Field experiment for condition monitoring of wheelsets using onboard smart sensors

This thesis addresses the increasing demand for enhancing the reliability and safety of trains through the development of a real-time condition monitoring system for wheelsets using vertical axle box accelerometer data. The proposed system can significantly increase the efficiency of rail services, decrease operational costs, and improve safety by predicting and detecting wheelset defects in real-time. The system aims to move from planned periodic maintenance to predictive maintenance by providing a feature-based data processing approach and decision-making process using two machine learning classification algorithms: Linear Regression and K-Nearest Neighbor. The system is based on field experimental data and laboratory experiments that were carried out previously. The thesis presents the state of the art in condition monitoring of trains, describes the developed prototype for the sensors used in the field experiments. It proceeds to discuss the field campaign carried out, presenting a preliminary analysis of the acquired data and proposing a processing algorithm where it analyzes features and develops a classification algorithm to aid in the decision-making process. The classifiers trained were able to distinguish a healthy wheel signal gathered from the field experiment from laboratory wheel signals that have an induced defect flat surface of 30 mm length with a high precision. The classifiers are not as precise in detecting cracks using the features selected.

Questa tesi affronta la crescente richiesta di migliorare l'affidabilità e la sicurezza dei treni attraverso lo sviluppo di un sistema di monitoraggio delle condizioni in tempo reale per le sale ferroviarie utilizzando i dati di un accelerometro in boccola in direzione verticale. Il sistema proposto può aumentare significativamente l'efficienza dei servizi ferroviari, ridurre i costi operativi e migliorare la sicurezza prevedendo e rilevando la presenza di difetti delle sale montate in tempo reale. Il sistema mira a passare dalla manutenzione periodica pianificata, alla manutenzione predittiva, fornendo un approccio di elaborazione dei dati basato su delle features e un processo decisionale utilizzando due algoritmi di classificazione di apprendimento automatico: Regressione lineare e K-Nearest Neighbor. Il sistema si basa su dati sperimentali sul campo e su esperimenti di laboratorio svolti in precedenza. La tesi presenta lo stato dell'arte nel monitoraggio delle condizioni dei treni, descrive il prototipo sviluppato per i sensori utilizzati negli esperimenti sul campo in linea, IL lavoro discute la campagna sul campo effettuata, presentando un'analisi preliminare dei dati acquisiti e proponendo un algoritmo di elaborazione che analizza le features e sviluppa un algoritmo di classificazione che aiuti nel processo decisionale. I classificatori addestrati sono stati in grado di distinguere i segnali di una ruota in linea sana da quelli ruote di prove di laboratorio che presentano una superficie piana difettosa di 30 mm di lunghezza con un'elevata precisione. I classificatori non sono così precisi nel rilevare le cricche utilizzando le caratteristiche selezionate nella tesi. La tesi si conclude con proposte per migliorare il sistema di condition monitoring.