• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Mémoire de Maîtrise
DOI
https://doi.org/10.11606/D.3.2021.tde-20122021-170624
Document
Auteur
Nom complet
Macilio da Silva Ferreira
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Paulo, 2021
Directeur
Jury
Cugnasca, Paulo Sergio (Président)
Santos, Ricardo Caneloi dos
Souza, Gilberto Francisco Martha de
Titre en portugais
Aplicação de técnicas de aprendizado profundo para a detecção e diagnóstico do estado de operacionalidade de sistemas: um estudo de caso em AMVS ferroviários.
Mots-clés en portugais
Aparelho de mudança de via
Ensemble de classificadores
Falhas (Diagnóstico)
Ferrovias (Manutenção)
Manutenção baseada em condição
Métodos preditivos
Sistemas de transportes
Resumé en portugais
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.
Titre en anglais
Application of deep learning techniques for detection and diagnosis of the system operational state: a case study in railways track switches.
Mots-clés en anglais
Condition-based maintenance
Ensemble classifier
Fault detection and diagnosis
Predictive methods
Track switches
Resumé en anglais
Maintenance is an important process in the railway system. The efficiency of the maintenance process directly impacts the availability of the track and, consequently, both the operating costs and the performance of any railway transportation system. Track Switch is an important equipment in the operational context of the railway, in which the occurrence of a failure can cause operational unavailability or even accidents. Therefore, an efficient maintenance process for this asset becomes essential for the good performance of the railway. Currently, this process is mostly based on corrective and preventive approaches, which can lead to long periods of unavailability of the system or to unnecessarily high costs. Furthermore, accurately detecting and diagnosing several degradation states of equipment is considered a challenge for research in this area, especially when the failure modes represented by the states are unknown or wide. This scientific research aims to propose predictive methods, based on machine learning techniques, capable of detecting and diagnosing the operational states (degradation) of an AMV, through both the analysis of the history of operation data and the analysis of data in realtime, through the occurrence of anomalies in the electrical signature of the operating current of the Point Machine that operates the AMV. For this, the main machine learning techniques used in similar applications and real data from point machines on a railway in Brazil are analyzed. The results are: (i) a set of models able to detect and diagnose several operational states of an AMV, including the causes of failures; (ii) using these methods as a support tool to assist the domain specialist in making maintenance decisions; (iii) generation of a ranking with the algorithms that obtained the best results. Finally, the main conclusions resulting from these experiments are presented.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2022-01-04
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2022. Tous droits réservés.