Railway wheel-flats generate repeated wheel–rail impact forces that increase vibration, noise, component degradation, and maintenance cost. Lucchini RS uses vibration sensors to measure axle-box acceleration and calculate diagnostic indicators such as Root Mean Square (RMS), Crest Factor (CF), Wheel-Flatness Index (WFI), velocity, and cepstrumrelated features. However, the interpretation of these data is still mainly based on manual monitoring, which becomes impractical for long-term, multi-node railway operation. This thesis develops an automatic wheel-flat detection framework using machine learning and physics-based validation. First, a data unification procedure is developed because the vibration/prototype sensors recorded data using two firmware versions, old and new, with different binary structures. Both firmware datasets are parsed, converted, merged, and chronologically sorted into a consistent feature structure. Trend plots are then used to analyse feature evolution over time and speed, identify anomaly candidates, and select relevant nodes for machine learning testing. Machine-learning models are trained using the labelled S4_SX_Z cabled dataset acquired during a controlled railway-circuit campaign and are subsequently tested on operational vibration-sensor data. Two strategies are compared: Speed Separation, where one model is trained for each velocity band, and Speed Together, where velocity is included as a fourth feature in one global model. Both K-Nearest Neighbours (KNN) and Support Vector Machine (SVM) classifiers are evaluated. Since the operational nodes do not have direct manual labels, a residual heatmap validation is used to verify whether the detected vibration pattern repeats once per wheel revolution. The results show that, in Speed Separation, KNN and SVM give equivalent selected-event testing performance, so no superior model is claimed. In Speed Together, KNN shows better practical performance because it adapts better to continuous velocity variation. The final proposed framework is KNN Speed Together combined with residual heatmap validation, providing a practical automatic wheel-flat detection method for predictive railway maintenance
Le sfaccettature delle ruote ferroviarie generano forze d’impatto ripetute nell’interazione ruota–rotaia, aumentando le vibrazioni, il rumore, il degrado dei componenti e i costi di manutenzione. Lucchini RS utilizza nodi sensoriali equipaggiati con accelerometri per misurare l’accelerazione in corrispondenza della boccola e calcolare indicatori diagnostici quali Root Mean Square (RMS), Crest Factor (CF), Wheel Flatness Index (WFI), velocità e parametri legati al cepstrum. Tuttavia, l’interpretazione di questi dati è ancora principalmente basata sul monitoraggio manuale, che diventa impraticabile nelle applicazioni ferroviarie caratterizzate da lunghi periodi di osservazione e da numerosi nodi sensoriali. Questa tesi sviluppa un approccio automatico per il rilevamento delle sfaccettature, basato sull’apprendimento automatico e sulla validazione fisica del segnale. In primo luogo, viene sviluppata una procedura di unificazione dei dati, poiché i nodi sensoriali hanno registrato le acquisizioni utilizzando due versioni firmware, old e new, caratterizzate da strutture binarie differenti. I dati generati dalle due versioni firmware vengono letti, convertiti, unificati e ordinati cronologicamente in una struttura coerente di indicatori. I grafici di tendenza vengono quindi utilizzati per analizzare l’evoluzione degli indicatori nel tempo e in funzione della velocità, individuare possibili anomalie e selezionare i nodi più rilevanti per le successive analisi. I modelli di apprendimento automatico vengono addestrati utilizzando il dataset cablato ed etichettato S4_SX_Z, acquisito durante una campagna sperimentale controllata su circuito ferroviario, e vengono successivamente applicati ai dati operativi dei Nodi 9, 668 e 765. Sono confrontate due strategie: Speed Separation, nella quale viene addestrato un modello specifico per ciascuna banda di velocità, e Speed Together, nella quale la velocità viene inclusa come quarta variabile di ingresso in un unico modello globale. Vengono valutati sia il classificatore K-Nearest Neighbours (KNN) sia il classificatore Support Vector Machine (SVM). Poiché le acquisizioni operative non dispongono di etichette indipendenti relative alla condizione della ruota, viene utilizzata una validazione mediante residual heatmap per verificare se la risposta vibratoria rilevata rimane associata a una posizione angolare ricorrente durante successive rivoluzioni della ruota. I risultati mostrano che, nell’approccio Speed Separation, KNN e SVM forniscono prestazioni equivalenti nell’analisi degli eventi selezionati; pertanto, non viene dichiarata la superiorità di uno dei due classificatori. Nell’approccio Speed Together, KNN presenta un comportamento operativo più adatto alla variazione continua della velocità. La configurazione finale proposta combina KNN Speed Together con la validazione mediante residual heatmap, fornendo un metodo pratico per il rilevamento automatico delle sfaccettature e per il supporto alla manutenzione predittiva ferroviaria.
Automatic hybrid detection of railway wheel-flats from axle-box acceleration data
SAISETHURAMAN, PRAVEEN KUMAR
2025/2026
Abstract
Railway wheel-flats generate repeated wheel–rail impact forces that increase vibration, noise, component degradation, and maintenance cost. Lucchini RS uses vibration sensors to measure axle-box acceleration and calculate diagnostic indicators such as Root Mean Square (RMS), Crest Factor (CF), Wheel-Flatness Index (WFI), velocity, and cepstrumrelated features. However, the interpretation of these data is still mainly based on manual monitoring, which becomes impractical for long-term, multi-node railway operation. This thesis develops an automatic wheel-flat detection framework using machine learning and physics-based validation. First, a data unification procedure is developed because the vibration/prototype sensors recorded data using two firmware versions, old and new, with different binary structures. Both firmware datasets are parsed, converted, merged, and chronologically sorted into a consistent feature structure. Trend plots are then used to analyse feature evolution over time and speed, identify anomaly candidates, and select relevant nodes for machine learning testing. Machine-learning models are trained using the labelled S4_SX_Z cabled dataset acquired during a controlled railway-circuit campaign and are subsequently tested on operational vibration-sensor data. Two strategies are compared: Speed Separation, where one model is trained for each velocity band, and Speed Together, where velocity is included as a fourth feature in one global model. Both K-Nearest Neighbours (KNN) and Support Vector Machine (SVM) classifiers are evaluated. Since the operational nodes do not have direct manual labels, a residual heatmap validation is used to verify whether the detected vibration pattern repeats once per wheel revolution. The results show that, in Speed Separation, KNN and SVM give equivalent selected-event testing performance, so no superior model is claimed. In Speed Together, KNN shows better practical performance because it adapts better to continuous velocity variation. The final proposed framework is KNN Speed Together combined with residual heatmap validation, providing a practical automatic wheel-flat detection method for predictive railway maintenance| File | Dimensione | Formato | |
|---|---|---|---|
|
Automatic Hybrid Detection of Railway Wheel-Flats from Axle-Box Acceleration Data.pdf
accessibile in internet solo dagli utenti autorizzati
Dimensione
128.49 MB
Formato
Adobe PDF
|
128.49 MB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/10589/261195