LIU RUN , Shanghai Jiao Tong University

Actuellement, la détection des irrégularités de voie du métro est principalement effectuée par des véhicules d’inspection de voie et des chariots d’inspection de voie. Ces détections sont limitées par le temps de service du métro, elles ne peuvent donc être effectuées qu’une fois tous les quelques mois. Cette étude a exploré la possibilité d’utiliser les vibrations de la carrosserie du véhicule pour détecter des irrégularités dans la géométrie de la voie. Il a contribué à la détection dynamique des conditions de voie et à la réduction des coûts d’entretien. Premièrement, la transformation en ondelettes a été utilisée pour analyser les vibrations de la carrosserie du véhicule, de manière à pouvoir les collecter les données par un nouveau détecteur portable. On a constaté que la transformation par ondelettes était efficace pour améliorer la corrélation entre les accélérations des vibrations et les irrégularités de la voie. Ensuite, l’ensemble des données échantillonné par un modèle d’échantillonnage hybride fondé sé sur le clustering. De cette façon, le rapport de déséquilibre des données a été réduit sans changer leur structure originale. Enfin, l’algorithme de Random Forest et l’algorithme de Renforcement du gradient ont été utilisés pour la classification des irrégularités. Les résultats montrent que les deux algorithmes obtiennent de bons résultats de classification, mais dans ce cas d’étude, la performance de l’algorithme Random Forest est la meilleure.
LIU RUN

Mots clés Irrégularités de la géométrie de la voie ; Détecteur portatif ; Transformation en ondelettes ; Échantillonnage hybride ; Classification des ensembles de données non équilibrée