차량가속도데이터를 이용한 머신러닝 기반의 궤도품질지수(TQI) 예측
Prediction of Track Quality Index (TQI) Using Vehicle Acceleration Data based on Machine Learning
0
조회
0
다운로드
4
인용
0
참고문헌
키워드
초록
철도분야에서도 계측자료를 바탕으로 머신러닝 기법을 이용하여 예측 분석하는 시도가 점차적으로 증가하고 있는 실정이다. 이 논문에서는 열차의 차상가속도 데이터를 기반으로 궤도의 품질을 결정하는 지표 중에 하나인 궤도품질지수를 머신러닝기법을 활용하여 예측하였다. 머신러닝 기법으로 활용하고 있는 대표적인 3개의 모델로 궤도품질지수를 예측하여 가장 정확도가 높은 모델은 XGBoost으로 데이터셋에서 85% 이상의 예측정확도를 보였다. 또한 윤축과 대차의 z축의 진동가속도가 고저궤도품질지수의 기여도가 높은 것으로 나타났으며, 이는 기존 연구결과와도 잘 일치하였다. 이러한 결과를 볼 때 단일 알고리즘인 서포터 벡터머신보다는 앙상블 알고리즘을 적용한 랜덤포레스트와 XGBoost이 정확도가 높은 것으로 판단된다. 따라서머신러닝 기법에서 적용모델에 따라 정확도가 달라질 수 있기 때문에 차량진동가속도를 이용한 궤도품질지수를 예측하기위해서는 앙상블 알고리즘을 가지는 모델을 적용하는 것이 적절할 것으로 판단된다.
Abstract
There is an increasing tendency to try to make predictive analysis using measurement data based on machine learning techniques in the railway industries. In this paper, it was predicted that Track quality index (TQI) using vehicle acceleration data based on the machine learning method. The XGB (XGBoost) was the most accurate with 85% in the all data sets. Unlike the SVM model with a single algorithm, the RF and XGB model with a ensemble system were considered to be good at the prediction performance. In the case of the Surface TQI, it is shown that the acceleration of the z axis is highly related to the vertical direction and is in good agreement with the previous studies. Therefore, it is appropriate to apply the model with the ensemble algorithm to predict the track quality index using the vehicle vibration acceleration data because the accuracy may vary depending on the applied model in the machine learning methods.
참고문헌 (13)
- Chen, T., "XGBoost: A Scalable Tree Boosting System", KDD’16, pp.785~794 (2016)
- 최일윤, "경부고속선 궤도틀림 분포특성", 한국철도학회논문집, 18(1), pp.63~70 (2015), 한국철도학회
- Cortes, C., "Support-vector networks", Machine Learning, 20(3), pp.273~ (1995)
- Gibert, X., "Deep multitask learning for railway track inspection", IEEE Transactions on Intelligent Transportation Systems, 18(1), pp.153~164 (2017)
- 정다해, "레일 표면조도 데이터를 활용한 머신러닝 기반 전동소음 예측", 한국철도학회논문집, 22(3), pp.209~217 (2019), 한국철도학회[DOI]
- 정훈, "차륜 및 차축베어링 고장진단을 위한 빅데이터 기반 머신러닝 기법 연구", 한국산학기술학회논문지, 19(1), pp.75~84 (2018), 한국산학기술학회[DOI]
- 강기동, "고속철도 궤도검측자료 분석기법에 관한 연구", 한국강구조학회 논문집, 18(1), pp.47~51 (2006), 한국강구조학회
- Lasisi, A., "Principal components analysis and track quality index : A Machine learning approach", Transportation Research Part C, 91, pp.230~248 (2018)
- 이준석, "영역 및 픽셀기반 심층학습 기법을 적용한 침목균열 검지모형의 비교연구", 한국철도학회논문집, 21(9), pp.924~932 (2018), 한국철도학회
- Nakhaee, M. C., "The Recent Applications of Machine Learning in Rail Track Maintenance:A Survey", International Conference on Reliability, Safety and Security of Railway Systems(RSSRail 2019), pp.91~105 (2019)
- "UIC 518 (2009), Testing and approval of railway vehicles from the point of view of their dynamic behaviour-Safety-Track fatigue-Ride quality", ~ (2009)
- Vapnik, V., "The nature of statistical learning theory" (2000), Springer-Verlag New York
- Woo, B. K., "Analysis of relationship between the irregularities of rail weld surface and track irregularities", Proceeding of the Korean Society for Railway, Korea, pp.539~545 (2009)