No abstract

No abstract

The prospect of growth of a railway system impacts both the network size and its occupation. Due to the overloaded infrastructure, it is necessary to increase reliability by adopting fast maintenance services to reach economic and security conditions. In this context, one major problem is the excessive friction caused by the wheels. This contingency may cause ruptures with severe consequences. While eddy’s current approaches are adequate to detect superficial damages in metal structures, there are still open challenges concerning automatic identification of rail defects. Herein, we propose an embedded system for online detection and location of rails defects based on eddy current. Moreover, we propose a new method to interpret eddy current signals by analyzing their wavelet transforms through a convolutional neural network. With this approach, the embedded system locates and classifies different types of anomalies, enabling an optimization of the railway maintenance plan. Field tests were performed, in which the rail anomalies were grouped in three classes: squids, weld and joints. The results showed a classification efficiency of ~98%, surpassing the most commonly used methods found in the literature.

Railway track circuit failures can cause significant train delays and economic losses. A crucial point of the railway operation system is the corrective maintenance process. During this operation, the railway lines have the circulation of trains interrupted in the respective sector, where traffic restoration occurs only after completing the maintenance process. Depending on the cause and length of the track circuit, identifying and solving the problem may take a long time. A tool that assists in track circuit fault detection during an inspection adds agility and efficiency in its restoration and cost reduction. This paper presents a new method, based on frequency domain reflectometry, to diagnose and locate false occupancy failures of track circuits. Initially, simulations are performed considering simplified track circuit approximations to demonstrate the operation of the proposed method, where the fault position is estimated by identifying the null points and through non-linear regression on signal amplitude response. A field test is then carried out in a track circuit approximately 1500 m long to validate the proposed method. The results show that the proposed method can identify and estimate the fault location due to a short circuit between rails with high accuracy.

Resumo-Em ambientes de alta taxa de eventos, a resposta do experimento pode ser distorcida devidoà presença de informação proveniente de eventos adjacentes. Este efeito de empilhamento de sinais degrada a eficiência de métodos lineares utilizados para estimar os parâmetros de interesse. No contexto de física de altas energias, a energia do sinal de interesseé medida através da estimação da amplitude do pulso recebido do sistema de calorimetria. No momento, o LHC (do inglês, Large Hadron Collider) opera numa taxa de eventos que produz o empilhamento de sinais. Este trabalho apresenta um método alternativo para estimar a energia das células do Calorímetro de Telhas (TileCal) do detector ATLAS no LHC nestas condições de empilhamento. A abordagem proposta neste trabalho utiliza uma técnica linear baseada no estimador de máxima verossimilhança combinada com uma rede neural. A rede neural tem a função de corrigir as não-linearidades introduzidas pela estatística do empilhamento de sinais na estimativa linear. Os resultados mostram que o uso da abordagem proposta melhora consideravelmente a resolução de energia em condições de operação em alta taxa. A física de interesseé rara e necessita de uma quantidade imensa de dados para se inferir algum comportamento nos dados. Visando aumentar a estatística e, consequentemente, aumentar a probabilidade de se observar fenômenos desconhecidos, o programa do LHC prevê um aumento na luminosidade dos feixes de prótons. A luminosidadeé proporcional ao número de interações por segundo dividido pela seção de choque do feixe. O aumento da luminosidade significa que o feixe será mais denso e, assim sendo, mais interações próton-próton ocorrerão quando os feixes se cruzarem (colisão) [6]. Como a resposta da calorimetria do ATLASé mais lenta que a taxa de eventos do LHC, o efeito do empilhamento de sinais poderá ser observado numa mesma janela de leitura, dificultando a reconstrução do sinal de interesse. PalavrasUsualmente, a estimação da energiaé feita através da combinação linear das amostras digitais recebidas, na qual a matriz de covariância do ruído de fundoé utilizada no processo de otimização para diminuir as incertezas na medida [7]. Entretanto, a informação do empilhamento de sinais introduz não-linearidades no ruído de fundo, fazendo com que a eficiência destes métodos seja degradada.Desta forma, este trabalho apresenta um método alternativo para estimar a energia do calorímetro TileCal [8] do ATLAS em condições de alta luminosidade. Para tratar as componentes não-lineares presentes no ruído de fundo, uma rede neural artificial (RNA) [9]é proposta, a qual realiza um ajuste fino na medida linear, a fim de corrigi-la. O uso de RNA com este propósito já foi aplicado com sucesso em outros contextos [10], [11]. Na próxima seção, o TileCalé brevemente descrito. Na Seção III, o método proposto para realizar a estimativa linear combinada com a correção não-linearé apresentado. Os resultados para simulações de Monte Carlo são discutidos na Seção IV. Por fim, as conclusões são apresentada...