A Heavy-Haul Railway Corrugation Diagnosis Method Based on WPD-ASTFT and SVM
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Rail corrugation in heavy-haul railway increases the contact forces between the wheel and the rail and deteriorates the rail condition. Severe corrugation affects railway operational safety. Fast diagnosis techniques allow technical personnel to perform timely maintenance and repair, preventing the quick deterioration of rail corrugation. This paper presents a heavy-haul railway corrugation diagnosis method incorporating the time-frequency analysis with machine learning methods. First, the signal is decomposed into several subsignals by wavelet packet decomposition (WPD). The paper proposes an adaptive short-time Fourier transform (ASTFT) and performs the ASTFT on the subsignals to obtain the optimal resolution time-frequency distribution and compute the corresponding entropy. The dimensionality reduction based on mean entropy is then performed for the high-dimensional data. The training and testing samples are classified using Support Vector Machine (SVM). The adaptive short-time Fourier transform (ASTFT) is incorporated with the Renyi entropy and the particle swarm optimization algorithm, which achieves a better aggregation of the time-frequency distribution and reduces the computation cost. Finally, to assist the repair work and estimate the severity of the corrugation section, the corrugation index is proposed. The corrugation indices for the determined corrugation sections are calculated to measure the severity of the corrugation. Experimental studies performed on the axle-box vertical acceleration data collected from the heavy-haul comprehensive inspection train show that the method presented by this paper achieves higher accuracy when compared with conventional feature classification methods for time-frequency analysis. The accuracy of corrugation recognition for the presented method is 93%.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle