철도에 사용되고 있는 분기기는 중요한 시스템 중 하나이다. 분기기 시스템의 건전성은 철도운용 안정성에 매우 중요하다. 분기기 시스템을 진단하기 위하여, LVDT와 accelerometer를 분기기에 설치하였다. LVDT는 분기기에서 변위가 발생하는 부분에 설치하여, 분기기의 이동과 차량의 주행에서 발생되는 변위를 측정하였다. Accelerometers는 충격과 진동이 발생하는 부분에 설치하여 충격량과 진동을 측정하였다. 측정된 데이터를 이용하여 변수화를 위한 데이터를 추출하였으며, 이 변수들은 진단에 사용하였다. 진단 알고리즘은 확률분포와 인공신경망을 사용하였다. 변수화된 값이 확률분포를 이용하여 판단할 수 있으면 확률분포를 사용하였으며, 형태를 보고 판단할 필요가 있으면 인공신경망을 활용하였다. 본 논문에서는 정상적인 상태에서 데이터를 측정하여, 정상상태의 조건을 위한 학습을 수행하였다.
철도에 사용되고 있는 분기기는 중요한 시스템 중 하나이다. 분기기 시스템의 건전성은 철도운용 안정성에 매우 중요하다. 분기기 시스템을 진단하기 위하여, LVDT와 accelerometer를 분기기에 설치하였다. LVDT는 분기기에서 변위가 발생하는 부분에 설치하여, 분기기의 이동과 차량의 주행에서 발생되는 변위를 측정하였다. Accelerometers는 충격과 진동이 발생하는 부분에 설치하여 충격량과 진동을 측정하였다. 측정된 데이터를 이용하여 변수화를 위한 데이터를 추출하였으며, 이 변수들은 진단에 사용하였다. 진단 알고리즘은 확률분포와 인공신경망을 사용하였다. 변수화된 값이 확률분포를 이용하여 판단할 수 있으면 확률분포를 사용하였으며, 형태를 보고 판단할 필요가 있으면 인공신경망을 활용하였다. 본 논문에서는 정상적인 상태에서 데이터를 측정하여, 정상상태의 조건을 위한 학습을 수행하였다.
The railway turnout system is one of the most important systems that set train routes. Turnout system integrity should be guaranteed for robust train operation. To diagnose the turnout system status, LVDT and accelerometers are installed on a turnout system in a high speed line. The LVDT and acceler...
The railway turnout system is one of the most important systems that set train routes. Turnout system integrity should be guaranteed for robust train operation. To diagnose the turnout system status, LVDT and accelerometers are installed on a turnout system in a high speed line. The LVDT and accelerometers produce signals containing physical meaning of the turnout systems. The LVDT produces the displacement of the rail gauge and vibration when point moving or a train passes on turnout systems and the accelerometer produces impact forces induced by wheel sets. We performed data extraction from the measured signals and parameterized the extracted signals into meaningful quantities. The parameters are used for classifying whether the turnout status is normal. We proposed two methods for the classification, one uses probabilistic distribution and the other artificial neuron networks. The probabilistic distribution is used for the parameter being classified by the quantities and the artificial neuron networks for the form classification. Finally, we show how to learn the normal status of a turnout system.
The railway turnout system is one of the most important systems that set train routes. Turnout system integrity should be guaranteed for robust train operation. To diagnose the turnout system status, LVDT and accelerometers are installed on a turnout system in a high speed line. The LVDT and accelerometers produce signals containing physical meaning of the turnout systems. The LVDT produces the displacement of the rail gauge and vibration when point moving or a train passes on turnout systems and the accelerometer produces impact forces induced by wheel sets. We performed data extraction from the measured signals and parameterized the extracted signals into meaningful quantities. The parameters are used for classifying whether the turnout status is normal. We proposed two methods for the classification, one uses probabilistic distribution and the other artificial neuron networks. The probabilistic distribution is used for the parameter being classified by the quantities and the artificial neuron networks for the form classification. Finally, we show how to learn the normal status of a turnout system.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
분기기 시스템의 정적 및 동적 상태를 진단하기 위해서 LVDT와 Accelerometer를 분기기에 설치하였다. LVDT는 분기기의 레일 및 포인트 위치 변위를 측정하여 정상 여부를 검지하며, Accelerometer는 차량이 분기기에 접근할 때, 분기기가 반응하는 진동특성을 검지하기 위해서 설치하였다. 각 센서로 부터 획득한 데이터는 신호처리를 통하여 필요한 데이터를 추출하여야 하며, 유용한 데이터로 변환하기 위한 데이터 처리가 필요하다.
본 논문에서는 분기기에 설치된 센서로 얻은 정보를 필터링, 변수화를 통하여 상태 평가를 시도하였다. 본 논문의 구성은 2장에서 분기기 데이터 정보획득 및 변수화, 3장에서는 변수화 된 데이터의 분류를 위한 알고리즘을 선정하였으며, 4장에서는 획득된 데이터를 이용하여 진단을 수행하였으며, 5장에서 결론을 도출하였다.
본 논문에서는 분기기의 정적상태와 동적반응을 측정하는 것에 대하여 연구하였다. 분기기 시스템의 정적 및 동적 상태를 진단하기 위해서 LVDT와 Accelerometer를 분기기에 설치하였다.
가설 설정
가속도계는 분기기의 진동을 측정할 수 있다. 차량의 휠은 집중질량으로 간주할 수 있어, accelerometer가 설치된 지점에 충격을 가한다고 가정할 수 있으며, 획득된 데이터에서 그런 현상을 발견할 수 있었다. Accelerometer는 Fig.
제안 방법
인공 신경망의 특성은 블랙박스이며, 인공 신경망이 어떻게 결론에 도달하는지는 관측하기 어렵다. 결함진단 시스템에 의한 결정을 정확하게 원인 추적할 수 있어야 하며, 그것에 의해 시스템을 완벽하게 알아야 하며, 그 출력으로부터 사용자의 결론을 도출하도록 하였다.
고속철도 차량의 전반 및 후반의 각각 6개 축에 의해서 생성된 impulse response를 추출하여, 데이터를 Low pass로 필터링한 후에 대해서 실린더의 특성을 규명할 수 있도록 FFT를 수행하였다.
그 impulse response의 FFT 결과를 15개로 그림과 같이 분리하여 특성을 규명하기 위해서 Neural Network을 이용하였다. 윤축에 의해서 accelerometer가 설치된 분기기 부분에서 impulse response 형태를 인공신경망을 이용하여 학습하고 분류하였다.
논문에서는 프로세스 이력을 이용한 방법을 사용하였다. 실제 운용되고 있는 노선은 정상적인 상태에서 운용되고 있으므로, 이 데이터를 진단에 사용하기 위해서 축적하고 있다.
모든 LVDT의 데이터는 변위 즉 진폭의 크기를 가지고 특성규명을 하였다. Fig.
변위를 측정할 수 있는 LVDT는 포인터의 끝부분에 설치하여, 선로전환기에 의한 포인트의 거동 궤적을 측정하였다. LVDT에서 생성하는 포인트 변위궤적은 포인트의 정상 혹은 비정상적인 거동 판단에 사용할 수 있다.
분기기 시스템을 진단하기 위해서 LVDT, Accelerometers, strain gauge 등을 설치하고, 차량이 주행할 때, 물리량의 변화량을 측정하였다. LVDT의 경우는 속도가 증가함에 따라 변위의 평균 값이 커지는 것을 알 수 있다.
본 논문에서는 분기기의 정적상태와 동적반응을 측정하는 것에 대하여 연구하였다. 분기기 시스템의 정적 및 동적 상태를 진단하기 위해서 LVDT와 Accelerometer를 분기기에 설치하였다. LVDT는 분기기의 레일 및 포인트 위치 변위를 측정하여 정상 여부를 검지하며, Accelerometer는 차량이 분기기에 접근할 때, 분기기가 반응하는 진동특성을 검지하기 위해서 설치하였다.
프로세스 이력을 이용한 방법은 사전에 모니터링할 시스템에 대한 정보를 필요로 하지 않기 때문에 모델을 이용한 진단방법과는 근본적으로 다르다. 시스템으로부터 사전에 검측된 데이터를 이용하여, 결함을 진단하기 위해 사용할 지식을 생성하고 분석한다.
그 impulse response의 FFT 결과를 15개로 그림과 같이 분리하여 특성을 규명하기 위해서 Neural Network을 이용하였다. 윤축에 의해서 accelerometer가 설치된 분기기 부분에서 impulse response 형태를 인공신경망을 이용하여 학습하고 분류하였다.
인공신경망 입력은 윤축에 의해서 생성된 impulse를 Fig. 9와 같이 주파수 대역에서 0~300Hz를 15개 간격으로 나누어 인경 신경망에 입력하였다. 인공신경망을 Fig.
진동데이터는 LVDT의 위치를 이용하여 각 축별로 impulse response를 추출하였으며, 각 추출된 impulse responses는 Fig. 14와 같다. Fig.
대상 데이터
분기기 상태진단은 울산역 콘크리트 궤도 분기기에 대해서 변위 데이터와 진동 데이터를 이용하여 대해서 수행하였다. 분석 데이터는 2015년 8월 21일부터 2015년 10월 31일 까지 71일간 획득된 데이터 중 리드부에 설치 1개의 LVDT와 3번 실린더 accelerometer에 대해서 분석을 수행을 하였다.
분기기 상태진단은 울산역 콘크리트 궤도 분기기에 대해서 변위 데이터와 진동 데이터를 이용하여 대해서 수행하였다. 분석 데이터는 2015년 8월 21일부터 2015년 10월 31일 까지 71일간 획득된 데이터 중 리드부에 설치 1개의 LVDT와 3번 실린더 accelerometer에 대해서 분석을 수행을 하였다.
학습은 100개 데이터 2000번을 학습하여, 동일한 입력데이터에 대해서 출력 값이 90% 즉 0.1 혹은 –0.1 이내가 되도록 하였다.
데이터처리
변위데이터를 분석하기 위해서는 변위가 발생한 데이터를 속도별로 분류하여 Gaussian 분포를 이용하여 평균 변위 값 및 분산을 구하였다. Fig.
이론/모형
정성적 모델을 이용한 방법은 모델링 수단으로 Stochastic automata 이용한 고장목 분석이며, 증상을 특정 결함조건에 연관시킨 Knowledge-based 모델이다. 경험적 지식과 인간추론은 관측된 증상을 결함조건에 연결하는 데 사용되며, 관측할 수 있도록 충분한 증상과 각 결함이 증상에 관련된 유일한 집합이라면, 정확하게 결함을 예측하는 것이 가능하다.
성능/효과
7에서 보는 것과 같이 4개의 속도를 묵시적으로 구분하였다. 분석한 결과는 100km/h, 160km/h, 220km/h 및 270km/h등으로 구분하였을 때, 속도가 높을수록 평균 변위 값이 0.1018mm, 0.1419, 0.1437mm 및 0.184mm 등으로 높아졌음을 알 수 있다.
후속연구
향후 분기기 시스템 센서에서 얻은 정보를 DB와 하여, 분기기의 열화추세와 통과 차량의 이상여부를 판단 할 수 있는 알고리즘을 개발하는 것이 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
Accelerometers의 역할은?
LVDT는 분기기에서 변위가 발생하는 부분에 설치하여, 분기기의 이동과 차량의 주행에서 발생되는 변위를 측정하였다. Accelerometers는 충격과 진동이 발생하는 부분에 설치하여 충격량과 진동을 측정하였다. 측정된 데이터를 이용하여 변수화를 위한 데이터를 추출하였으며, 이 변수들은 진단에 사용하였다.
LVDT의 역할은?
분기기 시스템을 진단하기 위하여, LVDT와 accelerometer를 분기기에 설치하였다. LVDT는 분기기에서 변위가 발생하는 부분에 설치하여, 분기기의 이동과 차량의 주행에서 발생되는 변위를 측정하였다. Accelerometers는 충격과 진동이 발생하는 부분에 설치하여 충격량과 진동을 측정하였다.
본 논문의 연구에서 어떤 진단 알고리즘을 어느 상황에 사용하였는가?
진단 알고리즘은 확률분포와 인공신경망을 사용하였다. 변수화된 값이 확률분포를 이용하여 판단할 수 있으면 확률분포를 사용하였으며, 형태를 보고 판단할 필요가 있으면 인공신경망을 활용하였다. 본 논문에서는 정상적인 상태에서 데이터를 측정하여, 정상상태의 조건을 위한 학습을 수행하였다.
참고문헌 (10)
H. Bai, C. Roberts, C. Goodman (2008) A Generic Fault Detection and Diagnosis Approach for Railway Assets, University of Birmingham UK, http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber4730853 (Accessed 16 January 2017)
A. Ekberg, B. Paulsson (2010) Concluding Technical Report Railway Assets UIC, UIC.
Point Dianostic System SIDIS W (Siemens), https://w3.usa.siemens.com/mobility/us/Documents/en/rail-solutions/rail-automation/signaling- components/sidis-w-en.pdf (Accessed 19 January 2017)
D.J. Pedregal, F.P. Garcia, F. Schmid (2004) RCM predictive maintenance of railway system based on unobserved component models, Reliability Engineering and System Safety, 83, pp. 103-110.
Rail Accident Investigation Branch (2007) Derailment at Grayrigg, Department for Transport UK, https://www.gov.uk/raib-reports/derailment-at-grayrigg (Accessed 22 January 2017)
K. Gurney (1997) An Introduction to neural network, UCL Press Limited 11 New Fetter Lane London EC4P 4EE, UCL Press, pp. 1-317.
R. Rojas (1996) Neural Networks, A Systematic Introduction, Springer, Springer-Verlag, Berlin, New-York, pp. 1-502.
B. Krose, P. van der Smagt (1996) An introduction to Nural Networks, University of Amsterdam, Institute of Robotics and System Dynamics German Aerospace Research Establishment, pp. 1-135.
M.T. Hagan, H.B. Demuth, M.H. Beale, O. de Jess (2014) Neural Network Design, Oklahoma State University, 2nd edition. http://dl.acm.org/citation.cfm?id2721661 (Accessed 6 March 2017)
J.W. Lee, E.-S. Choo, M.-S. Kim, H.-Y. Yoo, C.-S. Mo, E.-S. Son, S.G. Park. (2015) A study on a monitoring system for railway turnout systems, Journal of the Korea Society for Railway, 18(5), pp. 439-446.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.