Predictive Maintenance by the Unsupervised Clustering of Gradual Faults in a fleet of IoT-based Public Buses
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
Predictive maintenance involves collecting data from machines and using algorithms to analyze the machine’s condition or determine if the machine requires maintenance or repairs. This work presents a clustering-based algorithm for predictive maintenance that detects potential faults and gradual deterioration for IoT-based buses. It demonstrates that predictive maintenance enhances cost and time efficiency and improves user safety by enabling preemptive maintenance actions. While the predictive models implemented in this article focus on the cooling and engine torque systems, the methodology proposed is flexible and can be extended to other subsystems. To mitigate the problem of insufficient data, this work also generates synthetic datasets to simulate normal buses and buses with potential faults. Experiments on synthetic datasets simulating 78 buses deliver high-quality clusters with silhouette scores as high as 0.99 (cooling system) and 0.88 (engine system). Furthermore, the clusters identify the faulty components with an accuracy of 100%, that is, all the buses with potential faults were detected successfully. Predictive maintenance frameworks usually require large volumes of labeled data and suffer from imbalance issues; however, the proposed methodology in this article delivers highly accurate results even in the absence of large volumes of labeled data while being robust against imbalanced cases. Overall, this work contributes to predictive maintenance by presenting an efficient and practical solution that ensures the reliability and safety of transportation systems.
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 | 0,001 |
| 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