Semi-supervised deep rule-based approach for the classification of wagon bogie springs condition

• Ano de defesa: 2022
• Autor(a) principal: Viriato Neto, Carlos Manuel
• Orientador(a): Aguiar, Eduardo Pestana de
• Banca de defesa: Pessin, Gustavo , Ayala, Helon Vicente Hultmann , Oliveira, Leonardo Willer de
• 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 Elétrica
• Departamento: Faculdade de Engenharia
• País: Brasil
• Palavras-chave em Português: Sistemas fuzzy evolutivos; Aplicações ferroviárias; Molas de truque do vagão; Processamento de imagens; Inteligência artificial; Evolving fuzzy systems; Railway applications; Wagons bogie springs; Artificial intelligence; Imaging processing
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://doi.org/10.34019/ufjf/di/2022/00150; https://repositorio.ufjf.br/jspui/handle/ufjf/14389

Vagões são submetidos a ciclos de estresse com cargas pesadas, aumentando seus defeitos no truque por fadiga de molas, então, a capacidade de detectar condições críticas dos vagões de carga permite garantir a produção com segurança e alta produtividade dos sistemas de transporte. As técnicas de processamento de imagens e inteligência computacional estão cada vez mais participando da solução para este cenário, principalmente os modelos interpretáveis e auto-evolutivos que podem aprender novas classes ativamente sem o envolvimento de especialistas humanos para auto-evoluir e realizar a classificação em imagens fora da amostra. Nesse sentido, esta dissertação apresenta um novo modelo de abordagem para a classificação do estado das molas dos truques dos vagões através de imagens adquiridas por um equipamento as margens da ferrovia. Como tal, é discutido a aplicação de uma abordagem de aprendizado semi-supervisionado baseada em uma abordagem de aprendizado de classificador baseado em regras profundas (DRB) para obter uma alta classificação do truque e verificar se eles molas com problemas ou não. Uma rede neural convolucional profunda VGG19 pré-treinada é usada para extrair os atributos de imagens a serem usados como entrada para a camada de regras baseadas em fuzzy (FRB) do classificador semi-supervisionado DRB (SSDRB) e avaliados com as métricas de distância euclidiano, cosseno, manhattan, minkowski and chebyshev. O desempenho é calculado com base no conjunto de dados composto por imagens fornecidas por uma empresa ferroviária brasileira que abrange as duas condições de mola: condição normal (sem problemas de reserva elástica) e condição ruim (com problemas de reserva elástica). Além disso, níveis de ruído gaussiano, ruído de Cauchy e ruído de Laplace são aplicados às imagens para desafiar o modelo proposto e representar possíveis problemas na aquisição de imagens. Por fim, discutimos a análise de desempenho do classificador semi-supervisionado DRB (SSDRB) e suas características distintivas a cada medida de distância comparada com outros classificadores. Os resultados relatados demonstram um desempenho relevante do classificador SSDRB aplicado às questões levantadas, bem como a importância da avaliação da medida de distância para alcançar uma classificação alta