Comparison study of heavy haul locomotive wheels’ running surfaces wearing

• Autorzy: Lin J. , Asplund M.

Warianty tytułu

PL

Badania porównawcze zużycia powierzchni bieżnych kół lokomotyw dużej mocy

• Języki publikacji: EN

Abstrakty

EN

The service life of railway wheels can differ significantly depending on their installed position, operating conditions, re-profiling characteristics, etc. This paper compares the wheels on two selected locomotives on the Iron Ore Line in northern Sweden to explore some of these differences. It proposes integrating reliability assessment data with both degradation data and re-profiling performance data. The following conclusions are drawn. First, by considering an exponential degradation path and given operation condition, the Weibull frailty model can be used to undertake reliability studies; second, among re-profiling work orders, rolling contact fatigue (RCF) is the principal reason; and third, by analysing re-profiling parameters, both the wear rate and the re-profiling loss can be monitored and investigated, a finding which could be applied in optimisation of maintenance activities.

PL

Resurs kół pociągu może być znacząco różny w zależności od ich miejsca zamontowania, warunków pracy, charakterystyk związanych z reprofilacją, itp. W artykule, porównano koła dwóch wybranych lokomotyw kursujących na Linii Rud Żelaza w północnej Szwecji, aby zbadać niektóre ze wspomnianych różnic. Zaproponowano możliwość łączenia danych pochodzących z oceny niezawodności z danymi degradacyjnymi oraz danymi z reprofilacji. Przeprowadzone badania pozwalają wyciągnąć następujące wnioski. Po pierwsze, krzywa wykładnicza degradacji oraz zadane warunki pracy można wykorzystać w celu przeprowadzenia badań niezawodności z użyciem modelu Weibulla z efektami losowymi (tzw. "frailty model"); po drugie, główną przyczyną zlecania reprofilacji kół jest zmęczenie toczne (RCF); po trzecie, analiza parametrów reprofilacji pozwala na monitorowanie i badanie zarówno szybkości zużycia kół, jak i ubytku materiału podczas reprofilacji, co może mieć zastosowanie w optymalizacji czynności obsługowych.

Słowa kluczowe

EN

reliability analysis; locomotive wheels; frailty; reprofiling; wear; Markov chain Monte Carlo methods

PL

analiza niezawodności; koła lokomotywy; efekt losowy; reprofilacja; zużycie; markowowska metoda Monte Carlo

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2014
• Tom: Vol. 16, no. 2
• Strony: 276--287
• Opis fizyczny: Bibliogr. 23 poz., rys., tab.

Twórcy

autor

Lin J.

• Division of Operation and Maintenance Engineering, Lulea University of Technology, 97187, Lulea, Sweden Lulea Railway Research Centre, 97187, Lulea, Sweden

autor

Asplund M.

• Division of Operation and Maintenance Engineering, Luleå University of Technology, 97187, Luleå, Sweden Luleå Railway Research Centre, 97187, Luleå, Sweden Swedish Transport Administration, 97102, Luleå, Sweden

Bibliografia

• 1. Aslanidou H, Dey DK, Sinha D. Bayesian analysis of multivariate survival data using Monte Carlo methods. Canadian Journal of Statistics. 1998; 26: 33-48
• 2. Clayton DG, Cuzick J. Multivatiate Generalizations of the Proportional Hazards Model (with Discussion). Journal of the Royal Statistical Society A. 1985, 148: 82-117.
• 3. Clayton DG. A Monte Carlo method for Bayesian inference in frailty models. Biometrics. 1991, 47:467-485.
• 4. Clayton DG. A Model for Association in Bivariate Life Tales and its Application in Epi-demiological Studies of Familial Tendency in Chronic Disease Incidence. Biometicka. 1978; 65: 141-151
• 5. Crowder M. A multivariate distribution with Weibull connections. Journal of the Royal Statistical Society B. 1989, 51: 93-107.
• 6. Freitas MA, Colosimo EA, and Santos dos TR et al.. Reliability assessment using degradation models: Bayesian and classical approaches. Pesquisa Operacional. 2010; 30 (1):195-219
• 7. Freitas MA, Colosimo EA, and Santos dos TR et al.. Using Degradation Data to Assess Reliability: A Case Study on Train Wheel Degradation. Journal of Quality and Reliability Engineering International. 2009; 25: 607-629
• 8. Fröhling RD, Hettasch G. Wheel-rail interface management: a rolling stock perspective. Proceedings of the Institution of Mechanical Engineers. 2010; 224: 491-497
• 9. Hakon K G, Odd O A, Nilslid H. Frailty models based on levy processes. Advances in Applied Probability. 2003, 35: 532-550.
• 10. Hougaard P. Frailty models for survival data. Lifetime Data Analysis.1995, 1:255-273.
• 11. Hougaard P. Survival models for heterogeneous populations derived from stable distributions. Biometrika. 1986, 73: 387-396.
• 12. Klein JP, Moeschberger ML. Survival Analysis: Techniques for Censored and Truncated Data. Springer-Verlag New York, Inc.1997, p.55.
• 13. Lawless JF. Statistical Models and Methods for Lifetime Data. John Wiley and Sons.1982, p. 31.
• 14. Lin J, Asplund M, Parida A. Reliability Analysis for Degradation of Locomotive Wheels using Parametric Bayesian Approach. Quality and Reliability Engineering International. 2013. DOI: 10.1002/qre.1518.
• 15. McGilchrist C A, Aisbett C W. Regression with Frailty in Survival Analysis. Biometrics. 1991, 47:461-466.
• 16. Oakes D. A model for association in bivariate survival data. Journal of Royal Statistics Society B. 1982; 44:414-422
• 17. Palo M, Schunnesson H, Kumar U, et al.. Rolling stock condition monitoring using wheel/rail forces. Journal of Insight-Non-Destructive Testing and Condition Monitoring. 2012; 54 (8): 451-455
• 18. Pennell M L, Dunson D B. Bayesian Semi parametric Dynamic Frailty Models for Multiple Event Time Data. Biometrika. 2006, 62:1044-1052.
• 19. Qiou Z, Ravishanker N, Dey D K. Multivariate survival analysis with positive frailties. Biometrika. 1999, 55: 637-644.
• 20. Sahu SK, Dey DK, and Aslanidou H et al. A Weibull regression model with gamma frailties for multivariate survival data. Lifetime Data Analysis. 1997; 3:123-137
• 21. Sinha D. Semiparameteric Bayesian analysis of multiple event time data. Journal of the American Statistical Association. 1993, 88: 979-983.
• 22. Spiegelhalter DJ et al. Bayesian measures of model complexity and fit. Journal of Royal Statist. Society Series B. 2002; 64(3):583-639.
• 23. Yang C, Letourneau S. Learning to Predict Train Wheel Failures. In: The 11 ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD 2005). Chicago, Illinois, USA. August 21-22, 2005.