論文の概要: Augmenting train maintenance technicians with automated incident diagnostic suggestions

• arxiv url: http://arxiv.org/abs/2408.10288v1
• Date: Mon, 19 Aug 2024 09:47:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-21 18:14:26.722085
• Title: Augmenting train maintenance technicians with automated incident diagnostic suggestions
• Title（参考訳）: 自動インシデント診断による列車保守技術者の増員
• Authors: Georges Tod, Jean Bruggeman, Evert Bevernage, Pieter Moelans, Walter Eeckhout, Jean-Luc Glineur,
• Abstract要約: 列車事故が宣言された直後に、携帯電話、タブレット、ラップトップで技術者を訓練するための診断を推奨する学習機械が開発された。 フィードバックループは、指定された列車保守専門家による実際の診断を考慮に入れることができる。 結果として得られたモデルは、実際の運用データを使用してトレーニングされ、検証され、クラウドプラットフォームにデプロイされる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Train operational incidents are so far diagnosed individually and manually by train maintenance technicians. In order to assist maintenance crews in their responsiveness and task prioritization, a learning machine is developed and deployed in production to suggest diagnostics to train technicians on their phones, tablets or laptops as soon as a train incident is declared. A feedback loop allows to take into account the actual diagnose by designated train maintenance experts to refine the learning machine. By formulating the problem as a discrete set classification task, feature engineering methods are proposed to extract physically plausible sets of events from traces generated on-board railway vehicles. The latter feed an original ensemble classifier to class incidents by their potential technical cause. Finally, the resulting model is trained and validated using real operational data and deployed on a cloud platform. Future work will explore how the extracted sets of events can be used to avoid incidents by assisting human experts in the creation predictive maintenance alerts.
• Abstract（参考訳）: 列車の運転事故は、列車の保守技術者によって個人および手動で診断されている。 保守作業員の応答性とタスク優先化を支援するため、列車事故が宣言された直後に、携帯電話、タブレット、ラップトップで技術者を訓練するための診断を推奨するために、学習機械を本番環境に開発、展開する。 フィードバックループは、指定された列車保守専門家によって実際の診断を考慮し、学習機械を洗練させる。 この問題を離散的な集合分類タスクとして定式化することにより, 車両上で発生した痕跡から, 物理的に妥当な事象の集合を抽出する特徴工学手法を提案する。 後者は、独自のアンサンブル分類器を、潜在的な技術的原因によってクラスインシデントに供給する。 最後に、得られたモデルは実際の運用データを使用してトレーニングされ、検証され、クラウドプラットフォームにデプロイされる。 今後は、抽出したイベントの集合が、予測メンテナンスアラートの作成において、人間の専門家を支援することで、インシデントを避けるためにどのように使用できるかを検討する予定である。

関連論文リスト

• Student Assessment in Cybersecurity Training Automated by Pattern Mining and Clustering [0.5249805590164902]
  本稿では,データマイニングと機械学習技術を用いた18のサイバーセキュリティトレーニングセッションのデータセットについて検討する。 113名の研修生から収集した8834のコマンドを分析し,パターンマイニングとクラスタリングを行った。 以上の結果から,データマイニング手法はサイバーセキュリティトレーニングデータの解析に適していることが示唆された。
  論文  参考訳（メタデータ） (2023-07-13T18:52:58Z)
• Rethinking Closed-loop Training for Autonomous Driving [82.61418945804544]
  本研究は,学習エージェントの成功に対する異なるトレーニングベンチマーク設計の影響を分析した最初の実証的研究である。 複数ステップのルックアヘッドで計画を行うRLベースの駆動エージェントであるtrajectory value learning (TRAVL)を提案する。 実験の結果,TRAVLはすべてのベースラインと比較してより速く学習でき,安全な操作が可能であることがわかった。
  論文  参考訳（メタデータ） (2023-06-27T17:58:39Z)
• Surgical tool classification and localization: results and methods from the MICCAI 2022 SurgToolLoc challenge [69.91670788430162]
  SurgLoc 2022 チャレンジの結果を示す。 目標は、ツール検出のためにトレーニングされた機械学習モデルにおいて、ツールの存在データを弱いラベルとして活用することだった。 これらの結果を機械学習と手術データ科学の幅広い文脈で論じることで結論付ける。
  論文  参考訳（メタデータ） (2023-05-11T21:44:39Z)
• Discovering the Effectiveness of Pre-Training in a Large-scale Car-sharing Platform [0.0]
  カーシェアリングプラットフォームにおける画像認識タスクにおける各種事前学習手法の有効性を明らかにするための一連の分析手法を提案する。 カーシェアリングプラットフォームに2つの実世界の画像認識タスクをライブサービスに設定し、多数のショットと少数ショットの課題設定の下でそれらを確立し、どの事前学習手法がどの設定において最も効果的なパフォーマンスを達成するかを精査した。
  論文  参考訳（メタデータ） (2023-05-02T15:23:13Z)
• Uncertainty aware anomaly detection to predict errant beam pulses in the SNS accelerator [47.187609203210705]
  本稿では、不確実性を考慮した機械学習手法、シームズニューラルネットワークモデルの適用について述べる。 接近する故障を予測することで、損傷が起こる前に加速器を止めることができる。
  論文  参考訳（メタデータ） (2021-10-22T18:37:22Z)
• VisioRed: A Visualisation Tool for Interpretable Predictive Maintenance [5.845912816093006]
  マシンラーニングを使用すると、予測および規範的なメンテナンスがシステム障害を予測および防止する。 本稿では,時系列データに基づく予測保守モデルから得られた情報を表示するための解釈を組み込んだ可視化ツールを提案する。
  論文  参考訳（メタデータ） (2021-03-31T11:35:51Z)
• Adversarial Training is Not Ready for Robot Learning [55.493354071227174]
  対人訓練は,ノルム有界摂動に耐性のあるディープラーニングモデルを訓練する有効な方法である。 敵訓練により得られたニューラルコントローラが3種類の欠陥を受けることを理論的および実験的に示す。 この結果から, ロボット学習にはまだ対応できていないことが示唆された。
  論文  参考訳（メタデータ） (2021-03-15T07:51:31Z)
• Cockpit: A Practical Debugging Tool for Training Deep Neural Networks [27.96164890143314]
  学習機械の内部動作をより深く観察することのできる機器のコレクションを提示する。 これらの機器は勾配分布と曲率に関する新しい高次情報を利用する。
  論文  参考訳（メタデータ） (2021-02-12T16:28:49Z)
• 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)
• 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)
• Improving Train Track Safety using Drones, Computer Vision and Machine Learning [0.0]
  世界中の列車事故によって引き起こされた数百万人の死者は、非効率で手動の線路検査によって引き起こされる。 政府機関は鉄道産業の安全運用を真剣に懸念している。 軌道欠陥による損失は、公的および民間投資における数十億ドルの損失と、ダウンタイムによる収益の損失をもたらす。
  論文  参考訳（メタデータ） (2020-06-04T23:17:23Z)

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。