論文の概要: Track Component Failure Detection Using Data Analytics over existing STDS Track Circuit data

• arxiv url: http://arxiv.org/abs/2508.11693v1
• Date: Tue, 12 Aug 2025 14:35:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.266346
• Title: Track Component Failure Detection Using Data Analytics over existing STDS Track Circuit data
• Title（参考訳）: 既存のSTDSトラック回路データを用いたデータ分析によるトラック部品故障検出
• Authors: Francisco López, Eduardo Di Santi, Clément Lefebvre, Nenad Mijatovic, Michele Pugnaloni, Victor Martín, Kenza Saiah,
• Abstract要約: この研究は「スマートトレイン検出システム」(STDS)と呼ばれる特定の交流トラック回路に焦点を当てている。 モデルは、より一般的な3つのカテゴリに属する15の障害を分類するように訓練された。 全てのユースケースは、その方法によって正しく分類された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Track Circuits (TC) are the main signalling devices used to detect the presence of a train on a rail track. It has been used since the 19th century and nowadays there are many types depending on the technology. As a general classification, Track Circuits can be divided into 2 main groups, DC (Direct Current) and AC (Alternating Current) circuits. This work is focused on a particular AC track circuit, called "Smart Train Detection System" (STDS), designed with both high and low-frequency bands. This approach uses STDS current data applied to an SVM (support vector machine) classifier as a type of failure identifier. The main purpose of this work consists on determine automatically which is the component of the track that is failing to improve the maintenance action. Model was trained to classify 15 different failures that belong to 3 more general categories. The method was tested with field data from 10 different track circuits and validated by the STDS track circuit expert and maintainers. All use cases were correctly classified by the method.
• Abstract（参考訳）: 軌道回路 (TC) は、線路上の列車の存在を検知する主要な信号装置である。 19世紀から用いられており、現在では技術によって多くの種類がある。 一般的な分類として、トラック回路は直流(直流)と交流(交流)の2つの主要なグループに分けられる。 この研究は、高周波数帯と低周波数帯の両方で設計された「スマートトレイン検出システム」と呼ばれる特定のACトラック回路に焦点を当てている。 このアプローチでは、SVM(サポートベクタマシン)分類器に適用されるSTDS電流データを、障害識別子の一種として使用する。 この作業の主な目的は、メンテナンスアクションの改善に失敗したトラックのコンポーネントを自動で決定することである。 モデルは、より一般的な3つのカテゴリに属する15の障害を分類するように訓練された。 この手法は10種類のトラック回路のフィールドデータを用いて試験を行い、STDSトラック回路の専門家と保守者によって検証された。 全てのユースケースは、その方法によって正しく分類された。

関連論文リスト

• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Using In-Service Train Vibration for Detecting Railway Maintenance Needs [0.0]
  鉄道路線の整備の必要性が高まっている。 従来の手法は不正確、労働力、時間の集中、あるいはシステムの継続的な監視を可能にしない。 本論文では,鉄道線路の異なる保守ニーズを単方向通行で検出する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-03T02:02:37Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• 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)
• Tracking Every Thing in the Wild [61.917043381836656]
  我々は,新しい測定基準であるTrack Every Thing Accuracy(TETA)を導入し,測定結果を3つのサブファクター(ローカライゼーション,アソシエーション,分類)に分割する。 実験の結果、TETAはトラッカーをより包括的に評価し、TETerはBDD100KとTAOに挑戦する大規模データセットを大幅に改善することがわかった。
  論文  参考訳（メタデータ） (2022-07-26T15:37:19Z)
• TraSeTR: Track-to-Segment Transformer with Contrastive Query for Instance-level Instrument Segmentation in Robotic Surgery [60.439434751619736]
  そこで我々は,TraSeTRを提案する。TraSeTR,TraSeTR,Trace-to-Segment Transformerは,手術器具のセグメンテーションを支援する。 TraSeTRは、機器の種類、位置、アイデンティティとインスタンスレベルの予測を共同で理由付けている。 提案手法の有効性を,3つの公開データセットに対して,最先端の計器型セグメンテーション結果を用いて実証した。
  論文  参考訳（メタデータ） (2022-02-17T05:52:18Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• Reliable Multi-Object Tracking in the Presence of Unreliable Detections [1.8718768859805923]
  本稿では,ロバスト信頼トラッキング(RCT)を提案する。 RCTは基本的に異なるアプローチをとり、トラックの正確な検出信頼度、トラックの拡張、トラックのフィルタリングに頼っている。 FISHTRACの評価において,不完全な検出を行う場合,RCTは他のアルゴリズムよりも優れることがわかった。
  論文  参考訳（メタデータ） (2021-12-15T18:53:27Z)
• Deep Learning for High-Impedance Fault Detection: Convolutional Autoencoders [0.0]
  高インピーダンス断層(HIF)は、電流振幅が低く、非常に多様な特性のため、検出が困難である。 機械学習(ML)は、データからパターンを学習し、HIFを正常に検出するため、HIF検出で人気を集めている。 本稿では教師なし学習を活用し,HIF検出のための畳み込みオートエンコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-24T18:58:43Z)
• Supervised and Unsupervised Detections for Multiple Object Tracking in Traffic Scenes: A Comparative Study [11.024591739346294]
  我々はMF-Trackerと呼ばれる複数のオブジェクトトラッカーを提案し、そのトラッキングフレームワークに複数の古典的特徴(空間的特徴と色)と近代的特徴(検出ラベルと再識別機能)を統合する。 トラッカーは、教師なし・教師なしの物体検出装置のいずれからも検出できるため、教師なし・教師なしの検出入力の影響も調査した。 その結果,提案手法は異なる入力を持つ両方のデータセットで非常によく機能していることがわかった。
  論文  参考訳（メタデータ） (2020-03-30T17:27:04Z)

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。