Wayside Condition Monitoring of Metro Wheelsets Using Vibration and Acoustic Sensors
Notice bibliographique
Résumé
This paper presents an efficient wayside acoustic and vibration-based detection for wheelset faults on metro trains, which is crucial for the safety of the run.The proposed condition monitoring scheme includes four main steps: data acquisition, signal segmentation by oneperiod analysis, feature extraction; Time-Domain Features (TDF), Wavelet Packet Energy (WPE) features, and Linear Configuration Pattern Kurtograms (LCP-K), which applies a location invariant textural descriptor to Kurtogram images of the signal, and classification with state-of-art; Fisher's Linear Discriminant Analysis (FLDA), Support Vector Machine (SVM), Decision Tree (Dec.Tree) and Linear Perceptron classifiers alongside classifier combination techniques.During the research, results are obtained on both measured and boosted data.Thus, two databases (A1 and A2), each of which consists of measured vibration and acoustic signals belonging to healthy and faulty cases of the wheelsets of Prague metros, are established.Due to a limited number of faulty instances, features are augmented with Adaptive Synthetic Sampling (ADASYN), and larger vibration and acoustic databases SA1 and SA2 are established to validate methods.Obtained results show that TDF with Dec. Tree classifier can detect wheelset faults by 100% with vibrations signals (A1), and the novel LCP-K algorithm outperforms both acoustic databases (A2 and SA2) up to 93%, and finally, WPE features via combined classifies, reaches a 100% fault detection performance.The proposed framework provides cost-effective maintenance, which can aid metro train specialists, with potential further applicability to other types of railway vehicles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».