Title

CLASSIFICAÇÃO DE DESCONTINUIDADES CRÍTICAS EM HASTES E ENGATES DE VAGÕES FERROVIÁRIOS COM AUXÍLIO DE REDES NEURAIS ARTIFICIAIS

CLASSIFICATION OF CRITICAL DISCONTINUITIES IN RAIL-WAGONS’ COUPLINGS AND RODS WITH AID OF ARTIFICIAL NEURAL NETWORKS

Authorship

Amaral, Mateus Ciríaco; Machado, Marcelo Lucas Pereira

Amaral, Mateus Ciríaco

I am this author

Machado, Marcelo Lucas Pereira

I am this author

DOI

10.5151/2594-5327-33228

Downloads

Abstract

A inspeção não-destrutiva por ultrassom é empregada no ramo ferroviário para inspecionar in loco as hastes e engates que ligam vagões entre si, a fim de detectar trincas críticas na composição durante manutenção preditiva. O ensaio requer cuidado pois não são detectadas somente trincas, mas também descontinuidades da natureza da peça. Ainda, uma oficina pode conter múltiplos inspetores, fator que introduz subjetividade ao processo. Uma Rede Neural Artificial pode auxiliar na identificação das descontinuidades críticas, dado um treinamento baseado em análises anteriores. O objetivo deste estudo foi elaborar um modelo programado em Python capaz de prever, por imagens obtidas pelo equipamento de ultrassom, a presença ou não de trincas críticas nos relatórios. A partir do processamento de 1222 imagens registradas pelo aparelho Phasor XS (General Electric), elaborou-se um banco de dados contendo valores de intensidade para cada relatório (variáveis de entrada), e valores binários relacionados a existência ou não de trincas críticas (variável de saída). Os dados registrados foram inseridos em uma rede perceptron de múltiplas camadas, de configuração 20-36-1 e ativações logísticas. Resultados parciais apontam um percentual de predições corretas de 97%, compatível com estudos similares, e métricas de suporte que validam o aprendizado do modelo.

Non-destructive ultrasonic inspection is employed in the railroad industry to inspect in loco the rods and couplings that connect wagons to each other in order to detect critical cracks in the composition during predictive maintenance. The test requires care because not only cracks are detected, but also natural discontinuities of each part. Also, a repair workshop may contain multiple inspectors, a factor that introduces subjectivity to the process. An Artificial Neural Network can aid in the identification of critical discontinuities, given training based on previous analyzes. The aim of this study was to elaborate a Python-programmed model capable of predicting, using images obtained by the ultrasound equipment, the presence or not of critical cracks in each report. A database containing intensity values for each report (input variables), and binary values related to the existence or not of critical cracks (output variable) was elaborated from processing 1222 images generated by the Phasor XS (General Electric) equipment. The data recorded were inserted into a multi-layer perceptron network, of 20-36-1 configuration and logistic activations. Partial results point to a 97% prediction accuracy, value that is compatible with similar studies, and support-metrics that validate model learning.

Keywords

Redes Neurais Artificiais; Ultrassom; Ensaios Não-Destrutivos

Artificial Neural Networks; Ultrasound; Non-Destructive Testing