文献

J-GLOBAL ID：202202220644049618   整理番号：22A1037949

ロバストなデータ駆動故障検出:航空機空気データセンサへの応用【JST・京大機械翻訳】

Robust Data-Driven Fault Detection: An Application to Aircraft Air Data Sensors

著者 (5件)： Zhao Yunmei (Department of Aeronautics and Astronautics, Fudan University, Shanghai 200433, China) ,  Zhao Yunmei (School of Aerospace Engineering and Applied Mechanics, Tongji University, Shanghai 200092, China) ,  Zhao Hang (Department of Aeronautics and Astronautics, Fudan University, Shanghai 200433, China) ,  Ai Jianliang (Department of Aeronautics and Astronautics, Fudan University, Shanghai 200433, China) ,  Dong Yiqun (Department of Aeronautics and Astronautics, Fudan University, Shanghai 200433, China)
資料名： International Journal of Aerospace Engineering (Web)  (International Journal of Aerospace Engineering (Web))
巻： 2022  ページ： Null  発行年： 2022年 
JST資料番号： U7708A  ISSN： 1687-5966  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 故障検出(FD)は,動的システムの健康監視と安全運転にとって重要である。以前の研究では,システム仕様に敏感であり,ロバスト性を減衰するモデルベースアプローチを用いた。データ駆動方法は,異なるケースにうまくスケールする正確な性能を持つが,しかし,アルゴリズム構造と閉鎖操作は,そのロバスト性を脅かす「ブラック」である。これらの問題に取り組むために,航空機空気データセンサのFD問題を例証し,典型的なデータ駆動方式,すなわち,深層ニューラルネットワーク(DNN)を用いて,ロバスト(正確,スケーラブル,説明可能,解釈可能)FD方式を開発する。スケーラビリティを保証するために,航空機慣性基準ユニット測定をDNNへの等価入力として採用し,6つの異なる航空機/飛行条件に関連したデータベースを構築した。畳込みニューラルネットワーク(CNN)と長時間メモリ(LSTM)ブロックを,正確なFD性能のためのDNN方式で使用した。DNNのロバスト性を高めるために,著者らはまた,あるコンテキスト(例えば,オブジェクト検出)内の人間(例えばCNNにおけるクラス活性化マッピング)の主観的理解を伝える,あるメトリック(例えば,精度)と「小さな構造」を通して,客観的に最適化できるパラメータ(例えば,CNNカーネルサイズ)に対応する,2つの新しい概念を開発した。正確な(90%)とスケーラブルな(24の多様なケース)性能をもたらすDNN大規模構造の考案に採用された最適化プロセスを説明した。また,DNN小構造をクラス活性化マッピングにより解釈し,有望な結果をもたらし,DNNのロバスト性を確めた。著者らが学習した教訓と経験も本論文で要約し,他の類似分野におけるFD問題に対処するのに有益であると信じる。Copyright 2022 Yunmei Zhao et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  記憶装置 ,  最適化 ,  *航空機 ,  データベース ,  動的系 ,  ニューラルネットワーク ,  *故障検出 ,  飛翔 ,  条件 ,  *データフロー制御 ,  *ロバスト性
準シソーラス用語： モデルベース ,  物体検出 ,  *データ駆動 ,  ディープニューラルネットワーク ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (70件)：

• J. Levine, X-31’s loss, 2004, Accessed September 2020 URL http://www.nasa.gov/centers/dryden/news/X-Press/stories/2004/013004/new_x31.html.
• F. Bureau d’Enquetes, et d’Analyses pour la securite de l’aviation civile, Paris, Report 3: on the accident on 1 june 2009 To the Airbus a330-203 Registered f-Gzcp Operated by Air France Flight Af 447 Rio de Janeiro-Paris, 2011, Accessed September 2020 URL https://www.bea.aero/docspa/2009/f-cp090601e3.en/pdf/f-cp090601e3.en.pdf.
• FAA, FAA Updates on Boeing 737 MAX, 2020, Accessed October, 2020 https://www.faa.gov/news/updates/?newsId=93206.
• P. Goupil, J. Boada-Bauxell, A. Marcos, E. Cortet, M. Kerr, H. Costa, "Airbus efforts towards advanced real-time fault diagnosis and fault tolerant control," IFAC Proceedings Volumes, vol. 47, no. 3, pp. 3471-3476, 2014.
• E. Dubrova, Fault-tolerant design, Springer, 2013.

タイトルに関連する用語 (5件)： ロバスト ,  データ駆動 ,  故障検出 ,  航空機 ,  応用