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

• A Survey on Drowsiness Detection -- Modern Applications and Methods [29.367684013050916]
  眠気検知は、職場や車輪の後ろの安全を確保する上で、最重要事項である。 本総説では,各分野における眠気検知の重要性について概説する。
  論文  参考訳（メタデータ） (2024-08-23T11:15:21Z)
• Wearable Device-Based Real-Time Monitoring of Physiological Signals: Evaluating Cognitive Load Across Different Tasks [6.673424334358673]
  本研究は,中等教育学生の脳波(EEG)データに対する認知負荷評価を行うために,最先端のウェアラブルモニタリング技術を用いている。 この研究は、中等教育学生の認知負荷を評価するための応用価値と、様々な課題にまたがる有用性について考察した。
  論文  参考訳（メタデータ） (2024-06-11T10:48:26Z)
• 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)
• 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)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• 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)
• Evaluating the Robustness of Self-Supervised Learning in Medical Imaging [57.20012795524752]
  自己監督は、小さな注釈付きデータセット上でターゲットタスクを訓練する際の効果的な学習戦略であることを示した。 本研究では,自己監視学習によって訓練されたネットワークが,医療画像の文脈における完全監視学習と比較して,堅牢性と汎用性に優れていることを示した。
  論文  参考訳（メタデータ） (2021-05-14T17:49:52Z)
• Physical Activity Recognition Based on a Parallel Approach for an Ensemble of Machine Learning and Deep Learning Classifiers [0.0]
  モノのインターネット(IOT)に組み込まれたウェアラブルセンサーデバイスによる人間の活動認識(HAR)は、リモートヘルス監視と緊急通知に重要な役割を果たします。 本研究では、医療に適用可能な意思決定精度と実行速度の人間活動認識手法について検討する。
  論文  参考訳（メタデータ） (2021-03-02T16:50:52Z)
• Foreseeing the Benefits of Incidental Supervision [83.08441990812636]
  本稿では,実験を行なわずに,特定の目標タスクに対して,様々な種類の偶発信号の利点を定量化できるかどうかを考察する。 本稿では,PABI(PAC-Bayesian motivated informativeness measure)を提案する。
  論文  参考訳（メタデータ） (2020-06-09T20:59:42Z)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)

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。