Diese Seite wurde maschinell übersetzt.
Füllen Sie bitte eine 1-Minuten-Befragung zur Qualität dieser Übersetzung aus.
JAXA entwickelt Fehlererkennungsalgorithmen für das Betriebszustandsmanagement von Raumfahrtantriebssystemen
MATLAB ermöglicht Ingenieuren die Entwicklung von Algorithmen für Machine Learning ohne umfassende Data-Science-Erfahrung
„Die Machine-Learning-App in MATLAB war beim Erstellen des Fehlerdiagnosemodells für das Antriebssystem von entscheidender Bedeutung. Die Anwendung konnte die Merkmale einfach bewerten und sie zum Erstellen und Bewerten eines Klassifizierungslernmodells verwenden. Durch Ausprobieren verschiedener Modelle konnten wir den Rechenaufwand, die Vielseitigkeit und die Genauigkeit der Modelle bewerten. Es handelt sich um eine hervorragende Toolbox für diejenigen, die keine tiefgreifenden Kenntnisse im Machine Learning haben, um es in ihren Bereich einzuführen.“
Wichtigste Ergebnisse
- Der Einsatz von MATLAB für die Predictive Maintenance von Raumfahrtantriebssystemen reduzierte Entwicklungszeit und -kosten
- MATLAB ermöglichte die durchgängige Entwicklung von Anwendungen zur Fehlerdiagnose und Predictive Maintenance
- Eine eigenständige App vor Ort ermöglichte die sofortige Auswertung und Charakterisierung der Messdaten
Die japanische Raumfahrtagentur JAXA entwickelt Prognose- und Betriebszustandsmanagement-Technologien (PHM) für Antriebssysteme von Raumfahrzeugen, um die Sicherheit und Zuverlässigkeit künftiger Missionen zum Mond, zum Mars und in den Weltraum zu verbessern. Ziel sind Schubanomalien, die durch Filterverstopfungen oder Ventilfehler im Versorgungssystem verursacht werden. In letzter Zeit sind die Anforderungen an Antriebssysteme gestiegen und es besteht die Notwendigkeit, diese Fehler schnell und genau zu identifizieren.
Um dieser Herausforderung zu begegnen, entwickelt JAXA eine Drucksensormethode unter Verwendung eines nichtinvasiven Faser-Bragg-Gitter-Sensors (FBG), um die Menge der im Antriebssystem verfügbaren Informationen zu erweitern. Mithilfe von MATLAB® und der Signal Processing Toolbox™ hat das Team die Zeitreihendaten vorverarbeitet, die FFT berechnet und einen Hochpassfilter angewendet. Die Anstiegsdaten werden mit der Spitzenerkennungsfunktion synchronisiert.
Darüber hinaus nutzt das Team die Predictive Maintenance Toolbox™, um Funktionen, die zum Trainieren und Vergleichen von Modellen des Machine Learning verwendet werden, interaktiv zu erkunden und zu bewerten. Dieser Ansatz ermöglicht es den Ingenieuren von JAXA, PHM-Algorithmen mit einem hohen Maß an Genauigkeit zu entwickeln, zu bewerten und einzusetzen.
Mithilfe dieser Tools begegnet JAXA wirksam den Herausforderungen, die mit der Zustandsüberwachung von Antriebssystemen in Weltraumanwendungen verbunden sind, und treibt Verbesserungen voran, um den Betrieb von Raumfahrzeugen sicherer und zuverlässiger zu machen, selbst wenn die Ingenieure nicht über umfassende Erfahrung in der Datenwissenschaft verfügen.
