Application of artifical neural networks in planning track superstructure repairs

• Autorzy: Bałuch H. , Nowosińska I.

Identyfikatory

DOI

10.24425/ace.2020.135208

Warianty tytułu

PL

Zastosowanie sztucznych sieci neuronowych w planowaniu napraw nawierzchni kolejowej

• Języki publikacji: EN

Abstrakty

EN

The diagnostics of track superstructure, which involves geometric measurements, direct observation and railroad surveillance, provides the basis for making decisions regarding the commencement of repair works. Planning repairs and increasing the probability of making the right decision at the right time also requires knowledge of the basic performance specifications of a given railway line, especially the maximum train speed and the permissible traffic volume. The article discusses a way to plan the repairs of track superstructure using artificial neural networks. It features a description of the process of designing, building and training a neural network, based on which a way to predict the degree of urgency of repairs has been discussed. The conclusions point towards the potential advantages of neurocomputers in the process of track superstructure maintenance.

PL

Diagnostyka nawierzchni kolejowej obejmująca pomiary geometryczne, obserwacje bezpośrednie lub obrazy wizyjne stanowi podstawę do podejmowania decyzji o przystępowaniu do napraw. Planowanie napraw i zwiększenie prawdopodobieństwa trafności podjętej decyzji o właściwym czasie wykonania wymaga też znajomości podstawowych charakterystyk eksploatacyjnych określonej linii kolejowej, głównie zaś maksymalnej prędkości pociągów oraz natężenia przewozów. W artykule przedstawiono możliwość planowania napraw nawierzchni kolejowej przy zastosowaniu sztucznych sieci neuronowych. Scharakteryzowano proces projektowania, budowy i uczenia sieci neuronowej, na podstawie którego przedstawiono możliwość predykcji stopnia pilności naprawy. W podsumowaniu przedstawiono możliwości wykorzystania neurokomputerów w procesie utrzymania nawierzchni kolejowej.

Słowa kluczowe

EN

track superstructure; repair planning; neural network; application

PL

nawierzchnia kolejowa; planowanie napraw; sieć neuronowa sztuczna; zastosowanie

• Wydawca: Komitet Inżynierii Lądowej i Wodnej PAN ; Politechnika Warszawska, Wydział Inżynierii Lądowej
• Czasopismo: Archives of Civil Engineering
• Rocznik: 2020
• Tom: Vol. 66, nr 4
• Strony: 45--60
• Opis fizyczny: Bibliogr. 17 poz., il., tab.

Twórcy

autor

Bałuch H.

• Railway Institute, Warsaw, Poland

autor

Nowosińska I.

• Railway Institute, Warsaw, Poland

Bibliografia

• 1. K. Sakuma, K. Takeda, J. Sato: Monitoring of track maintenance in pursuit of Condition Based Maintenance (CBM). Japanese Railway Engineering 2018, No. 201, 9-12.
• 2. I. Solemaimanneigouni, A. Ahmandi, U. Kumar: Track geometry degradation and maintenance modeling – A review. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transid, pp. 59-63, July 2016.
• 3. A. R. B. Berawi. R. Delgado, R. Calcada, C. Vale.: Evaluating track geometrical quality through different methodologies. Journal of Technology, 38-47, 2010.
• 4. T. Liden: Railway infrastructure maintenance - A survey of planning problems and conducted research. Transportation Research Procedia, Vol.10, 574-583, 2015.
• 5. L. Rui, M. Wen, K. B. Salling, O. A. Nielsen, A. Landex, S. N. Madsen: A predictive maintenance model for railway track. DTU – The Research Information System, Technical University of Denmark, 2015.
• 6. J. Sadeghi, H. Askarenijad: Development of improved railway track degradation models. Structure and Infrastructure Engineering (6), 665-678, December 2010.
• 7. T. R. Jr. Sussmannn, H. B. Thompson, T.D. Stark, S.T. Wilk, C.L. Ho: Use of seismic Surface wave testing to assess track superstructure condition. Construction and Building Materials, Vol. 155, 1250-1255, ELSEVIER, November 2017.
• 8. J. Sadeghi, H. Askarinejad: Application of neural networks in evaluation of railway track quality condition. Journal of Mechanical Science and Technology, Vol. 26, is. 1, 113 – 122, 2012.
• 9. A. Meddah, M. Witty: TTCI conducts neural network analysis for rail flow prediction. Railway Track and Structures 2019, No 4, 9-12.
• 10. R. A. Andrade, P. F. Teixeira: A. Bayesian model to assess rail track geometry degradation through its life-cycle. Research in Transportation Economics 36(1), 1-8 2012.
• 11. H. Bałuch: Determinanty wymian nawierzchni kolejowej (Determinants of railway superstructure replacement), Vol. 175, 7-14, 2017.
• 12. H. Bałuch, M. Bałuch: Sieci neuronowe jako narzędzie rozwiązywania problemów z zakresu dróg kolejowych (Neutral networks as tools to solve problems on Railway Lines). Problemy Kolejnictwa, Vol. 124, 35-62, 1997.
• 13. M. Bałuch: Interpretacja pomiarów i obserwacji nawierzchni kolejowej (Interpretation of railway superstructure measurements and observations). Technical University of Radom Publishing House 2005.
• 14. H. Bałuch: System geometryczno-kinematycznej oceny toru kolejowego (Geometric-kinematic system of railway track assessment). Problemy Kolejnictwa, Vol. 136, 2002.
• 15. H. Bałuch: Systemy eksperckie w diagnostyce nawierzchni kolejowej (Expert systems in railway superstructure diagnostics). Problemy Kolejnictwa, Vol. 114, 1993.
• 16. StatSoft. Elektroniczny Podręcznik Statystyki PL (Electronic Statistics Textbook PL), Cracow, 2006. WEB: http://www.statsoft.pl/textbook/stathome.html.
• 17. R. Tadeusiewicz, T. Gąciarz, B. Borowik, B. Leper: Odkrywanie właściwości sieci neuronowych (Discovering Neural Networks’ Properties), Polska Akademia Umiejętności, Cracow 2007.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).