論文の概要: An Intelligent Fault Diagnosis Method for General Aviation Aircraft Based on Multi-Fidelity Digital Twin and FMEA Knowledge Enhancement

• arxiv url: http://arxiv.org/abs/2604.22777v1
• Date: Fri, 03 Apr 2026 06:20:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.172684
• Title: An Intelligent Fault Diagnosis Method for General Aviation Aircraft Based on Multi-Fidelity Digital Twin and FMEA Knowledge Enhancement
• Title（参考訳）: マルチフィデリティディジタルツインとFMEA知識強化に基づく一般航空機の知的故障診断法
• Authors: Zhihuan Wei, Yang Hu, Xinhang Chen, Yiming Zhang, Jie Liu, Wei Wang,
• Abstract要約: 本稿では,多要素ディジタルツインに基づく知的故障診断フレームワークを提案する。 JSBSim 6-of-freedom (6-DoF)フライトダイナミクスエンジンを用いてデジタルツインを構築する。 故障モードと影響解析(FMEA)に基づくインジェクションエンジンは、19種類のエンジン故障の物理的因果伝播をモデル化する。 1D-CNN分類器は、20の故障クラスのエンドツーエンド診断を行う。
• 参考スコア（独自算出の注目度）: 10.84751870897525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fault diagnosis of general aviation aircraft faces challenges including scarce real fault data, diverse fault types, and weak fault signatures. This paper proposes an intelligent fault diagnosis framework based on multi-fidelity digital twin, integrating four modules: high-fidelity flight dynamics simulation, FMEA-driven fault injection, multi-fidelity residual feature extraction, and large language model (LLM)-enhanced interpretable report generation. A digital twin is constructed using the JSBSim six-degree-of-freedom (6-DoF) flight dynamics engine, generating 23-channel engine health monitoring data via semi-empirical sensor synthesis equations. A three-layer fault injection engine based on failure mode and effects analysis (FMEA) models the physical causal propagation of 19 engine fault types. A multi-fidelity residual computation framework comprising paired-mirror residuals and GRU surrogate prediction residuals is proposed: the high-fidelity path obtains clean fault deviation signals using nominal mirror trajectories with identical initial conditions, while the low-fidelity path achieves online real-time residual computation through a multi-step prediction GRU surrogate model. A 1D-CNN classifier performs end-to-end diagnosis of 20 fault classes. An LLM diagnostic report engine enhanced with FMEA knowledge fuses classification results, residual evidence, and domain causal knowledge to generate interpretable natural language reports. Experiments show the paired-mirror residual scheme achieves a Macro-F1 of 96.2% on the 20-class task, while the GRU surrogate scheme achieves 4.3x inference acceleration at only 0.6% performance cost. Comparison across 24 schemes reveals that residual feature quality contributes approximately 5x more to diagnostic performance than classifier architecture, establishing the "residual quality first" design principle.
• Abstract（参考訳）: 一般航空機の故障診断は、少ない実断層データ、多様な断層タイプ、弱い断層シグネチャを含む課題に直面している。 本稿では,高忠実度フライトダイナミクスシミュレーション,FMEA駆動型フォールトインジェクション,マルチ忠実度残差特徴抽出,大規模言語モデル(LLM)拡張型解釈レポート生成の4つのモジュールを統合した,多忠実度ディジタルツインに基づくインテリジェントなフォールト診断フレームワークを提案する。 JSBSim 6-of-freedom (6-DoF)フライトダイナミクスエンジンを用いてディジタルツインを構築し、半経験的センサー合成方程式を用いて23チャンネルのエンジンの健康モニタリングデータを生成する。 故障モードと影響解析(FMEA)に基づく3層故障注入エンジンは,19種類のエンジン故障の物理的因果伝播をモデル化する。 ペアミラー残差とGRUサロゲート予測残差からなる多要素残差計算フレームワークを提案する。多段階予測GRUサロゲートモデルにより,低要素残差がオンラインリアルタイム残差計算を達成するのに対して,高信頼パスは名目ミラー軌跡を用いてクリーンな断層偏差信号を得る。 1D-CNN分類器は、20の故障クラスのエンドツーエンド診断を行う。 FMEA知識で強化されたLLM診断レポートエンジンは、分類結果、残留証拠、ドメイン因果知識を融合させ、解釈可能な自然言語レポートを生成する。 実験では、対ミラー残差スキームは20級タスクで96.2%のマクロF1を達成する一方、GRUサロゲートスキームはわずか0.6%の性能コストで4.3倍の推論加速を達成する。 24のスキームを比較すると、残像品質は分類器アーキテクチャよりも診断性能に約5倍寄与し、「残留品質第一」の設計原理が確立される。

関連論文リスト

• FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
  我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。 病的シグネチャの最初の系統的周波数領域解析を行う。 周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2025-11-17T02:40:14Z)
• Double Helix Diffusion for Cross-Domain Anomaly Image Generation [47.093354259479234]
  本稿ではDH-Diff(Double Helix Diffusion)について紹介する。DH-Diffは高忠実度異常画像と画素レベルのアノテーションマスクを同時に合成する新しいクロスドメイン生成フレームワークである。 DH-Diffは二重ヘリックスにインスパイアされたユニークなアーキテクチャを採用し、特徴分離、接続、マージのために異なるモジュールをサイクリングする。 大規模な実験により、DH-Diffは多様性と信頼性において最先端の手法を著しく上回り、下流異常検出性能は大幅に向上した。
  論文  参考訳（メタデータ） (2025-09-16T08:06:07Z)
• Compound Fault Diagnosis for Train Transmission Systems Using Deep Learning with Fourier-enhanced Representation [2.4958651162443943]
  本稿では,複合故障診断のための周波数領域表現と1次元畳み込みニューラルネットワークを提案する。 提案手法は, 単断層17点, 複合断層42点において97.67%, 93.93%の精度を示した。
  論文  参考訳（メタデータ） (2025-04-09T09:01:18Z)
• A Multimodal Lightweight Approach to Fault Diagnosis of Induction Motors in High-Dimensional Dataset [1.768285973994044]
  誘導電動機(IM)の正確なAIベースの診断システムは、プロアクティブなメンテナンスを強化し、計画外のダウンタイムを軽減し、産業環境における全体的なメンテナンスコストを抑制する可能性を秘めている。 研究者らは、信号処理(SP)、機械学習(ML)、ディープラーニング(DL)、BRB故障のハイブリッドアーキテクチャを用いた様々な故障診断手法を提案している。 本稿では,1,2,3,4のBRB断層を電流信号と振動信号データを用いて診断するために,ShuffleNetV2というトランスファーラーニングに基づく軽量DLモデルを用いて,BRB断層の大規模データを実装する。
  論文  参考訳（メタデータ） (2025-01-07T12:40:11Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Fault diagnosis for three-phase PWM rectifier based on deep feedforward network with transient synthetic features [0.0]
  過渡的な合成特徴を持つディープフィードフォワードネットワークに基づく断層診断手法を提案する。 平均断層診断精度は、過渡的な合成断層データに対して97.85%に達する。 オンライン断層診断実験により,本手法が故障IGBTを正確に検出できることが判明した。
  論文  参考訳（メタデータ） (2022-11-01T02:32:20Z)
• On-board Fault Diagnosis of a Laboratory Mini SR-30 Gas Turbine Engine [54.650189434544146]
  データ駆動型故障診断・隔離方式は, 燃料供給システムにおける故障とセンサ測定のために, 明確に開発されている。 モデルは機械学習の分類器を使用してトレーニングされ、トレーニングされた障害シナリオのセットをリアルタイムで検出する。 提案手法の利点, 性能, 性能を実証し, 実証するために, いくつかのシミュレーション実験を行った。
  論文  参考訳（メタデータ） (2021-10-17T13:42:37Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。