Solslyng i jernbanespor : en mulighetsstudie for å forutsi solslynghendelser ved hjelp av maskinlæring

Abstract

The purpose of this master’s thesis is to do a feasibility study for predicting sun kinks in railway tracks using machine learning. Sun kinks happen when the temperature in the rail steel increases so much that the rails buckle. In the best case, this can cause shaking and discomfort for the train travelers. In the worst case, it can cause the train to derail and cause accidents. Machine learning is about using different algorithms to obtain knowledge from well known information and predict new and unknown information. The Norwegian company responsible for the national railway infrastructure, Bane NOR, would benefit from automatic prediction of sun kinks before they happen. This would save them and Norwegian society a significant amount of money and perhaps save human lives.

No machine learning models were found that were good enough to predict sun kinks in practice.

This thesis consists of three parts. The first part is about data collection, the next about processing and exploring the collected data, while the last part uses machine learning to predict sun kinks. This thesis considers the Gjøvik line, Roa-Hønefoss line and the Hoved line between Oslo Central Station and Lillestrøm. The time considered is April-September 2017 and 2018. The data is for 167 kilometers of railway tracks over 366 days, and contains 55 sun kinks.

During the data collection part, as much data as possible that could have an impact on the risk for sun kinks was collected. The data collected was about maintenance and different parts of the railway track which influence the lateral resistance to buckling. Geographic data, such as the radius of curves and how much solar radiation hits the tracks (influenced by vegetation, buildings and terrain) was also collected. In addition, different types of weather data, such as temperature, precipitation, wind speed and cloud area were collected.

The processing and exploration of the data consisted of an examination of whether the different variables could distinguish the sun kink samples from the non-sun kink samples. Principal component analysis was also used to see if the principal components could distinguish between the samples. From both the variables and the principal components it appears that the sun kink samples and the non-sun kink samples can not be separated.

5 different machine learning algorithms with different parameters where tested. Those were Random Forest, logistic regression, Support Vector Classification (SVC), Multi-Layer Neural Network and Recurrent Neural Network (RNN). In addition, the algorithm Isolation Forest was tried as an anomaly detection algorithm. The best result was obtained by a Multi-Layer Neural Network with a test F1-score of 0.04. By testing this model, it was able to find 4 out of 17 sun kink samples, while 263 non-sun kink samples were classified wrongly as sun kinks. This shows that the models are not accurate enough to be used in practice.

The thesis’ ending chapter offers some recommendations on how the topic of this thesis can be explored further. The recommendations are based on the knowledge and experiences obtained through working with this thesis.

Hensikten med oppgaven er å undersøke og prøve å forutsi solslynghendelser på jernbanen ved hjelp av maskinlæring. Solslyng oppstår når temperaturen i stålet i jernbaneskinnene blir så høy at de ”knekker ut” til siden. Dette kan forårsake ristinger og ubehag for passasjerer på tog i beste fall. I verste fall kan det føre til togavsporinger og ulykker. Maskinlæring handler om å bruke ulike algoritmer til bruke kjent informasjon til å forutsi ny og ukjent informasjon. Det vil være til stor nytte for Bane NOR om det gikk an å varsle solslynghendelser før de skjer, noe som vil spare dem og det norske samfunnet for mye penger og kanskje unngå at menneskeliv går tapt.

Det ble ikke kommet fram til maskinlæringsmodeller som er gode nok til å kunne brukes i praksis til å predikere solslyng.

Oppgaven kan sies å være tredelt, der den første delen handler om datainnsamling, den neste om bearbeiding og utforsking av dataene som er funnet og den siste delen bruke maskinlæring til å predikere solslyng. Oppgaven er avgrenset til å undersøke solslyng på Gjøvik-banen, Roa-Hønefossbanen og Hovedbanen mellom Oslo S og Lillestrøm for sommerhalvårene 2017 og 2018. Dette utgjør 55 solslyng å 167 kilometer med jernbane over 366 dager.

På datainnsamlingsdelen ble det samlet inn og bearbeidet så mye data som mulig som kunne tenkes å ha innvirkning på risikoen for solslyng. Dette gjaldt blant annet vedlikehold og komponenter på jernbanen som har påvirkning på den sidevegs stivheten i sporgeometrien. Det ble også samlet inn og laget geografiske data, som blant annet radius i svingene på jernbanen og hvor mye solinnstråling som slipper til på de ulike delene av jernbanen i forhold til vegetasjon, bygninger og terreng. I tillegg er det samlet inn værdata som temperatur, nedbør, vindhastighet og skydekke.

I bearbeidingen og utforskingen av de innsamlede dataene ble det undersøkt om de ulike variablene som var laget kunne skille solslyng-tilfeller fra tilfeller hvor det ikke var solslyng. Det ble også brukt prinsipalkomponentanalyse for å undersøke om prinsipalkomponentene kunne skille ut solslyngene. Både ut fra variablene og ut fra prinsipalkomponentene ser det ut som at det er full overlapp mellom solslyngtilfellene og ikke-solslyngtilfellene.

Det ble testet ut 5 ulike maskinlæringsalgoritmer med ulike parametere. Disse var Random Forest, logistisk regresjon, Support Vector Classification (SVC), Multi-Layer Neural Network og Recurrent Neural Network. I tillegg ble det gjort et forsøk med anomali-deteksjon med Isolation Forest. De beste resultatene ble oppnådd med Multi-Layer Neural Network-modell med en test F1-score på 0.04. Ved testing av denne modellen klarte den å finne 4 av 17 solslyngtilfeller, mens 263 ikke-solslyngtilfeller ble feilaktig klassifisert som solslyng. Dette sier seg selv at ikke er bra nok til å kunne brukes i praksis.

Oppgaven avsluttes med et kapittel med anbefalinger på hvordan denne oppgavens problemstilling kan utforskes videre, på bakgrunn av de erfaringene og den kunnskapen som har blitt tilegnet gjennom arbeidet med denne oppgaven.