Raylı hat durum kontrolleri temel olarak; yapısal deformasyon ve geometrik deformasyon olmak üzere iki kategoriye ayrılmaktadır. Yapısal deformasyonlar tekrarlayan raylı taşıt etkileri ve doğal etkileşimlerle meydana gelebileceği gibi geometrik deformasyonlar da yapısal deformasyonlara neden olmaktadır. Yapısal deformasyonlar raylı sistemlerde şiddeti açısından büyük kazalara yol açabilmektedir. Meydana gelen kazaların önlenebilmesi adına rayların yapısal durumunun sağlıklı takibi ve tespiti çok önemlidir. Ray hattını oluşturan her bileşenin kendine özgü bir referans frekansı vardır ve deformasyon türleri başlangıçta bazı dinamik tepkilerde kendilerini ortaya çıkarmaya başlarlar. Malzemelerin dinamik tepkiler altında oluşturduğu titreşimler, havada bulunan moleküllerinin de titreşimine sebep olur. Bu titreşimler, sesin kaynağı tarafından bir basınç dalgası şeklinde belirli frekans ve genliklerde yayılırlar. Referans ses kaynağında oluşan değişimler giderilerek güvenlik artılırken, gürültü ve vibrasyon azaltılarak rayların ekonomik faydalı ömürlerinin uzaması da sağlanabilir.Son yıllarda raylı sistemler taşımacılığına yapılan yatırımlar önemli ölçüde artmıştır. Bu duruma bağlı olarak gelecek on yıl içerisinde raylı sistemler taşımacılığının en az iki kat arması öngörülmektedir. Modern raylı sistemler için mevcut bakım yaklaşımları yüksek maliyet, insan hatası, uzun kontrol ve bakım aralıkları nedeniyle yetersiz kalmaktadır. Ortaya çıkan yeni işletme şartlarına uygun olarak, yenilikçi güvenlik önlemleri almak gerekmektedir. Son on yılda meydana gelen teknolojik gelişmeler raylı sistemler endüstrisinde proaktif durum izleme teknoloji uygulamaları için benzersiz bir ortam yaratmıştır. Gelişen teknolojinin yenilikçi uygulamaları, hat operasyonları aktif durumdayken arızalı bileşenlerin yıkıcı hasar oluşturmadan önce tespit edilmesine olanak sağlayacaktır. Endüstriyel uygulamalarda durum izleme sistemleri, belirli parametreleri kontrol etmek, değişiklikleri tespit etmek ve en önemlisi olası kazaları önlemek için uygulanmaktadır. Veri işleme yöntemlerinin artmasıyla birlikte, durum izleme sistemlerinin gelişimi büyük bir ivme kazanırken makine öğrenimi durum izleme sistemlerini daha akıllı hale getirmiştir. Bu bileşenlerin doğru kullanımı ile ray hattı denetiminde insan hatası riski azaltılabilir ve karmaşık algılama görevleri sorunsuz bir şekilde gerçekleştirebilir. Sorunsuz bir ray hattı üzerinde hareket eden bir raylı taşıtın oluşturduğu ses değerlerinin sabit bir genliği ve frekansı vardır. Ancak ray hattını oluşturan yapı malzemelerinde meydana gelen bozulmalar bu sabit ses değerlerini deformasyonun türü ve şiddetine göre değiştirebilir. Bu çalışmada, ray hattından toplanan ses sinyallerine Kısa Süreli Fourier Dönüşümü (STFT) uygulanarak çalışma hattında bulunan en yaygın üç bozulma türünü (ray yüzey deformasyonları, bağlantı deformasyonları, ondülasyonlar) erken bir aşamada akustik olarak tespit edebilmek için bir Evrişimli Sinir Ağı (CNN) modeli geliştirilmiştir. Evrişimli sinir ağı modeli, hazırlanan bir eğitim veri seti (5000 veri) ile sağlam bağlantı, sağlam ray yüzeyi, ray yüzey deformasyonu, bağlantı deformasyonu ve ondülasyon olmak üzere 5 farklı sınıf için eğitilmiştir. Optimize edilen evrişimli sinir ağı modeli mimarisi, raylı hattın bozulma noktasından tespit (1000 veri) ve raylı taşıt üzerinden tespit (1000 veri) olmak üzere 2 farklı durum izleme yöntemi için test edilmiştir. Yöntem, bozulma noktasından tespit için %87 ve raylı taşıt üzerinden tespit için %80 değerlerinde doğruluk göstermiştir. Geliştirilen algoritma ile girdi verilerinden türetilen değerler, öznitelik çıkarımı yapılarak sunulmuş ve evrişimli sinir ağı modelinin temel karar verme parametreleri yorumlanarak anlaşılabilir hale getirilmiştir. Anahtar Kelimeler : Raylı sistemler, akustik ölçüm, yapı sağlığı izleme, yapay sinir ağı, anormallik tespiti, spektrogram analizi.
Condition monitoring of rail lines is fundamentally divided into two categories; structural deformations and geometric deformations. Structural deformations can occur due to the repetitive effects of rail vehicles and natural interactions, while geometric deformations can cause structural deformations. Structural deformations can lead to major accidents in rail systems. To prevent such accidents, it is crucial to accurately monitor and detect the structural condition of the rails. Each component that forms the rail track has its own unique reference frequency, and different types of deformations initially manifest themselves in certain dynamic responses. The vibrations created by the materials' dynamic responses also cause vibrations in the surrounding air molecules. These vibrations propagate as pressure waves with specific frequencies and amplitudes. By addressing the changes in the reference sound source, safety can be enhanced, and noise and vibration can be reduced, thereby prolonging the economic lifespan of the rails. Investments in rail transportation have significantly increased in recent years. Consequently, it is projected that rail transportation will at least double within the next decade. Existing maintenance approaches for modern rail systems are inadequate due to high costs, human errors, and long inspection and maintenance intervals. In line with the emerging operational conditions, innovative security measures need to be implemented. Technological advancements in the past decade have created a unique environment for proactive condition monitoring technology applications in the rail systems industry. The innovative applications of evolving technology will enable the detection of faulty components before they cause destructive damage while the line operations are active. Condition monitoring systems are implemented in industrial applications to monitor specific parameters, detect changes, and, most importantly, prevent potential accidents. With the increasing methods of data processing, the development of condition monitoring systems has gained significant momentum, and machine learning has made these systems smarter. Proper utilization of these components can reduce the risk of human error in rail track inspections and seamlessly perform complex detection tasks. A railway vehicle traveling on a stable rail line has a constant sound values, hence fixed amplitude and frequency. However, deterioration in the materials that make up rail lines can change these constant sound values based on the type and the severity of deformation. In this work, Short Term Fourier Transform (STFT) was applied to audio signals that are collected from the rail tracks and a Convolutional Neural Network (CNN) model was developed to detect three most common types of defect (rail surface deformations, joint deformations, rail corrugations) at the early stages. The convolutional neural network model is trained with a 5000-training data for 5 different classes: stable joint, stable surface, surface deformation, joint deformation and rail corrugation. The optimized convolutional neural network model architecture has been tested for 2 different condition monitoring methods: detection from the point of defect (1000 data) and detection from the rail vehicle (1000 data). The method yields an accuracy of 87% for detection from the point of defect and gives an accuracy of 80% for detection from the rail vehicle. The convolutional neural network model's decision-making procedure has interpreted based on the feature extraction for a better observable outputs. Keywords : Rail systems, acoustic measurement, structural health monitoring, artificial neural network, anomaly detection, spectrogram analysis.
Tez (Doktora-PhD) - Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, İnşaat Mühendisliği Anabilim Dalı, 2023.
Kaynakça var.
Raylı hat durum kontrolleri temel olarak; yapısal deformasyon ve geometrik deformasyon olmak üzere iki kategoriye ayrılmaktadır. Yapısal deformasyonlar tekrarlayan raylı taşıt etkileri ve doğal etkileşimlerle meydana gelebileceği gibi geometrik deformasyonlar da yapısal deformasyonlara neden olmaktadır. Yapısal deformasyonlar raylı sistemlerde şiddeti açısından büyük kazalara yol açabilmektedir. Meydana gelen kazaların önlenebilmesi adına rayların yapısal durumunun sağlıklı takibi ve tespiti çok önemlidir. Ray hattını oluşturan her bileşenin kendine özgü bir referans frekansı vardır ve deformasyon türleri başlangıçta bazı dinamik tepkilerde kendilerini ortaya çıkarmaya başlarlar. Malzemelerin dinamik tepkiler altında oluşturduğu titreşimler, havada bulunan moleküllerinin de titreşimine sebep olur. Bu titreşimler, sesin kaynağı tarafından bir basınç dalgası şeklinde belirli frekans ve genliklerde yayılırlar. Referans ses kaynağında oluşan değişimler giderilerek güvenlik artılırken, gürültü ve vibrasyon azaltılarak rayların ekonomik faydalı ömürlerinin uzaması da sağlanabilir.Son yıllarda raylı sistemler taşımacılığına yapılan yatırımlar önemli ölçüde artmıştır. Bu duruma bağlı olarak gelecek on yıl içerisinde raylı sistemler taşımacılığının en az iki kat arması öngörülmektedir. Modern raylı sistemler için mevcut bakım yaklaşımları yüksek maliyet, insan hatası, uzun kontrol ve bakım aralıkları nedeniyle yetersiz kalmaktadır. Ortaya çıkan yeni işletme şartlarına uygun olarak, yenilikçi güvenlik önlemleri almak gerekmektedir. Son on yılda meydana gelen teknolojik gelişmeler raylı sistemler endüstrisinde proaktif durum izleme teknoloji uygulamaları için benzersiz bir ortam yaratmıştır. Gelişen teknolojinin yenilikçi uygulamaları, hat operasyonları aktif durumdayken arızalı bileşenlerin yıkıcı hasar oluşturmadan önce tespit edilmesine olanak sağlayacaktır. Endüstriyel uygulamalarda durum izleme sistemleri, belirli parametreleri kontrol etmek, değişiklikleri tespit etmek ve en önemlisi olası kazaları önlemek için uygulanmaktadır. Veri işleme yöntemlerinin artmasıyla birlikte, durum izleme sistemlerinin gelişimi büyük bir ivme kazanırken makine öğrenimi durum izleme sistemlerini daha akıllı hale getirmiştir. Bu bileşenlerin doğru kullanımı ile ray hattı denetiminde insan hatası riski azaltılabilir ve karmaşık algılama görevleri sorunsuz bir şekilde gerçekleştirebilir. Sorunsuz bir ray hattı üzerinde hareket eden bir raylı taşıtın oluşturduğu ses değerlerinin sabit bir genliği ve frekansı vardır. Ancak ray hattını oluşturan yapı malzemelerinde meydana gelen bozulmalar bu sabit ses değerlerini deformasyonun türü ve şiddetine göre değiştirebilir. Bu çalışmada, ray hattından toplanan ses sinyallerine Kısa Süreli Fourier Dönüşümü (STFT) uygulanarak çalışma hattında bulunan en yaygın üç bozulma türünü (ray yüzey deformasyonları, bağlantı deformasyonları, ondülasyonlar) erken bir aşamada akustik olarak tespit edebilmek için bir Evrişimli Sinir Ağı (CNN) modeli geliştirilmiştir. Evrişimli sinir ağı modeli, hazırlanan bir eğitim veri seti (5000 veri) ile sağlam bağlantı, sağlam ray yüzeyi, ray yüzey deformasyonu, bağlantı deformasyonu ve ondülasyon olmak üzere 5 farklı sınıf için eğitilmiştir. Optimize edilen evrişimli sinir ağı modeli mimarisi, raylı hattın bozulma noktasından tespit (1000 veri) ve raylı taşıt üzerinden tespit (1000 veri) olmak üzere 2 farklı durum izleme yöntemi için test edilmiştir. Yöntem, bozulma noktasından tespit için %87 ve raylı taşıt üzerinden tespit için %80 değerlerinde doğruluk göstermiştir. Geliştirilen algoritma ile girdi verilerinden türetilen değerler, öznitelik çıkarımı yapılarak sunulmuş ve evrişimli sinir ağı modelinin temel karar verme parametreleri yorumlanarak anlaşılabilir hale getirilmiştir. Anahtar Kelimeler : Raylı sistemler, akustik ölçüm, yapı sağlığı izleme, yapay sinir ağı, anormallik tespiti, spektrogram analizi.
Condition monitoring of rail lines is fundamentally divided into two categories; structural deformations and geometric deformations. Structural deformations can occur due to the repetitive effects of rail vehicles and natural interactions, while geometric deformations can cause structural deformations. Structural deformations can lead to major accidents in rail systems. To prevent such accidents, it is crucial to accurately monitor and detect the structural condition of the rails. Each component that forms the rail track has its own unique reference frequency, and different types of deformations initially manifest themselves in certain dynamic responses. The vibrations created by the materials' dynamic responses also cause vibrations in the surrounding air molecules. These vibrations propagate as pressure waves with specific frequencies and amplitudes. By addressing the changes in the reference sound source, safety can be enhanced, and noise and vibration can be reduced, thereby prolonging the economic lifespan of the rails. Investments in rail transportation have significantly increased in recent years. Consequently, it is projected that rail transportation will at least double within the next decade. Existing maintenance approaches for modern rail systems are inadequate due to high costs, human errors, and long inspection and maintenance intervals. In line with the emerging operational conditions, innovative security measures need to be implemented. Technological advancements in the past decade have created a unique environment for proactive condition monitoring technology applications in the rail systems industry. The innovative applications of evolving technology will enable the detection of faulty components before they cause destructive damage while the line operations are active. Condition monitoring systems are implemented in industrial applications to monitor specific parameters, detect changes, and, most importantly, prevent potential accidents. With the increasing methods of data processing, the development of condition monitoring systems has gained significant momentum, and machine learning has made these systems smarter. Proper utilization of these components can reduce the risk of human error in rail track inspections and seamlessly perform complex detection tasks. A railway vehicle traveling on a stable rail line has a constant sound values, hence fixed amplitude and frequency. However, deterioration in the materials that make up rail lines can change these constant sound values based on the type and the severity of deformation. In this work, Short Term Fourier Transform (STFT) was applied to audio signals that are collected from the rail tracks and a Convolutional Neural Network (CNN) model was developed to detect three most common types of defect (rail surface deformations, joint deformations, rail corrugations) at the early stages. The convolutional neural network model is trained with a 5000-training data for 5 different classes: stable joint, stable surface, surface deformation, joint deformation and rail corrugation. The optimized convolutional neural network model architecture has been tested for 2 different condition monitoring methods: detection from the point of defect (1000 data) and detection from the rail vehicle (1000 data). The method yields an accuracy of 87% for detection from the point of defect and gives an accuracy of 80% for detection from the rail vehicle. The convolutional neural network model's decision-making procedure has interpreted based on the feature extraction for a better observable outputs. Keywords : Rail systems, acoustic measurement, structural health monitoring, artificial neural network, anomaly detection, spectrogram analysis.