Boosting-inspired online learning with transfer for railway maintenance

要約

Advanced Sensor TechnologiesとDeep Learning Algorithmsの統合により、鉄道システム、特にホイールトラックインターフェイスでの障害診断に革命が発生しました。
ホイールアウトオブラウンド性などの不規則性を検出するために多数のモデルが提案されていますが、鉄道作業の動的で非定常性の性質により、実際のアプリケーションでは不足していることがよくあります。
このペーパーでは、予測メンテナンスのために継続的な学習を使用してこれらの課題に対処するように設計されたモデルである、Bolt-RM（鉄道メンテナンスのための転送を伴うブーストにインスパイアされたオンライン学習）を紹介します。
モデルが新しいデータが利用可能になるにつれて継続的に学習し、適応できるようにすることにより、ボルト-RMは、従来のモデルをしばしば悩ませる壊滅的な忘却の問題を克服します。
過去の知識を保持しながら、新しい学習エピソードごとに予測精度を向上させ、ブーストのような知識共有メカニズムを使用して、速度、負荷、追跡の不規則性の変化などの進化する運用条件に適応します。
この方法論は、現実的な鉄道動作条件をキャプチャする列車トラックの動的相互作用の包括的なマルチドメインシミュレーションを通じて検証されます。
提案されているBOLT-RMモデルは、ホイールの異常の識別において大幅な改善を示し、維持介入のための信頼できるシーケンスを確立します。

要約(オリジナル)

The integration of advanced sensor technologies with deep learning algorithms has revolutionized fault diagnosis in railway systems, particularly at the wheel-track interface. Although numerous models have been proposed to detect irregularities such as wheel out-of-roundness, they often fall short in real-world applications due to the dynamic and nonstationary nature of railway operations. This paper introduces BOLT-RM (Boosting-inspired Online Learning with Transfer for Railway Maintenance), a model designed to address these challenges using continual learning for predictive maintenance. By allowing the model to continuously learn and adapt as new data become available, BOLT-RM overcomes the issue of catastrophic forgetting that often plagues traditional models. It retains past knowledge while improving predictive accuracy with each new learning episode, using a boosting-like knowledge sharing mechanism to adapt to evolving operational conditions such as changes in speed, load, and track irregularities. The methodology is validated through comprehensive multi-domain simulations of train-track dynamic interactions, which capture realistic railway operating conditions. The proposed BOLT-RM model demonstrates significant improvements in identifying wheel anomalies, establishing a reliable sequence for maintenance interventions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google