Retrofitting Health and Usage Monitoring Systems (HUMS) for Unmanned Aerial Vehicles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the global drone market expected to reach USD 40.9 billion by 2027, increased system reliability has become critical not only to protect public safety and ensure mission success, but also to demonstrate risk controls as part of licensing. Health and Usage Monitoring Systems (HUMS) were primarily developed for real-time condition monitoring and machinery diagnostics of aircraft, naval vessels, and other civilian and military systems. HUMS on lightweight and low-cost Unpiloted Aerial Vehicles (drones) is a comparatively recent phenomenon. Incorporating existing HUMS used for other rotorcrafts directly into UAVs is very challenging, as the size, mass, and cost of such systems often do not match the capabilities of traditional drone structures, nor can they be easily integrated. Several health monitoring technologies geared specifically for UAVs have been developed, including Fiber Bragg Grating (FBG)-based strain and temperature sensors, Piezoelectric (PZT) sensors, and ultrasonic propagation imaging sensors, among others. This paper discusses and evaluates the recent research on five classes of health and usage monitoring systems for UAVs currently in use, namely for structural, electrical, temperature-related, vibration-related, and environment-related failure modes. We then develop some general requirements for a HUMS prototype system that is easily retrofittable with a broad range of small to midsize UAVs, investigate which of the sensor systems may be most suitable for the prototype HUMS, make a comparative analysis of these systems, and identify their limitations. Lastly, we present work in progress on System Architecture options for integrating the different classes of sensors into a single, comprehensive HUMS.
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.
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 | 0,001 | 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 découle