Services on Demand
Article
Indicators
Related links
Cited by Google
Similars in Google
Share
South African Journal of Industrial Engineering
On-line version ISSN 2224-7890
Print version ISSN 1012-277X
Abstract
FOURIE, C.J. and DU PLESSIS, J.A.. Implementation of machine learning techniques for prognostics for railway wheel flange wear. S. Afr. J. Ind. Eng. [online]. 2020, vol.31, n.1, pp.78-92. ISSN 2224-7890. http://dx.doi.org/10.7166/31-1-2128.
Masjienleer het 'n belangrike tegniek geword wanneer dit kom by die outomatiese ontginning van inligting uit groot datastelle. 'n Wye verskeidenheid van bedrywe het al voordeel getrek uit die implementering van masjienleer. In hierdie ondersoek was daar gekyk na hoe masjienleer gebruik kan word om prognostiese voorspellings te maak m.b.t. die verwering van spoorwegwielflense. Die doel van die ondersoek was om te demonstreer hoe masjienleer waarde uit Metrorail se data kan ontgin. Drie masjienleer modelle is geïmplementeer: logistiese regressie, kunstmatige neurale netwerke, en 'random forest'. Die resultate van die ondersoek het getoon dat al drie modelle 'n akkuraatheid van oor die 90 persent behaal het. Al drie modelle het ook 'n area onder die kromme (AUC) telling van meer as 0.8 behaal. Die 'random forest' model het die beste presteer van al drie die modelle, met 'n AUC telling van 0.897 en 'n akkuraatheid van 93.5 persent.