but.jazyk	čeština (Czech)
but.program	Stavební inženýrství	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Podroužek, Jan	cs
dc.contributor.author	Krč, Rostislav	cs
dc.contributor.referee	Vorel,, Jan	cs
dc.contributor.referee	Plášek, Otto	cs
dc.date.created		cs
dc.description.abstract	Tato disertační práce pojednává o možnostech automatického rozpoznání vlaků ve výhybkách na základě akcelerometrických dat. Byl zohledněn současný stav poznání včetně požadavků výzkumných projektů jako S-Code, In2Track a Výhybka 4.0. V provedených experimentech byly uvažovány různé architektury umělých neuronových sítí (ANN) a statisticky vyhodnoceny různé scénáře použití. Výsledná přesnost dosáhla 89.2 % pro konvoluční neuronovou síť (CNN), která byla vybrána jako vhodná základní architektura pro další experimenty. Projevila se vysoká schopnost zobecnění problému, jelikož modely natrénované na datech z jedné lokality byly schopné určit typ lokomotivy na jiné lokalitě. Další experimenty posuzovaly vliv filtrů a redukce šumu. Ukázalo se, že natrénované modely jsou vhodné pro aplikaci in-situ s ohledem na hardwarová omezení, neboť mají malé nároky na paměť a výpočetní výkon. Kvůli omezenému množství naměřených dat byla využita data z elektrické přenosové soustavy, což umožnilo další upřesnění navržené CNN architektury. Nejvyšší přesnosti pro klasifikaci časových řad je dosaženo pomocí hluboké vícevrstvé architektury s využitím regularizačních metod jako dropout nebo normalizace batche. Využití aktivační mapy tříd (CAM) napomohlo vysvětlení rozhodovacího procesu neuronové sítě. Prezentované výsledky prokázaly proveditelnost identifikace typů vlaků přímo ve výhybce. CNN byla zvolena jako optimální architektura pro tento úkol, vzhledem k vysoké přesnosti, schopnosti automatické filtrace a rozpoznání vzorů, což umožňuje využití end-to-end strategie. Vzhledem k nízkým výpočetním nárokům je navíc možné použití natrénovaných modelů přímo na výhybce. Byly rovněž formulovány požadavky na minimální množství dat a parametry senzorů. Tato disertační práce přispívá k porozumění problematiky identifikace typů vlaků a poskytuje pevné teoretické základy pro další výzkum.	cs
dc.description.abstract	This doctoral thesis elaborates possibilities of automatic train type identification in railway S&C using accelerometer data. Current state-of-the-art was considered, including requirements stated by research projects such as S-Code, In2Track or Turnout 4.0. Conducted experiments considered different architectures of artificial neural networks (ANN) and statistically evaluated multiple use case scenarios. The resulting accuracy reached up to 89.2% for convolutional neural network (CNN), which was selected as a suitable baseline architecture for further experiments. High generalization capability was observed as models trained on data from one location were able to classify locomotive types in the other location. Further experiments evaluated the effect of signal filtering and denoising. Evaluation of allocated memory and processing time for pre-trained models proved feasibility for in-situ application with regard to hardware restrictions. Due to a limited amount of available accelerometer data, distribution grid power demand data were utilized for further refinement of the proposed CNN architecture. Deep multi-layer architecture with regularization techniques such as dropout or batch normalization provides state-of-the-art performance for time series classification problems. Class activation mapping (CAM) allowed an explanation of decisions made by the neural network. Presented results proved that train type identification directly in the S&C is possible. The CNN was selected as optimal architecture for this task due to high classification accuracy, automatic filtration, and pattern recognition capabilities, allowing for the incorporation of the end-to-end learning strategy. Moreover, direct on-site application of pre-trained models is feasible with respect to limitations of in-situ hardware. This thesis contributes to understanding the train type identification problem and provides a solid theoretical background for future research.	en
dc.description.mark	P	cs
dc.identifier.citation	KRČ, R. Systém identifikace vlaků ve výhybkách pomocí pokročilých metod strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta stavební. .	cs
dc.identifier.other	144003	cs
dc.identifier.uri	http://hdl.handle.net/11012/204618
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta stavební	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	železniční výhybka	cs
dc.subject	prediktivní údržba	cs
dc.subject	systém identifikace vlaků	cs
dc.subject	strojové učení	cs
dc.subject	hluboké učení	cs
dc.subject	konvoluční neuronová síť	cs
dc.subject	klasifikace časových řad	cs
dc.subject	analýza signálu	cs
dc.subject	railway switches and crossings	en
dc.subject	predictive maintenance	en
dc.subject	train identification system	en
dc.subject	machine learning	en
dc.subject	deep learning	en
dc.subject	convolutional neural network	en
dc.subject	time series classification	en
dc.subject	signal analysis	en
dc.title	Systém identifikace vlaků ve výhybkách pomocí pokročilých metod strojového učení	cs
dc.title.alternative	Train Identification System at Railway Switches And Crossings Using Advanced Machine Learning Methods	en
dc.type	Text	cs
dc.type.driver	doctoralThesis	en
dc.type.evskp	dizertační práce	cs
dcterms.modified	2022-06-17-22:42:12	cs
eprints.affiliatedInstitution.faculty	Fakulta stavební	cs
sync.item.dbid	144003	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.27 12:27:47	en
sync.item.modts	2025.01.15 11:50:39	en
thesis.discipline	Konstrukce a dopravní stavby	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta stavební. Ústav automatizace inženýrských úloh a informatiky	cs
thesis.level	Doktorský	cs
thesis.name	Ph.D.	cs

Systém identifikace vlaků ve výhybkách pomocí pokročilých metod strojového učení

Files

Original bundle

Collections