Adaptive SIF-KF estimation for fault detection in attitude control experiments
Notice bibliographique
Résumé
An inherent property of dynamic systems with real applications is their high degree of variability, manifesting itself in ways that are often harmful to system stability and performance. External disturbances, modeling error, and faulty components must be accounted for, either in the system design, or algorithmically through estimation and control methods. In orbital satellite systems, the ability to compensate for uncertainty and detect faults is vital. Satellites are responsible for many essential operations on Earth, including GPS tracking, radio communication/broadcasting, defense, and climate monitoring. They are also expensive to design and fabricate, to deploy, and currently impossible to fix if suddenly inoperable. In being subjected to unforeseen disturbances or minor system failures, communications with Earth can cease and valuable data can be lost. Researchers have been developing robust estimation and control strategies for several decades to mitigate the effects of these failure modes. For instance, fault detection methods can be employed in satellites to detect deviations in attitude or actuator states such that error or incorrect data does not propagate further across its long life cycle. The Kalman Filter (KF) is an optimal state estimation strategy with sub-optimal nonlinear variations, commonly applied in most dynamic systems, including satellites. However, in the presence of aforementioned uncertainties, these optimal estimators tend to degrade drastically in performance, and must be replaced for more robust methods. The newly developed Sliding-Innovation Filter (SIF) is one such candidate, as it has been demonstrated to perform state estimation robustly in faulty systems. Using an in-lab Nanosatellite Attitude Control Simulator (NACS), an adaptive hybrid formulation of the SIF and EKF is applied to a satellite system to detect faults and disturbances in experiments, based on the Normalized Innovation Squares (NIS) metric. This strategy was demonstrated to improve state estimation accuracy in the presence of multiple faults, compared to conventional methods.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».