| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 8.24 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
The integration of advanced sensor technologies with machine learning algorithms has revolutionized fault diagnosis in railway systems, particularly at the wheel-track interface. Although numerous models have been proposed to detect irregularities such as wheel out-of-roundness, they often fall short in real-world applications due to the dynamic and nonstationary nature of railway operations. This thesis explores the challenges and opportunities of applying continual learning for predictive maintenance in railway systems, where the model’s ability to share knowledge between domains is critical to improving performance over time. By allowing
the model to continuously learn and adapt as new data become available, continual learning overcomes the issue of catastrophic forgetting, which often plagues traditional models. The model retains past knowledge while improving predictive accuracy with each new learning episode, leveraging knowledge sharing mechanisms to adapt to evolving operational conditions, such as changes in speed, load, and track irregularities. Techniques such as experience replay and regularization-based strategies enhance model performance across multiple domains, making it particularly suitable for complex real-world environments. The methodology is validated through comprehensive simulations of train-track dynamic interactions, which
capture realistic railway operating conditions. The proposed model demonstrates significant improvements in identifying wheel defects and other irregularities, establishing a reliable sequence for maintenance interventions. Future work will focus on field trials to assess the robustness of the approach in real-world railway environments, including challenges posed by track environments such as bridges and tunnels.
A integração de tecnologias avançadas de sensores com algoritmos de aprendizagem automática revolucionou o diagnóstico de falhas em sistemas ferroviários, particularmente na interface roda-linha. Embora tenham sido propostos vários modelos para detetar irregularidades, como a falta de circularidade das rodas, estes modelos são frequentemente insuficientes em aplicações reais devido à natureza dinâmica e não estacionária das operações ferroviárias. Esta tese explora os desafios e oportunidades da aplicação da aprendizagem contínua à manutenção preditiva em sistemas ferroviários, onde a capacidade do modelo para partilhar conhecimentos entre domínios é fundamental para melhorar o desempenho ao longo do tempo. Ao permitir que o modelo aprenda e se adapte continuamente à medida que novos dados se tornam disponíveis, a aprendizagem contínua supera a questão do catastrophic forgetting, que frequentemente afeta os modelos tradicionais. O modelo retém o conhecimento passado, e melhora a precisão da previsão com cada novo episódio de aprendizagem, e aproveita sempre os mecanismos de partilha de conhecimento para se adaptar à evolução das condições operacionais, tais como alterações na velocidade, carga e irregularidades na linha. Técnicas como experience replay e estratégias baseadas na regularização melhoram o desempenho do modelo em vários domínios, tornando-o particularmente adequado para ambientes complexos do mundo real. A metodologia é validada através de simulações exaustivas de interações dinâmicas comboio-linha, que captam condições de funcionamento ferroviário realistas. O modelo proposto demonstra melhorias significativas na identificação de defeitos nas rodas e outras irregularidades, e estabelece uma sequência fiável para intervenções de manutenção. O trabalho futuro centrar-se-á em ensaios no terreno para avaliar a robustez da abordagem em ambientes ferroviários reais, incluindo os desafios colocados por ambientes de linha como pontes e túneis.
A integração de tecnologias avançadas de sensores com algoritmos de aprendizagem automática revolucionou o diagnóstico de falhas em sistemas ferroviários, particularmente na interface roda-linha. Embora tenham sido propostos vários modelos para detetar irregularidades, como a falta de circularidade das rodas, estes modelos são frequentemente insuficientes em aplicações reais devido à natureza dinâmica e não estacionária das operações ferroviárias. Esta tese explora os desafios e oportunidades da aplicação da aprendizagem contínua à manutenção preditiva em sistemas ferroviários, onde a capacidade do modelo para partilhar conhecimentos entre domínios é fundamental para melhorar o desempenho ao longo do tempo. Ao permitir que o modelo aprenda e se adapte continuamente à medida que novos dados se tornam disponíveis, a aprendizagem contínua supera a questão do catastrophic forgetting, que frequentemente afeta os modelos tradicionais. O modelo retém o conhecimento passado, e melhora a precisão da previsão com cada novo episódio de aprendizagem, e aproveita sempre os mecanismos de partilha de conhecimento para se adaptar à evolução das condições operacionais, tais como alterações na velocidade, carga e irregularidades na linha. Técnicas como experience replay e estratégias baseadas na regularização melhoram o desempenho do modelo em vários domínios, tornando-o particularmente adequado para ambientes complexos do mundo real. A metodologia é validada através de simulações exaustivas de interações dinâmicas comboio-linha, que captam condições de funcionamento ferroviário realistas. O modelo proposto demonstra melhorias significativas na identificação de defeitos nas rodas e outras irregularidades, e estabelece uma sequência fiável para intervenções de manutenção. O trabalho futuro centrar-se-á em ensaios no terreno para avaliar a robustez da abordagem em ambientes ferroviários reais, incluindo os desafios colocados por ambientes de linha como pontes e túneis.
Description
Keywords
Continual learning Predictive maintenance Railway Fault diagnosis Deep learning