Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Wayside Condition Monitoring of Metro Wheelsets Using Vibration and Acoustic Sensors
Autoři: Kilinc Onur | Vágner Jakub
Rok: 2024
Druh publikace: článek v odborném periodiku
Název zdroje: Traitement du Signal
Strana od-do: 1271-1282
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Monitorování stavu kolejových vozidel metra pomocí vibračních a akustických senzorů. Tento článek představuje efektivní metodu monitorování stavu kolejových vozidel metra pomocí akustických a vibračních senzorů pro detekci vad na dvojkolích, což je klíčové pro bezpečnost provozu. Navrhované schéma monitorování stavu zahrnuje čtyři hlavní kroky: sběr dat, segmentaci signálů pomocí jednoperiody, extrakci příznaků (časově-doménové příznaky – TDF, příznaky energie vlnkového paketu – WPE a Kurtogramy lineární konfigurace vzorů – LCP-K, které aplikují na kurtogramy signálu texturový deskriptor nezávislý na poloze) a klasifikaci pomocí moderních metod, jako je Fisherova lineární diskriminační analýza (FLDA), podpora vektorových strojů (SVM), rozhodovací stromy (Dec. Tree) a lineární perceptrony spolu s technikami kombinace klasifikátorů. V průběhu výzkumu byly výsledky získány na měřených i rozšířených datech. Byly vytvořeny dvě databáze (A1 a A2), které obsahují měřené vibrační a akustické signály odpovídající zdravým i vadným stavům dvojkolí pražských vozů metra. Kvůli omezenému počtu vadných případů byly příznaky rozšířeny pomocí adaptivního syntetického vzorkování (ADASYN) a vytvořeny větší vibrační a akustické databáze (SA1 a SA2) pro ověření metod. Získané výsledky ukazují, že TDF s klasifikátorem rozhodovacích stromů dokáže detekovat vady dvojkolí s 100% přesností na vibračních signálech (A1), zatímco nový algoritmus LCP-K dosahuje nejlepšího výkonu na akustických databázích (A2 a SA2) až 93 %. Navíc příznaky WPE v kombinovaných klasifikátorech dosahují 100% úspěšnosti detekce vad. Navrhovaný rámec poskytuje nákladově efektivní údržbu, která může pomoci odborníkům na metro, s potenciálním rozšířením na jiné typy železničních systémů. defekty dvojkolí; traťová diagnostika; adaptivní detekce vad podle rychlosti; vibrace; akustika; wavelet packet energy; vyhodnocení v časové oblasti
eng Wayside Condition Monitoring of Metro Wheelsets Using Vibration and Acoustic Sensors This paper presents an efficient wayside acoustic and vibration-based detection for wheelset faults on metro trains, which is crucial for the safety of the run. The proposed condition monitoring scheme includes four main steps: data acquisition, signal segmentation by one-period analysis, feature extraction; Time-Domain Features (TDF), Wavelet Packet Energy (WPE) features, and Linear Configuration Pattern Kurtograms (LCP-K), which applies a location invariant textural descriptor to Kurtogram images of the signal, and classification with state-of-art; Fisher’s Linear Discriminant Analysis (FLDA), Support Vector Machine (SVM), Decision Tree (Dec. Tree) and Linear Perceptron classifiers alongside classifier combination techniques. During the research, results are obtained on both measured and boosted data. Thus, two databases (A1 and A2), each of which consists of measured vibration and acoustic signals belonging to healthy and faulty cases of the wheelsets of Prague metros, are established. Due to a limited number of faulty instances, features are augmented with Adaptive Synthetic Sampling (ADASYN), and larger vibration and acoustic databases SA1 and SA2 are established to validate methods. Obtained results show that TDF with Dec. Tree classifier can detect wheelset faults by 100% with vibrations signals (A1), and the novel LCP-K algorithm outperforms both acoustic databases (A2 and SA2) up to 93%, and finally, WPE features via combined classifies, reaches a 100% fault detection performance. The proposed framework provides cost-effective maintenance, which can aid metro train specialists, with potential further applicability to other types of railways. wheel defects; wayside diagnosis; speed adaptive fault detection; vibration signals; acoustic signals; wavelet packet energy; time-domain feature