Fault Detection, Isolation and Prognosis for Control Moment Gyros Onboard Satellites
Notice bibliographique
Résumé
Developing a Diagnosis, Prognosis and Health Monitoring (DPHM) framework for a small satellite is a challenging task due to the limited availability of onboard health monitoring sensors and computational budget. This thesis deals with the problem of developing DPHM framework for a satellite attitude actuator system that uses a single gimballed Control Moment Gyro (CMG) in pyramid configuration as an actuator. This includes the development of computationally light data-driven model, fault detection, isolation and prognosis algorithms that works only using the attitude rate measurements from the satellite. A novel scheme is proposed for developing a data-driven model which fuses the symmetric property of the data and the system orientation property of actuators that reduces the need for historical data by 93.75%. The data is trained using Chebyshev Neural Network. A threshold based fault detection algorithm is used to detect the faults of spin motor and gimbal motor used in a CMG. A novel optimization based fault isolation formulation is developed and simulated for given uniformly distributed system parameters. The algorithm has a success rate of 93.5% in isolating faults of 8 motors (4 gimbal and 4 spin) that can fail in 254 different ways. For Fault Prognosis, an error based scheme is developed as a measure of degradation. General path model with Bayesian updating is used for predicting the remaining useful life of the spin motor. It performs with 96.25% accuracy when 30% of data is available. Overall, the proposed algorithms can be regarded as a promising DPHM tool for similar non-linear systems.
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 ».