[논문 리뷰] Defect Prediction of Railway Wheel Flats based on Hilbert Transform and Wavelet Packet Decomposition

Eui-Youl Kim, Nithya Jayaprakasam외 2명|arXiv (Cornell University)|2020. 08. 27.

Railway Engineering and Dynamics참고 문헌 34인용 수 5

한 줄 요약

이 논문은 비정상적인 축상자 가속도(ABA) 신호에서 정규직교 에너지 특징을 추출하기 위해 힐버트 변환과 웨이블릿 패킷 분해를 사용하는 결함 예측 프레임워크를 제안한다. 신호의 고해상도 분해를 통해 신경망이 보강된 특징을 학습함으로써 단일 휠 플랫의 고정확도 검출 및 국소화가 가능하며, 이는 매우 분해된 신호를 활용해 예측 성능을 크게 향상시킨다.

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.

연구 동기 및 목표

• 고속 철도 운행 환경에서 실시간 차량 내 모니터링 시스템의 증가하는 수요를 해결하기 위해.
• 비정상적인 축상자 가속도(ABA) 신호를 활용해 철도 차량 휠에서 흔히 발생하는 결함인 휠 플랫의 정확도를 향상시키기 위해.
• 신경망 예측 성능을 향상시키기 위한 강건한 특징 추출 방법을 개발하기 위해.
• 선형 보간을 활용한 효과적인 데이터 증강을 통해 입력 특징의 가용성 부족 문제를 해결하기 위해.
• 검출 정확도와 국소화 정밀도 측면에서 제안된 방법의 성능을 평가하기 위해.

제안 방법

• 균형 이진 트리 구조상에서 비정상적인 축상자 가속도(ABA) 신호를 다중 주파수 대역으로 분해하기 위해 웨이블릿 패킷 분해를 적용한다.
• 각 분해된 대역에서 순시 진폭과 위상 정보를 추출하기 위해 힐버트 변환을 사용하여 에너지 기반 특징 표현을 가능하게 한다.
• 힐버트 변환된 구성요소에서 정규직교 에너지 특징을 계산하여 주파수 대역 간 신호의 에너지 분포를 표현한다.
• 추출된 정규직교 에너지 특징과 단일 휠 플랫의 진짜 위치 및 높이 사이의 매핑을 학습하기 위해 신경망을 훈련시킨다.
• 부족한 훈련 데이터를 보완하고 모델 일반화 능력을 향상시키기 위해 기존 특징의 선형 보간을 통해 데이터 증강을 수행한다.
• 유연한 휠셋을 갖춘 기차 운행 모델을 활용하여 훈련 및 평가를 위한 실제적인 ABA 신호를 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 힐버트 변환과 웨이블릿 패킷 분해는 비정상적인 축상자 가속도 신호에서 휠 플랫 검출을 위한 분별성 있는 특징을 효과적으로 추출할 수 있는가?
• RQ2 이 변환에서 유도된 정규직교 에너지 특징의 사용이 결함 예측 정확도에 어떤 영향을 미치는가?
• RQ3 선형 보간을 통한 데이터 증강이 휠 플랫 검출에서 신경망 성능 향상에 어느 정도 기여하는가?
• RQ4 제안된 방법은 ABA 신호로부터 단일 휠 플랫의 정확한 국소화 및 높이 측정이 가능한가?
• RQ5 신호 분해 깊이가 신경망 모델의 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• 정규직교 에너지 특징을 기반으로 훈련된 신경망은 단일 휠 플랫의 위치와 높이 예측에서 높은 정확도를 달성했다.
• 웨이블릿 패킷 분해와 힐버트 변환의 통합은 비정상적인 ABA 신호에 대한 특징 표현을 크게 향상시켰다.
• 선형 보간을 통한 데이터 증강은 입력 특징의 가용성 부족을 효과적으로 보완하여 모델의 강건성을 향상시켰다.
• 고해상도로 분해된 ABA 신호는 검출 및 국소화 정확도 향상에 기여하여 세밀한 주파수 분석의 이점을 입증했다.
• 특히 비정상적인 신호 환경에서 복잡한 신호 환경에서 제안된 방법은 베이스라인 방법보다 높은 예측 정확도를 보였다.
• 이 프레임워크는 고속 철도 응용 분야에서 실시간 차량 내 모니터링 시스템에 강력한 잠재력을 보였다.