Fault Detection, Isolation and Prognosis of Aerospace Systems Using Adaptive Growing Recurrent Neural Networks
Notice bibliographique
Résumé
Due to the increase in complexity in aerospace systems, developing a diagnosis, prognosis and health monitoring (DPHM) framework is a challenge that must be considered to assure the safety of such systems. This thesis discusses this problem by proposing a novel growing neural network model to automate the process of DPHM for aerospace systems. The model optimizes the architecture of a recurrent neural network and was used to make Remaining Useful Lifetime (RUL) predictions for aircraft engines and detect failure for satellite attitude actuators (Reaction Wheels). It was tested on the CMAPSS and PHM08 aircraft engine datasets simulated by NASA, and it was able to make RUL predictions with root mean square errors as low as 14.31 engine cycles. Another application to test the proposed model was on the Kepler Spacecraft’s reaction wheels from which two have failed. The model detected the failure of the two failed reaction wheels by estimating a Health Index value which indicates the probability of failure of the reaction wheels using the residuals between the speed predictions made by the model and measured speed values. Failure was predicted using the model 105 days and 54 days before it occurred for reaction wheels two and four respectively. Prognostics were also applied on the Kepler Mission reaction wheels and RUL predictions were made with mean absolute errors ranging between 2-13 days depending on how close the reaction wheel is to failure. The proposed algorithm showed results in both applications that could regard it as a promising approach for DPHM models.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».