論文の概要: Artificial Intelligence Based Predictive Maintenance for Electric Buses

• arxiv url: http://arxiv.org/abs/2510.23879v1
• Date: Mon, 27 Oct 2025 21:39:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.521409
• Title: Artificial Intelligence Based Predictive Maintenance for Electric Buses
• Title（参考訳）: 人工知能を用いた電気バスの予測保守
• Authors: Ayse Irmak Ercevik, Ahmet Murat Ozbayoglu,
• Abstract要約: 本研究では,電気バスのCANバスパラメータ間の関係をグラフベースの特徴選択法を用いて解析する。 2年以上にわたって収集された生データは、データ品質と一貫性を確保するために、広範囲な事前処理が行われた。 開発したシステムは,車両の警報を効果的に予測し,特徴の解釈可能性を高め,産業4.0の原則に沿った積極的な保守戦略を支援する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive maintenance (PdM) is crucial for optimizing efficiency and minimizing downtime of electric buses. While these vehicles provide environmental benefits, they pose challenges for PdM due to complex electric transmission and battery systems. Traditional maintenance, often based on scheduled inspections, struggles to capture anomalies in multi-dimensional real-time CAN Bus data. This study employs a graph-based feature selection method to analyze relationships among CAN Bus parameters of electric buses and investigates the prediction performance of targeted alarms using artificial intelligence techniques. The raw data collected over two years underwent extensive preprocessing to ensure data quality and consistency. A hybrid graph-based feature selection tool was developed by combining statistical filtering (Pearson correlation, Cramer's V, ANOVA F-test) with optimization-based community detection algorithms (InfoMap, Leiden, Louvain, Fast Greedy). Machine learning models, including SVM, Random Forest, and XGBoost, were optimized through grid and random search with data balancing via SMOTEEN and binary search-based down-sampling. Model interpretability was achieved using LIME to identify the features influencing predictions. The results demonstrate that the developed system effectively predicts vehicle alarms, enhances feature interpretability, and supports proactive maintenance strategies aligned with Industry 4.0 principles.
• Abstract（参考訳）: 電気バスの効率を最適化し、ダウンタイムを最小化するためには、予測保守(PdM)が不可欠である。 これらの車両は環境面での利点を提供するが、複雑な電気伝達とバッテリーシステムのためにPdMに挑戦する。 従来のメンテナンスは、しばしば定期的な検査に基づいており、多次元のリアルタイムCANバスデータで異常を捉えるのに苦労している。 本研究では,電気バスのCANバスパラメータ間の関係をグラフベースで分析し,人工知能を用いたアラームの予測性能について検討する。 2年以上にわたって収集された生データは、データ品質と一貫性を確保するために、広範囲な事前処理が行われた。 統計フィルタリング (ピアソン相関, クレイマーV, ANOVA F-test) と最適化されたコミュニティ検出アルゴリズム (InfoMap, Leiden, Louvain, Fast Greedy) を組み合わせることで, グラフベースの特徴選択ツールを開発した。 SVM、Random Forest、XGBoostといった機械学習モデルは、グリッドとランダム検索によって最適化され、SMOTEENとバイナリ検索ベースのダウンサンプリングによるデータバランシングが実現された。 予測に影響を及ぼす特徴を特定するために,LIMEを用いてモデル解釈性を実現した。 その結果, 車両の警報を効果的に予測し, 特徴解釈可能性を高め, 産業用4.0の原則に適合した積極的保守戦略を支援することを実証した。

関連論文リスト

• Time Series Forecasting Using a Hybrid Deep Learning Method: A Bi-LSTM Embedding Denoising Auto Encoder Transformer [0.0]
  本研究では,BI-LSTM埋め込み型自動エンコーダモデル(BDM)を提案する。 提案モデルの性能をTransformer, CNN, RNN, LSTM, GRUなどのベンチマークモデルと比較することにより評価した。
  論文  参考訳（メタデータ） (2025-09-21T17:16:32Z)
• Distributed Multi-Head Learning Systems for Power Consumption Prediction [59.293903039988884]
  スマートファクトリにおける消費電力予測のための分散マルチヘッド学習(DMH)システムを提案する。 DMHシステムは分散および分割学習として設計され、クライアント間通信コストが削減される。 DMH-Eシステムは最先端システムのエラーを14.5%から24.0%削減する。
  論文  参考訳（メタデータ） (2025-01-21T13:46:23Z)
• Evaluation of Artificial Intelligence Methods for Lead Time Prediction in Non-Cycled Areas of Automotive Production [1.3499500088995464]
  本研究では,自動車生産環境における人工知能適用の有効性について検討した。 データ構造は、コンテキストの特徴を識別するために分析され、ワンホット符号化を使用して前処理される。 この研究は、高度に可変された生産データにAIメソッドを効果的に適用し、ビジネス価値を付加できることを実証している。
  論文  参考訳（メタデータ） (2025-01-13T13:28:03Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Automatic AI Model Selection for Wireless Systems: Online Learning via Digital Twinning [50.332027356848094]
  AIベースのアプリケーションは、スケジューリングや電力制御などの機能を実行するために、インテリジェントコントローラにデプロイされる。 コンテキストとAIモデルのパラメータのマッピングは、ゼロショット方式で理想的に行われる。 本稿では,AMSマッピングのオンライン最適化のための一般的な手法を紹介する。
  論文  参考訳（メタデータ） (2024-06-22T11:17:50Z)
• Predictive Maintenance Model Based on Anomaly Detection in Induction Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
  本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。 我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
  論文  参考訳（メタデータ） (2023-10-15T18:43:45Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)

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。