論文の概要: Physics-Informed Real NVP for Satellite Power System Fault Detection
- arxiv url: http://arxiv.org/abs/2405.17339v1
- Date: Mon, 27 May 2024 16:42:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-28 14:23:58.831809
- Title: Physics-Informed Real NVP for Satellite Power System Fault Detection
- Title(参考訳): 物理インフォームドリアルNVPによる衛星電力系統故障検出
- Authors: Carlo Cena, Umberto Albertin, Mauro Martini, Silvia Bucci, Marcello Chiaberge,
- Abstract要約: 本稿では,AIに基づく障害検出手法を提案し,ADAPTデータセット上での性能評価を行う。
本研究では,物理インフォームド(PI)実数値非体積保存(Real NVP)モデルを宇宙システムにおける故障検出に適用することに焦点を当てた。
その結果,我々の物理インフォームド・アプローチは既存の故障検出方法よりも優れており,衛星EPSサブシステム障害の課題に対処できる可能性が示された。
- 参考スコア(独自算出の注目度): 3.3694176886084803
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The unique challenges posed by the space environment, characterized by extreme conditions and limited accessibility, raise the need for robust and reliable techniques to identify and prevent satellite faults. Fault detection methods in the space sector are required to ensure mission success and to protect valuable assets. In this context, this paper proposes an Artificial Intelligence (AI) based fault detection methodology and evaluates its performance on ADAPT (Advanced Diagnostics and Prognostics Testbed), an Electrical Power System (EPS) dataset, crafted in laboratory by NASA. Our study focuses on the application of a physics-informed (PI) real-valued non-volume preserving (Real NVP) model for fault detection in space systems. The efficacy of this method is systematically compared against other AI approaches such as Gated Recurrent Unit (GRU) and Autoencoder-based techniques. Results show that our physics-informed approach outperforms existing methods of fault detection, demonstrating its suitability for addressing the unique challenges of satellite EPS sub-system faults. Furthermore, we unveil the competitive advantage of physics-informed loss in AI models to address specific space needs, namely robustness, reliability, and power constraints, crucial for space exploration and satellite missions.
- Abstract(参考訳): 極端な条件と限られたアクセシビリティによって特徴づけられる、宇宙環境によって引き起こされる固有の課題は、衛星の故障を特定し予防するための堅牢で信頼性の高い技術の必要性を高めている。
宇宙セクターの故障検出方法は、ミッションの成功を確実にし、貴重な資産を保護するために必要である。
本稿では,人工知能(AI)に基づく故障検出手法を提案し,その性能をNASAが実験室で開発した電力システム(EPS)データセットであるADAPT(Advanced Diagnostics and Prognostics Testbed)で評価する。
本研究では,物理インフォームド(PI)実数値非体積保存(Real NVP)モデルを宇宙システムにおける故障検出に適用することに焦点を当てた。
この手法の有効性は、GRU(Gated Recurrent Unit)やAutoencoderベースの技術など、他のAIアプローチと体系的に比較される。
その結果,我々の物理インフォームド・アプローチは既存の故障検出方法よりも優れており,衛星ESSサブシステム障害の特異な課題に対処する上での適合性を示している。
さらに、我々は、宇宙探査や衛星ミッションに欠かせないロバスト性、信頼性、電力制約など、特定の宇宙ニーズに対応するために、物理学によるAIモデルの損失の競争上の優位性を明らかにした。
関連論文リスト
- Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。
マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。
ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
論文 参考訳(メタデータ) (2024-10-11T09:36:38Z) - A Self-Supervised Task for Fault Detection in Satellite Multivariate Time Series [45.31237646796715]
この研究は、複雑な分布と高次元分布をモデル化する能力で有名な物理インフォームドリアルNVPニューラルネットワークを活用する新しいアプローチを提案する。
実験には、セルフスーパービジョンによる事前トレーニング、マルチタスク学習、スタンドアロンのセルフ教師付きトレーニングなど、さまざまな構成が含まれている。
結果は、すべての設定で大幅にパフォーマンスが向上したことを示している。
論文 参考訳(メタデータ) (2024-07-03T07:19:41Z) - Progressing from Anomaly Detection to Automated Log Labeling and
Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。
この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文 参考訳(メタデータ) (2023-12-22T15:04:20Z) - AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation
Using Intelligent Sensing System [52.93806509364342]
本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。
本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。
本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
論文 参考訳(メタデータ) (2023-12-18T12:37:35Z) - Taking a PEEK into YOLOv5 for Satellite Component Recognition via
Entropy-based Visual Explanations [0.0]
本稿では,小型追尾衛星の自律群集を目標形状決定に活用するための取り組みに貢献する。
本研究は、衛星部品検出訓練対象検出モデル「You Only Look Once v5」(YOLOv5)の軌道上での利用について検討する。
論文 参考訳(メタデータ) (2023-11-03T04:21:27Z) - Predictable Artificial Intelligence [77.1127726638209]
本稿では予測可能なAIのアイデアと課題を紹介する。
それは、現在および将来のAIエコシステムの重要な妥当性指標を予測できる方法を探る。
予測可能性を達成することは、AIエコシステムの信頼、責任、コントロール、アライメント、安全性を促進するために不可欠である、と私たちは主張する。
論文 参考訳(メタデータ) (2023-10-09T21:36:21Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳(メタデータ) (2023-08-14T16:48:57Z) - SpaceYOLO: A Human-Inspired Model for Real-time, On-board Spacecraft
Feature Detection [0.0]
衝突の危険箇所を特定するためには、リアルタイムで自動的な宇宙船の特徴認識が必要である。
新しいアルゴリズムSpaceYOLOは、最先端のオブジェクト検出器YOLOv5を、人間にインスパイアされた意思決定プロセスに基づいて、別個のニューラルネットワークで融合する。
SpaceYOLOの自律型宇宙船検出の性能は、ハードウェア・イン・ザ・ループ実験において通常のYOLOv5と比較される。
論文 参考訳(メタデータ) (2023-02-02T02:11:39Z) - Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。
現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。
本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
論文 参考訳(メタデータ) (2021-06-14T20:48:48Z) - Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review [0.0]
異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。
データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。
本稿では,センサシステムの特定の領域における異常検出に使用される最先端手法について概説する。
論文 参考訳(メタデータ) (2020-10-27T09:56:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。