Developed Wheel and Axle Assembly Monitoring System to Improve Passenger Train Safety
Notice bibliographique
Résumé
To encourage the expansion of safe high-speed passenger rail service nationwide, the FRA sponsored the development and testing of two autonomous systems to monitor passenger trains to help ensure safety and ride quality. This monitoring is essential for high-speed trains where the consequences of derailment are potentially greater than for trains traveling at lower speeds. The first system is a rugged unit that can function reliably in extreme environments. This system was tested on a Talgo train with tilting technology traveling between Portland and Vancouver during the summer and fall of 1998. The unit was installed to monitor Talgo’s compliance with an FRA waiver allowing the train to travel through certain curves at speeds higher than those of a non-tilting train. The second system is a lighter less rugged system designed for passenger cars where the operating environment is typically less harsh than that of locomotives. The system was installed on Amtrak passenger cars traveling from Bakersfield to Sacramento California and from Washington, DC to New York City. This unit was designed to measure and monitor the vibration of wheel and axle assemblies using standard accelerometers. The measurements were then processed using a neural net computer that “learns” in a manner similar to a human. The data can be used to identify track and vehicle maintenance and repair needs and potentially unsafe conditions. The tests successfully demonstrated that the remote monitoring systems could provide a reliable means for detecting potentially unsafe track and vehicle conditions in near-real time. In addition it can be easily modified to meet various users’ monitoring requirements.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».