Predictive Modeling and Failure Forecasting For AI-Controlled Electrical Systems in Robotics and Autonomous Vehicles
Notice bibliographique
Résumé
This study explores the application of predictive modeling and failure forecasting techniques for enhancing the reliability and operational safety of AI-controlled electrical systems in robotics and autonomous vehicles. As these systems rely heavily on interconnected electrical components such as sensors, actuators, battery systems, and embedded controllers, even minor faults can lead to significant performance degradation or safety risks. The research employs a combination of machine learning models, including Random Forest, Support Vector Machines (SVM), and Long Short-Term Memory (LSTM) networks, to analyze both historical and real-time sensor data. Experimental findings demonstrate that the proposed predictive framework achieves a fault detection accuracy of 94.6%, with LSTM-based models outperforming traditional approaches by improving prediction precision by approximately 12.3% in time-series forecasting tasks. Additionally, the model successfully predicts the remaining useful life (RUL) of critical components with a mean absolute error (MAE) of less than 8.7%, enabling more effective maintenance planning. The integration of digital twin simulations further enhances system monitoring by reducing diagnostic latency by 21% and improving anomaly detection rates by 18% compared to conventional threshold-based methods. Results also indicate that implementing edge computing for on-device analytics reduces response time by nearly 35%, which is crucial for real-time decision-making in autonomous environments. Despite these advancements, challenges related to data quality, model interpretability, and cybersecurity vulnerabilities persist, requiring further research and robust system design. Overall, the study highlights that predictive modeling and failure forecasting significantly reduce unexpected system failures by up to 40% and maintenance costs by approximately 25%, demonstrating their critical role in advancing resilient, efficient, and safe AI-driven electrical systems in robotics and autonomous vehicles.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».