論文の概要: Contrastive Feature Learning for Fault Detection and Diagnostics in
Railway Applications
- arxiv url: http://arxiv.org/abs/2208.13288v1
- Date: Sun, 28 Aug 2022 21:04:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 14:14:32.301112
- Title: Contrastive Feature Learning for Fault Detection and Diagnostics in
Railway Applications
- Title(参考訳): 鉄道における障害検出と診断のための対比特徴学習
- Authors: Katharina Rombach, Gabriel Michau, Kajan Ratnasabapathy, Lucian-Stefan
Ancu, Wilfried B\"urzle, Stefan Koller and Olga Fink
- Abstract要約: 本稿では,運用や環境要因に不変な特徴表現を学習することでこの問題に対処することを提案するが,一方で,資産の健康状態の変化に敏感である。
鉄道システム内の実環境モニタリングデータセットを用いて,教師付きおよび教師なしの故障検出および診断タスクにおいて,コントラスト学習がいかに活用できるかを評価する。
- 参考スコア(独自算出の注目度): 1.3022864665437273
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A railway is a complex system comprising multiple infrastructure and rolling
stock assets. To operate the system safely, reliably, and efficiently, the
condition many components needs to be monitored. To automate this process,
data-driven fault detection and diagnostics models can be employed. In
practice, however, the performance of data-driven models can be compromised if
the training dataset is not representative of all possible future conditions.
We propose to approach this problem by learning a feature representation that
is, on the one hand, invariant to operating or environmental factors but, on
the other hand, sensitive to changes in the asset's health condition. We
evaluate how contrastive learning can be employed on supervised and
unsupervised fault detection and diagnostics tasks given real condition
monitoring datasets within a railway system - one image dataset from
infrastructure assets and one time-series dataset from rolling stock assets.
First, we evaluate the performance of supervised contrastive feature learning
on a railway sleeper defect classification task given a labeled image dataset.
Second, we evaluate the performance of unsupervised contrastive feature
learning without access to faulty samples on an anomaly detection task given a
railway wheel dataset. Here, we test the hypothesis of whether a feature
encoder's sensitivity to degradation is also sensitive to novel fault patterns
in the data. Our results demonstrate that contrastive feature learning improves
the performance on the supervised classification task regarding sleepers
compared to a state-of-the-art method. Moreover, on the anomaly detection task
concerning the railway wheels, the detection of shelling defects is improved
compared to state-of-the-art methods.
- Abstract(参考訳): 鉄道は、複数のインフラと車両資産からなる複雑なシステムである。
システムを安全かつ確実かつ効率的に運用するには、多くのコンポーネントを監視する必要がある。
このプロセスの自動化には、データ駆動の障害検出と診断モデルが用いられる。
しかし実際には、トレーニングデータセットが将来のすべての条件を代表していない場合、データ駆動モデルのパフォーマンスは損なわれる可能性がある。
本稿では,運用要因や環境要因に不変であるが,一方で,資産の健康状態の変化に敏感な特徴表現を学習することによって,この問題にアプローチすることを提案する。
鉄道システム内の実況監視データセット(インフラストラクチャー資産からの1画像データセットとローリングストック資産からの1時系列データセット)について,教師付き・教師なしの故障検出・診断タスクにおいて,コントラスト学習がいかに活用できるかを評価する。
まず,ラベル付き画像データセットを用いた鉄道寝台欠陥分類タスクにおける教師付きコントラスト特徴学習の性能を評価する。
第2に,鉄道車両データセットに与えられた異常検出タスクにおいて,故障サンプルにアクセスせずに教師なしコントラスト特徴学習の性能を評価する。
本稿では,特徴エンコーダの劣化に対する感受性がデータ中の新たな障害パターンに敏感かどうかを検証した。
以上の結果から,コントラスト的特徴学習は睡眠に関する教師付き分類タスクの性能を,最先端の手法と比較して向上させることが示された。
また、鉄道車両に関する異常検出タスクでは、最先端の方法と比較して、砲弾欠陥の検出が向上する。
関連論文リスト
- Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health
Monitoring Systems [69.41229290253605]
既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。
これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。
最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
論文 参考訳(メタデータ) (2024-01-19T16:26:35Z) - A Comparison of Residual-based Methods on Fault Detection [6.675805308519987]
本研究では,産業システムにおける欠陥検出のための残差に基づく2つのアプローチを比較した。
性能評価は, 健康指標構築, 断層検出, 健康指標解釈の3つの課題に焦点をあてる。
その結果、両モデルとも平均20サイクルの遅延で故障を検出でき、偽陽性率を低く維持できることがわかった。
論文 参考訳(メタデータ) (2023-09-05T14:39:27Z) - U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep
Staging [61.6346401960268]
プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。
不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
論文 参考訳(メタデータ) (2023-06-07T08:27:36Z) - Walk4Me: Telehealth Community Mobility Assessment, An Automated System
for Early Diagnosis and Disease Progression [2.96872688940436]
本研究では,早期診断,重症度,進行診断を容易にする遠隔地移動度評価システムであるWalk4Meを紹介する。
これを実現するために、我々は、人工知能(AI)を用いた、患者および典型的に発達する仲間の歩行特性の検出を用いる。
我々のシステムは,新しいWalk4Me APIを用いて,デバイスセンサ(モバイルデバイスからの加速度など)からリモートおよびリアルタイムにデータを収集する。
論文 参考訳(メタデータ) (2023-05-05T10:47:34Z) - Diagnosing failures of fairness transfer across distribution shift in
real-world medical settings [60.44405686433434]
分散シフト下でのモデルフェアネスの変化の診断と緩和は、医療環境における機械学習の安全な展開の重要な構成要素である。
この知識は、文献でしばしば想定されるよりも現実のシフトがより複雑である事例を含む、公平性伝達の失敗の診断に有効であることを示す。
論文 参考訳(メタデータ) (2022-02-02T13:59:23Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳(メタデータ) (2021-11-08T07:57:30Z) - Generalized Out-of-Distribution Detection: A Survey [83.0449593806175]
アウト・オブ・ディストリビューション(OOD)検出は、機械学習システムの信頼性と安全性を確保するために重要である。
その他の問題として、異常検出(AD)、新規検出(ND)、オープンセット認識(OSR)、異常検出(OD)などがある。
まず、上記の5つの問題を含む一般化OOD検出という統合されたフレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-21T17:59:41Z) - Out-of-Distribution Detection for Medical Applications: Guidelines for
Practical Evaluation [0.0]
Out-of-Distribution(OOD)サンプルをリアルタイムで検出することは、医療分野における機械学習モデルのデプロイにとって重要な安全性チェックである。
実際にOOD検出方法を選択する方法には,評価ガイドラインが欠如している。
本稿では,特定の医療データセットに対して最適なOOD検出器を選択するための,一連の実践的考察と試験を提案する。
論文 参考訳(メタデータ) (2021-09-30T07:05:20Z) - Confidence-based Out-of-Distribution Detection: A Comparative Study and
Analysis [17.398553230843717]
我々は、信頼度に基づくOOD検出のための様々な最先端手法の能力を評価する。
まず,コンピュータビジョンベンチマークを用いて複数のOOD検出手法を再現・比較する。
次に,胸部X線を用いた疾患分類の課題に対して,その能力を評価する。
論文 参考訳(メタデータ) (2021-07-06T12:10:09Z) - MET: Multimodal Perception of Engagement for Telehealth [52.54282887530756]
ビデオから人間のエンゲージメントレベルを知覚する学習ベースアルゴリズムMETを提案する。
我々はメンタルヘルス患者のエンゲージメント検出のための新しいデータセットMEDICAをリリースした。
論文 参考訳(メタデータ) (2020-11-17T15:18:38Z) - Health Indicator Forecasting for Improving Remaining Useful Life
Estimation [12.250035750661866]
本稿では,健康指標予測のための新しい生成・シナリオマッチングアルゴリズムを提案する。
実験結果は,他の最先端手法よりもアルゴリズムの方が優れていることを示す。
論文 参考訳(メタデータ) (2020-06-05T23:02:10Z)
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。