PRACA ORYGINALNA
Application of 1D convolutional neural networks for anomaly detection in resistance measurements of railway wheelsets
1
Łukasiewicz Research Network – Poznań Institute of Technology, Polska
2
Poznan University of Technology, Politechnika Poznańska, Polska
Data nadesłania: 13-06-2025
Data ostatniej rewizji: 19-08-2025
Data akceptacji: 28-08-2025
Data publikacji online: 27-09-2025
Data publikacji: 27-09-2025
Autor do korespondencji
Tomasz Paweł Olejniczak
Łukasiewicz Research Network – Poznań Institute of Technology, Łukasiewicz Research Network – Poznań Institute of Technology, Ewarysta Estkowskiego 6, 61-755, Poznań, Polska
Łukasiewicz Research Network – Poznań Institute of Technology, Łukasiewicz Research Network – Poznań Institute of Technology, Ewarysta Estkowskiego 6, 61-755, Poznań, Polska
Rail Vehicles/Pojazdy Szynowe 2025,1-2,27-31
SŁOWA KLUCZOWE
DZIEDZINY
STRESZCZENIE
The article presents the application of convolutional neural networks (CNN) for the classification of electrical resistance measurements of railway wheelsets. The aim of the study was to develop a model capable of automatically detecting incorrect measurement results based on data obtained from various measurement configurations. The training process used experimental data collected under real-world conditions. The developed model achieved high classification accuracy and was tested on variable-length data. The study demonstrates that CNN-based methods can be effectively applied in the diagnostics of measurement systems.
REFERENCJE (15)
1.
Choi J-Y, Han J-M. Deep learning (Fast R-CNN)-based evaluation of rail surface defects. Appl Sci. 2024;14(5):1874. https://doi.org/10.3390/app140....
2.
Hardwick C, Lewis S, Lewis R. The effect of friction modifiers on wheel/rail isolation at low axle loads. P I Mech Eng F-J Rai. 2014;228(7):768-783. https://doi.org/10.1177/095440....
3.
Jwo J-S, Lin C-S, Lee C-H, Zhang L, Huang S-M. Intelligent system for railway wheelset press-fit inspection using deep learning. Appl Sci. 2021;11(17):8243. https://doi.org/10.3390/app111....
4.
Li H, Wang H, Xie Z, He M. Fault diagnosis of railway freight car wheelset based on deep belief network and cuckoo search algorithm. P I Mech Eng F-J Rai. 2021;236(5):501-510. https://doi.org/10.1177/095440....
5.
Liu S, Wang Q, Luo Y, A review of applications of visual inspection technology based on image processing in the railway industry. Transportation Safety and Environment. 2019;1(3):185-204. https://doi.org/10.1093/tse/td....
6.
Mosleh A, Montenegro PA, Costa PA, Calçada R. Railway vehicle wheel flat detection with multiple records using spectral kurtosis analysis. Appl Sci. 2021;11(9):4002. https://doi.org/10.3390/app110....
7.
Mohammadi S, Sattarpanah Karganroudi S, Adda M, Ibrahim H. Rail defect classification with deep learning method. Green Energy and Intelligent Transportation. 2025;100332. https://doi.org/10.1016/j.geit....
8.
Namoano B, Emmanouilidis C, Starr A. Detecting wheel slip from railway operational data through a combined wavelet, long short-term memory and neural network classification method. Eng Appl Artif Intel. 2024;137(Part B):109173. https://doi.org/10.1016/j.enga....
9.
Peng D, Liu Z, Wang H, Qin Y, Jia L. A novel deeper one-dimensional CNN with residual learning for fault diagnosis of wheelset bearings in high-speed trains. IEEE Access. 2019;7:10278-10293. https://doi.org/10.1109/ACCESS....
10.
Shafique R, Siddiqui H-U-R, Rustam F, Ullah S, Siddique MA, Lee E et al. A novel approach to railway track faults detection using acoustic analysis. Sensors. 2021;21(18):6221. https://doi.org/10.3390/s21186....
11.
Shaikh K, Hussain I, Chowdhry BS. Wheel defect detection using a hybrid deep learning approach. Sensors. 2023;23(14):6248. https://doi.org/10.3390/s23146....
12.
Wang H, Li M, Wan Z. Rail surface defect detection based on improved mask R-CNN. Comput Electr Eng. 2022;102:108269. https://doi.org/10.1016/j.comp....
13.
Wu P, Zhang F, Wang J, Wei L, Huo W. Review of wheel-rail forces measuring technology for railway vehicles. Adv Mech Eng. 2023;15(3):1-15. https://doi.org/10.1177/168781....
14.
Ye Y, Huang P, Zhang Y. Deep learning-based fault diagnostic network of high-speed train secondary suspension systems for immunity to track irregularities and wheel wear. Rail Eng Science. 2022;30:96-116. https://doi.org/10.1007/s40534....
15.
Zhang Z-F, Gao Z, Liu Y-Y, Jiang F-C, Yang Y-L, Ren Y-F et al. Computer vision based method and system for online measurement of geometric parameters of train wheel sets. Sensors. 2012;12(1):334-346. https://doi.org/10.3390/s12010....
Udostępnij
ARTYKUŁ POWIĄZANY
| eISSN: | 2719-9630 |
| ISSN: | 0138-0370 |
Przetwarzamy dane osobowe zbierane podczas odwiedzania serwisu. Realizacja funkcji pozyskiwania informacji o użytkownikach i ich zachowaniu odbywa się poprzez dobrowolnie wprowadzone w formularzach informacje oraz zapisywanie w urządzeniach końcowych plików cookies (tzw. ciasteczka). Dane, w tym pliki cookies, wykorzystywane są w celu realizacji usług, zapewnienia wygodnego korzystania ze strony oraz w celu monitorowania ruchu zgodnie z Polityką prywatności. Dane są także zbierane i przetwarzane przez narzędzie Google Analytics (więcej).
Możesz zmienić ustawienia cookies w swojej przeglądarce. Ograniczenie stosowania plików cookies w konfiguracji przeglądarki może wpłynąć na niektóre funkcjonalności dostępne na stronie.
Możesz zmienić ustawienia cookies w swojej przeglądarce. Ograniczenie stosowania plików cookies w konfiguracji przeglądarki może wpłynąć na niektóre funkcjonalności dostępne na stronie.
