Machine Learning in Predictive Maintenance of Railway Infrastructures: Implementations and Challenges
Abstract
De nylige teknologiske fremskrittene av Industry 4.0 teknologier har skapt et skifte mot applikasjoner innen maskinlæring (ML) for prediktivt vedlikehold (PdM) og har blitt tatt i bruk av mange bransjer. Derimot finnes det lite forskning på implementasjon av ML til PdM for komponenter i jernbaneinfrastrukturen.
Denne masteroppgaven undersøker dette emnet med disse forskningsspørsmålene; (1) Hvilke algoritmer innen ML brukes i PdM av komponenter i jernbaneinfrastrukturen? (2) Hvilke komponenter i jernbaneinfrastrukturen har blitt underlagt av ML algoritmer i PdM? (3) Hvilke inspeksjonsmetoder og verktøy brukes for datainnsamling for ML i PdM av komponenter i jernbaneinfrastrukturen? (4) Hva er hovedutfordringene til ML i PdM av komponenter i jernbaneinfrastrukturen?
For å svare på forskningsspørsmålene er følgende forskningsmetoder utført:1. Gjennomgang av relevant litteratur (LR) for å samle nødvendig teoretisk informasjon knyttet til vedlikehold av jernbaneinfrastrukturen, metoder og algoritmer innen ML, og utfordringer knyttet til ML i PdM.2. En systematisk litteraturgjennomgang (SLR) for å identifisere og trekke ut materialer og data fra alle relevante artikler i temaet.3. Semistrukturerte intervjuer (SSI) med eksperter i vedlikehold av jernbaneinfrastruktur for ytterligere informasjon om fremdriften av ML implementeringer i PdM.
Hovedformålet var å avdekke fremgangen av ML i PdM av komponenter i jernbaneinfrastrukturen. Artiklene som ble identifisert gjennom SLR ble screenet mot etablerte kvalifikasjonskriterier. Dette førte til 20 relevante artikler som ble videre analysert. Ytterligere analyser viste at forskningen innen ML i PdM av komponenter i jernbaneinfrastrukturen er relativt ny og voksende.
Resultatene viser at 17 forskjellige ML algoritmer brukes til PdM av jernbaneinfrastrukturen. Algoritmene består av «supervised», «unsupervised», «ensemble»- og dyp lærings (DL) -metoder. Jernbanespor og sporveksler er de mest dominerende komponentene. Inspeksjonsmetoder for komponentene er hovedsakelig inspeksjonskjøretøy og sensorer installert i infrastrukturen. De mest brukte datatypene er komponentegenskaper, geometriske og historiske data. ML algoritmer trenes med data samlet fra disse metodene, i kombinasjon med en rekke andre data. Hovedutfordringene er knyttet til fundamentale grunnlag, datainnsamling, datakvalitet, og datakunnskap. Siden implementering av ML for PdM av komponenter i jernbaneinfrastrukturen er et nytt forskningstema, er flere forslag til videre forskning foreslått. The recent technological advancements of Industry 4.0 technologies have shifted towards machine learning (ML) applications in predictive maintenance (PdM) and have been implemented in many industries. However, research on ML implementations to PdM for railway infrastructure assets is limited.
This master thesis investigates the topic by these research questions; (1) Which ML algorithms are applied to PdM of railway infrastructure assets? (2) Which railway infrastructure assets are subjected to ML algorithms in PdM? (3) What inspection methods and tools are utilized for data acquisition for ML in PdM of railway infrastructure assets? (4) What are the main challenges of ML in PdM of railway infrastructure assets?
To answer these research questions the following research methods are conducted: 1. Literature review (LR) to collect necessary theoretical information on railway infrastructure maintenance, ML methods and algorithms, and challenges related to ML in PdM. 2. A systematic literature review (SLR) for identifying and extracting materials and data from all relevant papers on the topic. 3. Semi-structured interviews (SSI) with experts of railway infrastructure maintenance for further information on the progress of ML implementations to PdM.
The main purpose was to uncover the progress towards ML in PdM of railway infrastructure assets. The papers identified in the SLR were screened against established eligibility criteria. This led to 20 relevant papers of the subject that were further analyzed. The analyses proved that the research on ML applications in PdM of railway infrastructure assets is relatively new and trending.
The results found that 17 different algorithms are applied to railway infrastructure PdM purposes. The algorithms consists of supervised, unsupervised, ensemble, and deep learning (DL) methods. Railway tracks and switches are the most dominating assets of the SLR. Inspection methods of railway infrastructure assets are mainly inspection vehicles and sensors installed in the infrastructure. The most utilized datatypes are geometry, asset properties, and historical data. ML algorithms are trained with data gathered from these methods, in combination with a variety of other data. The main challenges are associated with foundations, data collection, data quality, and data knowledge. Since ML implementations to PdM of railway infrastructure assets is a new research topic, several suggestions for further research are proposed.