[論文レビュー] Defect Prediction of Railway Wheel Flats based on Hilbert Transform and Wavelet Packet Decomposition

Eui-Youl Kim, Nithya Jayaprakasam+2 more|arXiv (Cornell University)|Aug 27, 2020

Railway Engineering and Dynamics参考文献 34被引用数 5

ひとこと要約

本論文では、非定常なアキシスボックス加速度（ABA）信号から直交エネルギー特徴を抽出するため、ヒルベルト変換およびウェーブレットパッケージ分解を用いた欠険予測フレームワークを提案する。この手法は、拡張された特徴量で訓練されたニューラルネットワークにより、単一のホイールフラットの高精度な検出と局所化を実現し、非常に細分化された信号を用いることで予測性能を顕著に向上させる。

ABSTRACT

For efficient railway operation and maintenance, the demand for onboard monitoring systems is increasing with technological advances in high-speed trains. Wheel flats, one of the common defects, can be monitored in real-time through accelerometers mounted on each axle box so that the criteria of relevant standards are not exceeded. This study aims to identify the location and height of a single wheel flat based on non-stationary axle box acceleration (ABA) signals, which are generated through a train dynamics model with flexible wheelsets. The proposed feature extraction method is applied to extract the root mean square distribution of decomposed ABA signals on a balanced binary tree as orthogonal energy features using the Hilbert transform and wavelet packet decomposition. The neural network-based defect prediction model is created to define the relationship between input features and output labels. For insufficient input features, data augmentation is performed by the linear interpolation of existing features. The performance of defect prediction is evaluated in terms of the accuracy of detection and localization and improved by augmented input features and highly decomposed ABA signals. The results show that the trained neural network can predict the height and location of a single wheel flat from orthogonal energy features with high accuracy.

研究の動機と目的

• 高速鉄道運用におけるリアルタイムのオンボートモニタリングシステムの増加するニーズに対応すること。
• 非定常なアキシスボックス加速度（ABA）信号を用いて、鉄道車輪の一般的な欠陊であるホイールフラットの検出と局所化の精度を向上させること。
• ニューラルネットワークの予測性能を向上させるために、頑健な特徴抽出手法を開発すること。
• 線形補間を用いた有効なデータ拡張により、入力特徴量の不足を克服すること。
• 本手法の性能を、検出精度および局所化精度の観点から評価すること。

提案手法

• 非定常なアキシスボックス加速度（ABA）信号を、バランスドな2分木構造上で複数の周波数帯域に分解するためにウェーブレットパッケージ分解が適用される。
• 各分解された帯域から瞬時の振幅および位相情報を抽出するためにヒルベルト変換が用いられ、エネルギーに基づく特徴表現が可能になる。
• ヒルベルト変換された成分から直交エネルギー特徴が計算され、周波数帯域ごとの信号のエネルギー分布が表現される。
• 抽出された直交エネルギー特徴と、単一のホイールフラットの真値の位置および高さとの間のマッピングを学習するためにニューラルネットワークが訓練される。
• 不足した学習データを補うために、既存の特徴量の線形補間を用いたデータ拡張が実施される。
• 柔軟なホイールセットを備えた列車動力学モデルを活用し、訓練および評価のための現実的なABA信号をシミュレートする。

実験結果

リサーチクエスチョン

• RQ1 ヒルベルト変換およびウェーブレットパッケージ分解は、非定常なアキシスボックス加速度信号から、ホイールフラット検出に有効な判別特徴を効果的に抽出できるか？
• RQ2 これらの変換から導出される直交エネルギー特徴の使用が、欠陊予測の精度にどのように影響を与えるか？
• RQ3 線形補間によるデータ拡張が、ホイールフラット検出におけるニューラルネットワークの性能をどの程度向上させるか？
• RQ4 提案手法は、ABA信号から単一のホイールフラットの正確な局所化および高さの定量的評価が可能か？
• RQ5 信号の分解深さが、ニューラルネットワークモデルの予測精度にどのように影響を与えるか？

主な発見

• 直交エネルギー特徴で訓練されたニューラルネットワークは、単一のホイールフラットの位置および高さ予測において高い精度を達成した。
• ウェーブレットパッケージ分解とヒルベルト変換の統合により、非定常なABA信号に対する特徴表現が顕著に向上した。
• 線形補間によるデータ拡張は、入力特徴量の不足を効果的に補い、モデルの頑健性を向上させた。
• 非常に細分化されたABA信号は、検出および局所化精度の向上に寄与し、細粒度周波数解析の利点を示した。
• 特に非定常信号環境下において、本手法はベースライン手法を上回る予測精度を示した。
• 本フレームワークは、高速鉄道応用におけるリアルタイムのオンボートモニタリングシステムへの強い潜在的応用性を示した。