論文の概要: Transformer Vibration Forecasting for Advancing Rail Safety and Maintenance 4.0

• arxiv url: http://arxiv.org/abs/2501.11730v1
• Date: Mon, 20 Jan 2025 20:29:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:26:35.134748
• Title: Transformer Vibration Forecasting for Advancing Rail Safety and Maintenance 4.0
• Title（参考訳）: 鉄道安全・保守改善のための変圧器振動予測法 4.0
• Authors: Darío C. Larese, Almudena Bravo Cerrada, Gabriel Dambrosio Tomei, Alejandro Guerrero-López, Pablo M. Olmos, María Jesús Gómez García,
• Abstract要約: 本研究では、機械的故障を回避するために既存のシステムとシームレスに統合する堅牢なDeep Autoregressiveソリューションを提案する。 本手法は, 各種条件および故障シナリオ下での振動信号をシミュレートし, 予測する。 これらのシステムは、メンテナンスの必要性を警告し、事故を事前に防止することができる。
• 参考スコア（独自算出の注目度）: 40.196971298573644
• License:
• Abstract: Maintaining railway axles is critical to preventing severe accidents and financial losses. The railway industry is increasingly interested in advanced condition monitoring techniques to enhance safety and efficiency, moving beyond traditional periodic inspections toward Maintenance 4.0. This study introduces a robust Deep Autoregressive solution that integrates seamlessly with existing systems to avert mechanical failures. Our approach simulates and predicts vibration signals under various conditions and fault scenarios, improving dataset robustness for more effective detection systems. These systems can alert maintenance needs, preventing accidents preemptively. We use experimental vibration signals from accelerometers on train axles. Our primary contributions include a transformer model, ShaftFormer, designed for processing time series data, and an alternative model incorporating spectral methods and enhanced observation models. Simulating vibration signals under diverse conditions mitigates the high cost of obtaining experimental signals for all scenarios. Given the non-stationary nature of railway vibration signals, influenced by speed and load changes, our models address these complexities, offering a powerful tool for predictive maintenance in the rail industry.
• Abstract（参考訳）: 鉄道軸の維持は、深刻な事故や財政的損失を防ぐために重要である。 鉄道業界は、安全と効率を高めるための高度な状況監視技術にますます関心を寄せており、従来の定期検査を超えて保守4.0に移行している。 本研究では、機械的故障を回避するために既存のシステムとシームレスに統合する堅牢なDeep Autoregressiveソリューションを提案する。 提案手法は, 各種条件および故障シナリオ下での振動信号をシミュレートし, 予測し, より効率的な検出システムのためのデータセットのロバスト性を向上させる。 これらのシステムは、メンテナンスの必要性を警告し、事故を事前に防止することができる。 列車軸の加速度計からの実験振動信号を用いる。 我々の主な貢献は、時系列データを処理するために設計された変換器モデルShaftFormerと、スペクトル法と改良された観測モデルを組み合わせた代替モデルである。 多様な条件下での振動信号のシミュレーションは、全てのシナリオで実験的な信号を得るコストを低減させる。 鉄道振動信号の非定常的な性質が速度や負荷の変化に影響されていることを踏まえ, 当社のモデルはこれらの複雑さに対処し, 鉄道産業における予測維持のための強力なツールを提供する。

関連論文リスト

• 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)
• Enhancing Functional Safety in Automotive AMS Circuits through Unsupervised Machine Learning [9.100418852199082]
  AMS回路における早期異常検出のための教師なし機械学習に基づく新しいフレームワークを提案する。 提案手法では、様々な回路位置や個々のコンポーネントに異常を注入して、多種多様な総合的な異常データセットを作成する。 これらの異常条件下でのシステムの挙動をモニタリングすることにより、異常の伝播とその影響を異なる抽象レベルで捉える。
  論文  参考訳（メタデータ） (2024-04-02T04:33:03Z)
• FaultFormer: Pretraining Transformers for Adaptable Bearing Fault Classification [7.136205674624813]
  本稿では,トランスモデルに基づく自己教師型事前学習および微調整フレームワークを提案する。 特に、最先端のアキュラシーに到達するための異なるトークン化とデータ拡張戦略について検討する。 このパラダイムでは、異なるベアリング、障害、機械からラベル付けされていないデータに基づいてモデルを事前訓練し、新しいデータスカースアプリケーションに素早くデプロイすることが可能になる。
  論文  参考訳（メタデータ） (2023-12-04T22:51:02Z)
• A Closer Look at Bearing Fault Classification Approaches [1.9531938396288886]
  近年,転がり軸受の異常診断が注目されている。 近年の技術進歩により、これらの資産の健全性を大規模に監視できるようになった。 近年,転がり軸受の異常診断が注目されている。
  論文  参考訳（メタデータ） (2023-09-29T06:11:11Z)
• 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)
• Vibration fault detection in wind turbines based on normal behaviour models without feature engineering [0.0]
  ほとんどの風力発電機は遠隔で24/7に監視されており、運用上の問題を早期に検出し、損傷を発生させることができる。 本稿では, 特徴工学を必要としない振動監視駆動列車の故障検出手法を提案する。
  論文  参考訳（メタデータ） (2022-06-24T18:24:07Z)
• Learn to Predict Vertical Track Irregularity with Extremely Imbalanced Data [6.448383767373112]
  中国における複数の鉄道が生み出した実世界の大規模データセットに基づいて,垂直軌道の不規則性を予測するためのアプリケーション・フレームワークについて紹介する。 また,適応型データサンプリングとペナル化損失を用いた時系列予測タスクにおいて,不均衡なデータを扱う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-12-05T15:49:39Z)
• 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)
• Reinforcement Learning Approach to Vibration Compensation for Dynamic Feed Drive Systems [62.19441737665902]
  機械工具軸に適用された振動補償に対する強化学習に基づくアプローチを提案する。 本研究は, 産業機械のハードウェアと制御システムを用いた問題定式化, ソリューション, 実装, 実験について述べる。
  論文  参考訳（メタデータ） (2020-04-14T14:22:36Z)

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。