論文の概要: Sensor Diagnosis for Fuel and Emissions Monitoring in Heavy-Duty Diesel Vehicles

• arxiv url: http://arxiv.org/abs/2610.21188v1
• Date: Thu, 15 Oct 2026 03:46:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.165931
• Title: Sensor Diagnosis for Fuel and Emissions Monitoring in Heavy-Duty Diesel Vehicles
• Title（参考訳）: 重質ディーゼル車の燃料・排出ガスモニタリングのためのセンサ診断
• Abstract要約: 健全な測定から得られた関係を利用して断層の診断と燃料補正を誘導する2つの手順を評価する。 重質ディーゼル機関の定常運転点217点における5種類の合成故障について検討した。
• 参考スコア（独自算出の注目度）: 0.6875312133832078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Faulty sensor readings can distort estimates of fuel use and carbon dioxide emissions from diesel engines. We evaluate two procedures that use relationships learned from healthy measurements to diagnose faults and guide fuel correction. The diagnosis procedure tests whether replacing a suspected faulty reading with an estimated healthy value helps a model predict another sensor's recorded reading more accurately. It then predicts the fault type and decides whether to report the diagnosis. We evaluate five synthetic fault types on 217 steady-state operating points from a heavy-duty diesel engine, excluding all measurements at selected engine speeds from training. Across 31,500 fault-injected groups of 20 operating points, it issues diagnoses for 77.3% of groups, with 92.1% of diagnoses issued on these groups correct. The fuel correction procedure uses a different sensor-selection rule at individual operating points, testing how each replacement changes the largest prediction error across all six sensors. Fuel correction requires a fault alarm and engine speed and torque close to the training conditions. A fuel reading is replaced only when its replacement reduces the largest prediction error sufficiently more than replacements for the other sensors. Assuming faults in 1% of one-hour scenarios, equally likely sensors and fault types, and equal time at each measured condition, selected fuel corrections reduce mean absolute error in calculated combustion CO2 by 83.8%. On this engine map, learned relationships support complete sensor diagnoses and fuel corrections that improve emissions accounting while preserving unaffected readings.
• Abstract（参考訳）: 故障センサーの読み取りは、ディーゼルエンジンからの燃料使用量と二酸化炭素排出量の推定を歪めることができる。 健全な測定から得られた関係を利用して断層の診断と燃料補正を誘導する2つの手順を評価する。 診断手順は、疑わしい誤読を推定された健全な値に置き換えることによって、別のセンサが記録した読みをより正確に予測するのに役立つ。 その後、障害タイプを予測し、診断を報告するかどうかを決定する。 重質ディーゼルエンジンから217の定常運転点に生じる5種類の合成故障を, 試験から選択したエンジン速度における全測定値を除いて評価した。 20の操作点からなる31,500の故障注入群のうち、77.3%の診断を発行し、92.1%の診断が正しい。 燃料補正手順は、個々の運転点で異なるセンサー選択ルールを使用して、各置換が6つのセンサーで最大の予測誤差をどのように変更するかをテストする。 燃料の修正には、故障警報とエンジンの速度と訓練条件に近いトルクが必要である。 燃料の読み取りは、他のセンサーの交換よりも最大の予測誤差を十分に低減した場合にのみ置き換えられる。 1時間のシナリオのうち1%の障害、同じ確率でセンサーと故障タイプ、そして各測定条件で同じ時間と仮定すると、選択された燃料補正は、計算された燃焼CO2の平均絶対誤差を83.8%削減する。 このエンジンマップでは、学習された関係が完全なセンサー診断と燃料修正をサポートし、影響を受けない読解を保存しながら、排出会計を改善する。

関連論文リスト

• When More Modalities Hurt: Modality Dropout for Heavy-Duty Vehicle Engine Diagnostics [4.68207695411063]
  本研究では,非構造的多言語サービス苦情,80%以上の欠損値を有する高次元センサテレメトリ,および診断トラブルコード(DTC)がエンジンコンポーネントの分類を改善するかを検討する。 単純核融合はテキスト単体(65.3%)よりも緩やかな利得をもたらすが、トレーニング中のモダリティの低下は、バッチ毎にランダムに全モダリティを無効にするので、ネットワークは弱い入力を利用せざるを得ない。 これは、産業車両診断におけるテキスト、センサー、故障コードを組み合わせた3方向モダリティ融合の最初の応用である。
  論文  参考訳（メタデータ） (2026-08-24T12:09:08Z)
• Sensor-Level Fault Diagnosis for Automotive Software Validation Using Large Language Models [1.9435397960631864]
  本研究では,オープンソースの命令調整型大規模言語モデル(LLM)が,検証ループ内の故障検出と診断のための,データ効率と解釈可能なエンジンとして機能するかどうかを検討する。 dSPACEリアルタイムプラットフォーム上の自動要件チェックは、安全要件に違反した記録を最初に分離し、これらのみを検査する。 20億から80億のパラメータからなる4つのモデルファミリーを,6つのインジェクト断層クラスにまたがるガソリンエンジンのケーススタディに適応し,試験を行った。
  論文  参考訳（メタデータ） (2026-08-06T11:50:14Z)
• Fault Detection and Explainable Classification in Automotive HIL Validation via Denoising Autoencoders and In-Context Large Language Models [1.9435397960631864]
  機械学習とディープラーニングは高度な故障診断を持っているが、ほとんどの教師付きモデルは大きなラベル付きデータセットを必要とする。 実時間検証における故障検出と分類のための汎用的で説明可能な2相フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-04T06:43:43Z)
• Car Sensors Health Monitoring by Verification Based on Autoencoder and Random Forest Regression [3.6458439734112695]
  本稿では,自動車産業向けに設計された地中センサによる健康モニタリングシステムについて紹介する。 この巧妙なシステムは、最先端の技術を利用して、さまざまな車両センサーから収集されたデータを処理する。 電子制御ユニット(ECU)内の出力を比較し、各センサーの健康状態を評価する。
  論文  参考訳（メタデータ） (2025-05-01T21:37:51Z)
• Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
  CANデータからトラックの積載量の検出について検討する。 私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。 我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
  論文  参考訳（メタデータ） (2024-04-08T17:58:22Z)
• Zero-Shot Motor Health Monitoring by Blind Domain Transition [17.664784126708742]
  本研究では, 作業条件, センサパラメータ, 故障特性に関わらず, 新しい(ターゲット) マシンの故障を検知できるゼロショット軸受故障検出手法を提案する。 実験結果から, 本手法では, 平均リコール率約89%, 95%のベアリング断層を, タイプ, 重症度, 位置に関わらず正確に検出できることが示唆された。
  論文  参考訳（メタデータ） (2022-12-12T18:36:02Z)
• SoftCorrect: Error Correction with Soft Detection for Automatic Speech Recognition [116.31926128970585]
  我々は,明示的かつ暗黙的な誤り検出の限界を回避するため,ソフトエラー検出機構を備えたSoftCorrectを提案する。 暗黙的な誤り検出とCTC損失と比較すると、SoftCorrectはどの単語が誤りであるかを明示的な信号を提供する。 AISHELL-1とAidatatangデータセットの実験では、SoftCorrectはそれぞれ26.1%と9.4%のCER削減を達成した。
  論文  参考訳（メタデータ） (2022-12-02T09:11:32Z)
• 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)
• Accurate Alignment Inspection System for Low-resolution Automotive and Mobility LiDAR [125.41260574344933]
  車両やロボットなどの移動システムにおいて,センサ装着後のLiDARアライメント誤差を正確に推定する検査システムを提案する。 提案手法は, 固定位置における1つのターゲットボードのみを用いて, 水平方向(回転, 傾き, ヨー)とLiDARアタッチメントの水平位置を, 水平方向の精度で推定する。
  論文  参考訳（メタデータ） (2020-08-24T17:47:59Z)
• Neural Network Virtual Sensors for Fuel Injection Quantities with Provable Performance Specifications [71.1911136637719]
  証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。 本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
  論文  参考訳（メタデータ） (2020-06-30T23:33:17Z)

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。