Descrizione principale (Italiano)

Comprendere lo sviluppo dei difetti del binario, che possono avere un impatto significativo sulla sicurezza, è un compito cruciale per gli ingegneri ferroviari. L’analisi dei parametri della geometria è necessaria per monitorare in modo efficiente le condizioni del binario. La ricerca si è recentemente concentrata sul monitoraggio delle irregolarità della geometria del binario utilizzando i dati raccolti dai treni in servizio commerciale. La maggior parte della ricerca precedente si è concentrata sulle irregolarità verticali del binario, poiché le irregolarità laterali sono notevolmente più impegnative da derivare a causa del complesso moto relativo tra ruota e rotaia. Questo lavoro si concentra sulla ricerca della correlazione tra le accelerazioni laterali a bordo e le irregolarità laterali del binario, a partire dagli spostamenti laterali della ruota rispetto alla rotaia. Un algoritmo di Machine Learning (ML) supervisionato viene addestrato e testato con una serie di dati ottenuti tramite simulazione numerica in diverse condizioni operative. Tra gli algoritmi testati, la regressione Random Forest mostra il miglior risultato, seguita dalla regressione polinomiale. I risultati ottenuti sono una conferma della possibilità di rilevare le irregolarità laterali del binario mediante un sensore di visione computerizzato a bordo in grado di rilevare gli spostamenti laterali relativi tra ruota e rotaia. Inoltre, viene eseguita un’analisi di sensibilità che mostra come questi rappresentino il parametro più importante per determinare le irregolarità laterali dal veicolo. I risultati di questo lavoro possono rappresentare un passo avanti verso l’impiego della manutenzione predittiva.

Descrizione principale (Inglese)

Understanding the development of track defects, which can have a significant impact on the safety of train operations, is one of the most crucial responsibilities for railway engineers. Analysing track geometry (TG) parameters is necessary to establish an efficient track condition monitoring approach. Research has recently focused on monitoring track geometry irregularities using data collected from trains in service. Most of the previous research has focused on vertical irregularity of track, since the lateral irregularity is considerably more challenging because of the complex relative wheel-rail motion. This research work focuses on finding the relationship between the lateral acceleration and lateral irregularities from the Lateral Displacement of the Wheel relative to the Rail (LDWR). A supervised Machine Learning (ML) model is trained and tested with a dataset composed of numerical simulation on a diverse set of operational conditions. Among the tested algorithms, Random Forest regression shows the best result and polynomial regression is on the second place. Sufficient results are achieved which shows that it is possible to detect the lateral irregularities with on board computer vision sensor which can detect the LDWR. Also, a sensitivity analysis is performed which shows that lateral displacement is the most important parameter in determining the lateral irregularity from vehicle monitoring. The result of this work could be a step toward the predictive maintenance as well.