Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • 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
Prediction of railway track geometry degradation with the help of artificial neural networks
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Prediktion av försämringar i spårläget med hjälp av artificiella neurala nätverk (Swedish)
Abstract [en]

This thesis investigates the possibilities of predicting track geometry degradation using railway measurement data. The method combines measurement data and a feed-forward neural network in order to predict the maintenance levels of individual 25cm railway segments for the next measurement. With the use of track geometry measurement data of the railroad network provided by Trafikverket and Infranord, combined with repair history data, a dataset was created. Various modifications of the original dataset resulted in 360 slightly different datasets. Each dataset was used to train a feed-forward neural network, using the AdaGrad optimization algorithm, iterating 1000 times with the use of the Python library Tensorflow. Evaluation was done using two distinct test datasets, where the first set consisted of the chronologically last 10% of the datapoints, and the second set of 10% randomly picked datapoints from the remaining set. The remaining datapoints were used as a training set. Top prediction accuracies averaged between 80-90%, with the randomly picked test dataset yielding the more accurate results. Conclusively, this method carries significant potential, and gives evidence of the usability of the measurement data for degradation prediction. It also highlights the weaknesses of the current data, and identifies improvements, solutions, and suggestions for future studies

Abstract [sv]

Detta examensarbete undersöker möjligheterna att förutspå försämring av spårläget med hjälp av järnvägsmätdata. Metoden kombinerar mätdata och ett artificiellt neuralt nätverk för att förutspå underhållsnivåerna för individuella 25 cm långa järnvägssegment vid nästa mätning. Med hjälp av spårlägesmätdata över järnvägsnätet som tillhandahålls av Trafikverket och Infranord, kombinerat med reparationshistorik skapades ett dataset. Olika modifieringar av det ursprungliga datasetet resulterade i 360 olika dataset. Varje dataset användes för att träna ett feed-forward neuralt nätverk med hjälp av AdaGrads optimeringsalgoritm och 1000 iterationer i Pythonbiblioteket Tensorflow. Utvärderingen gjordes med hjälp av två separata testdataset, där det första bestod av de kronologiskt sista 10 % av datapunkterna och det andra av 10 % slumpmässigt plockade datapunkter ur den återstående uppsättningen. De återstående datapunkterna användes som träningsdataset. Den högsta träffsäkerheten för förutsägelserna var i genomsnitt mellan 80-90 %, där det slumpmässigt valda testdatasetet gav bättre resultat. Sammanfattningsvis har denna metod betydande potential och ger stöd för användbarheten av mätdata för prediktion av försämringar. Den lyfter också fram svagheterna i dagens data och identifierar förbättringar, lösningar och förslag till framtida studier..

Place, publisher, year, edition, pages
2019. , p. 41
Series
TRITA-EECS-EX ; 2019:228
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-254973OAI: oai:DiVA.org:kth-254973DiVA, id: diva2:1337072
Educational program
Master of Science - Computer Science
Supervisors
Examiners
Available from: 2019-07-11 Created: 2019-07-11 Last updated: 2019-09-09Bibliographically approved

Open Access in DiVA

No full text in DiVA

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 8 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • 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