Out-of-roundness damage wheel idenficaon in railway vehicles using autoencoder models

• Ano de defesa: 2025
• Autor(a) principal: Melo, Renato da Silva
• Orientador(a): Cury, Alexandre Abrahão
• Banca de defesa: Ribeiro, Paula de Oliveira , Lopez, Rafael Holdorf
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Civil (PEC)
• Departamento: Faculdade de Engenharia
• País: Brasil
• Palavras-chave em Português: Monitoramento de integridade estrutural; Ferrovias; Detecção de danos; Ovalização; Autocodificador esparso; Autocodificador convolucional; Autocodificador variacional; Structural health monitoring; Railways; Damage detection; Out-of-roundness; Sparse autoencoder; Convolutional autoencoder; Variational autoencoder
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/18552

O presente estudo investiga o uso de técnicas de Aprendizado de Máquina não supervisionado (ML, do inglês “Machine Learning”) aplicadas ao Monitoramento da Integridade Estrutural (SHM, do inglês “Structural Health Monitoring”) de rodas ferroviárias com distintos estágios de poligonalização na banda de rodagem. A metodologia proposta baseia-se em um estudo comparativo entre diferentes arquiteturas de AutoEncoders (AE), incluindo o AutoEncoder Variacional (VAE, do inglês “Variational AutoEncoder”), o AutoEncoder Esparso (SAE, do inglês “Sparse AutoEncoder”) e o AutoEncoder Convolucional (CAE, do inglês “Convolutional AutoEncoder”). Os modelos são treinados com dados de aceleração vertical provenientes de um sistema virtual de monitoramento em via, e seus desempenhos são avaliados na diferenciação entre condições estruturais normais e anormais, e no tempo de processamento dos dados de entrada. A integração dos modelos AE com gráficos de controle de Hotelling T² é explorada como uma estratégia para aprimorar a detecção de anomalias. O estudo destaca o potencial dessas abordagens para aplicações de manutenção preditiva, contribuindo para maior eficiência e segurança na operação ferroviária.