論文の概要: Rail break and derailment prediction using Probabilistic Graphical
Modelling
- arxiv url: http://arxiv.org/abs/2208.11940v1
- Date: Thu, 25 Aug 2022 08:47:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-26 13:05:49.764092
- Title: Rail break and derailment prediction using Probabilistic Graphical
Modelling
- Title(参考訳): 確率的グラフモデリングによる鉄道破壊・脱線予測
- Authors: Rebecca M.C. Taylor and Johan A. du Preez
- Abstract要約: 鉄道区間を通過する列車に付随する列車の故障のリスクを知ることにより、メンテナンスイニシアチブのより良い実施と緩和策が実現される。
そこで, オーアラインの鉄道破壊リスク予測モデルの開発について述べる。
- 参考スコア(独自算出の注目度): 2.6397379133308214
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rail breaks are one of the most common causes of derailments internationally.
This is no different for the South African Iron Ore line. Many rail breaks
occur as a heavy-haul train passes over a crack, large defect or defective
weld. In such cases, it is usually too late for the train to slow down in time
to prevent a de-railment. Knowing the risk of a rail break occurring associated
with a train passing over a section of rail allows for better implementation of
maintenance initiatives and mitigating measures. In this paper the Ore Line's
specific challenges are discussed and the currently available data that can be
used to create a rail break risk prediction model is reviewed. The development
of a basic rail break risk prediction model for the Ore Line is then presented.
Finally the insight gained from the model is demonstrated by means of
discussing various scenarios of various rail break risk. In future work, we are
planning on extending this basic model to allow input from live monitoring
systems such as the ultrasonic broken rail detection system.
- Abstract(参考訳): 鉄道遮断は国際的な脱線の原因の1つである。
これは南アフリカの鉄鉱石ラインと変わらない。
列車がひび割れや大きな欠陥、欠陥のある溶接部を通過すると、多くのレールが破損する。
この場合、列車が脱線を防ぐために速度を落とすには遅すぎるのが普通である。
鉄道区間を通過する列車に付随する列車の故障のリスクを知ることにより、メンテナンスイニシアチブのより良い実施と緩和策が実現される。
本稿では,鉱石ラインの具体的な課題を議論し,レールブレークリスク予測モデルの作成に使用できる現在利用可能なデータについて検討する。
次に, 鉄鉱石線におけるレールブレークリスク予測モデルの開発について述べる。
最後に、モデルから得られた洞察は、様々な鉄道破壊リスクの様々なシナリオについて議論することで示される。
今後,この基本モデルを拡張して,超音波破壊鉄道検知システムなどのライブ監視システムからの入力を可能にする計画である。
関連論文リスト
- Physics-Informed Neural Network based Damage Identification for Truss Railroad Bridges [4.923031976899536]
鉄道橋は国内貨物の40%以上を輸送するアメリカの貨物鉄道システムにとって重要な部分である。
本研究では,鋼トラス橋梁の損傷同定のための物理インフォームドニューラルネットワーク(PINN)を提案する。
論文 参考訳(メタデータ) (2025-01-31T22:22:35Z) - A Multi-Loss Strategy for Vehicle Trajectory Prediction: Combining Off-Road, Diversity, and Directional Consistency Losses [68.68514648185828]
軌道予測は、自動運転車における計画の安全性と効率に不可欠である。
現在のモデルでは、複雑な交通規則と潜在的な車両の動きを完全に捉えることができないことが多い。
本研究は, オフロード損失, 方向整合誤差, ダイバーシティ損失の3つの新しい損失関数を紹介する。
論文 参考訳(メタデータ) (2024-11-29T14:47:08Z) - Local and Global Information in Obstacle Detection on Railway Tracks [30.90745722512406]
鉄道画像から線路分割を学習するための浅層ネットワークの利用を提案する。
ネットワークの受容領域は、過信の予測を防ぐ。
本手法は, 人工的な障害物を有する鉄道画像を含むカスタムデータセット上で評価する。
論文 参考訳(メタデータ) (2023-07-28T11:07:34Z) - Wooden Sleeper Deterioration Detection for Rural Railway Prognostics
Using Unsupervised Deeper FCDDs [0.0]
本研究では, 鉄道部品の欠陥に対する深いFCDDを用いた一級損傷分類を自動化するための識別器パイプラインを考案した。
畳み込みニューラルネットワーク(CNN)を用いた深部骨のアブレーション研究も行った。
曇りの日当たりの後方から鉄道線路の映像取得データセットを用いた鉄道検査への適用を実演した。
論文 参考訳(メタデータ) (2023-05-09T00:16:49Z) - Novel features for the detection of bearing faults in railway vehicles [88.89591720652352]
我々は,Mel-Frequency Cepstral Coefficients (MFCCs) とAmplitude Modulation Spectrogram (AMS) から抽出した特徴を,軸受欠陥の検出のための特徴として紹介する。
論文 参考訳(メタデータ) (2023-04-14T10:09:50Z) - Detecting train driveshaft damages using accelerometer signals and
Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。
その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文 参考訳(メタデータ) (2022-11-15T15:04:06Z) - Offline-to-Online Reinforcement Learning via Balanced Replay and
Pessimistic Q-Ensemble [135.6115462399788]
深いオフライン強化学習により、オフラインデータセットから強力なロボットエージェントをトレーニングすることが可能になった。
状態-作用分布シフトは、微調整中に厳しいブートストラップエラーを引き起こす可能性がある。
本稿では,オンライン上で遭遇したサンプルを優先しながら,ほぼ政治的なサンプルの使用を奨励するバランスの取れたリプレイ方式を提案する。
論文 参考訳(メタデータ) (2021-07-01T16:26:54Z) - Public Transit for Special Events: Ridership Prediction and Train
Optimization [10.531110013870792]
交通機関は、ディスラプション、遅延、運賃収入への影響を理解することが重要である。
本稿では,特殊イベントによる渋滞ピーク時の交通システムの性能評価,予測,管理を行うための一連のデータ駆動手法を提案する。
論文 参考訳(メタデータ) (2021-06-09T19:52:18Z) - Transformers \`a Grande Vitesse [0.09208007322096534]
本研究の目的は,鉄道区間における列車の走行時間を,鉄道網全体の規模でリアルタイムに予測することである。
提案手法は,現在使われている,実験的な予測手法と比較して,実世界のデータに対して非常に肯定的な結果をもたらす。
論文 参考訳(メタデータ) (2021-05-18T13:43:18Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳(メタデータ) (2021-02-12T18:17:12Z) - How Important is the Train-Validation Split in Meta-Learning? [155.5088631672781]
メタラーニングにおける一般的な実践は、前者がデータの1つの分割に対してタスクに適応し、その結果の予測器が別の分割に対して評価される列車バリデーション分割(emphtrain-val method)を実行することである。
有病率にもかかわらず、列車の改札の重要性は理論上も実際上もよく理解されていない。
そこで本研究では,実際のメタ学習タスクとシミュレーションの両方において,トレイン・トレイン法がトレイン・ヴァル法より優れていることを示す。
論文 参考訳(メタデータ) (2020-10-12T16:48:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。