ブログ

Oct 30, 2023

リスクを利用した線路検査中断への対応

Rapporti scientifici Volume 13,

Scientific Reports volume 13、記事番号: 2141 (2023) この記事を引用

826 アクセス

2 引用

1 オルトメトリック

メトリクスの詳細

計画外の線路検査は、車上での線路形状の監視活動の運用が中断されると直接的な結果となる可能性があります。 したがって、補足的な航跡測定の情報の価値を高めるための新しい応答戦略が確立され、データ生成モデルが構築されます。 このモデルでは、人工 (合成) データが、影響を受けるトラック セグメントに沿った各測定点に短期間にわたって割り当てられます。 人工的な航跡測定データを効果的に生成するために、この研究では、従属変数に短距離記憶依存性を組み込み、外部要因からの相互依存効果を統合する NARX (外生変数による非線形自己回帰) モデルを提案します。 提案されたモデルの非線形性は、効果的な混乱管理のニーズに合わせてマッピング関数の高速計算を可能にする人工ニューラル ネットワークを使用して決定されました。 データ生成モデルの過剰適合のリスクは、一般化能力を反映しており、リスク回避の概念によって効果的に管理されています。 モデル評価では、線路縦断レベルの偏差をケーススタディとして取り上げ、その劣化速度、線路線形およびゲージを外生変数として予測しました。 統計的に異なる 2 つのデータセットのシミュレーション結果から、破壊された航跡測定のデータ生成モデルは信頼性が高く、正確で、使いやすいことがわかりました。 この新しいモデルは、鉄道線路の健全性予測と回復力のある運行管理における重要な画期的な進歩です。

鉄道線路の幾何学的状態は、目視検査による検査データと統合された軌道記録車によって収集された線路幾何学的測定値の評価を通じて定期的に測定および更新されます。 鉄道網における車両の走行安全性や乗り心地を確保するための試験です。 サービス障害が発生する前に、欠陥のある線路は、是正措置または予防措置に従って、線路保守ポリシーに従って適切な線路保守作業 (例: タンピング、レールの再舗装、再調整など) を受けます。 効果的なメンテナンス作業には、トラックの測定/検査スケジュール (TIS) が必要です。 現在まで、TIS は、物理的 (つまり、人間と機械の) 特性だけでなく、さまざまな時間的および空間的パラメーターを組み込んだ最適化問題としてモデル化されています1。 TIS はリアルタイム環境で不確実性にさらされているため、混乱が発生し、スケジュール内の残りのアクティビティの一部またはすべてが相殺される可能性があります 1、2。

破壊はランダムな出来事であり、決定論的なプロセスではありません。この特性により、破壊の存在は予測不可能かつ動的になります。 TIS に混乱が生じた場合、線路の異常を知らせる線路測定データや検査データを線路保守計画プロセスに提供するのが遅れることが予想されます。 必要以上にトラックを放置すると、遅れて欠陥が検出されるリスクが高まります。 その結果、計画された機能ではなく計画外のメンテナンスを実行する必要があります。 確かに、これは線路維持費に直接影響します3。 極端な状況では、効果のない線路検査が列車脱線の原因となる可能性があります4,5。 軌道検査における破壊的なイベントに対応する 1 つの考えられる方法は、軌道計測の中断に対する適切な対応アクションを見つけることです。 「混乱」という用語は、TIS における混乱に起因する直接的な損失を強調するために使用されます。 この研究では、中断された TIS に対する適切な対応アクションを特定するために、中断管理 (DM) の革新的なフレームワークが採用されました。

DM フレームワークを採用する動機は、対応アクションによって、影響を受けるプロセスや対象システムのあらゆる側面に最小限の変更を加えることができることです。 混乱は本質的に一時的なものであるため、混乱前から混乱後へのスムーズな移行が必要です。 この要件を満たすために、システム エンジニアは、プロセスの「中断された」コンポーネントまたはユニットの整合性を認識し、可能な限り維持する必要があります6。 この研究では、トラック測定データが「破壊」コンポーネントの代表的な情報として機能します。

鉄道線路は、複雑で連続的な資産の一例です。 したがって、その長さは線路の保守方程式における重要なパラメータです。 この説明は、統計的な観点から、トラックの測定値が特定の間隔内で空間的に相関していることを意味します。 この依存関係により、データ モデル識別の分析に偏りが生じる可能性があります。 同様に、定期的な軌道測定は、時間の経過に伴う軌道形状の変化 (トン数) の進化を追跡するためのプラットフォームを提供します。 したがって、中断された航跡測定に対する適切な応答アクションを決定する際には、時間的効果と空間的効果の両方を考慮する必要があります。 上記の要件に沿って、混乱した TIS に対する適応的な応答を導き出すための人工知能のアプリケーションは有望であると思われます。 したがって、我々は、線路形状の劣化を予測するための新しい人工知能フレームワークを提案します。 簡単に言うと、新しい方法は、欠落しているトラック測定データを予測するために使用される前に、まずトラック測定データの統計モデルを構築します。

予測モデルを開発する主な目的は、実際の物理プロセスまたはシステムの近似値を提供し、その出力を予測することです7。 入力共変量とプロセスのモデル出力との間の完全な非線形関係が必要ない場合、予測モデルの作成には統計モデルがより効果的です。 この方法では、単純化された数学関数を使用して、入出力変数の動的な相互作用を記述します8。 予測目的に最も便利なモデル構造の 1 つは、外生変数を含む非線形自己回帰モデル (NARX) です。 このモデルでは、非線形マッピング関数は、ターゲット (出力) 変数と外部 (入力) 変数の間の複雑な関係を定義します。 この関数は、入力変数と出力変数の過去の値を取得して、出力変数の現在の値を生成します。 マッピング関数を取得するために使用される方法に関連して、NARX-NN モデルはさまざまな形状の関数を持つ可能性があります。 Box-Jenkins モデルなどのさまざまな手法の中で、ニューラル ネットワークは汎用関数近似器であることが証明されています。つまり、トレーニング エポックの数とデータの品質によって条件付けされた任意の精度で複雑な関数を近似できる9。

ニューラル ネットワークは、2 つの理由からシミュレーションと予測で人気があります。 これらは、入出力変数間の非線形関係を暗黙的に処理し (つまり、深い知識を必要としたり、調査対象の問題について仮定したりする必要はありません)、目に見えないデータに対して適切に一般化します。 ただし、少数のトレーニング データ セットを使用してニューラル ネットワークをトレーニングすると、ニューラル ネットワークの有益な機能が失われます。 線路検査が中断された場合、特に測定頻度が低く、その後列車が脱線する可能性が高い線路区間では、データの欠如が発生する可能性があります10。 最後のタンピングメンテナンス（つまり復元ポイント）から記録された測定値のみがモデル化に使用されることに注意してください。 分析されたトラックの状態がメンテナンス作業によってリセットされているため、間隔外で収集されたトラック測定値はすべて廃止されたと宣言されます。 ニューラル ネットワークのデータ準備に課されるこの制限は、TIS に固有のものです。 さらに、不確実性や混乱に直面している鉄道システムの形状復元を最適化するために、安全に基づいたメンテナンスについて議論されています。 ベイジアン ネットワーク ベースのアプローチは、鉄道分岐器 (RT) のコンポーネントの故障に対する天候の影響を評価するために採用されています 11,12。 しかし、気候パターンは頻繁に変化するため、この研究は大規模な調査には適用できませんでした。 この方法には、特定の時間内の気候パターン、故障状況、空間データに従ってデータをセグメント化する必要があるため、いくつかの制限があります。

過大評価は、過適合データの副作用の 1 つです。 予測モデルの過大評価リスクを軽減するために、ニューラル ネットワークはベイジアン正則化を利用します。 ベイジアン正則化では、ネットワーク パラメーターのサイズを制限して、ネットワークがよりスムーズな応答を生成できるようにします。 強力な一般化特性とは別に、正則化ニューラル ネットワークはモデルのトレーニングにかかる​​計算時間も短くなります。 \(\mathrm{\rm O}\left({N}^{2}\right)\) (N はデータ点の数) としてスケールされるモデル検証プロセスは、もは​​や必要ありません13。 時間節約の利点は、大量のデータの場合に現れます。

現在までに、いくつかの予測モデルが提案されています 14、14、16 が、すべてのモデルが線路検査の中断の特有の性質を考慮して設計されているわけではありません。 そのためには、ベイジアン正則化ニューラル ネットワークと NARX モデルの統合定式化が、予期せぬイベントの存在下での追跡測定用の AI ベースのデータの生成に最適です。 この論文では、選択されたトラックの幾何学的パラメーターは自己回帰変数として定義され、他のパラメーターは NARX モデルの外部入力として機能します。 選択されたパラメータは、線路保守の決定において重要な役割を果たします17。 ニューラル ネットワークはデータによって駆動されるため、この研究では、高品質のトレーニングとテストのデータセットを生成するために、提案されたモデルにクラスタリングなどの機械学習ツールを適用してリスク回避の概念を採用しています。 このアクションにより、ニューラル ネットワークの計算時間が大幅に短縮されます。 全体として、この研究で報告された有望な結果は、予測結果の精度に反映されているように、新しいインスタンスによく一般化する予測モデルを構築するための効率的な融合方法を定式化することの重要性を示しています。

トラック形状の測定中、トラック記録車 (TRC) は 70 ～ 120 km/h のトラック速度で走行し、単一トラック コード上の等間隔のトラック ポイント (位置) で 7 つのトラック形状パラメータを測定します。 1 つのトラック コードは K キロメートルのトラックにまたがるため、重複しないいくつかのトラック セグメントに分割されます。 K はキロメートル単位の軌道ルートの単位長さであることに注意してください。 長さが m メートルのトラックセグメント S の場合 (m はトラックセグメントの単位長さ (メートル) であることに注意してください)、次のように示される一連の測定点が存在する可能性があります。 ここで \(i=\mathrm{1,2} 、\ドット、m/r\) および 。 ここで、r は隣接する 2 つの測定点間の距離 (メートル単位) を示します。 トラックセグメント で n 回目のトラック測定が実行されると、各 \({x}_{i}^{{S}_{j}}\) に G トラック幾何パラメータの偏差量が割り当てられます。 ここで、添字ｋが軌道状態インデックスを指す場合、 \(k=\mathrm{1,2},\dots ,G\) と表される。

たとえば、TRC で n + 1 番目のトラック測定の前に混乱が発生した場合、AI ベースのデータが生成されます。 データ生成は、トラック状態の評価のために最近のトラック測定値を提供する際の時間遅延を回避するために即座に応答します。 このアクションにより、影響を受けるトラック コードでの遅れた欠陥検出によるトラック ジオメトリ関連の計画外メンテナンスに対処する可能性が減少します。 データ生成の目的で、特定されたトラックの幾何学的パラメーターは NARX モデルの自己回帰変数として定義され、\({\widetilde{ y}}_{k}^{n+1}\left({x}_) として示されます。 {i}^{{S}_{j}}\右)\)。 提案された NARX モデルは、外部変数 \({u}_{l}\left({x}_{i}^{{S}_{j}}\right)\) をモデル入力として受け取ります。 したがって、対応する NARX は次のように表すことができます。

ここで、\(f\left(\cdot \right)\) は、\(d={d}_{1}+\left(p+1\right){d}_{2}\ の未知の非線形マッピング関数です。 ) の以前の既知の出力。 p 個の外部変数のそれぞれは、 によって定義されます。 この時点で、トラック形状パラメータ n は不規則であると仮定され、目標とするトラック形状に関して、k は非独立のインデックスになります。 これらの仮定を正当化するために、モデル開発プロセスの最後にモデルの複雑さとモデルのパフォーマンスの間のトレードオフ分析が使用されます。

一般に、モデルの単純性を犠牲にしてモデルのパフォーマンスに貢献する外部変数は、NARX モデルから除外できます。 一方、項「1」は、指定されたトラックの幾何学的パラメータの現在の変更サイズを考慮して追加されます。 この金額により、\({y}_{k}^{n}\left({x}_{i}^{{S}_{j}}\right)\) と \({y} の差が生じます_{k}^{n-1}\left({x}_{i}^{{S}_{j}}\right)\)。

ニューラル ネットワークは、生物学的ニューラル ネットワークの構造と、問題をエンコードして解決する方法からインスピレーションを得た計算パラダイムです。 基本的な NN モデルは、ユーザーの動機と利用可能なリソースに従って調整され、調査中の問題を解決するためにフィルター処理された入出力データを使用して体系的にトレーニングされます。

この研究では、NN を適用して (1) の非線形関数 \(f\left(\cdot \right)\) を取得します。 これには、モデルの説明に沿った適切なネットワーク構成が必要です。 図 1 の NARX-NN アーキテクチャは、p + 1 個のニューロンを持つ q 個の再帰ユニットを含む入力層、隠れ層、q 個のニューロンを持つ出力層を示しており、(1) の入力変数と出力変数間の動的関係を示しています。 線は重み付けされた接続を表し、四角形はバイアスしきい値ノードを表します。 隠れ層の 2 本線の円は、入力変数の遅れ/遅延要素です。 ここで、d1 と d2 の両方の正確な値は不明であり、モデルのトレーニング結果に基づいて決定されます。 NARX-NN には、時間に依存する可能性がある (中断など) 非線形入力を処理する機能があります。 この機能により、特に入力特徴が動的である場合に、従来のニューラル ネットワークと比較してより優れた予測が可能になります。

NARXNN アーキテクチャの概要。

NN トレーニングの前に、ネットワークの構成を取得する必要があります。 入力層と出力層のノードの数は、対象となるシステムの入力変数と出力変数の数をそれぞれ反映します。 NARX-NN モデルの場合、ユーザーはモデル出力および外部シリーズで遅延ユニットの値を開始する必要もあります。 それとは別に、隠れたノードの数は一般に不明であり、ネットワークのトレーニング中に繰り返し調整されます。 NARX-NN モデルの最適なアーキテクチャを評価するために、独立したテストが後で実施されます。

小規模なトレーニング データ セットを使用して NN をトレーニングすると、トレーニング セットに含まれていないインスタンスでは、結果として得られる NN ベースのモデルのパフォーマンスが低下する可能性があります。 NN はトレーニング データに過剰に適合している可能性があり、モデルの一般化可能性が大幅に低下します。 また、ネットワーク モデルは、新しいインスタンスが提示されるときに大きなエラーを生成する傾向があります。 この制限をデータ生成に適用すると、提案された NARX-NN は、蓄積トン数に応じた軌道状態の変化の突然の変化を識別する能力が制限される可能性があります。 この問題に対処し、モデルの一般化を改善するために、NN モデルのトレーニングでは正則化手法が採用されています。 優れた一般化特性を実証する以外にも、正則化手法を使用して NN をトレーニングすると、モデルの検証ステップが不要になるため、時間がかかりません 13,18。 N がデータのサイズである O(\({N}^{2}\)) としてスケールされる検証プロセスでは、大規模なデータ セットの場合に正則化手法の利点が明らかになります13。

重み付け値とバイアス値の最適な組み合わせを取得し、適切に一般化する予測モデルを生成するために、選択したアーキテクチャとトレーニング セットでネットワークをトレーニングして、次のパフォーマンス関数を最適化します。

ここで、 \(\gamma\) は正則化パラメータです。 \({E}_{W}\) と \({E}_{D}\) は、それぞれネットワークの重みとバイアスの二乗和の平均とネットワーク誤差の二乗和の平均を表します。 追加の項を備えた典型的な誤差関数である指定されたパフォーマンス関数では、トレーニングにより NN に小さな重みとバイアス、つまり低い \({E}_{W}\) 値の利用が強制されます。 Burden et al.13 と Piotrowski et al.19 は、NN を問題にうまく適用するには、学習アルゴリズムを適切に選択する必要があると述べています。 したがって、データが小さく、過剰適合しやすい場合には、ベイズ正則化 (BR) 手法をお勧めします。 BR を採用する場合、トレーニングの前にいくつかの仮定を行う必要があります。 ネットワークの重みとトレーニング データは、ガウス事前分布を持つ確率変数とみなされます。 次に、ベイズ規則に従ってトレーニング データを組み込むことによって、重みに対する事前確率が更新されます。 事後確率が最大化されたときに、ネットワークの最適な重みが決定されます。 これは、(2) の誤差関数を最小化することと同じです。

NN は任意の実数値連続関数を近似できますが、その成功は、データの準備と前処理、ネットワーク アーキテクチャ、モデルの仮定と制約、目的関数、後処理ステップなどの NN コンポーネントの適切な選択に大きく依存します。 この研究は、TIS が破壊された特定のケースにおいて、トラックの幾何学的パラメータ間のダイナミクス リンクをモデル化するための適切な NN 構成の重要性を強調しました。

長さ 100 m のトラックの 3 つのセグメントが特定され、提案された NARX-NN モデルが混乱時にどのように動作するかを示すために使用されます。 線路の形状データ (頂部、線、ツイスト、ゲージを含む) は、20 年以上連続して特定の線路セクションについて取得されています。 線路の形状データは線路検査車両によって測定および記録されており、通常、毎年 4 ～ 5 回の定期検査が記録されています。 ジオメトリ データは、40 年以上のデータ記録にわたるトラック状態インデックス (または「トラック品質インデックス」と呼ばれます) に関連付けられています。 セグメントは特定の軌道ルートの定期検査の一部であることに注意してください (たとえば、> 200 km)。 3 つのトラック セグメントは、図 2 に示されているデータ シリーズのコレクションに適用された非重複セグメンテーション アルゴリズムの出力に起因します。このコレクションは、各データ ペアが属する 2 つの連続した時点で記録された 2 つの縦方向レベル測定値で構成されています。分析された線路セグメントの同じレール側に。 S1、S2、および S3 という表記は、分析されたセグメントを区別するために使用されます。 与えられた許可が限られているため、この調査では、検査された線路セグメントの場所、検査データのソース、およびデータ所有者を開示することはできません。 一般化を目的として、図 2 の x 軸には一連の整数が付けられています。 1 から始まり 600 (= 300*r) で終わります。

長さ 300 メートルのトラックにわたるトラック形状検査を 2 回連続で実行します。 トラックの不規則性は 0.5 m ごとに測定され、位置軸にラベル付けされた 600 個のトラック ポイントが生成されます。 これは、長さ 300 m のトラック セクションにわたる一時データの単一セットであることに注意してください。

S1 と S2 のデータ系列を視覚的に観察したことにより、2 つのデータ系列が統計的特性の点で高度な類似性を持っている可能性があるという仮説が立てられました。 証拠がこの特性を裏付ける場合、この研究で冗長で非生産的な結果が提示されることを避けるために、NN トレーニング段階に入る前にデータ系列の 1 つを削除する必要があります。 除去の決定を調査するために、図 3 に示す散布図を使用して視覚的証拠を処理しました。この図では、各トラック セグメントのデータ シリーズの RMS 対尖度のプロットが構築されています。 RMS と尖度は、信号特性分析で広く使用されている統計指標です20。 図 3 に見られる結果として得られたクラスターは、仮説を裏付けています。 したがって、削除する系列を選択するには、散布図の左右の点 (レール) 間のユークリッド距離がタイブレーカーとして使用されます。 次に、S2 は、そのより広い距離に基づいて、NN 学習で S3 に参加するために選択されます。

前処理ステップでの距離ベースのクラスタリングの適用。

提案されたデータ生成モデルの有効性を実証するために、我々は、後で調査対象と呼ばれる、破壊された航跡測定として機能する航跡縦断レベルを選択しました。 トラックの長手方向レベルは、平均垂直位置 (基準線) からのレール (走行テーブル) のヘッドの上面の垂直偏差です。 縦方向のレベリングは、軌道記録車によって測定される多くの線路の幾何学的パラメータの 1 つであり、線路のタンピングのメンテナンスを決定するための主要な指標として認識されています 21。 この確立は、垂直方向 (または「トップ」と呼ばれる) のトラックの不規則性が他のトラック形状の欠陥よりも速く進行するという事実によるものです。 縦方向のレベルは左右のレールの両方で評価され、この要件により NARX-NN モデルの出力層に 2 つのノードが課されることに注意してください。

ニューラル ネットワークの用語と統一するために、入出力データ系列の用語を使用して、データ生成モデルに適用される分析されたトラック セグメントにわたるトラックの幾何学的パラメーターを示します。 提案されたデータ生成モデルで外部データ シリーズを使用する主な動機は、中断された航跡測定に対して求める応答アクションの比類のない特性に由来しています。 データ統合は、調査対象の過去の値とともに、アライメントやゲージなどの他の軌道幾何学的パラメータの過去および現在の測定値に対して実行され、調査対象が短期間に空間的および時間的に進化するサイズを予測しました。サービス時間のこと。 統合 NARX とニューラル ネットワークの融合法 (NARX-NN と表記) は、軌道剛性の変動が明らかにされていないスパン軌道長にわたるこれらの幾何学的パラメータ間の非線形関係を明らかにすると期待されています。

NARX-NN モデルでの軌道アライメントの使用の背後にある理論的根拠は、縦方向レベルだけでなく垂直方向の軌道力に対するその影響です。 線路の幾何学的な問題を管理するために、縦方向の線路レベルと線路の位置合わせがさまざまな方法で組み合わされてきました23。 例えば、Soleimanmeigouni et al.24 は、長期的な軌道劣化プロセスにおけるこれらのパラメータ間のこのようなレベルの関係を確立しました。 同様の関係が短期予測モデルに存在する可能性がありますが、モデル制約のセットが異なるため、この関係を直接使用することは不適切である可能性があります。 短期軌道予測モデルと長期軌道予測モデルの主な違いは、軌道劣化の側面における軌道測定値 (または軌道品質指標) の妥当性です。後者のカテゴリーのモデルは軌道の段階的な劣化を説明するのに対し、軌道の突然のシフト/突然の変化を説明します。前モデルは劣化が焦点となっている16,25。 短期予測モデルの場合、タンピング効果は、分析された線路セグメントをカバーする保守作業後の最初の線路測定に対してのみ有効です。 それにもかかわらず、軌道アライメントと縦方向レベルの間の非線形相互作用は、混乱管理の文脈で調査する価値があるだろう。 縦方向レベルと同様に、軌道アライメントのずれも左右のレールで同時に測定および分析されます。 線路の形状とは別に、線路のゲージ測定値が NARX モデルの外生変数として使用されます。 線路の形状や軌間が変化すると、車輪や車軸に大きな横方向の力がかかり、脱線や線路の構造の損傷を引き起こす可能性があります26。

前に説明したように、この研究の予測モデルは、n 回の連続した軌道測定実行の完了後に構築されました。 このメカニズムは、n 個前のトラック測定値にアクセスできることを意味します。 したがって、経度レベルの一連の劣化率は、NARX-NN モデルの最終的な外部変数として定義されます。

NN のトレーニングはデータ集約型のタスクであり、NN がデータに適合しすぎる可能性が常にあり、これにより、たとえば、結果として得られる予測モデルが新しいデータを予測する際の精度が低下します。 NN ベースの関数近似における過剰適合のリスクを軽減する効果的な方法は、ネットワークの複雑さを制御すること、つまり、過大なネットワークを回避することです。 NN モデルの自由度に基づく単純な決定ルールは、ネットワーク内のパラメーターの数をトレーニング セットのサイズ未満に保つことです 27。 私たちのケーススタディでは、線路ルートを長さ 100 m (または N = 200) の要素線路セクションに離散化します。 トレーニング セットの離散化サイズが確実である場合、N = 200 (長さ 100 m の特定のトラック セクションに 200 の空間データ ポイント)、マッピング手法がセットに適用され、このセットでのネットワーク トポロジの実行可能な選択が決定されます。勉強。 NARX-NN \(\left({d}_{1},{d}_{2},n\right)\) という表記は、残りのテキストで使用される NARX-NN モデルのネットワーク トポロジを表します。 マッピング出力の例を図 4 に示します。ここで、各セル内の整数は NARX-NN 内のネットワーク パラメーターの数を表します。 決定ルールに基づいて、図 4 の境界線 (太い黒線でマーク) の左側にある NARX-NN モデルのみがトレーニングされ、最適なネットワークが見つかります。

遅延ユニットに課せられる指定された境界条件に対する NARX-NN の自由度。 d1とd2。 ネットワークの隠れノードの数は、N = 200 に対応する 9 つに制限されます。

以前のフィルタリング ステップで選択されたネットワークは、S2 および S3 に関連付けられたデータ シリーズのコレクションを使用してトレーニングされます。 トレーニング段階では、各モデルはランダムな初期化を伴うシミュレーションを 30 回繰り返しました。

すべてのネットワークについて、30 サンプルにわたる加重 MSE (wMSE) の平均値が図 5 に記録されています。 まず、各ネットワークについて、隠れノードの数が増加するにつれて、wMSE は減少し始めます。つまり、モデルのパフォーマンスが増加します。 x 軸上の wMSE の進化は、各ネットワークで着実に発生します。 この観察は、多数の隠れノードを含むネットワークをさらにテストすることを奨励します。

ネットワーク トポロジの範囲選択に対する NN トレーニング結果の平均値。

一方、NARX-NN \(\left({d}_{1},{d}_{2},n\right)\) で構成された隠れノードの数に関係なく、ネットワークのパフォーマンスにおけるパラメータ \({d}_{2}\) の影響に関する明確なパターン。 たとえば、NARX-NN \(\left({d}_{1}=3,{d}_{2},n\right)\) の下のネットワークの場合、このグループのネットワークが存在する場合、wMSE は大幅に増加します。外部変数で追加の遅延単位を受け取ります (\({d}_{2}>{d}_{1}\))。 同じパターンが NARX-NN \(\left(5,{d}_{2},n\right)\) にも現れます。 ただし、NARX-NN \(\left(7,{d}_{2},n\right)\) では、 \({d}_{2}<{d}_{1} の場合に wMSE が増加します) \)。 これら 2 つの相反する観察は、NARX モデルのパフォーマンスに対する外部変数の混合効果の存在を強調しています。 言い換えれば、隣接するトラックポイント間の情報は、「欠落している」縦方向レベルを正確に予測するのに必ずしも意味があるわけではありません。

さまざまな数の隠れ層、ノード、ニューロンを使用して、多数の NN が開発されています。 入力と出力は整数です。 すべてのトレーニング済みネットワークの中から、独立したテストのために最良の予測を示す NARX-NN(3,3,8)、NARX-NN(5,3,5)、および NARX-NN(7,7,3) を選択しました。 。 これらのネットワークは、「複雑だがパフォーマンスが良い」クラスターに属しており、すべてのネットワークの完全なクラスタリング結果が図 6 に示されています。クラスタリングには、K 平均法手法が使用され、ペアごとの値 (モデルの単純さ、wMSE) に従って実行されました。 ）。

S2 の場合の NARX-NN モデルの k = 2 クラスターの出現。 結果として得られるクラスターは、パラメーターの数が 150 未満のネットワークは単純な予測モデルとして考慮される必要があることを示しています。

独立したテストの前に、n + 1 番目のトラック測定によって形成されたテスト データ シリーズが 2 つの部分に分割されます。 最初の部分には、最初の d3 トラック ポイントからのトラック測定データが含まれていました。 これはネットワークの初期化のために予約されています。 d3 の値は、調査対象のネットワーク内の d1 と d2 の最大値をとるため、ネットワークごとに異なります。 テスト データ シリーズの残りの部分は、後でネットワーク出力からの応答と比較されます。 図 7a は、テストされたすべてのネットワークの \(\left[{d}_{3},m\right]\) の範囲における \({x}_{i}\) の縦方向レベルの予測値を示しています。 図7b〜gの相関プロットからの観察は、3つのモデルが予測値と目標値の間の高い相関関係に基づいて縦方向レベルを正確に予測したことを示しています。

左右のレールの S2 の縦方向軌道レベルの予測値と目標値がプロット (a) に重ねて表示されます。 さまざまなネットワークの全体的な予測精度は、それぞれ左側と右側のレールの散布図 (b ～ d) と (e ～ g) から観察できます。

トラックジオメトリ測定の固有の特性は、パワースペクトル密度（PSD）の観点から定義できます。 PSD はスペクトル分析によく使用されるツールです。 ここでは、PSD を使用して、人工的な経度レベル データと実際の経度レベル データの関係を調べました。 図 8a では、左右のレール両方の実際の縦方向レベルの波長は、約 3 メートルと約 35 メートルの間に含まれています。 この波長範囲における線路の形状に関連する欠陥は、線路のメンテナンス (タンピングや再舗装など) の信頼できる指標として特徴付けられます 28。 左右のレールの PSD のピークは、~7 m と ~ 13 m の波長で最も明白でした。 ただし、右側のレールの波長約 13 m での PSD のピークは、左側のレールよりも約 35% 高いことがわかりました。 これは、左側のレールの状態が右側のレールよりも比較的良好であることを示しています。 NARX-NN モデルの出力が周波数領域で評価された場合、AI ベースのトラック縦方向レベルと実際のトラック縦方向レベルの間に高い正の相関があることを示す図 8b と c の結果が観察されました。 また、識別された個別のピークにおける予測された縦方向レベルと実際の縦方向レベルの PSD 値には、統計的に有意な差はありません (狭い信頼区間でテスト)。

S2 の (a) 左右のレールと、(b) 左レールおよび (c) 右レールの人工および実際の縦方向軌道レベルとの間の PSD 比較。

前に示したように、選択された 3 つの NARX ネットワークは、S2 の「欠落している」縦方向レベル (左および右) を首尾よく予測します。 同じネットワークを別のトラック セグメントに直接適用できるかどうかを調査するために、S3 で独立したテストが実行されました。 図 9 に示す適合度テストの結果に基づいて、選択した NARX ネットワークのそれぞれが優れた一般化能力を示すことが実証されました。 この主張のさらなる利点は、図 10 に示されています。この図では、左右のレールの AI ベースのデータと実際のデータの間で、顕著な PSD のピークの波長に関して正の相関関係が確立されていることは明らかです。

左右のレールの S3 の縦方向軌道レベルの予測値と目標値がプロット (a) に重ねて表示されます。 さまざまなネットワークの全体的な予測精度は、それぞれ左側と右側のレールの散布図 (b ～ d) と (e ～ g) から観察できます。

S3 の (a) 左側のレールと (b) 右のレールの人工的な軌道レベルと実際の縦方向軌道レベルの PSD 比較。

NARX-NN モデルは、2 つの弱関係テスト セットで使用された単一の NARX-NN モデルからの優れた予測結果によってサポートされる有望な一般化機能を示します。 S2とS3。 これらの新しい発見は、テストされた単位線路セクションの線路基礎構造のプロファイル（汚れたバラスト係数など）を分類する前処理ステップは、予測モデルが適切に機能するために必ずしも必要ではないことを強調しています。 ただし、単位トラック セクションの特定のクラスに専用のモデルを使用すると、より良い予測結果が得られる可能性があります。

例えば、線路クラス（低、中、または高）は、長手方向の線路レベルとバラスト/サブバラスト層の感湿性との間の関係の程度に基づいて確立することができる29。 この研究の結果は、バラスト層やバラスト層内の水分が多い移行ゾーンのような特殊な線路領域では、縦方向の線路レベルが大幅に低下する傾向があることが明らかになりました。 したがって、トラックセグメントの長さとその分割点を再定義することが可能です。 トラック データ セグメンテーションのさまざまなメカニズムは、Soleimanmeigouni et al.30 に記載されています。

波長（または周波数）領域でのトラック測定の分析は、トラック欠陥の形状とその波長内容に関する情報が必要な場合に役立ちます23。 この情報はさらに処理されて、トラックの品質状態が記述されます31、32。 スペクトル解析を考慮する場合、トラック測定の PSD が計算されます。ここで、図 2 および図 3 のような対応するパワー スペクトル グラフが表示されます。 図８および図１０は、分析されたトラックセグメントに品質インジケータを提供する。 両方の図の結果は、AI ベースのデータが実際のデータのスペクトル成分をよく再現していることを示しています。 これは、線路の完全性の現在の状態を説明する AI ベースのデータに基づいて構築するための強固な基盤です。 Berawi31 などの以前の研究は、PSD の統計情報を使用してトラックの状態を評価する方法を示し、実証しています。 たとえば、特定の波長での PSD の周期的なピークは、バラストの過度の劣化またはレール強化プロセス中に誘発された影響を示している可能性があります31。 したがって、線路状態の評価に AI ベースのデータを使用しても、線路保守の決定プロセスにバイアスが生じることはありません。 最後に、この研究での新しい発見と結果は、提案された NARX-NN モデルを再構成して、他のトラックの幾何学的パラメーターのデータを生成できることも示唆しています。

低確率のイベントに対処するには、手頃な価格のリスク対応戦略​​における (特別な) イノベーションが必要です。 幸いなことに、人工知能と時空間データ分析の間のスマートなパートナーシップから、手頃な価格で信頼できる戦略を開発できます。 この研究は、TRC の運用が中断された場合の中断された軌道測定のためのデータ生成モデルを開発することを目的としています。 モデル開発における機械学習、NARX、およびリカレント NN の共同適用は、図 3 と図 4 に見られるような相関分析と PSD 比較の印象的な結果に基づいて非常に成功しています。 7、8、9、10。

提案された NARX-NN モデルの初期設計は、計画された検査スケジュール内の破壊的なイベントに対応するように調整されています。 この仕様により、モデルは検査間隔から導出される特定の長さのタイムステップに対して有用になります。 内挿を適用してより小さいタイムステップの人工データを生成することはできますが、それは NARX-NN モデルの外側でのみ実行できます。 このアプローチでは、短期間内の軌道状態の悪化における突然の遷移のシミュレーションが必要な場合、入出力変数間の動的な相互作用と結果の誤差依存性が除外されます。 したがって、今後の作業は、既存の NARX-NN モデルに 2 つの検査実行間の任意の時点における異常を伴うベースライン点推定を装備することに焦点を当てる必要があります。 今後の作業では、NARX-NN モデルの現場実装にも重点を置きます。

現在の研究中に使用および/または分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

Bin Osman, MH、Kaewunruen, S.、Jack, A. 鉄道線路の検査スケジュールの最適化。 手順研究所メカ。 工学パート F J. 鉄道高速輸送機関。 232(6)、1577–1587 (2017)。

記事 Google Scholar

Bin Osman, MH、Kaewunruen, S.、An, M.、および Dindar, S.、「中断: 軌道検査スケジュールの新しい要素」、2016 年 IEEE 国際会議インテリジェント鉄道輸送 (ICIRT)、2016 年、249 ページ–253。

Stenström, C.、Norrbin, P.、Parida, A.、および Kumar, U. 予防および是正保守 – コストの比較と費用便益分析。 構造体。 インフラストラクチャ。 工学 12(5)、603–617 (2016)。

記事 Google Scholar

鉄道事故調査支局、レスターシャー州キャッスル・ドニントンでの脱線事故、2013年1月21日、2014年。

Sresakoolchai, J. & Kaewunruen, S. 教師ありおよび教師なしの機械学習を使用した、線路形状に基づく鉄道の欠陥検出。 構造健全性モニタリング 21(4)、1757 ～ 1767 年。 https://doi.org/10.1177/14759217211044492 (2022)。

記事 Google Scholar

J. Jespersen-Groth 他、「旅客鉄道輸送における混乱管理」、『堅牢かつオンラインの大規模最適化: 交通システムのモデルと技術』、Ahuja、RK、Möhring、RH、および Zaroliagis、CD、編。 ベルリン、ハイデルベルク：シュプリンガー ベルリン ハイデルベルク、2009 年、399 ～ 421 ページ。

Menezes、JMP および Barreto、ジョージア州 NARX ネットワークによる長期時系列予測: 経験的評価。 ニューロコンピューティング 71(16–18)、3335–3343 (2008)。

記事 Google Scholar

Pisoni, E.、Farina, M.、Carnevale, C.、Piroddi, L. NARX モデルを使用したピーク大気汚染レベルの予測。 工学応用アーティフ。 知性。 22(4–5)、593–602 (2009)。

記事 Google Scholar

Hornik, K.、Stinchcombe, M.、および White, H. 多層フィードフォワード ネットワークは汎用近似器です。 ニューラルネットワーク。 2、359–366 (1989)。

記事 MATH Google Scholar

Liu, X.、Saat, MR、および Barkan、CPL 安全性と効率性のための重量物輸送鉄道線路アップグレードの便益コスト分析、国際重量物輸送協会会議議事録、2011 年、1 ～ 8 ページ。

Dindar, S.、Kaewunruen, S.、および An, M. 分岐器および踏切での列車脱線の大規模調査を使用した鉄道事故分析: 新しい確率的数学的予測とさまざまな仮定のパフォーマンスの比較。 工学失敗。 アナル。 103、203–216 (2019)。

記事 Google Scholar

Dindar, S.、Kaewunruen, S.、An, M. 鉄道分岐器コンポーネントの故障に対する気候の影響のハザード分析のための階層ベイズベースのモデル。 安心。 工学システム。 サフ。 218、108130 (2022)。

記事 Google Scholar

Burden, F. & Winkler, D. ニューラル ネットワークのベイズ正則化。 方法 Ｍｏｌ． バイオル。 458、25–44 (2008)。

Google スカラー

Liu, R.、Ph, D.、Xu, P.、および Wang, F. 短いトラック長にわたるトラックの不規則性の短距離予測モデルに関する研究。 J. Transp. 工学 136、1085–1092 (2010)。

記事 Google Scholar

Xu, P.、Sun, Q.、Liu, R.、Wang, F. トラック品質指標の短距離予測モデル。 手順研究所メカ。 工学パート F J. 鉄道高速鉄道 225(3)、277 ～ 285 (2011)。

記事 Google Scholar

Xu, P.、Jia, C.、Li, Y.、Sun, Q.、Liu, R. 最適な保守スケジュールを設定するための、強化された短距離鉄道線路状態予測モデルの開発。 数学。 問題。 工学 2015年12月（2015年）

記事 MATH Google Scholar

アンドラーデ、アーカンソー州 & テシェイラ、PF ライフサイクルを通じて線路の形状の劣化を評価するベイジアン モデル。 解像度トランスペアレントエコン。 36(1)、1–8 (2012)。

記事 Google Scholar

Z. Yue、Z. Songzheng、および L. Tianshi、石油ガス掘削コストを予測するためのベイズ正則化 BP ニューラル ネットワーク モデル、BMEI 2011 - Proc. 2011年インターナショナル会議バス。 管理。 電子。 情報、vol. 2、483–487ページ、2011年。

Piotrowski, AP & Napiorkowski, JJ 集水域流出モデリングの場合のニューラル ネットワーク トレーニングにおける過学習を回避する方法の比較。 Ｊ．ハイドロール． 476、97–111 (2013)。

記事 ADS Google Scholar

Leturiondo, U.、Mishra, M.、Galar, D.、Salgado, O. 転動体ベアリングのハイブリッド モデリングにおける合成データの生成。 インサイトノンデストル。 テスト。 条件モニト。 57(7)、395–400 (2015)。

記事 Google Scholar

Araasteh khouy、I. 線路形状の費用対効果の高いメンテナンス – 安全限界からメンテナンス限界への移行、ルレオ工科大学、2013 年。

Karis, T. 高速列車の線路の異常 (KTH Engineering Sciences、2009)。

Google スカラー

Haigermoser, A.、Luber, B.、Rauh, J. & Gräfe, G. 道路および線路の凹凸: 測定、評価、およびシミュレーション。 ヴェー。 システム。 ディン。 53(7)、878–957 (2015)。

記事 ADS Google Scholar

ソレイマンメイゴウニ、I. 他 2 レベルの区分モデルによるバラスト鉄道線路の形状の進化のモデル化。 構造体。 インフラストラクチャ。 工学 14(1)、33–45 (2018)。

記事 Google Scholar

Osman, MH および Kaewunruen, S. 「土木工学におけるライフサイクル分析と評価: 統合ビジョンに向けて」、2018 年、445 ～ 450 ページ。

Choi, IY, Um, JH, Lee, JS & Choi, HH 線路の凹凸が高速列車の走行挙動に及ぼす影響。 手順研究所メカ。 工学パート F J. 鉄道高速輸送機関。 227(1)、94–102 (2013)。

記事 Google Scholar

Lawrence, S、Giles, C.L、Tsoi, AC ニューラル ネットワーク トレーニングの教訓: 過学習は予想より難しいかもしれません。 手順国立会議アーティフ。 知性。 540–545 (1997)。

欧州規格、EN 13848–1:2009 鉄道アプリケーション - 線路 - 線路形状の品質 - パート 1: 線路形状の特性評価、2009 年。

Wang, H.、Silvast, M.、Markine, V.、Wiljanen, B. バラストとサブバラストの湿気状態を考慮した鉄道移行ゾーンの動的な車輪荷重の解析。 応用科学。 7(12)、1208 (2017)。

記事 Google Scholar

Soleimanmeigouni, I.、Ahmadi, A. & Kumar, U. トラックのジオメトリの劣化とメンテナンスのモデリング: レビュー。 手順研究所メカ。 工学パート F J. 鉄道高速輸送機関。 232、73–102 (2016)。

記事 Google Scholar

ベラウィ、ARB パワースペクトル密度 (PSD) を使用した鉄道線路のメンテナンスの改善 (博士論文)。 ポルト大学 (2013)。

Sresakoolchai, J. と Kaewunruen, S. は、BIM と機能横断的に協調シミュレーションされた 3 次元リカレント ニューラル ネットワーク ベースのモデルを使用してジオメトリ予測を追跡します。 センサー 23(1)、391。https://doi.org/10.3390/s23010391 (2023)。

記事 ADS Google Scholar

リファレンスをダウンロードする

MH Osman は、マレーシア高等教育省とマレーシア ケバンサーン大学からの奨学金に感謝の意を表します。 著者らは、H2020-RISE プロジェクト番号 691135「RISEN: 鉄道インフラ システム エンジニアリング ネットワーク」の財政的後援について欧州委員会に心から感謝しています。 APC は、バーミンガム大学図書館のオープンアクセス基金によって後援されています。

バーミンガム大学土木工学科、バーミンガム、B15 2TT、英国

親愛なるケウンルエン様

持続可能な都市交通研究センター、マレーシア国立大学工学部および建築環境学部、43600、UKM バンギ、マレーシア

モフド・ハニフ・オスマン

マレーシア国立大学工学部工学教育学部、43600、UKM Bangi、マレーシア

モフド・ハニフ・オスマン

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

概念化、SK と MHO。 方法論、SK および MHO。 ソフトウェア、MHO; 検証、SK および MHO。 形式的分析、MHO。 調査、SKとMHO。 リソース、SK; データキュレーション、MHO。 執筆—原案作成、MHO。 執筆 - レビューと編集、SK および MHO。 視覚化、MHO。 監督、SK; プロジェクト管理、SK; 資金調達、SK すべての著者は原稿の出版版を読んで同意しました。

サクディラット・ケウンルエンへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Kaewunruen, S.、Osman, M. リスクベースの機械学習を使用して鉄道線路検査の中断に対処。 Sci Rep 13、2141 (2023)。 https://doi.org/10.1038/s41598-023-28866-9

引用をダウンロード

受信日: 2022 年 4 月 21 日

受理日: 2023 年 1 月 25 日

公開日: 2023 年 2 月 7 日

DOI: https://doi.org/10.1038/s41598-023-28866-9

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

科学レポート (2023)

科学レポート (2023)

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。