Systematic Health Monitoring and Management for UAV Hydrogen Energy Systems via a Hybrid Excitation Operator
Notice bibliographique
Résumé
The hydrogen-powered unmanned aerial vehicle (UAV) is a pivotal part of zero-carbon aviation, yet the online health monitoring and management of fuel cells (FCs) during flight remain a predominant challenge. In response to the critical concern, this article initiates an online systematic approach of health monitoring and management (SAHMM) for hydrogen fuel cells in aerial applications consisting of four stages. First, a voltage-based adaptive health monitor continuously monitors the state of health of the fuel cell, detecting faults in real time. Second, to classify the faults, a hybrid excitation operator (HEO) including a converter regulation signal and an unmanned aerial vehicle maneuver signal is injected to extract fault features when a fault is detected. The HEO, as a control-for-diagnosis design, exploits unmanned aerial vehicle maneuvers for fault feature extraction while maintaining position tracking performance, relieving the burden of the energy subsystem during excitation. A fuzzy logic classifier then categorizes the detected fault. Finally, recovery measures according to the fault type will be adopted to restore system health. The proposed SAHMM is the first to tackle the health monitoring and recovery of aviation hydrogen fuel cell systems in a systematic approach. The effectiveness of SAHMM is validated through real flights and ground experiments, where online fault detection and 97.22% fault classifier accuracy are demonstrated, and successful health recovery is achieved based on the diagnosis result. Moreover, the monitor reduces false detection rate by integrating online model estimation to track the fuel cell performance drifts, and a more than 37% reduction on energy subsystem stress is observed thanks to the HEO design.
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) | 0,000 | 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 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 ».