Name: | Description: | Size: | Format: | |
---|---|---|---|---|
6.99 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Abstract
This study is part of Solvit’s project SIGRail Monitoring and it aims to develop and optimise algorithms that will enhance railway monitoring and maintenance processes. The work is divided into four sections. The initial stage of the project entails the formulation of an ensemble method for the identification of the railway line on which the train is situated, utilising geographical coordinates and machine learning techniques. Subsequently, the algorithm for obtaining the kilometric point (PK) is significantly enhanced combining an artificial neural network (ANN) and the golden section method for identifying the optimal distance between two points in space. The third phase of the study requires defining the direction of the train, then separating and counting the journeys within a given file. This is a crucial step, as it forms the basis for the subsequent phase, the fourth stage, in which a dynamic algorithm is employed to generate key performance indicators (KPIs), evaluating the quality of each journey based on a number of factors including the level of signal, the quality of the signal, the handover point, and the serving cell connected. The first, second and third parts have been incorporated into the project, so some of the evidence presented here is the result of this implementation.
Este estudo faz parte do projeto SIGRail Monitoring da Solvit e tem como objetivo desenvolver e otimizar algoritmos que permitam melhorar os processos de monitorização e manutenção ferroviária. O trabalho está dividido em quatro secções. A fase inicial do projeto consiste na formulação de um método ensemble para a identificação da linha ferroviária onde se encontra o comboio, utilizando coordenadas geográficas e técnicas de aprendizagem automática. Em seguida, o algoritmo de obtenção do ponto quilométrico (PK) é significativamente melhorado, combinando uma rede neural artificial e o método Golden Section para identificar a distância ótima entre dois pontos no espaço. A terceira fase do estudo consiste em definir o sentido do comboio, depois separar e contar os trajetos dentro de um determinado ficheiro. Trata-se de uma etapa crucial, pois constitui a base para a fase seguinte, a quarta etapa, em que um algoritmo dinâmico é utilizado para gerar indicadores-chave de desempenho, avaliando a qualidade de cada viagem com base em vários fatores, incluindo o nível do sinal, a qualidade do sinal, o ponto de handover e a célula à qual se encontra ligada. A primeira, segunda e terceira partes foram incorporadas no projeto, pelo que algumas das conclusões aqui apresentadas são o resultado desta implementação
Este estudo faz parte do projeto SIGRail Monitoring da Solvit e tem como objetivo desenvolver e otimizar algoritmos que permitam melhorar os processos de monitorização e manutenção ferroviária. O trabalho está dividido em quatro secções. A fase inicial do projeto consiste na formulação de um método ensemble para a identificação da linha ferroviária onde se encontra o comboio, utilizando coordenadas geográficas e técnicas de aprendizagem automática. Em seguida, o algoritmo de obtenção do ponto quilométrico (PK) é significativamente melhorado, combinando uma rede neural artificial e o método Golden Section para identificar a distância ótima entre dois pontos no espaço. A terceira fase do estudo consiste em definir o sentido do comboio, depois separar e contar os trajetos dentro de um determinado ficheiro. Trata-se de uma etapa crucial, pois constitui a base para a fase seguinte, a quarta etapa, em que um algoritmo dinâmico é utilizado para gerar indicadores-chave de desempenho, avaliando a qualidade de cada viagem com base em vários fatores, incluindo o nível do sinal, a qualidade do sinal, o ponto de handover e a célula à qual se encontra ligada. A primeira, segunda e terceira partes foram incorporadas no projeto, pelo que algumas das conclusões aqui apresentadas são o resultado desta implementação
Description
Relatório de Estágio para obtenção de grau de mestre em Matemática Aplicada para a Indústria
Keywords
Railway monitoring Machine learning Signal evaluation Anomaly detection Optimization Monitorização ferroviária Aprendizagem automática Avaliação de sinal Deteção de anomalias Otimização
Citation
HENRIQUES, Inês Figueiredo Leão – Railway signal monitoring - an algorithmic approach for improved. Maintenance strategies. Lisboa: Instituto Superior de Engenharia de Lisboa. 2024. Dissertação de Mestrado.