Inteligentní SW modul iDIMASC

Intelligent SW module iDIMASC

Software

Aplikace slouží pro predikci stavu výhybky na základě naměřených signálů zrychlení pomocí natrénovaného modelu strojového učení uloženého ve formátu .pkl. Součástí aplikace je lokalizace začátku a konce lokomotivy v signálu pomocí metody klouzavých průměrů RMS. Z těchto signálů jsou dále vypočteny vstupní parametry pro predikční model. Vstupem jsou naměřené signály (ve formátu .txt nebo .dat) a jim odpovídající doplňující data z databáze ve formátu .csv. Je třeba vždy vybrat konkrétní výhybku a třídu lokomotiv (určenou například systémem TIS), pro kterou byl model natrénován. Výstupem je soubor s predikcemi pro konkrétní výhybku a třídu lokomotiv v daném čase. Tyto výsledky lze nechat rovněž zapsat přímo do databáze DISC tabulky 'vyhodnoceni' a sloupce 'PARAMETR1'. Pro dlouhodobou analýzu je důležité tyto predikce vyhodnocovat jako časovou řadu v kombinaci s událostmi jako jsou údržbové zásahy a podobně. Je využito rozhraní CLI, čímž lze tento systém zapojit přímo do procesu automatizovaného zpracování naměřených dat.

The application is used to predict the turnout state based on the measured acceleration signals using a trained machine learning model saved in the .pkl format. Part of the application is the localization of the beginning and end of the locomotive in the signal using the RMS moving average method. The input parameters for the prediction model are further calculated from these signals. The input is the measured signals (in .txt or .dat format) and the corresponding supplementary data from the database in .csv format. It is always necessary to select a specific switch and class of locomotives (determined for example by the TIS system) for which the model was trained. The output is a file with predictions for a specific switch and class of locomotives at a given time. These results can also be written directly to the DISC database in the 'evaluation' table and the 'PARAMETR1' column. For long-term analysis, it is important to evaluate these predictions as a time series in combination with events such as maintenance interventions and the like. The CLI interface is used, which allows this system to be connected directly to the process of automated processing of measured data.

switches and crossings, condition monitoring, predictive maintenance, machine learning

switches and crossings, condition monitoring, predictive maintenance, machine learning

https://www.fce.vutbr.cz/AIU/krc.r/turnout4-0/idimasc/index.html

The result is being used by the owner

https://www.fce.vutbr.cz/AIU/krc.r/turnout4-0/idimasc/index.html