Reliability Study and Maintenance Decision Making of Wheel Temperature Detectors
Notice bibliographique
Résumé
In 2011, Canadian Pacific (CP) Railway decided to replace the visual No.1 Air Brake test with a new Automated Train Brake Effectiveness (ATBE) for condition monitoring of rail cars through both physical inspection and measurements by fixed track-side Wheel Temperature Detectors (WTD). To make the most effective use of technology for operational and maintenance decision-making, the new technology should be shown to be reliable, with outputs that are understandable and interpreted accurately. The present work uses the WTD temperature readings along with records of sensor system failures to develop a method for detecting wheels prone to failure. A set of detector data was checked against neighbouring detectors to improve the classification of a fault with a wheel through multiple measurements and to determine whether there may be a fault with the detector. Studying one train passing consecutive detectors yields useful information about the health of the brakes at each axle of the set of rail cars. Thus, three neighbouring detectors were selected for comparative assessment. Five neighbouring detectors were also selected, but there was no significant databases were employed and the reliability of detectors was modeled. The best fit to the failure distributions was the normal. Mean-time-between failure (MTBF) for all detectors was calculated to be 2.7 years. For an individual detector the MTBF was about three months. But, for winter operations, the MTBF was found to be only 1.8 months. Several recommendations for follow-up analysis work are offered, with suggestions for industrial implementations that should improve overall WTD system reliability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».