Clasificación de la condición de funcionamiento de un bogie ferroviario mediante redes neuronales
Barra lateral del artículo
Contenido principal del artículo
Resumen
La digitalización del mantenimiento ferroviario como consecuencia de la adopción de la Industria 4.0 puede detectar prematuramente la presencia de defectos en el material rodante y notificárselo a los operadores ferroviarios antes con tiempo suficiente para actuar antes de que se produzca un incidente. Esta digitalización implica la instalación de sistemas de medida en sistemas críticos como son los elementos de rodadura de los vehículos ferroviarios y, más concretamente, los bogies. Aunque la inversión necesaria para la digitalización del material rodante puede ser elevada, a la larga debería reducir los costes del extensivo mantenimiento que realizan los operadores ferroviarios, así como los posibles efectos sobre las personas y el medio ambiente.
En este trabajo se pretende determinar la condición de funcionamiento de los elementos de un bogie ferroviario mediante la combinación de técnicas clásicas de tratamiento de la señal vibratoria con sistemas de clasificación automáticos propios de la Industria 4.0. Para ello se han instalado acelerómetros en las cajas de grasa de uno de los ejes del bogie, registrándose las medidas de vibración en diferentes condiciones operativas y en las tres direcciones del espacio.
Las señales de vibración se procesan en los dominios del tiempo y de la frecuencia, extrayendo una serie de hiperparámetros que posteriormente se introducirán en un clasificador basado en redes neuronales. Previamente a la introducción de los hiperparámetros en el sistema de inteligencia artificial, se utilizan técnicas estadísticas para seleccionar el conjunto de hiperparámetros que, a priori, deben garantizar la mayor tasa de acierto del sistema experto. Así mismo, se optimizan los parámetros del sistema clasificador para determinar la configuración que permite obtener la mayor tasa de acierto en la identificación de la condición del eje ensayado. Los resultados muestran un elevado nivel de acierto del clasificador basado en redes neuronales.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
CC BY-NC-SA 4.0)
El lector puede compartir, copiar y redistribuir el material en cualquier medio o formato, siempre y cuando cumpla con las siguientes condiciones:
-
Atribución (BY): Debe dar crédito adecuado al autor original, proporcionando un enlace a la licencia y señalando si se han realizado cambios.
-
No Comercial (NC): No puede utilizar el material con fines comerciales. Esto significa que no puede venderlo ni obtener ganancias directas de su uso.
-
Compartir Igual (SA): Si adapta, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
Recuerda que esta licencia no afecta los derechos legales del autor, como el derecho moral o las excepciones de uso justo.
Citas
Gamez M. J., "Objetivos y metas de desarrollo sostenible", Desarrollo Sostenible. https://www.un.org/sustainabledevelopment/es/objetivos-de-desarrollo-sostenible/ (accedido 28 de enero de 2025).
Bernal E. et al., "Onboard Condition Monitoring Sensors, Systems and Techniques for Freight Railway Vehicles: A Review", IEEE Sensors Journal, 19, 1, 4-24 (2019), doi: 10.1109/JSEN.2018.2875160.
Carboni M. et al., "On monitoring fretting fatigue damage in solid railway axles by acoustic emission with unsupervised machine learning and comparison to non-destructive testing techniques", Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 238, 2, 256-267 (2024), doi: 10.1177/09544097231193186.
Randall R. B., Vibration-based condition monitoring: industrial, automotive and aerospace applications, Second editionWiley, Hoboken, NJ, (2022). doi: 10.1002/9781119477631.
Sánchez R.-V. et al., "Evaluation of Time and Frequency Condition Indicators from Vibration Signals for Crack Detection in Railway Axles", Applied Sciences, 10, 12, 4367 (2020), doi: 10.3390/app10124367.
Li Y. et al., "Wheelset bearing fault detection using morphological signal and image analysis", Structural Control and Health Monitoring, 27, 11, (2020), doi: 10.1002/stc.2619.
Li C. et al., "Bolster spring fault detection strategy for heavy haul wagons", Vehicle System Dynamics, 56, 10, 1604-1621 (2018), doi: 10.1080/00423114.2017.1423090.
Bernal E. et al., "Wheel flat detectability for Y25 railway freight wagon using vehicle component acceleration signals", Vehicle System Dynamics, 1-21 (2019), doi: 10.1080/00423114.2019.1657155.
Bustos A. et al., "Enhancement of chromatographic spectral technique applied to a high-speed train", Structural Control and Health Monitoring, 28, 12, e2842 (2021), doi: 10.1002/stc.2842.
Bustos A. et al., "Methodology for the integration of a high-speed train in Maintenance 4.0", Journal of Computational Design and Engineering, 8, 6, 1605-1621 (2021), doi: 10.1093/jcde/qwab064.
Rosenblatt F., Principles of neurodynamics; perceptrons and the theory of brain mechanisms., Spartan Books, Washington, (1962). Accedido: 20 de abril de 2023. [En línea]. Disponible en: https://catalog.hathitrust.org/Record/000203591
Zhao Y. et al., "Vibration signal analysis and fault diagnosis of bogies of the high-speed train based on deep neural networks", Journal of Vibroengineering, 19, 4, 2456-2474 (2017), doi: 10.21595/jve.2017.17238.
Huang D. et al., "Fault Diagnosis of High-Speed Train Bogie Based on the Improved-CEEMDAN and 1-D CNN Algorithms", IEEE Transactions on Instrumentation and Measurement, 70, 1-11 (2021), doi: 10.1109/TIM.2020.3047922.
Krummenacher G. et al., "Wheel Defect Detection With Machine Learning", IEEE Transactions on Intelligent Transportation Systems, 19, 4, 1176-1187 (2018), doi: 10.1109/TITS.2017.2720721.
Braun S., Procesamiento de señales: guía interactiva para ingenieros, Universidad Nacional de Educación a Distancia, Madrid, (2012).
Proakis J. G. et al., Tratamiento digital de señales, 4a ed Pearson Educación, Madrid, (2007).
Glorot X. et al., "Understanding the difficulty of training deep feedforward neural networks", Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, 249-256 (2010) Accedido: 13 de abril de 2023. [En línea]. Disponible en: https://proceedings.mlr.press/v9/glorot10a.html
Goodfellow I. et al., Deep learning, The MIT press, Cambridge, Mass, (2016).
Bustos A. et al., "Condition monitoring of critical mechanical elements through Graphical Representation of State Configurations and Chromogram of Bands of Frequency", Measurement, 135, 71-82 (2019), doi: 10.1016/j.measurement.2018.11.029.
Fawcett T., "ROC Graphs: Notes and Practical Considerations for Researchers", Machine Learning, 31, 1, 1-38 (2004).