Hvordan kan vi nøyaktig identifisere uregelmessigheter i jernbanespor ved hjelp av moderne metoder?

I de siste årene har det vært en betydelig utvikling i metoder for å identifisere uregelmessigheter i jernbanespor og brostrukturer. Et av de mest lovende områdene er bruken av forskjellige algoritmer for å analysere dynamiske responser fra jernbanekjøretøy. Dette har ført til betydelige fremskritt i både påliteligheten og presisjonen ved vurdering av sporens tilstand.

I tillegg til de tradisjonelle modellbaserte metodene, har det også vært et økt fokus på bruk av maskinlæring for å forbedre nøyaktigheten. Zhuang et al. (2023) utviklet en data-drevet rammeverk som integrerer ulike faktorer for å håndtere de komplekse og multidimensjonale signalene som kommer fra sporene. Dette rammeverket viste seg å være svært effektivt med prediksjonsfeil på bare 4,7% for uregelmessigheter, samt høy klassifikasjonsnøyaktighet på 98,4% for ulike alvorlighetsgrader av defekter.

Videre har andre forskere foreslått alternative tilnærminger som inkluderer dyplæring (DL) og nevralnettverksmodeller for å estimere uregelmessigheter. Cai et al. (2023) utviklet en forbedret bi-lSTM-modell som benytter både vertikal og lateral akselerasjon som inngangsdata. Denne metoden resulterte i estimasjonsfeil som var omtrent 50% lavere enn tradisjonelle rekurrente nevrale nettverk. Slike teknologier gir et betydelig løft i presisjonen av sporinspeksjoner, samtidig som de reduserer behovet for tidkrevende manuelle undersøkelser.

Et annet viktig aspekt ved dette arbeidet er bruken av akselerometre, spesielt de som er installert på jernbanebogiene. Zhang et al. (2024) fant at mikromekaniske akselerometre (MEMS) som er plassert på bogien gir den beste balansen mellom nærhet til kilden og følsomhet overfor støy. Dette gjør dem ideelle for å vurdere sporens vertikale og horisontale justering, noe som er avgjørende for å opprettholde jernbanens sikkerhet og effektivitet.

De siste metodene for sporanalyse har ikke bare forbedret nøyaktigheten i identifikasjonen av sporfeil, men de har også gjort det lettere å implementere kontinuerlig overvåkning av sporforhold. Dette gir en mulighet for mer proaktiv vedlikehold, som kan bidra til å redusere uventede feil og forhindre alvorlige ulykker.

For å virkelig forstå viktigheten av disse teknikkene, må vi innse at de går utover bare sporforbedringer. De bidrar direkte til sikkerheten til tusenvis av mennesker som reiser med tog hver dag. Effektive metoder for å identifisere og vurdere uregelmessigheter kan ikke bare forhindre skader på infrastrukturen, men også redusere de potensielle økonomiske kostnadene ved feil som kan oppstå som følge av utilstrekkelig vedlikehold.

Det er også viktig å merke seg at mens de fleste av disse metodene har vist seg effektive i forskningssammenheng, er implementeringen i sanntid fortsatt en utfordring, spesielt med hensyn til håndtering av støy og usikkerheter i feltmålingene. Videre er det avgjørende å utvikle løsninger som kan tilpasses forskjellige typer jernbanelinjer, inkludert de med høyhastighetsjernbaner eller eldre spor, som har helt forskjellige dynamiske egenskaper.

Hvordan forbedre metoder for identifikasjon av brofrekvenser ved bruk av kjøretøy, testutstyr og shaker

Vibrasjonsdata samlet fra kjøretøy som krysser broer har blitt en viktig metode for å identifisere broers dynamiske egenskaper. En effektiv teknikk som har fått økt oppmerksomhet i nyere forskning, er VMD med BPF, som viser bedre ytelse når det gjelder å skape Intrinsic Mode Functions (IMF) (Yang et al., 2021e). Det finnes også flere andre databehandlingsmetoder som har blitt undersøkt, blant annet SSA (Yang et al., 2013a; Li et al., 2019a), GPSA (Li et al., 2014), og SSI (Yang og Chen 2016; Li et al., 2019b). Disse teknikkene har hatt betydelig innvirkning på hvordan man fjerner støy og forstyrrende signaler som kan skjule de relevante brofrekvensene.

En gjentakende utfordring ved bruk av kjøretøy til å identifisere brofrekvenser er at kjøretøyets egenfrekvens kan dominere signalet, og dermed skjule broens egne frekvenser. For å løse dette problemet ble metoder basert på SSA introdusert for å eliminere kjøretøyets egenfrekvens (Yang et al., 2013a). Videre ble partikkelfiltermetoden foreslått for å hente ut signaler som kun inneholder brofrekvenser (Wang et al., 2018). En annen tilnærming for å redusere effekten av kjøretøyets fjæringssystem har vært å bruke FRF (Frekvensresponsfunksjon) sammen med EEMD (Ensemble Empirical Mode Decomposition) (Eshkevari et al., 2020a).

En annen interessant metode er den som benytter kjøretøyets kontaktrespons med broen, beregnet bakover fra kjøretøyets respons, snarere enn å bruke kjøretøyets respons direkte. Denne tilnærmingen, foreslått av Yang et al. (2018a) og Xu et al. (2021), gjør det mulig å eliminere kjøretøyets egenfrekvens fullstendig og hente ut flere brofrekvenser. Denne metoden har blitt verifisert både teoretisk og gjennom tester (Yang et al., 2018a, 2020f, 2022g; Xu et al., 2021).

Testkjøretøyet spiller en sentral rolle i denne teknologien. I tidlige studier ble det brukt en enkel modell som en ettakselfrigjenger til testformål, som kunne representere et enkelt DOF-system i de teoretiske formuleringene (Yang et al., 2004a). Denne modellen, selv om den er enkel, gir en klar forståelse av hvordan samspillet mellom kjøretøyet og broen fungerer. På grunn av dette har mange forskere benyttet seg av denne modellen (Yang og Lin, 2005; Yang et al., 2014, 2020f; Kong et al., 2016).

I nyere tid har forskere videreutviklet testkjøretøyet ved å bruke et tilpassbart system der vibrasjonssensorer kan monteres på en stiv kantelever som er koblet til akslingen, og fungerer som en adaptiv forsterker for kjøretøyets respons (Yang et al., 2021d; Xu et al., 2023e). Dette gjør det mulig å finjustere systemet og gir bedre nøyaktighet i målingene.

For å øke stabiliteten og forbedre målingene har en utvidelse av den enkle ettakslige modellen blitt utviklet. Her har to sammenkoblede ettakslige kjøretøy blitt brukt til å generere residualresponser som er mindre påvirket av veiens ujevnheter (Yang et al., 2012a). Ved å benytte en toakslet modell kan man oppnå en mer stabil struktur som er lettere å analysere, og samtidig kan man bruke responsene fra de fremre og bakre akslene til å redusere støyen fra ujevnheter (Yang et al., 2022f).

For å ytterligere redusere effekten av veiens ujevnheter, har forskere brukt ekstra eksitasjoner som kan forsterke broens vibrasjoner. Dette har blitt gjort ved hjelp av et følgekjøretøy eller tilfeldig trafikk (Xu et al., 2021). Alternativt har en shaker blitt plassert på broen for å forsterke vibrasjonene og samtidig redusere påvirkningen fra veiens ujevnheter. Ved hjelp av en enkel formel som er utledet fra teorien, kan shakerens frekvens og plassering lett justeres for å maksimere effekten på broens respons.

Denne metoden, som benytter både shaker og kjøretøy som testutstyr, gir en mer omfattende tilnærming til modalidentifikasjon av broer. Ved å modellere systemet for kjøretøy, shaker og bro, kan man få en bedre forståelse av de viktigste parametrene som påvirker broens respons, og dermed optimalisere teknikkene for identifikasjon.

I teorien har man utviklet lukkede løsninger for kjøretøy-shaker-bro-systemet, som gjør det lettere å forstå hvilke parametre som er mest avgjørende for testens resultat. Analytiske løsninger og numeriske simuleringer gjør det mulig å bekrefte disse modellene og evaluere shakerens effekt på broens respons. Dette gir muligheter for forbedrede metoder for å identifisere brofrekvenser, spesielt for broer som tidligere har vært vanskelige å analysere med tradisjonelle metoder.

Endtext