MARC

 008250123s2024        us                              c    eng  d
■001000017161457
■00520250211151359
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382372341
■035    ▼a(MiAaPQ)AAI31244101
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aShi,  Ying.
■24510▼aCost-Safety-Aware  Inspection  Strategy  for  Truck  Fleets  with  Limited  Historical  Data
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a143  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Tang,  Pingbo.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2024.
■520    ▼aHeavy-duty  trucks  are  a  significant  segment  of  the  population  involved  in  fatal  accidents.  In  order  to  prevent  crashes  caused  by  vehicle  malfunctions,  effective  inspection  planning  is  essential.  This  research  aims  to  develop  a  reliable  predictive  inspection  planning  strategy  that  can  predict  the  future  condition  of  the  vehicle  and  to  develop  an  inspection  plan  that  can  identify  risky  components  with  a  few  inspection  costs  and  time.  However,  the  limited  historical  data  decrease  the  reliability  of  predictive  inspection  planning.  To  address  this  issue,  this  research  developed  data  augmentation  methods  to  generate  synthetic  data  to  fill  in  the  limited  historical  data.  The  research  also  explores  the  potential  to  integrate  humans  and  machines  for  more  reliable  inspection  planning  by  handling  data  limitations  from  another  perspective.  This  research  addresses  the  challenges  that:  (1)  the  data  augmentation  is  required  to  generate  synthetic  data  similar  to  data  in  the  real  world,  (2)  the  need  for  a  comprehensive  summary  of  characteristics  of  humans  and  machines  in  inspection  planning,  especially  their  advantages  and  limitations;  (3)  the  need  for  integrating  human  knowledge  into  machine  learning  models  with  utilizing  their  advantages  and  avoiding  limitations.  To  address  the  challenges,  the  researcher:  (1)  proposed  a  data  augmentation  method  adapted  to  brake  inspection  planning  considering  the  brake  deterioration  mechanism;  (2)  compared  human  and  machine  performance  in  inspection  planning  and  summarized  the  scenarios  in  which  human  or  machine  perform  better;  (3)  obtained  a  comprehensive  summary  of  the  advantages  and  limitations  of  human  and  machine  inspection  planning;  and  (4)  This  research  proposed  a  framework  for  a  human-machine  collaboration  mode  that  combines  human  and  machine  advantages  and  avoids  their  limitations.  The  outcomes  of  the  research  are  expected  to  provide  commercial  fleets  with  reliable  interpretation-based  inspection  suggestions,  which  can  ensure  vehicle  safety  with  minimum  inspection  resources.
■590    ▼aSchool  code:  0041.
■650  4▼aComputer  science
■650  4▼aEnvironmental  engineering
■653    ▼aData  imputation
■653    ▼aData  sparsity
■653    ▼aHuman  knowledge
■653    ▼aHuman-machine  collaboration
■653    ▼aPredictive  inspection
■690    ▼a0543
■690    ▼a0984
■690    ▼a0775
■71020▼aCarnegie  Mellon  University▼bCivil  and  Environmental  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161457▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books