Genom att använda metoder för intelligent feldiagnostik för analys av underhållsdata i järnvägssystemet, till exempel elmotorer i växelsystem, kan tågtrafiken bli säkrare. Det framgår av ny forskning vid Luleå tekniska universitet. Välkänt är det faktum att svensk järnvägstrafik ofta har stora problem under kalla vintrar, ett problem som enligt forskare kan minskas.
– En noggrann och effektiv feldiagnos kan garantera att den som förvaltar, och den som trafikerar järnvägen tar rätt underhållsbeslut och därmed förbättra järnvägssystemets tillgänglighet och att minska underhållskostnaderna, säger Yuan Fuqing, teknologie doktor vid Luleå tekniska universitet. I en jämförande studie mellan två analysmetoder har Yuan Fuqing, doktorand inom avdelningen för Drift, underhåll och akustik vid Luleå tekniska universitet hittat ett optimalt sätt att tidigt identifiera fel i järnvägssystemet. Han har jämfört Support Vector Machine (SVM) med andra välkända tekniker för felanalys inom drift- och underhållsområdet, till exempel Artificial Neural Network (ANN). Genom att på olika sätt förbättra SVM har Yuan Fuqing kunnat slå fast att det är den bästa metoden. – SVM är en utmärkt teknik för att identifiera och känna igen olika mönster, men för att få ut en korrekt diagnos ur tekniken är det nödvändigt att utvinna lämpliga egenskaper ur den vilket jag har gjort genom att på olika sätt optimera metoden, säger Yuan Fuqing. Yuan Fuqing menar att fördelen med SVM är att man kan studera komplexa data på detaljnivå, där de inte kan tolkas, men även transformera till en högre dimension där de ingår i en helhet och kan separeras ut och bli begripliga. Det i sin tur ger möjlighet att på ett tidigt stadium, och kostnadseffektivt, kunna ställa en feldiagnos som gör att man kan identifiera fel som är på väg att uppstå.
