Emprego e otimização de redes neurais artificiais na classificação de trincas detectadas por ultrassom em engates metálicos de vagões ferroviários

Abstract

RESUMO: A técnica de análise não-destrutiva por ultrassom é utilizada no ramo ferroviário para inspecionar em campo os engates que ligam os vagões uns aos outros. A capacidade de detecção de trincas críticas na composição durante manutenção preditiva é fundamental, a fim de evitar que o trem se rompa durante uma viagem. Este ensaio, no entanto, requer atenção especial pois não são detectadas somente as trincas, mas também descontinuidades naturais da geometria da peça, como a presença de furos e ecos de fundo. O cuidado adicional no teste do material pode impactar na velocidade da linha de produção, dependendo do grau de experiência do inspetor. Além disso, um chão de fábrica de tamanho considerável requer múltiplos técnicos de ultrassom, o que introduz subjetividade ao processo de análise. Implementado corretamente, um modelo computacional baseado em Redes Neurais Artificiais pode auxiliar na identificação das descontinuidades nas peças de interesse, desde que seja desenvolvido um treinamento prévio a partir de dados de histórico de análises anteriores. O objetivo deste trabalho foi elaborar e otimizar um modelo de rede neural, programado na linguagem Python, capaz de predizer com alto grau de confiabilidade, diretamente pelos relatórios do equipamento de ultrassom, a presença ou não de trincas críticas que apresentem perigo à composição. O processo de otimização do modelo baseia-se na criação de múltiplas redes, parametrizadas de formas diferentes, a fim de entender o impacto de cada variável no funcionamento do software. Elaborouse um conjunto amostral com as imagens registradas pelo aparelho de ultrassom Phasor XS (General Electric), do qual foram extraídos bancos de dados em diferentes resoluções para o treinamento de diversas redes tipo Multi-Layer Perceptron, e realizou-se um estudo aprofundado da influência de hiperparâmetros estruturais e de treinamento nos comportamentos dos modelos elaborados. Os resultados apontam uma acurácia de 97,97%, mantendo uma precisão de 91,45% e um recall de 88,82%, ainda que adotando medidas conservadoras e generalistas. Verificou-se ótima correlação entre o aprendizado das redes e a presença de descontinuidades críticas nas peças metálicas, enquanto apresentando excelente desempenho, compatível com estudos relacionados na área de inteligência artificial.

ABSTRACT: The non-destructive ultrasound analysis technique is used in the railway industry to field inspect the rods and couplings that connect the wagons to each other. The ability to detect critical cracks in the composition during predictive maintenance is critical, in order to prevent the train from breaking during a trip. This test, however, requires special attention because not only cracks are detected, but also natural discontinuities of the part’s geometry, such as the presence of holes and background echoes. Additional caution in material testing can impact production line speed, depending on the inspector's degree of experience. In addition, a sizeable factory floor requires multiple ultrasound technicians, which introduces subjectivity to the analysis process. Properly implemented, a computational model based on Artificial Neural Networks can assist in identifying discontinuities in parts of interest, provided that prior training is developed from historical data from previous analyzes. The aim of this work was to elaborate and optimize a neural network model, programmed in the Python language, capable of predicting with high reliability, directly through the ultrasound equipment reports, the presence (or absence) of critical cracks that present a danger to the composition. The model optimization process is based on the creation of multiple networks, parameterized in different ways, in order to understand the impact of each variable on the software operation. A sample set was made with the images recorded by the Phasor XS (General Electric) ultrasound device, from which databases were extracted at different resolutions for the training of multiple Multi-Layer Perceptron networks, and an in-depth study of the influence of structural and training hyperparameters on the behavior of the elaborated models was done. The results indicate an accuracy of 97.97%, maintaining an accuracy of 91.45% and a recall of 88.82%, even considering more conservative and generalist measures. There was an excellent correlation between the network learning process and the presence of critical discontinuities in the metallic parts, while presenting excellent performance, compatible with related studies in the area of artificial intelligence.