Monitorización de estado de ejes ferroviarios mediante procesamiento con redes neuronales convolucionales y temporales de señales vibratorias

Resumen

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.