Development of an algorithm to classify insulated railway joints (IRJ)

This thesis aims to develop an algorithm for extracting crucial features from raw vibration signals recorded on the Milan subway, focusing on understanding the behaviour of Insulated Railway Joints (IRJs). The exploration covers data acquisition, the latest technologies, and algorithmic solutions for monitoring and evaluating IRJ health. Emphasizing the significance of IRJs in subway infrastructure, the introduction establishes a foundation for in-depth discussions. The study delves into the railway industry's state of the art, emphasizing Axle Box Accelerations (ABA) and machine learning techniques. Addressing challenges such as delay computation, statistical parameter extraction, and wavelet analysis, the algorithms exhibit promises in continuous monitoring. The correlation matrix reveals a strong relationship between Root Mean Square (RMS) and Scaled Average Wavelet Power (SAWP) guiding indicator selection. An algorithm extracts specific features characterizing railway joints, demonstrated through data visualization and analysis of M1 and M2 subway lines across various runs in various days. Findings indicate a correlation trend between speed and Root Mean Square (RMS) values across joints. Considering factors beyond speed, like IRJ condition and age, becomes crucial for analysing RMS peaks. The thesis transitions to machine learning, exploring deep learning-based supervised and unsupervised methods. Supervised methods show promise in predictive modelling, with challenges in generalization to unseen data and addressing additional vibration sources. Unsupervised methods, notably autoencoders, demonstrate pattern recognition capabilities, correlating with RMS peaks in latent space, offering avenues for leveraging latent features in IRJ analysis. The analyses made and the correlations found are the starting point for future activities. By knowing these correlations, it is possible to separate out the measured data from the deterministic contribution to highlight any anomalous evolutions, indices of defects. Also, each joint seems to have a own behaviour and therefore each joint must be treated alone by comparing itself with its historical data. In essence, this research contributes valuable insights and methodologies to subway infrastructure monitoring, combining advanced technologies, algorithmic solutions, and comprehensive analysis. The approach enhances the health and reliability of subway systems, laying the groundwork for future advancements in railway maintenance and monitoring.

Questa tesi mira a sviluppare un algoritmo per estrarre caratteristiche cruciali dai segnali di vibrazione grezzi registrati nella metropolitana di Milano, concentrandosi sulla comprensione del comportamento dei giunti ferroviari isolati (IRJ). L'esplorazione riguarda l'acquisizione dei dati, le tecnologie più recenti e le soluzioni algoritmiche per il monitoraggio e la valutazione della salute dell'IRJ. Sottolineando l'importanza degli IRJ nelle infrastrutture della metropolitana, l'introduzione getta le basi per discussioni approfondite. Lo studio approfondisce lo stato dell'arte del settore ferroviario, sottolineando le accelerazioni del cassone dell'asse (ABA) e le tecniche di apprendimento automatico. Affrontando sfide come il calcolo del ritardo, l'estrazione di parametri statistici e l'analisi wavelet, gli algoritmi mostrano promesse nel monitoraggio continuo. La matrice di correlazione rivela una forte relazione tra la selezione dell’indicatore guida Root Mean Square (RMS) e Scaled Average Wavelet Power (SAWP). Un algoritmo estrae le caratteristiche specifiche che caratterizzano i giunti ferroviari, dimostrate attraverso la visualizzazione e l'analisi dei dati delle linee della metropolitana M1 e M2 su varie corse in vari giorni. I risultati indicano una tendenza di correlazione tra la velocità e i valori RMS (Root Mean Square) tra le articolazioni. Considerare fattori oltre la velocità, come la condizione IRJ e l'età, diventa cruciale per analizzare i picchi RMS. La tesi passa all'apprendimento automatico, esplorando metodi supervisionati e non supervisionati basati sul deep learning. I metodi supervisionati si dimostrano promettenti nella modellazione predittiva, con sfide nella generalizzazione di dati invisibili e nell’affrontare ulteriori fonti di vibrazioni. I metodi non supervisionati, in particolare gli autocodificatori, dimostrano capacità di riconoscimento di pattern, correlandosi con i picchi RMS nello spazio latente, offrendo strade per sfruttare le caratteristiche latenti nell'analisi IRJ. Le analisi effettuate e le correlazioni riscontrate costituiscono il punto di partenza per le attività future. Conoscendo queste correlazioni è possibile separare il dato misurato dal contributo deterministico per evidenziare eventuali evoluzioni anomale, indici di difetti. Inoltre, ogni giunto sembra avere un comportamento proprio e quindi ogni giunto deve essere trattato singolarmente confrontandosi con i suoi dati storici. In sostanza, questa ricerca fornisce preziose informazioni e metodologie per il monitoraggio delle infrastrutture della metropolitana, combinando tecnologie avanzate, soluzioni algoritmiche e analisi complete. L’approccio migliora la salute e l’affidabilità dei sistemi metropolitani, ponendo le basi per futuri progressi nella manutenzione e nel monitoraggio ferroviario.