A rail data integration and analytics system and its application to heavy haul railway
Notice bibliographique
Résumé
With the increasing deployment of technologies such as accelerometers and other sensors on freight cars during revenue operations, the data that reflects the performance of the vehicle-track system under varying conditions becomes readily available. Recently, one of the longest demonstrations of using an instrumented wheelset (IWS) in revenue operation has been reported by the present authors, which shows that IWS technology has sufficient durability for continuous and long-term monitoring of track conditions. To overcome challenges related to the integration of the large volume of time series data collected by IWS, accelerometers and other sensors with the many other existing railway datasets that are usually collected under different conditions, the National Research Council of Canada (NRC) has developed an advanced data fusion tool called rail data integration and analytics system (RDIAS). The tool has been successfully applied to the data collected during a one-year period of track monitoring using an instrumented iron ore car in a mountainous area with heavy grades and many sharp curves. A number of successful case studies are presented to demonstrate how the RDIAS has assisted in improving the operational performance and safety of the railway system. These include identification and mitigation of high wheel climbing risks, recommendation of proper lubrication and friction management based on evidence generated by the RDIAS system, demonstration of how the system can be used to assess maintenance effectiveness, and some findings regarding unfavourable truck warping conditions.
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 | 0,000 | 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 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 ».