Smart Media Journal (스마트미디어저널)

THE KOREAN INSTITUTE OF SMART MEDIA (한국스마트미디어학회)
권호 표지

Noise-Robust Anomaly Detection of Railway Point Machine using Modulation Technique

모듈레이션 기법을 이용한 잡음에 강인한 선로 전환기의 이상 상황 탐지

  • 이종욱 (고려대학교 컴퓨터융합소프트웨어학과) ;
  • 김아용 ((주)세화 부설연구소 연구개발팀) ;
  • 박대희 (고려대학교 컴퓨터융합소프트웨어학과) ;
  • 정용화 (고려대학교 컴퓨터융합소프트웨어학과)
  • Received : 2017.06.09
  • Accepted : 2017.11.16
  • Published : 2017.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

The railway point machine is an especially important component that changes the traveling direction of a train. Failure of the point machine may cause a serious railway accident. Therefore, early detection of failures is important for the management of railway condition monitoring systems. In this paper, we propose a noise-robust anomaly detection method in railway condition monitoring systems using sound data. First, we extract feature vectors from the spectrogram image of sound signals and convert it into modulation feature to ensure robust performance, and lastly, use the support vector machine (SVM) as an early anomaly detector of railway point machines. By the experimental results, we confirmed that the proposed method could detect the anomaly conditions of railway point machines with acceptable accuracy even under noisy conditions.

열차의 방향을 기존 방향에서 다른 방향으로 이동시키기 위한 변환 장치인 선로 전환기의 고장은 열차의 탈선 등을 유발시킬 수 있다. 따라서 열차운행의 안전 측면에서 해당 장비에 대한 모니터링은 필수 요소이다. 본 논문에서는 선로 전환기의 구동시 발생하는 소리 정보를 기반으로 잡음에도 강인한 선로 전환기의 이상 상황 탐지시스템을 제안한다. 먼저 제안한 시스템은 소리 센서에서 실시간으로 취득하는 소리 신호에 STFT(Short-Time Fourier Transform)를 적용하여 스펙트로그램을 취득한다. 실제 환경에서 발생하는 잡음의 영향에도 강인한 성능을 보장하기 위하여, 해당 스펙트로그램에 대한 전처리 과정을 수행 후 모듈화 한다. 각각의 모듈에서 평균값과 표준편차를 계산 및 조합하여 특징 벡터로 생성한 후 이진 분류에 뛰어난 성능이 확인된 SVM(Support Vector Machine)에 적용하여 이상 상황을 탐지한다. 실제 선로 전환기의 전환 시 발생하는 소리 데이터를 이용하여 모의실험을 수행한 결과, 제안한 시스템은 잡음이 발생하는 상황에서도 효과적으로 이상 상황을 탐지함을 확인하였다.

Keywords

References

  1. J. Lee, H. Choi, D. Park, Y. Chung, H.-Y. Kim, and S. Yoon, "Fault Detection and Diagnosis of Railway Point Machines by Sound Analysis," Sensors, vol. 16, no. 4, pp. 549, 2016. https://doi.org/10.3390/s16040549
  2. 이종현, 김용규, "센서를 활용한 전기선로전환기의 전환력 측정에 대한 연구," 한국철도학회논문지, 제18권, 제4호, 335-343쪽, 2015년 8월
  3. 이종현, 김용규, 박재영, "센서를 이용한 선로전환기 전환력 측정의 현장 적용성 연구", 전기학회논문지, 제64권, 제7호, 1130-1136쪽, 2015년 6월 https://doi.org/10.5370/KIEE.2015.64.7.1130
  4. 유광균, 노성찬, "분기기 고장 시 열차사고방지를 위한 안전시스템 모델링," 한국철도학회 2011년 추계학술대회, 724-730쪽, 2011년 10월
  5. R. Sharan and T. Moir, "Noise Robust Audio Surveillance using Reduced Spectrogram Image Feature and One-Against-All SVM," Neurocomputing, vol. 158, pp. 90-99, 2015. https://doi.org/10.1016/j.neucom.2015.02.001
  6. M. Vileiniskis, R. Remenyte-Prescott, and D. Rama, "A Fault Detection Method for Railway Point Systems," Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, vol. 230, no. 3, pp. 1-14. 2015.
  7. T. Asada, C. Roberts, and T. Koseki, "An Algorithm for Improved Performance of Railway Condition Monitoring Equipment: Alternating-Current Point Machine Case Study," Transportation Research Part C: Emerging Technologies, vol. 30, pp. 81-92. 2013. https://doi.org/10.1016/j.trc.2013.01.008
  8. T. Asada and C. Roberts, "Improving the Dependability of DC Point Machines with a Novel Condition Monitoring System," Proceedings of the Institution of Mechanical Engineers, Part F: Journal of rail and rapid transit, vol. 227, no. 4, pp. 322-332, 2013. https://doi.org/10.1177/0954409713481748
  9. H. Kim, J. Sa, Y. Chung, D. Park, and S. Yoon, "Fault Diagnosis of Railway Point Machines using Dynamic Time Warping," Electronics Letters, vol. 52, no. 10, pp. 818-819, 2016. https://doi.org/10.1049/el.2016.0206
  10. O. Eker, F. Camci, and U. Kumar, "SVM based Diagnostics on Railway Turnouts," International Journal of Performability Engineering, vol. 8, no. 3, pp. 289-398, 2012.
  11. H. J. Hsieh, B. Chen, and J. W. Hung, "Enhancing the Complex-Valued Acoustic Spectrograms in Modulation Domain for Creating Noise-Robust Features in Speech Recognition," Proc. of Asia-Pacific Signal and Information Processing Association (APSIPA), pp. 303-307, Dec. 2015.
  12. P. Khunarsal, C. Lursinsap, C., and T. Raicharoen, "Very Short Time Environmental Sound Classification based on Spectrogram Pattern Matching," Information Sciences, vol. 243, pp. 57-74, 2013. https://doi.org/10.1016/j.ins.2013.04.014
  13. J. Schroder, S. Goetze, and J. Anemuller, "Spectro-Temporal Gabor Filterbank Features for Acoustic Event Detection," IEEE/ACM Transactions on Audio, Speech and Language Processing, vol. 23, no. 12, pp. 2198-2208, 2015. https://doi.org/10.1109/TASLP.2015.2467964
  14. J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers, 2012.
  15. S. T. Trieu and G. S. Lee, "Machine Printed and Handwritten Text Discrimination in Korean Document Images," 한국스마트미디어학회논문지, 제5권, 제3호, 30-34쪽, 2016년 9월
  16. H. Kim, S. Lee, Y. Chung, D. Park, and H. Lee, "Multicore Processor based Parallel SVM for Video Surveillance System," Journal of the Korea Institute of Information Security and Cryptology, vol. 21, no. 6, pp. 161-169, 2011.
  17. Meyer, D. Support vector machines: The interface to libsvm in package e1071, 2014.