Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/18552
Files in This Item:
File Description SizeFormat 
renatodasilvamelo.pdfPDF/A2.47 MBAdobe PDFView/Open
Type: Dissertação
Title: Out-of-roundness damage wheel idenficaon in railway vehicles using autoencoder models
Author: Melo, Renato da Silva
First Advisor: Cury, Alexandre Abrahão
Co-Advisor: Barbosa, Flávio de Souza
Co-Advisor: Amaral, Rafaelle Piazzaroli Finotti
Referee Member: Ribeiro, Paula de Oliveira
Referee Member: Lopez, Rafael Holdorf
Resumo: 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.
Abstract: The present study investigates the use of unsupervised Machine Learning (ML) techniques applied to the Structural Health Monitoring (SHM) of railway wheels with different stages of polygonalization in the running band. The proposed methodology is based on a comparative study of different AutoEncoder (AE) architectures, including the Variational AutoEncoder (VAE), the Sparse AutoEncoder (SAE), and the Convolutional AutoEncoder (CAE). The models are trained using vertical acceleration data from a virtual track monitoring system, and their performance is evaluated in distinguishing between normal and abnormal structural conditions, as well as in the processing time of input data. The integration of AE models with Hotelling’s T² control charts is explored as a strategy to enhance anomaly detection. The study highlights the potential of these approaches for predictive maintenance applications, contributing to greater efficiency and safety in railway operations
Keywords: 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
CNPq: CNPQ::ENGENHARIAS
Language: eng
Country: Brasil
Publisher: Universidade Federal de Juiz de Fora (UFJF)
Institution Initials: UFJF
Department: Faculdade de Engenharia
Program: Programa de Pós-graduação em Engenharia Civil (PEC)
Access Type: Acesso Aberto
Attribution 3.0 Brazil
Creative Commons License: http://creativecommons.org/licenses/by/3.0/br/
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/18552
Issue Date: 19-Mar-2025
Appears in Collections:Mestrado em Engenharia Civil (Dissertações)



This item is licensed under a Creative Commons License Creative Commons