Prediksjon av feilhendelser på sporveksler

Denne masteroppgaven vil utforske mulighetene for bruk av maskinlæring til prediksjon av feil på sporvekslene, for å oppnå en mer effektiv tilstandsovervåking. Med mål å forbedre oppetiden på jernbaneinfrastrukturen. Utgangspunktet for oppgaven og maskinlæringen er Bane Nor sine egne datasett av effektmålinger på hver enkelt drivmaskin i vekslene gjennom hele 2017. Drivmaskinene er av typen Siemens S700 og er lokalisert på Asker, Sandvika og Lysaker. Det skal bli diskutert metoder for å løse mange av utfordringer som har vært med disse datasettene. Blant annet har utfordringene vært i forbindelse med manglende merking, dårlige feiltilfeller og outliers (uteliggere). Rapporten legger stor vekt på egenskapsuttrekking og hvordan egenskaper og datasettet kan struktureres til å gi best mulig informasjon om omleggingen. Det vil bli vist at egenskaper fra både tidsdomenet og frekvensdomenet vil gi nyttig informasjon. Vi skal også diskutere metoder som ikke er ferdig testet, men har tro på at kan gi nyttig informasjon. For å løse utfordringer med å skaffe nok feilsituasjoner til både trenings- og valideringsdatasett, har det blitt nødvendig å slå sammen flere veksler som er av samme størrelse og type. Derfor blir det nødvendig å normalisere egenskapene. Selve maskinlæringen har det blitt liten tid til i prosjektet, men det har blitt tatt utgangspunkt i ledet læring og SVM algoritmen. På tross av alle utfordringer vil det bli vist at maskinlæring kan klassifisere omlegginger inn i klasser, for å indikere gjenværende levetid på vekselen med høy presisjon på valideringssettet