Inspeções pré-automatizadas

Antes da introdução de sistemas automatizados, a detecção de defeitos ferroviários dependia fortemente de inspeções manuais realizadas por tripulações de trens e trabalhadores de via. Esses indivíduos realizaram exames visuais dos trens que passavam para identificar sinais de problemas mecânicos, concentrando-se principalmente em "caixas quentes", que eram rolamentos superaquecidos que poderiam produzir fumaça ou chamas visíveis devido à lubrificação inadequada. Os trabalhadores também verificaram se havia arrastos físicos, como correntes penduradas, peças soltas ou equipamentos salientes que poderiam danificar os trilhos ou causar descarrilamentos. Esta abordagem prática foi essencial numa época em que as caixas de diário – invólucros que alojavam os rolamentos do eixo cheios de resíduos oleados – eram o padrão para automóveis de carga e de passageiros, tornando o sobreaquecimento um perigo comum devido à contaminação ou lubrificação insuficiente.[15]

Para auxiliar nessas inspeções, as equipes empregaram ferramentas simples, como pirômetros portáteis, para medir as temperaturas dos rolamentos durante paradas ou desacelerações programadas, permitindo uma detecção mais precisa além de meras dicas visuais.[16] Os trabalhadores na via costumavam usar bandeiras ou sinais visuais para alertar as tripulações sobre possíveis defeitos, marcando os carros problemáticos para exames adicionais. Esses métodos exigiam vigilância constante, com tripulações viajando em vagões para observar a retaguarda do trem enquanto a equipe voltada para a frente verificava a locomotiva e os vagões da frente.

Apesar da sua necessidade, as inspeções manuais tinham limitações significativas baseadas em fatores humanos e restrições operacionais. A confiança na observação muitas vezes falhava na detecção de superaquecimento sutil ou arrasto em velocidade máxima, já que a fumaça poderia não ser aparente até que o dano fosse avançado, levando potencialmente a falhas de eixo ou descarrilamentos.[15] As paragens frequentes dos comboios para verificações minuciosas agravaram os atrasos, sobrecarregaram os horários nas linhas movimentadas e aumentaram as exigências de mão-de-obra. No início do século XX, o uso generalizado de caixas de diário exacerbou estes desafios, uma vez que práticas inadequadas de lubrificação causavam frequentemente sobreaquecimento, contribuindo para numerosos incidentes antes do surgimento de designs melhorados.[16] As vulnerabilidades desta era levaram, em última análise, à mudança para detectores automatizados de caixa quente nas décadas seguintes.

Inovações de meados do século XX

A metade do século XX marcou uma mudança fundamental em direção à detecção automatizada de defeitos em sistemas ferroviários, impulsionada pela necessidade de substituir as inspeções manuais intensivas em mão-de-obra por tecnologias confiáveis ​​na via. Os detectores de caixa quente surgiram como uma inovação fundamental, utilizando sensores infravermelhos para monitorar a temperatura dos mancais dos vagões que passam. Desenvolvidos no final da década de 1940 por Henry Blackstone através de sua empresa, Servo Corporation of America, esses dispositivos adaptaram a tecnologia de detecção de calor infravermelha de origem militar, originalmente usada em sistemas de orientação de mísseis. As primeiras instalações ocorreram em meados da década de 1950 na Southern Railway em Atlanta, Geórgia, onde o equipamento Servo foi colocado em teste para detectar rolamentos superaquecidos que poderiam levar a descarrilamentos. Esses primeiros sistemas escaneavam o material rodante dos trens, disparando alarmes se as temperaturas dos rolamentos excedessem os limites seguros, e eram frequentemente integrados à sinalização ferroviária para exibir bandeiras vermelhas ou interromper operações para inspeção.[18]

A adoção acelerou após a Segunda Guerra Mundial, com as ferrovias dos EUA instalando detectores de caixa quente ao longo das principais linhas para aumentar a segurança e a eficiência. No final da década de 1950, os detectores infravermelhos de beira de estrada tornaram-se padrão, compensando a temperatura do ar ambiente para fornecer leituras precisas mesmo em trens de alta velocidade.[18] A Seaboard Air Line Railroad foi pioneira em sistemas de alerta por voz por volta de 1960, transmitindo notificações de defeitos diretamente para as equipes de treinamento via rádio, o que melhorou os tempos de resposta e reduziu as necessidades de monitoramento manual.[19] Na década de 1960, esses detectores cobriam extensas redes nas principais ferrovias dos EUA, contribuindo para economias de custos significativas através da prevenção de falhas nos eixos.

Complementando a detecção térmica, sistemas mecânicos básicos para equipamentos de arrasto foram introduzidos na década de 1940 e refinados na década de 1950. Esses detectores usavam mecanismos de "barras frágeis" - elementos frágeis posicionados entre e ao lado dos trilhos que quebrariam ao entrar em contato com componentes salientes ou arrastados, como freios quebrados ou peças soltas, interrompendo assim um circuito elétrico para sinalizar um defeito. As primeiras versões, implantadas desde a década de 1940, incluíam avisos sonoros ativados em 1950 para alertar imediatamente as tripulações.[20] No início da década de 1960, projetos de autorrestauração com barras articuladas e suspensas reduziram as demandas de manutenção, ao mesmo tempo que mantiveram a eficácia na identificação de perigos que poderiam danificar a via.[18] Essas inovações automatizaram coletivamente a detecção de falhas mecânicas que as patrulhas manuais muitas vezes não percebiam, estabelecendo as bases para um monitoramento mais amplo na beira da estrada.

Apesar dos seus avanços, os detectores de defeitos de meados do século enfrentaram desafios significativos, incluindo alarmes falsos frequentes desencadeados por factores ambientais como a luz solar ou condições irregulares da pista, o que complicou a operação fiável.[18] Os sistemas iniciais também foram limitados a velocidades mais baixas dos trens para garantir uma varredura precisa, limitando seu uso em linhas principais mais rápidas até que refinamentos na década de 1960 resolveram esses problemas.[17] Disputas legais sobre patentes, como aquelas entre a Servo e a General Electric, atrasaram ainda mais a padronização generalizada.[17]

Expansões do final do século 20 e início do século 21

O descarrilamento de comboios em Mississauga, no Canadá, em 1979, que envolveu a ruptura de vagões com materiais perigosos e a evacuação de mais de 200.000 residentes, destacou vulnerabilidades nas inspecções mecânicas e acelerou a adopção generalizada de detectores de defeitos à beira da estrada nas redes ferroviárias norte-americanas. Em resposta, os reguladores dos Estados Unidos e do Canadá exigiram uma monitorização melhorada nas linhas que transportam mercadorias perigosas através de áreas povoadas, levando à colocação estratégica de detectores de caixa quente em intervalos de aproximadamente 40 quilómetros para detectar o sobreaquecimento dos rolamentos antes de uma falha catastrófica. Esta expansão baseou-se em inovações anteriores, transformando implantações esporádicas em cobertura abrangente nas principais rotas.[21]

Na década de 1990, a Associação de Ferrovias Americanas (AAR) conduziu testes rigorosos, incluindo o Teste de Desenvolvimento de Especificação de Rolamentos Quentes no Transportation Technology Center, Inc. (TTCI), para refinar os padrões de desempenho do detector e reduzir alarmes falsos, melhorando ao mesmo tempo a sensibilidade a defeitos em estágio inicial. Esses esforços diversificaram o portfólio de tecnologia, introduzindo detectores acústicos de rolamentos que empregavam microfones e algoritmos de análise de som para identificar ruídos anômalos de rolamentos defeituosos à medida que os trens passavam em alta velocidade. Complementando estes, os detectores de carga de impacto de rodas (WILDs) surgiram no início da década de 1990, usando medidores de tensão nos trilhos para medir forças verticais e localizar furos nas rodas – defeitos comuns causados ​​pelo deslizamento da roda-trilho que podem levar ao desgaste acelerado da via ou descarrilamentos. Essas inovações marcaram uma mudança em direção a sistemas de detecção proativos e multimodais.[22][23][24]

A integração da rede avançou significativamente durante este período, com detectores ligados a sistemas centralizados para transmissão de dados em tempo real aos despachantes através de rádio e das primeiras plataformas digitais, permitindo respostas coordenadas aos alertas. No início dos anos 2000, iniciativas como o Sistema de Gestão de Saúde de Equipamentos da AAR agregaram dados de locais diferentes, facilitando a análise de tendências e a manutenção preditiva. Estes desenvolvimentos culminaram numa infra-estrutura robusta, correlacionada com uma redução de pelo menos 95% nos descarrilamentos relacionados com rolamentos através de padrões e tecnologia melhorados.[25]

Avanços recentes (2010–2025)

Nas décadas de 2010 e 2020, a integração de tecnologias avançadas melhorou significativamente as capacidades dos detectores de defeitos nos sistemas ferroviários, particularmente através de um aumento nas inspecções automatizadas. Entre 2020 e 2023, as ferrovias dos EUA mais do que duplicaram o número de inspeções automatizadas diárias, aproveitando detectores avançados de via para identificar problemas mecânicos em tempo real e melhorar as métricas gerais de segurança.[19] Esta expansão foi impulsionada pelo apoio regulatório e pela maturidade tecnológica, permitindo um monitoramento de maior frequência sem aumentos proporcionais de recursos humanos.

As atualizações digitais desempenharam um papel fundamental nestes avanços, com a adoção generalizada da conectividade da Internet das Coisas (IoT), permitindo a transmissão de dados em tempo real dos detetores para sistemas centralizados para análise imediata. Sistemas baseados em IoT, como aqueles que usam redes de sensores sem fio, facilitam inspeções visuais e acústicas em tempo real, reduzindo a latência na identificação de defeitos e apoiando análises preditivas para prever tendências de defeitos antes que eles aumentem.[26][27] Os modelos preditivos integrados a essas plataformas analisam padrões de dados históricos e em tempo real, permitindo que as equipes de manutenção priorizem intervenções baseadas em tendências de anomalias, em vez de medidas reativas.

Os principais desenvolvimentos na década de 2020 enfatizaram a inteligência artificial (IA) para detecção de anomalias, com modelos treinados em vastos conjuntos de dados alcançando alta precisão na identificação de irregularidades sutis em trilhos e componentes. Por exemplo, foram implementadas abordagens baseadas na IA para detetar defeitos de forma proativa, como se verifica em sistemas que rastreiam problemas de manutenção ferroviária antes que se tornem críticos.[28] Além disso, os veículos de detecção de falhas alcançaram precisão milimétrica na detecção de trincas nas cabeças, cinturas e bases dos trilhos, aumentando a confiabilidade das inspeções ultrassônicas e baseadas em laser.[29] Os avanços recentes de 2024–2025 incluem modelos de IA aprimorados, como RT-DETR e RFD-DETR, para detecção em tempo real de defeitos em trilhos e fixadores, melhorando a precisão em ambientes de alta velocidade.[30][31]

Globalmente, a União Europeia e a China aceleraram a adopção de sistemas híbridos de detecção de defeitos que combinam múltiplas modalidades de sensores, tais como tecnologias visuais, acústicas e ultrassónicas, para uma monitorização abrangente. Na China, estruturas híbridas de aprendizagem profunda utilizando câmeras de varredura de linha de alta velocidade foram implementadas para detecção de defeitos em componentes em trens em movimento, alcançando desempenho robusto em ambientes ferroviários de alta velocidade.[32] Da mesma forma, as iniciativas da UE incorporaram modelos de fusão multimodal para integrar informações sobre objetos e contextos para inspeções de linhas ferroviárias.[33] As projeções de mercado indicam crescimento contínuo, com o setor global de detectores de falhas ferroviárias avaliado em aproximadamente US$ 2,5 bilhões em 2025 e com expectativa de expansão a uma taxa composta de crescimento anual de 6% ao longo da década.[34]

Instalação e funcionalidade à beira da estrada

Os detectores de defeitos à beira da estrada são normalmente instalados ao longo dos trilhos da ferrovia em intervalos de 10 a 25 milhas, dependendo da rede ferroviária e do tipo específico de detector; após o descarrilamento da Palestina Oriental em 2023, as principais ferrovias de carga Classe I se comprometeram a reduzir o espaçamento do detector de caixa quente (HBD) para uma média de 15 milhas, com implementações em andamento a partir de 2025.[1][35] A seleção do local prioriza seções retas tangentes com boas condições ferroviárias, declives ou curvaturas mínimas e fácil acesso para manutenção, evitando locais como pontes, túneis ou passagens de nível.[1]

A configuração física envolve a montagem de conjuntos de sensores em pórticos ou postes que abrangem os trilhos, posicionados para capturar dados de vagões que passam sem contato.[1] Essas estruturas suportam vários sensores, como pirômetros infravermelhos para detecção térmica ou microfones acústicos, e são conectadas a gabinetes de controle próximos que abrigam equipamentos de processamento.[3] A energia é fornecida através de painéis solares com baterias de reserva, linhas comerciais de CA ou CC da infraestrutura de sinalização da ferrovia, garantindo uma operação confiável em áreas remotas.[1]

Em operação, esses detectores realizam varredura sem contato dos componentes do trem à medida que os veículos passam a velocidades típicas de carga de 20 a 80 mph, sendo ativados após a detecção de um trem que se aproxima por meio de circuitos de trilhos ou sensores de roda.[1][36] Os contadores de eixos, muitas vezes usando transdutores magnéticos espaçados ao longo dos trilhos, registram o número de eixos para associar medições a carros ou caminhões específicos, permitindo a correlação precisa de dados para um trem completo composto por centenas de eixos.[3] Os componentes principais incluem o conjunto de sensores para captura de dados, processadores integrados para rastreamento de eixos em tempo real e módulos de comunicação equipados com rádio, celular ou GPS para transmissão de descobertas.[1]

A manutenção envolve diagnósticos remotos transmitidos através de redes de comunicação para monitorar a integridade do sistema e sinalizar falhas, como após três falhas consecutivas nas verificações de integridade do sensor.[3] A calibração é realizada periodicamente – muitas vezes anualmente ou a cada três anos – para ajustar fatores ambientais como flutuações de temperatura ou clima, usando procedimentos de teste padronizados para manter a precisão.[1]

Tecnologias de sensores e análise de dados

Os detectores de defeitos em sistemas ferroviários empregam uma variedade de tecnologias de sensores para monitorar componentes em busca de anomalias, amplamente categorizadas em métodos de detecção passivos e ativos. Sensores passivos, como termografia infravermelha (IR) e acelerômetros de vibração, detectam sinais que ocorrem naturalmente, como emissões de calor ou oscilações mecânicas, sem emitir energia, permitindo o monitoramento não intrusivo das temperaturas dos rolamentos ou das vibrações dos trilhos.[27] Em contraste, sensores ativos, incluindo transdutores ultrassônicos, transmitem ativamente pulsos – como ondas sonoras – para sondar defeitos internos, como rachaduras em trilhos ou rodas, refletindo os ecos de volta para análise.[27] Essas abordagens são frequentemente integradas por meio de fusão multissensor, onde dados de fontes complementares (por exemplo, IR para calor superficial e ultrassom para falhas subterrâneas) são combinados para aumentar a precisão da detecção, alcançando até 93,8% na classificação de tipos de defeitos ferroviários usando sinais de vibração.[27]

Os dados brutos do sensor passam por processamento inicial para transformar sinais analógicos em formatos digitais utilizáveis. A conversão analógico-digital (A/D) digitaliza saídas contínuas de sensores como pirômetros IR, amostragem em taxas como 1000 Hz para passagens de trens de alta velocidade, enquanto técnicas de filtragem de ruído – como filtros adaptativos – removem a interferência ambiental.[27] Os alarmes baseados em limites acionam alertas quando as medições excedem os limites predefinidos; por exemplo, os detectores de caixa quente são ativados se a temperatura do rolamento ultrapassar a temperatura ambiente em mais de 94,4°C (170°F) ou exceder a orientação contralateral em 52,8°C (95°F).[22] Este modelo simples pode ser expresso como:

onde TbaselineT_{\text{baseline}}Tbaseline​ é a temperatura de referência (por exemplo, ambiente ou eixo médio), e ΔT\Delta TΔT é definido com base em padrões como 94°C (170°F) acima do ambiente, ajustado para fatores como velocidade do trem e condições ambientais.[22]

Técnicas avançadas de análise baseiam-se em dados processados ​​para identificar defeitos de forma mais confiável. As tendências em múltiplas passagens de trem comparam medições sequenciais para detectar mudanças graduais, como o aumento da temperatura dos rolamentos entre os locais dos detectores, permitindo a manutenção preditiva antes de falhas críticas.[22] Algoritmos básicos de detecção de anomalias, incluindo limiares estatísticos e reconhecimento de padrões simples (por exemplo, agrupamento k-means em emissões acústicas), sinalizam valores discrepantes comparando sinais com linhas de base históricas, com métodos baseados em vibração que demonstram alta eficácia no isolamento de defeitos como fixadores soltos.[27] Esses métodos fundamentais fornecem detecção robusta, embora integrações recentes com IA tenham refinado ainda mais a identificação de anomalias.[27]

Mecanismos de Alerta e Resposta

Os detectores de defeitos em sistemas ferroviários geram alertas ao identificar possíveis anomalias, categorizadas principalmente como imediatas ou consultivas. Alertas imediatos, acionados por defeitos críticos, como rolamentos severamente superaquecidos que excedem 200°F acima da temperatura ambiente, podem ativar salvaguardas automáticas, como paradas de sinal ou de trem para evitar falhas iminentes, conforme descrito nas regras operacionais de grandes ferrovias como Norfolk Southern.[37] Alertas consultivos, para questões menos urgentes, como temperaturas entre 170°F e 200°F acima da temperatura ambiente, notificam as tripulações dos trens por meio de "mensagens de locutor" audíveis e recomendam inspeções sem interromper as operações.[37] Essas distinções garantem que as respostas correspondam à gravidade do defeito, equilibrando segurança com eficiência operacional. Após o descarrilamento da Palestina Oriental em 2023, a Administração Ferroviária Federal (FRA) emitiu avisos recomendando revisões dos limiares e melhor monitorização.[38]

A comunicação de alertas depende de redes sem fio que transmitem dados em tempo real para centros de controle centralizados, despachantes e departamentos mecânicos, muitas vezes por meio de e-mails ou sistemas de registro integrados.[37] A integração com sistemas de Controle Positivo de Trem (PTC) é obrigatória para detectores de perigo instalados após 16 de outubro de 2008, permitindo a aplicação automatizada de restrições de velocidade ou proteções de rota com base nas entradas do detector.[39] Essa conectividade facilita a análise de tendências em múltiplas leituras de detectores, como temperaturas crescentes acima de 30 milhas, para informar intervenções proativas.[37]

Os protocolos de resposta seguem padrões da indústria, como a Circular OT-55 da Associação de Ferrovias Americanas (AAR), que orienta trens com defeitos não confirmados a reduzir a velocidade para 30 MPH ou menos até serem resolvidos, e determina que os vagões afetados recebam alertas críticos de rolamento quente. A Administração Ferroviária Federal (FRA) aconselha as ferrovias a revisar e calibrar limites de alerta usando dados históricos, treinar pessoal para inspeções no local e garantir pessoal 24 horas em mesas de monitoramento para registrar alertas para agendamento de manutenção.[40] Para detecções de caixas quentes, os protocolos enfatizam a parada para inspeção se as temperaturas excederem 94,4°C acima da temperatura ambiente ou 52,8°C acima do eixo correspondente, com alertas não verificados solicitando a remoção do carro para mitigar os riscos.[22]

A eficácia desses mecanismos é avaliada por baixas taxas de falsos positivos, com modelos preditivos atingindo aproximadamente 10% de alarmes falsos e mantendo uma precisão de classificação de 90% para defeitos de rodas.[41] Os alertas de segurança da FRA destacam que a integração adequada com o PTC e o monitoramento em tempo real reduzem falhas não reveladas, contribuindo para menos descarrilamentos ao identificar defeitos antes dos limites críticos.[40] No entanto, os desafios persistem, já que até 40% dos rolamentos sinalizados de 2001 a 2007 não foram verificados, ressaltando a necessidade de calibração contínua para minimizar paradas desnecessárias.[22]

Detectores de caixa quente

Os detectores de caixa quente (HBDs) são sistemas de monitoramento de beira de estrada projetados para identificar superaquecimento em rolamentos de eixos ferroviários, o que pode sinalizar falhas iminentes devido a lubrificação inadequada ou problemas mecânicos. Esses dispositivos desempenham um papel fundamental na prevenção de descarrilamentos, alertando as tripulações sobre possíveis defeitos em tempo real. Instalados pela primeira vez em meados da década de 1950, os HBDs marcaram um avanço significativo na segurança ferroviária automatizada, com a unidade inaugural implantada pela Servo Corporation na ferrovia Chesapeake & Ohio em 1956.[42] Na década de 1960, a adoção expandiu-se rapidamente, impulsionada pela necessidade de substituir as inspeções manuais, e em 2023 mais de 6.000 unidades operam nas redes ferroviárias norte-americanas, espaçadas aproximadamente 24-48 km entre si.[22]

Em operação, os HBDs empregam pirômetros infravermelhos sem contato para medir a temperatura da superfície dos mancais ou rolamentos de rolos à medida que os trens passam a velocidades de até 120 km/h. Os sensores examinam a capa do rolamento, normalmente visando a pista interna, e comparam a temperatura detectada com as condições ambientais e o rolamento oposto no mesmo eixo para análise diferencial. Os alarmes são ativados se a temperatura do rumo exceder 94,4°C (170°F) acima da temperatura do ar ambiente ou 52,8°C (95°F) acima do rumo adjacente, acionando notificações imediatas para treinar tripulações via rádio ou sinais de beira de estrada. Os primeiros sistemas usavam detecção infravermelha de feixe único, mas a evolução para configurações de feixe duplo nas décadas posteriores melhorou a precisão, compensando fatores ambientais como a radiação solar através da medição simultânea de superfícies de referência.

As principais vantagens dos HBDs incluem sua natureza não invasiva, permitindo monitoramento contínuo sem interromper as operações dos trens, e sua capacidade de detectar sinais precoces de falhas de lubrificação ou contaminação que podem levar a avarias catastróficas nos rolamentos. Esses sistemas contribuíram para uma redução substancial de incidentes relacionados a hot boxes. No entanto, persistem limitações, como a vulnerabilidade à carga solar, que pode causar falsos positivos durante condições de sol, a menos que seja mitigada por algoritmos de compensação ambiental. Além disso, imprecisões de medição (previsão insuficiente em até 47°C ou previsão exagerada em 25°C) resultam de fatores como variação da emissividade do rolamento (normalmente 0,86-0,96) e alinhamento da instalação, resultando potencialmente em defeitos perdidos ou paradas desnecessárias. Um exemplo notável é o descarrilamento de 2023 na Palestina Oriental, Ohio, onde um HBD não forneceu um aviso atempado de uma falha no rolamento, levando a preocupações de segurança e subsequentes avisos da FRA sobre a melhoria da utilização de dados. A pesquisa em andamento se concentra na integração do aprendizado de máquina para aumentar a eficácia preditiva e reduzir essas taxas de erro.[22][16][44]

Detectores de rodas quentes

Detectores de rodas quentes (HWDs) são sistemas de monitoramento de beira de estrada projetados para identificar rodas superaquecidas em vagões que passam, causado principalmente por sapatas de freio travadas ou emperradas que geram atrito excessivo durante deslizamentos ou frenagens prolongadas. Esses dispositivos desempenham um papel fundamental na prevenção de danos às rodas que poderiam levar a descarrilamentos, alertando as equipes sobre anomalias térmicas nas bandas de rodagem ou nos cubos das rodas. Ao contrário de outros sistemas térmicos, os HWDs visam especificamente fontes de calor relacionadas às rodas, concentrando-se no superaquecimento induzido por fricção em vez de falhas de componentes internos.[1]

Em operação, os HWDs empregam sensores infravermelhos (IR) posicionados aproximadamente 4 polegadas acima do trilho para escanear os aros e os degraus das rodas enquanto os trens passam a velocidades de até 300 mph. Os sensores medem as temperaturas da superfície e utilizam algoritmos para distinguir o calor da roda das condições ambientais ou de componentes adjacentes, como rolamentos, analisando a posição e o padrão da assinatura térmica. Esta configuração permite a detecção em tempo real em trilhas niveladas e tangentes, onde ocorre a varredura ideal e os dados são transmitidos aos sistemas centrais para revisão imediata.[1]

Os critérios de detecção são baseados nos padrões da Association of American Railroads (AAR), sinalizando rodas quando as temperaturas excedem 170°F (76,7°C) acima da temperatura ambiente ou 95°F (35°C) acima da temperatura do rolamento correspondente, indicando possíveis freios travados, pontos planos causando deslizamento ou outros problemas de atrito. Esses limites garantem a identificação precoce de defeitos que podem aumentar, como o deslizamento prolongado das rodas, levando à degradação do material. Por exemplo, temperaturas nesta faixa sinalizam a necessidade de inspeção para solucionar problemas de funcionamento dos freios antes que o acúmulo de calor cause mais danos.[1][45]

Os HWDs são frequentemente localizados e integrados com detectores de caixa quente (HBDs) em compartimentos compartilhados, permitindo a análise correlacionada de dados de rodas e rolamentos juntamente com a velocidade do trem para validar alertas e reduzir falsos positivos. Esta integração melhora o monitoramento geral da estrada, já que a velocidade influencia a geração de calor a partir do atrito, com velocidades mais altas amplificando a sensibilidade de detecção. As ferrovias usam software proprietário para processar resultados combinados, muitas vezes vinculados a etiquetas de identificação automática de equipamentos (AEI) para rastrear os vagões afetados.[1]

A implantação de HWDs mitigou significativamente os riscos de desintegração das rodas, onde o superaquecimento não controlado pode causar falhas estruturais e descarrilamento. Após atualizações generalizadas na década de 1990, incluindo redes expandidas de beira de estrada, os acidentes ferroviários relacionados a falhas de eixos, rolamentos e rodas diminuíram 81% em relação aos níveis de 1980, atribuindo grande parte dessa melhoria a sistemas proativos de detecção térmica, como os HWDs. Estudos de caso de testes da Administração Ferroviária Federal demonstram que esses detectores identificam valores discrepantes relacionados aos freios, perdidos em inspeções manuais, evitando incidentes por meio de intervenções oportunas.[1][19][45]

Monitores de temperatura ferroviária

Os monitores de temperatura ferroviária são sistemas especializados de beira de estrada projetados para medir a temperatura dos trilhos, especialmente a cabeceira dos trilhos, para mitigar os riscos associados à expansão térmica e à instabilidade dos trilhos. Esses dispositivos empregam sensores infravermelhos (IR) fixos posicionados ao longo dos trilhos em intervalos estratégicos para capturar leituras de temperatura sem contato da superfície do trilho. As medições podem ser feitas continuamente ou em intervalos periódicos configuráveis, como a cada 15 minutos ou até 12 horas, dependendo das condições ambientais e da configuração do sistema, permitindo o monitoramento proativo sem interromper as operações ferroviárias.[46][47]

O objetivo principal desses monitores é detectar o aquecimento solar excessivo dos trilhos, que pode exceder 120°F (49°C) e induzir tensões de compressão que levam à deformação ou empenamento dos trilhos, uma causa comum de descarrilamentos em seções de trilhos soldados contínuos (CWR). Ao identificar temperaturas elevadas na cabeceira dos trilhos em tempo real, os sistemas acionam alertas para despachantes e tripulações, permitindo a implementação de restrições de velocidade específicas ou ordens lentas para evitar incidentes e, ao mesmo tempo, minimizar interrupções em toda a rede. Por exemplo, quando os limites são ultrapassados, as notificações são enviadas através de protocolos de comunicação sem fio, como GSM, e-mail ou sistemas SCADA integrados, facilitando medidas de resposta rápida.[46][47]

Os avanços no monitoramento da temperatura ferroviária incorporaram redes de sensores sem fio, como conectividade NB-IoT ou CAT-M1, para permitir a transmissão de dados em tempo real e o mapeamento de perfis de temperatura em extensos segmentos de via. Esses sistemas geralmente se integram a dados meteorológicos de fontes como o Serviço Meteorológico Nacional, combinando leituras específicas de ferrovias com fatores ambientais, como radiação solar, velocidade do vento e umidade ambiente, para aumentar a precisão das previsões e reduzir a dependência de previsões de áreas amplas. Essa fusão oferece suporte a avaliações de risco granulares e específicas do local, melhorando a eficiência operacional.[46][48]

Esses monitores são padronizados para implantação em regiões propensas ao calor, incluindo as linhas áridas do sudoeste dos EUA, onde a alta exposição solar eleva rotineiramente as temperaturas dos trilhos e aumenta os riscos de empenamento. Os dispositivos são projetados para durabilidade, geralmente apresentando classificações IP67 ou IP68 para suportar condições ambientais adversas e exigem tempo mínimo de instalação – normalmente de 10 a 30 minutos por sensor – garantindo ampla aplicabilidade em ferrovias Classe I e redes regionais.[46][49]

Detectores de rolamentos acústicos

Os detectores de rolamentos acústicos são sistemas de monitoramento de beira de estrada projetados para identificar defeitos em rolamentos de rolos ferroviários, analisando as emissões acústicas geradas durante a passagem do trem. Esses sistemas empregam microfones ou acelerômetros montados em trilhos para capturar sinais aéreos ou de vibração de alta frequência emanados de rolamentos defeituosos, que produzem padrões de ruído distintos devido a impactos ou fricção dentro dos componentes do rolamento.[50][51]

A operação depende de técnicas de processamento de sinais, como análise de transformada rápida de Fourier (FFT), para isolar assinaturas de falhas do ruído de fundo, incluindo interações roda-trilho. Esses detectores são particularmente eficazes em velocidades de trem entre 20 e 60 mph, onde frequências induzidas por defeitos, muitas vezes na faixa de 8 a 13 kHz, tornam-se proeminentes no espectro acústico.[50] Eles visam tipos de defeitos específicos em rolamentos de rolos, incluindo lascas em pistas internas ou externas, rachaduras ou corrosão na superfície do rolo, corrosão por corrosão por água e anéis internos soltos (cones girados), permitindo a identificação precoce antes que a falha se transforme em problemas térmicos.

O desenvolvimento de detectores acústicos de rolamentos começou na década de 1990 por meio de esforços de prototipagem do Transportation Technology Center, Inc. (TTCI), apoiado pela Federal Railroad Administration (FRA) e pela Association of American Railroads (AAR), culminando no Trackside Acoustic Detection System (TADS®) introduzido em 2002. Os avanços no processamento de sinal digital melhoraram a filtragem de ruído e a classificação de defeitos, levando a implantações em mais de 19 locais na América do Norte a partir de 2017. Para graves defeitos, esses sistemas atingem uma precisão superior a 90%, reduzindo significativamente a dependência de inspeções visuais manuais, automatizando o monitoramento remoto e solicitando a configuração oportuna dos vagões para evitar descarrilamentos. Avanços recentes na década de 2020 incluem o uso de coeficientes cepstrais de frequência Mel (MFCC) e classificadores de aprendizado de máquina, alcançando precisões de detecção de até 99% para falhas de rolamento em testes controlados.[50][52][51][53]

Detectores de carga de impacto de rodas

Os detectores de carga de impacto de rodas (WILDs) são sistemas de monitoramento de beira de estrada projetados para medir as forças verticais exercidas pelas rodas dos trens sobre os trilhos, identificando defeitos como pontos planos ou condições fora de rotação que geram impactos dinâmicos excessivos. Esses sistemas normalmente empregam extensômetros montados na alma do trilho entre dormentes, que detectam e registram a deflexão causada pela passagem das rodas, capturando dados de carga vertical em altas taxas de amostragem para avaliar forças estáticas e dinâmicas de pico. À medida que uma roda com defeito rola sobre o trilho, ela produz um pico de impacto acentuado, que os extensômetros convertem em sinais elétricos para processamento pela eletrônica de bordo, permitindo a análise em tempo real da saúde da roda durante a passagem do trem em velocidades de até 80 mph.

A métrica principal usada em sistemas WILD é a razão dinâmica (DR), calculada como

onde o pico de carga representa a força máxima durante o impacto e a carga estática é a força média da roda em condições normais; alarmes são acionados se o incremento de carga dinâmica exceder 20-40 kips ou se DR > 3, indicando possíveis defeitos. De acordo com os padrões da Association of American Railroads (AAR), critérios adicionais incluem um incremento de carga dinâmica superior a 30 kips ou um impacto de pico superior a 65 kips para alertas amarelos, aumentando para bandeiras vermelhas a 90 kips ou DR >= 3, solicitando inspeção imediata ou restrições de velocidade. Esses limites ajudam a quantificar a gravidade das irregularidades nas rodas, com dados frequentemente integrados em sistemas de gestão de frota para análise de tendências.[56][54]

O objetivo principal dos WILDs é mitigar o desgaste acelerado de rodas, trilhos e componentes de trilhos causado por defeitos de alto impacto, aumentando assim a segurança e reduzindo os custos de manutenção, exigindo o ajuste ou substituição oportuna das rodas antes que falhas levem a descarrilamentos ou danos ao equipamento. Ao sinalizar rodas problemáticas, esses detectores apoiam estratégias de manutenção baseadas em condições, evitando problemas como descascamento ou fragmentação que podem comprometer a integridade do material circulante.[54][57]

A tecnologia WILD evoluiu desde os primeiros protótipos mecânicos na década de 1980, inicialmente implantados pela Amtrak e pela Administração Ferroviária Federal no Corredor Nordeste para resolver rachaduras por fadiga nos assentos ferroviários, até sistemas eletrônicos sofisticados na década de 1990 que incorporaram processamento digital de sinais e transmissão remota de dados. Seguiu-se a adoção generalizada nas ferrovias norte-americanas, com mais de 500 instalações no início dos anos 2000, integrando-se a redes mais amplas à beira da estrada para permitir análises preditivas e reduzir incidentes relacionados aos trilhos em mais de 50%. Iterações modernas, como o WILD IV, apresentam matrizes de extensômetros aprimoradas para maior precisão (± 2% nas forças das rodas) e integração com GPS para rastreamento preciso do carro.

Detectores de ruído terrestres

Os detectores de ruído baseados em solo utilizam conjuntos de microfones na via para capturar sinais acústicos de banda larga emitidos pelos trens que passam, concentrando-se em sons anômalos do material rodante para identificar possíveis defeitos. Esses sistemas normalmente apresentam vários microfones de alta sensibilidade instalados ao longo de seções retas dos trilhos, abrangendo 6 a 9 metros para gravar áudio à medida que cada vagão passa a velocidades entre 15 e 80 mph. Os dados coletados passam por processamento em tempo real para diferenciar ruídos normais de rolamento de irregularidades, empregando algoritmos de inteligência artificial para filtrar e classificar anomalias como chocalhos metálicos de componentes soltos. Este método sem contato permite o monitoramento contínuo sem interromper as operações do trem.[1]

Apesar destes progressos, os detectores de ruído baseados no solo são susceptíveis à interferência do ruído ambiente, como o vento ou o tráfego próximo, o que pode obscurecer os sinais de defeito e levar a falsos negativos. O desempenho é otimizado em locais rurais de baixo ambiente com fontes sonoras externas mínimas, enquanto áreas urbanas ou de alto tráfego exigem algoritmos adicionais de supressão de ruído para manter a confiabilidade.[58]

Arrastar Detectores de Equipamentos

Os detectores de equipamentos de arrasto (DEDs) são sistemas de beira de estrada projetados para identificar componentes soltos, pendurados ou arrastados em veículos ferroviários que passam, como mangueiras, correntes ou peças de freio, que podem danificar a infraestrutura ou levar a descarrilamentos.[1] Esses detectores são normalmente instalados ao longo dos trilhos da linha principal em intervalos de 20 a 30 milhas, posicionados perto do solo para interceptar saliências do material rodante de vagões de carga e locomotivas.[18] Ao alertar as tripulações dos trens ou os despachantes em tempo real, os DEDs permitem paradas imediatas para mitigar os perigos antes que eles aumentem.[1]

O desenvolvimento de DEDs começou no início da década de 1950 com projetos mecânicos destinados a prevenir descarrilamentos causados ​​por peças desacopladas ou soltas.[18] Os primeiros sistemas, conhecidos como detectores de "barras frágeis", apresentavam elementos fixos colocados entre e ao lado dos trilhos que se fraturariam ao entrar em contato com o equipamento de arrasto, interrompendo assim um circuito elétrico para disparar um alarme e parar o trem.[18] Na década de 1960, surgiram variantes de autorrestauração, usando componentes articulados e com molas que eram redefinidos após a ativação, reduzindo a necessidade de reparos manuais frequentes.[18] Com o tempo, a adoção cresceu nas redes de carga da América do Norte, com mais de 1.000 unidades em operação em 2019, muitas vezes integradas com outros sistemas de monitoramento de beira de estrada. Em 2024, as ferrovias norte-americanas operavam aproximadamente 15.860 detectores de beira de estrada de vários tipos, incluindo DEDs.[1][59]

Operacionalmente, os DEDs funcionam detectando interrupções físicas ou impactos de elementos arrastados. Tipos mecânicos, como portões giratórios, ativam interruptores pneumáticos ou eletrônicos quando acionados, gerando um alarme que pode incluir um recurso de "locutor" para transmissão de rádio para a tripulação do trem, como instruções para parar para inspeção. Variantes eletrônicas modernas empregam sensores de aceleração montados em dormentes, capazes de medir forças de até 600g, com limites definidos pelo usuário para disparar alertas somente após contato confirmado.[1] Esses sensores costumam ser bidirecionais e autoajustáveis ​​para minimizar a interferência ambiental, como o vento.[60] Os tipos especializados incluem sistemas de feixe óptico que procuram saliências sem contato físico.[1]

Os DEDs demonstram alta confiabilidade em operações de frete, com configurações que evitam alarmes redundantes de um único incidente e se integram a sistemas como detectores de caixa quente para inspeções abrangentes.[1] A sua implantação contribuiu para reduções globais nos descarrilamentos relacionados com a via, identificando os perigos de forma proativa, embora a atribuição específica apenas aos DED seja um desafio devido às tecnologias combinadas à beira da estrada.[60] Sensores modernos alcançam baixas taxas de falsos alarmes por meio de protocolos avançados de limiarização e verificação, aumentando a eficiência operacional e protegendo ao mesmo tempo o material circulante, a carga e a integridade dos trilhos.[1] Os recursos relacionados de detecção de mangueiras baixas se sobrepõem aos sistemas de monitoramento de liberação, mas geralmente são tratados dentro de estruturas DED gerais para brevidade na implantação.[1]

Detectores de carro alto ou carga deslocada

Os detectores de vagões altos ou de carga deslocada são sistemas especializados de beira de estrada projetados para identificar vagões com alturas elevadas ou carga distribuída de forma desigual que podem comprometer a estabilidade do trem ou a liberação da infraestrutura. Esses detectores desempenham um papel crucial na prevenção de acidentes, verificando os trens que passam em velocidades operacionais, normalmente de até 60 mph, e disparando alertas para anomalias que excedem os limites de segurança predefinidos.[61][1]

Operacionalmente, os detectores de vagões altos empregam telêmetros a laser ou infravermelho (IR) montados em pórticos ou pontes para medir o perfil vertical e a largura dos vagões, criando uma barreira virtual que detecta saliências ou elevações. Por exemplo, sistemas como o detector High-Wide Load (HWL) usam sensores IR operando em frequências próximas do infravermelho combinados com barreiras de laser para verificar condições fora do padrão, com lógica de controle integrando sensores de roda para filtrar falsos alarmes de fatores ambientais. A detecção de carga deslocada geralmente se integra às tecnologias de pesagem em movimento (WIM) ou detector de carga de impacto de roda (WILD), onde medidores de tensão incorporados no trilho medem as cargas por eixo e as forças de impacto; padrões irregulares, como distribuição desigual entre eixos, indicam deslocamentos de carga que alteram o centro de gravidade. Esses sistemas processam dados em tempo real, associando descobertas a identificações de carros individuais por meio de etiquetas de identificação automática de equipamentos (AEI) para inspeções direcionadas.[62][63][64]

Os limites de detecção de defeitos são calibrados de acordo com padrões de segurança, com alarmes ativados para saliências de carga que podem tombar, como tamanhos mínimos de objetos de 14 cm a 50 km/h ou 70 cm a 250 km/h, dependendo da velocidade e do perfil do medidor. Para cargas deslocadas, os sistemas WIM sinalizam desequilíbrios significativos, enquanto o WILD alerta sobre forças de impacto que ultrapassam 90-140 kips, sinalizando uma potencial redistribuição de carga. Esses limites ajudam a mitigar os riscos de descarrilamento, solicitando paradas ou inspeções imediatas.[63][1][55]

Esses detectores são particularmente vitais para contêineres intermodais e operações de frete a granel, onde podem ocorrer empilhamento ou assentamento desiguais durante o trânsito, e muitas vezes se integram a redes mais amplas de pesagem e monitoramento de desequilíbrio para fornecer avaliações abrangentes de carga. A conformidade segue as regras de liberação da Association of American Railroads (AAR), como as dimensões da Placa C limitando a altura dos carros a 15 pés e 9 polegadas, com atualizações digitais pós-2000 incorporando visão de máquina e IA para maior precisão e redução de falsos positivos em relação aos sistemas analógicos anteriores.

Monitores de Medidores de Folga e Estrutura

Os monitores de folga e de bitola estrutural são sistemas de beira de estrada projetados para detectar quando os trens que passam infringem os limites espaciais predefinidos da infraestrutura de via, garantindo uma passagem segura ao identificar componentes salientes ou superdimensionados. Esses detectores traçam o perfil do envelope do trem em tempo real em relação a um medidor de estrutura virtual, que define as dimensões máximas permitidas em relação a obstáculos fixos como túneis, plataformas, pontes e sinais. Ao examinar continuamente o perfil do trem, os sistemas acionam alarmes para interromper as operações caso ocorram violações, mitigando assim os riscos de colisões ou danos.[65][66]

Operacionalmente, esses monitores empregam scanners a laser 3D, como sistemas LiDAR, montados na via ou em veículos de inspeção para gerar nuvens de pontos de alta resolução que mapeiam os contornos do trem em velocidades de até 100 km/h. As câmeras podem ser integradas aos scanners para fornecer verificação visual e colorir os dados para análise detalhada em modelos de medidores virtuais, alcançando precisões de medição de cerca de 2 cm. O processo envolve a comparação do perfil digitalizado com o medidor de estrutura – um envelope dinâmico que leva em conta a curvatura da via e a oscilação do veículo – para identificar quaisquer desvios. Por exemplo, barreiras de sensores infravermelhos podem formar uma grade de detecção ativada apenas pela aproximação de trens, minimizando falsos positivos.[67][66][63]

Os tipos comuns incluem detectores de mangueiras baixas, que identificam mangueiras de ar flácidas ou saliências do material rodante que podem prender a infraestrutura, muitas vezes adaptados de sensores de equipamentos de arrasto com pás elevadas para detecção baseada em contato. Os detectores de carga ampla concentram-se em saliências laterais que excedem os limites do medidor, usando laser ou conjuntos de sensores para sinalizar cargas superdimensionadas ou deslocadas. Os alarmes são normalmente definidos para invasões tão pequenas quanto 2 cm, permitindo uma intervenção precoce antes que ocorram violações críticas. Esses sistemas são particularmente essenciais em linhas de tráfego misto, onde configurações variadas de trens compartilham rotas com serviços de carga de alta velocidade ou de grandes dimensões.[68][63][67]

O objetivo principal desses monitores é evitar colisões com elementos da via, como sinais, plataformas e linhas aéreas, que podem levar a descarrilamentos, danos à infraestrutura ou interrupções de serviço. São vitais para manter a segurança operacional em redes com espaços livres apertados, apoiando a introdução de novo material circulante ou modificações de infraestrutura sem comprometer a capacidade das rotas. Em ambientes de tráfego misto, garantem a compatibilidade entre trens de passageiros e de carga, reduzindo os riscos de acidentes e permitindo a manutenção preditiva.[65][66][69]

Sistemas de inspeção de vídeo e imagem

Os sistemas de inspeção de vídeo e imagem empregam câmeras de alta velocidade posicionadas ao longo dos trilhos ou abaixo dos trilhos para capturar imagens detalhadas dos veículos ferroviários que passam, permitindo a detecção de defeitos superficiais sem interromper as operações. Esses sistemas normalmente usam sensores de dispositivo de carga acoplada (CCD) ou semicondutores de óxido metálico complementar (CMOS) para gravar imagens ou quadros de vídeo em taxas que suportam velocidades de trem de até 200 km/h, seguidos por algoritmos de visão computacional, como redes neurais convolucionais (CNNs) ou detecção de bordas para identificar anomalias como rachaduras e desgaste.

Em operação, as câmeras são frequentemente dispostas em conjuntos com orientações angulares para escanear o material rodante de forma abrangente, capturando múltiplas visualizações por veículo; fontes de iluminação como anéis de LED garantem clareza em condições de pouca luz, enquanto as etapas de pré-processamento corrigem distorções e costuram quadros em composições panorâmicas para análise. A visão computacional processa essas entradas para segmentar e classificar defeitos, sinalizando problemas como rachaduras estruturais em componentes ou desgaste excessivo em peças mecânicas por meio de correspondência de padrões e técnicas de detecção de anomalias. As variantes multiespectrais incorporam imagens infravermelhas para revelar irregularidades térmicas, melhorando a detecção de falhas incipientes, como elementos de superaquecimento.[70][72][71]

As aplicações incluem a inspeção de acopladores quanto a danos, como falta de fixadores ou falhas na forquilha, analisando imagens de alta resolução durante o transporte para evitar falhas no acoplamento. Esses sistemas também suportam a detecção de pichações em exteriores e etiquetas de veículos, usando algoritmos treinados em IA para identificar marcações não autorizadas e alertar as equipes de manutenção para remoção imediata. Configurações de visão estéreo, empregando câmeras binoculares, geram modelos 3D de superfícies para avaliar a profundidade e o volume dos defeitos, auxiliando em avaliações precisas de padrões de desgaste em elementos do material rodante, como eixos e conjuntos de freios.[73][74][75]

A evolução desses sistemas vai desde a gravação de vídeo analógica baseada em CCD do início dos anos 2000 para monitoramento básico na via até configurações digitais modernas de alta definição na década de 2020, integrando computação de ponta para processamento no local e latência reduzida em alertas de defeitos. As implantações iniciais se concentraram em capturas com taxa de quadros limitada em torno de 30 fps, enquanto os avanços contemporâneos permitem análises em tempo real em resoluções mais altas, geralmente em gabinetes robustos para resistir à exposição climática e às vibrações.[76][71][77]

As precisões relatadas para detecção de defeitos visíveis normalmente excedem 95%, com implementações específicas alcançando 98% de precisão na identificação de rachaduras e problemas estruturais por meio de algoritmos otimizados como variantes YOLO, embora o desempenho possa variar de acordo com fatores ambientais. Projetos resistentes às intempéries, incluindo caixas seladas e iluminação adaptável, atenuam os desafios causados ​​pela chuva ou poeira, garantindo uma operação confiável em diversas condições. Integrações recentes de melhorias de IA refinam ainda mais a classificação, conforme explorado em aplicações mais amplas de aprendizado de máquina para manutenção ferroviária.[71][78][71]

Sistemas de medição de perfil de roda

Os Sistemas de Medição de Perfil de Roda são tecnologias ópticas sem contato utilizadas na manutenção ferroviária para avaliar a geometria e o desgaste das rodas dos trens, com foco em flanges e bandas de rodagem para garantir operação segura e longevidade. Esses sistemas operam em velocidades de trem de até 100 km/h ou mais, escaneando as rodas sem exigir paradas e são normalmente instalados na via em locais fixos. O método principal envolve triangulação a laser, onde um projetor a laser emite uma linha de luz estruturada na superfície giratória da roda e uma câmera de alta velocidade captura a deformação para gerar um perfil 3D preciso do contorno da roda. Isso permite a medição de dimensões importantes, como altura do flange, espessura, desgaste da banda de rodagem e diâmetro geral com precisão de até 0,1 mm.[79][80][81]

Esses sistemas detectam defeitos críticos, como irregularidade excessiva, definida pela Association of American Railroads (AAR) como excentricidade superior a 0,070 polegadas, o que pode causar vibrações e desgaste acelerado.[82] A espessura do flange é outra métrica vital; os alarmes são acionados quando cai abaixo do limite de condenação AAR de 7/8 de polegada (medido 3/8 de polegada acima da banda de rodagem), indicando potencial risco de descarrilamento se não for resolvido. Ao quantificar esses parâmetros em relação aos padrões AAR descritos no Manual de Padrões e Práticas Recomendadas, os sistemas facilitam o reperfilamento oportuno das rodas para restaurar os perfis nominais e cumprir os requisitos regulamentares para o serviço de intercâmbio.[83]

Os dados de cada eixo são automaticamente registrados e marcados com data e hora, muitas vezes integrados a sistemas de identificação de trens para monitoramento abrangente da frota. Este registro por eixo suporta análise de tendências, identificando padrões de desgaste irregular em rotas ou tipos de rodas para informar cronogramas de manutenção preditiva e reduzir o tempo de inatividade não planejado. Rodas mal perfiladas detectadas aqui podem contribuir para cargas de impacto elevadas em outras partes do trem, conforme avaliado por ferramentas de monitoramento complementares.[84][85]

Detectores de desequilíbrio de veículos

Os detectores de desequilíbrio de veículos são sistemas especializados de beira de estrada usados ​​em redes ferroviárias para identificar distribuição desigual de peso entre vagões, mitigando os riscos associados a deslocamentos de carga que podem levar à instabilidade e descarrilamentos.[86] Esses detectores utilizam principalmente extensômetros ou células de carga instaladas em redes ferroviárias para capturar dados dinâmicos de carga vertical à medida que os trens passam em velocidades operacionais de até 200 km/h (125 mph), permitindo a avaliação em tempo real do equilíbrio transversal (lado a lado) e longitudinal (ponta a ponta). Ao analisar variações de carga, os sistemas fornecem dados críticos para decisões de manutenção, melhorando a segurança geral do frete sem exigir paradas de trem.

Em operação, os detectores de desequilíbrio dos veículos funcionam através de redes de sensores, como extensômetros montados entre travessas, que medem as forças verticais exercidas por cada eixo nos trilhos esquerdo e direito. Para desequilíbrio transversal, o sistema compara cargas entre rodas opostas no mesmo eixo; para desequilíbrio longitudinal, avalia a distribuição entre os eixos do carro, da frente para trás. O processamento de dados envolve a filtragem de ruído e a extração de recursos como taxas de carga por eixo, muitas vezes usando técnicas como análise de componentes principais (PCA) ou modelos autorregressivos para distinguir padrões normais de anômalos. Esta configuração permite a detecção durante as operações normais do trem, com sensores calibrados para levar em conta as condições dos trilhos e as velocidades dos veículos.

Os critérios de detecção são orientados por padrões internacionais, como os da União Internacional de Ferrovias (UIC), que acionam alarmes para taxas de carga transversais superiores a 1,25:1 (indicando mais de aproximadamente 11% de variação por lado) e relações longitudinais superiores a 3:1 para vagões equipados com bogie ou 2:1 para tipos não-bogie.[87] Estes limiares garantem a identificação precoce de desequilíbrios que possam comprometer a estabilidade, com alarmes transmitidos às tripulações dos comboios ou sistemas de monitorização centralizados para ação imediata, como abrandar o comboio ou inspecionar a carruagem afetada. Na prática, sistemas como detectores de pesagem em movimento (WIM) integram essas medições para sinalizar variações que, de outra forma, poderiam passar despercebidas até que ocorra uma falha.

Esses detectores são particularmente vitais para evitar descarrilamentos de cargas deslocadas, um problema comum em vagões-tanque, onde o conteúdo líquido pode respingar durante o trânsito, criando desequilíbrios dinâmicos. Por exemplo, o carregamento desigual em vagões-tanque de materiais perigosos tem sido associado a vários incidentes de descarrilamento, sublinhando a necessidade de monitorização proactiva para manter uma distribuição uniforme do peso e evitar danos ou derrames. Amplamente implantados nas linhas de carga da América do Norte, esses sistemas contribuem para intervenções mais amplas de detectores de beira de estrada que resultaram em uma redução relatada de 53% em certos descarrilamentos relacionados aos trilhos entre 2003 e 2012.[1]

A integração com sistemas de pesagem mais amplos, como configurações WIM, fornece dados contextuais de carga total, permitindo que os operadores correlacionem desequilíbrios com o peso geral do carro e priorizem os reparos. Essa sinergia aprimora o compartilhamento de dados por meio de plataformas como o InteRRIS® da Administração Ferroviária Federal, permitindo que as ferrovias rastreiem problemas recorrentes nas frotas. Embora o foco seja a detecção no nível do carro, breves referências cruzadas ao monitoramento de desempenho específico do bogie podem refinar o diagnóstico das contribuições do material rodante para o desequilíbrio geral.

Detectores de desempenho de bogie

Os detectores de desempenho de bogies são sistemas especializados de beira de estrada projetados para monitorar a suspensão e o alinhamento de bogies ferroviários, também conhecidos como caminhões, que suportam o veículo ferroviário e garantem distribuição e estabilidade adequadas da carga. Esses detectores normalmente empregam acelerômetros para medir movimentos de guinada e inclinação, bem como sensores de deslocamento a laser para avaliar deslocamentos verticais, laterais e longitudinais nos componentes primários da suspensão. Ao analisar essas respostas dinâmicas à medida que os trens passam por seções instrumentadas dos trilhos, os sistemas podem identificar problemas como molas desgastadas ou desalinhamentos que comprometem a integridade do bogie. Por exemplo, extensômetros montados na alma do trilho capturam forças laterais e verticais durante manobras de curva, permitindo a avaliação em tempo real da rotação do bogie e do retorno ao posicionamento neutro.[88][89][90]

As principais métricas de desempenho incluem variações no curso da suspensão e desvios no ângulo de direção, que indicam possíveis falhas. Sensores a laser, por exemplo, detectam deslocamentos laterais superiores a 5 mm na suspensão primária, sinalizando interferência geométrica ou instabilidade por desgaste de componentes. Os desvios do ângulo de direção em sistemas passivos, conforme observados em certos estudos, são quantificados para avaliar erros de rastreamento e ângulo de ataque, com limites baseados em padrões como os da Association of American Railroads (AAR).[89][91][88] Essas métricas ajudam a sinalizar anomalias, como frequências de oscilação excessivas ou comprimentos de onda em movimentos de caça, normalmente monitorados em trajetória tangente em velocidades de até 300 km/h.

O objetivo principal dos detectores de desempenho do bogie é manter a estabilidade do veículo em altas velocidades e minimizar o desgaste nas curvas, garantindo direção ideal do bogie e equilíbrio de carga. Ao detectar sinais precoces de mau desempenho, como forças laterais elevadas com média de 65 kN nas rodas motrizes durante as curvas, esses sistemas evitam descarrilamentos e prolongam a vida útil das rodas, trilhos e elementos de suspensão. Este foco direcionado na mecânica do bogie contrasta com os detectores de desequilíbrio do veículo, que avaliam o equilíbrio geral do carro em todo o chassi.[90][91][88]

Os avanços na década de 2010 introduziram conjuntos multissensores combinando acelerômetros, giroscópios e lasers sem contato para avaliação abrangente da integridade do bogie, alcançando até 92% de precisão de detecção a 65 mph em testes de campo. Esses sistemas integrados, implantados em redes como as 140.000 milhas de trilhos da América do Norte, apoiam a manutenção preditiva rastreando a progressão dos defeitos e cumprindo os critérios AAR para forças e oscilações. Projetos resistentes às intempéries garantem uma operação confiável em diversas condições, aumentando a segurança e a eficiência ferroviária em geral.[88][91]

Sensores de pesagem em movimento

Sensores de pesagem em movimento (WIM) são sistemas especializados integrados em trilhos ferroviários para medir dinamicamente o peso dos veículos ferroviários à medida que eles passam em velocidades operacionais, normalmente de até 100 km/h ou mais, sem necessidade de paradas. Esses sistemas empregam principalmente tiras piezoelétricas ou conjuntos de células de carga embutidos ou montados nos trilhos para capturar as forças verticais exercidas pela passagem dos eixos. Sensores piezoelétricos geram sinais elétricos proporcionais à pressão aplicada, enquanto células de carga utilizam extensômetros para detectar deformações sob carga, permitindo a aquisição de dados em tempo real. Os sensores são estrategicamente colocados em pares ou sequências ao longo da pista para dar conta da dinâmica do veículo, com sinais processados ​​por algoritmos que filtram ruídos de vibrações e variações de velocidade.[92][93]

A detecção em sistemas WIM concentra-se na identificação de sobrecargas e desequilíbrios de carga que podem comprometer a integridade da via, a estabilidade do veículo ou a conformidade regulatória. As sobrecargas são sinalizadas quando as cargas ferroviárias brutas excedem os limites estabelecidos, como 286.000 libras (aproximadamente 130 toneladas métricas) por vagão de carga nos padrões norte-americanos, o que ajuda a evitar o desgaste excessivo da infraestrutura. Os desequilíbrios são detectados através de variações nas cargas por eixo, normalmente alertando quando as diferenças excedem 10% entre eixos no mesmo bogie ou vagão, indicando possíveis cargas deslocadas ou distribuição desigual. Esses limites são aplicados para manter as margens de segurança, com sistemas frequentemente integrados em redes de monitoramento de beira de estrada para alertas automatizados aos despachantes.[94][95]

As cargas por eixo são calculadas agregando as forças dinâmicas registradas em vários sensores e ajustando fatores que influenciam, como a velocidade do trem, para estimar equivalentes estáticos. A formulação básica envolve a divisão da força total medida pelo número de eixos, com correções baseadas na velocidade aplicadas por meio de fatores de calibração derivados de modelos empíricos:

onde f(v)f(v)f(v) representa a função de ajuste de velocidade, geralmente um polinômio ou tabela de pesquisa calibrada para condições específicas do local para minimizar erros, alcançando precisões entre 2-5% sob velocidades controladas. Os pesos brutos dos veículos são então somados a partir das contribuições individuais dos eixos, permitindo um perfil de carga abrangente.[92][96]

Esses sensores desempenham um papel fundamental na aplicação das regulamentações de peso e no aumento da eficiência operacional nas redes ferroviárias de carga e de passageiros. Ao verificar a conformidade com os limites de carga, os sistemas WIM mitigam os riscos de danos e descarrilamentos nos trilhos, ao mesmo tempo que detectam discrepâncias de subcarga que podem indicar fraude de frete, como declarações manipuladas para reduzir custos de transporte. Ao contrário dos detectores de desequilíbrio de veículos que enfatizam os padrões de distribuição de carga, o WIM fornece medições de peso absoluto essenciais para avaliações de carga de infraestrutura.[97][98]

Detectores de bloco de freio

Os detectores de bloqueio de freio são sistemas especializados de inspeção de beira de estrada projetados para monitorar a condição das sapatas ou bloqueios de freio em vagões ferroviários de carga, concentrando-se principalmente no desgaste e na presença para manter a integridade da frenagem. Esses sistemas empregam tecnologias ópticas ou baseadas em visão, como câmeras de alta velocidade e sensores a laser, para capturar imagens ou medições de blocos de freio à medida que os trens passam a velocidades da linha principal de até 80 km/h. Sondas mecânicas, embora menos comuns em instalações modernas, podem contatar fisicamente os blocos para medição direta de espessura em algumas configurações legadas ou híbridas. A função principal é medir a espessura restante, com alarmes acionados quando ela cai abaixo dos limites críticos, como 1/2 polegada (12,7 mm) para sapatas de ferro fundido, indicando a necessidade de substituição para evitar limites condenatórios. Além disso, esses detectores identificam blocos ausentes ou soltos, o que pode comprometer todo o conjunto de frenagem.[99][100][101]

Em operação, os sistemas processam dados em tempo real, comparando os valores medidos com tolerâncias predefinidas para gerar alertas para blocos finos, rachados ou ausentes. Por exemplo, algoritmos de visão automatizados analisam imagens capturadas para quantificar o desgaste com precisão submilimétrica, muitas vezes integrando detecção de bordas e perfil de profundidade para avaliar o nivelamento e a condição geral. Esses detectores são particularmente vitais para trens de carga equipados com sistemas de freio a ar, onde o desgaste desigual ou excessivo dos blocos pode levar à distribuição ineficiente da pressão e à redução do poder de parada em toda a composição. Ao garantir que todos os blocos atendam aos padrões mínimos, a tecnologia mantém a eficiência da frenagem, evitando cenários em que componentes degradados contribuem para o superaquecimento das rodas devido ao atrito inadequado.[102][103][104]

Tecnologicamente, os detectores de bloqueio de freio evoluíram para soluções totalmente automatizadas desde o início dos anos 2000, frequentemente integrados a portais de inspeção de vídeo mais amplos para análise abrangente do material rodante. Empresas como Wabtec e MERMEC oferecem sistemas como BrakeView e monitores de parâmetros de freio que combinam imagens ópticas com processamento aprimorado por IA para classificação de defeitos e relatórios vinculados a números de identificação de carros. Essa integração permite o monitoramento 24 horas por dia, 7 dias por semana, sem interromper as operações, reduzindo as inspeções manuais e permitindo a manutenção preditiva com base nas tendências de desgaste. As implicações de segurança são profundas, pois a detecção oportuna evita falhas nos freios de emergência que poderiam resultar em descarrilamentos ou colisões, melhorando assim a confiabilidade geral da rede ferroviária.[100][105][106]

Aplicativos de IA e aprendizado de máquina

A inteligência artificial e o aprendizado de máquina permitem a análise automatizada de dados de sensores a partir de imagens, vídeos e sinais acústicos para identificar anomalias como rachaduras, desalinhamentos e desgaste em esteiras, rodas e fixadores. Redes neurais convolucionais (CNNs) e modelos de detecção de objetos como YOLO são comumente integrados para processar dados visuais para classificação de defeitos em tempo real. Essas abordagens apoiam a manutenção preditiva por meio de algoritmos de detecção de anomalias que sinalizam desvios dos padrões normais, reduzindo o tempo de inatividade ao prever possíveis falhas antes que elas aumentem.

Os avanços na aprendizagem profunda entre 2020 e 2025 aumentaram a precisão na identificação de defeitos ferroviários a partir de imagens. Por exemplo, um modelo YOLOv5s aprimorado alcançou 96,9% de precisão média média em conjuntos de dados de defeitos de superfície ferroviária.[107] O processamento em tempo real em dispositivos de ponta tornou-se viável, permitindo análises no local. Exemplos específicos incluem variantes Faster R-CNN para detectar defeitos em fixadores de trilhos, como clipes soltos ou parafusos faltando. Técnicas de aprendizagem não supervisionadas, como codificadores automáticos e detecção de anomalias baseadas em cluster, abordam falhas raras aprendendo assinaturas operacionais normais a partir de dados não rotulados, permitindo a identificação de problemas infrequentes, como desequilíbrios sutis nas rodas.

Métodos ultrassônicos e de correntes parasitas

O teste ultrassônico (UT) emprega pulsos sonoros de alta frequência, normalmente na faixa de 2 a 5 MHz, para detectar defeitos internos, como rachaduras e vazios em rodas e trilhos ferroviários, por meios não destrutivos.[108] O método baseia-se na técnica de pulso-eco, onde ondas ultrassônicas são transmitidas ao material por meio de transdutores piezoelétricos acoplados através de rodas ou trenós cheios de fluido, e os ecos dos defeitos são recebidos e analisados ​​quanto à amplitude e tempo de voo para determinar a localização e o tamanho da falha.[109] Em aplicações ferroviárias, isso permite a inspeção de toda a seção transversal do trilho em velocidades de até 40 km/h usando sondas de roda, identificando efetivamente defeitos transversais e longitudinais que podem comprometer a integridade estrutural.[110] Para rodas ferroviárias, o UT visa trincas nas placas e defeitos na banda de rodagem direcionando pulsos do aro ou cubo da roda, com validações experimentais confirmando a viabilidade de detecção de trincas tão pequenas quanto 1 mm de profundidade.[111] A apresentação de dados geralmente usa monitores A-scan, que mostram a amplitude do eco versus o tempo em um traço unidimensional para dimensionamento preciso da falha, e formatos B-scan, fornecendo uma imagem bidimensional da seção transversal ao longo do caminho de inspeção para visualizar a orientação e extensão do defeito nos trilhos.[112]

O teste de correntes parasitas (ECT) utiliza indução eletromagnética para identificar falhas superficiais e subterrâneas em materiais condutores, como trilhos e rodas, sem exigir contato direto.[113] A corrente alternada em uma bobina gera correntes parasitas na peça de teste; interrupções causadas por defeitos alteram a impedância da bobina, que é medida para detectar anomalias, como rachaduras por fadiga por contato de rolamento ou corrosão.[114] Esta técnica é particularmente adequada para inspeções de trilhos, onde scanners portáteis ou sistemas de beira de estrada montados em veículos de inspeção podem operar em altas velocidades, identificando defeitos de até 10 mm de profundidade com preparação mínima da superfície.[115] Nos testes de rodas, a ECT sonda os assentos dos eixos e as áreas da banda de rodagem para obter indicações subterrâneas, muitas vezes integradas em configurações automatizadas para monitoramento em serviço.[116] Instalações fixas à beira da estrada permitem a varredura contínua à medida que os trens passam, aumentando a eficiência da detecção de falhas subterrâneas em ambientes operacionais.[113]

Avanços recentes nesses métodos melhoraram a precisão e a integração para aplicações ferroviárias. Até 2025, os sistemas ultrassônicos em veículos de inspeção alcançarão precisão milimétrica na detecção de rachaduras na cabeça dos trilhos e na alma.[29] A integração com inteligência artificial facilita a classificação automatizada de sinais de dados UT e ECT, reduzindo falsos positivos e melhorando a caracterização de defeitos em inspeções ferroviárias, analisando varreduras B ultrassônicas combinadas e respostas de correntes parasitas.[117] Esses desenvolvimentos apoiam a manutenção proativa, com aplicações focadas na detecção de falhas em trilhos durante passagens de alta velocidade e inspeções de rodas para evitar descarrilamentos.[118]

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/18667/Wayside%20Detector%20Implementation%20Guide.pdfhttps://www.aar.org/wp-content/uploads/2018/0 7/AAR-High-Tech-Advances-Improve-Railroad-Safety.pdfhttps://files.defectdetector.net/Railroads/Norfolk%20Southern/NS%20Introduction%20To%20Wayside%20Detecto rs.pdfhttps://www.aar.org/issue/freight-rail-safety-inspections/https://cdlelectric.com/hot-box-detectors/https://www.thestar.com/news/gta/1979-train-derail ment-tornou-se-conhecido-como-o-milagre-mississauga/article_9df538d8-4349-5fb5-8274-8bfbe11f50e9.htmlhttps://railroads.dot.gov/elibrary/safety-advisory-2023-01-eva luation-políticas-e-procedimentos-relacionados-ao-uso-e-manutenção-hothttps://www.teledynevisionsolutions.com/learn/learning-center/machine-vision/hot-wheels-can-t hermal-imaging-and-better-hotboxes-improve-rail-safety-/https://www.federalregister.gov/documents/2015/04/27/2015-09612/mechanical-inspections-and-wheel-imp act-load-detector-standards-for-trains-transporting-largehttps://www.trains.com/pro/regulatory/fra-makes-safety-recommendations-for-hotbox-detector-warnings /https://railroads.dot.gov/regulations/federal-register-documents/2024-15691https://public.railinc.com/sites/default/files/documents/OT-55.pdfhttps://asmedig italcollection.asme.org/IMECE/proceedings/IMECE2003/37270/121/298418https://rosap.ntl.bts.gov/view/dot/61622/dot_61622_DS1.pdfhttps://asmedigitalcollection. asme.org/fluidsengineering/article-pdf/58/5/418/6984910/411_1.pdfhttps://www.american-rails.com/hotbox.htmlhttps://files.defectdetector.net/HBD%20History.pd fhttps://www.trains.com/trn/train-basics/abcs-of-railroading/defect-detectors/https://www.aar.org/issue/decades-of-tech-progress/https://www.jonroma.net/sig naling/sinalização ferroviária/H.htmlhttps://www.freightwaves.com/news/there-are-no-federal-regulations-on-key-rail-sensorshttps://www.utrgv.edu/railwaysafety/_fil es/documents/research/mechanical/ijrt_wayside-hbd-investigation.pdfhttps://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/14576/539_ord0006iii%2520Acoust ic%2520Detec%2520of%2520Rail%2520Car%2520Roller%2520Bearing%2520III.pdfhttps://www.tsb.gc.ca/eng/rapports-reports/rail/2018/r18w0007/r18w0007.htmlhttps://ww w.amsteddigital.com/the-latest/monitoring-insights-continuous-monitoring-of-roller-bearings/https://ieeexplore.ieee.org/document/9089560/https://pmc.ncbi.nl m.nih.gov/articles/PMC9459779/https://research.ibm.com/blog/ai-model-discovers-railroad-defects-before-theyre-criticalhttps://www.ndt.net/article/appliedscie nces/papers/applsci-15-07725.pdfhttps://www.sciencedirect.com/science/article/abs/pii/S0263224125024170https://journals.plos.org/plosone/article?id=10.1371/ jornal.pone.0331513https://ieeexplore.ieee.org/document/9254159/https://www.mdpi.com/1424-8220/24/4/1171https://www.archivemarketresearch.com/reports/rail- detector de falhas-497870https://www.trains.com/pro/news-reviews/news-wire/wayside-detectors-in-spotlight-after-norfolk-southern-derailment-in-ohio/https://www.t rains.com/trn/train-basics/abcs-of-railroading/wayside-detectors-advancing-fast/https://www.aslrra.org/aslrra/document-server/?cfp=aslrra/assets/File/public/ notícias/2023/safety-advisory-2023-01-022823-final.pdfhttps://www.federalregister.gov/documents/2024/07/17/2024-15691/safety-advisory-2023-01-evaluation-of-poli cies-e-procedimentos-relacionados-ao-uso-e-manutenção-dehttps://www.ecfr.gov/current/title-49/subtitle-B/chapter-II/part-236/subpart-Ihttps://www.federalre gister.gov/documents/2023/06/14/2023-12724/safety-advisory-2023-01-evaluation-of-policies-and-procedures-related-to-the-use-and-maintenance-ofhttps://www.re searchgate.net/publication/341219920_Wayside_Defect_Detector_Data_Mining_to_Predict_Potential_WILD_Train_Stopshttps://defectdetector.net/manufacturers/servoh ttps://patents.google.com/patent/US3183349A/enhttps://www.ntsb.gov/investigations/AccidentReports/Reports/RIR2405%20CORRECTED.pdfhttps://railroads.fra.dot.g ov/sites/fra.dot.gov/files/fra_net/3520/Using%20Wheel%20Temperature%20Detector%20Technology_20131227_final.pdfhttps://kallipr.com/solutions/rail-temperature -monitoramento/https://yeltech.com/railway-temperature-monitoring-rtmu/https://www.ensco.com/rail/predictive-rail-temperature-system-prtshttps://www.focusedtec hnologysolutions.com/buckledetecthttps://onlinepubs.trb.org/onlinepubs/idea/finalreports/safety/idea_safety_16.pdfhttps://rosap.ntl.bts.gov/view/dot/23139htt ps://www.railwayage.com/mechanical/freight-cars/bearing-down-on-bearings/https://arxiv.org/pdf/2304.07307https://railroads.dot.gov/sites/fra.dot.gov/files/f ra_net/18667/Wayside%2520Detector%2520Implementation%2520Guide.pdfhttps://lbfoster.com/rail/total-track-monitoring/wheel-impact-load-detectorhttps://data.nt sb.gov/Docket/Document/docBLOB?ID=16603144&FileExtension=pdf&FileName=AAR%2520Manual%2520of%2520Standards%2520-%2520S-6000%2520and%2520S-6001-Rel.pdfhttps:// /lbfoster.com/assets/brochures/lbfoster-brochure-us-wildiv-6-11-24_mbf.pdfhttps://www.sciencedirect.com/science/article/abs/pii/S0003682X15002376https://rail

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/18667/Wayside%20Detector%20Implementation%20Guide.pdf

https://www.aar.org/wp-content/uploads/2018/07/AAR-High-Tech-Advances-Improve-Railroad-Safety.pdf

https://files.defectdetector.net/Railroads/Norfolk%20Southern/NS%20Introduction%20To%20Wayside%20Detectors.pdf

https://www.aar.org/issue/freight-rail-safety-inspections/

https://cdlelectric.com/hot-box-detectors/

https://www.thestar.com/news/gta/1979-train-derailment-became-known-as-the-mississauga-miracle/article_9df538d8-4349-5fb5-8274-8bfbe11f50e9.html

https://railroads.dot.gov/elibrary/safety-advisory-2023-01-evaluation-policies-and-procedures-related-use-and-maintenance-hot

https://www.teledynevisionsolutions.com/learn/learning-center/machine-vision/hot-wheels-can-thermal-imaging-and-better-hotboxes-improve-rail-safety-/

https://www.federalregister.gov/documents/2015/04/27/2015-09612/mechanical-inspections-and-wheel-impact-load-detector-standards-for-trains-transporting-large

https://www.trains.com/pro/regulatory/fra-makes-safety-recommendations-for-hotbox-detector-warnings/

https://railroads.dot.gov/regulations/federal-register-documents/2024-15691

https://public.railinc.com/sites/default/files/documents/OT-55.pdf

https://asmedigitalcollection.asme.org/IMECE/proceedings/IMECE2003/37270/121/298418

https://rosap.ntl.bts.gov/view/dot/61622/dot_61622_DS1.pdf

https://asmedigitalcollection.asme.org/fluidsengineering/article-pdf/58/5/418/6984910/411_1.pdf

https://www.american-rails.com/hotbox.html

https://files.defectdetector.net/HBD%20History.pdf

https://www.trains.com/trn/train-basics/abcs-of-railroading/defect-detectors/

https://www.aar.org/issue/decades-of-tech-progress/

https://www.jonroma.net/signaling/railway-signaling/H.html

https://www.freightwaves.com/news/there-are-no-federal-regulations-on-key-rail-sensors

https://www.utrgv.edu/railwaysafety/_files/documents/research/mechanical/ijrt_wayside-hbd-investigation.pdf

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/14576/539_ord0006iii%2520Acoustic%2520Detec%2520of%2520Rail%2520Car%2520Roller%2520Bearing%2520III.pdf

https://www.tsb.gc.ca/eng/rapports-reports/rail/2018/r18w0007/r18w0007.html

https://www.amsteddigital.com/the-latest/monitoring-insights-continuous-monitoring-of-roller-bearings/

https://ieeexplore.ieee.org/document/9089560/

https://pmc.ncbi.nlm.nih.gov/articles/PMC9459779/

https://research.ibm.com/blog/ai-model-discovers-railroad-defects-before-theyre-critical

https://www.ndt.net/article/appliedsciences/papers/applsci-15-07725.pdf

https://www.sciencedirect.com/science/article/abs/pii/S0263224125024170

https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0331513

https://ieeexplore.ieee.org/document/9254159/

https://www.mdpi.com/1424-8220/24/4/1171

https://www.archivemarketresearch.com/reports/rail-flaw-detector-497870

https://www.trains.com/pro/news-reviews/news-wire/wayside-detectors-in-spotlight-after-norfolk-southern-derailment-in-ohio/

https://www.trains.com/trn/train-basics/abcs-of-railroading/wayside-detectors-advancing-fast/

https://www.aslrra.org/aslrra/document-server/?cfp=aslrra/assets/File/public/news/2023/safety-advisory-2023-01-022823-final.pdf

https://www.federalregister.gov/documents/2024/07/17/2024-15691/safety-advisory-2023-01-evaluation-of-policies-and-procedures-related-to-the-use-and-maintenance-of

https://www.ecfr.gov/current/title-49/subtitle-B/chapter-II/part-236/subpart-I

https://www.federalregister.gov/documents/2023/06/14/2023-12724/safety-advisory-2023-01-evaluation-of-policies-and-procedures-related-to-the-use-and-maintenance-of

https://www.researchgate.net/publication/341219920_Wayside_Defect_Detector_Data_Mining_to_Predict_Potential_WILD_Train_Stops

https://defectdetector.net/manufacturers/servo

https://patents.google.com/patent/US3183349A/en

https://www.ntsb.gov/investigations/AccidentReports/Reports/RIR2405%20CORRECTED.pdf

https://railroads.fra.dot.gov/sites/fra.dot.gov/files/fra_net/3520/Using%20Wheel%20Temperature%20Detector%20Technology_20131227_final.pdf

https://kallipr.com/solutions/rail-temperature-monitoring/

https://yeltech.com/railway-temperature-monitoring-rtmu/

https://www.ensco.com/rail/predictive-rail-temperature-system-prts

https://www.focusedtechnologysolutions.com/buckledetect

https://onlinepubs.trb.org/onlinepubs/idea/finalreports/safety/idea_safety_16.pdf

https://rosap.ntl.bts.gov/view/dot/23139

https://www.railwayage.com/mechanical/freight-cars/bearing-down-on-bearings/

https://arxiv.org/pdf/2304.07307

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/18667/Wayside%2520Detector%2520Implementation%2520Guide.pdf

https://lbfoster.com/rail/total-track-monitoring/wheel-impact-load-detector

https://data.ntsb.gov/Docket/Document/docBLOB?ID=16603144&FileExtension=pdf&FileName=AAR%2520Manual%2520of%2520Standards%2520-%2520S-6000%2520and%2520S-6001-Rel.pdf

https://lbfoster.com/assets/brochures/lbfoster-brochure-us-wildiv-6-11-24_mbf.pdf

https://www.sciencedirect.com/science/article/abs/pii/S0003682X15002376

https://railroads.dot.gov/sites/fra.dot.gov/files/2024-01/HRA%20Final%20Report_01.22.24.pdf

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/14672/Wayside%20Deraillament%20Inspection%20Requirements%20Study%20for%20Railroad%20Vehicle%20Equipment%20May%201977.pdf

https://www.railwayage.com/regulatory/high-productivity-fault-detection/

https://www.progressrail.com/en/Segments/RailTechnology.html

http://s7d2.scene7.com/is/content/Caterpillar/C10670246

https://www.cn.ca/en/safety/operative-safety/

https://www.trackopedia.com/en/encyclopedia/infrastructure/wayside-train-monitoring-system-wtms

https://www.ensco.com/rail/clearance-measurement-system-cms

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4883374/

https://www.cn.ca/-/media/Files/Delivering-Responsably/Safety/2018-Safety-Technology-Overview-en.pdf

https://www.railwaygazette.com/uk/gauge-survey-automation-technology-approved/59861.article

https://www.duostechnologies.com/oblique-vue/

https://www.sciencedirect.com/science/article/pii/S2046043024000716

https://onlinepubs.trb.org/onlinepubs/archive/studies/idea/finalreports/highspeedrail/hsr-49final_report.pdf

https://www.researchgate.net/publication/309541091_An_automatic_online_inspection_system_for_a_coupler_yoke_for_freight_trains

https://www.psi-technics.com/PDF/E/PSI-2633-001-190048-Product-Flyer-Automated-Train-Inspection-EN.pdf

https://www.researchgate.net/publication/258717127_3-D_Detection_Technique_of_Surface_Defects_for_Heavy_Rail_Based_on_Binocular_Stereo_Vision

https://rosap.ntl.bts.gov/view/dot/18644/dot_18644_DS1.pdf

https://www.delltechnologies.com/asset/de-at/solutions/business-solutions/customer-stories-case-studies/duos-technologies-improves-railroad-safety-with-edge-solutions.pdf

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/14789/TR_UMD_AnomalyDetection_final.pdf

https://www.photonfocus.com/industries/traffic-transport/wheel-and-rail-inspection/

https://www.ideko.es/en/services-for-industry/case-studies/dwpm-3

https://riftek.com/products/railway_wheel_profile_gauge_ikp/

https://railroadgage.com/information/gaging-steel-wheels/aar-wheel-out-of-round-condemning-limit/

https://www.ecfr.gov/current/title-49/subtitle-B/chapter-II/part-215

https://www.wabteccorp.com/digital-intelligence/condition-monitoring/kinetix-inspection-technologies/wayside/wheelview

https://hexagon.com/products/calipri-x

https://pmc.ncbi.nlm.nih.gov/articles/PMC9919230/

https://uic.org/IMG/pdf/uic_loading_guidelines-volume_1-01042025.pdf

https://papers.phmsociety.org/index.php/phmconf/article/view/2711

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11209620/

https://fudinfo.trafikverket.se/fudinfoexternwebb/Publikationer/Publikationer_002101_002200/Publikation_002133/334_Palo.pdf

https://www.railway-technology.com/products/tbogi-bogie-condition-monitoring-and-hunting-detection-system/

https://www.mdpi.com/1424-8220/22/5/1976

https://www.researchgate.net/publication/230285171_Piezo-based_weigh-in-motion_system_for_the_railway_transport

https://journals.asmedigitalcollection.asme.org/JRC/proceedings-pdf/JRC2006/42037/169/2643689/169_1.pdf

https://flore.unifi.it/retrieve/e398c378-f778-179a-e053-3705fe0a4cff/InnocentiMariniMeliPugiRindi_paper.pdf

https://www.researchgate.net/publication/358978096_Development_and_Validation_of_a_Weigh-in-Motion_Methodology_for_Railway_Tracks

https://www.kistler.com/INT/en/kistler-launches-next-generation-rail-weigh-in-motion-system/C00000234

https://indianexpress.com/article/india/india-others/cbi-unearths-multi-crore-scam-in-railway-weigh-bridges-firs-in-offing/

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/14602/Brake%2520System%2520Design%2520Optimization%2520Volume%2520l%2520A%2520Survey%2520and%2520Assessment%2520June%25201978.pdf

https://www.wabteccorp.com/digital-intelligence/condition-monitoring/kinetix-inspection-technologies/wayside/brakeview

https://www.researchgate.net/publication/220939128_Automated_thickness_measuring_system_for_brake_shoe_of_rolling_stock

https://www.mermecgroup.com/northamerica/inspect/train-monitoring/96/brake-parameters.php

https://www.camco.be/zh/ai-enabled-railway-brake-shoe-wear-tear-detection/index.html

https://publications.gc.ca/collections/collection_2025/cnrc-nrc/NR16-483-2021-eng.pdf

https://media.vossloh.com/media/download/vossloh_rail_watch/Vossloh_Pulsar_EN.pdf

https://www.semanticscholar.org/paper/Automated-Inspection-System-for-Rolling-Stock-Brake-Kim-Kim/9744c2dc21bd3bc548462e6acc5f73d8bee32d7b

https://www.mdpi.com/2076-3417/13/12/7330

https://pmc.ncbi.nlm.nih.gov/articles/PMC10220630/

https://dr.lib.iastate.edu/bitstreams/62f6c52e-6f3b-4dfa-8a6d-d0bd3c55ae0b/download

https://www.monash.edu/international/monash-warwick/researchers/our-research-projects-v2/train-based-rapid-ultrasonic-scanning-of-track-for-rail-defect-detection-using-emat

https://rosap.ntl.bts.gov/view/dot/9764

https://www.ndt.net/article/wcndt2016/papers/p22.pdf

https://rosap.ntl.bts.gov/view/dot/56454

https://www.mdpi.com/2071-1050/14/18/11568

https://www.scirp.org/journal/paperinformation?paperid=16523

https://www.okondt.com/applications/rails-and-welds-testing/eddy-current-testing-of-rails

https://opus4.kobv.de/opus4-bam/frontdoor/index/index/docId/57236

https://ieeexplore.ieee.org/document/10461507/

Definição e Propósito

Um detector de defeitos, comumente referido como detector de beira de estrada, é um sistema de monitoramento automatizado instalado ao longo dos trilhos para inspecionar trens que passam em busca de defeitos mecânicos, térmicos e de posição em componentes do material rodante, como rodas, eixos, rolamentos e elementos de material rodante. Esses sistemas operam continuamente para capturar dados de trens em movimento, fornecendo às ferrovias alertas imediatos sobre possíveis falhas sem exigir intervenção manual durante o trânsito.[3]

O objetivo principal dos detectores de defeitos é mitigar os riscos de segurança, identificando anomalias em tempo real, como rolamentos superaquecidos (caixas quentes), arrastamento de equipamentos ou cargas deslocadas que podem levar a descarrilamentos, incêndios ou danos estruturais.[3] Ao permitir inspeções e reparos imediatos, esses dispositivos ajudam a manter a integridade operacional e a prevenir incidentes catastróficos, especialmente em rotas de carga de alto volume.[1]

Seu escopo abrange operações ferroviárias de carga e de passageiros, visando defeitos em rolamentos históricos - antes propensos a superaquecimento - e rolamentos de rolos modernos, que são mais eficientes, mas ainda suscetíveis a falhas.[1] Além disso, certos tipos de detectores detectam indiretamente anomalias relacionadas aos trilhos, como rupturas ou desalinhamentos de trilhos, por meio de medições de impactos nas rodas ou vibrações de carros que passam.[1] Desde a sua ampla adoção, os detectores de beira de estrada melhoraram significativamente a segurança ferroviária; por exemplo, os detectores de caixa quente por si só contribuíram para uma redução de 81% nos acidentes ferroviários atribuíveis a problemas de eixos e rolamentos desde 1980.[1]

Importância na Segurança Ferroviária

Os detectores de defeitos desempenham um papel fundamental na segurança ferroviária, identificando anomalias mecânicas, como rolamentos de roda superaquecidos, conhecidos como caixas quentes, antes que se transformem em falhas catastróficas, como descarrilamentos. Esses sistemas monitoram a passagem dos trens em tempo real, alertando as tripulações sobre possíveis problemas que poderiam levar a apreensões de rolamentos e fraturas de eixos, evitando assim acidentes que ponham em perigo passageiros, carga e infraestrutura. Por exemplo, a detecção de caixas quentes tem sido fundamental para evitar descarrilamentos, pois o superaquecimento não detectado pode fazer com que as rodas se separem dos eixos, resultando em perda de controle e colisões.[4][5]

Um exemplo claro do seu valor preventivo é o descarrilamento do comboio de Mississauga em Ontário, Canadá, em 1979, onde uma falha na caixa quente num comboio de carga da Canadian Pacific Railway causou a ruptura de um eixo, descarrilando 23 vagões carregados com materiais perigosos e obrigando à evacuação de mais de 200.000 pessoas. Este incidente, que libertou produtos químicos tóxicos e causou extensos danos materiais, mas sem vítimas mortais, sublinhou os perigos de defeitos de rolamento não detetados e levou a reformas regulamentares e em toda a indústria para melhorar a monitorização. Após o evento, detectores de caixa quente foram instalados de forma mais extensiva nas redes ferroviárias norte-americanas, reduzindo significativamente a incidência de tais falhas ao permitir intervenções proativas.[6][7][8]

No cenário regulatório, embora a Administração Ferroviária Federal dos EUA (FRA) não exija universalmente detectores de defeitos na estrada, eles são recomendados para trens que transportam grandes volumes de materiais perigosos. Os dados do detector podem informar as práticas de inspeção e manutenção sob 49 CFR Parte 215, mas as inspeções ainda devem cumprir os requisitos regulamentares. Em julho de 2024, a FRA complementou o Aviso de Segurança 2023-01, instando as ferrovias a avaliar e melhorar as políticas para uso e manutenção de detectores de beira de estrada.[9][10][11] A Associação de Ferrovias Americanas (AAR) fornece padrões que recomendam a colocação de detectores, com um espaçamento médio de cerca de 40 quilômetros ao longo das principais rotas para garantir uma cobertura abrangente, e um máximo de 64 quilômetros em linhas de alta prioridade para equilibrar segurança e eficiência operacional. Organismos semelhantes no Canadá, influenciados pelo incidente de Mississauga, integraram requisitos de detectores em protocolos de segurança para o transporte de mercadorias perigosas, promovendo uma abordagem padronizada para a mitigação de riscos através das fronteiras.[12]

Economicamente, os detectores de defeitos minimizam o tempo de inatividade e os custos de reparo, automatizando inspeções de milhares de eixos por dia sem exigir intervenção humana, permitindo que as ferrovias resolvam os problemas preventivamente, em vez de após a ocorrência de falhas. Esta monitorização proactiva reduz a frequência de falhas em serviço, que de outra forma levariam a atrasos nos comboios, danos nas vias e perdas de carga, com análises de custo-benefício que mostram retornos substanciais através de acidentes evitados e menores despesas de manutenção. Por exemplo, a adoção generalizada após 1979 reduziu drasticamente os incidentes relacionados com caixas quentes, traduzindo-se em milhões de poupanças anuais decorrentes de descarrilamentos evitados e perturbações associadas.[13][14][8]

Inspeções pré-automatizadas

Antes da introdução de sistemas automatizados, a detecção de defeitos ferroviários dependia fortemente de inspeções manuais realizadas por tripulações de trens e trabalhadores de via. Esses indivíduos realizaram exames visuais dos trens que passavam para identificar sinais de problemas mecânicos, concentrando-se principalmente em "caixas quentes", que eram rolamentos superaquecidos que poderiam produzir fumaça ou chamas visíveis devido à lubrificação inadequada. Os trabalhadores também verificaram se havia arrastos físicos, como correntes penduradas, peças soltas ou equipamentos salientes que poderiam danificar os trilhos ou causar descarrilamentos. Esta abordagem prática foi essencial numa época em que as caixas de diário – invólucros que alojavam os rolamentos do eixo cheios de resíduos oleados – eram o padrão para automóveis de carga e de passageiros, tornando o sobreaquecimento um perigo comum devido à contaminação ou lubrificação insuficiente.[15]

Para auxiliar nessas inspeções, as equipes empregaram ferramentas simples, como pirômetros portáteis, para medir as temperaturas dos rolamentos durante paradas ou desacelerações programadas, permitindo uma detecção mais precisa além de meras dicas visuais.[16] Os trabalhadores na via costumavam usar bandeiras ou sinais visuais para alertar as tripulações sobre possíveis defeitos, marcando os carros problemáticos para exames adicionais. Esses métodos exigiam vigilância constante, com tripulações viajando em vagões para observar a retaguarda do trem enquanto a equipe voltada para a frente verificava a locomotiva e os vagões da frente.

Apesar da sua necessidade, as inspeções manuais tinham limitações significativas baseadas em fatores humanos e restrições operacionais. A confiança na observação muitas vezes falhava na detecção de superaquecimento sutil ou arrasto em velocidade máxima, já que a fumaça poderia não ser aparente até que o dano fosse avançado, levando potencialmente a falhas de eixo ou descarrilamentos.[15] As paragens frequentes dos comboios para verificações minuciosas agravaram os atrasos, sobrecarregaram os horários nas linhas movimentadas e aumentaram as exigências de mão-de-obra. No início do século XX, o uso generalizado de caixas de diário exacerbou estes desafios, uma vez que práticas inadequadas de lubrificação causavam frequentemente sobreaquecimento, contribuindo para numerosos incidentes antes do surgimento de designs melhorados.[16] As vulnerabilidades desta era levaram, em última análise, à mudança para detectores automatizados de caixa quente nas décadas seguintes.

Inovações de meados do século XX

A metade do século XX marcou uma mudança fundamental em direção à detecção automatizada de defeitos em sistemas ferroviários, impulsionada pela necessidade de substituir as inspeções manuais intensivas em mão-de-obra por tecnologias confiáveis ​​na via. Os detectores de caixa quente surgiram como uma inovação fundamental, utilizando sensores infravermelhos para monitorar a temperatura dos mancais dos vagões que passam. Desenvolvidos no final da década de 1940 por Henry Blackstone através de sua empresa, Servo Corporation of America, esses dispositivos adaptaram a tecnologia de detecção de calor infravermelha de origem militar, originalmente usada em sistemas de orientação de mísseis. As primeiras instalações ocorreram em meados da década de 1950 na Southern Railway em Atlanta, Geórgia, onde o equipamento Servo foi colocado em teste para detectar rolamentos superaquecidos que poderiam levar a descarrilamentos. Esses primeiros sistemas escaneavam o material rodante dos trens, disparando alarmes se as temperaturas dos rolamentos excedessem os limites seguros, e eram frequentemente integrados à sinalização ferroviária para exibir bandeiras vermelhas ou interromper operações para inspeção.[18]

A adoção acelerou após a Segunda Guerra Mundial, com as ferrovias dos EUA instalando detectores de caixa quente ao longo das principais linhas para aumentar a segurança e a eficiência. No final da década de 1950, os detectores infravermelhos de beira de estrada tornaram-se padrão, compensando a temperatura do ar ambiente para fornecer leituras precisas mesmo em trens de alta velocidade.[18] A Seaboard Air Line Railroad foi pioneira em sistemas de alerta por voz por volta de 1960, transmitindo notificações de defeitos diretamente para as equipes de treinamento via rádio, o que melhorou os tempos de resposta e reduziu as necessidades de monitoramento manual.[19] Na década de 1960, esses detectores cobriam extensas redes nas principais ferrovias dos EUA, contribuindo para economias de custos significativas através da prevenção de falhas nos eixos.

Complementando a detecção térmica, sistemas mecânicos básicos para equipamentos de arrasto foram introduzidos na década de 1940 e refinados na década de 1950. Esses detectores usavam mecanismos de "barras frágeis" - elementos frágeis posicionados entre e ao lado dos trilhos que quebrariam ao entrar em contato com componentes salientes ou arrastados, como freios quebrados ou peças soltas, interrompendo assim um circuito elétrico para sinalizar um defeito. As primeiras versões, implantadas desde a década de 1940, incluíam avisos sonoros ativados em 1950 para alertar imediatamente as tripulações.[20] No início da década de 1960, projetos de autorrestauração com barras articuladas e suspensas reduziram as demandas de manutenção, ao mesmo tempo que mantiveram a eficácia na identificação de perigos que poderiam danificar a via.[18] Essas inovações automatizaram coletivamente a detecção de falhas mecânicas que as patrulhas manuais muitas vezes não percebiam, estabelecendo as bases para um monitoramento mais amplo na beira da estrada.

Apesar dos seus avanços, os detectores de defeitos de meados do século enfrentaram desafios significativos, incluindo alarmes falsos frequentes desencadeados por factores ambientais como a luz solar ou condições irregulares da pista, o que complicou a operação fiável.[18] Os sistemas iniciais também foram limitados a velocidades mais baixas dos trens para garantir uma varredura precisa, limitando seu uso em linhas principais mais rápidas até que refinamentos na década de 1960 resolveram esses problemas.[17] Disputas legais sobre patentes, como aquelas entre a Servo e a General Electric, atrasaram ainda mais a padronização generalizada.[17]

Expansões do final do século 20 e início do século 21

O descarrilamento de comboios em Mississauga, no Canadá, em 1979, que envolveu a ruptura de vagões com materiais perigosos e a evacuação de mais de 200.000 residentes, destacou vulnerabilidades nas inspecções mecânicas e acelerou a adopção generalizada de detectores de defeitos à beira da estrada nas redes ferroviárias norte-americanas. Em resposta, os reguladores dos Estados Unidos e do Canadá exigiram uma monitorização melhorada nas linhas que transportam mercadorias perigosas através de áreas povoadas, levando à colocação estratégica de detectores de caixa quente em intervalos de aproximadamente 40 quilómetros para detectar o sobreaquecimento dos rolamentos antes de uma falha catastrófica. Esta expansão baseou-se em inovações anteriores, transformando implantações esporádicas em cobertura abrangente nas principais rotas.[21]

Na década de 1990, a Associação de Ferrovias Americanas (AAR) conduziu testes rigorosos, incluindo o Teste de Desenvolvimento de Especificação de Rolamentos Quentes no Transportation Technology Center, Inc. (TTCI), para refinar os padrões de desempenho do detector e reduzir alarmes falsos, melhorando ao mesmo tempo a sensibilidade a defeitos em estágio inicial. Esses esforços diversificaram o portfólio de tecnologia, introduzindo detectores acústicos de rolamentos que empregavam microfones e algoritmos de análise de som para identificar ruídos anômalos de rolamentos defeituosos à medida que os trens passavam em alta velocidade. Complementando estes, os detectores de carga de impacto de rodas (WILDs) surgiram no início da década de 1990, usando medidores de tensão nos trilhos para medir forças verticais e localizar furos nas rodas – defeitos comuns causados ​​pelo deslizamento da roda-trilho que podem levar ao desgaste acelerado da via ou descarrilamentos. Essas inovações marcaram uma mudança em direção a sistemas de detecção proativos e multimodais.[22][23][24]

A integração da rede avançou significativamente durante este período, com detectores ligados a sistemas centralizados para transmissão de dados em tempo real aos despachantes através de rádio e das primeiras plataformas digitais, permitindo respostas coordenadas aos alertas. No início dos anos 2000, iniciativas como o Sistema de Gestão de Saúde de Equipamentos da AAR agregaram dados de locais diferentes, facilitando a análise de tendências e a manutenção preditiva. Estes desenvolvimentos culminaram numa infra-estrutura robusta, correlacionada com uma redução de pelo menos 95% nos descarrilamentos relacionados com rolamentos através de padrões e tecnologia melhorados.[25]

Avanços recentes (2010–2025)

Nas décadas de 2010 e 2020, a integração de tecnologias avançadas melhorou significativamente as capacidades dos detectores de defeitos nos sistemas ferroviários, particularmente através de um aumento nas inspecções automatizadas. Entre 2020 e 2023, as ferrovias dos EUA mais do que duplicaram o número de inspeções automatizadas diárias, aproveitando detectores avançados de via para identificar problemas mecânicos em tempo real e melhorar as métricas gerais de segurança.[19] Esta expansão foi impulsionada pelo apoio regulatório e pela maturidade tecnológica, permitindo um monitoramento de maior frequência sem aumentos proporcionais de recursos humanos.

As atualizações digitais desempenharam um papel fundamental nestes avanços, com a adoção generalizada da conectividade da Internet das Coisas (IoT), permitindo a transmissão de dados em tempo real dos detetores para sistemas centralizados para análise imediata. Sistemas baseados em IoT, como aqueles que usam redes de sensores sem fio, facilitam inspeções visuais e acústicas em tempo real, reduzindo a latência na identificação de defeitos e apoiando análises preditivas para prever tendências de defeitos antes que eles aumentem.[26][27] Os modelos preditivos integrados a essas plataformas analisam padrões de dados históricos e em tempo real, permitindo que as equipes de manutenção priorizem intervenções baseadas em tendências de anomalias, em vez de medidas reativas.

Os principais desenvolvimentos na década de 2020 enfatizaram a inteligência artificial (IA) para detecção de anomalias, com modelos treinados em vastos conjuntos de dados alcançando alta precisão na identificação de irregularidades sutis em trilhos e componentes. Por exemplo, foram implementadas abordagens baseadas na IA para detetar defeitos de forma proativa, como se verifica em sistemas que rastreiam problemas de manutenção ferroviária antes que se tornem críticos.[28] Além disso, os veículos de detecção de falhas alcançaram precisão milimétrica na detecção de trincas nas cabeças, cinturas e bases dos trilhos, aumentando a confiabilidade das inspeções ultrassônicas e baseadas em laser.[29] Os avanços recentes de 2024–2025 incluem modelos de IA aprimorados, como RT-DETR e RFD-DETR, para detecção em tempo real de defeitos em trilhos e fixadores, melhorando a precisão em ambientes de alta velocidade.[30][31]

Globalmente, a União Europeia e a China aceleraram a adopção de sistemas híbridos de detecção de defeitos que combinam múltiplas modalidades de sensores, tais como tecnologias visuais, acústicas e ultrassónicas, para uma monitorização abrangente. Na China, estruturas híbridas de aprendizagem profunda utilizando câmeras de varredura de linha de alta velocidade foram implementadas para detecção de defeitos em componentes em trens em movimento, alcançando desempenho robusto em ambientes ferroviários de alta velocidade.[32] Da mesma forma, as iniciativas da UE incorporaram modelos de fusão multimodal para integrar informações sobre objetos e contextos para inspeções de linhas ferroviárias.[33] As projeções de mercado indicam crescimento contínuo, com o setor global de detectores de falhas ferroviárias avaliado em aproximadamente US$ 2,5 bilhões em 2025 e com expectativa de expansão a uma taxa composta de crescimento anual de 6% ao longo da década.[34]

Instalação e funcionalidade à beira da estrada

Os detectores de defeitos à beira da estrada são normalmente instalados ao longo dos trilhos da ferrovia em intervalos de 10 a 25 milhas, dependendo da rede ferroviária e do tipo específico de detector; após o descarrilamento da Palestina Oriental em 2023, as principais ferrovias de carga Classe I se comprometeram a reduzir o espaçamento do detector de caixa quente (HBD) para uma média de 15 milhas, com implementações em andamento a partir de 2025.[1][35] A seleção do local prioriza seções retas tangentes com boas condições ferroviárias, declives ou curvaturas mínimas e fácil acesso para manutenção, evitando locais como pontes, túneis ou passagens de nível.[1]

A configuração física envolve a montagem de conjuntos de sensores em pórticos ou postes que abrangem os trilhos, posicionados para capturar dados de vagões que passam sem contato.[1] Essas estruturas suportam vários sensores, como pirômetros infravermelhos para detecção térmica ou microfones acústicos, e são conectadas a gabinetes de controle próximos que abrigam equipamentos de processamento.[3] A energia é fornecida através de painéis solares com baterias de reserva, linhas comerciais de CA ou CC da infraestrutura de sinalização da ferrovia, garantindo uma operação confiável em áreas remotas.[1]

Em operação, esses detectores realizam varredura sem contato dos componentes do trem à medida que os veículos passam a velocidades típicas de carga de 20 a 80 mph, sendo ativados após a detecção de um trem que se aproxima por meio de circuitos de trilhos ou sensores de roda.[1][36] Os contadores de eixos, muitas vezes usando transdutores magnéticos espaçados ao longo dos trilhos, registram o número de eixos para associar medições a carros ou caminhões específicos, permitindo a correlação precisa de dados para um trem completo composto por centenas de eixos.[3] Os componentes principais incluem o conjunto de sensores para captura de dados, processadores integrados para rastreamento de eixos em tempo real e módulos de comunicação equipados com rádio, celular ou GPS para transmissão de descobertas.[1]

A manutenção envolve diagnósticos remotos transmitidos através de redes de comunicação para monitorar a integridade do sistema e sinalizar falhas, como após três falhas consecutivas nas verificações de integridade do sensor.[3] A calibração é realizada periodicamente – muitas vezes anualmente ou a cada três anos – para ajustar fatores ambientais como flutuações de temperatura ou clima, usando procedimentos de teste padronizados para manter a precisão.[1]

Tecnologias de sensores e análise de dados

Os detectores de defeitos em sistemas ferroviários empregam uma variedade de tecnologias de sensores para monitorar componentes em busca de anomalias, amplamente categorizadas em métodos de detecção passivos e ativos. Sensores passivos, como termografia infravermelha (IR) e acelerômetros de vibração, detectam sinais que ocorrem naturalmente, como emissões de calor ou oscilações mecânicas, sem emitir energia, permitindo o monitoramento não intrusivo das temperaturas dos rolamentos ou das vibrações dos trilhos.[27] Em contraste, sensores ativos, incluindo transdutores ultrassônicos, transmitem ativamente pulsos – como ondas sonoras – para sondar defeitos internos, como rachaduras em trilhos ou rodas, refletindo os ecos de volta para análise.[27] Essas abordagens são frequentemente integradas por meio de fusão multissensor, onde dados de fontes complementares (por exemplo, IR para calor superficial e ultrassom para falhas subterrâneas) são combinados para aumentar a precisão da detecção, alcançando até 93,8% na classificação de tipos de defeitos ferroviários usando sinais de vibração.[27]

Os dados brutos do sensor passam por processamento inicial para transformar sinais analógicos em formatos digitais utilizáveis. A conversão analógico-digital (A/D) digitaliza saídas contínuas de sensores como pirômetros IR, amostragem em taxas como 1000 Hz para passagens de trens de alta velocidade, enquanto técnicas de filtragem de ruído – como filtros adaptativos – removem a interferência ambiental.[27] Os alarmes baseados em limites acionam alertas quando as medições excedem os limites predefinidos; por exemplo, os detectores de caixa quente são ativados se a temperatura do rolamento ultrapassar a temperatura ambiente em mais de 94,4°C (170°F) ou exceder a orientação contralateral em 52,8°C (95°F).[22] Este modelo simples pode ser expresso como:

onde TbaselineT_{\text{baseline}}Tbaseline​ é a temperatura de referência (por exemplo, ambiente ou eixo médio), e ΔT\Delta TΔT é definido com base em padrões como 94°C (170°F) acima do ambiente, ajustado para fatores como velocidade do trem e condições ambientais.[22]

Técnicas avançadas de análise baseiam-se em dados processados ​​para identificar defeitos de forma mais confiável. As tendências em múltiplas passagens de trem comparam medições sequenciais para detectar mudanças graduais, como o aumento da temperatura dos rolamentos entre os locais dos detectores, permitindo a manutenção preditiva antes de falhas críticas.[22] Algoritmos básicos de detecção de anomalias, incluindo limiares estatísticos e reconhecimento de padrões simples (por exemplo, agrupamento k-means em emissões acústicas), sinalizam valores discrepantes comparando sinais com linhas de base históricas, com métodos baseados em vibração que demonstram alta eficácia no isolamento de defeitos como fixadores soltos.[27] Esses métodos fundamentais fornecem detecção robusta, embora integrações recentes com IA tenham refinado ainda mais a identificação de anomalias.[27]

Mecanismos de Alerta e Resposta

Os detectores de defeitos em sistemas ferroviários geram alertas ao identificar possíveis anomalias, categorizadas principalmente como imediatas ou consultivas. Alertas imediatos, acionados por defeitos críticos, como rolamentos severamente superaquecidos que excedem 200°F acima da temperatura ambiente, podem ativar salvaguardas automáticas, como paradas de sinal ou de trem para evitar falhas iminentes, conforme descrito nas regras operacionais de grandes ferrovias como Norfolk Southern.[37] Alertas consultivos, para questões menos urgentes, como temperaturas entre 170°F e 200°F acima da temperatura ambiente, notificam as tripulações dos trens por meio de "mensagens de locutor" audíveis e recomendam inspeções sem interromper as operações.[37] Essas distinções garantem que as respostas correspondam à gravidade do defeito, equilibrando segurança com eficiência operacional. Após o descarrilamento da Palestina Oriental em 2023, a Administração Ferroviária Federal (FRA) emitiu avisos recomendando revisões dos limiares e melhor monitorização.[38]

A comunicação de alertas depende de redes sem fio que transmitem dados em tempo real para centros de controle centralizados, despachantes e departamentos mecânicos, muitas vezes por meio de e-mails ou sistemas de registro integrados.[37] A integração com sistemas de Controle Positivo de Trem (PTC) é obrigatória para detectores de perigo instalados após 16 de outubro de 2008, permitindo a aplicação automatizada de restrições de velocidade ou proteções de rota com base nas entradas do detector.[39] Essa conectividade facilita a análise de tendências em múltiplas leituras de detectores, como temperaturas crescentes acima de 30 milhas, para informar intervenções proativas.[37]

Os protocolos de resposta seguem padrões da indústria, como a Circular OT-55 da Associação de Ferrovias Americanas (AAR), que orienta trens com defeitos não confirmados a reduzir a velocidade para 30 MPH ou menos até serem resolvidos, e determina que os vagões afetados recebam alertas críticos de rolamento quente. A Administração Ferroviária Federal (FRA) aconselha as ferrovias a revisar e calibrar limites de alerta usando dados históricos, treinar pessoal para inspeções no local e garantir pessoal 24 horas em mesas de monitoramento para registrar alertas para agendamento de manutenção.[40] Para detecções de caixas quentes, os protocolos enfatizam a parada para inspeção se as temperaturas excederem 94,4°C acima da temperatura ambiente ou 52,8°C acima do eixo correspondente, com alertas não verificados solicitando a remoção do carro para mitigar os riscos.[22]

A eficácia desses mecanismos é avaliada por baixas taxas de falsos positivos, com modelos preditivos atingindo aproximadamente 10% de alarmes falsos e mantendo uma precisão de classificação de 90% para defeitos de rodas.[41] Os alertas de segurança da FRA destacam que a integração adequada com o PTC e o monitoramento em tempo real reduzem falhas não reveladas, contribuindo para menos descarrilamentos ao identificar defeitos antes dos limites críticos.[40] No entanto, os desafios persistem, já que até 40% dos rolamentos sinalizados de 2001 a 2007 não foram verificados, ressaltando a necessidade de calibração contínua para minimizar paradas desnecessárias.[22]

Detectores de caixa quente

Os detectores de caixa quente (HBDs) são sistemas de monitoramento de beira de estrada projetados para identificar superaquecimento em rolamentos de eixos ferroviários, o que pode sinalizar falhas iminentes devido a lubrificação inadequada ou problemas mecânicos. Esses dispositivos desempenham um papel fundamental na prevenção de descarrilamentos, alertando as tripulações sobre possíveis defeitos em tempo real. Instalados pela primeira vez em meados da década de 1950, os HBDs marcaram um avanço significativo na segurança ferroviária automatizada, com a unidade inaugural implantada pela Servo Corporation na ferrovia Chesapeake & Ohio em 1956.[42] Na década de 1960, a adoção expandiu-se rapidamente, impulsionada pela necessidade de substituir as inspeções manuais, e em 2023 mais de 6.000 unidades operam nas redes ferroviárias norte-americanas, espaçadas aproximadamente 24-48 km entre si.[22]

Em operação, os HBDs empregam pirômetros infravermelhos sem contato para medir a temperatura da superfície dos mancais ou rolamentos de rolos à medida que os trens passam a velocidades de até 120 km/h. Os sensores examinam a capa do rolamento, normalmente visando a pista interna, e comparam a temperatura detectada com as condições ambientais e o rolamento oposto no mesmo eixo para análise diferencial. Os alarmes são ativados se a temperatura do rumo exceder 94,4°C (170°F) acima da temperatura do ar ambiente ou 52,8°C (95°F) acima do rumo adjacente, acionando notificações imediatas para treinar tripulações via rádio ou sinais de beira de estrada. Os primeiros sistemas usavam detecção infravermelha de feixe único, mas a evolução para configurações de feixe duplo nas décadas posteriores melhorou a precisão, compensando fatores ambientais como a radiação solar através da medição simultânea de superfícies de referência.

As principais vantagens dos HBDs incluem sua natureza não invasiva, permitindo monitoramento contínuo sem interromper as operações dos trens, e sua capacidade de detectar sinais precoces de falhas de lubrificação ou contaminação que podem levar a avarias catastróficas nos rolamentos. Esses sistemas contribuíram para uma redução substancial de incidentes relacionados a hot boxes. No entanto, persistem limitações, como a vulnerabilidade à carga solar, que pode causar falsos positivos durante condições de sol, a menos que seja mitigada por algoritmos de compensação ambiental. Além disso, imprecisões de medição (previsão insuficiente em até 47°C ou previsão exagerada em 25°C) resultam de fatores como variação da emissividade do rolamento (normalmente 0,86-0,96) e alinhamento da instalação, resultando potencialmente em defeitos perdidos ou paradas desnecessárias. Um exemplo notável é o descarrilamento de 2023 na Palestina Oriental, Ohio, onde um HBD não forneceu um aviso atempado de uma falha no rolamento, levando a preocupações de segurança e subsequentes avisos da FRA sobre a melhoria da utilização de dados. A pesquisa em andamento se concentra na integração do aprendizado de máquina para aumentar a eficácia preditiva e reduzir essas taxas de erro.[22][16][44]

Detectores de rodas quentes

Detectores de rodas quentes (HWDs) são sistemas de monitoramento de beira de estrada projetados para identificar rodas superaquecidas em vagões que passam, causado principalmente por sapatas de freio travadas ou emperradas que geram atrito excessivo durante deslizamentos ou frenagens prolongadas. Esses dispositivos desempenham um papel fundamental na prevenção de danos às rodas que poderiam levar a descarrilamentos, alertando as equipes sobre anomalias térmicas nas bandas de rodagem ou nos cubos das rodas. Ao contrário de outros sistemas térmicos, os HWDs visam especificamente fontes de calor relacionadas às rodas, concentrando-se no superaquecimento induzido por fricção em vez de falhas de componentes internos.[1]

Em operação, os HWDs empregam sensores infravermelhos (IR) posicionados aproximadamente 4 polegadas acima do trilho para escanear os aros e os degraus das rodas enquanto os trens passam a velocidades de até 300 mph. Os sensores medem as temperaturas da superfície e utilizam algoritmos para distinguir o calor da roda das condições ambientais ou de componentes adjacentes, como rolamentos, analisando a posição e o padrão da assinatura térmica. Esta configuração permite a detecção em tempo real em trilhas niveladas e tangentes, onde ocorre a varredura ideal e os dados são transmitidos aos sistemas centrais para revisão imediata.[1]

Os critérios de detecção são baseados nos padrões da Association of American Railroads (AAR), sinalizando rodas quando as temperaturas excedem 170°F (76,7°C) acima da temperatura ambiente ou 95°F (35°C) acima da temperatura do rolamento correspondente, indicando possíveis freios travados, pontos planos causando deslizamento ou outros problemas de atrito. Esses limites garantem a identificação precoce de defeitos que podem aumentar, como o deslizamento prolongado das rodas, levando à degradação do material. Por exemplo, temperaturas nesta faixa sinalizam a necessidade de inspeção para solucionar problemas de funcionamento dos freios antes que o acúmulo de calor cause mais danos.[1][45]

Os HWDs são frequentemente localizados e integrados com detectores de caixa quente (HBDs) em compartimentos compartilhados, permitindo a análise correlacionada de dados de rodas e rolamentos juntamente com a velocidade do trem para validar alertas e reduzir falsos positivos. Esta integração melhora o monitoramento geral da estrada, já que a velocidade influencia a geração de calor a partir do atrito, com velocidades mais altas amplificando a sensibilidade de detecção. As ferrovias usam software proprietário para processar resultados combinados, muitas vezes vinculados a etiquetas de identificação automática de equipamentos (AEI) para rastrear os vagões afetados.[1]

A implantação de HWDs mitigou significativamente os riscos de desintegração das rodas, onde o superaquecimento não controlado pode causar falhas estruturais e descarrilamento. Após atualizações generalizadas na década de 1990, incluindo redes expandidas de beira de estrada, os acidentes ferroviários relacionados a falhas de eixos, rolamentos e rodas diminuíram 81% em relação aos níveis de 1980, atribuindo grande parte dessa melhoria a sistemas proativos de detecção térmica, como os HWDs. Estudos de caso de testes da Administração Ferroviária Federal demonstram que esses detectores identificam valores discrepantes relacionados aos freios, perdidos em inspeções manuais, evitando incidentes por meio de intervenções oportunas.[1][19][45]

Monitores de temperatura ferroviária

Os monitores de temperatura ferroviária são sistemas especializados de beira de estrada projetados para medir a temperatura dos trilhos, especialmente a cabeceira dos trilhos, para mitigar os riscos associados à expansão térmica e à instabilidade dos trilhos. Esses dispositivos empregam sensores infravermelhos (IR) fixos posicionados ao longo dos trilhos em intervalos estratégicos para capturar leituras de temperatura sem contato da superfície do trilho. As medições podem ser feitas continuamente ou em intervalos periódicos configuráveis, como a cada 15 minutos ou até 12 horas, dependendo das condições ambientais e da configuração do sistema, permitindo o monitoramento proativo sem interromper as operações ferroviárias.[46][47]

O objetivo principal desses monitores é detectar o aquecimento solar excessivo dos trilhos, que pode exceder 120°F (49°C) e induzir tensões de compressão que levam à deformação ou empenamento dos trilhos, uma causa comum de descarrilamentos em seções de trilhos soldados contínuos (CWR). Ao identificar temperaturas elevadas na cabeceira dos trilhos em tempo real, os sistemas acionam alertas para despachantes e tripulações, permitindo a implementação de restrições de velocidade específicas ou ordens lentas para evitar incidentes e, ao mesmo tempo, minimizar interrupções em toda a rede. Por exemplo, quando os limites são ultrapassados, as notificações são enviadas através de protocolos de comunicação sem fio, como GSM, e-mail ou sistemas SCADA integrados, facilitando medidas de resposta rápida.[46][47]

Os avanços no monitoramento da temperatura ferroviária incorporaram redes de sensores sem fio, como conectividade NB-IoT ou CAT-M1, para permitir a transmissão de dados em tempo real e o mapeamento de perfis de temperatura em extensos segmentos de via. Esses sistemas geralmente se integram a dados meteorológicos de fontes como o Serviço Meteorológico Nacional, combinando leituras específicas de ferrovias com fatores ambientais, como radiação solar, velocidade do vento e umidade ambiente, para aumentar a precisão das previsões e reduzir a dependência de previsões de áreas amplas. Essa fusão oferece suporte a avaliações de risco granulares e específicas do local, melhorando a eficiência operacional.[46][48]

Esses monitores são padronizados para implantação em regiões propensas ao calor, incluindo as linhas áridas do sudoeste dos EUA, onde a alta exposição solar eleva rotineiramente as temperaturas dos trilhos e aumenta os riscos de empenamento. Os dispositivos são projetados para durabilidade, geralmente apresentando classificações IP67 ou IP68 para suportar condições ambientais adversas e exigem tempo mínimo de instalação – normalmente de 10 a 30 minutos por sensor – garantindo ampla aplicabilidade em ferrovias Classe I e redes regionais.[46][49]

Detectores de rolamentos acústicos

Os detectores de rolamentos acústicos são sistemas de monitoramento de beira de estrada projetados para identificar defeitos em rolamentos de rolos ferroviários, analisando as emissões acústicas geradas durante a passagem do trem. Esses sistemas empregam microfones ou acelerômetros montados em trilhos para capturar sinais aéreos ou de vibração de alta frequência emanados de rolamentos defeituosos, que produzem padrões de ruído distintos devido a impactos ou fricção dentro dos componentes do rolamento.[50][51]

A operação depende de técnicas de processamento de sinais, como análise de transformada rápida de Fourier (FFT), para isolar assinaturas de falhas do ruído de fundo, incluindo interações roda-trilho. Esses detectores são particularmente eficazes em velocidades de trem entre 20 e 60 mph, onde frequências induzidas por defeitos, muitas vezes na faixa de 8 a 13 kHz, tornam-se proeminentes no espectro acústico.[50] Eles visam tipos de defeitos específicos em rolamentos de rolos, incluindo lascas em pistas internas ou externas, rachaduras ou corrosão na superfície do rolo, corrosão por corrosão por água e anéis internos soltos (cones girados), permitindo a identificação precoce antes que a falha se transforme em problemas térmicos.

O desenvolvimento de detectores acústicos de rolamentos começou na década de 1990 por meio de esforços de prototipagem do Transportation Technology Center, Inc. (TTCI), apoiado pela Federal Railroad Administration (FRA) e pela Association of American Railroads (AAR), culminando no Trackside Acoustic Detection System (TADS®) introduzido em 2002. Os avanços no processamento de sinal digital melhoraram a filtragem de ruído e a classificação de defeitos, levando a implantações em mais de 19 locais na América do Norte a partir de 2017. Para graves defeitos, esses sistemas atingem uma precisão superior a 90%, reduzindo significativamente a dependência de inspeções visuais manuais, automatizando o monitoramento remoto e solicitando a configuração oportuna dos vagões para evitar descarrilamentos. Avanços recentes na década de 2020 incluem o uso de coeficientes cepstrais de frequência Mel (MFCC) e classificadores de aprendizado de máquina, alcançando precisões de detecção de até 99% para falhas de rolamento em testes controlados.[50][52][51][53]

Detectores de carga de impacto de rodas

Os detectores de carga de impacto de rodas (WILDs) são sistemas de monitoramento de beira de estrada projetados para medir as forças verticais exercidas pelas rodas dos trens sobre os trilhos, identificando defeitos como pontos planos ou condições fora de rotação que geram impactos dinâmicos excessivos. Esses sistemas normalmente empregam extensômetros montados na alma do trilho entre dormentes, que detectam e registram a deflexão causada pela passagem das rodas, capturando dados de carga vertical em altas taxas de amostragem para avaliar forças estáticas e dinâmicas de pico. À medida que uma roda com defeito rola sobre o trilho, ela produz um pico de impacto acentuado, que os extensômetros convertem em sinais elétricos para processamento pela eletrônica de bordo, permitindo a análise em tempo real da saúde da roda durante a passagem do trem em velocidades de até 80 mph.

A métrica principal usada em sistemas WILD é a razão dinâmica (DR), calculada como

onde o pico de carga representa a força máxima durante o impacto e a carga estática é a força média da roda em condições normais; alarmes são acionados se o incremento de carga dinâmica exceder 20-40 kips ou se DR > 3, indicando possíveis defeitos. De acordo com os padrões da Association of American Railroads (AAR), critérios adicionais incluem um incremento de carga dinâmica superior a 30 kips ou um impacto de pico superior a 65 kips para alertas amarelos, aumentando para bandeiras vermelhas a 90 kips ou DR >= 3, solicitando inspeção imediata ou restrições de velocidade. Esses limites ajudam a quantificar a gravidade das irregularidades nas rodas, com dados frequentemente integrados em sistemas de gestão de frota para análise de tendências.[56][54]

O objetivo principal dos WILDs é mitigar o desgaste acelerado de rodas, trilhos e componentes de trilhos causado por defeitos de alto impacto, aumentando assim a segurança e reduzindo os custos de manutenção, exigindo o ajuste ou substituição oportuna das rodas antes que falhas levem a descarrilamentos ou danos ao equipamento. Ao sinalizar rodas problemáticas, esses detectores apoiam estratégias de manutenção baseadas em condições, evitando problemas como descascamento ou fragmentação que podem comprometer a integridade do material circulante.[54][57]

A tecnologia WILD evoluiu desde os primeiros protótipos mecânicos na década de 1980, inicialmente implantados pela Amtrak e pela Administração Ferroviária Federal no Corredor Nordeste para resolver rachaduras por fadiga nos assentos ferroviários, até sistemas eletrônicos sofisticados na década de 1990 que incorporaram processamento digital de sinais e transmissão remota de dados. Seguiu-se a adoção generalizada nas ferrovias norte-americanas, com mais de 500 instalações no início dos anos 2000, integrando-se a redes mais amplas à beira da estrada para permitir análises preditivas e reduzir incidentes relacionados aos trilhos em mais de 50%. Iterações modernas, como o WILD IV, apresentam matrizes de extensômetros aprimoradas para maior precisão (± 2% nas forças das rodas) e integração com GPS para rastreamento preciso do carro.

Detectores de ruído terrestres

Os detectores de ruído baseados em solo utilizam conjuntos de microfones na via para capturar sinais acústicos de banda larga emitidos pelos trens que passam, concentrando-se em sons anômalos do material rodante para identificar possíveis defeitos. Esses sistemas normalmente apresentam vários microfones de alta sensibilidade instalados ao longo de seções retas dos trilhos, abrangendo 6 a 9 metros para gravar áudio à medida que cada vagão passa a velocidades entre 15 e 80 mph. Os dados coletados passam por processamento em tempo real para diferenciar ruídos normais de rolamento de irregularidades, empregando algoritmos de inteligência artificial para filtrar e classificar anomalias como chocalhos metálicos de componentes soltos. Este método sem contato permite o monitoramento contínuo sem interromper as operações do trem.[1]

Apesar destes progressos, os detectores de ruído baseados no solo são susceptíveis à interferência do ruído ambiente, como o vento ou o tráfego próximo, o que pode obscurecer os sinais de defeito e levar a falsos negativos. O desempenho é otimizado em locais rurais de baixo ambiente com fontes sonoras externas mínimas, enquanto áreas urbanas ou de alto tráfego exigem algoritmos adicionais de supressão de ruído para manter a confiabilidade.[58]

Arrastar Detectores de Equipamentos

Os detectores de equipamentos de arrasto (DEDs) são sistemas de beira de estrada projetados para identificar componentes soltos, pendurados ou arrastados em veículos ferroviários que passam, como mangueiras, correntes ou peças de freio, que podem danificar a infraestrutura ou levar a descarrilamentos.[1] Esses detectores são normalmente instalados ao longo dos trilhos da linha principal em intervalos de 20 a 30 milhas, posicionados perto do solo para interceptar saliências do material rodante de vagões de carga e locomotivas.[18] Ao alertar as tripulações dos trens ou os despachantes em tempo real, os DEDs permitem paradas imediatas para mitigar os perigos antes que eles aumentem.[1]

O desenvolvimento de DEDs começou no início da década de 1950 com projetos mecânicos destinados a prevenir descarrilamentos causados ​​por peças desacopladas ou soltas.[18] Os primeiros sistemas, conhecidos como detectores de "barras frágeis", apresentavam elementos fixos colocados entre e ao lado dos trilhos que se fraturariam ao entrar em contato com o equipamento de arrasto, interrompendo assim um circuito elétrico para disparar um alarme e parar o trem.[18] Na década de 1960, surgiram variantes de autorrestauração, usando componentes articulados e com molas que eram redefinidos após a ativação, reduzindo a necessidade de reparos manuais frequentes.[18] Com o tempo, a adoção cresceu nas redes de carga da América do Norte, com mais de 1.000 unidades em operação em 2019, muitas vezes integradas com outros sistemas de monitoramento de beira de estrada. Em 2024, as ferrovias norte-americanas operavam aproximadamente 15.860 detectores de beira de estrada de vários tipos, incluindo DEDs.[1][59]

Operacionalmente, os DEDs funcionam detectando interrupções físicas ou impactos de elementos arrastados. Tipos mecânicos, como portões giratórios, ativam interruptores pneumáticos ou eletrônicos quando acionados, gerando um alarme que pode incluir um recurso de "locutor" para transmissão de rádio para a tripulação do trem, como instruções para parar para inspeção. Variantes eletrônicas modernas empregam sensores de aceleração montados em dormentes, capazes de medir forças de até 600g, com limites definidos pelo usuário para disparar alertas somente após contato confirmado.[1] Esses sensores costumam ser bidirecionais e autoajustáveis ​​para minimizar a interferência ambiental, como o vento.[60] Os tipos especializados incluem sistemas de feixe óptico que procuram saliências sem contato físico.[1]

Os DEDs demonstram alta confiabilidade em operações de frete, com configurações que evitam alarmes redundantes de um único incidente e se integram a sistemas como detectores de caixa quente para inspeções abrangentes.[1] A sua implantação contribuiu para reduções globais nos descarrilamentos relacionados com a via, identificando os perigos de forma proativa, embora a atribuição específica apenas aos DED seja um desafio devido às tecnologias combinadas à beira da estrada.[60] Sensores modernos alcançam baixas taxas de falsos alarmes por meio de protocolos avançados de limiarização e verificação, aumentando a eficiência operacional e protegendo ao mesmo tempo o material circulante, a carga e a integridade dos trilhos.[1] Os recursos relacionados de detecção de mangueiras baixas se sobrepõem aos sistemas de monitoramento de liberação, mas geralmente são tratados dentro de estruturas DED gerais para brevidade na implantação.[1]

Detectores de carro alto ou carga deslocada

Os detectores de vagões altos ou de carga deslocada são sistemas especializados de beira de estrada projetados para identificar vagões com alturas elevadas ou carga distribuída de forma desigual que podem comprometer a estabilidade do trem ou a liberação da infraestrutura. Esses detectores desempenham um papel crucial na prevenção de acidentes, verificando os trens que passam em velocidades operacionais, normalmente de até 60 mph, e disparando alertas para anomalias que excedem os limites de segurança predefinidos.[61][1]

Operacionalmente, os detectores de vagões altos empregam telêmetros a laser ou infravermelho (IR) montados em pórticos ou pontes para medir o perfil vertical e a largura dos vagões, criando uma barreira virtual que detecta saliências ou elevações. Por exemplo, sistemas como o detector High-Wide Load (HWL) usam sensores IR operando em frequências próximas do infravermelho combinados com barreiras de laser para verificar condições fora do padrão, com lógica de controle integrando sensores de roda para filtrar falsos alarmes de fatores ambientais. A detecção de carga deslocada geralmente se integra às tecnologias de pesagem em movimento (WIM) ou detector de carga de impacto de roda (WILD), onde medidores de tensão incorporados no trilho medem as cargas por eixo e as forças de impacto; padrões irregulares, como distribuição desigual entre eixos, indicam deslocamentos de carga que alteram o centro de gravidade. Esses sistemas processam dados em tempo real, associando descobertas a identificações de carros individuais por meio de etiquetas de identificação automática de equipamentos (AEI) para inspeções direcionadas.[62][63][64]

Os limites de detecção de defeitos são calibrados de acordo com padrões de segurança, com alarmes ativados para saliências de carga que podem tombar, como tamanhos mínimos de objetos de 14 cm a 50 km/h ou 70 cm a 250 km/h, dependendo da velocidade e do perfil do medidor. Para cargas deslocadas, os sistemas WIM sinalizam desequilíbrios significativos, enquanto o WILD alerta sobre forças de impacto que ultrapassam 90-140 kips, sinalizando uma potencial redistribuição de carga. Esses limites ajudam a mitigar os riscos de descarrilamento, solicitando paradas ou inspeções imediatas.[63][1][55]

Esses detectores são particularmente vitais para contêineres intermodais e operações de frete a granel, onde podem ocorrer empilhamento ou assentamento desiguais durante o trânsito, e muitas vezes se integram a redes mais amplas de pesagem e monitoramento de desequilíbrio para fornecer avaliações abrangentes de carga. A conformidade segue as regras de liberação da Association of American Railroads (AAR), como as dimensões da Placa C limitando a altura dos carros a 15 pés e 9 polegadas, com atualizações digitais pós-2000 incorporando visão de máquina e IA para maior precisão e redução de falsos positivos em relação aos sistemas analógicos anteriores.

Monitores de Medidores de Folga e Estrutura

Os monitores de folga e de bitola estrutural são sistemas de beira de estrada projetados para detectar quando os trens que passam infringem os limites espaciais predefinidos da infraestrutura de via, garantindo uma passagem segura ao identificar componentes salientes ou superdimensionados. Esses detectores traçam o perfil do envelope do trem em tempo real em relação a um medidor de estrutura virtual, que define as dimensões máximas permitidas em relação a obstáculos fixos como túneis, plataformas, pontes e sinais. Ao examinar continuamente o perfil do trem, os sistemas acionam alarmes para interromper as operações caso ocorram violações, mitigando assim os riscos de colisões ou danos.[65][66]

Operacionalmente, esses monitores empregam scanners a laser 3D, como sistemas LiDAR, montados na via ou em veículos de inspeção para gerar nuvens de pontos de alta resolução que mapeiam os contornos do trem em velocidades de até 100 km/h. As câmeras podem ser integradas aos scanners para fornecer verificação visual e colorir os dados para análise detalhada em modelos de medidores virtuais, alcançando precisões de medição de cerca de 2 cm. O processo envolve a comparação do perfil digitalizado com o medidor de estrutura – um envelope dinâmico que leva em conta a curvatura da via e a oscilação do veículo – para identificar quaisquer desvios. Por exemplo, barreiras de sensores infravermelhos podem formar uma grade de detecção ativada apenas pela aproximação de trens, minimizando falsos positivos.[67][66][63]

Os tipos comuns incluem detectores de mangueiras baixas, que identificam mangueiras de ar flácidas ou saliências do material rodante que podem prender a infraestrutura, muitas vezes adaptados de sensores de equipamentos de arrasto com pás elevadas para detecção baseada em contato. Os detectores de carga ampla concentram-se em saliências laterais que excedem os limites do medidor, usando laser ou conjuntos de sensores para sinalizar cargas superdimensionadas ou deslocadas. Os alarmes são normalmente definidos para invasões tão pequenas quanto 2 cm, permitindo uma intervenção precoce antes que ocorram violações críticas. Esses sistemas são particularmente essenciais em linhas de tráfego misto, onde configurações variadas de trens compartilham rotas com serviços de carga de alta velocidade ou de grandes dimensões.[68][63][67]

O objetivo principal desses monitores é evitar colisões com elementos da via, como sinais, plataformas e linhas aéreas, que podem levar a descarrilamentos, danos à infraestrutura ou interrupções de serviço. São vitais para manter a segurança operacional em redes com espaços livres apertados, apoiando a introdução de novo material circulante ou modificações de infraestrutura sem comprometer a capacidade das rotas. Em ambientes de tráfego misto, garantem a compatibilidade entre trens de passageiros e de carga, reduzindo os riscos de acidentes e permitindo a manutenção preditiva.[65][66][69]

Sistemas de inspeção de vídeo e imagem

Os sistemas de inspeção de vídeo e imagem empregam câmeras de alta velocidade posicionadas ao longo dos trilhos ou abaixo dos trilhos para capturar imagens detalhadas dos veículos ferroviários que passam, permitindo a detecção de defeitos superficiais sem interromper as operações. Esses sistemas normalmente usam sensores de dispositivo de carga acoplada (CCD) ou semicondutores de óxido metálico complementar (CMOS) para gravar imagens ou quadros de vídeo em taxas que suportam velocidades de trem de até 200 km/h, seguidos por algoritmos de visão computacional, como redes neurais convolucionais (CNNs) ou detecção de bordas para identificar anomalias como rachaduras e desgaste.

Em operação, as câmeras são frequentemente dispostas em conjuntos com orientações angulares para escanear o material rodante de forma abrangente, capturando múltiplas visualizações por veículo; fontes de iluminação como anéis de LED garantem clareza em condições de pouca luz, enquanto as etapas de pré-processamento corrigem distorções e costuram quadros em composições panorâmicas para análise. A visão computacional processa essas entradas para segmentar e classificar defeitos, sinalizando problemas como rachaduras estruturais em componentes ou desgaste excessivo em peças mecânicas por meio de correspondência de padrões e técnicas de detecção de anomalias. As variantes multiespectrais incorporam imagens infravermelhas para revelar irregularidades térmicas, melhorando a detecção de falhas incipientes, como elementos de superaquecimento.[70][72][71]

As aplicações incluem a inspeção de acopladores quanto a danos, como falta de fixadores ou falhas na forquilha, analisando imagens de alta resolução durante o transporte para evitar falhas no acoplamento. Esses sistemas também suportam a detecção de pichações em exteriores e etiquetas de veículos, usando algoritmos treinados em IA para identificar marcações não autorizadas e alertar as equipes de manutenção para remoção imediata. Configurações de visão estéreo, empregando câmeras binoculares, geram modelos 3D de superfícies para avaliar a profundidade e o volume dos defeitos, auxiliando em avaliações precisas de padrões de desgaste em elementos do material rodante, como eixos e conjuntos de freios.[73][74][75]

A evolução desses sistemas vai desde a gravação de vídeo analógica baseada em CCD do início dos anos 2000 para monitoramento básico na via até configurações digitais modernas de alta definição na década de 2020, integrando computação de ponta para processamento no local e latência reduzida em alertas de defeitos. As implantações iniciais se concentraram em capturas com taxa de quadros limitada em torno de 30 fps, enquanto os avanços contemporâneos permitem análises em tempo real em resoluções mais altas, geralmente em gabinetes robustos para resistir à exposição climática e às vibrações.[76][71][77]

As precisões relatadas para detecção de defeitos visíveis normalmente excedem 95%, com implementações específicas alcançando 98% de precisão na identificação de rachaduras e problemas estruturais por meio de algoritmos otimizados como variantes YOLO, embora o desempenho possa variar de acordo com fatores ambientais. Projetos resistentes às intempéries, incluindo caixas seladas e iluminação adaptável, atenuam os desafios causados ​​pela chuva ou poeira, garantindo uma operação confiável em diversas condições. Integrações recentes de melhorias de IA refinam ainda mais a classificação, conforme explorado em aplicações mais amplas de aprendizado de máquina para manutenção ferroviária.[71][78][71]

Sistemas de medição de perfil de roda

Os Sistemas de Medição de Perfil de Roda são tecnologias ópticas sem contato utilizadas na manutenção ferroviária para avaliar a geometria e o desgaste das rodas dos trens, com foco em flanges e bandas de rodagem para garantir operação segura e longevidade. Esses sistemas operam em velocidades de trem de até 100 km/h ou mais, escaneando as rodas sem exigir paradas e são normalmente instalados na via em locais fixos. O método principal envolve triangulação a laser, onde um projetor a laser emite uma linha de luz estruturada na superfície giratória da roda e uma câmera de alta velocidade captura a deformação para gerar um perfil 3D preciso do contorno da roda. Isso permite a medição de dimensões importantes, como altura do flange, espessura, desgaste da banda de rodagem e diâmetro geral com precisão de até 0,1 mm.[79][80][81]

Esses sistemas detectam defeitos críticos, como irregularidade excessiva, definida pela Association of American Railroads (AAR) como excentricidade superior a 0,070 polegadas, o que pode causar vibrações e desgaste acelerado.[82] A espessura do flange é outra métrica vital; os alarmes são acionados quando cai abaixo do limite de condenação AAR de 7/8 de polegada (medido 3/8 de polegada acima da banda de rodagem), indicando potencial risco de descarrilamento se não for resolvido. Ao quantificar esses parâmetros em relação aos padrões AAR descritos no Manual de Padrões e Práticas Recomendadas, os sistemas facilitam o reperfilamento oportuno das rodas para restaurar os perfis nominais e cumprir os requisitos regulamentares para o serviço de intercâmbio.[83]

Os dados de cada eixo são automaticamente registrados e marcados com data e hora, muitas vezes integrados a sistemas de identificação de trens para monitoramento abrangente da frota. Este registro por eixo suporta análise de tendências, identificando padrões de desgaste irregular em rotas ou tipos de rodas para informar cronogramas de manutenção preditiva e reduzir o tempo de inatividade não planejado. Rodas mal perfiladas detectadas aqui podem contribuir para cargas de impacto elevadas em outras partes do trem, conforme avaliado por ferramentas de monitoramento complementares.[84][85]

Detectores de desequilíbrio de veículos

Os detectores de desequilíbrio de veículos são sistemas especializados de beira de estrada usados ​​em redes ferroviárias para identificar distribuição desigual de peso entre vagões, mitigando os riscos associados a deslocamentos de carga que podem levar à instabilidade e descarrilamentos.[86] Esses detectores utilizam principalmente extensômetros ou células de carga instaladas em redes ferroviárias para capturar dados dinâmicos de carga vertical à medida que os trens passam em velocidades operacionais de até 200 km/h (125 mph), permitindo a avaliação em tempo real do equilíbrio transversal (lado a lado) e longitudinal (ponta a ponta). Ao analisar variações de carga, os sistemas fornecem dados críticos para decisões de manutenção, melhorando a segurança geral do frete sem exigir paradas de trem.

Em operação, os detectores de desequilíbrio dos veículos funcionam através de redes de sensores, como extensômetros montados entre travessas, que medem as forças verticais exercidas por cada eixo nos trilhos esquerdo e direito. Para desequilíbrio transversal, o sistema compara cargas entre rodas opostas no mesmo eixo; para desequilíbrio longitudinal, avalia a distribuição entre os eixos do carro, da frente para trás. O processamento de dados envolve a filtragem de ruído e a extração de recursos como taxas de carga por eixo, muitas vezes usando técnicas como análise de componentes principais (PCA) ou modelos autorregressivos para distinguir padrões normais de anômalos. Esta configuração permite a detecção durante as operações normais do trem, com sensores calibrados para levar em conta as condições dos trilhos e as velocidades dos veículos.

Os critérios de detecção são orientados por padrões internacionais, como os da União Internacional de Ferrovias (UIC), que acionam alarmes para taxas de carga transversais superiores a 1,25:1 (indicando mais de aproximadamente 11% de variação por lado) e relações longitudinais superiores a 3:1 para vagões equipados com bogie ou 2:1 para tipos não-bogie.[87] Estes limiares garantem a identificação precoce de desequilíbrios que possam comprometer a estabilidade, com alarmes transmitidos às tripulações dos comboios ou sistemas de monitorização centralizados para ação imediata, como abrandar o comboio ou inspecionar a carruagem afetada. Na prática, sistemas como detectores de pesagem em movimento (WIM) integram essas medições para sinalizar variações que, de outra forma, poderiam passar despercebidas até que ocorra uma falha.

Esses detectores são particularmente vitais para evitar descarrilamentos de cargas deslocadas, um problema comum em vagões-tanque, onde o conteúdo líquido pode respingar durante o trânsito, criando desequilíbrios dinâmicos. Por exemplo, o carregamento desigual em vagões-tanque de materiais perigosos tem sido associado a vários incidentes de descarrilamento, sublinhando a necessidade de monitorização proactiva para manter uma distribuição uniforme do peso e evitar danos ou derrames. Amplamente implantados nas linhas de carga da América do Norte, esses sistemas contribuem para intervenções mais amplas de detectores de beira de estrada que resultaram em uma redução relatada de 53% em certos descarrilamentos relacionados aos trilhos entre 2003 e 2012.[1]

A integração com sistemas de pesagem mais amplos, como configurações WIM, fornece dados contextuais de carga total, permitindo que os operadores correlacionem desequilíbrios com o peso geral do carro e priorizem os reparos. Essa sinergia aprimora o compartilhamento de dados por meio de plataformas como o InteRRIS® da Administração Ferroviária Federal, permitindo que as ferrovias rastreiem problemas recorrentes nas frotas. Embora o foco seja a detecção no nível do carro, breves referências cruzadas ao monitoramento de desempenho específico do bogie podem refinar o diagnóstico das contribuições do material rodante para o desequilíbrio geral.

Detectores de desempenho de bogie

Os detectores de desempenho de bogies são sistemas especializados de beira de estrada projetados para monitorar a suspensão e o alinhamento de bogies ferroviários, também conhecidos como caminhões, que suportam o veículo ferroviário e garantem distribuição e estabilidade adequadas da carga. Esses detectores normalmente empregam acelerômetros para medir movimentos de guinada e inclinação, bem como sensores de deslocamento a laser para avaliar deslocamentos verticais, laterais e longitudinais nos componentes primários da suspensão. Ao analisar essas respostas dinâmicas à medida que os trens passam por seções instrumentadas dos trilhos, os sistemas podem identificar problemas como molas desgastadas ou desalinhamentos que comprometem a integridade do bogie. Por exemplo, extensômetros montados na alma do trilho capturam forças laterais e verticais durante manobras de curva, permitindo a avaliação em tempo real da rotação do bogie e do retorno ao posicionamento neutro.[88][89][90]

As principais métricas de desempenho incluem variações no curso da suspensão e desvios no ângulo de direção, que indicam possíveis falhas. Sensores a laser, por exemplo, detectam deslocamentos laterais superiores a 5 mm na suspensão primária, sinalizando interferência geométrica ou instabilidade por desgaste de componentes. Os desvios do ângulo de direção em sistemas passivos, conforme observados em certos estudos, são quantificados para avaliar erros de rastreamento e ângulo de ataque, com limites baseados em padrões como os da Association of American Railroads (AAR).[89][91][88] Essas métricas ajudam a sinalizar anomalias, como frequências de oscilação excessivas ou comprimentos de onda em movimentos de caça, normalmente monitorados em trajetória tangente em velocidades de até 300 km/h.

O objetivo principal dos detectores de desempenho do bogie é manter a estabilidade do veículo em altas velocidades e minimizar o desgaste nas curvas, garantindo direção ideal do bogie e equilíbrio de carga. Ao detectar sinais precoces de mau desempenho, como forças laterais elevadas com média de 65 kN nas rodas motrizes durante as curvas, esses sistemas evitam descarrilamentos e prolongam a vida útil das rodas, trilhos e elementos de suspensão. Este foco direcionado na mecânica do bogie contrasta com os detectores de desequilíbrio do veículo, que avaliam o equilíbrio geral do carro em todo o chassi.[90][91][88]

Os avanços na década de 2010 introduziram conjuntos multissensores combinando acelerômetros, giroscópios e lasers sem contato para avaliação abrangente da integridade do bogie, alcançando até 92% de precisão de detecção a 65 mph em testes de campo. Esses sistemas integrados, implantados em redes como as 140.000 milhas de trilhos da América do Norte, apoiam a manutenção preditiva rastreando a progressão dos defeitos e cumprindo os critérios AAR para forças e oscilações. Projetos resistentes às intempéries garantem uma operação confiável em diversas condições, aumentando a segurança e a eficiência ferroviária em geral.[88][91]

Sensores de pesagem em movimento

Sensores de pesagem em movimento (WIM) são sistemas especializados integrados em trilhos ferroviários para medir dinamicamente o peso dos veículos ferroviários à medida que eles passam em velocidades operacionais, normalmente de até 100 km/h ou mais, sem necessidade de paradas. Esses sistemas empregam principalmente tiras piezoelétricas ou conjuntos de células de carga embutidos ou montados nos trilhos para capturar as forças verticais exercidas pela passagem dos eixos. Sensores piezoelétricos geram sinais elétricos proporcionais à pressão aplicada, enquanto células de carga utilizam extensômetros para detectar deformações sob carga, permitindo a aquisição de dados em tempo real. Os sensores são estrategicamente colocados em pares ou sequências ao longo da pista para dar conta da dinâmica do veículo, com sinais processados ​​por algoritmos que filtram ruídos de vibrações e variações de velocidade.[92][93]

A detecção em sistemas WIM concentra-se na identificação de sobrecargas e desequilíbrios de carga que podem comprometer a integridade da via, a estabilidade do veículo ou a conformidade regulatória. As sobrecargas são sinalizadas quando as cargas ferroviárias brutas excedem os limites estabelecidos, como 286.000 libras (aproximadamente 130 toneladas métricas) por vagão de carga nos padrões norte-americanos, o que ajuda a evitar o desgaste excessivo da infraestrutura. Os desequilíbrios são detectados através de variações nas cargas por eixo, normalmente alertando quando as diferenças excedem 10% entre eixos no mesmo bogie ou vagão, indicando possíveis cargas deslocadas ou distribuição desigual. Esses limites são aplicados para manter as margens de segurança, com sistemas frequentemente integrados em redes de monitoramento de beira de estrada para alertas automatizados aos despachantes.[94][95]

As cargas por eixo são calculadas agregando as forças dinâmicas registradas em vários sensores e ajustando fatores que influenciam, como a velocidade do trem, para estimar equivalentes estáticos. A formulação básica envolve a divisão da força total medida pelo número de eixos, com correções baseadas na velocidade aplicadas por meio de fatores de calibração derivados de modelos empíricos:

onde f(v)f(v)f(v) representa a função de ajuste de velocidade, geralmente um polinômio ou tabela de pesquisa calibrada para condições específicas do local para minimizar erros, alcançando precisões entre 2-5% sob velocidades controladas. Os pesos brutos dos veículos são então somados a partir das contribuições individuais dos eixos, permitindo um perfil de carga abrangente.[92][96]

Esses sensores desempenham um papel fundamental na aplicação das regulamentações de peso e no aumento da eficiência operacional nas redes ferroviárias de carga e de passageiros. Ao verificar a conformidade com os limites de carga, os sistemas WIM mitigam os riscos de danos e descarrilamentos nos trilhos, ao mesmo tempo que detectam discrepâncias de subcarga que podem indicar fraude de frete, como declarações manipuladas para reduzir custos de transporte. Ao contrário dos detectores de desequilíbrio de veículos que enfatizam os padrões de distribuição de carga, o WIM fornece medições de peso absoluto essenciais para avaliações de carga de infraestrutura.[97][98]

Detectores de bloco de freio

Os detectores de bloqueio de freio são sistemas especializados de inspeção de beira de estrada projetados para monitorar a condição das sapatas ou bloqueios de freio em vagões ferroviários de carga, concentrando-se principalmente no desgaste e na presença para manter a integridade da frenagem. Esses sistemas empregam tecnologias ópticas ou baseadas em visão, como câmeras de alta velocidade e sensores a laser, para capturar imagens ou medições de blocos de freio à medida que os trens passam a velocidades da linha principal de até 80 km/h. Sondas mecânicas, embora menos comuns em instalações modernas, podem contatar fisicamente os blocos para medição direta de espessura em algumas configurações legadas ou híbridas. A função principal é medir a espessura restante, com alarmes acionados quando ela cai abaixo dos limites críticos, como 1/2 polegada (12,7 mm) para sapatas de ferro fundido, indicando a necessidade de substituição para evitar limites condenatórios. Além disso, esses detectores identificam blocos ausentes ou soltos, o que pode comprometer todo o conjunto de frenagem.[99][100][101]

Em operação, os sistemas processam dados em tempo real, comparando os valores medidos com tolerâncias predefinidas para gerar alertas para blocos finos, rachados ou ausentes. Por exemplo, algoritmos de visão automatizados analisam imagens capturadas para quantificar o desgaste com precisão submilimétrica, muitas vezes integrando detecção de bordas e perfil de profundidade para avaliar o nivelamento e a condição geral. Esses detectores são particularmente vitais para trens de carga equipados com sistemas de freio a ar, onde o desgaste desigual ou excessivo dos blocos pode levar à distribuição ineficiente da pressão e à redução do poder de parada em toda a composição. Ao garantir que todos os blocos atendam aos padrões mínimos, a tecnologia mantém a eficiência da frenagem, evitando cenários em que componentes degradados contribuem para o superaquecimento das rodas devido ao atrito inadequado.[102][103][104]

Tecnologicamente, os detectores de bloqueio de freio evoluíram para soluções totalmente automatizadas desde o início dos anos 2000, frequentemente integrados a portais de inspeção de vídeo mais amplos para análise abrangente do material rodante. Empresas como Wabtec e MERMEC oferecem sistemas como BrakeView e monitores de parâmetros de freio que combinam imagens ópticas com processamento aprimorado por IA para classificação de defeitos e relatórios vinculados a números de identificação de carros. Essa integração permite o monitoramento 24 horas por dia, 7 dias por semana, sem interromper as operações, reduzindo as inspeções manuais e permitindo a manutenção preditiva com base nas tendências de desgaste. As implicações de segurança são profundas, pois a detecção oportuna evita falhas nos freios de emergência que poderiam resultar em descarrilamentos ou colisões, melhorando assim a confiabilidade geral da rede ferroviária.[100][105][106]

Aplicativos de IA e aprendizado de máquina

A inteligência artificial e o aprendizado de máquina permitem a análise automatizada de dados de sensores a partir de imagens, vídeos e sinais acústicos para identificar anomalias como rachaduras, desalinhamentos e desgaste em esteiras, rodas e fixadores. Redes neurais convolucionais (CNNs) e modelos de detecção de objetos como YOLO são comumente integrados para processar dados visuais para classificação de defeitos em tempo real. Essas abordagens apoiam a manutenção preditiva por meio de algoritmos de detecção de anomalias que sinalizam desvios dos padrões normais, reduzindo o tempo de inatividade ao prever possíveis falhas antes que elas aumentem.

Os avanços na aprendizagem profunda entre 2020 e 2025 aumentaram a precisão na identificação de defeitos ferroviários a partir de imagens. Por exemplo, um modelo YOLOv5s aprimorado alcançou 96,9% de precisão média média em conjuntos de dados de defeitos de superfície ferroviária.[107] O processamento em tempo real em dispositivos de ponta tornou-se viável, permitindo análises no local. Exemplos específicos incluem variantes Faster R-CNN para detectar defeitos em fixadores de trilhos, como clipes soltos ou parafusos faltando. Técnicas de aprendizagem não supervisionadas, como codificadores automáticos e detecção de anomalias baseadas em cluster, abordam falhas raras aprendendo assinaturas operacionais normais a partir de dados não rotulados, permitindo a identificação de problemas infrequentes, como desequilíbrios sutis nas rodas.

Métodos ultrassônicos e de correntes parasitas

O teste ultrassônico (UT) emprega pulsos sonoros de alta frequência, normalmente na faixa de 2 a 5 MHz, para detectar defeitos internos, como rachaduras e vazios em rodas e trilhos ferroviários, por meios não destrutivos.[108] O método baseia-se na técnica de pulso-eco, onde ondas ultrassônicas são transmitidas ao material por meio de transdutores piezoelétricos acoplados através de rodas ou trenós cheios de fluido, e os ecos dos defeitos são recebidos e analisados ​​quanto à amplitude e tempo de voo para determinar a localização e o tamanho da falha.[109] Em aplicações ferroviárias, isso permite a inspeção de toda a seção transversal do trilho em velocidades de até 40 km/h usando sondas de roda, identificando efetivamente defeitos transversais e longitudinais que podem comprometer a integridade estrutural.[110] Para rodas ferroviárias, o UT visa trincas nas placas e defeitos na banda de rodagem direcionando pulsos do aro ou cubo da roda, com validações experimentais confirmando a viabilidade de detecção de trincas tão pequenas quanto 1 mm de profundidade.[111] A apresentação de dados geralmente usa monitores A-scan, que mostram a amplitude do eco versus o tempo em um traço unidimensional para dimensionamento preciso da falha, e formatos B-scan, fornecendo uma imagem bidimensional da seção transversal ao longo do caminho de inspeção para visualizar a orientação e extensão do defeito nos trilhos.[112]

O teste de correntes parasitas (ECT) utiliza indução eletromagnética para identificar falhas superficiais e subterrâneas em materiais condutores, como trilhos e rodas, sem exigir contato direto.[113] A corrente alternada em uma bobina gera correntes parasitas na peça de teste; interrupções causadas por defeitos alteram a impedância da bobina, que é medida para detectar anomalias, como rachaduras por fadiga por contato de rolamento ou corrosão.[114] Esta técnica é particularmente adequada para inspeções de trilhos, onde scanners portáteis ou sistemas de beira de estrada montados em veículos de inspeção podem operar em altas velocidades, identificando defeitos de até 10 mm de profundidade com preparação mínima da superfície.[115] Nos testes de rodas, a ECT sonda os assentos dos eixos e as áreas da banda de rodagem para obter indicações subterrâneas, muitas vezes integradas em configurações automatizadas para monitoramento em serviço.[116] Instalações fixas à beira da estrada permitem a varredura contínua à medida que os trens passam, aumentando a eficiência da detecção de falhas subterrâneas em ambientes operacionais.[113]

Avanços recentes nesses métodos melhoraram a precisão e a integração para aplicações ferroviárias. Até 2025, os sistemas ultrassônicos em veículos de inspeção alcançarão precisão milimétrica na detecção de rachaduras na cabeça dos trilhos e na alma.[29] A integração com inteligência artificial facilita a classificação automatizada de sinais de dados UT e ECT, reduzindo falsos positivos e melhorando a caracterização de defeitos em inspeções ferroviárias, analisando varreduras B ultrassônicas combinadas e respostas de correntes parasitas.[117] Esses desenvolvimentos apoiam a manutenção proativa, com aplicações focadas na detecção de falhas em trilhos durante passagens de alta velocidade e inspeções de rodas para evitar descarrilamentos.[118]

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/18667/Wayside%20Detector%20Implementation%20Guide.pdfhttps://www.aar.org/wp-content/uploads/2018/0 7/AAR-High-Tech-Advances-Improve-Railroad-Safety.pdfhttps://files.defectdetector.net/Railroads/Norfolk%20Southern/NS%20Introduction%20To%20Wayside%20Detecto rs.pdfhttps://www.aar.org/issue/freight-rail-safety-inspections/https://cdlelectric.com/hot-box-detectors/https://www.thestar.com/news/gta/1979-train-derail ment-tornou-se-conhecido-como-o-milagre-mississauga/article_9df538d8-4349-5fb5-8274-8bfbe11f50e9.htmlhttps://railroads.dot.gov/elibrary/safety-advisory-2023-01-eva luation-políticas-e-procedimentos-relacionados-ao-uso-e-manutenção-hothttps://www.teledynevisionsolutions.com/learn/learning-center/machine-vision/hot-wheels-can-t hermal-imaging-and-better-hotboxes-improve-rail-safety-/https://www.federalregister.gov/documents/2015/04/27/2015-09612/mechanical-inspections-and-wheel-imp act-load-detector-standards-for-trains-transporting-largehttps://www.trains.com/pro/regulatory/fra-makes-safety-recommendations-for-hotbox-detector-warnings /https://railroads.dot.gov/regulations/federal-register-documents/2024-15691https://public.railinc.com/sites/default/files/documents/OT-55.pdfhttps://asmedig italcollection.asme.org/IMECE/proceedings/IMECE2003/37270/121/298418https://rosap.ntl.bts.gov/view/dot/61622/dot_61622_DS1.pdfhttps://asmedigitalcollection. asme.org/fluidsengineering/article-pdf/58/5/418/6984910/411_1.pdfhttps://www.american-rails.com/hotbox.htmlhttps://files.defectdetector.net/HBD%20History.pd fhttps://www.trains.com/trn/train-basics/abcs-of-railroading/defect-detectors/https://www.aar.org/issue/decades-of-tech-progress/https://www.jonroma.net/sig naling/sinalização ferroviária/H.htmlhttps://www.freightwaves.com/news/there-are-no-federal-regulations-on-key-rail-sensorshttps://www.utrgv.edu/railwaysafety/_fil es/documents/research/mechanical/ijrt_wayside-hbd-investigation.pdfhttps://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/14576/539_ord0006iii%2520Acoust ic%2520Detec%2520of%2520Rail%2520Car%2520Roller%2520Bearing%2520III.pdfhttps://www.tsb.gc.ca/eng/rapports-reports/rail/2018/r18w0007/r18w0007.htmlhttps://ww w.amsteddigital.com/the-latest/monitoring-insights-continuous-monitoring-of-roller-bearings/https://ieeexplore.ieee.org/document/9089560/https://pmc.ncbi.nl m.nih.gov/articles/PMC9459779/https://research.ibm.com/blog/ai-model-discovers-railroad-defects-before-theyre-criticalhttps://www.ndt.net/article/appliedscie nces/papers/applsci-15-07725.pdfhttps://www.sciencedirect.com/science/article/abs/pii/S0263224125024170https://journals.plos.org/plosone/article?id=10.1371/ jornal.pone.0331513https://ieeexplore.ieee.org/document/9254159/https://www.mdpi.com/1424-8220/24/4/1171https://www.archivemarketresearch.com/reports/rail- detector de falhas-497870https://www.trains.com/pro/news-reviews/news-wire/wayside-detectors-in-spotlight-after-norfolk-southern-derailment-in-ohio/https://www.t rains.com/trn/train-basics/abcs-of-railroading/wayside-detectors-advancing-fast/https://www.aslrra.org/aslrra/document-server/?cfp=aslrra/assets/File/public/ notícias/2023/safety-advisory-2023-01-022823-final.pdfhttps://www.federalregister.gov/documents/2024/07/17/2024-15691/safety-advisory-2023-01-evaluation-of-poli cies-e-procedimentos-relacionados-ao-uso-e-manutenção-dehttps://www.ecfr.gov/current/title-49/subtitle-B/chapter-II/part-236/subpart-Ihttps://www.federalre gister.gov/documents/2023/06/14/2023-12724/safety-advisory-2023-01-evaluation-of-policies-and-procedures-related-to-the-use-and-maintenance-ofhttps://www.re searchgate.net/publication/341219920_Wayside_Defect_Detector_Data_Mining_to_Predict_Potential_WILD_Train_Stopshttps://defectdetector.net/manufacturers/servoh ttps://patents.google.com/patent/US3183349A/enhttps://www.ntsb.gov/investigations/AccidentReports/Reports/RIR2405%20CORRECTED.pdfhttps://railroads.fra.dot.g ov/sites/fra.dot.gov/files/fra_net/3520/Using%20Wheel%20Temperature%20Detector%20Technology_20131227_final.pdfhttps://kallipr.com/solutions/rail-temperature -monitoramento/https://yeltech.com/railway-temperature-monitoring-rtmu/https://www.ensco.com/rail/predictive-rail-temperature-system-prtshttps://www.focusedtec hnologysolutions.com/buckledetecthttps://onlinepubs.trb.org/onlinepubs/idea/finalreports/safety/idea_safety_16.pdfhttps://rosap.ntl.bts.gov/view/dot/23139htt ps://www.railwayage.com/mechanical/freight-cars/bearing-down-on-bearings/https://arxiv.org/pdf/2304.07307https://railroads.dot.gov/sites/fra.dot.gov/files/f ra_net/18667/Wayside%2520Detector%2520Implementation%2520Guide.pdfhttps://lbfoster.com/rail/total-track-monitoring/wheel-impact-load-detectorhttps://data.nt sb.gov/Docket/Document/docBLOB?ID=16603144&FileExtension=pdf&FileName=AAR%2520Manual%2520of%2520Standards%2520-%2520S-6000%2520and%2520S-6001-Rel.pdfhttps:// /lbfoster.com/assets/brochures/lbfoster-brochure-us-wildiv-6-11-24_mbf.pdfhttps://www.sciencedirect.com/science/article/abs/pii/S0003682X15002376https://rail

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/18667/Wayside%20Detector%20Implementation%20Guide.pdf

https://www.aar.org/wp-content/uploads/2018/07/AAR-High-Tech-Advances-Improve-Railroad-Safety.pdf

https://files.defectdetector.net/Railroads/Norfolk%20Southern/NS%20Introduction%20To%20Wayside%20Detectors.pdf

https://www.aar.org/issue/freight-rail-safety-inspections/

https://cdlelectric.com/hot-box-detectors/

https://www.thestar.com/news/gta/1979-train-derailment-became-known-as-the-mississauga-miracle/article_9df538d8-4349-5fb5-8274-8bfbe11f50e9.html

https://railroads.dot.gov/elibrary/safety-advisory-2023-01-evaluation-policies-and-procedures-related-use-and-maintenance-hot

https://www.teledynevisionsolutions.com/learn/learning-center/machine-vision/hot-wheels-can-thermal-imaging-and-better-hotboxes-improve-rail-safety-/

https://www.federalregister.gov/documents/2015/04/27/2015-09612/mechanical-inspections-and-wheel-impact-load-detector-standards-for-trains-transporting-large

https://www.trains.com/pro/regulatory/fra-makes-safety-recommendations-for-hotbox-detector-warnings/

https://railroads.dot.gov/regulations/federal-register-documents/2024-15691

https://public.railinc.com/sites/default/files/documents/OT-55.pdf

https://asmedigitalcollection.asme.org/IMECE/proceedings/IMECE2003/37270/121/298418

https://rosap.ntl.bts.gov/view/dot/61622/dot_61622_DS1.pdf

https://asmedigitalcollection.asme.org/fluidsengineering/article-pdf/58/5/418/6984910/411_1.pdf

https://www.american-rails.com/hotbox.html

https://files.defectdetector.net/HBD%20History.pdf

https://www.trains.com/trn/train-basics/abcs-of-railroading/defect-detectors/

https://www.aar.org/issue/decades-of-tech-progress/

https://www.jonroma.net/signaling/railway-signaling/H.html

https://www.freightwaves.com/news/there-are-no-federal-regulations-on-key-rail-sensors

https://www.utrgv.edu/railwaysafety/_files/documents/research/mechanical/ijrt_wayside-hbd-investigation.pdf

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/14576/539_ord0006iii%2520Acoustic%2520Detec%2520of%2520Rail%2520Car%2520Roller%2520Bearing%2520III.pdf

https://www.tsb.gc.ca/eng/rapports-reports/rail/2018/r18w0007/r18w0007.html

https://www.amsteddigital.com/the-latest/monitoring-insights-continuous-monitoring-of-roller-bearings/

https://ieeexplore.ieee.org/document/9089560/

https://pmc.ncbi.nlm.nih.gov/articles/PMC9459779/

https://research.ibm.com/blog/ai-model-discovers-railroad-defects-before-theyre-critical

https://www.ndt.net/article/appliedsciences/papers/applsci-15-07725.pdf

https://www.sciencedirect.com/science/article/abs/pii/S0263224125024170

https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0331513

https://ieeexplore.ieee.org/document/9254159/

https://www.mdpi.com/1424-8220/24/4/1171

https://www.archivemarketresearch.com/reports/rail-flaw-detector-497870

https://www.trains.com/pro/news-reviews/news-wire/wayside-detectors-in-spotlight-after-norfolk-southern-derailment-in-ohio/

https://www.trains.com/trn/train-basics/abcs-of-railroading/wayside-detectors-advancing-fast/

https://www.aslrra.org/aslrra/document-server/?cfp=aslrra/assets/File/public/news/2023/safety-advisory-2023-01-022823-final.pdf

https://www.federalregister.gov/documents/2024/07/17/2024-15691/safety-advisory-2023-01-evaluation-of-policies-and-procedures-related-to-the-use-and-maintenance-of

https://www.ecfr.gov/current/title-49/subtitle-B/chapter-II/part-236/subpart-I

https://www.federalregister.gov/documents/2023/06/14/2023-12724/safety-advisory-2023-01-evaluation-of-policies-and-procedures-related-to-the-use-and-maintenance-of

https://www.researchgate.net/publication/341219920_Wayside_Defect_Detector_Data_Mining_to_Predict_Potential_WILD_Train_Stops

https://defectdetector.net/manufacturers/servo

https://patents.google.com/patent/US3183349A/en

https://www.ntsb.gov/investigations/AccidentReports/Reports/RIR2405%20CORRECTED.pdf

https://railroads.fra.dot.gov/sites/fra.dot.gov/files/fra_net/3520/Using%20Wheel%20Temperature%20Detector%20Technology_20131227_final.pdf

https://kallipr.com/solutions/rail-temperature-monitoring/

https://yeltech.com/railway-temperature-monitoring-rtmu/

https://www.ensco.com/rail/predictive-rail-temperature-system-prts

https://www.focusedtechnologysolutions.com/buckledetect

https://onlinepubs.trb.org/onlinepubs/idea/finalreports/safety/idea_safety_16.pdf

https://rosap.ntl.bts.gov/view/dot/23139

https://www.railwayage.com/mechanical/freight-cars/bearing-down-on-bearings/

https://arxiv.org/pdf/2304.07307

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/18667/Wayside%2520Detector%2520Implementation%2520Guide.pdf

https://lbfoster.com/rail/total-track-monitoring/wheel-impact-load-detector

https://data.ntsb.gov/Docket/Document/docBLOB?ID=16603144&FileExtension=pdf&FileName=AAR%2520Manual%2520of%2520Standards%2520-%2520S-6000%2520and%2520S-6001-Rel.pdf

https://lbfoster.com/assets/brochures/lbfoster-brochure-us-wildiv-6-11-24_mbf.pdf

https://www.sciencedirect.com/science/article/abs/pii/S0003682X15002376

https://railroads.dot.gov/sites/fra.dot.gov/files/2024-01/HRA%20Final%20Report_01.22.24.pdf

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/14672/Wayside%20Deraillament%20Inspection%20Requirements%20Study%20for%20Railroad%20Vehicle%20Equipment%20May%201977.pdf

https://www.railwayage.com/regulatory/high-productivity-fault-detection/

https://www.progressrail.com/en/Segments/RailTechnology.html

http://s7d2.scene7.com/is/content/Caterpillar/C10670246

https://www.cn.ca/en/safety/operative-safety/

https://www.trackopedia.com/en/encyclopedia/infrastructure/wayside-train-monitoring-system-wtms

https://www.ensco.com/rail/clearance-measurement-system-cms

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4883374/

https://www.cn.ca/-/media/Files/Delivering-Responsably/Safety/2018-Safety-Technology-Overview-en.pdf

https://www.railwaygazette.com/uk/gauge-survey-automation-technology-approved/59861.article

https://www.duostechnologies.com/oblique-vue/

https://www.sciencedirect.com/science/article/pii/S2046043024000716

https://onlinepubs.trb.org/onlinepubs/archive/studies/idea/finalreports/highspeedrail/hsr-49final_report.pdf

https://www.researchgate.net/publication/309541091_An_automatic_online_inspection_system_for_a_coupler_yoke_for_freight_trains

https://www.psi-technics.com/PDF/E/PSI-2633-001-190048-Product-Flyer-Automated-Train-Inspection-EN.pdf

https://www.researchgate.net/publication/258717127_3-D_Detection_Technique_of_Surface_Defects_for_Heavy_Rail_Based_on_Binocular_Stereo_Vision

https://rosap.ntl.bts.gov/view/dot/18644/dot_18644_DS1.pdf

https://www.delltechnologies.com/asset/de-at/solutions/business-solutions/customer-stories-case-studies/duos-technologies-improves-railroad-safety-with-edge-solutions.pdf

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/14789/TR_UMD_AnomalyDetection_final.pdf

https://www.photonfocus.com/industries/traffic-transport/wheel-and-rail-inspection/

https://www.ideko.es/en/services-for-industry/case-studies/dwpm-3

https://riftek.com/products/railway_wheel_profile_gauge_ikp/

https://railroadgage.com/information/gaging-steel-wheels/aar-wheel-out-of-round-condemning-limit/

https://www.ecfr.gov/current/title-49/subtitle-B/chapter-II/part-215

https://www.wabteccorp.com/digital-intelligence/condition-monitoring/kinetix-inspection-technologies/wayside/wheelview

https://hexagon.com/products/calipri-x

https://pmc.ncbi.nlm.nih.gov/articles/PMC9919230/

https://uic.org/IMG/pdf/uic_loading_guidelines-volume_1-01042025.pdf

https://papers.phmsociety.org/index.php/phmconf/article/view/2711

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC11209620/

https://fudinfo.trafikverket.se/fudinfoexternwebb/Publikationer/Publikationer_002101_002200/Publikation_002133/334_Palo.pdf

https://www.railway-technology.com/products/tbogi-bogie-condition-monitoring-and-hunting-detection-system/

https://www.mdpi.com/1424-8220/22/5/1976

https://www.researchgate.net/publication/230285171_Piezo-based_weigh-in-motion_system_for_the_railway_transport

https://journals.asmedigitalcollection.asme.org/JRC/proceedings-pdf/JRC2006/42037/169/2643689/169_1.pdf

https://flore.unifi.it/retrieve/e398c378-f778-179a-e053-3705fe0a4cff/InnocentiMariniMeliPugiRindi_paper.pdf

https://www.researchgate.net/publication/358978096_Development_and_Validation_of_a_Weigh-in-Motion_Methodology_for_Railway_Tracks

https://www.kistler.com/INT/en/kistler-launches-next-generation-rail-weigh-in-motion-system/C00000234

https://indianexpress.com/article/india/india-others/cbi-unearths-multi-crore-scam-in-railway-weigh-bridges-firs-in-offing/

https://railroads.dot.gov/sites/fra.dot.gov/files/fra_net/14602/Brake%2520System%2520Design%2520Optimization%2520Volume%2520l%2520A%2520Survey%2520and%2520Assessment%2520June%25201978.pdf

https://www.wabteccorp.com/digital-intelligence/condition-monitoring/kinetix-inspection-technologies/wayside/brakeview

https://www.researchgate.net/publication/220939128_Automated_thickness_measuring_system_for_brake_shoe_of_rolling_stock

https://www.mermecgroup.com/northamerica/inspect/train-monitoring/96/brake-parameters.php

https://www.camco.be/zh/ai-enabled-railway-brake-shoe-wear-tear-detection/index.html

https://publications.gc.ca/collections/collection_2025/cnrc-nrc/NR16-483-2021-eng.pdf

https://media.vossloh.com/media/download/vossloh_rail_watch/Vossloh_Pulsar_EN.pdf

https://www.semanticscholar.org/paper/Automated-Inspection-System-for-Rolling-Stock-Brake-Kim-Kim/9744c2dc21bd3bc548462e6acc5f73d8bee32d7b

https://www.mdpi.com/2076-3417/13/12/7330

https://pmc.ncbi.nlm.nih.gov/articles/PMC10220630/

https://dr.lib.iastate.edu/bitstreams/62f6c52e-6f3b-4dfa-8a6d-d0bd3c55ae0b/download

https://www.monash.edu/international/monash-warwick/researchers/our-research-projects-v2/train-based-rapid-ultrasonic-scanning-of-track-for-rail-defect-detection-using-emat

https://rosap.ntl.bts.gov/view/dot/9764

https://www.ndt.net/article/wcndt2016/papers/p22.pdf

https://rosap.ntl.bts.gov/view/dot/56454

https://www.mdpi.com/2071-1050/14/18/11568

https://www.scirp.org/journal/paperinformation?paperid=16523

https://www.okondt.com/applications/rails-and-welds-testing/eddy-current-testing-of-rails

https://opus4.kobv.de/opus4-bam/frontdoor/index/index/docId/57236

https://ieeexplore.ieee.org/document/10461507/