基于机器学习方法的装甲车预测性维护
机器学习
2023-07-28 v1
摘要
装甲车是专为在高压力环境中（通常为战斗或战术情境下）运行而设计的复杂专用机械。本研究提出一种基于预测性维护的集成系统，可根据从这些车辆收集的传感器数据预测潜在维护需求。所提模型的架构涉及多种模型，如 Light Gradient Boosting、Random Forest、Decision Tree、Extra Tree Classifier 和 Gradient Boosting，以准确预测车辆的维护需求。此外，采用 K 折交叉验证与 TOPSIS 分析来评估所提集成模型的稳定性。结果表明，所提系统达到 98.93% 的准确率、99.80% 的精确率和 99.03% 的召回率。该算法能有效预测维护需求，从而减少车辆停机时间并提升运行效率。通过对各种算法与所提集成方法的比较，本研究凸显了基于机器学习的预测性维护解决方案的潜力。
引用
@article{arxiv.2307.14453,
title = {Predictive Maintenance of Armoured Vehicles using Machine Learning Approaches},
author = {Prajit Sengupta and Anant Mehta and Prashant Singh Rana},
journal= {arXiv preprint arXiv:2307.14453},
year = {2023}
}
备注
In Conference Proceedings of INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE, MACHINE LEARNING AND ARTIFICIAL INTELLIGENCE (pg:25-31) - (New Delhi, 2023)