A Multidimensional Bayesian Methodology for Diagnosis, Prognosis, and Health Monitoring of Electrohydraulic Servo Valves
Notice bibliographique
Résumé
One of the main concerns associated with diagnosis, prognosis, and health management (DPHM) of engineering systems is the accuracy of estimates that are derived from Bayesian tracking methods. Estimating the exiting degradation based on stochastic models and evaluating the remaining useful life (RUL) of the system is inherently associated with variances that characterize the inaccuracy of estimation techniques. Furthermore, there are scenarios where a single measurement does not necessarily generate sufficient information regarding the system states, leading one to require multiple readings (and, hence,multidimensionalanalysis) to deduce diagnostic and/or prognostic decisions. This article introduces a novel approach for solving complex nonlinear multivariable Bayesian models that are utilized for estimation and prediction problems that would be, otherwise, challenging or impractical to solve through available methods, such as particle filters (PFs). Theoretical derivation and strategies that are developed in this article are verified through numerical case study simulations for electrohydraulic servo valves (EHSVs) that constitute a core component of many hydraulic actuators, such as multifunctional spoilers (MFSs), which are widely utilized in aircraft flight control systems. Our developed results are compared with those that are derived through PF in order to illustrate and demonstrate the advantages, benefits, and improvements that are accomplished by applying our proposed methodologies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».