論文の概要: Predictive Maintenance of Armoured Vehicles using Machine Learning
Approaches
- arxiv url: http://arxiv.org/abs/2307.14453v1
- Date: Wed, 26 Jul 2023 18:50:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-28 16:49:39.337162
- Title: Predictive Maintenance of Armoured Vehicles using Machine Learning
Approaches
- Title(参考訳): 機械学習を用いた装甲車両の予測保守
- Authors: Prajit Sengupta, Anant Mehta, Prashant Singh Rana
- Abstract要約: 本研究では,これらの車両から収集したセンサデータに基づいて,潜在的なメンテナンスニーズの予測を支援する,予測型メンテナンスベースアンサンブルシステムを提案する。
提案システムは98.93%の精度、99.80%の精度、99.03%のリコールを実現する。
- 参考スコア(独自算出の注目度): 3.403279506246879
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Armoured vehicles are specialized and complex pieces of machinery designed to
operate in high-stress environments, often in combat or tactical situations.
This study proposes a predictive maintenance-based ensemble system that aids in
predicting potential maintenance needs based on sensor data collected from
these vehicles. The proposed model's architecture involves various models such
as Light Gradient Boosting, Random Forest, Decision Tree, Extra Tree Classifier
and Gradient Boosting to predict the maintenance requirements of the vehicles
accurately. In addition, K-fold cross validation, along with TOPSIS analysis,
is employed to evaluate the proposed ensemble model's stability. The results
indicate that the proposed system achieves an accuracy of 98.93%, precision of
99.80% and recall of 99.03%. The algorithm can effectively predict maintenance
needs, thereby reducing vehicle downtime and improving operational efficiency.
Through comparisons between various algorithms and the suggested ensemble, this
study highlights the potential of machine learning-based predictive maintenance
solutions.
- Abstract(参考訳): 装甲車両(英語: Armoured vehicle)は、しばしば戦闘や戦術的な状況において、高ストレス環境で運用するために設計された特殊で複雑な機械である。
本研究では,これらの車両から収集したセンサデータに基づいて,潜在的保守ニーズの予測を支援する予測保守型アンサンブルシステムを提案する。
提案されたモデルのアーキテクチャは、車両のメンテナンス要件を正確に予測するために、軽量勾配ブースティング、ランダムフォレスト、決定木、余分な木分類器、勾配ブースティングといった様々なモデルを含んでいる。
さらに,提案したアンサンブルモデルの安定性を評価するために,TOPSIS解析とともにK-foldクロスバリデーションを用いた。
その結果,提案システムは98.93%の精度,99.80%の精度,99.03%のリコールを達成した。
このアルゴリズムは、メンテナンスニーズを効果的に予測でき、車両のダウンタイムを低減し、運用効率を向上させる。
様々なアルゴリズムと提案するアンサンブルを比較することで,機械学習による予測保守ソリューションの可能性を明らかにする。
関連論文リスト
- Generative Learning for Simulation of Vehicle Faults [20.551738931783643]
本研究では,車両の健康と予測故障をシミュレートする新しい生成モデルを開発した。
このモデルは、アメリカ陸軍の予測ロジスティックスプログラムのデータに基づいて訓練され、予測保守をサポートすることを目的としている。
論文 参考訳(メタデータ) (2024-07-24T21:46:39Z) - Machine Learning for Pre/Post Flight UAV Rotor Defect Detection Using Vibration Analysis [54.550658461477106]
無人航空機(UAV)は将来のスマートシティにとって重要なインフラ要素となるだろう。
効率的な運用のためには、UAVの信頼性は障害や故障の常時監視によって保証されなければならない。
本稿では,信号処理と機械学習を利用して,包括的振動解析データを分析し,ローターブレードの欠陥の有無を判定する。
論文 参考訳(メタデータ) (2024-04-24T13:50:27Z) - Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model [0.0]
この研究は、SVM(Support Vector Machine)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、畳み込みニューラルネットワークLSTMベース(Convolutional Neural Network LSTM-based)など、さまざまな機械学習分類手法を掘り下げて、マシンのパフォーマンスを予測し分析することを目的としている。
本研究の主な目的は、精度、精度、リコール、F1スコアなどの要因を考慮して、これらのアルゴリズムの性能を評価し、機械性能を予測・解析することである。
論文 参考訳(メタデータ) (2024-03-15T12:47:45Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-29T02:27:54Z) - An Interpretable Systematic Review of Machine Learning Models for
Predictive Maintenance of Aircraft Engine [0.12289361708127873]
本稿では,航空機エンジンの保守性を予測するため,各種機械学習モデルと深層学習モデルの解釈可能なレビューを行う。
本研究では, LSTM, Bi-LSTM, RNN, Bi-RNN GRU, Random Forest, KNN, Naive Bayes, Gradient Boostingを用いて, 航空機のエンジン故障の予測にセンサデータを用いた。
97.8%、97.14%、96.42%はGRU、Bi-LSTM、LSTMによってそれぞれ得られる。
論文 参考訳(メタデータ) (2023-09-23T08:54:10Z) - CUEING: a lightweight model to Capture hUman attEntion In driviNG [6.310770791023399]
本稿では,既存の視線データセットからノイズを除去する適応的浄化手法と,頑健で軽量な自己注意型視線予測モデルを提案する。
提案手法は, モデル一般化可能性と性能を最大12.13%向上させるだけでなく, 最先端技術と比較して, モデル複雑性を最大98.2%低減させる。
論文 参考訳(メタデータ) (2023-05-25T04:44:50Z) - Unified Automatic Control of Vehicular Systems with Reinforcement
Learning [64.63619662693068]
本稿では,車載マイクロシミュレーションの合理化手法について述べる。
最小限の手動設計で高性能な制御戦略を発見する。
この研究は、波動緩和、交通信号、ランプ計測に類似した多くの創発的挙動を明らかにしている。
論文 参考訳(メタデータ) (2022-07-30T16:23:45Z) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳(メタデータ) (2022-05-16T12:14:42Z) - Predictive Maintenance for Edge-Based Sensor Networks: A Deep
Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。
機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。
従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文 参考訳(メタデータ) (2020-07-07T10:00:32Z) - The Importance of Prior Knowledge in Precise Multimodal Prediction [71.74884391209955]
道路にはよく定義された地形、地形、交通規則がある。
本稿では,構造的事前を損失関数として組み込むことを提案する。
実世界の自動運転データセットにおけるアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2020-06-04T03:56:11Z)
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。