論文の概要: Smart Sensing for Safer Bridges: From Sensor Signals to AI-Driven Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.03082v1
• Date: Fri, 02 Oct 2026 10:02:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.317286
• Title: Smart Sensing for Safer Bridges: From Sensor Signals to AI-Driven Anomaly Detection
• Title（参考訳）: 安全橋のスマートセンシング:センサ信号からAI駆動異常検出まで
• Abstract要約: 本稿では,信号処理とデータ駆動機械学習モデル分離フォレストを用いた実世界の橋梁センサデータの異常検出について検討する。 リアルタイムブリッジセンサデータは、ノルウェーのブリッジに設置されたiBridgeデバイスから収集される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bridges contribute significantly to transportation connectivity and urban development. Therefore, reliable bridge monitoring is crucial for protecting public safety and detecting anomalous behavior in bridge sensor data that may provide early indications of abnormal structural conditions. This paper investigates anomaly detection in real-world bridge sensor data using two different complementary approaches, namely signal processing and the data-driven machine learning model Isolation Forest. The real-time bridge sensor data is collected from an iBridge sensor device installed on a bridge in Norway. The methods are evaluated using anomaly counts, anomaly detection time, processing rate, anomaly rates, visualization, and temporal agreement. Moreover, a controlled anomaly-injection analysis is performed to evaluate the sensitivity of each method. Numerical results demonstrate distinct detection characteristics and computational requirements, highlighting the potential of machine learning, particularly the data-driven Isolation Forest, alongside signal processing for identifying anomalies in bridge sensor measurements.
• Abstract（参考訳）: 橋は交通の接続と都市開発に大きく貢献する。 そのため, 橋梁監視は, 異常な構造状態の早期の兆候を示す可能性のある橋梁センサデータにおいて, 公共の安全を守り, 異常な挙動を検出するために重要である。 本稿では,信号処理とデータ駆動機械学習モデル分離フォレストという2つの相補的手法を用いて,実世界の橋梁センサデータの異常検出を行う。 ノルウェーの橋上に設置されたiBridgeセンサ装置からリアルタイムブリッジセンサデータを収集する。 これらの手法は,異常数,異常検出時間,処理速度,異常率,可視化,時間的一致を用いて評価する。 さらに、制御された異常注入分析を行い、各方法の感度を評価する。 数値的な結果から,機械学習,特にデータ駆動型孤立林の潜在的な可能性と,ブリッジセンサ計測における異常検出のための信号処理が明らかにされた。

関連論文リスト

• Detecting the Unexpected: AI-Driven Anomaly Detection in Smart Bridge Monitoring [0.0]
  本稿では,スマートブリッジモニタリングのための人工知能駆動型異常検出手法を提案する。 具体的には、ノルウェーの橋上に設置されたiBridgeセンサー装置によって収集されたリアルタイムセンサデータを用いて、シンプルな機械学習(ML)モデルを開発した。 実験結果から, 異常事象(橋梁事故)を正確に検出する上で, ノイズに基づくアプリケーションの密度に基づく空間クラスタリングが優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-30T09:47:36Z)
• An Efficient Anomaly Detection Framework for Wireless Sensor Networks Using Markov Process [2.5777932046298786]
  1次マルコフ連鎖モデルに基づく軽量かつ解釈可能な異常検出フレームワークが提案されている。 提案したフレームワークは、Intel Berkeley Research Labデータセットを使用して検証された。
  論文  参考訳（メタデータ） (2025-11-01T10:19:00Z)
• Online Reliable Anomaly Detection via Neuromorphic Sensing and Communications [58.796149594878585]
  本稿ではニューロモルフィック無線センサネットワークに基づく低消費電力オンライン異常検出フレームワークを提案する。 検討したシステムでは、中央受信ノードが各時間フレームでニューロモルフィックセンサノード(ニューロSN)のサブセットを積極的にクエリする。 ニューロモルフィックセンサーは事象駆動であり、モニターされたシステムの関連する変化に対応してスパイクを発生させる。
  論文  参考訳（メタデータ） (2025-10-16T13:56:54Z)
• Sequential analysis in a continuous spin-noise quantum sensor [32.505127447635864]
  我々はスピンノイズに基づく量子センサにシーケンシャルなデータ解析手法を実装した。 オンラインプロトコルにより、計測データを適応的に収集することで弱い磁場を検出することができる。 その結果、シーケンシャルな手法によりより高速で感度の高い検出が可能となり、量子センシングの強力なツールとなった。
  論文  参考訳（メタデータ） (2025-09-19T17:39:28Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Anomaly Detection and Inter-Sensor Transfer Learning on Smart Manufacturing Datasets [6.114996271792091]
  スマートマニュファクチャリングシステムの目標は、運用コストを削減し、ダウンタイムをなくすために、失敗を迅速に検出(または予測)することである。 これはしばしば、システムから取得したセンサーの日程内で異常を検出することに起因する。 スマートマニュファクチャリングアプリケーションドメインは、ある種の健全な技術的課題を提起します。 予測的障害分類が達成できることを示し、予測的メンテナンスの道を開く。
  論文  参考訳（メタデータ） (2022-06-13T17:51:24Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
  オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。 このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。 その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
  論文  参考訳（メタデータ） (2021-02-02T15:44:39Z)
• Damage-sensitive and domain-invariant feature extraction for vehicle-vibration-based bridge health monitoring [25.17078512102496]
  本稿では,車両の加速度応答データから損傷感受性・領域不変性(DS&DI)特徴を抽出する物理誘導信号処理手法を提案する。 この特徴は,6つの実験のうち5つの実験において,橋梁にまたがる最高の損傷および局所化結果を提供する。
  論文  参考訳（メタデータ） (2020-02-06T05:45:39Z)

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。