Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/18586
Files in This Item:
File Description SizeFormat 
ualisonrodrigoferreiradias.pdfPDF/A1.71 MBAdobe PDFView/Open
Type: Tese
Title: New perspectives for the intelligent rolling stock classification in railways: an artificial neural networks-based approach
Author: Dias, Ualison Rodrigo Ferreira
First Advisor: Aguiar, Eduardo Pestana de
Referee Member: Guimarães, Frederico Gadelha
Referee Member: Silva, Petrônio Cândido de Lima e
Referee Member: Oliveira, Leonardo Willer de
Referee Member: Andrade Filho, Luciano Manhães de
Resumo: 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
Abstract: In railway operations, several factors must be analyzed, such as operation cost, maintenance stops, failures, and others. One of these important topics is the analysis of the Hot Box and Hot Wheel due to the failure of these components. It can compromise the entire operation, resulting in serious accidents, such as train derailments. Thus, the use of a method that is able to classify a failure is essential for accident prevention. The innovative use of Multilayer Perceptron combined with Set-Membership for the Hot Box and Hot Wheel binary classification problem enhances failure prediction and contributes to accident prevention. Unlike the reported models in the literature, Set-Membership Multilayer Perceptron excels in learning from the non-linear and intricate patterns of this dataset. In addition, as aforementioned, its ability to update representations and patterns with new data avoids frequent retraining, ensuring a more efficient and adaptable solution. Besides that, the proposed work presents a better performance in terms of Accuracy and other metrics compared to other literature works. To validate the performance, we compare twelve algorithms applied in eight datasets, seven of which are benchmarks, and one is composed of Hot Box and Hot Wheel problems.
Keywords: Set-membership
Multilayer perceptron
Hot box and hot wheel
Set-membership
Multilayer perceptron
Hot box and hot wheel
CNPq: CNPQ::ENGENHARIAS
Language: por
Country: Brasil
Publisher: Universidade Federal de Juiz de Fora (UFJF)
Institution Initials: UFJF
Department: Faculdade de Engenharia
Program: Programa de Pós-graduação em Engenharia Elétrica
Access Type: Acesso Aberto
Attribution-ShareAlike 3.0 Brazil
Creative Commons License: http://creativecommons.org/licenses/by-sa/3.0/br/
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/18586
Issue Date: 9-Jan-2025
Appears in Collections:Doutorado em Engenharia Elétrica (Teses)



This item is licensed under a Creative Commons License Creative Commons