Resumen

Dado que el ferrocarril se considera uno de los medios de transporte más importantes, un mal funcionamiento repentino de los componentes del tren o un retraso en su mantenimiento pueden perturbar considerablemente las actividades de la sociedad. Para evitar este problema, se han propuesto y desarrollado diversos marcos de mantenimiento ferroviario, desde los "marcos tradicionales de mantenimiento periódico basados en el tiempo y la distancia" hasta los "sistemas de mantenimiento basados en la supervisión/condicionales". Sin embargo, estos marcos de mantenimiento dependen del estado actual y de la situación de los trenes y vagones. Para superar estos problemas, se han propuesto varios marcos predictivos. Este estudio propone un nuevo y eficaz marco de estimación de la vida útil restante (RUL) utilizando big data de un sistema de control y monitorización de trenes (TCMS). Los datos del TCMS se clasifican en dos tipos: datos de funcionamiento y datos de alarma. La información de alarma o RUL se extrae de los datos de alarma. Posteriormente, un modelo de aprendizaje profundo logra la relación de mapeo entre los datos de operación y el RUL extraído. Sin embargo, algunos datos del TCMS carecen de valores debido al mal funcionamiento de los sensores integrados o a la escasa vida útil de los módulos de monitorización. Este problema se aborda en el marco de la red generativa adversarial (GAN) propuesta. Ambos modelos de red neuronal profunda (DNN) para un generador y un predictor estiman los valores perdidos y predicen el fallo del tren, simultáneamente. Para demostrar la eficacia del marco de mantenimiento predictivo basado en GAN propuesto, se llevaron a cabo estudios de casos basados en datos de TCMS y comparaciones con otros métodos.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:datos tcms, datos de alarma, valores perdidos, datos de operación, varios marcos de mantenimiento ferroviario, modelo de aprendizaje profundo, red neuronal profunda, red generativa adversarial, marco de mantenimiento predictivo, varios marcos predictivos.
• Keywords:tcms data, alarm data, missing values, operation data, various railway maintenance frameworks, deep learning model, deep neural network, generative adversarial network, predictive maintenance framework, several predictive frameworks