Geometriavirheen suuruuden vaikutusta vaunun mittaustarkkuuteen arvioitiin selvit-tämällä huippuarvotulosten keskihajonnanσ(xHi ) muutos huippuarvon suuruuden gi funktiona (luku4.6). Kuvassa 13 nähdään kaikkien testiajojen (1-13, pois lukien 5a ja 6a) huippuarvotulosten keskihajonnanσ(xHi ) keskiarvo luokiteltuna huippuarvon suuruudengi mukaan. Kuvaan on merkitty myös jokaisesta geometriavirheluokasta löytyneiden huippuarvojen lukumäärä. Keskihajonnan keskiarvon absoluuttiset arvot on häivytetty kuvaajasta arkaluontoisuuden vuoksi. Kuvasta nähdään, että tulosten keskihajonta on suurimmillaan 9–11 mm suurten geometriavirheiden kohdalla ja pienimmillään 1–3 mm geometriavirheiden kohdalla. Itseisarvoltaan yli 9 millimetrin huippuarvoja on kuitenkin aineistossa vain 12, joten tulos on hyvin epäluotettava suurten geometriavirheiden osalta. Kuvassa 14 huippuarvotuloksen keskihajonta σ(xHi ) on jaettu huippuarvon suuruudella gi. Tätä kutsutaan myös suhteelliseksi kes-kihajonnaksi. Tällöin tulokset käyttäytyvät johdonmukaisemmin ja mittaustulosten suhteellinen hajonta vaikuttaisi laskevan geometriavirheen kasvaessa.
Mittaustulosten määrä suurista yli 9 mm geometriavirheistä on niin pieni, että keskihajonnan ekstrapolointi vielä suurempiin geometriavirheisiin ei ole järkevää.
Näin ollen tulosten perusteella on vaikea arvioida vaunun täsmällisyyttä tähtivirhettä vastaavien, eli yli 17 mm suurten geometriavirheiden kohdalla. Ääriarvojen mittaa-minen saattaa voimistaa mittausjärjestelmän tekemiä virheitä, joten luotettavuutta ei voida approksimoida samaksi kuin huomattavasti pienempiä arvoja mitattaessa.
Tässä laskelmassa suurien geometriavirheiden tuloksia saattoi hävitä jonkin verran kohdistuksen yhteydessä, mikäli huiput olivat tulostuneet testiajoissa hyvin eri muo-toisina ja sitä kautta eri kohtiin. Menetetty määrä ei kuitenkaan ole merkittävä, sillä yli 10 mm geometriavirheitä oli yksittäisissäkin mittaustuloksissa vain muutamia.
Käytännössä ainoa vaihtoehto mittaustäsmällisyyden arvioimiseksi yli 17 mm geomet-riavirheissä on useampien tulosten saaminen vielä suuremmista geometriavirheistä.
Kuva 13: Huippuarvotulosten keskihajontojen σ(xHi ) keskiarvo huippuarvon suu-ruuden gi mukaisissa luokissa. Numero pisteiden yläpuolella kertoo huippuarvojen lukumäärän kyseisessä suuruusluokassa (korkeuspoikkeama D1 ja oikea kisko).
Kuva 14: Suhteellinen keskihajonta σ(xHi )/gi geometriavirheen suuruuden gi mu-kaisissa luokissa. Numero pisteiden yläpuolella kertoo huippuarvojen lukumäärän kyseisessä suuruusluokassa (korkeuspoikkeama D1 ja oikea kisko).
Tämä edellyttäisi testiajoja Seinäjoki-Koskenkorva-rataosuutta huonokuntoisemmalla osuudella.
6 Yhteenveto
Tässä työssä selvitettiin, miten radantarkastusvaunun mittaustarkkuutta ja mit-tauksen täsmällisyyttä kyetään tutkimaan vaunun validointitestauksessa. Aineistona käytettiin vuonna 2021 käyttöön otetun Meeri-vaunun vuonna 2020 suorittamien tes-tiajojen mittaustuloksia Seinäjoki-Koskenkorva-rataosuudelta ja mitatuista suureista keskityttiin korkeuspoikkeamaan. Merkittävimmän rajoitteen korkeuspoikkeaman mittaustarkkuuden tutkimiselle luo verrokkituloksen puuttuminen, sillä Suomessa ei kyetä millään muulla laitteella tuottamaan tuloksia samalla tavalla aallonpituus-luokkiin jaoteltuna kuin Meeri-vaunulla. Emma-vaunun viiden metrin mittakannalle tulostettuihin tuloksiin voidaan tehdä suuripiirteistä vertailua, mutta siihen ei tässä työssä paneuduttu. Ilman luotettavaa verrokkitulosta systemaattisen virheen tutki-minen käy mahdottomaksi. Niinpä mittaustarkkuuden sijaan tutkitaan mittauksen täsmällisyyttä, eli sitä, kuinka lähelle toisiaan saman kohteen tulokset osuvat eri mit-tausajoissa. Tarkemmin sanottuna puhutaan mittauksen toistettavuudesta ja uusit-tavuudesta. Kiinnostaviksi tutkimuskysymyksiksi valikoituivat käytettävän aineiston perusteella etenkin ajonopeuden, orientaation ja kulkusuunnan, eli niin sanottujen ajoasetusten, sekä geometriavirheen suuruuden vaikutukset mittaustuloksiin.
Standardi SFS-EN 13848-2 antaa mittauksen toistettavuudelle ja uusittavuudelle raja-arvot 95%-persentiileinä U(j1, j2), joka saadaan kahden mittausajon j1 ja j2 tulosten mittauspistekohtaisista erotuksista (yhtälö4). Jotta kahdesta eri mittaus-ajosta voidaan ottaa erotukset mittauspistekohtaisesti, tulosvektorit tulee kohdistaa tarkasti. Erillistä kohdistusta tarvitaan radantarkastusvaunun paikannusjärjestelmän epätarkkuuden takia. Jo yhden otantavälin eli 0,25 metrin suuruinen paikannuspoik-keama koko mittaustuloksen pituudelta vaikuttaa merkittävästi 95%-persentiiliin U(j1, j2). Työssä esiteltiin yksinkertainen kohdistusmetodi, joka käyttää hyväkseen raideleveyspoikkeaman huippuarvoja. Menetelmä ei kuitenkaan pystynyt korjaamaan korkeuspoikkeamatulosten kohdistuspoikkeaman lyhytjaksoista vaihtelua, joka saat-taa johtua tulosten prosessoinnista aallonpituusalueisiin. Tarkempi kohdistaminen edellyttäisi varsin kehittyneen algoritmin käyttämistä (kts. Wang [13]).
Mikäli tuloksia ei haluta muokata algoritmien avulla, tässä työssä ehdotetaan vertailun rajaamista pelkkiin mittaustulosten huippuarvoihin. Tämä on perustel-tua, sillä radantarkastuksessa seurataan erityisesti huippuarvoja, jolloin mittauksen täsmällisyys nimenomaan huippuarvojen kohdalla on kiinnostavaa. Huippuarvoihin rajaaminen helpottaa tulosten kohdistamista, sillä huippuarvot ovat usein yksiselit-teisiä kohteita, jotka ovat havaittavissa kaikkien mittausajojen tuloksissa. Tulosten
toistettavuus tai uusittavuus U saadaan muotoon UH, kun vertailuun käytetään kaikkien mittauspisteiden sijaan pelkkiä huippuarvotuloksia. Työssä havaittiin, et-tä huippuarvoihin rajaaminen pienensi hieman mittausajojen välisten erotusten 95%-persentiilejä, eli yleistäen UH < U. Tämä johtuu joko tulosten paremmasta täs-mällisyydestä huippuarvojen kohdalla tai epätäydellisen kohdistuksen vaikutuksesta, kun vertaillaan kaikkia mittauspisteitä.
Lähtökohtana ajoasetusten, eli ajonopeuden, orientaation ja kulkusuunnan, vaiku-tusten arviointiin käytettiin standardin SFS-EN 13848-2 määrittämää 95%-persentiiliä U (yhtälö 4). Näin tehtiin siksi, että luvut pysyisivät standardin raja-arvojen kans-sa vertailukelpoisina, vaikkakin persentiilistä käytettiin huippuarvoihin rajattua versiota UH kohdistusvirheiden minimoimiseksi. Työn testiaineiston (taulukko 3) pohjalta standardinmukaisten persentiilien laskeminen on varsin yksinkertaista, kun-han mittaustulokset on saatu kohdistettua. Persentiilien avulla voidaan havaita, mikäli jokin ajoasetuksista antaa selvästi muista poikkeavia arvoja. Eri ajoasetusten tuloksia vertailtaessa on suositeltavaa laskea myös toistettavuustulokset tutkituilla ajoasetuksilla. Näin selviää, muuttuuko tulosten satunnainen vaihtelu ajoasetusta vaihdettaessa. Työssä ei esitelty yksittäisiä uusittavuuden tai toistettavuuden arvoja arkaluontoisuuden vuoksi.
Toistettavuus- ja uusittavuustulokset UH kertovat vain kahden testiajon välisestä erosta. Mikäli halutaan koko testiaineistoa kuvaavia lukuja ajonopeuden, orientaation ja kulkusuunnan vaikutuksesta mittaustuloksiin, voidaan rakentaa regressiomalli.
Työssä esiteltiin yksinkertainen lineaarinen regressiomalli, jonka selitettävänä muut-tujana on kahden testiajon välinen 95%-persentiili UH ja selittävinä muuttujina ajonopeus, orientaatio, kulkusuunta ja testipäivä. Malli onnistui kuvaamaan aineistoa suhteellisen hyvin ja sen antamista estimaateista voidaan päätellä, mitkä selittävistä muuttujista vaikuttavat eniten mittaustuloksiin. Kulkusuuntaa lukuun ottamatta selittävät muuttujat osoittautuivat tilastollisesti merkittäviksi. Tämän perusteella kulkusuunta ei siis juurikaan vaikuta tuloksiin. Mallia voisi vielä kehittää tutkimalla tarkemmin muun muassa ajonopeuden vaikutusta mittaustuloksiin, sillä vaikutus ei välttämättä ole lineaarinen. Lisäksi mallin luotettavuus kasvaisi, mikäli testiaineistos-sa jokaisella tutkitulla ajonopeudella olisi ajettu kaikilla orientaation ja kulkusuunnan yhdistelmillä.
Geometriavirheen suuruuden vaikutuksen arviointi edellyttää ensinnäkin geomet-riavirheen suuruuden määrittämistä. Tässä työssä päädyttiin käyttämään kaikkien testiajojen huippuarvotulosten mediaania. Tämän jälkeen kaikki huippuarvotulokset luokiteltiin geometriavirheen suuruuden mukaan. Tämä pienensi vertailtavia
aineisto-ja sen verran, että 95%-persentiilin käyttäminen ei ollut enää järkevää, vaan käytettiin huippuarvotulosten keskihajontaa. Keskihajonta piirrettiin geometriavirheen suuruu-den funktiona kuvassa13. Tavoitteena oli ekstrapoloida keskihajontaa tähtivirhettä vastaaviin, eli yli 17 mm geometriavirheisiin. Tämän todettiin olevan kuitenkin mahdotonta, sillä testiaineistossa on liian vähän edes yli 9 mm suuruisia geometria-virheitä. Niinpä ainoa vaihtoehto olisi saada tuloksia vielä huonokuntoisemmalta rataosuudelta.
Tutkimuksen johtopäätöksenä voidaan pitää sitä, että radantarkastusvaunun vali-dointi sisältää useita pimeitä kohtia, joista on vaikea saada selvyyttä. Suurin rajoite etenkin juuri korkeuspoikkeaman kohdalla on luotettavan verrokkituloksen puuttumi-nen, jolloin ei voida arvioida vaunun tekemää systemaattista virhettä. Tämän takia vanhaan ja luotettavana pidettyyn mittausvaunuun tehtäviin vertailuihin kannattaa kiinnittää erityistä huomiota, vaikka tulokset olisivatkin eri muodossa. Kätevintä olisi tietenkin, että vaunujen valmistajat antaisivat tietoa prosessointiin käytetyistä algoritmeista, jolloin tulokset voitaisiin muuttaa mahdollisesti samaan muotoon. Mit-tauksen täsmällisyyden, eli toistettavuuden ja uusittavuuden selvittäminen onnistuu sujuvasti yhden vaunun testitulosten perusteella. Entistä luotettavamman analy-soinnin kannalta testiohjelman tulisi olla mahdollisimman laaja ja tuloksia tulisi saada myös mahdollisimman huonokuntoisista kohteista. Testipäivinä tulee myös varmistua siitä, ettei mikään testiajo jää selkeästi muita lyhyemmäksi. Testiajojen vertailua varten kannattaa käyttää kohdistusalgoritmia, jolla tulosten kohdistuspoik-keamat saadaan minimoitua. Tällöin voidaan tutkia luotettavasti koko aineistoa eikä pelkästään huippuarvoja, mikä mahdollistaisi erilaisten ongelmakohtien yksityis-kohtaisemman tarkastelun. Tulosten analysointi on myös suositeltavaa tehdä heti testipäivänä, jotta ongelmakohtiin voidaan reagoida nopeasti. Tässä työssä esimerkik-si huomattiin, että testipäivä vaikutti huomattavasti testitulokesimerkik-siin, mutta kuukauesimerkik-sia testiajojen jälkeen on enää vaikea selvittää ilmiön syitä.
Numeeristen tulosten käytettävyys mahdollistaa kuitenkin tulevaisuudessa mit-taustulosten entistä tarkemman analysoinnin, kunhan kohdistusongelma osataan ratkaista. Validoinnin kannalta tämä tarkoittaa, että voidaan kehittä malleja ja algo-ritmeja, jotka huomaavat ongelmakohdat tehokkaasti. Lisäksi voidaan pohtia, voiko testiohjelmaa optimoida siten, että se olisi mahdollisimman kattava, mutta kuiten-kin realistinen toteuttaa. Validoinnin lisäksi numeerisia tuloksia voidaan hyödyntää tietenkin myös itse radantarkastustoiminnassa. Tuloksista voi tutkia esimerkiksi sitä, miten eri suureiden tulokset korreloivat keskenään. Lisäksi geometrian kehitty-mistä seuraamalla voidaan myös Suomessa alkaa ennustamaan geometriavirheiden syntymistä ja pohtia ennaltaehkäisevän kunnossapidon mahdollisuutta.
Viitteet
[1] Viitala, T. Projektipäällikkö ja Hannikainen, T. Asiantuntija. Helsinki, Väylävi-rasto. Haastattelu 18.5.2021.
[2] Viitala, T. Projektipäällikkö ja Hannikainen, T. Asiantuntija. Helsinki, Väylävi-rasto. Haastattelu 08.10.2021.
[3] Peltokangas, O. ja Nurmikolu, A. Raidegeometrian kunnossapito tukemalla ja tukemiskalusto Suomen rataverkolla.Liikenneviraston tutkimuksia ja selvityksiä, 2015, vol. 23.
[4] Ratatekniset määräykset ja ohjeet osa 13: Radan tarkastus. Helsinki, Ratahal-lintokeskus, 2006.
[5] SFS-EN 13848-1. Kiskoliikenne. Rata. Ratageometrian laatu. Osa 1: Ratageo-metrian kuvaus. Helsinki, Suomen standardisoimisliitto, 2008.
[6] SFS-EN 13848-2. Kiskoliikenne. Rata. Ratageometrian laatu. Osa 2: Mittaus-järjestelmät. Radantarkastusajoneuvot. Helsinki, Suomen standardisoimisliitto, 2006.
[7] Wang, H., Berkers, J., van den Hurk, N. ja Layegh, N.F. Study of Loaded Versus Unloaded Measurements in Railway Track Inspection. Measurement, 2021, vol.
169, 108556.
[8] Ratatekniset ohjeet osa 2: Radan geometria. Helsinki, Väylävirasto, 2021.
[9] Väylävirasto. Uusi radantarkastusvaunu Meeri kerää kattavasti tietoa ratojen kunnosta. Verkkouutinen. Päivitetty 19.2.2021. Viitattu 25.6.2021. Saatavissa:
https://vayla.fi/-/uusi-radantarkastusvaunu-meeri-keraa-kattavas ti-tietoa-ratojen-kunnosta
[10] Peltokangas, O., Luomala, H. ja Nurmikolu, A. Radan pystysuuntainen jäykkyys ja sen mittaaminen.Liikenneviraston tutkimuksia ja selvityksiä, 2013, vol. 6.
[11] Raiteentarkastustulokset ja niiden tulkinta. Helsinki, Ratahallintokeskus, 2005.
[12] Xu, P., Sun, Q., Liu, R., Souleyrette, R. ja Wang, F. Optimizing the Alignment of Inspection Data from Track Geometry Cars. Computer-Aided Civil and Infrastructure Engineering,2015, vol. 30, nro 1, ss. 19-35.
[13] Wang, Y., Wang, P., Wang, X. ja Liu, X. Position Synchronization for Track Geometry Inspection Data via Big-Data Fusion and Incremental Learning.
Transportation Research Part C: Emerging Technologies, 2018, vol. 93, ss. 544-565.
[14] Soleimainmeigouni, I., Ahmadi, A., Nissen, A. ja Xiao, X. Prediction of Railway Track Geometry Defects: A Case Study.Structure and Infrastructure Engineering, 2020, vol. 16, nro 7, ss. 987-1001.
[15] Khajehei, H., Ahmadi, A., Soleimainmeigouni, I. ja Nissen, A. Allocation of Effective Maintenance Limit for Railway Track Geometry.Structure and Infra-structure Engineering, 2019, vol. 15, nro 12, ss. 1597-1612.
[16] Haigermoser, A., Luber, B., Rauh, J. ja Gräfe, G. Road and Track Irregularities:
Measurement, Assessment and Simulation. International Journal of Vehicle Mechanics and Mobility, 2015, vol. 53, nro 7, ss. 878-957.
[17] Rautateiden verkkoselostus 2021. Helsinki, Väylävirasto, 2019
[18] Sharma, S., Cui, Y., He, Q., Mohammadi, R. ja Li, Z. Data-driven Optimization of Railway Maintenance for Track Geometry. Transportation Research Part C:
Emerging Technologies, 2018, vol. 90, ss. 34-58.
[19] Tzanakakis, K.The Railway Track and Its Longterm Behaviour, 2013.
[20] Weston, P., Roberts, C., Yeo, G. ja Stewart, E. Perspectives on Railway Track Geometry Condition Monitoring from In-Service Railway Vehicles.International Journal of Vehicle Mechanics and Mobility, 2015, vol. 53, nro 7, ss. 1063-1091.
[21] Wei, X., Liu, F. ja Jia, L. Urban Rail Track Condition Monitoring Based on In-Service Vehicle Acceleration Measurements.Measurement, 2016, vol. 80, ss.
217-228.
[22] ENV 13005:1999, Guide to the Expression of Uncertainty in Measurement, Joint Committee for Guides in Metrology, 1995.
[23] Hiltunen, E., Linko, L., Hemminki, S., Hägg, M., Järvenpää, E., Saarinen, P., Simonen, S. ja Kärhä, P. Laadukkaan mittaamisen perusteet, Metrologian neu-vottelukunta ja Mittatekniikan keskus, MIKES, Espoo, 2011.