Identificação de defeitos em veículos ferroviários de mercadorias baseado num sistema wayside e com recurso a um Autoencoder

• Autor(a) principal: Jorge, Tomás Simões
• 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/10400.22/23828
• topic: Danos nas rodas OOR; Desequilíbrio de cargas; Deteção e classificação de danos; Comboios de mercadorias; Sistemas de monitorização wayside; Autoencoder esparso empilhado; Inteligência artificial; OOR wheel damage; Unbalance loads; Damage detection and classification; Freight trains; Wayside monitoring systems; Stacked sparse autoencoder; Artificial intelligence

A identificação precoce dos defeitos das rodas ferroviárias pode evitar danos graves quer ao nível do veículo quer da via reduzindo consideravelmente os custos de manutenção tanto para as administrações ferroviárias como para os operadores do material circulante. No presente trabalho é apresentada uma metodologia não supervisionada baseada em técnicas de inteligência artificial, que permite a identificação de multi-danos, por exemplo danos “Out of Roundness” e desequilíbrios de carga, com recurso a respostas dinâmicas induzidas na via pela passagem de um veículo ferroviário de mercadorias do tipo Laagrss. Nesta fase inicial, para testar a eficácia da metodologia, foram utilizados registos numéricos das passagens dos comboios que foram simulados com base em modelos numéricos do veículo, de irregularidades da via e das rodas e a interação roda-carril. Estas respostas são posteriormente sujeitas a um conjunto de etapas: i) análise outlier, ii) localização do dano, iii) identificação do tipo de dano e iv) classificação da severidade do dano. Na primeira fase, a deteção dos danos é realizada com base num limite de confiança usando o sinal completo. De seguida, é realizada a localização dos diversos danos presentes no veículo, através de uma segmentação do sinal, permitindo estabelecer janelas de corte de forma a isolar os vários danos, a fim de tornar o problema menos complexo. Numa terceira fase, já com os vários sinais cortados, as principais características são extraídas através da combinação da técnica da análise de componentes principais e de um autoencoder esparso, com a “Bottleneck layer” a desempenhar um papel crucial na obtenção dos indicadores. Estes indicadores após sofrerem uma fusão, com recurso à distância de Mahalanobis, são comparados em termos de extensão, aceleração e frequência, com o objetivo de distinguir qual o tipo de defeito presente no veículo, se poligonização, liso ou desequilíbrio de cargas. Por fim, com base numa metodologia desenvolvida nesta tese para tratar defeitos isolados, é possível distinguir as diferentes severidades do dano.