論文の概要: Scalable, Technology-Agnostic Diagnosis and Predictive Maintenance for Point Machine using Deep Learning
- arxiv url: http://arxiv.org/abs/2508.11692v1
- Date: Tue, 12 Aug 2025 13:15:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.264342
- Title: Scalable, Technology-Agnostic Diagnosis and Predictive Maintenance for Point Machine using Deep Learning
- Title（参考訳）: ディープラーニングを用いたポイントマシンのスケーラブル・技術非依存診断と予測保守
- Authors: Eduardo Di Santi, Ruixiang Ci, Clément Lefebvre, Nenad Mijatovic, Michele Pugnaloni, Jonathan Brown, Victor Martín, Kenza Saiah,
- Abstract要約: ポイント・マシン(英: Point Machine、略称:PM)は、線路を切り替えて線路を切り替える鉄道機器である。
これまでの作業は、信号のセグメント化によるいくつかの入力とカスタム機能の開発に依存していた。
現在の最先端とは対照的に,本手法では1つの入力しか必要としない。
我々の手法は汎用的で技術に依存しないものであり、実環境およびテストベンチ環境の両方に展開されるいくつかの電気機械的PMタイプでスケーラブルであることが証明されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Point Machine (PM) is a critical piece of railway equipment that switches train routes by diverting tracks through a switchblade. As with any critical safety equipment, a failure will halt operations leading to service disruptions; therefore, pre-emptive maintenance may avoid unnecessary interruptions by detecting anomalies before they become failures. Previous work relies on several inputs and crafting custom features by segmenting the signal. This not only adds additional requirements for data collection and processing, but it is also specific to the PM technology, the installed locations and operational conditions limiting scalability. Based on the available maintenance records, the main failure causes for PM are obstacles, friction, power source issues and misalignment. Those failures affect the energy consumption pattern of PMs, altering the usual (or healthy) shape of the power signal during the PM movement. In contrast to the current state-of-the-art, our method requires only one input. We apply a deep learning model to the power signal pattern to classify if the PM is nominal or associated with any failure type, achieving >99.99\% precision, <0.01\% false positives and negligible false negatives. Our methodology is generic and technology-agnostic, proven to be scalable on several electromechanical PM types deployed in both real-world and test bench environments. Finally, by using conformal prediction the maintainer gets a clear indication of the certainty of the system outputs, adding a confidence layer to operations and making the method compliant with the ISO-17359 standard.
- Abstract（参考訳）: ポイント・マシン(英: Point Machine、略称:PM)は、線路を切り替えて線路を切り替える鉄道機器である。
他の重要な安全装置と同様に、故障はサービス中断につながる操作を停止するので、プリエンプティブメンテナンスは障害が発生する前に異常を検出することによって不要な中断を避けることができる。
これまでの作業は、信号のセグメント化によるいくつかの入力とカスタム機能の開発に依存していた。
これはデータ収集と処理のための追加の要件を追加するだけでなく、PM技術、インストールされた場所、拡張性を制限する運用条件にも特化しています。
利用可能なメンテナンス記録に基づいて、PMの主な障害原因は、障害、摩擦、電源の問題、調整ミスである。
これらの故障はPMのエネルギー消費パターンに影響を与え、PM運動中の通常の(または健康な)電力信号の形状を変化させる。
現在の最先端とは対照的に,本手法では1つの入力しか必要としない。
パワーシグナルパターンに深層学習モデルを適用し,PMが任意の障害タイプに関連付けられているかどうかを分類し,99.99\%の精度,<0.01\%の偽陽性,無視可能な偽陰性を示す。
我々の手法は汎用的で技術に依存しないものであり、実環境およびテストベンチ環境の両方に展開されるいくつかの電気機械的PMタイプでスケーラブルであることが証明されている。
最後に、整合予測を用いて、保守者は、システム出力の確実性を明確に示し、操作に信頼層を追加し、ISO-17359標準に準拠させる。
関連論文リスト
- CVCM Track Circuits Pre-emptive Failure Diagnostics for Predictive Maintenance Using Deep Neural Networks [0.15056924758531146]
線路回路は鉄道の運行にとって重要であり、列車を見つけるための主要な信号線サブシステムとして機能している。
多くの障害は、時間とともに進化する微妙な異常として発生し、しばしば監視された信号では視覚的に見えなくなる。
本稿では,障害にエスカレートする前に,異常を適切に分類する予測保守フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-12T16:13:51Z) - Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。
本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
論文 参考訳（メタデータ） (2025-03-14T17:59:41Z) - XAI-guided Insulator Anomaly Detection for Imbalanced Datasets [11.215245485606369]
電力網は多くの産業において重要な要素であり、産業プロセスや技術にシームレスに電気エネルギーを供給している。
ドローンは電力線を検査するためにますます配備され、その結果、高速で正確な処理を必要とする大量の視覚データの流れが生まれる。
ディープラーニング手法はこのタスクで広く普及し、障害検出において貴重な資産であることが証明されている。
論文 参考訳（メタデータ） (2024-09-25T11:19:42Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z) - Data-driven Protection of Transformers, Phase Angle Regulators, and
Transmission Lines in Interconnected Power Systems [0.0]
この論文は、現代の電力グリッドにおける障害検出に対する機械学習(ML)アプローチへの関心と採用の高まりを浮き彫りにしている。
効果的なデータ処理と分析を行うMLベースのソリューションとツールが注目されている。
論文 参考訳（メタデータ） (2023-02-08T01:44:00Z) - Security and Interpretability in Automotive Systems [0.0]
送信者認証機構がないため、CAN(Controller Area Network)はセキュリティ上の脅威に対して脆弱である。
この論文では、電子制御ユニット(ECU)の消費電力測定と分類モデルを用いてECUの送信状態を決定する送信者認証手法を実証する。
論文 参考訳（メタデータ） (2022-12-23T01:33:09Z) - PreMa: Predictive Maintenance of Solenoid Valve in Real-Time at Embedded
Edge-Level [0.6117371161379209]
スマートでリアルタイムなエッジベース電子製品PreMaの構築について述べる。
PreMaは基本的にソレノイド弁(SV)の健康をモニターするセンサー
データの忠実度と測定精度は、ハイエンド機器で捉えた信号に匹敵する。
論文 参考訳（メタデータ） (2022-11-21T06:13:12Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - Automatic Rule Induction for Efficient Semi-Supervised Learning [56.91428251227253]
半教師付き学習は、少量のラベル付きデータからNLPモデルを一般化できることを約束している。
事前訓練されたトランスモデルはブラックボックス相関エンジンとして機能し、説明が困難であり、時には信頼性に欠ける振る舞いをする。
本稿では,これらの課題に,簡易かつ汎用的なフレームワークであるAutomatic Rule Injection (ARI) を用いて対処することを提案する。
論文 参考訳（メタデータ） (2022-05-18T16:50:20Z)
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。