선로검사 데이터를 활용한 AI 기반 궤도시설 예지보수 및 효율화 방안 연구

국문 초록 (Abstract)

도시철도의 안전한 운행과 승차감 확보를 위해 궤도틀림(Track Irregularity)의 체계적인 관리는 필수적이다. 본 연구는 부산도시철도 2호선 덕천역~구명역 구간(8.5km~9.0km)을 대상으로 2023년부터 2025년까지 3년간 축적된 궤도검측차(EM-30)의 궤도틀림 데이터와 인력검측 레일마모, 열차 내 소음 측정 결과를 통합 분석하였다. 궤도틀림 변화 추이를 시계열적으로 분석하고, 정비 한도 기준에 따른 취약 지점을 식별하였다.
분석 결과, 곡선부에서는 직선부 대비 궤도틀림과 레일마모의 진행 속도가 가속화되는 경향이 뚜렷했으며, 특히 하선 좌측 레일의 편마모가 허용한도의 90% 수준에 육박하는 취약 구간이 식별되었다. 또한, 상선 곡선부의 궤도틀림 증가가 열차 내 소음 상승과 유의미한 양의 상관관계를 가짐을 확인하였다.
본 연구에서 제안한 LSTM 예측모델은 6개월 후의 궤도틀림 최대값을 RMSE 1–2mm 범위 내에서 신뢰성 있게 예측할 수 있음을 전제로 하며, 이를 바탕으로 정비 한도 대비 잔여 수명과 레일 교환의 최적 시점을 산출하는 프로세스를 정립하였다.
이와 같은 예지보수 시스템은 기존의 단순한 검측 데이터 분석를 넘어, 데이터 기반의 유지보수 의사결정을 지원하며, 궁극적으로 궤도 검측 및 정비 주기의 최적화를 통해 유지보수 비용을 절감하고 도시철도의 운행 안전성을 제고하는 데 기여할 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Systematic management of track irregularity is essential to ensure the safe operation of urban railways and to secure passenger ride comfort. This study integrates and analyzes track irregularity data accumulated over three years (2023–2025) from a track recording car(EM-30), manual rail wear measurements, and in-train noise levels, focusing on the Deokcheon–Gumyeong section(8.5–9.0 km) of Busan Metro Line 2. The study analyzes the time-series trends of track irregularities and identifies vulnerable points based on maintenance limit standards.
The analysis revealed a distinct tendency for track irregularity and rail wear to accelerate in curved sections compared to straight sections. Notably, a critical section was identified where the side wear on the left rail of the down line reached nearly 90% of the allowable limit. Furthermore, a significant positive correlation was confirmed between the increase in track irregularity and the rise in in-train noise levels within curved sections of the up line.
The proposed Long Short-Term Memory (LSTM) prediction model is premised on its ability to reliably predict the maximum value of track irregularity six months in advance within an RMSE range of 1–2 mm. Based on this model, a process was established to calculate the remaining service life relative to maintenance limits and to determine the optimal timing for rail replacement.
This predictive maintenance system goes beyond simple analysis of inspection data to support data-driven maintenance decision-making. Ultimately, it is expected to contribute to reducing maintenance costs and enhancing the operational safety of urban railways by optimizing track inspection and maintenance cycles.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• Ⅱ. 이론적 배경 6
• 2.1. 궤도틀림과 레일마모의 정의 및 정비기준 6
• 2.2. 궤도검측차의 데이터 구조 및 측정 원리 8
• 2.2.1. 궤간(Gauge) 10
• 2.2.2. 수평틀림(SUP, Cant) 10
• 2.2.3. 면틀림(Profile/Surface) 10
• 2.2.4. 방향틀림(Alignment) 10
• 2.2.5. 평면성 틀림(Twist) 11
• 2.3. 열차 내 소음 특성과 궤도상태의 영향 13
• 2.4. 철도 예지보수와 머신러닝 적용 동향 16
• 2.4.1. 머신러닝 적용 동향 17
• 2.4.2. 모델 성능 지표 17
• Ⅲ. 모델 설계 및 분석 19
• 3.1. 데이터 수집 및 전처리 19
• 3.2. 궤도 상태 변화 분석 결과 21
• 3.2.1. 줄틀림(Alignment) 분석 22
• 3.2.2 궤간(Gauge) 분석 23
• 3.2.3 평면성 틀림(Twist) 23
• 3.2.4 곡선·직선구간 비교 25
• 3.3. 궤도틀림 - 소음 - 마모 상관관계 분석 26
• 3.3.1 위치별 상관분석 27
• 3.3.2 궤간과 열차 내 소음 27
• 3.3.3 줄틀림과 열차 내 소음 28
• 3.3.4 평면성틀림과 열차 내 소음 28
• 3.3.5 레일 마모와 열차 내 소음 28
• 3.4. AI 예지보수 모델 설계 30
• 3.4.1 LSTM 모델 30
• 3.4.2 XGBoost 모델 31
• 3.4.3. Prophet 모델 31
• 3.4.4. Random Forest 모델 31
• 3.5. 예측 성능 평가 32
• 3.5.1 LSTM 모델의 예측 사례 33
• 3.5.2 Feature 영향도 33
• 3.6 최적 모델 선정 및 예지보수 활용 방안 34
• Ⅳ. 결론 35
• 4.1. 결론 35
• 4.2. AI 기반 유지보수 시스템 도입 개선방향 38