Sensor Fault Detection, Isolation, and Identification Using Multiple-Model-Based Hybrid Kalman Filter for Gas Turbine Engines
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
In this paper, a novel sensor fault detection, isolation, and identification (FDII) strategy is proposed using the multiple-model (MM) approach. The scheme is based on multiple hybrid Kalman filters (MHKFs), which represents an integration of a nonlinear mathematical model of the system with a number of piecewise linear (PWL) models. The proposed fault detection and isolation (FDI) scheme is capable of detecting and isolating sensor faults during the entire operational regime of the system by interpolating the PWL models using a Bayesian approach. Moreover, the proposed MHKF-based FDI scheme is extended to identify the magnitude of a sensor fault using a modified generalized likelihood ratio method that relies on the healthy operational mode of the system. To illustrate the capabilities of our proposed FDII methodology, extensive simulation studies are conducted for a nonlinear gas turbine engine. Various single and concurrent sensor fault scenarios are considered to demonstrate the effectiveness of our proposed online hierarchical MHKF-based FDII scheme under different flight modes. Finally, our proposed hybrid Kalman filter (HKF)-based FDI approach is compared with various filtering methods such as the linear, extended, unscented, and cubature Kalman filters corresponding to both interacting and noninteracting MM-based schemes. Our comparative studies confirm the superiority of our proposed HKF method in terms of promptness of the fault detection, lower false alarm rates, as well as robustness with respect to the engine health parameter degradations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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