Digitala Vetenskapliga Arkivet

Endre søk
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Fault diagnosis of axlebox roller bearings of high speed rail vehicles based on empirical mode decomposition and machine learning
KTH, Skolan för industriell teknik och management (ITM).
2021 (engelsk)Independent thesis Advanced level (degree of Master (Two Years)), 20 poäng / 30 hpOppgaveAlternativ tittel
Feldiagnos av axelbox rullager i höghastighetstågfordon baserat på Empirical Mode Decomposition och maskininlärning (svensk)
Abstract [en]

Axlebox bearings are one of the most critical components of a rail vehicle with regard to safety. An axlebox bearing that breaks during operation can be dangerous for the passengers and expensive for the operator. In-service failure of axlebox bearings has been the cause of many catastrophic accidents. Thus, it is of utmost importance to predict bearing failures as early as possible. This will increase reliability and safety of the vehicle as well as reduce the vehicle maintenance cost.

Monitoring of roller bearings is an active research eld, and many methods have been proposed by other researchers. Many of these methods employ complex algorithms to make the most use of the given measurements. The algorithms often lack interpretability and have high computational costs, making them dicult to employ in an on-board system.

This thesis proposes an interpretable and transparent algorithm that predicts bearing damages with high accuracy. Meanwhile, it tries to retain interpretability as much as possible. The algorithm is based on Empirical Mode Decomposition (EMD) and Singular Value Decomposition (SVD). These two techniques extract essential and meaningful information from the axlebox accelerations. The algorithm is benchmarked on two benchmark datasets, and the results are compared to the respective literature. Then the algorithm is employed on the railway axlebox acceleration measurements that were taken on an axlebox test bench available at SWJTU.

The proposed algorithm can be extended to incorporate additional measurements of dierent types, e.g. sound or temperature measurements. The incorporation of other types of measurements will improve the performance of the algorithm even further.

Abstract [sv]

Axelbox lager är en av de viktigaste komponenterna i ett järnvägsfordon när det berör säkerheten. Ett axelbox lager som havererar under drift kan vara farligt for passagerarna och även dyrt för operatören. Driftfel av lagren har varit orsaken till många katastrofala olyckor. Därför är det av yttersta vikt att förutsäga lagerfel så tidigt som möjligt. Detta ökar fordonets tillförlitlighet och säkerhet samt minskar underhållskostnaderna.

Mycket forskning har utförts inom övervakning av rullager. Många metoder använder komplexa algoritmer för att maximalt utnyttja matningarna. Algoritmerna saknar ofta tolkbarhet och har höga beräkningskostnader, vilket gör dem svåra att använda i ett integrerat system.

Denna avhandling kombinerar era metoder för databehandling och maskininlärning till en algoritm som kan förutsäga lagerskador med hög precision, samtidigt som tolkningsförmågan bibehalls. Bland andra välkända metoder sa använder algoritmen Empirical Mode Decomposition (EMD) och Singular Value Decomposition (SVD) för att extrahera väsentlig information for vibrationsmätningarna. Algoritmen testas sedan med tre olika vibrationsdatamängder, varav en mättes specikt med tanke på simulering av axelbox lager.

Ett annat mål med algoritmen är att göra den tillämpad för ytterligare mätningar. Det bör vara möjligt att inkludera mätningar av olika slag, dvs ljud- eller temperaturmätningar, och därigenom förbättra resultaten. Detta skulle minska implementeringskostnaden avsevärt eftersom befintliga sensorer används för detta ändamål. I händelsen av att de föreslagna metoderna inte fungerar med nya mätningar är det även möjligt att integrera ytterligare funktioner i algoritmen.

sted, utgiver, år, opplag, sider
2021. , s. 53
Serie
TRITA-ITM-EX ; 2021:344
Emneord [en]
Condition monitoring, axlebox bearings, machine learning, data fusion
Emneord [sv]
Nyckelord: tillståndsövervakning, axelboxlager, maskininlärning, datafusion
HSV kategori
Identifikatorer
URN: urn:nbn:se:kth:diva-299774OAI: oai:DiVA.org:kth-299774DiVA, id: diva2:1585514
Eksternt samarbeid
Rail Vehicles, Divi
Veileder
Examiner
Tilgjengelig fra: 2021-08-17 Laget: 2021-08-17 Sist oppdatert: 2022-06-25bibliografisk kontrollert

Open Access i DiVA

fulltext(3175 kB)321 nedlastinger
Filinformasjon
Fil FULLTEXT01.pdfFilstørrelse 3175 kBChecksum SHA-512
49f807293d692d7991dde05eefe86e616cc32c88a30701cbe64688cfbbd07fa3eb11c3cd2a2893d20fdc18a4f378c48703c674c1496f28a22ee332cd3ed1386c
Type fulltextMimetype application/pdf

Av organisasjonen

Søk utenfor DiVA

GoogleGoogle Scholar
Totalt: 321 nedlastinger
Antall nedlastinger er summen av alle nedlastinger av alle fulltekster. Det kan for eksempel være tidligere versjoner som er ikke lenger tilgjengelige

urn-nbn

Altmetric

urn-nbn
Totalt: 302 treff
RefereraExporteraLink to record
Permanent link

Direct link
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annet format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annet språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf