Estudo revela a capacidade de modelos Autocodificadores em identificar alterações estruturais em rodas de veículos ferroviários, aprimorando a segurança operacional e favorecendo a manutenção preditiva.
Por Renato da Silva Melo, doutorando do PEC
Um estudo realizado ao longo de 2024, em parceria entre membros do Programa de Pós-graduação em Engenharia Civil da Universidade Federal de Juiz de Fora (PEC/UFJF), da Faculdade de Engenharia da Universidade do Porto (FEUP, Portugal) e do Instituto Superior de Engenharia do Porto (ISEP, Portugal), apresenta uma abordagem automatizada para a detecção de defeitos em rodas ferroviárias. Utilizando modelos de Redes Neurais Artificiais, especificamente Autocodificadores, o trabalho demonstrou a capacidade de identificar, com precisão, diferentes estágios de desgaste, proporcionando a otimização de processos de manutenção e redução de custos operacionais.
A degradação das rodas ferroviárias, em especial a poligonização (Fig. 1), é um problema crítico que afeta a interação roda-trilho, podendo gerar impactos como aumento de ruído, desconforto para passageiros e riscos a toda infraestrutura ferroviária,. Tradicionalmente, a avaliação do processo de degradação das rodas ferroviárias é realizada por meio de inspeções visuais e medições manuais, no entanto, essas técnicas apresentam desafios significativos tanto do ponto de vista técnico (ex. erros humanos, interferência do meio ambiente) quanto econômico (mobilização de pessoal), especialmente quando aplicadas em larga escala.
Fig 1. Ilustração de uma roda ferroviária perfeita (a) e poligonizada (b).
Desta maneira, a equipe de pesquisa comparou três modelos distintos – Autocodificador Variacional (VAE, do inglês Variational AutoEncoder), Autocodificador Esparso (SAE, do inglês Sparse AutoEncoder) e Autocodificador Convolucional (CAE, do inglês Convolutional AutoEncoder) – aplicando-os a dados de aceleração vertical obtidos por um sistema virtual de monitoramento. O princípio fundamental dessa abordagem consiste no estabelecimento de uma condição inicial de referência, que representa o estado estrutural “saudável” da roda ferroviária. A partir desse modelo de normalidade, os autocodificadores, durante o processo de monitoramento, comparam as novas medições com o padrão aprendido. Qualquer desvio significativo em relação ao estado inicial indica uma potencial anomalia estrutural. Essa técnica permite não apenas a detecção precoce de danos em estágios iniciais, mas também a quantificação objetiva da degradação progressiva, proporcionando uma ferramenta automatizada e eficiente para a manutenção preditiva.
Os resultados mostram que a abordagem baseada em Autocodificadores, especialmente o Autocodificador Esparso, é eficaz e altamente viável na extração de características relevantes a partir de sinais dinâmicos, chegando à identificação e quantificação corretas da poligonização em 100% das situações analisadas. Assim, essa pesquisa uma ferramenta promissora e automatizada para o monitoramento preditivo e segurança ferroviária.
O artigo completo está disponível em acesso aberto, permitindo que pesquisadores e profissionais do setor ferroviário explorem os detalhes da metodologia e seus potenciais desdobramentos.
Contato para mais informações:
Prof. Dr. Alexandre Cury
Programa de Pós-Graduação em Engenharia Civil – UFJF
E-mail: alexandre.cury@ufjf.br
Guedes, A.; Silva, R.; Ribeiro, D.; Vale, C.; Mosleh, A.; Montenegro, P.; Meixedo, A. Detection of Wheel Polygonization Based on Wayside Monitoring and Artificial Intelligence. Sensors 2023, 23, 2188.
Magalhães, J.; Jorge, T.; Silva, R.; Guedes, A.; Ribeiro, D.; Meixedo, A.; Mosleh, A.; Vale, C.; Montenegro, P.; Cury, A. A strategy for out-of-roundness damage wheels identification in railway vehicles based on sparse autoencoders. Railway Engineering Sciences 2024, 32, 421–443.
Vale, C.; Simoes, M. L. Prediction of Railway Track Condition for Preventive Maintenance by Using a Data-Driven Approach. Infrastructures 2022, 7, 34.
