고속철도 차량 진동 데이터를 활용한 궤도 품질 진단에 관한 연구 (Study on Track Quality Diagnosis Using High-Speed Railway Vehicle Vibration Data)

서지정보

· 발행기관 : 한국철도학회
· 수록지 정보 : 한국철도학회논문집 / 28권 / 6호 / 604 ~ 615페이지
· 저자명 : 배성한, 이민재, 김철수, 김준원

초록

철도 선로의 상태는 열차 운행의 안정성과 승차감에 중요한 영향을 미치며, 이를 정량적으로 평가하기 위한 지표로 궤도품질지수가 사용된다. 기존의 궤도품질지수를 평가하는 방식은 검측을 위해 별도의 계측 차량을 필수적으로 이용해야 한다. 그러나 이러한 방식은 주기적인 계측이 이루어지기 전까지 실시간으로 선로 상태의 악화 진행을 파악하기 어렵다. 이에 본 논문은 실제 운행 중인 철도 차량에서 수집된 진동 데이터로 머신러닝 모델을 학습하여 궤도의 상태를 진단하였다. 기존에 범용적으로 사용되는 다른 알고리즘과 비교한 결과, XGBoost 모델에 주성분 분석을 적용한 방식이 결정계수가 0.99로 가장 높았다. 그래서 검측 차량의 계측을 기다릴 필요 없이, 운행 중인 차량에서 수집한 데이터를 통해 효율적인 선로 유지보수가 가능하고 철도 안전성을 더욱 향상시킬 수 있다.

영어초록

The condition of railway tracks plays a crucial role in ensuring the stability and comfort of train operations.
The track quality index serves as a quantitative indicator for evaluating track conditions. The conventional method for evaluating the track quality index relies on the use of a dedicated measurement vehicle for inspection. However, this method poses a challenge in detecting track condition deterioration in real time, as assessments can only be conducted during scheduled measurement intervals. Accordingly, this study diagnosed the condition of the track by training a machine learning model using vibration data collected from an in-service railway vehicle. Compared to other commonly used algorithms, the method of applying principal component analysis to the XGBoost model had the highest coefficient of determination at 0.99. Therefore, efficient track maintenance is possible and railway safety can be further improved through data collected from running vehicles without having to wait for measurement from inspection vehicles.

참고자료

· 없음