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 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 | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».