Online Fault Diagnosis and Tolerance Based on Multiexpert Joint Belief Rule Base for Sensor Failures of Vehicles
Notice bibliographique
Résumé
As sensors readings are used for vehicle flight control, their reliability directly affects the flight performance. This paper develops a new fault diagnosis and tolerance method for sensor failures of vehicles by addressing three problems:unavailable faulty data, difficulty in establishing analytical system, and inconsistence of expert cognitive ability. For the purpose, a new belief rule base model with multi-expert joint (BRB-ME) is proposed. The first two problems are handled by combining the small size of observation data and the uncertain knowledge from multiple experts in BRB-ME. For the third problem, a new multi-expert joint strategy is proposed in the BRB-ME model. The experts first construct their own models, and then the models are fused with different weights according to the experts’ ability, such as research fields, the working time and etc. Then, a new fault diagnosis and tolerance framework is developed based on BRB-ME for detecting vehicles’ sensor failures, where the sensor failures are tolerated by the reconstruction strategy for faulty sensor output. Moreover, in order to address the influence of the uncertain expert knowledge, an optimization model is constructed for obtaining the optimal solutions for the framework. An experimental illustration is conducted for accelerometer failure. The diagnosis accuracy is 97.50%, and the developed framework can ensure the navigation accuracy of the vehicle under accelerometer failure.
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 ».