CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Deep Learning Based Classification of Rail Defects Using On-board Monitoring in the Stockholm Underground
KTH, School of Engineering Sciences (SCI), Aeronautical and Vehicle Engineering, Rail Vehicles.
2020 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

The purpose of this work is to find out if an artificial neural network can be useful purpose of this work is to find out if an artificial neural network can be useful in order to detect rail squats with the existing Quiet Track Measurement System (QTMS). Squats are surface-initiated rail defects which arise due to rolling contact fatigue. The monitoring system, installed on seven trains running on the green line in the Stockholm underground, aims to improve the maintenance process. The early detection and surveillance of defects helps to extend the service life of the tracks and reduce operating costs. An artificial neural network is used to analyse the the continuously recorded measurements, which consist of vertical bogie acceleration and surrounding noise, each sampled with a frequency of 22 kHz.In particular, the power spectral density as input for multi-layer Fully-connected Neural Network (FNN) has proven to be promising for accurate squat predictions. The supervised learning was carried out according to the one-vs-all principle, i.e. squats versus all other events. A two-hidden-layer FNN has finally been chosen to complement the QTMS. The usage of the full available frequency range from almost DC up to 11kHz, but minimum 7 kHz, allows good prediction with only low false prediction rates. When concatenating all six measurement channels to a single classifier input, an accuracy of over 96% for the squat class and up to 99.98% can in total be achieved. The chosen network type also showed high stability despite quite strong parameter variations and a massive under-representation of squat observations in the measurement data.However, since limited maintenance information about actual squats is available for labelling and testing, more evaluation is needed. The correct identification of mis-labelled squats indicates the high potentials of artificial neural networks.

Abstract [sv]

Squats uppkommer på rälsytor på grund av rullkontaktutmattning och kan ställa till stora problem om de inte upptäcks i tid. Att upptäcka fel i ett tidigt skede kan minska underhållskostnaderna. Syftet med det här examensarbetet är att studera om man med hjälp av ett neuralt nätverk kan detektera så kallade räls-squats med hjälp ett mätsystem som heter Quiet Track Measurement System (QTMS). Mätsystemet är installerat hos sju tåg på den gröna linjen i Stockholms tunnelbana. Systemet kan användas för att övervaka rälsslitage och kan därför effektivisera underhållet. Den här rapporten presenterar ett artificiellt neuralt nätverk för att kontinuerligt kunna analysera mätdata. Mätdata består av vertikal boggiacceleration och ljudmätningar, båda samplas med frekvensen 22 kHz.Frekvensdomänrepresentationen av uppmätta data i form av spektraltätheten i kombination med flerskikts- och helt anslutna neurala nätverk (FNN) visade sig vara lovande för korrekta förutsägelser. övervakad inlärning tillämpades enligt the one-verus-all principen, dvs antingen har man squats eller så har man inte squats. En artificiell neuron-modell med två dolda lager valdes till slut för att komplettera existerande mätsystem. Användningen av ett brett frekvens-område från nästan DC upp till 7 kHz möjliggör god förutsägelse med bara låga förutsägelser av falska squats. När man sammanlänkar alla sex mätkanaler till en enskild klassificeringsinput kan man uppnå en noggrannhet över 96%, som högst kan man uppnå 99.98%. Nätverket visade också hög stabilitet trots ganska starka parametervariationer och en obalans mellan tillgängliga data för de två klasserna.Eftersom bara några få underhållsprotokoll fanns tillgängliga krävs mer utvärdering, men korrekt identifiering av felklassificerade squats indikerar att den verkliga noggrannheten kan bli ännu bättre. Detta ger också förutsättningar för att snabbare kunna prediktera squats.

Place, publisher, year, edition, pages
2020. , p. 113
Series
TRITA-SCI-GRU ; 2020:040
National Category
Vehicle Engineering
Identifiers
URN: urn:nbn:se:kth:diva-273576OAI: oai:DiVA.org:kth-273576DiVA, id: diva2:1431145
External cooperation
Tyréns AB
Examiners
Available from: 2020-05-19 Created: 2020-05-19 Last updated: 2020-05-19Bibliographically approved

Open Access in DiVA

fulltext(6785 kB)26 downloads
File information
File name FULLTEXT01.pdfFile size 6785 kBChecksum SHA-512
47a9d8aa4ca67d5758ffc459b9c3d7fd6d2d14aafc9621b486628c4d0a0fc5ff90e573fba69e55e85a1533984ea5c1d6af0d9e8be3066cfc5bca93f937d01cc6
Type fulltextMimetype application/pdf

By organisation
Rail Vehicles
Vehicle Engineering

Search outside of DiVA

GoogleGoogle Scholar
Total: 26 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 62 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf