Publicación: Sistema de Monitorización de Estado para ejes ferroviarios basado en señales de vibración y procesamiento con Redes Neuronales Convolucionales y Temporales
Fecha
2022
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Nacional de Educación a Distancia (España), Universidad Politécnica de Madrid. Departamento de 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.
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.
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.
Descripción
Categorías UNESCO
Palabras clave
monitorización de estado, señales de vibración, detección de fisuras, ejes ferroviarios, aprendizaje profundo, redes neuronales convolucionales, redes neuronales recurrentes, redes neuronales perceptrón multicapa
Citación
Centro
E.T.S. de Ingenieros Industriales
Departamento
Mecánica