Onderzoek naar diagnose merhode voor spoorstroomlopen
Onderzoek naar diagnose merhode voor spoorstroomlopen
Samenvatting
Op het spoor in Nederland worden verscheidene componenten gebruikt om het systeem draaiende te houden. Het systeem komt geregeld in storing en hierdoor kan de normale dienstregeling geen doorgang meer vinden. Dit zorgt uiteindelijke voor vertragingen bij de reiziger. In deze scriptie zal worden in gegaan op een van die systemen die gebruikt worden op het spoor, genaamd de spoorstroomloop. Het spoor is opgedeeld in blokken en in zo een blok mag maar een trein rijden. De spoorstroomloop is het systeem dat detecteert doormiddel van een resonantiecircuit dat er een trein rijdt op zo een blok. Dit systeem stuurt een signaal naar de seinen zodat de andere gebruikers weten of een blok bezet is.
Het doel van dit onderzoek is het ontwikkelen van een methode waarmee het opsporen van fouten in het systeem sneller kan verlopen, en waarbij de uiteindelijke wens van ProRail is een hulpmiddel wat automatische fouten kan identificeren. De kans dat een monteur het defecte component in een keer vindt is 57.6 procent. De hoofdvraag in deze scriptie is: Is er methode waarmee een hogere kans te behalen valt bij het identificeren van defecten componenten aan de resonantiecircuits in de spoorstroomloop?
Er zijn in deze scriptie verschillende mogelijke methodes van meten opgesteld,deze zijn op de literatuur over foutdiagnose bij elektrische circuits gebaseerd. De resultaten uit de metingen zijn gebruikt om vier verschillende machine learning modellen te trainen. Deze zijn getraind aan de hand geaccepteerd een afwijkende waardes van het resonantiekring. Aan de hand van de betrouwbaarheidsscores van die machine learning modellen is vergeleken welke combinatie van machine learning model en meet methode de beste resultaten opleveren.
Uit onderzoek is bepaald dat de combinantie waarbij buiten de relaiskast aan de aansturingszijde van de spoorstroomloop moet worden gemeten, in combinantie met een gradient boosted descision tree machine learning model.
Met deze methode is uit simulaties een nauwkeurigheid bereikt van 86 procent. Daarbij is op te merken dat deze methode beter is in het identificeren van problemen in de relaiskast aan de aansturingszijde, dan aan de detectiezijde.
Op basis van de behaalde resultaten kan ProRail overwegen om deze methode verder te ontwikkelen in een hulpmiddel voormonteurs. Omdat de resultaten op basis van simulaties zijn verkregen, zijn verdere testen op installaties in het Railcenter benodigd.
Organisatie | De Haagse Hogeschool |
Opleiding | TIS Elektrotechniek |
Afdeling | Faculteit Technologie, Innovatie & Samenleving |
Partner | Prorail |
Jaar | 2020 |
Type | Bachelor |
Taal | Nederlands |