| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 4.22 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Em Portugal, existe uma grande afluência dos transportes ferroviários. Acontece que as
empresas que providenciam esses serviços por vezes necessitam de efetuar manutenção às
vias-férreas/infraestruturas, o que leva à indisponibilização e/ou atraso dos serviços e máquinas,
e consequentemente perdas monetárias. Assim sendo, torna-se necessário preparar um plano
de manutenção e prever quando será fundamental efetuar manutenções, de forma a minimizar
perdas.
Através de um sistema de manutenção preditivo, é possível efetuar a manutenção apenas
quando esta é necessária. Este tipo de sistema monitoriza continuamente máquinas e/ou
processos, permitindo determinar quando a manutenção deverá existir. Uma das formas de
fazer esta análise é treinar algoritmos de machine learning com uma grande quantidade de
dados provenientes das máquinas e/ou processos.
Nesta dissertação, o objetivo é contribuir para o desenvolvimento de um sistema de
manutenção preditivo nas vias-férreas. O contributo específico será detetar e classificar
anomalias. Para tal, recorrem-se a técnicas de Machine Learning e Deep Learning, mais
concretamente algoritmos não supervisionados e semi-supervisionados, pois o conjunto de
dados fornecido possui um número reduzido de anomalias.
A escolha dos algoritmos é feita com base naquilo que atualmente é mais utilizado e apresenta
melhores resultados. Assim sendo, o primeiro passo da dissertação consistiu em investigar
quais as implementações mais comuns para detetar e classificar anomalias em sistemas de
manutenção preditivos.
Após a investigação, foram treinados os algoritmos que à primeira vista seriam capazes de se
adaptar ao cenário apresentado, procurando encontrar os melhores hiperparâmetros para os
mesmos. Chegou-se à conclusão, através da comparação da performance, que o mais
enquadrado para abordar o problema da identificação das anomalias seria uma rede neuronal
artifical Autoencoder. Através dos resultados deste modelo, foi possível definir thresholds para
efetuar posteriormente a classificação da anomalia.
In Portugal, the railway tracks commonly require maintenance, which leads to a stop/delay of the services, and consequently monetary losses and the non-full use of the equipment. With the use of a Predictive Maintenance System, these problems can be minimized, since these systems continuously monitor the machines and/or processes and determine when maintenance is required. Predictive Maintenance systems can be put together with machine and/or deep learning algorithms since they can be trained with high volumes of historical data and provide diagnosis, detect and classify anomalies, and estimate the lifetime of a machine/process. This dissertation contributes to developing a predictive maintenance system for railway tracks/infrastructure. The main objectives are to detect and classify anomalies in the railway track. To achieve this, unsupervised and semi-supervised algorithms are tested and tuned to determine the one that best adapts to the presented scenario. The algorithms need to be unsupervised and semi-supervised given the few anomalous labels in the dataset.
In Portugal, the railway tracks commonly require maintenance, which leads to a stop/delay of the services, and consequently monetary losses and the non-full use of the equipment. With the use of a Predictive Maintenance System, these problems can be minimized, since these systems continuously monitor the machines and/or processes and determine when maintenance is required. Predictive Maintenance systems can be put together with machine and/or deep learning algorithms since they can be trained with high volumes of historical data and provide diagnosis, detect and classify anomalies, and estimate the lifetime of a machine/process. This dissertation contributes to developing a predictive maintenance system for railway tracks/infrastructure. The main objectives are to detect and classify anomalies in the railway track. To achieve this, unsupervised and semi-supervised algorithms are tested and tuned to determine the one that best adapts to the presented scenario. The algorithms need to be unsupervised and semi-supervised given the few anomalous labels in the dataset.
Description
Keywords
Predictive Maintenance Unsupervised learning semi-supervised learning railway tracks