Dacă privim istoria de acum 200 de ani a căilor ferate, nimeni nu le poate contesta forța motrică uriașă prin care au modelat societatea într-un mod remarcabil. Căile ferate au fost nu doar simple mijloace de transport, ci și adevărate motoare ale progreselor de natură tehnologică și economică.
Când a fost construită prima cale ferată? Deși nu putem stabili cu exactitate o dată precisă, putem afirma cu încredere că șinele au fost utilizate cu secole în urmă pentru a ghida diverse vehicule. Istoria căii ferate este strâns legată de civilizație. Oamenii, prin creativitatea cu care au fost înzestrați, au căutat întotdeauna modalități inovatoare de a transporta mărfuri cu efort minim.
În era modernă, transportul feroviar continuă să fie unul dintre cele mai durabile și ecologice moduri de transport, atât pentru călătoriile publice, cât și pentru transportul comercial. Pentru a asigura o eficiență economică optimă, este esențial ca infrastructura feroviară să îndeplinească anumite cerințe fundamentale. Aceste cerințe sunt strâns legate de patru principii de bază care stau la baza transportului feroviar: siguranța, confortul, sustenabilitatea și eficiența costurilor.
Una dintre provocările esențiale în acest domeniu este monitorizarea și menținerea parametrilor geometrici ai căii ferate în limitele admise, precum și efectuarea lucrărilor de întreținere necesare. Scopul este de a asigura o calitate constantă a infrastructurii feroviare, astfel încât să se poată menține vitezele de circulație pentru care a fost proiectată linia de cale ferată. Evaluarea precisă a parametrilor geometrici ai căii ferate reprezintă o preocupare majoră pentru unitățile de mentenanță din toate administrațiile feroviare [1].
Deși există diverse echipamente și tehnologii specializate disponibile pe piață pentru măsurarea parametrilor geometrici ai căii ferate, cum ar fi automotoarele de diagnoză a căii sau vagoanele de măsurat calea, acestea nu sunt întotdeauna accesibile pentru toți operatorii (din cauza costurilor foarte mari). În plus, având în vedere că aceste echipamente deservesc în principal rețele feroviare extinse, frecvența lor de măsurare pe anumite linii este limitată, ceea ce afectează direct planificarea proceselor de mentenanță. Motivul preferinței pentru aceste vehicule de diagnoză în defavoarea altor dispozitive manuale este capacitatea lor de a reproduce efectele dinamice ale vehiculelor care circulă pe calea ferată. În mod ideal, toți parametrii geometrici ai căii ar trebui măsurați pe o cale ferată supusă la încărcări dinamice, cu o sarcină minimă pe roată de 25 kN și o rigiditate medie a liniei de 90 kN/mm pe șină.
În cadrul acestui articol, propunem o soluție inovatoare pentru a rezolva problema disponibilității echipamentelor specializate în măsurarea geometriei căii ferate. Metoda propusă este un proces de modernizare non-invazivă (retrofitting), susținută de tehnologiile IoT. Soluția constă în înregistrarea mișcărilor boghiurilor materialului rulant în timpul deplasării, pentru a calcula valorile parametrilor geometrici care definesc calitatea unei linii de cale ferată, cum ar fi nivelul longitudinal, direcția, supraînălțarea și torsiunea. Pentru a realiza acest lucru, echipamentul de măsurare este montat pe boghiul materialului rulant, iar parametrii geometrici ai căii pot fi determinați prin efectuarea unor calcule matematice pe baza datelor măsurate.
Principalul avantaj al metodei propuse constă în faptul că, prin instalarea echipamentului de măsurare, orice vehicul feroviar poate deveni o unitate de supraveghere. Acest lucru permite monitorizarea căii ferate cu o frecvență de până la câteva ore, în comparație cu metoda tradițională care implică utilizarea vehiculelor speciale de diagnoză și care, în general, se aplică cu o frecvență mult mai redusă (de exemplu, lunar sau trimestrial). Această îmbunătățire deschide noi oportunități pentru o monitorizare mai sofisticată și, în timp, poate facilita tranziția către o mentenanță predictivă.
De asemenea, când analizăm costurile, această metodă oferă o soluție mult mai eficientă. Prin integrarea elementelor tehnologiei IoT și a cloudului, sistemul de măsurare poate fi construit utilizând componente existente și accesibile pe piață. Prin aplicarea principiului retrofitting non-invaziv, sistemul de măsurare este considerat independent față de celelalte elemente ale materialului rulant.
Bazându-ne pe tehnologiile moderne oferite de IoT, edge- și cloud-computing putem defini sistemul de monitorizare pe trei nivele (Figura 1).
Nivelul de măsurare cuprinde totalitatea echipamentelor pentru înregistrarea mișcărilor (Motion Recorder Device - MRD) montate pe diferite vehicule feroviare în cadrul sistemului. Fiecare MRD este compus dintr-un senzor, sursă de energie bazată pe acumulator, interfețe de comunicare și un microprocesor pentru orchestrarea funcționalității.
Ca senzor, este folosită o unitate clasică de măsurare a inerției (Inertial Measurement Unit - IMU), care încapsulează un accelerometru, un giroscop și un magnetometru, toate măsurând pe trei axe de coordonate.
MRD-ul trebuie să fie proiectat ca să funcționeze independent de alimentare timp de 24 ore și trebuie să conțină și o unitate pentru gestionarea încărcării acumulatorului. Astfel, se poate folosi ca:
accesoriu de măsurare permanent conectat la o sursă de alimentare,
unitate demontabilă de măsurare independentă de sistemul electronic al vehiculului feroviar.
Măsurătorile nu sunt stocate local în MRD, ci fluxul de măsurători este transmis continuu printr-o comunicare fără fir la un concentrator de date. Astfel, MRD-ul trebuie să fie echipat cu o interfață de comunicare RF de performanță ridicată, compatibilă și cu mediul feroviar.
În cadrul sistemului, există un dispozitiv specializat numit Edge Device, care are responsabilitatea de a colecta măsurătorile de la MRD. Rolul acestui dispozitiv constă în recepționarea fluxului de măsurători de la MRD-ul local, stocarea temporară a datelor colectate, pre-procesarea și îmbogățirea acestor date, și în final, sincronizarea lor cu un serviciu cloud.
Arhitectura propusă presupune că fiecare vehicul feroviar este dotat cu un singur Edge Device și unul sau mai multe MRD-uri. Dacă MRD-ul este plasat în zona inferioară a echipamentului feroviar în apropierea roților, Edge Device-ul trebuie să fie montat pe o poziție expusă la semnal GPS și internet mobil ( de exemplu, 4G/5G). Ca rezultat, Edge Device-ul este capabil să atribuie la fiecare măsurătoare o poziție GPS, iar în momentul în care condițiile de conexiune permit, sincronizează măsurătorile în blocuri prin utilizarea serviciului cloud.
Sistemul de monitorizare este centralizat în cloud. Informația colectată de la diferite Edge Device-uri este stocată și procesată centralizat, folosind beneficiile oferite de serviciile din cloud computing. Flexibilitatea și scalabilitatea acestor servicii este compatibilă cu multiple domenii, de la companii private până la infrastructuri naționale.
Serviciul cloud prin modulul specializat (Data Backend) permite pentru Edge Device sincronizarea fragmentată a datelor stocate temporar și în condiții nefavorabile (de pildă, acoperire slabă cu întreruperi în timpul deplasării trenului). Ca destinație finală, datele sunt stocate în baze de date optimizate pentru fluxuri mari de date în cloud, care asigură scalabilitate și performanță ridicată pentru procesare și analiză.
Una dintre provocările tehnice majore ale metodologiei propuse constă în procesarea și transformarea măsurătorilor în date interpretabile în domeniul aplicat [2-6]. Pentru a realiza acest lucru, fluxurile de date colectate trebuie să treacă printr-o serie de operațiuni matematice complexe, care necesită o putere computațională considerabilă. Pentru a răspunde acestei provocări, soluția se găsește în utilizarea cloud computing, care oferă posibilitatea de a rula algoritmi de transformare folosind resurse scalabile.
Informațiile esențiale pentru operatorii de căi ferate sunt reprezentate sub formă de date transformate, care sunt accesibile prin intermediul interfețelor grafice optimizate. Aceste interfețe grafice sunt aplicații web care rulează în mediul cloud.
În plus, față de funcția de monitorizare, arhitectura propusă oferă și o bază de date care conține informații despre istoricul stării căii ferate, măsurat cu o frecvență ridicată (chiar și zilnic). Această bază de date împreună cu utilizarea metodelor moderne de procesare a datelor, cum ar fi inteligența artificială și învățarea automată deschide noi perspective în domeniul mentenanței căilor ferate. Mentenanța predictivă reprezintă doar primul pas în această direcție promițătoare.
În vederea validării practice a arhitecturii și metodologiei propuse, a fost dezvoltat și implementat un prototip care acoperă integral cele trei niveluri prezentate în Figura 2. Utilizând acest prototip, au fost realizate o serie de experimente la nivel de laborator, cu scopul de a evalua performanța și funcționalitatea sistemului propus.
În faza de proiectare a prototipului MRD, principiile de bază au fost i.) adecvarea; ii.) reproductibilitatea; și iii.) rentabilitatea. Din perspectiva adecvării, scopul a fost de a crea o carcasă ușor de montat, rezistentă la condiții specifice (șocuri, umiditate, temperatură), independentă de sursa de alimentare și care este capabilă să asigure măsurători precise. Reproductibilitatea constă în crearea unei structuri modulare care permite accesul ușor la componente. Astfel, carcasa a fost proiectată în CAD folosind forme simple care pot fi ușor imprimate 3D sau frezate CNC. Pentru a menține eficiența costurilor, am ales modulele de dezvoltare și componentele electronice existente pe piață. Tot din acest scop am utilizat tehnologii disponibile.
Ca prototip de Edge Device, se poate utiliza o tabletă Android deoarece corespunde tuturor cerințelor și anume: 1) are o interfață tip Bluetooth pentru comunicarea cu MRD; 2) stochează persistent măsurătorile temporare; 3) are un receptor GPS și un serviciu extins de localizare; 4) are conectivitate 4G/5G pentru sincronizare cloud; 5) dispune de un ecran tactil pentru interfețele de utilizator; 6) permite dezvoltarea facilă a software-ului; 7) este rentabilă, accesibilă pe scară largă și înlocuibilă. De asemenea, a fost dezvoltată o aplicație dedicată care conține logica de business pentru a îndeplini sarcinile atribuite Edge Device-ului.
Am optat pentru utilizarea platformei Microsoft Azure ca soluție Cloud, deoarece aceasta pune la dispoziție resurse specializate pentru astfel de probleme. Pentru a recepționa datele de la dispozitivele Edge, am implementat un Event Hub care stochează măsurătorile în Azure Data Explorer. Procesarea și transformarea datelor sunt realizate prin intermediul limbajului de programare Python, iar mediul în care aceste funcții sunt executate este Azure Durable Functions.
Figura 3 - Experiment cu brațul robotic
În această etapă, evaluarea se concentrează pe experimente realizate la nivel de laborator. Scopul principal a fost să definim un mediu de testare care să permită scenarii de testare reproductibile și precise. Pentru a simula diferitele mișcări ale dispozitivului de monitorizare a căilor ferate (MRD), am utilizat un braț robotic Franka Emika. Această abordare ne-a permis să programăm și să repetăm cu precizie o serie de mișcări de testare. Prin montarea MRD-ului pe brațul robotic, și folosind un suport dedicat imprimat 3D, am reușit să reproducem mișcările specifice ale căii ferate (Figura 3).
În timpul experimentului, brațul robotic a simulat o supraînălțare, pe ambele fire de șină, efectuând rotații în jurul axei X a MRD-ului. Acest experiment compară două abordări de calcul: 1) calcularea unghiului (roll angle) pe baza accelerației măsurate pe axa Y și Z; și 2) fuziunea senzorului care combină accelerația cu viteza unghiulară.
În timpul măsurării, robotul a fost programat să efectueze o serie de rotații în jurul axelor X: 1) 3°; 2) -3°; 3) -3°; 4) 2°; 5) -2°; 6) -2°; și 7) 1°. După cum se poate observa pe Figura 4, unghiurile (roll angles) calculate se potrivesc folosind ambele metodologii de calcul. Supraînălțarea este calculată pe baza unghiului calculat anterior. Acest lucru demonstrează că metodologia propusă folosind prototipul este potrivită pentru măsurătorile acestui parametru geometric al căii ferate.
Figura 4 - Rezultate experimentale
În acest articol, am prezentat o nouă abordare non-invazivă bazată pe IoT pentru monitorizarea și măsurarea geometriei căii ferate. Sistemul propus oferă avantajul de a echipa un vehicul feroviar obișnuit cu capacități de măsurare. În contrast cu abordările tradiționale, transformăm monitorizarea geometriei căii ferate într-o activitate mai ușor accesibilă realizată la o frecvență mult mai ridicată. Lucrarea detaliază arhitectura sistemului de măsurare și achiziție de date, precum și un prototip dezvoltat pentru a valida metodologia propusă. Experimentele efectuate demonstrează că măsurătorile colectate de sistemul prototip pot fi utilizate pentru evaluarea mai multor parametri geometrici ai căii ferate. Astfel, se deschid noi perspective de viitor care oferă posibilitatea de a determina toți parametrii definitori ai calității căii ferate într-un mod mai eficient și mai avantajos economic.
EN 13848-1 Railway applications - Track - Track geometry quality - Part 1: Characterisation of track geometry.
A Farkas, András. "Measurement of railway track geometry: A state-of-the-art review." Periodica Polytechnica Transportation Engineering 48.1 (2020): 76-88.
Escalona Franco, et al. "A Track Geometry Measuring System Based on Multibody Kinematics, Inertial Sensors and Computer Vision." Sensors, 21, 1-27. (2020).
Weston, Paul, et al. "Perspectives on railway track geometry condition monitoring from in-service railway vehicles." Vehicle system dynamics 53.7 (2015): 1063-1091.
Koc, Wladyslaw, et al. "A method for determination and compensation of a cant influence in a track centerline identification using GNSS methods and inertial measurement." Applied Sciences 9.20 (2019): 4347.