[논문]도시철도차량 주행차륜의 직경/플랜지 변화 데이터와 머신러닝 기법을 활용한 주행거리 예측 연구

노학락; 임원식

doi:10.14346/jkosos.2023.38.4.1

도시철도차량 주행차륜의 직경/플랜지 변화 데이터와 머신러닝 기법을 활용한 주행거리 예측 연구
A Study on the Mileage Prediction of Urban Railway Vehicle using Wheel Diameter/Flange change Data and Machine Learning Techniques 원문보기

한국안전학회지 = Journal of the Korean Society of Safety, v.38 no.4, 2023년, pp.1 - 7

노학락 (서울과학기술대학교 글로벌철도시스템공학과) , 임원식 (서울과학기술대학교 기계자동차공학과)

Abstract ▼ AI-Helper

The steel wheels of urban railway vehicles gather a lot of data through regular measurements during maintenance. However, limited research has been carried out utilizing this data, resulting in difficulties predicting the maintenance period. This paper studied a machine learning model suitable for mileage prediction by studying the characteristics of mileage change according to diameter and flange thickness changes. The results of this study indicate that the larger the diameter, the longer the travel distance, and the longest flange thickness is at 30 mm, which gradually shortened at other times. As a result of research on the machine learning prediction model, it was confirmed that the random forest model is the optimal model with a high coefficient of determination and a low root mean square error.

주제어

표/그림 (13)

그림 Fig. 1. Wheel geometry and dimension for field test.
표 Table 1. Specification of test vehicle
표 Table 2. Track conditions
그림 Fig. 2. Hunting of railway bogie.
표 Table 3. Driving data of test vehicle
그림 Fig. 4. Correlation analysis of wheel diameter, flange thickness and mileage of A01 train.
그림 Fig. 3. Wear and reprofiling patterns of wheel diameter and flange thickness of train A01.
그림 Fig. 5. Scatterplot of diameter and cumulative mileage.
그림 Fig. 6. Scatterplot of flange thickness and mileage.
표 Table 4. Average mileage by wheel diameter and flange thickness of test vehicles (Unit: km)
그림 Fig. 7. RMSE of train A01 mileage.
그림 Fig. 8. R-squared of train A01 mileage.
표 Table 5. Comparison of maximum and minimum values for each machine learning model

참고문헌 (11)

S. H. Lee and H. K. Kim, "Estimation of Fatigue Damage？due to Rolling Contact ina Railway Wheel Using FEM？Analysis", J. Korean Soc. Saf., Vol. 26, No. 3, pp. 1-7,？2011.
D. Lee and G. Koo, "Study on Securing the Reliability of？the Supply and Demand Plan for Wheel Exchange through？the Prediction of Wheel Exchange Cycle", J. Korean Soc.？Saf., Vol. 36, No. 6, pp. 86-93, 2021.
J. Y. Kim, S. S. Park and J. M. Kim, "A Study on？Compressive Residual Stress Characteristics and Wear？Limits of Steel Wheels for Railway Vehicles", Journal of？Korean Society for Urban Railway, Vol. 9, No. 4, pp.？1151-1161, 2021.
J. G. Ahn, S. J. Kwon and H. K. Kim, "Wear Characteristics？depended on Wear Index in Wheel-Rail Interface", Journal？of Korean Society for Urban Railway, Vol. 1, No. 2, pp.？51-56, 2013.
F. Braghin, R. Lewis, R. S. Dwyer-Joyce and S. Bruni, "A？Mathematical Model to Predict Railway Wheel Profile？Evolution Due to Wear", Vol. 261, Issues 11-12, pp.？1253-1264, 2006.
S. H. Brown, "Multiple Linear Regression Analysis: A？Matrix Approach with MATLAB", Alabama Journal of？Mathematics, Vol. 34, pp. 1-3, 2009.
J. R. Quinlan, "Induction of Decision Trees", Machine？Learning", Vol. 1, pp. 81-106, 1986.
N. S. Altman, "An Introduction to Kernel and Nearest-neighbor Nonparametric Regression", The American？Statistician, Vol. 46, Issue 3, pp. 175-185, 1992.
L. Breiman, "Random Forests, Machine Learning", Vol.？45, pp. 5-32, 2001.
W. S. Noble, "What is a Support Vector Machine?", Nature？Biotechnology, Vol. 24, pp. 1565-1567, 2006.
S. C. Wang, "Artificial Neural Network. in Interdisciplinary？Computing in Java Programming Springer", Boston, MA,？pp. 81-100, 2003.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증