Towards robust real-time condition monitoring and fault diagnosis for railway assets
| dc.contributor.advisor | Hecht, Markus | |
| dc.contributor.author | Shi, Dachuan | |
| dc.contributor.grantor | Technische Universität Berlin | |
| dc.contributor.referee | Hecht, Markus | |
| dc.contributor.referee | Siefer, Thomas B. | |
| dc.date.accepted | 2022-11-03 | |
| dc.date.accessioned | 2023-01-19T11:08:47Z | |
| dc.date.available | 2023-01-19T11:08:47Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | A paradigm shift towards condition-based and predictive maintenance (CBM and PM) is undergoing in the railway system. This will increase the maintenance efficiency and ultimately increase the reliability and availability of railway assets. As an essential part of CBM and PM, condition monitoring along with intelligent data processing algorithms determines the up-to-date asset conditions to support maintenance decision-making. Condition monitoring in railway applications usually requires real-time data processing for fault diagnosis. As train drivers or infrastructure operators should be immediately informed, once severe failures are detected. As many railway assets have not been electrified, the onsite infrastructure for power supply and data communication is absent. This results in further challenges for data processing with regard to power consumption and computational complexity. Furthermore, the operating conditions of railway assets vary in a large range. Condition variations reflect in the monitoring data and cause the distribution shift, which may induce the robustness problem of diagnostic models. To cope with these problems encountered in practice, we have conducted extensive research towards robust real-time condition monitoring and fault diagnosis for railway assets. We propose to use lightweight convolutional neural networks (LCNN) to realize real-time capability. During the model training, data augmentation is introduced for robustness enhancement. This general data processing procedure is demonstrated in two distinct railway applications. They have been described in three scientific publications, which constitute the present cumulative dissertation. The first application deals with wheel flat detection (WFD) for vibration monitoring on freight wagons, which supports wagon maintenance. As freight wagons are not electrified, the algorithm should be executed in real time on embedded systems powered by batteries, which have limited computation power. In the first paper, we propose to automatically search a one-dimensional (1D) LCNN for real-time WFD with the optimal tradeoff between computational complexity and detection accuracy. In the second paper, the robustness problems induced by the variation of vehicle speeds, monitored wagons and track conditions are investigated. A novel data augmentation framework, incorporating multibody dynamic simulation for physical modeling and fast weighted feature-space averaging to augment simulation data, is proposed for robustness enhancement. The second application concerns track geometry monitoring, supporting track maintenance. Our work published in the third paper is the first attempt to use a deep learning based computer vision solution for track geometry monitoring. Virtual point tracking for real-time target-less dynamic displacement measurement is proposed to track the lateral movement of the wheel on the rail, in order to calculate track alignment. It is mainly realized by a 2D LCNN for virtual point detection within each video frame, achieving frame rates of above 30 frames per second on edge devices. In addition, data augmentation based on image corruption is applied to enhance the robustness against different weather conditions and contaminations. Real-time requirements and robustness problems are the general topics of condition monitoring. The proposed methods for real-time data processing and robustness enhancement are not confined to the two exemplary applications. They can be adapted into similar scenarios. The potential for further improvement are discussed. | en |
| dc.description.abstract | Im Eisenbahnsystem vollzieht sich ein Paradigmenwechsel zu zustandsbasierter und prädiktiver Instandhaltung. Dies zielt die Erhöhung der Wartungseffizienz und letztendlich der Zuverlässigkeit und Verfügbarkeit von Eisenbahnanlagen ab. Als wesentlicher Bestandteil ermittelt die Zustandsüberwachung mit intelligenten Datenverarbeitungsalgorithmen den aktuellen Zustand von Anlagen zur Unterstützung effizienter Instandhaltungsentscheidungen. Die Zustandsüberwachung erfordert in der Regel die Echtzeitverarbeitung der erfassten Daten zur Fehlerdiagnose. Da die Lokführer oder die Infrastrukturbetreiber sofort informiert werden sollten, sobald schwerwiegende Störungen festgestellt werden. Viele Bahnanlagen sind noch nicht elektrifiziert, die Infrastruktur für Stromversorgung und Datenkommunikation fehlt. Daraus ergeben sich weitere Herausforderungen für die Datenverarbeitung hinsichtlich Stromverbrauch und Rechenaufwand. Darüber hinaus variieren die Betriebsbedingungen von Eisenbahnanlagen in einem großen Bereich. Variationen von Betriebsbedingungen verursachen deren Verteilungsverschiebung der Überwachungsdaten, was das Robustheitsproblem der Diagnosealgorithmen hervorrufen kann. Um diese Probleme zu bewältigen, wurden umfangreiche Untersuchungen zur Realisierung robuster Echtzeit-Zustandsüberwachung und Fehlerdiagnose für Eisenbahnanlagen durchgeführt. Ein auf leichten faltenden neuronalen Netzen (LCNN) basierender Ansatz wird zur Datenverarbeitung in Echtzeit vorgestellt. Dazu werden Datenvermehrungstechniken zur Verbesserung der Robustheit eingesetzt. Dieses allgemeine Datenverarbeitungsverfahren wird in zwei Eisenbahnanwendungen demonstriert. Sie wurden in drei wissenschaftlichen Publikationen beschrieben, die die vorliegende kumulative Dissertation darstellen. Die erste Anwendung befasst sich mit der Flachstellenerkennung an Güterwagen. Da Güterwagen nicht elektrifiziert sind, sollte der Algorithmus in Echtzeit auf batteriebetriebenen eingebetteten Systemen ausgeführt werden, die über eine begrenzte Rechenleistung verfügen. In der ersten Publikation wurde ein eindimensionales (1D) LCNN zur Flachstellenerkennung hinsichtlich des optimalen Kompromiss zwischen Rechenkomplexität und Erkennungs-genauigkeit entwickelt. In der zweiten Publikation wurde die Robustheit der Flachstellen-erkennung durch die Variation von Fahrgeschwindigkeiten, überwachten Güterwagen und befahrenen Strecken untersucht. Zur Verstärkung der Robustheit wurde eine Datenvermehrungsmethode entwickelt, die Mehrkörpersimulation und die gewichtete Merkmalsraummittelung zur Erweiterung der Simulationsdaten umfasst. Die zweite Anwendung betrifft die Gleisgeometrieüberwachung. Eine auf 2D-LCNN basierender Methode zur Erkennung und Verfolgung virtueller Punkten wurde entwickelt und in der dritten Publikation beschrieben. Diese Methode ermöglicht die Echtzeitmessung seitlicher Bewegung der Räder auf den Schienen mit der Abtastfrequenz von über 30 Bildern pro Sekunde. Darüber hinaus wurde eine Datenvermehrungsmethode basierend auf Bildverfälschung zur Verstärkung der Robustheit gegenüber unterschiedlichen Wetterbedingungen und Verschutzungen angewendet. Echtzeitfähigkeit und Robustheit sind die allgemeinen Themen der Zustandsüberwachung. Die entwickelten Methoden können in ähnliche Szenarien zur Echtzeit-Datenverarbeitung und Robustheitsverbesserung verwendet werden. In vorliegender Dissertation wird dazu das Verbesserungspotenzial der entwickelten Methoden diskutiert. | de |
| dc.description.sponsorship | EC/H2020/826250/EU/Assets4Rail | |
| dc.description.sponsorship | EC/H2020/730863/EU/INNOWAG | |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/18010 | |
| dc.identifier.uri | https://doi.org/10.14279/depositonce-16802 | |
| dc.language.iso | en | |
| dc.relation.haspart | 10.14279/depositonce-17025 | |
| dc.relation.haspart | 10.14279/depositonce-17026 | |
| dc.relation.haspart | 10.14279/depositonce-17027 | |
| dc.rights.uri | http://rightsstatements.org/vocab/InC/1.0/ | |
| dc.subject.ddc | 625 Eisenbahn- und Straßenbau | de |
| dc.subject.other | railway | en |
| dc.subject.other | wheel flat | en |
| dc.subject.other | fault detection | en |
| dc.subject.other | machine learning | en |
| dc.subject.other | convolutional neural network | en |
| dc.subject.other | computer vision | en |
| dc.subject.other | track geometry monitoring | en |
| dc.title | Towards robust real-time condition monitoring and fault diagnosis for railway assets | en |
| dc.type | Doctoral Thesis | |
| dc.type.version | acceptedVersion | |
| dcterms.rightsHolder.reference | Deposit-Lizenz (Erstveröffentlichung) | |
| tub.accessrights.dnb | domain | |
| tub.affiliation | Fak. 5 Verkehrs- und Maschinensysteme::Inst. Land- und Seeverkehr (ILS)::FG Schienenfahrzeuge | |
| tub.publisher.universityorinstitution | Technische Universität Berlin |