論文の概要: Advancing rail safety: An onboard measurement system of rolling stock wheel flange wear based on dynamic machine learning algorithms
- arxiv url: http://arxiv.org/abs/2508.15963v1
- Date: Thu, 21 Aug 2025 21:12:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-25 16:42:36.190047
- Title: Advancing rail safety: An onboard measurement system of rolling stock wheel flange wear based on dynamic machine learning algorithms
- Title（参考訳）: レール安全性の向上:動的機械学習アルゴリズムに基づく転がりストックホイールフランジ摩耗の測定システム
- Authors: Celestin Nkundineza, James Ndodana Njaji, Samrawit Abubeker, Omar Gatera, Damien Hanyurwimfura,
- Abstract要約: 本稿では、車輪フランジ摩耗深度モニタリングのための革新的なオンボード計測システムを提案する。
システムは、車輪フランジの着用と不規則な条件の追跡に関して、非並列なリアルタイム洞察を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rail and wheel interaction functionality is pivotal to the railway system safety, requiring accurate measurement systems for optimal safety monitoring operation. This paper introduces an innovative onboard measurement system for monitoring wheel flange wear depth, utilizing displacement and temperature sensors. Laboratory experiments are conducted to emulate wheel flange wear depth and surrounding temperature fluctuations in different periods of time. Employing collected data, the training of machine learning algorithms that are based on regression models, is dynamically automated. Further experimentation results, using standards procedures, validate the system's efficacy. To enhance accuracy, an infinite impulse response filter (IIR) that mitigates vehicle dynamics and sensor noise is designed. Filter parameters were computed based on specifications derived from a Fast Fourier Transform analysis of locomotive simulations and emulation experiments data. The results show that the dynamic machine learning algorithm effectively counter sensor nonlinear response to temperature effects, achieving an accuracy of 96.5 %, with a minimal runtime. The real-time noise reduction via IIR filter enhances the accuracy up to 98.2 %. Integrated with railway communication embedded systems such as Internet of Things devices, this advanced monitoring system offers unparalleled real-time insights into wheel flange wear and track irregular conditions that cause it, ensuring heightened safety and efficiency in railway systems operations.
- Abstract（参考訳）: 鉄道と車輪の相互作用機能は、鉄道システムの安全性に重要な要素であり、最適な安全監視運用のために正確な測定システムを必要とする。
本稿では, 車輪フランジ摩耗深度を計測し, 変位と温度センサを応用した新しいオンボード計測システムを提案する。
車輪フランジ摩耗深さと周囲温度変動を異なる期間にエミュレートする実験を行った。
収集したデータを利用することで、回帰モデルに基づいた機械学習アルゴリズムのトレーニングが動的に自動化される。
さらなる実験結果、標準手順を用いて、システムの有効性を検証する。
精度を高めるため、車両力学とセンサノイズを緩和する無限インパルス応答フィルタ(IIR)を設計する。
機関車シミュレーションとエミュレーション実験データの高速フーリエ変換解析から得られた仕様に基づいてフィルタパラメータを計算した。
その結果、動的機械学習アルゴリズムは、温度効果に対するセンサの非線形応答に効果的に対応し、96.5%の精度を最小限のランタイムで達成することを示した。
IIRフィルタによるリアルタイムノイズ低減により、精度は98.2 %まで向上する。
モノのインターネット(Internet of Things)デバイスなどの鉄道通信組み込みシステムと統合されたこの高度な監視システムは、車輪フランジ摩耗に関する非並列なリアルタイム洞察を提供し、それの原因となる不規則な状況を追跡し、鉄道システムの運転における安全性と効率の向上を確実にする。
関連論文リスト
- A Hybrid Artificial Intelligence Method for Estimating Flicker in Power Systems [44.99833362998488]
本稿では,Hフィルタと適応線形ニューロンネットワークを組み合わせたハイブリッドAI手法を提案する。
提案手法はHフィルタのロバスト性を利用して不確実でノイズの多い条件下で電圧エンベロープを抽出し,次にADALINEを用いてエンベロープに埋め込まれたフリック周波数を正確に同定する。
論文 参考訳（メタデータ） (2025-06-16T15:38:39Z) - Real-Time Structural Deflection Estimation in Hydraulically Actuated Systems Using 3D Flexible Multibody Simulation and DNNs [0.0]
本研究では,油圧作動系におけるリアルタイム構造偏向を推定するための新しい枠組みを提案する。
これは、強制励起を受ける機械系の動的応答を推定する機械学習に基づくSLIDEに基づいている。
PyTorch、ADAM、各種センサー入力、最小出力データから標準パラメータを使用して、少ない時間でトレーニングされる。
論文 参考訳（メタデータ） (2025-03-10T16:56:35Z) - Runtime Monitoring and Fault Detection for Neural Network-Controlled Systems [4.749824105387292]
本稿では, ニューラルネットワークが制御する非線形システムの, 乱れや測定ノイズの存在下での実行時の安全性の向上について考察する。
頑健に安定な間隔オブザーバは、ニューラルネットワーク、非線形関数、システム状態に対して、音と正確な下限と上限を生成するように設計されている。
論文 参考訳（メタデータ） (2024-03-24T13:03:27Z) - 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) - Learning IMM Filter Parameters from Measurements using Gradient Descent [45.335821132209766]
トラック下のターゲットの固有のパラメータは、システムがデプロイされるまで完全に観測不可能である。
最先端のセンサーシステムはますます複雑になり、パラメータの数が自然に増加する。
本稿では,対話型多重モデル (IMM) フィルタのパラメータを計測のみで最適化する。
論文 参考訳（メタデータ） (2023-07-13T08:35:40Z) - Driver Profiling and Bayesian Workload Estimation Using Naturalistic
Peripheral Detection Study Data [40.43737902900321]
性能データを駆動する作業負荷推定の問題に対処する。
心的負荷を誘発する主要な環境要因をビデオ解析により同定する。
教師付き学習フレームワークは、彼らが経験した平均的なワークロードに基づいて、プロファイルドライバに導入される。
ベイズフィルタリング手法は、ドライバーの即時作業負荷である(ほぼ)リアルタイムに逐次推定するために提案される。
論文 参考訳（メタデータ） (2023-03-26T13:15:44Z) - Online Real-time Learning of Dynamical Systems from Noisy Streaming
Data: A Koopman Operator Approach [0.0]
ノイズの多い時系列データから動的システムのオンラインリアルタイム学習のための新しいアルゴリズムを提案する。
提案アルゴリズムはロバスト・クープマン演算子を用いて測定ノイズの影響を緩和する。
論文 参考訳（メタデータ） (2022-12-10T10:21:45Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Real-time Out-of-distribution Detection in Learning-Enabled
Cyber-Physical Systems [1.4213973379473654]
サイバー物理システムは、現実世界の不確実性と可変性を処理できる機械学習コンポーネントを使用することで恩恵を受ける。
しかし、ディープニューラルネットワークは、システムの安全性に影響を及ぼす可能性のある、新しいタイプのハザードを導入している。
アウト・オブ・ディストリビューションデータは大きなエラーを引き起こし、安全性を損なう可能性がある。
論文 参考訳（メタデータ） (2020-01-28T17:51:07Z)
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。