Questa pagina è stata tradotta automaticamente.
Completa un sondaggio di 1 minuto sulla qualità di questa traduzione.
JAXA sviluppa algoritmi di rilevamento guasti per la gestione della salute dei sistemi di propulsione spaziale
MATLAB consente agli ingegneri di sviluppare algoritmi di Machine Learning senza una vasta esperienza in scienza dei dati
“L'app di Machine Learning in MATLAB è stata assolutamente determinante nella creazione del modello di diagnostica dei guasti del sistema di propulsione. L'applicazione è stata in grado di classificare semplicemente le funzionalità e di utilizzarle per creare e valutare un modello di apprendimento della classificazione. Siamo stati in grado di valutare il costo computazionale, la versatilità e l'accuratezza dei modelli attraverso tentativi ed errori con una varietà di modelli. Si tratta di un'eccellente toolbox per coloro che non hanno una conoscenza approfondita del Machine Learning e desiderano introdurlo nel loro dominio.”
Risultati chiave
- L'implementazione di MATLAB per la manutenzione predittiva sui sistemi di propulsione spaziale ha ridotto i tempi e i costi del ciclo di sviluppo
- MATLAB ha consentito lo sviluppo end-to-end di applicazioni di diagnosi di guasti e manutenzione predittiva
- Un'app autonoma in loco ha consentito la valutazione e la caratterizzazione immediate dei dati di misurazione
La Japan Aerospace Exploration Agency (JAXA) sta sviluppando una tecnologia di prognosi e gestione della salute (PHM) per i sistemi di propulsione dei veicoli spaziali, allo scopo di migliorare la sicurezza e l'affidabilità delle future missioni sulla Luna, su Marte e nello spazio profondo. L'obiettivo sono le anomalie di spinta causate dall'intasamento del filtro o da guasti alle valvole nel sistema di alimentazione. Negli ultimi tempi i requisiti per i sistemi di propulsione sono diventati più severi ed è diventato necessario individuare rapidamente e con precisione questi guasti.
Per affrontare questa sfida, JAXA sta sviluppando un metodo di rilevamento della pressione che utilizza un sensore a reticolo di Bragg in fibra (FBG) non invasivo per ampliare la quantità di informazioni disponibili nel sistema di propulsione. Utilizzo di MATLAB® e Signal Processing Toolbox™, il team ha preelaborato i dati delle serie temporali, calcolato la FFT e applicato un filtro passa-alto. I dati di picco sono sincronizzati con la funzione di rilevamento del picco.
Inoltre, il team utilizza Predictive Maintenance Toolbox™ per esplorare e classificare in modo interattivo le funzionalità utilizzate per addestrare e confrontare i modelli di Machine Learning. Questo approccio consente agli ingegneri JAXA di sviluppare, valutare e implementare algoritmi PHM con un elevato grado di accuratezza.
Utilizzando questi strumenti, JAXA sta affrontando in modo efficace le sfide associate al monitoraggio dello stato del sistema di propulsione nelle applicazioni spaziali, promuovendo miglioramenti per rendere le operazioni dei veicoli spaziali più sicure e affidabili anche quando gli ingegneri non hanno una vasta esperienza in materia di scienza dei dati.
