Sistema de Monitorización de Estado para ejes ferroviarios basado en señales de vibración y procesamiento con Redes Neuronales Convolucionales y Temporales

Gómez García, María Jesús, López Galdo, Antía, Martínez Olmos, Pablo y Castejón Sisamón, Cristina(2022) .Sistema de Monitorización de Estado para ejes ferroviarios basado en señales de vibración y procesamiento con Redes Neuronales Convolucionales y Temporales. XV Congreso Iberoamericano de Ingeniería Mecánica.En: Universidad Politécnica de Madrid. (2022-11-22)

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
Abs_135_182378.docx Sistema de Monitorización de Estado Click to show the corresponding preview/stream application/vnd.openxmlf... 1.39MB

Título de la Conferencia XV Congreso Iberoamericano de Ingeniería Mecánica
Fecha de inicio de la Conferencia 2022-11-22
Fecha fín de la Conferencia 2022-11-24
Lugar de la Conferencia Universidad Politécnica de Madrid
Fecha de presentación de la Ponencia 2022
Titulo Sistema de Monitorización de Estado para ejes ferroviarios basado en señales de vibración y procesamiento con Redes Neuronales Convolucionales y Temporales
Autor(es) Gómez García, María Jesús
López Galdo, Antía
Martínez Olmos, Pablo
Castejón Sisamón, Cristina
Materia(s) Ingeniería Mecánica
Resumen Dentro de la industria ferroviaria se están empleando muchos esfuerzos en la digitalización del mantenimiento y en la monitorización de estado. Sin embargo, en el caso de ejes ferroviarios, así como de otros elementos mecánicos, el principal cuello de botella se encuentra en la falta de modelos que sean lo suficientemente generalistas y permitan predecir lo que ocurrirá en otras condiciones o utilizando otro espécimen. En este trabajo, se propone la utilización del aprendizaje profundo, meidante modelos de redes neuronales, para la detección de fisuras en ejes ferroviarios. Para ello, se utilizan las señales de vibración de cuatro conjuntos diferentes eje-rueda, instalados en un bogie y accionados sobre un banco de ensayos. Las señales son obtenidas durante su funcionamiento a distintas condiciones de operación. Las redes neuronales utilizadas combinan una red neuronal convolucional (CNN), con una recurrente (LTSM) y finalmente un perceptrón multicapa (MLP) que proporciona como salida el resultado de la tarea de clasificación. Las curvas ROC muestran una elevada fiabilidad de los modelos que, entrenados únicamente con datos correspondientes a uno de los conjuntos, son capaces de diagnosticar los defectos en el resto de conjuntos, independientemente de las condiciones de montaje y operación.
Abstract Within the railway industry, a lot of effort is being put into the digitalization of maintenance and condition monitoring. However, in the case of railway axles, as well as other mechanical elements, the main bottleneck lies in the lack of models that are general enough to predict what will happen in other conditions or using another specimen. In this work, we propose the use of deep learning, using neural network models, for the detection of cracks in railway axles. For this purpose, the vibration signals of four different wheelset assemblies, installed on a bogie and driven on a test bench, are used. The signals are obtained during operation at different operating conditions. The neural networks used combine a convolutional neural network (CNN), a recurrent neural network (LTSM) and finally a multilayer perceptron (MLP) that provide as output the result of the classification task. The ROC curves show a high reliability of the models that, trained only with data corresponding to one of the wheelsets, are able to diagnose the defects in the rest of the sets, independently of the assembly and operating conditions.
Palabra clave monitorización de estado
señales de vibración
detección de fisuras
ejes ferroviarios
aprendizaje profundo
redes neuronales convolucionales
redes neuronales recurrentes
redes neuronales perceptrón multicapa
Editor(es) Universidad Nacional de Educación a Distancia (España)
Universidad Politécnica de Madrid. Departamento de Ingeniería Mecánica
Fecha 2022
Formato application/ms-word
Identificador bibliuned:congresoCIBIM-2022UPMEspana-Mjgomez
https://doi.org/10.5944/bicim2022.099
Idioma spa
Versión de la publicación publishedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso conferenceObject
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 165 Visitas, 29 Descargas  -  Estadísticas en detalle
Creado: Mon, 12 Dec 2022, 23:27:13 CET