Automated One-Sided Learning Fault Detection System for Reaction Wheel Bearing Friction Anomalies
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
Monitoring a satellite’s health during a mission has become critical in space engineering. In-flight anomaly detection is difficult for ground operators, placing space missions at risk of failure. Machine learning algorithms are data-driven methods that could autonomously detect faults in situ. In this paper, a new application of machine learning algorithms in space engineering is introduced for detecting reaction wheel bearing anomalies that only relies on nominal data (no failure data) for training and with no prior knowledge of the system dynamics. Using a one-sided regression method, an automated fault detection system was designed to monitor the attitude dynamics control system for a small satellite. The proposed detection algorithm was first trained using a simulated attitude dynamics control system for the small satellite. Next, the detection system was trained with only nominal behavioral data of the control system for a designated period of time. Then, different types of bearing friction failures were added to the simulated system to test the trained fault detection system. The empirical rule (68-95-99.7 rule) was used as a failure detection criterion to differentiate failure data from nominal. Similar physical tests were conducted using a combination of a brushless motor and drone propellers. Both simulation and experimental results demonstrated the robustness of detection accuracy, were model-free, and verified the feasibility of an easy-to-use, accurate, and autonomous anomaly detection system for reaction wheels that could be extended to other space 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.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| 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