Um sistema de múltiplos classificadores para detecção de defeitos em dormentes de aço.

Simple item page
dc.contributor.advisorReis, Agnaldo José da Rochapt_BR
dc.contributor.advisorYared, Glauco Ferreira Gazelpt_BR
dc.contributor.authorSilva, Leonardo Pessoa Freitas e
dc.contributor.refereeReis, Agnaldo José da Rochapt_BR
dc.contributor.refereeYared, Glauco Ferreira Gazelpt_BR
dc.contributor.refereeLuz, Eduardo José da Silvapt_BR
dc.contributor.refereeSabino, Jodelson Aguilarpt_BR
dc.contributor.refereeBarreto, Guilherme de Alencarpt_BR
dc.date.accessioned2022-10-13T18:47:35Z
dc.date.available2022-10-13T18:47:35Z
dc.date.issued2022pt_BR
dc.descriptionPrograma de Pós-Graduação em Instrumentação, Controle e Automação de Processos de Mineração. Departamento de Engenharia de Controle e Automação, Escola de Minas, Universidade Federal de Ouro Preto.pt_BR
dc.description.abstractOs 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.pt_BR
dc.description.abstractenThe railroad transport system is essential for trading activities in several countries and plays an important role to improve their economic indicators. To ensure the reliability and safety of rail transport, it is becoming increasingly important to monitor the conditions of the railway and to execute planned maintenance. With regard to sleepers, they must support the rail fastening devices and the structural capacity to transmit forces from the rails to the ballast. The occurred damages in the form of cracks in the sleepers can introduce dangerous situations depending on the daily traffic load and the crack type. Any rupture of a given sleeper will cause an overload on adjacent sleepers, accelerating the structure fatigue of such components, contributing to the occurrence of new cracks, and finally affecting that track gauge. Specifically with regard to steel sleepers, there is still no automatic solution to assess their structural condition. In this context, one proposes a new method for detecting defects in steel sleepers from the permanent way geometric signals, based on signal processing and machine learning. Five classifiers with different learning characteristics were trained: Artificial Neural Networks, Gaussian Mixture Models, Hidden Markov Models, Support Vector Machine and AdaBoost. In addition, a multi- ple classifier system was implemented to improve classification accuracy. The new methodol- ogy proposed in this work has demonstrated effectiveness in steel sleepers defect detection with Hit Rate above 80% and an False Positive Rate below 40%, in most cases.pt_BR
dc.identifier.citationSILVA, Leonardo Pessoa Freitas e. Um sistema de múltiplos classificadores para detecção de defeitos em dormentes de aço. 2022. 114 f. Dissertação (Mestrado Profissional em Instrumentação, Controle e Automação de Processos de Mineração) - Escola de Minas, Universidade Federal de Ouro Preto, Ouro Preto, 2022.pt_BR
dc.identifier.urihttp://www.repositorio.ufop.br/jspui/handle/123456789/15677
dc.language.isopt_BRpt_BR
dc.rightsabertopt_BR
dc.rights.licenseAutorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 04/10/2022 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite a adaptação.pt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nd/3.0/us/*
dc.subjectAprendizado do computadorpt_BR
dc.subjectFerrovias - dormentes - dormentes de açopt_BR
dc.subjectFerrovias - trilhos - defeitospt_BR
dc.subjectFerrovias - medidas de segurançapt_BR
dc.subjectSistemas de Múltiplos Classificadores - SMCpt_BR
dc.titleUm sistema de múltiplos classificadores para detecção de defeitos em dormentes de aço.pt_BR
dc.typeDissertacaopt_BR
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
DISSERTAÇÃO_SistemaMúltiplosClassificadores.pdf
Size:
1.32 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
PROFICAM - Mestrado (Dissertações)