16913

16913

پيش بيني نامنظمي هاي هندسي خطوط ريلي جهت اولويت بندي فعاليت هاي نگهداري وتعميرات

كارشناسي ارشد

مهندسي حمل و نقل ريلي

آذر 1395

دكتر مسعود يقيني

راه آهن

فرآيندهاي نگهداري و تعميرات خطوط ريلي راه آهن بايد با استفاده از تحليل داده هاي ثبت شده توسط ماشين هاي اندازه گير خط صورت گيرد. در طراحي سيستم هاي نگهداري و تعميرات خطوط ريلي مي توان با پيش بيني وضعيت آينده خطوط، اقدام به برنامه ريزي و اولويت بندي بازرسي ها و عمليات نگهداري و تعميرات پيشگيرانه كرد. به همين منظور در اين مطالعه، پيش بيني نامنظمي_ هاي هندسي خطوط ريلي راه آهن جمهوري اسلامي ايران در قالب يك پروژه داده كاوي مدنظر قرار گرفته است. جهت پيش بيني نامنظمي هاي هندسي، از چهار رويكرد پيش بيني وضعيت هندسي هر نقطه از خط، پيش بيني متوسط پارامترهاي هندسي در بخش هاي 10 متري خط، پيش بيني شاخص انحراف استاندارد پارامترهاي هندسي خط در بخش هاي 200 متري خط و پيش بيني شاخص برداشت تركيبي در هر كيلومتر از خط استفاده شده است و در هر رويكرد اقدام به پياده سازي انواع مدل هاي پيش بيني نظير شبكه عصبي پرسپترون چندلايه، شبكه عصبي تابع پايه شعاعي، شبكه عصبي كوئيك، رگرسيون، رگرسيون لجستيك، درخت تصميم CHAID، درخت تصميم طبقه بندي و رگرسيون و درخت تصميم C5 شده است. در پيش بيني وضعيت هندسي هر نقطه از خط و پيش بيني متوسط پارامترهاي هندسي در قطعات 10 متري، مدل هاي شبكه عصبي چندلايه و رگرسيون به ترتيب در داده هاي آموزش و تست بهترين عملكرد را داشته اند. در پيش بيني شاخص انحراف استاندارد پارامترهاي هندسي خط، درخت تصميم CHAID در داده هاي آموزش و در داده هاي تست بهترين عملكرد را داشته است. در پيش بيني شاخص برداشت تركيبي خط نيز رگرسيون لجستيك در داده هاي آموزش و داده هاي تست بهترين عملكرد را داشته است

1395/12/18

1/1/1900 12:00:00 AM

Railway track maintenance processes must be done according to analysis of TGV (Track Geometry Vehicle) recorded data. Planning an​d prioritizing inspections an​d preventive maintenance operations can be considered in designing railway track maintenance systems thanks to prediction of future state of tracks. To this end, in this study, prediction of track geometry irregularities in the Railways of the Islamic Republic of Iran (RAI) is done in a data mining context. We use four approaches to predict track geometry irregularities: predict each point geometry state, predict average geometry parameters in 10-meter sections of track, predict standard deviation index of geometry parameters in 200-meter sections of track an​d predict Composite Track Record (CTR) index for each kilometer of track. In each approach we use different types of prediction models including multilayer perceptron, radial basis function network, quick neural network, regression, logistic regression, CHAID decision tree, classification an​d regression tree, C5 decision tree. In predicting each point geometry state an​d predicting average geometry parameters in 10-meter sections of track multilayer perceptron an​d regression models have the best results in train an​d test data, respectively. In predicting standard deviation index of geometry parameters of track, CHAID decision tree has the best results in train an​d test data. In predicting Composite Track Record (CTR) index of track, logistic regression has the best results in train an​d test data.