Development of a data driven fault detection and diagnostic algorithm for freight train air brake systems

The air brake system is a safety-critical subsystem in freight trains frequently subjected to malfunctions caused by harsh operating conditions and component aging. Faults such as air leakages and improper manual brake activation can significantly degrade braking performance and compromise operational safety. Current maintenance procedures are based on periodic manual and visual inspections, which are time-consuming and not suited to the detection of specific failure modes. With growing interest in freight train digitalization, data driven Fault Detection and Diagnosis (FDD) algorithms have emerged as a key component for real-time, on-board condition monitoring, enabling continous assessment of freight train air brake system status. Existing data-driven air brake diagnostic algorithms, however, still present several limitations, including low data quality for training, limited interpretability, and limited generalization across different freight wagon typologies. This thesis proposes a data-driven FDD framework specifically designed for the detection of air leakages in the weighing valve and auxiliary reservoir, and improper manual brake activation through the employment of pressure measurements at the main brake pipe, weighing valve, and brake cylinder. The algorithm has been trained and validated based on data from an innovative closed-circuit fault-reproduction campaign and from real-world data collected from nine operating freight wagons. The results demonstrate reliable fault identification under realistic operating conditions. For leakage detection, the Random Forest classifier exhibits the most robust cross-wagon generalization performance, achieving consistently above 96% accuracy across different wagon typologies. In addition, the proposed manual brake activation detection algorithm achieves 96.8% accuracy using a physically interpretable threshold-based strategy.

Il sistema frenante pneumatico è un sottosistema critico per la sicurezza nei treni merci, frequentemente soggetto a malfunzionamenti dovuti a condizioni operative severe e degrado dei componenti. Guasti quali perdite d’aria e attivazioni improprie del freno manuale possono determinare una significativa riduzione delle prestazioni di frenatura, con potenziali ripercussioni sulla sicurezza operativa. Le attuali strategie manutentive si basano su ispezioni periodiche manuali e visive, caratterizzate da elevato impiego di risorse e limitata efficacia nell’individuazione di specifiche modalità di guasto. Nel contesto della progressiva digitalizzazione del trasporto ferroviario merci, gli algoritmi di Fault Detection and Diagnosis (FDD) basati su approcci data-driven stanno assumendo un ruolo centrale nell’implementazione di sistemi di monitoraggio on-board in tempo reale, consentendo una valutazione continua dello stato di salute del sistema di frenatura pneumatica. Gli algoritmi diagnostici data-driven esistenti per i freni pneumatici presentano tuttavia ancora diverse limitazioni, tra cui una bassa qualità dei dati per l’addestramento, una limitata interpretabilità e una ridotta capacità di generalizzazione tra diverse tipologie di carri merci. La presente tesi propone una metodologia di FDD data-driven progettata specificamente per la rilevazione di perdite d’aria nella valvola di pesatura e serbatoio ausiliario e attivazione improprie del freno manuale, mediante l’impiego di misure di pressione sulla condotta generale, valvola di pesatura e cilindro del freno. L’algoritmo è stato addestrato e validato utilizzando dati provenienti da un’innovativa campagna in circuito chiuso per la riproduzione controllata dei guasti e da dati reali raccolti su nove carri merci in esercizio. I risultati dimostrano un’identificazione affidabile dei guasti in condizioni operative realistiche, raggiungendo un’accuratezza di classificazione superiore al 96%, e confermano la scalabilità dell’approccio proposto su diverse tipologie di carri. In aggiunta, l’algoritmo di detenzione del freno manuale presenta un’accuratezza del 96.8%.