New perspectives for the intelligent rolling stock classification in railways: an artificial neural networks-based approach

• Ano de defesa: 2025
• Autor(a) principal: Dias, Ualison Rodrigo Ferreira
• Orientador(a): Aguiar, Eduardo Pestana de
• Banca de defesa: Guimarães, Frederico Gadelha , Silva, Petrônio Cândido de Lima e , Oliveira, Leonardo Willer de , Andrade Filho, Luciano Manhães de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica
• Departamento: Faculdade de Engenharia
• País: Brasil
• Palavras-chave em Português: Set-membership; Multilayer perceptron; Hot box and hot wheel
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/18586

Nas operações ferroviárias, diversos fatores críticos devem ser analisados, incluindo custos operacionais, cronogramas de manutenção e falhas de componentes. Entre esses, a análise das falhas em Hot Box e Hot Wheel é particularmente importante, pois tais falhas podem comprometer toda a operação, levando a acidentes graves como descarrilamentos de trens. Portanto, empregar um método robusto para classificar essas falhas é essencial para a prevenção de acidentes. Esta pesquisa introduz uma abordagem inovadora utilizando um Perceptron Multicamadas (MLP) combinado com Set-Membership para a classificação binária de falhas em Hot Box e Hot Wheel. A flexibilidade do MLP permite que ele aprenda de forma eficaz com a natureza complexa e não linear dos dados, enquanto a técnica de Set-Membership contribui para a redução da complexidade computacional, convergência rápida e alta precisão. O proposto Set-Membership Multilayer Perceptron (SM-MLP) se destaca dos modelos existentes ao se destacar na aprendizagem de padrões intricados de dados e se adaptar a novos dados sem a necessidade de re-treinamento frequente. Essa adaptabilidade garante uma solução mais eficiente e eficaz para a previsão de falhas. Além disso, o algoritmo demonstra um desempenho superior em termos de precisão e outros métricos em comparação com métodos anteriormente relatados. Para validar a eficácia da abordagem proposta, foi realizada uma análise comparativa envolvendo doze algoritmos diferentes aplicados a oito conjuntos de dados distintos. Sete desses conjuntos de dados são benchmarks padrão, enquanto o oitavo é composto por dados de falhas em Hot Box e Hot Wheel. Os resultados destacam as capacidades preditivas aprimoradas do SM-MLP e seu potencial para melhorar significativamente a segurança nas operações ferroviárias