Título: Detecção de danos em dormentes ferroviários baseada em aprendizado de máquina usando FFT
Autores: Bruno Moreira da Silva, Alan Kardek Rêgo Segundo & Eleir Bortoleto
Resumo: Este artigo apresenta uma abordagem de aprendizado de máquina supervisionado para classificar danos estruturais em dormentes de aço ferroviários usando sinais de vibração. Um sistema embarcado de baixo custo foi desenvolvido para coletar dados de vibração com o uso de acelerômetros MEMS instalados em dormentes. Os sinais adquiridos foram processados com a Transformada Rápida de Fourier (FFT) para extrair características no domínio da frequência. Essas características foram usadas para treinar e avaliar diferentes classificadores, incluindoÁrvores de Decisão, Random Forest e Redes Neurais MLP. Os modelos foram avaliados por meio de métricas de desempenho, validação cruzada e testados em dois conjuntos adicionais para verificar sua capacidade de generalização. O classificador MLP apresentou o melhor desempenho, com acurácia de 91,7% no conjunto de teste, além de boa robustez frente a novos dados. Os resultados demonstraram a viabilidade da implementação de modelos de baixa complexidade computacional em dispositivos de computação de borda, como o ESP32, para a detecção automática de danos em dormentes de aço ferroviários pro.
Palavras-chave: Railway sleepers; Vibration monitoring; Machine learning; FFT; Neural networks.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1191831
Artigo em PDF: CBIC_2025_paper1191831.pdf
Arquivo BibTeX:
CBIC_2025_1191831.bib