Bảo trì dự đoán thiết bị đếm trục của hệ thống tín hiệu điều khiển chạy tàu đường sắt đô thị bằng phương pháp học sâu
Email:
ndviet@utc.edu.vn
Từ khóa:
thiết bị đếm trục, bảo trì dự đoán, chỉ số sức khỏe, LSTM, tín hiệu đường sắt đô thị, RAMS.
Tóm tắt
Thiết bị đếm trục (TBĐT) là một thành phần an toàn quan trọng của hệ thống tín hiệu điều khiển chạy tàu đường sắt đô thị. Công tác bảo trì TBĐT hiện nay chủ yếu dựa trên bảo trì khắc phục sau hư hỏng hoặc bảo trì định kỳ theo kế hoạch, chưa dự báo trạng thái suy giảm trước khi xảy ra lỗi, dẫn đến giảm tính sẵn sàng của hệ thống. Bài báo đề xuất một phương pháp bảo trì dự đoán cho TBĐT dựa trên học sâu, được tích hợp trong khung phương pháp luận RAMS. Nghiên cứu xây dựng mô hình dữ liệu đa nguồn, hình thành chỉ số sức khỏe HI đại diện cho trạng thái kỹ thuật của TBĐT theo thời gian. Chỉ số HI được sử dụng làm biến trạng thái đầu vào cho mô hình mạng nơ-ron hồi tiếp LSTM nhằm dự báo xu hướng suy giảm của TBĐT. Khả năng áp dụng của phương pháp được kiểm chứng trên bộ dữ liệu mô phỏng tương thích với dữ liệu thực tế. Kết quả cho thấy mô hình LSTM dự báo xu hướng suy giảm của HI với sai số nhỏ. Phương pháp đề xuất cho thấy tiềm năng trong việc hỗ trợ lập kế hoạch bảo trì chủ động, giảm thời gian gián đoạn và nâng cao tính sẵn sàng của hệ thống tín hiệu đường sắt đô thị mà không ảnh hưởng đến các ràng buộc an toàn.Tài liệu tham khảo
[1]. European Committee for Standardization (CEN), EN 50126-1:2017 + A1:2022, Railway Applications – The Specification and Demonstration of Reliability, Availability, Maintainability and Safety (RAMS) – Part 1: Generic RAMS Process, Brussels, Belgium, 2017 (amended 2022).
[2]. International Electrotechnical Commission (IEC), IEC 62290-1:2014, Railway Applications – Urban Guided Transport Management and Command/Control Systems – Part 1: System Principles and Fundamental Concepts, Geneva, Switzerland, 2014.
[3]. M. Binder, V. Mezhuyev, M. Tschandl. Predictive Maintenance for Railway Domain: A Systematic Literature Review. IEEE Engineering Management Review, 51 (2023) 1-18. doi:10.1109/EMR.2023.3262282.
[4]. Research Designs and Standards Organisation (RDSO), Indian Railways, Functional Requirement Specification of RDPMS, Document No. RDSO/RDPMS/FRS/2025, 2025.
[5]. Indian Railways, Handbook on Predictive Maintenance Practices of Signalling Assets, Railway Board / CAMTECH, Gwalior, 2025.
[6]. J. Yuan, P. Chu, C. Huang, Z. Shen, and Y. Yu, Study of health degree assessment and prediction for axle counter equipment in urban rail transit, in Mechanical Design and Simulation: Exploring Innovations for the Future, D. T. Pham, Y. Lei, and Y. Lou, Eds., Lecture Notes in Mechanical Engineering, Springer Singapore, (2025) 1021–1029. https://doi.org/10.1007/978-981-97-7887-4_89.
[7]. M. Kornaszewski, W. Nowakowski, R. Pniewski, System for the Acquisition and Analysis of Maintenance Data of Railway Traffic Control Devices, Applied Sciences, 15 (2025) 8305. https://doi.org/10.3390/app15158305.
[8]. L. Shi, Y. Zhu, Y. Zhang, and Z. Su, Fault Diagnosis of Signal Equipment on the Lanzhou-Xinjiang High-Speed Railway Using Machine Learning for Natural Language Processing, Complexity, 2021 (2021) 1–13. https://doi.org/10.1155/2021/9126745.
[9]. Frauscher Sensor Technology, Frauscher Insights – Data Platform for Diagnostic and Maintenance in Successful Railway Operations. https://www.frauscher.com/en/services/frauscher-insights, truy cập ngày 01/04/2026.
[10]. Electrans, E-AC-214-PLUS – High-Performance Axle Counter System. https://electrans.com/en/products/signalling/axle-counters/e-ac-214-plus, truy cập ngày 01/04/2026.
[11]. Z. A. Bukhsh, A. Saeed, I. Stipanovic, and A. G. Doree, Predictive Maintenance Using Tree-Based Classification Techniques: A Case of Railway Switches, Transportation Research Part C: Emerging Technologies, 101 (2019) 35–54. https://doi.org/10.1016/j.trc.2019.02.001.
[12]. D. Mukherjee, E. Di Santi, C. Lefebvre, N. Mijatovic, V. Martin, T. Josse, J. Brown, and K. Saiah, CVCM Track Circuits Pre-emptive Failure Diagnostics for Predictive Maintenance Using Deep Neural Networks, 2025, arXiv preprint arXiv:2508.09054. Available: https://arxiv.org/abs/2508.09054v1.
[13]. A. Morant, P.-O. Larsson-Kraik, and U. Kumar, Data-driven Model for Maintenance Decision Support: A Case Study of Railway Signalling Systems, Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 230 (2016) 220-234. https://doi.org/10.1177/0954409714533680
[14]. P. Agrawal, “The Power of Big Data: Smart Maintenance Using Data Analytics,” Global Railway Review, 2021. Available: https://www.globalrailwayreview.com/article/113415/big-data-smart-maintenance-data-analytics, truy cập ngày 01/04/2026.
[2]. International Electrotechnical Commission (IEC), IEC 62290-1:2014, Railway Applications – Urban Guided Transport Management and Command/Control Systems – Part 1: System Principles and Fundamental Concepts, Geneva, Switzerland, 2014.
[3]. M. Binder, V. Mezhuyev, M. Tschandl. Predictive Maintenance for Railway Domain: A Systematic Literature Review. IEEE Engineering Management Review, 51 (2023) 1-18. doi:10.1109/EMR.2023.3262282.
[4]. Research Designs and Standards Organisation (RDSO), Indian Railways, Functional Requirement Specification of RDPMS, Document No. RDSO/RDPMS/FRS/2025, 2025.
[5]. Indian Railways, Handbook on Predictive Maintenance Practices of Signalling Assets, Railway Board / CAMTECH, Gwalior, 2025.
[6]. J. Yuan, P. Chu, C. Huang, Z. Shen, and Y. Yu, Study of health degree assessment and prediction for axle counter equipment in urban rail transit, in Mechanical Design and Simulation: Exploring Innovations for the Future, D. T. Pham, Y. Lei, and Y. Lou, Eds., Lecture Notes in Mechanical Engineering, Springer Singapore, (2025) 1021–1029. https://doi.org/10.1007/978-981-97-7887-4_89.
[7]. M. Kornaszewski, W. Nowakowski, R. Pniewski, System for the Acquisition and Analysis of Maintenance Data of Railway Traffic Control Devices, Applied Sciences, 15 (2025) 8305. https://doi.org/10.3390/app15158305.
[8]. L. Shi, Y. Zhu, Y. Zhang, and Z. Su, Fault Diagnosis of Signal Equipment on the Lanzhou-Xinjiang High-Speed Railway Using Machine Learning for Natural Language Processing, Complexity, 2021 (2021) 1–13. https://doi.org/10.1155/2021/9126745.
[9]. Frauscher Sensor Technology, Frauscher Insights – Data Platform for Diagnostic and Maintenance in Successful Railway Operations. https://www.frauscher.com/en/services/frauscher-insights, truy cập ngày 01/04/2026.
[10]. Electrans, E-AC-214-PLUS – High-Performance Axle Counter System. https://electrans.com/en/products/signalling/axle-counters/e-ac-214-plus, truy cập ngày 01/04/2026.
[11]. Z. A. Bukhsh, A. Saeed, I. Stipanovic, and A. G. Doree, Predictive Maintenance Using Tree-Based Classification Techniques: A Case of Railway Switches, Transportation Research Part C: Emerging Technologies, 101 (2019) 35–54. https://doi.org/10.1016/j.trc.2019.02.001.
[12]. D. Mukherjee, E. Di Santi, C. Lefebvre, N. Mijatovic, V. Martin, T. Josse, J. Brown, and K. Saiah, CVCM Track Circuits Pre-emptive Failure Diagnostics for Predictive Maintenance Using Deep Neural Networks, 2025, arXiv preprint arXiv:2508.09054. Available: https://arxiv.org/abs/2508.09054v1.
[13]. A. Morant, P.-O. Larsson-Kraik, and U. Kumar, Data-driven Model for Maintenance Decision Support: A Case Study of Railway Signalling Systems, Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 230 (2016) 220-234. https://doi.org/10.1177/0954409714533680
[14]. P. Agrawal, “The Power of Big Data: Smart Maintenance Using Data Analytics,” Global Railway Review, 2021. Available: https://www.globalrailwayreview.com/article/113415/big-data-smart-maintenance-data-analytics, truy cập ngày 01/04/2026.
Tải xuống
Chưa có dữ liệu thống kê
Nhận bài
21/12/2025
Nhận bài sửa
28/02/2026
Chấp nhận đăng
19/03/2026
Xuất bản
15/04/2026
Chuyên mục
Công trình khoa học
Kiểu trích dẫn
Nguyễn Duy, V. (1776186000). Bảo trì dự đoán thiết bị đếm trục của hệ thống tín hiệu điều khiển chạy tàu đường sắt đô thị bằng phương pháp học sâu. Tạp Chí Khoa Học Giao Thông Vận Tải, 77(3), 282-296. https://doi.org/10.47869/tcsj.77.3.5
