Automating track inspection with instrumented hi-rail truck
Notice bibliographique
Résumé
Utilizing inspection technologies has demonstrated efficacy in monitoring railway tracks and enhancing the overall safety of railway operations. The introduction of automated track geometry measurement systems and their consequential impact on reducing geometry-related derailments underscores the significance of technological adaptation in the railway sector. Maintaining safe track conditions under future climate projections requires more frequent inspections, and consequently track down time. However, the growing demand for rail transportation and supply chain constraints require railway operators to increase the number of trains along their network, consequently limiting the time available for comprehensive track inspection. In response to this multifaceted challenge, railways are actively exploring emerging technologies and embracing automation to facilitate more frequent inspections, thereby enhancing operational efficiencies while upholding safety standards. Addressing this imperative, the National Research Council of Canada (NRC) has undertaken the development of a prototype instrumented hi-rail truck designed to automate select track inspection activities currently reliant on human visual inspections. Equipped with an array of sensors featuring diverse sensing modalities and a range of perspectives, this instrumented truck generates digital representations of the track and its surrounding environment. The resulting digital models, in conjunction with artificial intelligence algorithms, enable the spatial and temporal identification of certain track issues. This short paper provides an overview of the NRC’s instrumented hi-rail truck, including both the software and hardware components, the opportunities it presents to supplement/replace specific aspects of visual inspections, and some results from its deployment under actual field 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 ».