Remaining useful life estimation of metropolitan train wheels considering measurement error
Notice bibliographique
Résumé
Purpose The purpose of this paper is to develop an approach for estimating the remaining useful life (RUL) of metropolitan train wheels considering measurement error. Design/methodology/approach The paper proposes a wear model of a metropolitan train wheel based on a discrete state space model; the model considers the wheel’s stochastic degradation and measurement error simultaneously. The paper estimates the RUL on the basis of the estimated degradation state. Finally, it presents a case study to verify the proposed approach. The results indicate that the proposed method is superior to methods that do not consider measurement error and can improve the accuracy of the estimated RUL. Findings RUL estimation is a key issue in condition-based maintenance and prognostics and health management. With the rapid development of advanced sensor technologies and data acquisition facilities for the maintenance of metropolitan train wheels, condition monitoring (CM) is becoming more accurate and more affordable, creating the possibility of estimating the RUL of wheels using CM data. However, the measurements of the wheels, especially the wayside measurements, are not yet precise enough. On the other hand, few existing studies of the RUL estimation of train wheels consider measurement error. Practical implications The approach described in this paper will make the RUL estimation of metropolitan train wheels easier and more precise. Originality/value Hundreds of million yuan are wasted every year due to over re-profiling of rail wheels in China. The ability to precisely estimate RUL will reduce the number of re-profiling activities and achieve significant economic benefits. More generally, the paper could enrich the body of knowledge of RUL estimation for a slowly degrading system considering measurement error.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| 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 ».