Real-Time FPGA-Based Hardware Neural Network for Fault Detection and Isolation in More Electric Aircraft
Notice bibliographique
Résumé
More Electric Aircraft (MEA) has a great development prospect in the aviation industry thanks to the progressive power electronics technology and digital systems. Nevertheless, any fault occurring in the power electric system of MEA could be a fatal risk for the safety of the aircraft. To deal with the real-time fault detection and isolation (FDI) on the MEA, we put forward an FPGA-based neural network method which includes two stages: off-line construction using TensorFlow and real-time monitoring on the FPGA. Long Short-Term Memory (LSTM) network is applied because of its capability of learning from the long-term historical information in time series. A comprehensive MEA model based on the Boeing 787 power system created in PSCAD/EMTDC <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">®</sup> and a commercial electric aircraft model based on Airbus E-Fan in Simscape are simulated to validate the effectiveness and generality of our proposed method. Adequate contrast experiments are conducted to acquire the most applicable architecture and configurations of the network. The results illustrate that the evaluation of the real-time condition can achieve accuracy over 99.5% within one sampling time on FPGA and reasonable hardware resource utilization.
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 ».