Hierarchical Fault Diagnosis and Health Monitoring in Satellites Formation Flight
Notice bibliographique
Résumé
Current spacecraft health monitoring and fault-diagnosis practices involve around-the-clock limit-checking and trend analysis on large amount of telemetry data. They do not scale well for future multiplatform space missions due the size of the telemetry data and an increasing need to make the long-duration missions cost-effective by limiting the operations team personnel. The need for efficient utilization of telemetry data achieved by employing machine learning and reasoning algorithms has been pointed out in the literature for enhancing diagnostic performance and assisting the less-experienced personnel in performing monitoring and diagnosis tasks. In this paper, we develop a systematic and transparent fault-diagnosis methodology within a hierarchical fault-diagnosis framework for a satellites formation flight. We present our proposed hierarchical decomposition framework through a novel Bayesian network, whose structure is developed from the knowledge of component health-state dependencies. We have developed a methodology for specifying the network parameters that utilizes both node fault-diagnosis performance data and domain experts' beliefs. Our proposed model development procedure reduces the demand for expert's time in eliciting probabilities significantly. Our proposed approach provides the ground personnel with an ability to perform diagnostic reasoning across a number of subsystems and components coherently. Due to the unavailability of real formation flight data, we demonstrate the effectiveness of our proposed methodology by using synthetic data of a leader-follower formation flight architecture. Although our proposed approach is developed from the satellite fault-diagnosis perspective, it is generic and is targeted toward other types of cooperative fleet vehicle diagnosis problems.
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 ».