Réduction des fausses alarmes dans les inspections de la qualité des voies ferrées à l'aide de l'apprentissage automatique

Les mesures de la géométrie de la qualité des voies sont cruciales pour l'entretien rapide des chemins de fer. Des mesures régulières préviennent les retards de train, l'inconfort des passagers et les incidents. Cependant, le diagnostic des défauts actuel ou la déviation des paramètres repose sur une simple comparaison par rapport à des seuils de plusieurs scanners laser, transformateurs différentiel linéaire (LVDT) et mesures de caméra. Les dépassements de seuil de données déclenchent automatiquement des actions de maintenance. Cependant, des problèmes tels que l'erreur de mesure et la défaillance du capteur peuvent entraîner des faux positifs. Une large résolution de localisation empêche le suivi/l'inférence par comparaison avec une base de données saine au même endroit lors des inspections périodiques. Les fausses alarmes peuvent entraîner des interventions inefficaces coûteuses, être dangereuses et impacter la disponibilité du réseau. Cet article propose une méthodologie novatrice basée sur la technique des réseaux de neurones convolutionnels (CNN) pour détecter et classifier automatiquement la gravité des défauts de géométrie des voies. La méthodologie proposée comprend un flux automatique de données pour l'évaluation de la qualité, dans lequel des anomalies, des valeurs manquantes et des désalignements sont détectés, restaurés et, si nécessaire, traités. Des ensembles de données améliorés et « propres » ont ensuite été analysés à l'aide d'un modèle CNN pré-entraîné. La méthode a été comparée à un ensemble d'algorithmes d'apprentissage automatique pour le diagnostic, y compris le voisinage le plus proche, les machines à vecteurs de support (SVM) et la forêt aléatoire (RF). Les résultats de l'analyse d'un véritable ensemble de données de géométrie de voie ont montré que des paramètres de qualité des voies, y compris le twist, le cant, le gabarit et l'alignement pouvaient être effectivement diagnostiqués avec un taux de précision de 97,80 % (modèle CNN). Ce résultat représente une amélioration remarquable de 38 % par rapport au diagnostic traditionnel basé sur des seuils. Les avantages de cette recherche ne sont pas seulement associés aux économies de coûts des interventions de maintenance. Elle aide également à prévenir les restrictions de vitesse de train inutiles dues à des diagnostics erronés.