Detecting APS failures using LSTM-AE and anomaly transformer enhanced with human expert analysis

This study develops a novel semi-supervised approach for detecting Air Pressure System (APS) failures in Heavy-Duty Vehicles (HDVs) by exploiting two modern Machine Learning (ML) models: Long Short-Term Memory Autoencoder (LSTM-AE) and Transformer for Anomaly Detection (TranAD), and enhancing their...

Celý popis

Podrobná bibliografie

Vydáno v:	Engineering failure analysis Ročník 165; s. 108811
Hlavní autoři:	Mumcuoglu, Mehmet E., Farea, Shawqi M., Unel, Mustafa, Mise, Serdar, Unsal, Simge, Cevik, Enes, Yilmaz, Metin, Koprubasi, Kerem
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Elsevier Ltd 01.11.2024
Témata:	Air pressure system Failure detection Heavy-duty vehicles LSTM autoencoder Predictive maintenance TranAD Failure detection Heavy-duty vehicles TranAD LSTM autoencoder Air pressure system Predictive maintenance
ISSN:	1350-6307
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!