The railway sector’s reliability, availability, maintainability, and safety (RAMS) can significantly improve by adopting condition based maintenance (CBM). In the CBM regime, maintenance decisions are driven by condition monitoring (CM) of the asset. This thesis proposes machine learning (ML) based onboard CM (OCM) algorithms for CM of vehicle-track dynamic interaction via vehicle response (VR). More specifically, the algorithms are developed to monitor track irregularities (TI) and vehicle running instability incidences (VRII) via VR.

CM of TI from onboard accelerations is a cost-effective method for daily surveillance of tracks. Most of the latest research is focused on monitoring vertical irregularity via vertical accelerations. Less attention is given to monitoring alignment level (AL) and cross level (CL) track irregularities. The PhD thesis proposes an ML based OCM algorithm to identify track sections with AL and CL  track irregularities exceeding maintenance thresholds via bogie frame accelerations (BFAs). In this thesis, the OCM algorithm’s supervised ML models are trained on BFAs’ datasets synthesized with multibody simulation (MBS) of a high-speed diagnostic vehicle. Furthermore, the trained ML models and OCM algorithm are validated with measurements acquired by the same high-speed vehicle. The proposed OCM algorithm shows excellent performance in track quality surveillance only from BFAs. 

OCM of vehicle running instability (VRI) is important to ensure safety and onboard ride comfort. The latest research focuses on designing OCM algorithms for detecting VRI, but these OCM algorithms lack fault diagnosis (FD) of detected VRII. The PhD thesis proposes various OCM algorithms under an "intelligent vehicle running instability detection algorithm" (iVRIDA) umbrella to detect VRII and diagnose corresponding root causes via carbody accelerations. The occurrence of VRI during regular operation across a whole train fleet is an anomaly. Thus, an unsupervised anomaly detection (AD) based iVRIDA algorithm is proposed and later extended as iVRIDA-fleet for vehicle fleetwide application. The proposed OCM algorithms iVRIDA and iVRIDA-fleet are verified by onboard measurements of a European high-speed vehicle and the Swedish X2000 vehicle fleet.

The thesis contributes towards the digitalization of vehicle and track maintenance by enabling adaptation of the CBM regime.

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.