Využití metod umělé inteligence pro klasifikaci vlaků na základě měření vibrací

Abstract

Tato bakalářská práce představuje návrh, implementaci a hodnocení systému pro automatickou klasifikaci typů vlaků na základě vibračních signálů měřených ze železniční infrastruktury. Hlavním cílem bylo ověřit, zda je možné přesně rozlišit nákladní, osobní a expresní vlaky pomocí vybraných signálových charakteristik a metod strojového učení. Navrhované řešení zahrnuje předzpracování vysokofrekvenčních vibračních dat, segmentaci signálů na základě detekce náprav a extrakci souboru metrik v časové oblasti z každého průjezdu nápravou. Kromě toho byla do vektorů příznaků začleněna metadata, jako je počet náprav, pořadí náprav a odhadovaná rychlost vlaku. Tři klasifikátory, Support Vector Machine, Random Forest a Neural Network, byly natrénovány a vyhodnoceny pomocí nástroje Classification Learner v prostředí MATLAB. Nejvyššího klasifikačního výkonu dosáhl model Random Forest s celkovým skóre F1 vyšším než 0,99. Výsledky potvrzují použitelnost klasifikačních systémů založených na vibracích pro monitorování železnic a zdůrazňují potenciál pro budoucí zlepšení v rozsáhlosti dat, přesnosti segmentace a nasazení v reálném světě.

This bachelor thesis presents the design, implementation and evaluation of a system for automatic classification of train types based on vibration signals measured from railway infrastructure. The main objective was to verify whether it is possible to accurately discriminate freight, passenger and express trains using selected signal characteristics and machine learning methods. The proposed solution involves preprocessing the high-frequency vibration data, segmenting the signals based on axle detection, and extracting a set of time-domain metrics from each axle pass. In addition, metadata such as number of axles, axle order, and estimated train speed were incorporated into the feature vectors. The three classifiers, Support Vector Machine, Random Forest and Neural Network, were trained and evaluated using the Classification Learner tool in MATLAB. The Random Forest model achieved the highest classification performance with an overall F1 score greater than 0.99. The results confirm the applicability of vibration-based classification systems for railway monitoring and highlight the potential for future improvements in data extensiveness, segmentation accuracy and real-world deployment.