Position Alignment and Geographical Location Determination of Railway Track Condition Monitoring Data

Abstract

Gjennom bruk av tilgjengelige sporgeometriske inspeksjonsdata kan tilstandsovervåking bidra til pålitelige og kostnadseffektive vedlikeholdsstrategier. Imidlertid er det knyttet stor usikkerhet til posisjonsnøyaktighet til disse sporgeometridataene. Dette innebærer at tidsserier registrert langs de samme sporene under forskjellige målekjøringer ikke uten videre kan sammenlignes, noe som gjør feilprediksjon utfordrende. Videre er det viktig å kunne fastslå den absolutte posisjonen til de registrerte målepunktene for å kunne lokalisere den tilsvarende spordelen i virkeligheten for deretter å kunne utføre fysisk inspeksjon og/eller vedlikeholdsaktivitet. Selv om flere studier har vurdert metoder for å minimere den relative posisjonsfeilen mellom tidsserier, har ingen studie adressert data registrert i komplekst terreng. Flere studier har brukt GPS-koordinater og kontinuerlige sporregistere for bestemmelse av absolutt posisjon, men ingen studie har sammenlignet forskjellige posisjonsbestemmelsesmetoder og estimert usikkerheten ved å utføre GPS feltmålinger langs jernbanespor. Denne oppgaven identifiserer mangelen på forskning på disse temaene som et problem og utforsker tilnærminger for forbehandling, relativ justering og bestemmelse av den absolutte posisjonen til måledata registrert i komplekst nordisk terreng. Resultatet er en mer robust, relativ justeringsmetode og absolutt posisjonsbestemmelse. Relative justeringsmetoder, inkludert Cross-Correlation Function (CFF), Rekursiv Alignment by Fast Fourier Transform (RAFFT), Dynamic Time Warping (DTW), Correlation Optimized Warping (COW), og en kombinert metode bestående av både RAFFT og COW testes på forhåndsbehandlede og ytterligere forhåndsjusterte data. Resultatene som presenteres i denne oppgaven, viser at forhåndsjustering ved bruk av CCF kan redusere forskyvning mellom tidsseriene. Justeringer utført på forhåndsjusterte måleserier oppnådde et bedre resultat, uavhengig av justeringsmetoden som ble brukt, sammenlignet med justeringer på kun forhåndsbehandlede data. Videre viser arbeidet at COW er den mest egnede algoritmen for å justere det brukte datasettet. Denne oppgaven er i stand til å bestemme den absolutte posisjonen til de registrerte måleseriene med en forventet øvre grense for unøyaktighet lik 1,43 meter. Med det foreslåtte verifikasjonsskjemaet som benytter seg av høyspentmastregister, kan den absolutte posisjonen bestemmes også der hvor GPS-signal ikke er tilgjengelig, f.eks. i tunneler. Denne verifiseringsmetoden gjør det også mulig å verifisere posisjoner sporadisk, noe som reduserer risikoen for uventede feil. Ved å kombinere disse metodene foreslår denne oppgaven en prosess som muliggjør bruk av sporgeometriinspeksjonsdata i prediktivt vedlikehold i komplekst terreng.

Using readily available track geometry inspection data, condition monitoring may contribute to reliable and cost-efficient maintenance strategies. However, recorded track geometry data suffers from substantial uncertainty in the assigned positional value. This entails that time series recorded along the same tracks during different measurement runs, cannot easily be compared, making fault predictions challenging. Further, it is essential to determine the absolute position of the recorded measurements to locate the corresponding track part in the field to conduct physical inspection and/or maintenance activity. Although several studies have been completed to minimize this relative positional error between time series, no study has addressed data recorded in complex terrain. Several studies have utilized GPS coordinates and continuous track records to determine absolute position, but no study has extensively compared different position determination methods and estimated uncertainties through conducting field measurements. Hence, this paper identifies the lack of research on these topics as an issue and explores approaches for preprocessing, aligning, and determining the absolute position of measurement data recorded in complex Nordic terrain. The result is a more robust relative alignment and absolute position determination. Relative alignment methods, including Cross-Correlation Function (CFF), Recursive Alignment by Fast Fourier Transform (RAFFT), Dynamic Time Warping (DTW), Correlation Optimized Warping (COW), and a combined method consisting of both RAFFT and COW are tested on preprocessed and further pre-aligned input data. Results presented in this study show that the pre-alignment utilizing CCF can reduce the initial shift between the measurement series. Alignments produced with pre-aligned measurement series achieved a higher warping effect independent of the alignment method utilized, compared with only preprocessed input data. Further, the study shows that COW is the most suited algorithm to align the utilized data set. This study is able to determine the absolute position of the recorded measurement series with an expected upper limit for inaccuracy equal to 1.43 meters. With an additional verification scheme proposed, utilizing high voltage mast records, the absolute position can be determined where GPS signal is missing, e.g., in tunnels. This verification scheme also allows for positions to be sporadically verified, reducing the risk of unexpected errors. Combining these methods, this study proposes a pipeline that enables the utilization of track geometry inspection data in predictive maintenance in complex terrain.