Verification and Validation of Hierarchical Fault Diagnosis in Satellites Formation Flight
Notice bibliographique
Résumé
It is well known that for long-duration space missions, there is growing need for efficient utilization of telemetry data to enhance diagnostic performance and assist the less-experienced personnel in performing monitoring and diagnosis tasks. To address this need, we have, recently, developed a systematic and transparent fault diagnosis methodology within a hierarchical fault diagnosis framework for satellites formation flight. We developed our proposed hierarchical decomposition framework through a novel Bayesian network-based model, namely component dependence model (CDM). In this paper, we investigate the verification and validation of the CDM for fault diagnosis in satellites formation flight. We propose and develop a sensitivity analysis to verify the CDM by taking advantage of our systematic CDM development methodology. The proposed verification method satisfies the unique requirement of identifying CDM sensitivity when diagnostic performances of the algorithms that are deployed at one or more nodes of the CDM change. This implies that our verification approach and analysis are different from traditional sensitivity analysis that uses proportional scaling which is not applicable to the CDM methodology. Furthermore, in such analysis, a change in the model parameters under consideration is, typically, due to a change in the subjective judgment of an expert whose opinion is used in model development as opposed to the changes due to diagnostic performance variations. We demonstrate the proposed verification approach by using synthetic formation flight data, and show that our CDM development method does not lead to a fault diagnosis model that is sensitive to small variation in its parameters.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».