MétaCan
Menu
Back to cohort
Record W2189169209 · doi:10.82308/17633

Reliability analysis of lunar rover wheel designs - methodology and visual inspection technique

2012· article· en· W2189169209 on OpenAlexfundaboutno aff
Karim Kamal Parbatani

Bibliographic record

VenueeScholarship@McGill (McGill) · 2012
Typearticle
Languageen
FieldEngineering
TopicManufacturing Process and Optimization
Canadian institutionsnot available
FundersCanadian Space Agency
KeywordsReliability (semiconductor)Computer scienceReliability engineeringVisual inspectionEngineeringEngineering drawingArtificial intelligence

Abstract

fetched live from OpenAlex

Cette thèse présente une méthodologie pour la prédiction de la fiabilité des roues lunaires, et une technique pour évaluer la fiabilité de la conception de ces roues, pour lesquelles les données d'opération dans l'environnement lunaire ne sont pas disponibles, afin que nous puissions effectuer une analyse de fiabilité traditionnelle. La distance maximale traversée par le Rover Lunaire durant la mission Apollo 17 était d'environ 35.9 km. Aujourd'hui, l'Université de McGill, le groupe Neptec Design et l'Agence Spatiale Canadienne travaillent ensemble afin de développer une roue de Rover Lunaire pouvant être opérationnelle pendant 5 ans. Cela souligne l'importance de la fiabilité des roues, qui auront à traverser des milliers de kilomètres. Le groupe Neptec Design a réussi à développer une méthodologie afin d'estimer la fiabilité d'un rover lunaire, comme nous le montre le document Prédiction de Fiabilité de Rover Lunaire (PFRL) qui a été publié par l'entreprise. Cette méthodologie comprend deux phases. Phase 1 contient trois étapes incluant les recherches approfondies concernant les différents modèles de fiabilité disponibles, les outils logiciels spécifiques qui permettent la mise en place de ces modèles, et l'habilité à adapter ces outils à l'environnement lunaire (par exemple, la température, la présence de régolite, les radiations, l'apesanteur). La Phase 2 décrit le processus d'estimation de la fiabilité du rover lunaire pour une durée de 5 ans sur la Lune, basé sur les recommandations détaillées dans la Phase 1. Le PFRL a été un succès mais Neptec est seulement capable d'utiliser des données earthbound pour la méthodologie, ce qui est insuffisant. Donc, le domaine de l'usure à la cryogénie à été exploré à travers la littérature et les bases de données, et le résumé des éléments qui ont été relevés intéressants est le suivant : le taux d'usure de l'acier et du titane à 293K et 77K sont à peu près les mêmes, en dessous de 1m/s ; le taux d'usure à 77K en dessous de 1m/s est plus haut pour la plupart des matériaux et le coefficient de frottements pour l'acier sur l'acier à 77K et 273K est à peu près le même. Cela souligne la nécessité d'une méthodologie alternative, par exemple, la technique d'inspection visuelle, pour évaluer la fiabilité d'un système quand des données utiles ne sont pas disponible. La technique d'inspection visuelle est décrite et une analyse de 9 conceptions de roues (cinq anciennes roues et quatre nouvelles roues conçues par l'Université de McGill) est démontrée. Les conceptions des roues sont analysées visuellement en fonction de critères spécifiques, sans négliger les risques d'échec potentiels si l'on transpose aux conditions lunaires (température, aspiration, et régolites), la fiabilité mécanique, sans oublier les obstacles à la performance, la résistance à l'usure, la compatibilité thermale, la vitesse de chargement, la torsion, etc. Une échelle numérique a été créée et la performance potentielle de la roue a été quantifiée en prenant compte des évènements pouvant causer un échec comme les fluctuations de températures, le soudage à froid, les impacts de rochers, un excès de charge et une usure abrasive. Les résultats ont indiqué que la meilleure conception historique était la roue à treillis métallique d'Apollo 17 et que la meilleure conception contemporaine est la roue iRing. L'exposé donne aussi une "liste de conception pour la fiabilité", qui peut potentiellement servir de guide afin d'éviter les traits de conceptions avec des failles. La technique d'inspection visuelle a été un succès et peut être appliquée à d'autres systèmes complexes où les tests expérimentaux dans les conditions actuelles ne sont pas possibles. Cependant, des connaissances préliminaires et une expertise sont nécessaires afin de mettre en place l'évaluation.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.442
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.001
Science and technology studies0.0000.000
Scholarly communication0.0000.001
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0000.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.032
GPT teacher head0.266
Teacher spread0.234 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designBench or experimental
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations1
Published2012
Admission routes2
Has abstractyes

Explore more

Same venueeScholarship@McGill (McGill)Same topicManufacturing Process and OptimizationFrench-language works237,207