Flight Testing of Health Management Technologies
Notice bibliographique
Résumé
The U.S. Army traditionally has used a time-based, on-condition maintenance paradigm that relies on at-aircraft inspections and periodic in-depth phased inspections to determine condition and ensure airworthiness. The result is a significant maintenance burden, both scheduled and unscheduled, and excessive aircraft downtime. The objective of the Aviation Development Directorate (ADD) and Sikorsky Aircraft Corporation (SAC) Capability-Based Operations and Sustainment Technology-Aviation (COST-A) program was to develop and demonstrate an integrated set of high value diagnostics, prognostics, and system health management technologies that reduce scheduled inspections and preventive maintenance while enhancing safety. More than two dozen Prognostics and Health Management (PHM) technologies across six primary rotorcraft systems (propulsion, drive train, airframe/structural, rotor, electrical, and vehicle management) were matured to technology readiness level (TRL) 6. These technologies were integrated into a prototype laboratory on-board system built around the Integrated Vehicle Health Management Unit (IVHMU) currently installed in all UH-60 Black Hawk aircraft and successfully demonstrated to perform concurrently in representative simulated flight scenarios, using playback data from healthy and faulty components. A subset of these technologies, jointly selected by ADD and SAC, was flight tested on an HH-60M aircraft to further reduce the risk of transitioning these technologies. This paper summarizes the flight-test efforts, with a focus on results obtained for the technologies under test. Upon deployment to the UH-60 aircraft fleet, these PHM technologies can enable the Army to transition to a more effective automated condition-based maintenance (CBM) paradigm.
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 ».