Fault Diagnosis and Prognosis of Satellites and Unmanned Aerial Vehicles: A Review
Notice bibliographique
Résumé
This paper comprehensively analyzes advanced Fault Diagnosis and Prognosis (FDP) techniques employed in aerial and space agents such as satellites, spacecraft, and Unmanned Aerial Vehicles (UAVs). The critical engineering functions of fault diagnostics and prognosis, particularly the emerging field of fault prognosis, emphasize the necessity for further advancement. Integrating these methodologies enriches the system’s capacity to diagnose faults in their early stages. Additionally, it enables the prediction of fault propagation and facilitates proactive maintenance to mitigate the risk of severe failure. This paper aims to introduce diverse FDP methods, followed by a discussion on their application and evolution within single and multisatellite/UAV systems. Throughout this review, eighty-five relevant works are analyzed and discussed and their evaluation metrics are expanded upon as well. Within the works analyzed in this review, it was found that data-driven methods constitute 54% and 7% of the methodologies utilized in single- and multiagent FDP, respectively, which underscores the rise of these methods in the field of single-agent FDP and their unexplored potential in multiagent condition monitoring. Finally, this review is brought to a close with a suggested classification scheme of the utilized methodologies in the field, a quantitative analysis of their contributions to the field, and remarks and mentions of the potential gaps in the area.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».