Application of automatic classifiers for condition monitoring of railway rolling stock

• Autores: E. Ruiz Torres, Alejandro Bustos Caballero, Higinio Rubio Alonso, Cristina Castejón Sisamón
• Localización: Técnica industrial, ISSN 0040-1838, Nº 336, 2023, págs. 38-45
• Idioma: inglés
• Títulos paralelos:
  • Aplicación de clasificadores automáticos a la monitorización de la condición de funcionamiento de material rodante ferroviario
• Enlaces
  • Texto completo
• Resumen
  • español

    La evolución tecnológica hacia la automatización de procesos industriales y los avances en la interconectividad han dado lugar a lo que conocemos como Industria 4.0. Un área particularmente beneficiada por estos avances tecnológicos es el mantenimiento predictivo de máquinas, donde la implementación de técnicas de aprendizaje automático ha mejorado considerablemente el diagnóstico de la condición de las mismas. Esto es especialmente sensible en el sector ferroviario, donde el mantenimiento constituye una parte importante de los costes de operación. En el presente trabajo se estudiará la aplicación de técnicas de aprendizaje automático a señales vibratorias procedentes de un eje ferroviario testeado en un banco de ensayos mediante algoritmos de máquinas de soporte vectorial para la detección de fallos. Con el propósito de obtener un clasificador preciso, se propone una selección de cualidades que consiste en una serie de análisis de sensibilidad con el propósito de determinar las mejores cualidades para la clasificación. La posterior optimización de hiperparámetros propuesta se constituye por una serie de análisis de sensibilidad, para determinar los valores de cada parámetro del clasificador que generan clasificadores con mayor precisión. Por último, se estudiará el efecto de la localización de los sensores de los que provienen las señales vibratorias para determinar su configuración más adecuada.

  • English

    The evolution of technology towards the automation of industrial processes and the advances in interconnectivity have given way to what is known today as industry 4.0. These advances are of particular interest in the area of predictive maintenance of machines, where machine learning techniques have considerably improved condition diagnosis of machinery. This is of special importance in the railway industry, where maintenance constitutes an important part of its operating costs. This paper studies the application of machine learning techniques to vibration signals originating from a railway axle, tested on a railway test bench, through support vector machine algorithms for fault detection. A feature selection scheme composed of a series of sensitivity analyses is proposed in order to determine the best signal features for classification. The subsequent hyperparameter optimization proposed consists of a series of sensitivity analyses in order to determine the values of each parameter that result in a classifier with the most accuracy. Lastly, the effect of the location of the sensors in the axle from which the vibration signals are obtained is studied in order to determine their most apt configuration.