1. Prediction of train wheels' fitness to drive via neural network
- Author
-
Mühlbacher, Jan
- Subjects
Neuronales Netzwerk ,TensorFlow ,neural network ,ÖBB ,Python ,Keras - Abstract
Der Versuch, den Radverschleiß von Zügen vorherzusagen, ist bis heute keine leichte Aufgabe. Mit den von den ÖBB zur Verfügung gestellten Daten wird in dieser Arbeit versucht, ein neuronales Netzwerk zu bauen, welches den Verschleiß der Räder auf einer bestimmten Strecke genau vorhersagen kann. Mit den gegebenen Daten wurden bereits Regressionsmodelle erstellt, die genau dieses Problem angehen. Es wird davon ausgegangen, dass diese Modelle bereits die beste Vorhersagekraft haben. Nichtsdestotrotz wurden große Anstrengungen unternommen, um ein Netzwerk zu entwickeln, das diese Modelle zu übertreffen versucht. Ein endgültiges neuronales Netz wird in Python mit TensorFlow und Keras erstellt. Es verwendet einen versteckten, einen Dropout- und zwei Batch-Normalisierungs-Layer. Es wurden insgesamt 213 Testläufe durchgeführt. Mit jedem Test wurden der Scheduler und die Netzwerkkonfiguration verbessert. Vier ähnliche Forschungsarbeiten wurden als Referenzpunkte für die Konstruktion verwendet. Bestimmte Parameter, wie z. B. die Radkranzbreite, kamen der Fehlerspanne der Regressionsmodelle sehr nahe. Sie erreichten oder überschritten sie jedoch zu keinem Zeitpunkt. Dies bestätigt die Hypothese, dass es mit den gegebenen Daten nicht möglich ist, eine bessere Vorhersagekraft zu erzielen, als die Regressionsmodelle erreichten. Mit qualitativ hochwertigeren Daten, die ein breiteres Spektrum von Variablen umfassen (wie Wetter, Temperatur, Gleisbedingungen, Fahrgastanzahl usw.), könnten wahrscheinlich bessere Ergebnisse erzielt werden. Eine andere Interpretation ist, dass sich der Einsatz anderer Modelle (wie z. B. Entscheidungsbäume) für die Vorhersage des Verschleißes mit den vorhandenen Daten besser eignen könnte. Trying to predict wheel wear on trains is still no easy task to date. With the provided data from ÖBB, this work tries to build a neural network, that can accurately predict the wear of the wheels on a given track. With the given data, regression models have already been created, that tackle this exact problem. It is hypothesized, that these models already have the best prediction power. Nonetheless, great effort has been put into creating a network, that tried to surpass them. A final neural network is created in Python with TensorFlow and Keras. It utilizes one hidden, one drop out and two batch normalization layers. There were 213 total test runs performed. With each test, the scheduler and network configuration was improved upon. Four similar research papers were used as reference points for the construction. Certain parameters, such as the wheel rim width, came really close to the error margin of the regression models. Yet, they never reached or exceeded them. This proves the hypotheses that with the given data, it is not possible to get better prediction power, than the regression models achieved. With more high quality data, that encapsulates a wider range of variables (such as the weather, temperature, rail conditions, passenger number, etc.), it would probably be possible to achieve better results. Another interpretation is that the deployment of different model (such as decision trees) could lend themselves more useful for prediction wear with the existing data. submitted by: Jan Mühlbacher Bachelorarbeit FH JOANNEUM 2022
- Published
- 2022