese Abhängigkeit könnte zu einer Verzerrung bei der Analyse der Datenmodellidentifikation führen. In ähnlicher Weise bieten regelmäßige Gleismessungen eine Plattform, um die Entwicklung der Gleisgeometrieänderungen im Laufe der Zeit (Tonnage) zu verfolgen. Daher sollten sowohl zeitliche als auch räumliche Auswirkungen berücksichtigt werden, wenn über eine geeignete Reaktion auf gestörte Gleismessungen entschieden wird. Im Einklang mit den oben genannten Anforderungen erscheint ein Einsatz künstlicher Intelligenz zur Ableitung adaptiver Reaktionen auf ein gestörtes TIS vielversprechend. Wir schlagen daher ein neuartiges Framework für künstliche Intelligenz vor, um die Verschlechterung der Gleisgeometrie vorherzusagen. Kurz gesagt erstellt die neue Methode zunächst ein statistisches Modell für Gleismessdaten, bevor es zur Vorhersage der fehlenden Gleismessdaten verwendet wird.

Das Hauptziel der Entwicklung eines Vorhersagemodells besteht darin, eine Annäherung an den tatsächlichen physikalischen Prozess oder das tatsächliche System bereitzustellen und dessen Ergebnisse vorherzusagen7. Wenn eine gründliche nichtlineare Beziehung zwischen Eingabekovariaten und der Modellausgabe des Prozesses nicht erforderlich ist, sind statistische Modelle für die Erstellung von Vorhersagemodellen effektiver. Diese Methode nutzt eine vereinfachte mathematische Funktion zur Beschreibung dynamischer Wechselwirkungen in den Ein-/Ausgabevariablen8. Eine der bequemsten Modellstrukturen für Vorhersagezwecke ist das nichtlineare autoregressive Modell mit exogenen Variablen (NARX). In diesem Modell definiert eine nichtlineare Abbildungsfunktion die komplexe Beziehung zwischen der Zielvariable (Ausgabe) und der externen Variable (Eingabe). Die Funktion verwendet vergangene Werte der Eingabe- und Ausgabevariablen, um den aktuellen Wert der Ausgabevariablen zu generieren. In Bezug auf die zum Erhalten der Abbildungsfunktion verwendete Methode kann das NARX-NN-Modell unterschiedliche Funktionsformen haben. Unter verschiedenen Methoden wie dem Box-Jenkins-Modell haben sich neuronale Netze als universelle Funktionsnäherungen erwiesen, das heißt, sie können komplexe Funktionen mit beliebiger Genauigkeit approximieren, abhängig von der Anzahl der Trainingsepochen und der Qualität der Daten9.

Neuronale Netze erfreuen sich in der Simulation und Vorhersage aus zwei Gründen großer Beliebtheit; Sie behandeln die nichtlineare Beziehung zwischen Eingabe-Ausgabe-Variablen implizit (dh ohne dass umfassende Kenntnisse erforderlich sind oder Annahmen über das untersuchte Problem getroffen werden) und sie lassen sich gut gegen unsichtbare Daten verallgemeinern. Allerdings würden die vorteilhaften Eigenschaften eines neuronalen Netzwerks verschwinden, wenn es mit einem kleinen Satz an Trainingsdaten trainiert würde. Bei gestörter Gleisinspektion kann es zu einem Datenmangel kommen, insbesondere bei Gleisabschnitten mit geringer Messfrequenz, bei denen es anschließend zu Zugentgleisungen kommen kann10. Es ist zu beachten, dass für die Modellierung nur Messungen verwendet werden, die von der letzten Stopfwartung (z. B. einem Wiederherstellungspunkt) aufgezeichnet wurden. Alle außerhalb des Intervalls erfassten Gleismessungen werden für veraltet erklärt, da der Zustand eines analysierten Gleises durch Wartungsarbeiten zurückgesetzt wurde. Diese Einschränkung der Datenaufbereitung für das neuronale Netzwerk ist einzigartig für TIS. Darüber hinaus wurde die sicherheitsbasierte Instandhaltung diskutiert, um die Geometriewiederherstellung von Eisenbahnsystemen zu optimieren, die mit Unsicherheiten und Störungen konfrontiert sind. Bayesianische netzwerkbasierte Ansätze wurden übernommen, um die Auswirkungen des Wetters auf Komponentenausfälle an Eisenbahnweichen (RTs) zu bewerten11,12. Die Studie war jedoch nicht auf groß angelegte Untersuchungen anwendbar, da die Klimamuster häufig variieren. Die Methode weist einige Einschränkungen auf, da die Daten innerhalb einer bestimmten Zeit nach Klimamustern, Fehlerbedingungen und räumlichen Daten segmentiert werden müssen.

Überschätzung ist eine der Nebenwirkungen überangepasster Daten. Um das Risiko einer Überschätzung in Vorhersagemodellen zu verringern, nutzt ein neuronales Netzwerk die Bayes'sche Regularisierung. Die Bayes'sche Regularisierung begrenzt die Größe der Netzwerkparameter, um eine gleichmäßigere Reaktion des Netzwerks zu ermöglichen. Abgesehen von seinen starken Generalisierungseigenschaften benötigt ein reguliertes neuronales Netzwerk auch weniger Rechenzeit für das Modelltraining. Der Modellvalidierungsprozess, der als \(\mathrm{\rm O}\left({N}^{2}\right)\) skaliert ist, wobei N die Anzahl der Datenpunkte ist, ist nicht mehr notwendig13. Bei großen Datenmengen kommt der zeitsparende Vorteil zum Tragen.

Bisher wurden mehrere Vorhersagemodelle vorgeschlagen14,14,16, aber nicht alle Modelle sind im Hinblick auf die einzigartige Natur von Störungen bei der Gleisinspektion konzipiert. Zu diesem Zweck eignet sich eine integrierte Formulierung eines bayesianisch regulierten neuronalen Netzwerks und des NARX-Modells am besten zur Generierung KI-basierter Daten für Streckenmessungen bei Vorliegen unerwarteter Ereignisse. In diesem Artikel wird der ausgewählte geometrische Gleisparameter als autoregressive Variable definiert, während die anderen Parameter als externe Eingaben im NARX-Modell fungieren. Der ausgewählte Parameter spielt eine wichtige Rolle bei der Entscheidung zur Gleisinstandhaltung17. Da ein neuronales Netzwerk durch Daten gesteuert wird, wendet diese Studie maschinelle Lernwerkzeuge wie Clustering im vorgeschlagenen Modell an, um das Risikoaversionskonzept zu übernehmen und einen qualitativ hochwertigen Trainings- und Testdatensatz zu generieren. Diese Aktion reduziert die Rechenzeit eines neuronalen Netzwerks erheblich. Insgesamt veranschaulichen die vielversprechenden Ergebnisse dieser Studie, wie wichtig es ist, eine effiziente Fusionsmethode zu formulieren, um ein Vorhersagemodell zu erstellen, das sich gut auf neue Fälle verallgemeinern lässt, was sich in der Genauigkeit der vorhergesagten Ergebnisse widerspiegelt.

Bei einer Gleisgeometriemessung fährt der Gleisaufzeichnungswagen (TRC) mit einer Gleisgeschwindigkeit zwischen 70 und 120 km/h, um sieben Gleisgeometrieparameter an gleichmäßig verteilten Gleispunkten (Positionen) über einen einzigen Gleiscode zu messen. Ein Gleiscode umfasst K Gleiskilometer und ist somit in mehrere sich nicht überschneidende Gleissegmente unterteilt. Beachten Sie, dass K die Längeneinheit der Gleisstrecke in Kilometern ist. Für ein Gleissegment S mit einer Länge von m Metern (beachten Sie, dass m die Einheitslänge des Gleissegments in Metern ist) kann es somit eine Folge von Messpunkten geben, die mit \(i=\mathrm{1,2} ,\dots ,m/r\) und . Dabei bezeichnet r den Abstand (in Metern) zwischen zwei benachbarten Messpunkten. Wenn die n-te Gleismessung im Gleissegment durchgeführt wird, wird jedem \({x}_{i}^{{S}_{j}}\) für ein Abweichungsbetrag der geometrischen G-Gleisparameter zugewiesen. Wenn sich der Index k hier auf den Gleiszustandsindex bezieht, wird er ausgedrückt als wobei \(k=\mathrm{1,2},\dots ,G\).

Kommt es vor der n + 1. Gleismessung zu einer Störung, beispielsweise im TRC, werden KI-basierte Daten für generiert. Die Datengenerierung ist eine unmittelbare Reaktion, um Zeitverzögerungen bei der Bereitstellung aktueller Gleismessungen zur Beurteilung des Gleiszustands zu vermeiden. Diese Maßnahme verringert wiederum die Wahrscheinlichkeit, dass es zu ungeplanten Wartungsarbeiten im Zusammenhang mit der Gleisgeometrie aufgrund einer späten Fehlererkennung am betroffenen Gleiscode kommt. Zum Zwecke der Datengenerierung wird ein identifizierter geometrischer Gleisparameter als autoregressive Variable in einem NARX-Modell definiert und mit \({\widetilde{ y}}_{k}^{n+1}\left({x}_) bezeichnet. {i}^{{S}_{j}}\right)\). Das vorgeschlagene NARX-Modell verwendet auch externe Variablen \({u}_{l}\left({x}_{i}^{{S}_{j}}\right)\) als Modelleingaben. Daher kann der entsprechende NARX ausgedrückt werden als:

wobei\(f\left(\cdot \right)\) eine unbekannte nichtlineare Abbildungsfunktion von \(d={d}_{1}+\left(p+1\right){d}_{2}\ ist )s frühere bekannte Ausgaben. Jede der p externen Variablen wird durch definiert. An diesem Punkt wird davon ausgegangen, dass der Gleisgeometrieparameter n unregelmäßig ist, und im Hinblick auf die angestrebte Gleisgeometrie ist k ein nicht unabhängiger Index. Zur Begründung dieser Annahmen dient die Kompromissanalyse zwischen Modellkomplexität und Modellleistung am Ende des Modellentwicklungsprozesses.

Im Allgemeinen kann jede externe Variable aus dem NARX-Modell ausgeschlossen werden, wenn ihr Beitrag zur Modellleistung auf Kosten einer Verringerung der Modelleinfachheit geht. Andererseits wird der Term „1“ hinzugefügt, um die aktuelle Größe der Änderung des angegebenen geometrischen Gleisparameters zu berücksichtigen. Der Betrag ergibt die Differenz zwischen \({y}_{k}^{n}\left({x}_{i}^{{S}_{j}}\right)\) und \({y} _{k}^{n-1}\left({x}_{i}^{{S}_{j}}\right)\).

Ein neuronales Netzwerk ist ein Rechenparadigma, das von der Struktur biologischer neuronaler Netzwerke und ihrer Art der Kodierung und Lösung von Problemen inspiriert ist. Das grundlegende NN-Modell wird entsprechend dem Motiv und den verfügbaren Ressourcen eines Benutzers angepasst und systematisch mit gefilterten Input-Output-Daten trainiert, um das untersuchte Problem zu lösen.

In dieser Studie wird ein NN angewendet, um die nichtlineare Funktion \(f\left(\cdot \right)\) in (1) zu erhalten. Hierzu ist eine entsprechende Netzwerkkonfiguration entsprechend der Modellbeschreibung erforderlich. Die NARX-NN-Architektur in Abb. 1 zeigt eine Eingabeschicht mit q wiederkehrenden Einheiten mit p + 1 Neuronen, eine verborgene Schicht und eine Ausgabeschicht mit q Neuronen, die die dynamische Beziehung zwischen Eingabe- und Ausgabevariablen in (1) beschreiben. Die Linien stellen gewichtete Verbindungen dar und die Quadrate stellen Bias-Thresholding-Knoten dar. Ein zweizeiliger Kreis in der verborgenen Ebene ist das Verzögerungselement für eine Eingabevariable. Hier ist der genaue Wert von d1 und d2 unbekannt und wird basierend auf dem Modelltrainingsergebnis bestimmt. NARX-NN kann mit nichtlinearen Eingaben umgehen, die zeitabhängig sein können (z. B. Störungen). Diese Fähigkeit ermöglicht eine bessere Vorhersage im Vergleich zu herkömmlichen neuronalen Netzen, insbesondere wenn die Eingabemerkmale dynamisch sind.

Ein Überblick über die NARXNN-Architektur.

Vor dem NN-Training muss eine Konfiguration des Netzwerks erreicht werden. Die Anzahl der Knoten in der Eingabe- bzw. Ausgabeschicht spiegelt die Anzahl der Eingabe- und Ausgabevariablen des interessierenden Systems wider. Im Falle eines NARX-NN-Modells muss ein Benutzer auch den Wert einer Verzögerungseinheit in der Modellausgabe und in externen Serien initiieren. Abgesehen davon ist die Anzahl der versteckten Knoten im Allgemeinen unbekannt und würde während des Netzwerktrainings iterativ angepasst werden. Später wird ein unabhängiger Test durchgeführt, um die optimale Architektur des NARX-NN-Modells zu bewerten.

Wenn ein NN mit einem kleinen Trainingsdatensatz trainiert wird, kann das resultierende NN-basierte Modell in allen Fällen, die nicht im Trainingssatz enthalten sind, eine schlechte Leistung erbringen. Der NN ist wahrscheinlich zu stark an die Trainingsdaten angepasst, was die Generalisierbarkeit des Modells erheblich verringert. Außerdem neigt das Netzwerkmodell dazu, große Fehler zu generieren, wenn neue Instanzen präsentiert werden. Wenn man diese Einschränkung auf die Datengenerierung anwendet, verfügt das vorgeschlagene NARX-NN möglicherweise nur über eine begrenzte Fähigkeit, plötzliche Veränderungen in der Entwicklung des Gleiszustands über die Gesamttonnage hinweg zu erkennen. Um dieses Problem anzugehen und die Modellverallgemeinerung zu verbessern, wird beim NN-Modelltraining eine Regularisierungsmethode angewendet. Abgesehen von der Demonstration guter Generalisierungseigenschaften ist das Training des NN mithilfe der Regularisierungsmethode weniger zeitaufwändig, da ein Modellvalidierungsschritt nicht erforderlich ist13,18. Mit einem Validierungsprozess, der als O(\({N}^{2}\)) skaliert ist, wobei N die Größe der Daten ist, werden die Vorteile der Regularisierungsmethode bei großen Datensätzen deutlich13.

Um die beste Kombination aus Gewichtungs- und Bias-Werten zu erhalten und ein Vorhersagemodell zu erstellen, das sich gut verallgemeinern lässt, wird das Netzwerk auf der ausgewählten Architektur und dem ausgewählten Trainingssatz trainiert, um die folgende Leistungsfunktion zu optimieren:

wobei \(\gamma\) der Regularisierungsparameter ist. \({E}_{W}\) und \({E}_{D}\) stellen den Mittelwert der Summe der Quadrate der Netzwerkgewichte und -verzerrungen bzw. die mittlere Summe der Quadrate der Netzwerkfehler dar. In der angegebenen Leistungsfunktion, die eine typische Fehlerfunktion mit einem zusätzlichen Term ist, zwingt das Training das NN dazu, kleine Gewichte und Verzerrungen zu verwenden, d. h. einen niedrigen \({E}_{W}\)-Wert. Burden et al.13 und Piotrowski et al.19 gaben an, dass die erfolgreiche Anwendung von NN auf ein Problem die richtige Wahl des Lernalgorithmus erfordert; Daher wird die Bayes'sche Regularisierungstechnik (BR) empfohlen, wenn die Daten klein sind und zu einer Überanpassung neigen. Bei der Einführung von BR müssen vor jeder Schulung mehrere Annahmen getroffen werden. Die Netzwerkgewichte und Trainingsdaten werden als Zufallsvariablen mit einer Gaußschen Prior-Verteilung betrachtet. Die A-priori-Wahrscheinlichkeit über dem Gewicht wird dann durch Einbeziehung von Trainingsdaten gemäß der Bayes-Regel aktualisiert. Die optimalen Gewichte des Netzwerks werden dann bestimmt, wenn die A-posteriori-Wahrscheinlichkeit maximiert ist; Dies entspricht der Minimierung der Fehlerfunktion in (2).

Obwohl NN alle reellwertigen kontinuierlichen Funktionen approximieren kann, hängt sein Erfolg stark von der richtigen Auswahl der NN-Komponenten ab, wie z. B. Datenaufbereitung und -vorverarbeitung, Netzwerkarchitektur, Modellannahmen und -beschränkungen, Zielfunktion und Nachverarbeitungsschritte. In einem besonderen Fall von gestörtem TIS hat diese Studie die Bedeutung einer guten NN-Konfiguration für die Modellierung dynamischer Verbindungen zwischen geometrischen Gleisparametern hervorgehoben.

Drei Abschnitte einer 100 m langen Strecke werden identifiziert und verwendet, um zu demonstrieren, wie das vorgeschlagene NARX-NN-Modell bei Störungen betrieben werden sollte. Gleisgeometriedaten (einschließlich Oberkante, Linie, Verdrehungen und Spurweite) wurden für den jeweiligen Gleisabschnitt über einen Zeitraum von 20 aufeinanderfolgenden Jahren erfasst. Die Gleisgeometriedaten wurden vom Gleisinspektionsfahrzeug gemessen und aufgezeichnet, und im Allgemeinen wurden jährlich 4–5 Routineinspektionen aufgezeichnet. Die Geometriedaten sind mit den Gleiszustandsindizes (oder „Gleisqualitätsindex“ genannt) verknüpft, die Datensätze aus über 40 Jahren umfassen. Beachten Sie, dass die Abschnitte Teil der Routineinspektionen der jeweiligen Gleisstrecke sind (z. B. > 200 km). Drei Spursegmente werden der Ausgabe des nicht überlappenden Segmentierungsalgorithmus zugeordnet, der auf eine in Abb. 2 dargestellte Sammlung von Datenreihen angewendet wird. Die Sammlung besteht aus zwei Paaren von Längspegelmessungen, die zu zwei aufeinanderfolgenden Zeitpunkten aufgezeichnet wurden, zu denen jedes Datenpaar gehört auf die gleiche Schienenseite eines analysierten Gleissegments. Zur Unterscheidung der analysierten Segmente werden die Notationen S1, S2 und S3 verwendet. Aufgrund der eingeschränkten Genehmigung kann diese Studie den Standort der inspizierten Gleisabschnitte, die Quelle der Inspektionsdaten sowie den Dateneigentümer nicht offenlegen. Zur Verallgemeinerung ist die x-Achse in Abb. 2 mit einer Reihe von Ganzzahlen markiert; beginnt bei 1 und endet bei 600 (= 300*r).

Zwei aufeinanderfolgende Gleisgeometrieprüfungen auf der 300 m langen Strecke. Die Unebenheit der Strecke wird alle 0,5 m gemessen und daraus 600 Gleispunkte generiert, die in der Positionsachse markiert sind. Beachten Sie, dass es sich hierbei um einen einzelnen Satz zeitlicher Daten über einen 300 m langen Gleisabschnitt handelt.

Visuelle Beobachtungen der Datenreihen in S1 und S2 ließen die Hypothese zu, dass die beiden Datenreihen hinsichtlich statistischer Merkmale einen hohen Grad an Ähnlichkeit aufweisen könnten. Wenn Beweise dieses Merkmal bestätigen, sollte eine der Datenreihen vor Eintritt in die NN-Trainingsphase entfernt werden, um zu vermeiden, dass bei dieser Studie redundante und unproduktive Ergebnisse präsentiert werden. Um die Entfernungsentscheidung zu untersuchen, wurden die visuellen Beweise mithilfe des in Abb. 3 gezeigten Streudiagramms verarbeitet. In dieser Abbildung wird ein Diagramm des RMS gegenüber der Kurtosis der Datenreihen für jedes Spursegment erstellt. RMS und Kurtosis sind weit verbreitete statistische Indikatoren für die Signalcharakteristikanalyse20. Die resultierenden Cluster in Abb. 3 stützen die Hypothese; Um also auszuwählen, welche Reihe entfernt werden soll, wird der euklidische Abstand zwischen dem linken und dem rechten Punkt (Schiene) im Streudiagramm als Entscheidungshilfe verwendet. S2 wird dann aufgrund seiner größeren Entfernung ausgewählt, um S3 beim NN-Lernen zu unterstützen.

Anwendung von distanzbasiertem Clustering im Vorverarbeitungsschritt.

Um die Wirksamkeit des vorgeschlagenen Datengenerierungsmodells zu demonstrieren, haben wir eine Gleislängsebene als Messung der gestörten Gleise ausgewählt, die später als Forschungsobjekt bezeichnet wird. Das Längsniveau eines Gleises ist die vertikale Abweichung der Oberseite des Schienenkopfes (Lauftisch) von der mittleren vertikalen Position (Bezugslinie). Die Längsnivellierung gehört zu den vielen geometrischen Gleisparametern, die von einem Gleisaufzeichnungswagen gemessen werden, und gilt als führender Indikator für Entscheidungen zur Gleisstopfwartung21. Diese Feststellung ist auf die Tatsache zurückzuführen, dass sich Gleisunregelmäßigkeiten in vertikaler Richtung (oder „oben“ genannt) schneller entwickeln als andere Gleisgeometriefehler. Beachten Sie, dass die Längsebene sowohl für die linke als auch für die rechte Schiene bewertet wird und diese Anforderung zwei Knoten in der Ausgabeschicht unseres NARX-NN-Modells erfordert.

Zur Vereinheitlichung mit der Terminologie des neuronalen Netzwerks verwenden wir den Begriff „Eingabe-/Ausgabedatenreihe“, um den geometrischen Spurparameter über ein analysiertes Spursegment zu bezeichnen, der im Datengenerierungsmodell angewendet wird. Die Hauptmotivation für die Verwendung externer Datenreihen im vorgeschlagenen Datengenerierungsmodell ergibt sich aus den beispiellosen Merkmalen der Reaktionsaktion, die wir für eine gestörte Gleismessung anstreben. Die Datenintegration erfolgte mit den vergangenen und aktuellen Messwerten anderer geometrischer Gleisparameter, z. B. Ausrichtung und Spurweite, zusammen mit den vergangenen Werten des Forschungsobjekts, um die Größe vorherzusagen, die sich das Forschungsobjekt sowohl räumlich als auch zeitlich für einen kurzen Zeitraum entwickeln würde der Dienstzeit. Es wird erwartet, dass eine Fusionsmethode aus integriertem NARX und neuronalem Netzwerk (bezeichnet als NARX-NN) nichtlineare Beziehungen zwischen diesen geometrischen Parametern über eine Spannweite der Spurlänge aufdeckt, deren Schwankungen in der Spursteifigkeit nicht bekannt sind.

Ein Grund für die Verwendung der Gleisausrichtung im NARX-NN-Modell sind ihre Einflüsse auf die vertikalen Gleiskräfte sowie die Längsebene22. Eine Gleislängsebene und eine Gleisausrichtung wurden auf verschiedene Weise kombiniert, um Gleisgeometrieprobleme zu bewältigen23. Beispielsweise haben Soleimanmeigouni et al.24 einen solchen Zusammenhang zwischen diesen Parametern im langfristigen Gleisverschlechterungsprozess festgestellt. Eine ähnliche Beziehung könnte im kurzfristigen Vorhersagemodell bestehen, die direkte Verwendung dieser Beziehung könnte jedoch aufgrund unterschiedlicher Modellbeschränkungen ungeeignet sein. Ein wesentlicher Unterschied zwischen kurz- und langfristigen Gleisvorhersagemodellen ist die Gültigkeit von Gleismessungen (oder Gleisqualitätsindizes) im Hinblick auf den Gleisverfall, wobei Modelle der letzteren Kategorie die allmähliche Verschlechterung des Gleises beschreiben, während es sich um plötzliche Verschiebungen/abrupte Änderungen im Gleis handelt Der Schwerpunkt des Vorgängermodells liegt auf der Verschlechterung16,25. Für das kurzfristige Vorhersagemodell gilt der Stopfeffekt nur für die erste Gleismessung nach Wartungsarbeiten am analysierten Gleisabschnitt. Dennoch wäre es sinnvoll, nichtlineare Wechselwirkungen zwischen Gleisverlauf und Längsniveau im Kontext des Störungsmanagements zu untersuchen. Ähnlich wie bei der Längsebene wird auch eine Abweichung der Gleisausrichtung für die linke und rechte Schiene gleichzeitig gemessen und analysiert. Neben den Gleisgeometrien wird in unserem NARX-Modell auch die Spurweitenmessung als exogene Variable verwendet. Variationen in der Gleisgeometrie und Spurweite können zu großen seitlichen Rad- und Achskräften führen, die zu Entgleisungen oder Schäden an der Gleisstruktur führen26.

Wie bereits erläutert, wurde das Vorhersagemodell in dieser Studie nach Abschluss von n aufeinanderfolgenden Gleismessläufen erstellt. Dieser Mechanismus bedeutet, dass auf n vorherige Gleismessungen zugegriffen werden kann. Daher wird eine Reihe von Verschlechterungsraten auf Längsebene als endgültige externe Variable für das NARX-NN-Modell definiert.

Das Training von NN ist eine datenintensive Aufgabe und es besteht immer die Möglichkeit, dass NN die Daten überpasst, was beispielsweise dazu führt, dass das resultierende Vorhersagemodell bei der Vorhersage neuer Daten schlecht abschneidet. Eine wirksame Möglichkeit, das Risiko einer Überanpassung bei der NN-basierten Funktionsnäherung zu verringern, besteht darin, die Komplexität in einem Netzwerk zu kontrollieren, dh ein übergroßes Netzwerk zu vermeiden. Eine einfache Entscheidungsregel, die auf einem Freiheitsgrad in einem NN-Modell basiert, besteht darin, die Anzahl der Parameter in einem Netzwerk kleiner zu halten als die Größe des Trainingssatzes27. In unserem Fallbeispiel diskretisieren wir den Gleisverlauf in elementare Gleisabschnitte mit jeweils 100 m Länge (bzw. N = 200). Wenn die diskretisierte Größe des Trainingssatzes sicher ist, N = 200 (200 räumliche Datenpunkte für einen bestimmten Streckenabschnitt von 100 m Länge), wird eine Kartierungstechnik auf den Satz angewendet, um mögliche Auswahl(en) der Netzwerktopologie in diesem Satz zu bestimmen Studie. Die Notation NARX-NN \(\left({d}_{1},{d}_{2},n\right)\) stellt eine Netzwerktopologie für unser NARX-NN-Modell dar und wird in den restlichen Texten verwendet. Ein Beispiel für die Mapping-Ausgabe ist in Abb. 4 dargestellt, wo eine Ganzzahl in jeder Zelle die Anzahl der Netzwerkparameter in einem NARX-NN darstellt. Basierend auf der Entscheidungsregel werden nur NARX-NN-Modelle auf der linken Seite der Grenzlinie (markiert mit einer fetten schwarzen Linie) in Abb. 4 trainiert, um das beste Netzwerk zu finden.

Freiheitsgrad von NARX-NN für eine bestimmte Randbedingung, die Verzögerungseinheiten auferlegt wird; d1 und d2. Die Anzahl der versteckten Knoten des Netzwerks ist auf neun beschränkt, was N = 200 entspricht.

Ausgewählte Netzwerke aus dem vorherigen Filterschritt werden mit einer Sammlung von Datenreihen trainiert, die S2 und S3 zugeordnet sind. Während der Trainingsphase erhielt jedes Modell 30 Simulationswiederholungen mit zufälliger Initialisierung.

Die Durchschnittswerte des gewichteten MSE (wMSE) über 30 Stichproben sind in Abb. 5 für alle Netzwerke aufgezeichnet. Erstens beginnt für jedes Netzwerk die wMSE zu sinken, wenn die Anzahl der versteckten Knoten zunimmt, was zu einer Steigerung der Modellleistung führt. Die Entwicklung von wMSE über die x-Achse erfolgt in jedem Netzwerk stetig. Diese Beobachtung ermutigt uns, Netzwerke mit einer großen Anzahl versteckter Knoten weiter zu testen.

Mittelwerte der NN-Trainingsergebnisse für eine Bereichsauswahl der Netzwerktopologie.

Andererseits können wir unabhängig von der Anzahl der im NARX-NN \(\left({d}_{1},{d}_{2},n\right)\ konfigurierten versteckten Knoten a beobachten klares Muster über die Auswirkung des Parameters \({d}_{2}\) auf die Leistung des Netzwerks. Beispielsweise wird für Netzwerke unter NARX-NN \(\left({d}_{1}=3,{d}_{2},n\right)\) der wMSE erheblich erhöht, wenn ein Netzwerk in dieser Gruppe vorhanden ist nimmt zusätzliche Verzögerungseinheiten in den externen Variablen an, z. B. \({d}_{2}>{d}_{1}\). Das gleiche Muster erscheint auch für NARX-NN \(\left(5,{d}_{2},n\right)\). Allerdings erfährt NARX-NN \(\left(7,{d}_{2},n\right)\) einen Zuwachs im wMSE, wenn \({d}_{2}<{d}_{1} \). Diese beiden gegensätzlichen Beobachtungen verdeutlichen die Existenz gemischter Auswirkungen externer Variablen auf die Leistung unseres NARX-Modells. Mit anderen Worten: Informationen zwischen benachbarten Gleispunkten sind nicht unbedingt aussagekräftig, um „fehlende“ Längsniveaus genau vorherzusagen.

Es wurde eine große Anzahl von NNs mit unterschiedlicher Anzahl verborgener Schichten, Knoten und Neuronen entwickelt. Die Ein- und Ausgänge sind Ganzzahlen. Unter allen trainierten Netzwerken haben wir NARX-NN(3,3,8), NARX-NN(5,3,5) und NARX-NN(7,7,3) mit den besten Vorhersagen für einen unabhängigen Test ausgewählt . Diese Netzwerke gehören zum Cluster „komplex, aber gute Leistung“, in dem die vollständigen Clustering-Ergebnisse für alle Netzwerke in Abb. 6 dargestellt sind. Für das Clustering wurde die k-means-Technik verwendet, die vorbehaltlich eines paarweisen Werts von (Modelleinfachheit, wMSE) durchgeführt wurde ).

Das Auftreten von k = 2 Clustern von NARX-NN-Modellen für den S2-Fall. Die resultierenden Cluster weisen darauf hin, dass alle Netzwerke mit einer Parameteranzahl von weniger als 150 als einfaches Vorhersagemodell betrachtet werden sollten.

Vor den unabhängigen Tests werden die aus den n + 1. Gleismessungen gebildeten Testdatenreihen in zwei Teile aufgeteilt. Der erste Teil enthielt Gleismessdaten der ersten d3-Gleispunkte; Dies ist für die Netzwerkinitialisierung reserviert. Der Wert von d3 variiert von Netzwerk zu Netzwerk, da er innerhalb des untersuchten Netzwerks den größten von d1 und d2 annimmt. Der verbleibende Teil der Testdatenreihe wird später mit der Antwort der Netzwerkausgänge verglichen. Abbildung 7a zeigt den vorhergesagten Wert des Längsniveaus für \({x}_{i}\) im Bereich von \(\left[{d}_{3},m\right]\) für alle getesteten Netzwerke. Beobachtungen aus den Korrelationsdiagrammen in Abb. 7b – g zeigen, dass die drei Modelle das Längsniveau aufgrund der hohen Korrelation zwischen vorhergesagten Werten und Zielwerten korrekt vorhersagten.

Im Diagramm (a) werden die vorhergesagten und Zielwerte der Längsgleishöhe von S2 für die linke und rechte Schiene überlagert. Die allgemeine Vorhersagegenauigkeit verschiedener Netzwerke kann anhand des Streudiagramms (b–d) und (e–g) für die linke bzw. rechte Schiene beobachtet werden.

Einzigartige Eigenschaften von Gleisgeometriemessungen können anhand der spektralen Leistungsdichte (PSD) definiert werden. PSD ist ein häufig für die Spektralanalyse verwendetes Werkzeug. Hier wurde das PSD verwendet, um den Zusammenhang zwischen den künstlichen und tatsächlichen Längsschnittdaten zu untersuchen. In Abb. 8a sind die Wellenlängen der tatsächlichen Längsebene für die linke und rechte Schiene zwischen ~ 3 und ~ 35 m enthalten. Gleisgeometriebedingte Defekte in diesem Wellenlängenbereich gelten als zuverlässiger Indikator für Gleisinstandhaltung (z. B. Gleisstopfen und Erneuerung)28. PSD-Peaks für die linke und rechte Schiene waren bei Wellenlängen von ~ 7 und ~ 13 m am deutlichsten. Es wurde jedoch festgestellt, dass ein PSD-Peak bei einer Wellenlänge von ca. 13 m auf der rechten Schiene etwa 35 % höher ist als auf der linken Schiene. Dies würde darauf hinweisen, dass der Zustand der linken Schiene relativ besser ist als der der rechten Schiene. Als die Ergebnisse des NARX-NN-Modells im Frequenzbereich ausgewertet wurden, haben wir die Ergebnisse in Abb. 8b und c beobachtet, die hohe und positive Korrelationen zwischen dem AI-basierten und dem tatsächlichen Gleislängsniveau zeigen. Außerdem gibt es keine statistisch signifikanten Unterschiede (getestet auf einem engen Konfidenzintervall) in den PSD-Werten des vorhergesagten und des tatsächlichen Längsschnittniveaus bei identifizierten unterschiedlichen Spitzenwerten.

PSD-Vergleiche zwischen (a) der linken und rechten Schiene und der künstlichen und tatsächlichen Längsgleisebene von (b) der linken Schiene und (c) der rechten Schiene für S2.

Wie bereits gezeigt, haben die drei ausgewählten NARX-Netzwerke die „fehlende“ Längsebene (links und rechts) für S2 erfolgreich vorhergesagt. Um zu untersuchen, ob dieselben Netzwerke direkt auf ein anderes Gleissegment angewendet werden können, wurde ein unabhängiger Test auf S3 durchgeführt. Basierend auf den Ergebnissen des in Abb. 9 dargestellten Anpassungstests haben wir gezeigt, dass jedes der ausgewählten NARX-Netzwerke eine gute Generalisierungsfähigkeit aufweist. Ein zusätzlicher Beweis für diese Behauptung wird in Abb. 10 dargelegt. In der Abbildung ist die Herstellung einer positiven Korrelation in Bezug auf die Wellenlänge der ausgeprägten PSD-Peaks zwischen den AI-basierten und tatsächlichen Daten für die linke und rechte Schiene deutlich zu erkennen.

Im Diagramm (a) werden die vorhergesagten und Zielwerte des Längsgleisniveaus von S3 für die linke und rechte Schiene überlagert. Die allgemeine Vorhersagegenauigkeit verschiedener Netzwerke kann anhand des Streudiagramms (b–d) und (e–g) für die linke bzw. rechte Schiene beobachtet werden.

PSD-Vergleich zwischen künstlichem und tatsächlichem Längsgleisniveau von (a) linker Schiene und (b) rechter Schiene für S3.

Das NARX-NN-Modell weist vielversprechende Generalisierungsmerkmale auf, die durch hervorragende Vorhersageergebnisse des einzelnen NARX-NN-Modells gestützt werden, das in zwei Testsätzen mit schwachen Beziehungen verwendet wird. S2 und S3. Diese neuen Erkenntnisse verdeutlichen, dass ein Vorverarbeitungsschritt zur Kategorisierung eines Profils der Gleisunterkonstruktion, z. B. Schottermodul, für die getesteten Einheitsgleisabschnitte nicht unbedingt erforderlich ist, damit das Vorhersagemodell gut funktioniert. Allerdings kann ein besseres Vorhersageergebnis erzielt werden, wenn ein spezielles Modell für eine bestimmte Klasse von Einheitsgleisabschnitten verwendet wird.

Beispielsweise können Gleisklassen (niedrig, mittel oder hoch) basierend auf dem Grad der Beziehung zwischen der Gleislängshöhe und der Feuchtigkeitsanfälligkeit der Schotter-/Unterschotterschicht29 festgelegt werden. Die Ergebnisse dieser Studie zeigen, dass es in besonderen Gleisbereichen, beispielsweise in Übergangszonen mit hoher Feuchtigkeit in den Schotter- und Unterschotterschichten, zu einer erheblichen Verschlechterung des Gleislängsniveaus kommt. Daher ist es möglich, die Länge des Gleissegments sowie seine Teilungspunkte neu zu definieren. Verschiedene Mechanismen der Track-Datensegmentierung finden sich bei Soleimanmeigouni et al.30.

Eine Analyse der Spurmessung im Wellenlängen- (oder Frequenz-)Bereich ist nützlich, wenn Informationen über die Form von Spurfehlern und deren Wellenlängeninhalt benötigt werden23. Die Informationen werden weiterverarbeitet, um den Gleisqualitätszustand zu beschreiben31,32. Bei der Betrachtung von Spektralanalysen wird die PSD der Gleismessung berechnet, wobei die entsprechenden Leistungsspektren grafisch dargestellt werden, wie in Abb. 8 und 10 liefern Qualitätsindikatoren für ein analysiertes Gleissegment. Die Ergebnisse beider Abbildungen zeigen, dass KI-basierte Daten die Spektralkomponenten der tatsächlichen Daten gut reproduzieren. Dies ist eine solide Grundlage, um auf KI-basierten Daten aufzubauen und den aktuellen Zustand der Gleisintegrität zu beschreiben. Frühere Studien wie Berawi31 veranschaulichen und demonstrieren, wie statistische Informationen über PSD zur Beurteilung des Gleiszustands verwendet werden können. Beispielsweise könnten periodische PSD-Spitzen bei bestimmten Wellenlängen auf eine übermäßige Verschlechterung des Schotters oder auf Effekte hinweisen, die während des Schienenverstärkungsprozesses hervorgerufen werden31. Daher würde die Verwendung von KI-basierten Daten bei der Bewertung des Gleiszustands keine Verzerrung im Prozess der Entscheidung über die Gleisinstandhaltung hervorrufen. Schließlich legen die neuen Erkenntnisse und Ergebnisse dieser Studie auch nahe, dass das vorgeschlagene NARX-NN-Modell neu konfiguriert werden kann, um Daten für andere geometrische Gleisparameter zu generieren.

Der Umgang mit Ereignissen mit geringer Wahrscheinlichkeit erfordert (besondere) Innovationen bei erschwinglichen Risikoreaktionsstrategien. Glücklicherweise kann aus einer intelligenten Partnerschaft zwischen künstlicher Intelligenz und zeitlich-räumlicher Datenanalyse eine erschwingliche, aber zuverlässige Strategie entwickelt werden. Ziel dieser Studie ist die Entwicklung eines Datengenerierungsmodells für gestörte Gleismessungen im Falle eines gestörten TRC-Betriebs. Die gemeinsame Anwendung von maschinellem Lernen, NARX und rekurrentem NN in der Modellentwicklung ist sehr erfolgreich, basierend auf den beeindruckenden Ergebnissen der Korrelationsanalyse und des PSD-Vergleichs, wie in den Abbildungen zu sehen ist. 7, 8, 9 und 10.

Ein erster Entwurf des vorgeschlagenen NARX-NN-Modells wurde darauf zugeschnitten, auf störende Ereignisse in einem geplanten Inspektionsplan zu reagieren. Durch diese Spezifikation ist das Modell für eine bestimmte Zeitschrittlänge nützlich, die aus einem Inspektionsintervall abgeleitet wird. Obwohl eine Interpolation zur Generierung künstlicher Daten für kleinere Zeitschritte angewendet werden kann, kann sie nur außerhalb des NARX-NN-Modells durchgeführt werden. Dieser Ansatz schließt dynamische Wechselwirkungen zwischen Ein-/Ausgabevariablen und Fehlerabhängigkeiten in den Ergebnissen aus, wenn einige Simulationen abrupter Übergänge bei einer Verschlechterung des Gleiszustands innerhalb eines kurzen Zeitraums erforderlich sind. Zukünftige Arbeiten sollten sich daher darauf konzentrieren, das bestehende NARX-NN-Modell mit einer Basispunktschätzung mit Anomalien für jeden Zeitpunkt zwischen zwei Inspektionsläufen auszustatten. Zukünftige Arbeiten werden sich auch auf die Feldimplementierung unseres NARX-NN-Modells konzentrieren.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Bin Osman, MH, Kaewunruen, S. & Jack, A. Optimierung von Zeitplänen für die Inspektion von Eisenbahnschienen. Proz. Inst. Mech. Ing. Teil F J. Rail Rapid Transit. 232(6), 1577–1587 (2017).

Artikel Google Scholar

Bin Osman, MH, Kaewunruen, S., An, M. und Dindar, S., Störung: Eine neue Komponente im Gleisinspektionsplan, 2016 IEEE International Conference on Intelligent Rail Transportation (ICIRT), 2016, S. 249 –253.

Stenström, C., Norrbin, P., Parida, A. & Kumar, U. Vorbeugende und korrigierende Wartung – Kostenvergleich und Kosten-Nutzen-Analyse. Struktur. Infrastruktur. Ing. 12(5), 603–617 (2016).

Artikel Google Scholar

Abteilung für Eisenbahnunfalluntersuchung, Entgleisung in Castle Donington, Leicestershire, 21. Januar 2013, 2014.

Sresakoolchai, J. & Kaewunruen, S. Erkennung von Eisenbahndefekten basierend auf der Gleisgeometrie unter Verwendung von überwachtem und unüberwachtem maschinellem Lernen. Strukturelle Gesundheitsüberwachung 21(4), 1757–1767. https://doi.org/10.1177/14759217211044492 (2022).

Artikel Google Scholar

J. Jespersen-Groth et al., Disruption Management in Passenger Railway Transportation, in Robust and Online Large-Scale Optimization: Models and Techniques for Transportation Systems, Ahuja, RK, Möhring, RH, und Zaroliagis, CD, Hrsg. Berlin, Heidelberg: Springer Berlin Heidelberg, 2009, S. 399–421.

Menezes, JMP & Barreto, GA Langzeit-Zeitreihenvorhersage mit dem NARX-Netzwerk: Eine empirische Bewertung. Neurocomputing 71(16–18), 3335–3343 (2008).

Artikel Google Scholar

Pisoni, E., Farina, M., Carnevale, C. & Piroddi, L. Vorhersage der höchsten Luftverschmutzungswerte mithilfe von NARX-Modellen. Ing. Appl. Artif. Intel. 22(4–5), 593–602 (2009).

Artikel Google Scholar

Hornik, K., Stinchcombe, M. & White, H. Mehrschichtige Feedforward-Netzwerke sind universelle Approximatoren. Neuronales Netz. 2, 359–366 (1989).

Artikel MATH Google Scholar

Liu,

Dindar, S., Kaewunruen, S. & An, M. Analyse von Eisenbahnunfällen mithilfe groß angelegter Untersuchungen von Zugentgleisungen an Weichen und Kreuzungen: Vergleich der Leistungen einer neuartigen stochastischen mathematischen Vorhersage und verschiedener Annahmen. Ing. Scheitern. Anal. 103, 203–216 (2019).

Artikel Google Scholar

Dindar, S., Kaewunruen, S. & An, M. Ein hierarchisches Bayesian-basiertes Modell zur Gefahrenanalyse der Klimaauswirkungen auf Ausfälle von Eisenbahnweichenkomponenten. Zuverlässig. Ing. Syst. Sicher. 218, 108130 (2022).

Artikel Google Scholar

Burden, F. & Winkler, D. Bayesianische Regularisierung neuronaler Netze. Methoden Mol. Biol. 458, 25–44 (2008).

Google Scholar

Liu, R., Ph, D., Xu, P. & Wang, F. Forschung an einem Nahbereichsvorhersagemodell für Gleisunregelmäßigkeiten über kleine Gleislängen. J. Transp. Ing. 136, 1085–1092 (2010).

Artikel Google Scholar

Xu, P., Sun, Q., Liu, R. & Wang, F. Ein Nahbereichsvorhersagemodell für den Gleisqualitätsindex. Proz. Inst. Mech. Ing. Teil F J. Rail Rapid Transit 225(3), 277–285 (2011).

Artikel Google Scholar

Xu, P., Jia, C., Li, Y., Sun, Q. & Liu, R. Entwicklung eines verbesserten Modells zur Vorhersage des Schienenzustands im Nahbereich für eine optimale Wartungsplanung. Mathematik. Probl. Ing. 2015, 12 (2015).

Artikel MATH Google Scholar

Andrade, AR & Teixeira, PF Ein Bayesianisches Modell zur Bewertung der Verschlechterung der Schienengeometrie über den gesamten Lebenszyklus. Res. Transp. Wirtschaft. 36(1), 1–8 (2012).

Artikel Google Scholar

Z. Yue, Z. Songzheng und L. Tianshi, Bayesianisches Regularisierungsmodell des BP Neural Network zur Vorhersage der Kosten für Öl- und Gasbohrungen, BMEI 2011 – Proc. 2011 Int. Konf. Bus. Geschäftsführer Elektron. Inf., Bd. 2, S. 483–487, 2011.

Piotrowski, AP & Napiorkowski, JJ Ein Vergleich von Methoden zur Vermeidung einer Überanpassung beim Training neuronaler Netze im Fall der Modellierung von Einzugsgebietsabflüssen. J. Hydrol. 476, 97–111 (2013).

Artikel ADS Google Scholar

Leturiondo, U., Mishra, M., Galar, D. & Salgado, O. Generierung synthetischer Daten bei der Hybridmodellierung von Wälzlagern. Insight Non-Destr. Prüfen. Kond. Überwachen. 57(7), 395–400 (2015).

Artikel Google Scholar

Arasteh khouy, I. Kostengünstige Wartung der Eisenbahngleisgeometrie – eine Verlagerung von Sicherheitsgrenzen zu Wartungsgrenzen, Technische Universität Luleå, 2013.

Karis, T. Gleisunregelmäßigkeiten für Hochgeschwindigkeitszüge (KTH Engineering Sciences, 2009).

Google Scholar

Haigermoser, A., Luber, B., Rauh, J. & Gräfe, G. Straßen- und Gleisunebenheiten: Messung, Bewertung und Simulation. Fahrzeug. Syst. Dyn. 53(7), 878–957 (2015).

Artikel ADS Google Scholar

Soleimanmeigouni, I. et al. Modellierung der Entwicklung der Schottergleisgeometrie durch ein zweistufiges, stückweises Modell. Struktur. Infrastruktur. Ing. 14(1), 33–45 (2018).

Artikel Google Scholar

Osman, MH und Kaewunruen, S. Schätzung der Ausführungszeit von Wiederherstellungsmaßnahmen für einen unterbrochenen Inspektionsplan für Eisenbahngleise, in Lebenszyklusanalyse und -bewertung im Bauingenieurwesen: Auf dem Weg zu einer integrierten Vision, 2018, S. 445–450.

Choi, IY, Um, JH, Lee, JS & Choi, HH Der Einfluss von Gleisunebenheiten auf das Fahrverhalten von Hochgeschwindigkeitszügen. Proz. Inst. Mech. Ing. Teil F J. Rail Rapid Transit. 227(1), 94–102 (2013).

Artikel Google Scholar

Lawrence, S, Giles, C. L, Tsoi, AC Lektionen zum Training neuronaler Netze: Überanpassung kann schwieriger sein als erwartet. Proz. Natl. Konf. Artif. Intel. 540–545 (1997).

Europäische Normen, EN 13848–1:2009 Bahnanwendungen – Gleis – Qualität der Gleisgeometrie – Teil 1: Charakterisierung der Gleisgeometrie, 2009.

Wang, H., Silvast, M., Markine, V. & Wiljanen, B. Analyse der dynamischen Radlasten in Eisenbahnübergangszonen unter Berücksichtigung des Feuchtigkeitszustands von Schotter und Unterschotter. Appl. Wissenschaft. 7(12), 1208 (2017).

Artikel Google Scholar

Soleimanmeigouni, I., Ahmadi, A. & Kumar, U. Gleisgeometrieverschlechterung und Wartungsmodellierung: Ein Überblick. Proz. Inst. Mech. Ing. Teil F J. Rail Rapid Transit. 232, 73–102 (2016).

Artikel Google Scholar

Berawi, ARB Verbesserung der Gleisinstandhaltung mithilfe der spektralen Leistungsdichte (PSD) (Doktorarbeit). Universität Porto (2013).

Sresakoolchai, J. & Kaewunruen, S. Verfolgen Sie die Geometrievorhersage mithilfe dreidimensionaler, wiederkehrender neuronaler Netzwerkmodelle, die funktionsübergreifend mit BIM co-simuliert werden. Sensoren 23(1), 391. https://doi.org/10.3390/s23010391 (2023).

Artikel ADS Google Scholar

Referenzen herunterladen

MH Osman möchte sich für ein Stipendium des malaysischen Ministeriums für Hochschulbildung und der Universiti Kebangsaan Malaysia bedanken. Die Autoren danken der Europäischen Kommission aufrichtig für die finanzielle Unterstützung des H2020-RISE-Projekts Nr. 691135 „RISEN: Rail Infrastructure Systems Engineering Network“. Das APC wird vom Open Access Fund der University of Birmingham Library gesponsert.

Fakultät für Bauingenieurwesen, Universität Birmingham, Birmingham, B15 2TT, Großbritannien

Lieber Kaewunruen

Forschungszentrum für nachhaltigen Stadtverkehr, Fakultät für Ingenieurwesen und gebaute Umwelt, Nationale Universität Malaysia, 43600, UKM Bangi, Malaysia

Mohd Haniff Osman

Abteilung für Ingenieurausbildung, Fakultät für Ingenieurwissenschaften und gebaute Umwelt, The National University of Malaysia, 43600, UKM Bangi, Malaysia

Mohd Haniff Osman

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung, SK und MHO; Methodik, SK und MHO; Software, MHO; Validierung, SK und MHO; formale Analyse, MHO; Untersuchung, SK und MHO; Ressourcen, SK; Datenkuration, MHO; Schreiben – Originalentwurfsvorbereitung, MHO; Schreiben – Überprüfung und Bearbeitung, SK und MHO; Visualisierung, MHO; Aufsicht, SK; Projektverwaltung, SK; Finanzierungseinwerbung, SK Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und sind damit einverstanden.

Korrespondenz mit Sakdirat Kaewunruen.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Kaewunruen, S., Osman, M. Umgang mit Störungen bei der Gleisinspektion durch risikobasiertes maschinelles Lernen. Sci Rep 13, 2141 (2023). https://doi.org/10.1038/s41598-023-28866-9

Zitat herunterladen

Eingegangen: 21. April 2022

Angenommen: 25. Januar 2023

Veröffentlicht: 07. Februar 2023

DOI: https://doi.org/10.1038/s41598-023-28866-9

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Wissenschaftliche Berichte (2023)

Wissenschaftliche Berichte (2023)

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.