AI Summary & Key Takeaways
AI InsightEvent aggregation condensed 10,681 anomalies into 21 GPS-referenced events, producing a prioritised maintenance map and confirming that reliable, spatially precise detection is achievable without field annotation.
📌 3 Key Takeaways
Abstract
Geometry deviations on high-speed railway lines amplify dynamic wheel–rail loads and accelerate track wear and component failure. Continuous, vehicle-based vibration monitoring is a practical route to condition-based maintenance, yet the scarcity of labelled fault data limits supervised methods. This study presents a fully unsupervised, nine-stage pipeline that converts raw onboard inertial measurement unit (IMU) and Global Positioning System (GPS) data, collected at about 250 km/h on the Madrid–Barcelona line, into spatially referenced anomaly indicators. The pipeline combines data-driven calibration, spectral pre-analysis, sliding-window root mean square (RMS) estimation, median absolute deviation (MAD) based thresholding, crest-factor subtyping, and event aggregation. Seven features were analysed in parallel by four detectors: Isolation Forest (IF), Local Outlier Factor (LOF), One-Class Support Vector Machine (OC-SVM), and a one-dimensional convolutional neural network autoencoder (1D-CNN AE). As no ground-truth labels exist, performance was assessed using RMS overlap, a Cohen-d-like separation score, and the area under the receiver operating characteristic curve (ROC-AUC). IF gave the sharpest separation (ROC-AUC = 0.9722), while the 1D-CNN AE reached the highest RMS overlap (59.6%). A rank-normalised, ROC-AUC-weighted soft-voting ensemble of IF and the 1D-CNN AE outperformed all individual models (RMS overlap = 72.4%; ROC-AUC = 0.9861). Event aggregation condensed 10,681 anomalies into 21 GPS-referenced events, producing a prioritised maintenance map and confirming that reliable, spatially precise detection is achievable without field annotation.
Özet
Yüksek hızlı demiryolu hatlarındaki geometri sapmaları, dinamik tekerlek–ray yüklerini artırarak hat aşınmasını ve bileşen arızalarını hızlandırır. Araç üstü sürekli titreşim izleme, duruma dayalı bakım için pratik bir yol sunsa da, etiketli arıza verisinin kıtlığı gözetimli yöntemleri sınırlamaktadır. Bu çalışma, Madrid–Barselona hattında yaklaşık 250 km/s hızla toplanan ham ataletsel ölçüm birimi (IMU) ve Küresel Konumlama Sistemi (GPS) verisini, mekânsal olarak etiketlenmiş anomali göstergelerine dönüştüren tümüyle gözetimsiz dokuz aşamalı bir işlem hattı sunar. Hat; veri odaklı kalibrasyon, spektral ön analiz, kayan pencere kök ortalama kare (RMS) hesabı, medyan mutlak sapma (MAD) tabanlı eşikleme, tepe faktörü alt tiplemesi ve olay birleştirme adımlarını içerir. Yedi öznitelik, dört algoritmayla paralel çözümlenmiştir: Isolation Forest (IF), Local Outlier Factor (LOF), Tek Sınıf Destek Vektör Makinesi (OC-SVM) ve tek boyutlu evrişimli sinir ağı otokodlayıcısı (1D-CNN AE). Gerçek referans etiket bulunmadığından başarım; RMS örtüşmesi, Cohen-d benzeri ayrım skoru ve alıcı işletim karakteristiği eğrisi altındaki alan (ROC-AUC) ile değerlendirilmiştir. IF en keskin ayrımı (ROC-AUC = 0,9722), 1D-CNN AE ise en yüksek RMS örtüşmesini (%59,6) sağlamıştır. IF ile 1D-CNN AE'nin sıralama-normalize, ROC-AUC ağırlıklı yumuşak oylamalı topluluğu, tüm bireysel modelleri geride bırakmıştır (RMS örtüşmesi %72,4; ROC-AUC = 0,9861). Olay birleştirme, 10.681 anomaliyi 21 GPS etiketli olaya indirgeyerek önceliklendirilmiş bir bakım haritası üretmiş ve güvenilir, mekânsal olarak hassas tespitin saha etiketi olmadan mümkün olduğunu doğrulamıştır.