Insulators are the most important components of catenary systems in electrified railway lines. Fractures or burns in insulators cause interruptions in transportation. These interruptions also prevent safe operation, especially on high-speed rail lines. Detecting faults in insulators at an early stage will enable to intervene in catenary systems at the most appropriate time and prevent insulator-related accidents. In this article, a deep learning-based method is proposed to classify insulators in catenary systems as faulty or intact. A data set containing 1100 isolator images was used in the study. The images in this dataset are trained and tested with the ResNet34 deep learning architecture. With the proposed architecture, faults in isolators are classified with 95,7% accuracy, 99% precision and 96,6% recall values. These values show that the performed study is a reliable method for fault detection in isolators in catenary systems.
İzolatörler elektrikli demiryolu hatlarında katener sistemlerin en önemli bileşenleridir. İzolatörlerde meydana gelen kırıklar veya yanmalar ulaşımda kesintilere neden olmaktadır. Bu kesintiler de özellikle yüksek hızlı ray hatlarında güvenli çalışmayı engeller. İzolatörlerdeki arızaların erken bir aşamada tespit edilmesi katener sistemlerine en uygun zamanda müdahale etmeyi ve izolatör kaynaklı kazaları engellemeyi sağlayacaktır. Bu makalede katener sistemlerindeki izolatörleri arızalı ya da sağlam olarak sınıflandırmak için derin öğrenme tabanlı bir yöntem önerilmektedir. Çalışmada 1100 adet izolatör görüntüsü içeren bir veri seti kullanılmıştır. Bu veri setindeki görüntüler ResNet34 derin öğrenme mimarisi ile eğitilmiş ve test edilmiştir. Önerilen mimari ile izolatörlerdeki arızalar %95,7 doğruluk, %99 kesinlik ve %96,6 duyarlılık değerleriyle sınıflandırılmıştır. Bu değerler gerçekleştirilen çalışmanın katener sistemlerindeki izolatörlerdeki arıza tespiti için güvenilir bir yöntem olduğunu göstermektedir.
Primary Language | Turkish |
---|---|
Subjects | Artificial Intelligence |
Journal Section | Article |
Authors | |
Publication Date | July 31, 2022 |
Submission Date | May 10, 2022 |
Published in Issue | Year 2022 Issue: 16 |