Inteligentní SW modul iDIMASC

Rostislav Krč, Jan Podroužek, Petr Navrátil, Michal Vyhlídal

Ústav automatizace inženýrských úloh a informatiky
Fakulta stavební
VUT v Brně
rostislav.krc@vut.cz

Popis

Aplikace slouží pro predikci stavu výhybky na základě naměřených signálů zrychlení pomocí natrénovaného modelu strojového učení uloženého ve formátu .pkl. Součástí aplikace je lokalizace začátku a konce lokomotivy v signálu pomocí metody klouzavých průměrů RMS. Z těchto signálů jsou dále vypočteny vstupní parametry pro predikční model [1]. Vstupem jsou naměřené signály (ve formátu .txt nebo .dat) a jim odpovídající doplňující data z databáze ve formátu .csv. Je třeba vždy vybrat konkrétní výhybku a třídu lokomotiv (určenou například systémem TIS [2]), pro kterou byl model natrénován. Výstupem je soubor s predikcemi pro konkrétní výhybku a třídu lokomotiv v daném čase. Tyto výsledky lze nechat rovněž zapsat přímo do databáze DISC tabulky 'vyhodnoceni' a sloupce 'PARAMETR1'. Pro dlouhodobou analýzu je důležité tyto predikce vyhodnocovat jako časovou řadu v kombinaci s událostmi jako jsou údržbové zásahy a podobně. Je využito rozhraní CLI, čímž lze tento systém zapojit přímo do procesu automatizovaného zpracování naměřených dat.

Použití: railml [-h] [-v, --version] -s S -d D -r R [-w]

Parametry:

• -h, --help: zobrazení nápovědy
• -v, --version: zobrazení verze aplikace
• -s S, --signals S: složka se signály pro zpracování ve formátu .txt nebo .dat
• -d D, --data D: soubor s dalšími daty pro každý signál ve formátu .csv, obsahující sloupce FILE, DATE, TIME, SW_ID, T, SAMP, OFFS, COEFF, UNIT
• -r R, --result R: cesta pro zápis souboru s výsledky
• -w, --write: potvrzení zápisu do databáze

Model

Pro určení stavu výhybky je použit regresní model náhodného lesa (Random Forest). Jedná se metodu strojového učení, která kombinuje velké množství rozhodovacích stromů pro vytvoření finálního klasifikátoru. Náhodné lesy využívají metody baggingu (bootstrap aggregating), kdy každý strom v lese je trénován nezávisle na náhodně vybrané podmnožině trénovacích dat. Tento přístup zamezuje přeučení modelu a zlepšuje zobecnění pro danou úlohu. Další výhodou je možnost získání vah pro jednotlivé vstupní parametry, což pomáhá při intepretaci modelu a jeho predikcí. Paralelní trénování je škálovatelné i na velké množství dat a výsledný model je díky kombinaci více slabých klasifikátorů (stromů) velice rychlý.

Aktuálně používané vstupní parametry modelu, vypočtené ze vstupního signálu zrychlení [1] nebo získané přímým měřením:

• U_max: maximální absolutní amplituda zrychlení
• RMS: root mean square
• CF: crest factor, t.j. poměr mezi maximální amplitudou a RMS
• PtP: peak-to-peak, t.j. rozdíl mezi maximální a minimální amplitudou signálu
• E_norm: normalizovaná energie signálu
• f_mean,P1: frekvenční průměr vážený dle výkonu pro rozsah frekvencí 200-1000 Hz, což odpovídá síle P1 [3]
• f_mean,P2: frekvenční průměr vážený dle výkonu pro rozsah frekvencí 50-200 Hz, což odpovídá síle P2 [3]
• T: teplota v čase měření

Odkazy

Popis aplikace, teoretický a uživatelský manuál k dispozici zde: https://www.fce.vutbr.cz/AIU/krc.r/turnout4-0/idimasc/index.html
Aplikace iDIMASC ke stažení zde: https://www.vut.cz/www_base/vutdisk.php?i=326327a767. Součástí aplikace je popisný soubor, předtrénovaný model pro výhybku SW_ID 1 a třídu lokomotiv 151/163/362 a ukázková data pro spuštění.

Poděkování

Program byl vyvinut za podpory projektu Výhybka 4.0 (CK01000091) Technologické agentury České republiky.

Reference

1. Krč, Rostislav, et al. "Condition monitoring and trend analysis of railway turnouts based on in-situ accelerometer measurements." 5th International Conference on Railway Technology. Elsevier, (2022).
2. Krč, Rostislav, et al. "Neural Network-Based Train Identification in Railway Switches and Crossings Using Accelerometer Data." Journal of Advanced Transportation 2020 (2020): 1-10.
3. Jenkins, H. H., et al. "The effect of track and vehicle parameters on wheel/rail vertical dynamic forces." Railway Engineering Journal 3.1 (1974).

---