Adaptive Kalman Filter by Reinforcement Learning for Monitoring Aircraft Engines' Performance Against Abrupt Events
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
Abstract Engine performance's inverse problem is a well-known subject in the context of engine monitoring, particularly important for the aeronautics industry. In this framework, we aim to construct health/performance indicators (such as modular efficiencies and air mass flow rates) by leveraging operational data (i.e., sensors' measurements during flights) through the availability of a forward model (e.g., a thermodynamic simulator). An extensive literature is available on this topic, among which, Bayesian filtering—notably, Kalman filtering—is a dominant approach. However, even state-of-the-art methods still underperform in a scenario often found in practice: during its life, engine components not only degrade gradually over time due to wear but also can experience rare, abrupt changes in health states caused by uninformed maintenance or unknown external events such as Foreign Object Damages. In this work, we focus on this challenging scenario. We observe that Kalman filters (KF), when equipped with well-tuned a priori models, are capable of estimating the evolution of performance indicators due to degradations, but fail (if using the same a priori models) whenever an abrupt event occurs. To address this, we propose an adaptive filtering method, where parameters of the associated models are dynamically adjusted based on current estimates and observations. In particular, we propose a reinforcement learning (RL) agent, called single-filter reinforcement learning Kalman filter (RLKF), to control the noise covariance matrix of the transition function of a Kalman filter. Pushing one step further, we introduce a second agent, called double-filter RLKF, aided by launching alongside a nonadaptive filter predicting the moments of abrupt events. We conduct several experiments with simulated data of an in-house turbofan engine, and show the superiority of the adaptive filters with the proposed reinforcement learning agents.
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 | 0,000 | 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 découle