RAMS för spår
En metod som underlättar beslutsfattandet om underhåll av spårgeometrin genom att förbättra kvaliteten på mätdata och förutsäga nedbrytningen.
Mål
Huvudsyftet med projektet är att utveckla en metod som underlättar beslutsfattandet om underhåll av spårgeometrin genom att förbättra kvaliteten på mätdata och förutsäga nedbrytningen.
Projektstatus och resultat
Att upprätthålla RAMS-parametrarna för järnvägssystemet inom acceptabla gränser till lägsta möjliga kostnad är av yttersta vikt för förvaltarna av järnvägsinfrastrukturen. Försämrad spårgeometri har negativa konsekvenser för säkerheten, tillgängligheten och kvaliteten på resandet. För att återställa de spårgeometriska parametrarna till deras konstruktionsvärden är det viktigt att använda en effektiv underhållsstrategi. Tillförlitliga och kompletta spårgeometridata är grunden för att kunna genomföra en effektiv underhållsplanering och schemaläggning. Traditionellt har spårgeometrins tillstånd utvärderats med hjälp av information från aggregerade kvalitetsindex som standardavvikelse för ett spåravsnitt. Dessa index kan dock inte ge exakt information om var enskilda defekter finns. I detta avseende har många studier nyligen ägnats åt att förutsäga förekomsten av enskilda defekter. Att kunna förutsäga förekomsten av enskilda defekter är en viktig förutsättning för prediktiva modeller och underhållsmodellering. Det bör noteras att både positionen och tidpunkten för uppkomsten av defekter är av yttersta vikt för att kunna förutsäga förekomsten av defekter.
Mätdata för spårgeometri är i allmänhet behäftade med positionsfel. Därför måste insamlade mätningar av spårgeometrin i olika inspektionskörningar förbehandlas innan de används för att modellera geometriförsämring och implementera en tillståndsbaserad underhållsstrategi. För att kunna positionera mätdata på ett korrekt sätt måste man exakt uppskatta det avstånd som mätvagnen har tillryggalagt från en milstolpe. I verkligheten påverkas noggrannheten i uppskattningen av tillryggalagd sträcka av hjulets slitage, hjulets glidning på rälsen, miljöförhållandena och kalibreringen av hjulparet och de optiska pulsgivare som är monterade på hjulparet. Vid insamling av mätningar av spårgeometrin är dessutom provtagningspositionerna inte lika vid olika inspektionskörningar. Dessa påverkande faktorer leder till att mätdata förskjuts, sträcks eller komprimeras med icke-konstanta och slumpmässiga avstånd mellan två på varandra följande provtagningspunkter. Å andra sidan förvränger underhållsåtgärder och försämring av spårgeometrin inspektionsmätdata. I detta avseende kan noggrann uppriktning av inspektionsmätningen minska positionsfelet och förbättra kvaliteten på de uppmätta data.
Därför finns det ett behov av att implementera en justeringsmetod som både justerar de olika inspektionsmätdata exakt och bibehåller datasetens ursprungliga form. Dessutom är det att föredra att justeringsmetoden körs snabbt med mindre minne.
Syftet med detta projekt är att hitta en exakt och effektiv metod för uppriktning av mätningar av spårgeometri för att minska deras positionsfel. I detta avseende utvärderas tillämpningen av fem inriktningsmetoder, det vill säga Correlation Optimized Warping (COW), Recursive Alignment by Fast Fourier Transform (RAFFT), en kombinerad metod som använder RAFFT och COW, Dynamic Time Warping och Cross Correlation Function (CCF) på mätdata för järnvägsspårets geometri. De tre första metoderna delar upp datamängderna i små segment och anpassar segmenten. De två andra metoderna tar hänsyn till hela datasetet för justering. Baserat på de uppnådda resultaten verkar det som om COW, DTW, RAFFT och den kombinerade metoden kan justera datauppsättningar när en av dem är utsträckt eller komprimerad i förhållande till de andra. Dessutom visade resultaten att CCF är användbar när det finns en fast förskjutning mellan olika datauppsättningar och är ineffektiv när en datauppsättning sträcks eller komprimeras i förhållande till den andra. När amplituden för de uppmätta data från olika inspektionskörningar ändras, ändrar DTW formen på den justerade datauppsättningen och försöker efterlikna amplituden för referensdatauppsättningen, vilket inte är önskvärt här. DTW har därför en hög precision vid justering av mätningar till priset av att den justerade datauppsättningen blir skev. Baserat på resultaten är COW dessutom ineffektivt när det gäller att hitta förskjutningarna i början och slutet av dataseten. RAFFT har dock en exakt justering vid de flesta tillfällen utan att ändra formen på det justerade datasetet, men det har viss sporadisk skevhet i vissa delar av de justerade dataseten. Generellt visade resultaten att den kombinerade metoden är den mest effektiva metoden för att justera mätningar av spårgeometri.
Med hjälp av dessa metoder kan man minska positionsfelen i mätdata för spårgeometri och förbättra noggrannheten i mätdata för inspektion. Därför kommer det att stärka analysen och förutsägelsen av spårgeometriens försämring.
Sponsor: Trafikverket/JVTC
Forskare: Mahdi Khosravi (doktorand), Alireza Ahmadi (PL)
Varaktighet: 2019-2023
Uppdaterad: