Cluster analysis of head checking flaws in railway rails subjected to ultrasound

Lesiak, P.; Migdal, M.

Artykuł - szczegóły

Tytuł artykułu

Cluster analysis of head checking flaws in railway rails subjected to ultrasound

Autorzy

Lesiak P. , Migdal M.

Wybrane pełne teksty z tego czasopisma

Identyfikatory

Warianty tytułu

Analiza skupień wad typu "head checking" w szynach kolejowych diagnozowanych metodą ultradźwiękową

Języki publikacji

Abstrakty

W pracy przedstawiono analizę skupień wad typu head checking, na podstawie ich parametrów takich jak amplituda i liczba próbek ech fali ultradźwiękowej. Wykorzystano alternatywne algorytmy klasyfikacyjne takie jak: hierarchiczny - aglomeracyjny i partycjonujące - K - means i K - medoids (Partitioning Around Medoids oraz Fuzzy Cluster Analysis). Zadaniem ich była klasteryzacja wad na: brak wady, wada do obserwacji i wada niebezpieczna. Do analizy zostały wykorzystane dane zebrane przez mobilny system ultradźwiękowy wagonu defektoskopowego na 200 kilometrowym fragmencie jednej z magistralnych linii kolejowych o dopuszczalnej prędkości V = 160 km/h. Z badań porównawczych wynika, że najlepiej to zadanie wykonuje algorytm Fuzzy Cluster Analysis - niewłaściwie klasyfikując tylko 2,2% wad, natomiast najgorzej algorytm aglomeracyjny klasyfikując z 17% błędem.

Cluster analysis of head checking flaws with the help of parameters such as amplitude and number of sampies of ultrasound wave echoes is presented in this paper. Alternative classification algorithms, such as hierarchical agglomerative clustering procedure and K-means and K-medoid partitioning algorithms (Partitioning Around Medoids and Fuzzy Cluster Analysis), have been applied. These algorithms aimed at clusterisation of flaws into three categories: no flaw, monitored flaw, hazardous flaw. The analytical use of data acquired by mobile ultrasound system mounted at flaw detection measurement car running over 200 km of main line track with allowable speed V = 160 km/h. Comparative tests show that analysis is performed best by Fuzzy Cluster Analysis algorithm (2.2% flaws are improperly classified), and the worst results are obtained by using agglomerative algorithm (17% flaws are badly classified).

Słowa kluczowe

szyny kolejowe diagnozowanie szyn metoda ultradźwiękowa analiza skupień wad

cluster analysis railway rails ultrasonic tests head checking flaws

Wydawca

Warsaw University of Technology, Faculty of Transport

Czasopismo

Archives of Transport

Rocznik

2009

Tom

Vol. 21, iss. 3-4

Strony

51--65

Opis fizyczny

Bibliogr. 29 poz., rys., tab.

Twórcy

autor

Lesiak P.

autor

Migdal M.

Politechnika Radomska, Wydział Transportu i Elektrotechniki, 26-600 Radom ul. Malczewskiego 29

Bibliografia

1. Bałuch M.: Interpretacja pomiarów i obserwacji nawierzchni kolejowej. Monografia, nr 79, Wyd. Politechniki Radomskiej, Radom, 2005.
2. Biecek P.: Przewodnik po pakiecie R. Wyd. Przemysław Biecek, Wrocław, 2008.
3. Cempel C.: Teoria i inżynieria systemów - zasady i zastosowania myślenia systemowego. Wyd. Instytut Technologii Eksploatacji - PIB, Radom, 2006.
4. Cichosz P.: Systemy uczące się. WNT, Warszawa, 2000.
5. Ciszewski T., Gołąbek P., Lesiak P.: Rozpoznawanie wzorców w defektoskopowych danych pomiarowych za pomocą sieci neuronowych. Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej, nr 18, Zastosowanie Komputerów w Nauce i Technice, Gdańsk, 2002, pp. 27-32.
6. Code UlC 712R, 4th edition, Catalogue of Rail defects, February 2002.
7. Cox D.R.: Note of grouping. Journal of the American Statistical Association, No. 52, 1957, pp. 543-547.
8. Grzelak A.: Wykorzystanie analizy skupień w badaniach struktur agrobiznesu na przykładzie powiązań gospodarstw rolnych z rynkiem. Zeszyty Naukowe Akademii Rolniczej we Wrocławiu, Rolnictwo LXXXVII, nr 540, Wrocław, 2006, pp. 179-185.
9. Harańczyk G.: Analiza skupień na przykładzie segmentacji nowotworów. StatSoft Polska, 2005. Internet: http://www.statsoftpl/sem2005/pdf/przeglad/segmentacj a_gh. pdf
10. Hartigan J.A.: Clustering algorithms. Wiley, New York, 1975.
11. Hartigan J.A., Wong M.A.: Algorithm 136A k-means clustering algorithm. Applied Statistics, No. 28(1), 1979, pp. 100-108.
12. Hoppner E: Fuzzy Cluster Analysis. Wiley, New York, 1999.
13. Internetowy Podręcznik Statystyki. Wyd. StatSoft, Inc., 2005. Internet http://www.statsoftpl/ text book/stathome.html
14. Kaufman L., Rousseeuw P.: Finding groups in Data: An introduction to cluster analysis. Wiley, New York, 1990.
15. Komsta Ł.: Wprowadzenie do środowiska R. Lublin, 2004. Internet: http://cran.r-projectorg/doc/ contrib/Komsta- Wprowadzenie. pdf
16. Koronacki J., Ćwik J.: Statystyczne systemy uczące się. Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2008.
17. Krzyśko M., Wołyński w., Górecki T., Skorzybut M.: Systemy uczące się. WNT, Warszawa 2008.
18. Kozluk T.: Fuzzy Clustering Algorithm. European University Institute, Florence. Internet: http://www.eui.eu/Personal/Researchers/TomaszKozluk/fuzzyind.pdf
19. Lesiak P.: Diagnostic sensitivity of ultrasonic mobile flaw detection of head checking type flaws in railway rails. Diagnostyka, No. 2(46), 2008, pp. 37-40.
20. Lesiak P.: Mobilna diagnostyka szyn w torze kolejowym. Monografia, nr 116, Wyd. Politechniki Radomskiej, Radom, 2008.
21. Lesiak P.: Diagnostic technology of contact-stress flaws such as head checking in railway rails. Monograph, No. 121, Technical University of Radom, 2008, pp. 187-198.
22. McQueen J.: Some methods for classification and analysis of multivariate observations. 5-th Symposium on mathematics, Statistics and Probability, l, Berkaley, 1967, pp. 281-298.
23. Mirkin B.: Clustering for data mining: A data recovery approach. Chapman and Hall, 2005.
24. Pietrzykowski R., Kobus P.: Zastosowanie modyfikacji metody k - średnich w analizie portfelowej. Wyd. SGGW, Warszawa 2006. Internet: http://ekro1.sggw.waw.pl/publikacje/pdf/zneiogz60_2006/ Art._30.Pietrzykowski_Kobus. pdf
25. Pison G., Struyf A., Rousseeuw P.: Displaying a clustering with clusplot. Computational Statistics and Data Analysis, No. 30, Departament of Mathematics and Computer Science U.I.A., Antwerp, 1999, pp. 381-392.
26. Sneath P., Sokal, R.: Numerical taxonomy. W.H. Freeman & Co, San Francisco, 1973.
27. Sobczyk H., Szyłko S.: Wybrane metody klasteryzacji. Wrocław, 2005. Internet http://www.semestr.pl/~cogito/download/pamik. pdf
28. Towpik K.: Infrastruktura drogi kolejowej. Obciążenia i trwałość nawierzchni. Monograficzna seria wydawnicza Biblioteki Problemów Eksploatacji, Wyd. Instytut Technologii Eksploatacji PIH, Radom, 2006.
29. Tryon R.E.: Cluster Analysis. MI: Edwards Brothers, New York, 1939.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-article-BPZ3-0031-0022