Identificação de danos nas rodas de veículos ferroviários com base na resposta dinâmica do sistema veículo-via e inteligência artificial

• Autor(a) principal: Magalhães, Jorge Rui Barroso
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.22/23981
• topic: Wayside condition monitoring; Out of roundness wheel damage; passenger train Alfa pendular; Sparse Autoencoder; damage index; outliers? analysis; cluster analysis; Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Civil

A presente dissertação foca-se no desenvolvimento e aplicação de uma estratégia híbrida de técnicas de Inteligência Artificial (IA) para detetar rodas com defeitos de circularidade no comboio ferroviário de passageiros Alfa pendular. Este algoritmo é alimentado a partir das respostas dinâmicas adquiridas por um sistema de monitorização wayside composto por um conjunto de acelerómetros instalados nos carris da via-férrea. O método foi desenvolvido com o auxílio de diversas simulações numéricas 3D relativas a passagens ferroviárias, permitindo extrair a resposta dinâmica do sistema veículo-via. As simulações numéricas abrangem duas possibilidades de circulação: condições normais (cenários de base) e condições anormais (cenários de dano). Os dois tipos de cenários incluem condições de operação ferroviária variável, nomeadamente, diferentes perfis de irregularidade e ruído no sistema de medição. Relativamente aos cenários de dano, foram considerados dois tipos de defeitos geométricos possíveis de serem modelados, um referente à presença de lisos na superfície de rolamento e outro caracterizado por um desgaste ondulatório periódico ao longo do perímetro da roda, denominado de poligonização. A metodologia desenvolvida inclui um processo de treino com o auxílio de uma rede neuronal artificial, designada por Autoencoder Esparso, de forma a serem extraídos indicadores de dano. Os dados de entrada para este Autoencoder compreendem as respostas dinâmicas da via adquiridas numericamente. A sensibilidade do indicador de dano é incrementada através da aplicação da distância Mahalanobis. Posteriormente, é aplicada uma análise de outliers, para detetar os danos previamente simulados, e uma técnica de clusters para classificação do dano em duas fases: i) identificação do tipo de dano; ii) identificação da severidade de cada tipo de dano. Por fim, a metodologia desenvolvida é sujeita a uma validação com base num conjunto de respostas dinâmicas adquiridas experimentalmente.