Neural Approaches to Prognostics and Health Management of Rolling Stock

Abstract

El transport ferroviari es una solució de mobilitat que ha de ser alhora fiable i segura. Amb aquesta finalitat, el manteniment predictiu se centra en aplicar la ciència de dades per a maximitzar la disponibilitat dels actius de material rodant. Això porta a modelar la seva degradació per a minimitzar el temps d’inactivitat mitjançant la prevenció de fallades que afecten el servei. En aquesta línia de valor afegit, la Intel·ligència Artificial (IA) i l’Aprenentatge Automàtic (AA) han demostrat ser tècniques efectives per a extreure patrons latents de comportament a partir de les dades disponibles. Aquesta tesi posa l’èmfasi en l’Aprenentatge Profund, que és l’estat de l’art en la recerca de xarxes neuronals com a paradigma líder en IA i AA. A més, l’abast del treball s’emmarca en el context industrial multinacional d’Alstom, que opera en els principals mercats ferroviaris a nivell mundial, amb presència en els camps del transport de passatgers, senyalització i locomotores. La tesi pretén ser un treball de referència a Alstom en l’àmbit del manteniment predictiu del material rodant, especialment mitjançant l’ús de xarxes neuronals profundes per al desenvolupament de solucions de manteniment avançades que siguin fiables i efectives. Per a tal finalitat, s’han considerat diferents entorns amb tipus de dades mixtes, es a dir, amb variables contínues i discretes, i diferents objectius predictius com la diagnosi i la prognosi. Com a resultat d’aquesta investigació, s’han publicat tres articles en revistes indexades (a mes d’algunes ponències en congressos).

El transporte ferroviario es una solución de movilidad que debe ser a la vez fiable y segura. A tal fin, el mantenimiento predictivo se centra en aplicar la ciencia de datos para maximizar la disponibilidad de los activos de material rodante. Esto lleva a moldear su degradación para minimizar el tiempo de inactividad mediante la prevención de fallos que afectan al servicio. En esta línea de valor añadido, la Inteligencia Artificial (IA) y el Aprendizaje Automático (AA) han demostrado ser técnicas efectivas para extraer patrones latentes de comportamiento a partir de los datos disponibles. Esta tesis pone el énfasis en el Aprendizaje Profundo, que es el estado del arte en la investigación de redes neuronales como paradigma líder en IA y AA. Además, el alcance del trabajo se enmarca en el contexto industrial multinacional de Alstom, que opera en los principales mercados ferroviarios a nivel mundial, con presencia en los campos del transporte de pasajeros, señalización y locomotoras. La tesis pretende ser un trabajo de referencia en Alstom en el ámbito del mantenimiento predictivo del material rodante, especialmente mediante el uso de redes neuronales profundas para el desarrollo de soluciones de mantenimiento avanzadas que sean fiables y efectivas. Para tal fin, se han considerado diferentes entornos con tipos de datos mixtos, es decir, con variables continuas y discretas, y diferentes objetivos predictivos como la diagnosis y la prognosis. Como resultado de esta investigación, se han publicado tres artículos en revistas indexadas (además de algunas ponencias en congresos).

Railway transportation is a mobility solution that must be both reliable and safe. To this end, the technical field of predictive maintenance focuses on applying data science to maximize the availability of rolling stock assets. This leads to modeling their degradation and minimizing their downtime by preventing service-affecting failures. To this end, Artificial Intelligence (AI) and Machine Learning have proven to be effective techniques for extracting latent patterns from the available data. This dissertation puts the emphasis on Deep Learning, which is the state of the art in neural network research as the leading paradigm in AI and Machine Learning. Additionally, the scope of the work is framed in the multinational industrial context of Alstom, operating worldwide in rail markets, and active in the fields of passenger transportation, signaling and locomotives. The thesis is intended to be an expert reference work at Alstom in the area of predictive maintenance for rolling stock, especially through the use of neural networks for developing advanced maintenance solutions that are reliable and cost-effective. To this end, different environments have been considered, including mixed data types, i.e., continuous and discrete variables, and different predictive objectives such as diagnosis and prognosis. As a result of this research, three journal articles have been published (in addition to some conference papers).