Multi-Dimensional Time-Series Shapelet Based Real-Time Fault Detection and Localization on ISS Electrical Power Distribution System
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
International space station (ISS) is a grand invention for human beings to have a chance at exploring the outer space. Its operation is completely dependent on the autonomous power distribution system which transforms energy by solar arrays from the sun. There is a high demand for a reliable monitoring system that can accurately and timely detect and localize faults in its power system for the special working environment of the ISS. In this paper, a fault detection and localization (FDL) based on multi-dimensional time-series trend extracted shapelet (MTES) method was proposed. A fast shapelet discovery was created to accelerate the process of extracting shape features from time-series signals collected from the ISS electrical power distribution system (EPDS). Then the techniques of randomization and information gain were exploited for the further shapelet selection. Finally, multi-dimensional time-series classification for FDL was solved by a designed random forest classifier. The real-time FDL measurement instrument was emulated on the Xilinx VCU128 FPGA board, while a hardware-in-the-loop (HIL) testing platform was established to verify the effectiveness, execution speed, and accuracy of the MTES method. Comparing with other state-of-the-art data-driven methods, higher accuracy (above 96%) and easier hardware implementation were achieved using MTES
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 | 0,000 | 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 | 0,001 |
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 découle