A data-driven approach to condition-based maintenance in the railway industry based on the implementation of data mining techniques

Abstract

[ES] El CBM es una estrategia de mantenimiento que se centra en el monitoreo de la salud de un sistema y realizando mantenimiento solo cuando sea necesario, en lugar de basarse en un cronograma fijo. El objetivo principal de este proyecto es demostrar la eficacia de los enfoques basados en datos para promover el CBM y mejorar la eficiencia y seguridad general de las operaciones ferroviarias.

Para lograr este objetivo, se analizarán y detectarán anomalías en varios sistemas de trenes utilizando los modelos de aprendizaje automático mencionados. También se explorará la integración de técnicas de minería de procesos con enfoques de aprendizaje automático para el CBM en la industria ferroviaria.

En este proyecto se investigará el potencial de varios modelos de aprendizaje automático supervisados y no supervisados, incluyendo PCA, PLS, árboles de decisión, KNN, SVM o Naive Bayes entre otros, para el Mantenimiento Basado en la Condición (CBM) en el sector ferroviario.

Los resultados esperados de este proyecto incluyen la identificación de factores críticos que afectan el rendimiento de los sistemas de trenes, la detección precisa de anomalías y la predicción de fallos antes de que ocurran, lo que llevará a una reducción en el tiempo de inactividad y una mayor seguridad en las operaciones ferroviarias.

En última instancia, este proyecto tiene como objetivo proporcionar información valiosa para mejorar las prácticas de mantenimiento en la industria ferroviaria y aumentar la eficiencia y seguridad general de las operaciones ferroviarias.

[EN] In recent years, the railway industry has shown growing interest in using machine learning techniques to improve the maintenance and safety of train systems. In this project, we investigated the potential of several supervised and unsupervised machine learning models, including Principal Component Analysis (PCA), Partial Least Squares (PLS), and Support Vector Machines (SVM), for Condition-Based Maintenance (CBM) in the railway sector. CBM is a maintenance strategy that focuses on monitoring the health of a system and performing maintenance only when necessary, rather than on a fixed schedule.

By analyzing and detecting anomalies in various train systems using these models, we demonstrate the effectiveness of data-driven approaches in promoting CBM and enhancing the overall efficiency and safety of railway operations. Our results show that these models can extract valuable insights from data and identify critical factors that impact the performance of train systems. Moreover, we show that these methods can accurately detect anomalies and predict failures before they occur leading to a reduction in downtime.

Furthermore, a promising area for future research is the integration of process mining techniques with machine learning approaches for CBM in the railway industry. By doing so, it may be possible to gain valuable insights into the maintenance activities performed and their effectiveness, leading to improved maintenance practices and enhanced safety.