System Condition Monitoring Based on a Standardized Latent Space and the Nataf Transform
Notice bibliographique
Résumé
This work introduces a new condition monitoring approach for complex systems based on a standardized latent space representation. Latent variable models such as the variational autoencoders are widely used to analyze systems described by a high-dimensional physical space. The encoding of such space defines a low-dimensional and physically representative latent space. Of note, however, the latent space obtained for complex systems operating under multiple conditions is often difficult to exploit in defining an efficient Health Index, thanks to the non-deterministic and hyperparameter-dependent nature of the latent space. In addition, the distribution of the healthy cluster is not known a priori. The original contribution of this paper is to use the Nataf isoprobabilistic transform to map the latent space into a standardized space. This normalizes the spatial structure of the latent space and relaxes the model’s sensitivity to hyperparameters during the learning process. Moreover, the characterization of the healthy condition in the standard Nataf space leads to the definition of two complementary health indices suitable for complex systems. An implementation in two case studies demonstrates the potential of the proposed approach. First, the approach was successfully applied within NASA’s Commercial Modular Aero-Propulsion System Simulation dataset. The second case study consisted in analyzing multiple degradation in operating wind turbines. Encouraging results emerge from both case studies, with critical conditions being detected significantly earlier than in competing approaches. The proposed approach can be generalized to complex systems equipped with multiple sensors, and overcomes difficulties related to latent space analysis of multiple condition 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 ».