PROFICAM - Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração

Permanent URI for this community

https://monog.ufop.br/handle/123456789/10027
PROFICAM é coordenado em associação no âmbito do convênio firmado entre a Universidade Federal de Ouro Preto e o Instituto Tecnológico Vale - UFOP/ITV.

Browse

Browsing PROFICAM - Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração by Author "Barreto, Guilherme de Alencar"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Um sistema de múltiplos classificadores para detecção de defeitos em dormentes de aço.
    (2022) Silva, Leonardo Pessoa Freitas e; Reis, Agnaldo José da Rocha; Yared, Glauco Ferreira Gazel; Reis, Agnaldo José da Rocha; Yared, Glauco Ferreira Gazel; Luz, Eduardo José da Silva; Sabino, Jodelson Aguilar; Barreto, Guilherme de Alencar
    Os sistemas ferroviarios são importantes para a logística do transporte de cargas e de pessoas em muitos países, contribuindo para uma melhoria nos seus indicadores económicos. Assim, com o intuito de garantir a confiabilidade e a segurança do transporte ferroviário, torna-se cada vez mais importante o monitoramento das condições da via permanente e a realização de manutenções planejadas. No que diz respeito aos dormentes, eles devem suportar os dispositivos de fixação dos trilhos e a capacidade estrutural de transmitir as esforços dos trilhos ao lastro. Qualquer ruptura de um determinado dormente causará uma sobrecarga nos dormentes adjacentes, acelerando a fadiga da estrutura desses componentes, contribuindo para a ocorrência de novos defeitos e, finalmente, afetando a bitola da via. Especificamente com relação aos dormentes de aço, ainda não existe uma solução automática para avaliar sua condição estrutural. Neste contexto, propõe-se um novo método para detecção de defeitos em dormentes de aço à partir de sinais geométricos de via permanente, baseado em processamento de sinais e aprendizado de máquina. Cinco classificadores com diferentes características de aprendizagem foram treinados: Redes Neurais Artificiais, Modelos de Mistura Gaussianas, Modelos de Markov Ocultos, Máquina de Vetores de Suporte e AdaBoost. Além disso, um sistema de múltiplos classificadores foi implementado para melhorar a acurácia da classificação. A metodologia proposta neste trabalho demonstrou eficácia na detecção de defeitos em dormentes de aço com Taxa de Acerto acima de 80% e Taxa de Falso Positivo abaixo de 40%, na maioria dos casos.