Madrid, España
La industria ferroviaria emplea actualmente muchos esfuerzos en la digitalización del mantenimiento y en su orientación hacia la monitorización de estado. En el caso específico de los ejes ferroviarios, como en el de otros elementos mecánicos, el principal problema para conseguir este objetivo es la falta de modelos predictivos para generalizar lo que ocurrirá en condiciones de defecto en cualquier condición de operación. En este trabajo, se propone la utilización de modelos basados en aprendizaje profundo, utilizando redes neuronales para el diagnóstico de fisuras en ejes ferroviarios. El patrón utilizado son señales de vibración de cuatro conjuntos diferentes eje-rueda, instalados en un bogie y accionados sobre un banco de ensayos. Las señales se obtienen a distintas condiciones de operación de montaje, carga y velocidad. Las redes neuronales empleadas combinan una red neuronal convolucional (CNN), con una recurrente (LTSM) y por último un perceptrón multicapa (MLP) que arroja a su salida la clasificación de la condición del eje. Los resultados se muestran utilizando curvas ROC, en las que se observa una elevada fiabilidad de los modelos que, habiendo sido entrenados solamente con datos de uno de los conjuntos, son capaces de generalizar y de clasificar correctamente la condición del resto de conjuntos, independientemente de las condiciones de montaje y operación.
The railway industry is currently putting a lot of effort into the digitalisation of maintenance and its orientation towards condition monitoring. In the specific case of railway axles, as in the case of other mechanical elements, the main problem to achieve this goal is the lack of predictive models to generalise what will happen under fault conditions in any operating condition. In this work, we propose the use of models based on deep learning, using neural networks for the diagnosis of cracks in railway axles. The features used are vibration signals from four different axle-wheel assemblies, installed on a bogie and driven on a test bench. The signals are obtained at different operating conditions of mounting, load and speed. The neural networks used combine a convolutional neural network (CNN) with a recurrent neural network (LTSM) and finally a multilayer perceptron (MLP) that outputs the axle condition classification. The results are shown using ROC curves, in which a high reliability of the models is observed, which, having been trained only with data from one of the assemblies, are able to generalise and correctly classify the condition of the rest of the assemblies, independently of the mounting and operating conditions.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados