Digitalisering och optimering av spårinfrastruktur

Viktiga resultat som projektet gav

I projektet har möjligheten att implementera, för metrologin, nya analysmetoder av tidsserier undersökts. Wavelet-transformen används för brusreducering och är anpassad för icke-stationära tidsserier. Med löpande insamling av mätdata kan en detaljerad digital spårprofil byggas upp efterhand tack vare analys av samstämmigheten mellan tidsserier genom dynamic time warping (DTW).

Långsiktiga effekter som förväntas

Projektet har samlat in och analyserat accelerometerdata. Förutom RISE-intern kunskapsutveckling kring tidsserieanalys och accelerometerdata har även en algoritm byggts för brusreducering av icke-stationära tidsserier genom wavelet-transform och ett sätt att studera samstämmigheten mellan tidsserier samt aggregering av dessa genom dynamic time warping. Algoritmen torde lämpa sig bra för analys av data insamlat i reguljär tågtrafik och kan ses som det främsta resultatet av projektet.

Upplägg och genomförande

Datainsamling gjordes genom att föra släden på krockbanan fram och tillbaka över två stycken sprickset, om tre sprickor vardera, och samtidigt logga accelerometerdata. Släden förflyttades utmed rälsen med önskad hastighet. Algoritmen för tidsserieanalys utför brusreducering med wavelet-transformen och tidsseriematchning och aggregering med dynamic time warping. Algoritmen är skriven i Python 3 och förutom standardbiblioteken har Pandas, NumPy, Matplotlib, SciPy och PyWavelets används.