Virtual Axle Detector based on Analysis of Bridge Acceleration Measurements by Fully Convolutional Network

要約

Bridge Weigh-In-Motion（BWIM）方式の実際のアプリケーションでは、ほとんどの場合、車両の通過中の車輪または車軸の位置が前提条件です。
従来の車軸検出器とブリッジタイプ固有の方法の使用を回避するために、ブリッジの任意のポイントに加速度計を配置することにより、車軸検出の新しい方法を提案します。
可能な限り単純で理解しやすいモデルを開発するために、車軸検出タスクは、回帰問題ではなく、バイナリ分類問題として実装されます。
このモデルは、連続ウェーブレット変換の形式で信号を処理するための完全畳み込みネットワークとして実装されています。
これにより、1回の評価で複数のスケールを利用しながら、任意の長さのパッセージを1つのステップで最大の効率で処理できます。
これにより、特定の構造タイプの橋に限定されることなく、仮想車軸検出器（VAD）として機能する橋構造の任意の場所で加速度信号を使用できるようになります。
提案手法を検証するために、長距離交通線の鋼製トラフ鉄道橋に記録された3787本の列車の通路を分析した。
測定データの結果は、モデルが軸の95％を検出することを示しています。したがって、これまで見えなかった134,800本の車軸のうち128,599本が正しく検出されました。
合計で、車軸の90％は、最大空間誤差20cm、最大速度$ v _ {\ mathrm {max}} = 56,3〜\ mathrm {m /s}$で検出できます。
分析によると、私たちが開発したモデルは、実際の動作条件下でも加速度計をVADとして使用できます。

要約(オリジナル)

In the practical application of the Bridge Weigh-In-Motion (BWIM) methods, the position of the wheels or axles during the passage of a vehicle is in most cases a prerequisite. To avoid the use of conventional axle detectors and bridge type specific methods, we propose a novel method for axle detection through the placement of accelerometers at any point of a bridge. In order to develop a model that is as simple and comprehensible as possible, the axle detection task is implemented as a binary classification problem instead of a regression problem. The model is implemented as a Fully Convolutional Network to process signals in the form of Continuous Wavelet Transforms. This allows passages of any length to be processed in a single step with maximum efficiency while utilising multiple scales in a single evaluation. This enables our method to use acceleration signals at any location of the bridge structure serving as Virtual Axle Detectors (VADs) without being limited to specific structural types of bridges. To test the proposed method, we analysed 3787 train passages recorded on a steel trough railway bridge of a long-distance traffic line. Our results on the measurement data show that our model detects 95% of the axes, thus, 128,599 of 134,800 previously unseen axles were correctly detected. In total, 90% of the axles can be detected with a maximum spatial error of 20cm, with a maximum velocity of $v_{\mathrm{max}}=56,3~\mathrm{m/s}$. The analysis shows that our developed model can use accelerometers as VADs even under real operating conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google