加速度计和机器学习与BIM集成,用于铁路窄轨和宽轨检测
Jessada Sresakoolchai1, Chayutpong Manakul1, Ni-Asri Cheputeh2
1Department of Civil and Environmental Engineering, Faculty of Engineering, Prince of Songkla University, Songkhla 90110, Thailand.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
本研究引入了一种新的方法,用于检测不安全的铁路轨道径,使用加速度计数据和机器学习. 这种方法通过预测和定位标尺问题来提高安全性,减少脱轨风险和维护成本.
科学领域:
- 铁路工程 铁路工程是指铁路工程.
- 数据科学是数据科学.
- 资产管理资产管理.
背景情况:
- 铁路标尺对于安全至关重要;偏差可能导致脱轨.
- 目前的检测方法可能不足以进行实时监控.
- 积极识别标尺异常对于运行可靠性至关重要.
研究的目的:
- 开发和验证一种用于检测狭窄和宽轨道径的新型系统.
- 整合加速度计数据,机器学习和建筑信息建模 (BIM) 进行增强的检测.
- 通过数据驱动的洞察力提高铁路安全和维护效率.
主要方法:
- 使用轴箱上的加速度计进行实时动态数据采集.
- 应用监督机器学习算法来对测量事件进行分类和预测.
- 整合建筑信息建模 (BIM) 进行时空上下文化和可视化.
主要成果:
- 在检测和预测狭窄和宽轨道轨道事件方面取得了高精度.
- 机器学习模型在与加速度计数据相结合时的可靠性.
- 通过使用BIM.成功地进行空间映射和对尺寸问题的上下文化.
结论:
- 综合方法为主动铁路维护提供了一个自动化,数据驱动的方法.
- 该系统显著提高了狭窄和宽宽的标识,降低了脱轨风险.
- 机器学习和BIM的结合为铁路资产管理提供了一个强大的数字解决方案.
更多相关视频
06:52An Inertial Measurement Unit Based Method to Estimate Hip and Knee Joint Kinematics in Team Sport Athletes on the Field
Published on: May 26, 2020
7.8K
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
907
