Fault detection of reaction wheels in attitude control subsystem of formation flying satellites
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose – A decentralized dynamic neural network (DNN)-based fault detection (FD) system for the reaction wheels of satellites in a formation flying mission is proposed. The paper aims to discuss the above issue. Design/methodology/approach – The highly nonlinear dynamics of each spacecraft in the formation is modeled by using DNNs. The DNNs are trained based on the extended back-propagation algorithm by using the set of input/output data that are collected from the 3-axis of the attitude control subsystem of each satellite. The parameters of the DNNs are adjusted to meet certain performance requirements and minimize the output estimation error. Findings – The capability of the proposed methodology has been investigated under different faulty scenarios. The proposed approach is a decentralized FD strategy, implying that a fault occurrence in one of the spacecraft in the formation is detected by using both a local fault detector and fault detectors constructed specifically based on the neighboring spacecraft. It is shown that this method has the capability of detecting low severity actuator faults in the formation that could not have been detected by only a local fault detector. Originality/value – The nonlinear dynamics of the formation flying of spacecraft are represented by multilayer DNNs, in which conventional static neurons are replaced by dynamic neurons. In our proposed methodology, a DNN is utilized in each axis of every satellite that is trained based on the absolute attitude measurements in the formation that may nevertheless be incapable of detecting low severity faults. The DNNs that are utilized for the formation level are trained based on the relative attitude measurements of a spacecraft and its neighboring spacecraft that are then shown to be capable of detecting even low severity faults, thereby demonstrating the advantages and benefits of our proposed solution.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle