Aplicação de técnicas de aprendizado profundo para a detecção e diagnóstico do estado de operacionalidade de sistemas: um estudo de caso em AMVS ferroviários.

• Ano de defesa: 2021
• Autor(a) principal: Ferreira, Macilio da Silva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aparelho de mudança de via; Condition-based maintenance; Ensemble classifier; Ensemble de classificadores; Falhas (Diagnóstico); Fault detection and diagnosis; Ferrovias (Manutenção); Manutenção baseada em condição; Métodos preditivos; Predictive methods; Sistemas de transportes; Track switches
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3141/tde-20122021-170624/

A manutenção representa um processo importante no sistema de transporte ferroviário. A eficiência do processo de manutenção impacta diretamente na disponibilidade da via e, consequentemente, tanto nos custos operacionais quanto no desempenho de qualquer sistema de transporte ferroviário. Os aparelhos de mudança de via são equipamentos importantes no contexto operacional da ferrovia, nos quais a ocorrência de uma falha pode provocar à indisponibilidade operacional ou mesmo acidentes. Portanto, um processo de manutenção eficiente para este ativo se torna essencial para o bom desempenho da ferrovia. Atualmente, em sua maioria, esse processo é baseado em abordagens corretivas e preventivas, que podem levar a longos períodos de indisponibilidade do sistema ou a custos altos desnecessários. Além disso, detectar e diagnosticar, com precisão, os diversos estados de degradação de um equipamento é tido como um desafio para as pesquisas nessa área, principalmente quando os modos de falhas representados pelos estados são desconhecidos ou amplos. Esta pesquisa científica tem como objetivo propor métodos preditivos, baseando-se em técnicas de aprendizado de máquina, capazes de detectar e diagnosticar os estados de operacionalidade (degradação) de um AMV, por intermédio tanto da análise do histórico de dados de operação quanto da análise de dados em tempo real, por meio da ocorrência de anomalias na assinatura elétrica da corrente de operação da Máquina de Chave que opera o AMV. Para isso, são analisadas as principais técnicas de aprendizado de máquina utilizadas em aplicações semelhantes e dados reais de máquinas de chave de uma ferrovia no Brasil. Como resultados tem-se: (i) um conjunto de modelos aptos a detectar e diagnosticar os diversos estados de operacionalidade de um AMV, incluindo as causas das falhas; (ii) utilização desses métodos como uma ferramenta de apoio para auxiliar o especialista de domínio na tomada de decisão de manutenção; (iii) geração de um ranking com os algoritmos que obtiveram os melhores resultados. Por fim, são apresentadas as principais conclusões decorrentes desses experimentos.