Uma das principais causas de fratura de trilho é o RCF – Rolling Contact Fadigue ou fadiga por contato de rolamento. Em 2021, 57 fraturas foram originadas por RCF, sendo o segundo maior modo de falha nesse ano, conforme Gráfico 1, com um impacto operacional de 70 horas de trens parados.
As figuras 1 e 2 apresentam o veículo RIV (Rail Inspection Vehicle), um veículo rodoferroviário de inspeção de trilhos e as imagens captadas por ele respectivamente.
DESENVOLVIMENTO
Trata-se da aplicação de um modelo de Machine Learning que analisa as imagens automaticamente, direcionando potenciais defeitos para validação de um especialista para atuação da manutenção. Os RCF’s são classificados como head checking, squat, spalling e shelling.
FONTE DE DADOS
As imagens são coletadas pelo veículo e posteriormente carregadas em um drive corporativo. A próxima etapa é o processamento no modelo de Inteligência Artificial para RCF, que entrega os resultados para validação e encaminhamento para a Estratégia de Manutenção da Malha.
Os dados utilizados na criação do modelo são apresentados conforme a figura 3.
ABORDAGEM PELO MÉTODO YOLO-V5 (YOU ONLY LOOK ONCE) Trata-se de um método para detecção de objetos em imagens e na Figura 4 são apresentadas as etapas do seu desenvolvimento. O desenvolvimento do modelo foi elaborado em dois estágios:
• Estágio 1- Destacar o trilho da imagem original
• Estágio 2- Processar a classificar apenas o trilho destacado, reduzindo a possibilidade de erros de classificação, como apresentado na Figura 5. A Figura 6 mostra o processo em dois estágios. Nesta solução de dois estágios, em função de orientações de especialistas de campo, foram utilizadas as categorias da Figura 7: Na figura 8 é apresentada a distribuição da quantidade de anotações no conjunto de dados.
RESULTADOS E CONCLUSÕES
Foram desenvolvidos três modelos:
• Modelo 1: Squat/Spalling/Head Checking
• Modelo 2: Trilho Bom/RCF´s (Squat/ Spalling/Head Checking)
• Modelo 3: Trilho Bom/Squat/Spalling/Head Checking Na figura 9 são apresentados os resultados do teste do Modelo 1. São mostrados os labels antes da predição e os labels previstos, sendo possível visualizar a detecção da maioria dos RCF´s antes da predição. Na Figura 10 são mostrados os resultados de imagens de campo e suas respectivas detecções do RCF´s.
A Figura 11 mostra o modelo de relatório de saída para gestão e planejamento dos dados dos modelos. Nota-se que, apesar dos indicadores do Modelo 1, seu grau de acerto na Figura 10 foi 100%, onde mesmo em casos em que o trilho não apresentou defeitos o modelo também não indicou. Independente disso, os 3 modelos podem ser utilizados, permitindo usar os resultados para priorizar trocas de trilho e suportar modelos de predição de fraturas, gerando ganhos de segurança operacional e otimização do orçamento de manutenção.
