English
Magyar
Vasúti diagnosztikai adatok analízise (evopro Innovation)
 docens
Szoba: IE334
Tel.:
+36 1 463-4372 Email: khazy (*) mit * bme * hu |
A kiírás adatai
Bevezetés
A vasúti szállítás az európai gazdaság alapvető tényezője. A leghatékonyabb, legbiztonságosabb és a
környezetet legkevésbé terhelő vasúti hálózat az európai gazdaság és társadalom gerincét képezi. A tömegközlekedés 45%, a teherforgalom 18 % vasúti járműveken történik, ez 8.9 milliárd elővárosi, 9.5 milliárd földalatti és 8.5 milliárd városi vasúti utazást jelent évente. A vasúti közlekedés biztonságának és hatékonyságának növelése ezért alapvető gazdasági és társadalmi célkitűzés. Az információs és kommunikációs technológia fejlődése lehetővé teszi a gazdaság digitalizálása részeként a vasúti infrastruktúra és járművek állapotának követését. A vasúti eszközök felműszerezésével, az állapotjellemző paraméterek folyamatos mérésével és az összegyűjtött adatmennyiség a legkorszerűbb eljárásokkal történő feldolgozásával kiterjeszthető az infrastruktúra és a járművek élettartama, csökkenthető a fenntartás költsége és növelhető a biztonság.
A feladat leírása
Az evopro Innovation Kft kifejlesztette az ERDM240 vasúti diagnosztikai rendszert, amely alkalmas a vasúti járművek kerék, tengely és kocsiterhelésének valamint egyes járműhibák kialakulásának mérésére normál utazó sebesség mellett. A mérőrendszer 2014-ban Magyar termék 2015-ben Innovációs Nagydíjat nyert. A Magyarországon telepített 30 mérőállomás havonta 500.000 teherkocsi terhelési ujjlenyomatát méri meg és 150 riasztást küld a visszajelető állomásokra.
Az önálló labor feladat témája az ERDM240 mérőrendszer mérési adataira épülő adatanalízis rendszer elemzéseinek fejlesztése.
- Trenddetektálási módszerek vizsgálata és programozása
- Vizuális felület fejlesztése az analízis eszközökhöz
- Gépi tanulási módszerek tesztelése és implementálása
- Az adatok feldolgozására épülő jelentések automatikus generálása
A témára jelentkező hallgatók megismerkednek a nagy felbontású mérési adatok, idősorok elemzési módszereivel az adatanalízis rendszerek szervezési és programozási eszközeivel, a prediktív állapotkövetési módszerekkel, osztályozási és klaszterezési megoldásokkal.
Technológiák: Python, data lake modellek, MS Azure, SQL és noSQL adatbázisok, Jupyter Notebook, Scikit-learn, TensorFlow, Mlflow.
Az önálló laboratóriumi feladat folytatható nyári gyakorlatként, majd diplomatervként.
Jelentkezés: Dr Szatmári István: istvan.szatmari@eilabs.com