Cette page a été traduite automatiquement.
Merci de bien vouloir compléter un sondage de 1 minute concernant la qualité de cette traduction.
JAXA développe des algorithmes de détection de pannes pour la gestion de l'état des systèmes de propulsion spatiale
MATLAB permet aux ingénieurs de développer des algorithmes de Machine Learning sans expérience approfondie en Data Science
« L’application de Machine Learning de MATLAB a joué un rôle essentiel dans la création du modèle de diagnostic des pannes du système de propulsion. L'application a pu classer simplement les caractéristiques et les utiliser pour créer et évaluer un modèle d'apprentissage de classification. Nous avons pu évaluer le coût de calcul, la polyvalence et la précision des modèles par essais et erreurs avec une variété de modèles. C'est une excellente toolbox pour ceux qui n'ont pas de connaissances approfondies en Machine Learning pour l’introduire dans leur domaine. »
Principaux résultats
- Le déploiement de MATLAB pour la maintenance prédictive des systèmes de propulsion spatiale a réduit le temps et les coûts du cycle de développement.
- MATLAB a permis le développement de bout en bout d'applications de diagnostic de pannes et de maintenance prédictive.
- Une application autonome sur site a permis l'évaluation et la caractérisation immédiates des données de mesure.
L'Agence japonaise d'exploration aérospatiale (JAXA) développe une technologie de pronostic et de gestion de la santé (PHM) pour les systèmes de propulsion des engins spatiaux, afin d'améliorer la sécurité et la fiabilité des futures missions vers la Lune, Mars et l'espace plus lointain. L’objectif est de détecter les anomalies de poussée causées par une obstruction du filtre ou une défaillance de vanne dans le système d'alimentation. Récemment, les exigences relatives aux systèmes de propulsion sont devenues plus strictes, ce qui nécessite d’identifier ces défaillances rapidement et avec précision.
Pour relever ce défi, JAXA développe une méthode de détection de pression utilisant un capteur à réseau de Bragg à fibre optique (FBG) non invasif pour augmenter la quantité d'informations disponibles dans le système de propulsion. En utilisant MATLAB® et Signal Processing Toolbox™, l'équipe a prétraité les données de séries temporelles, calculé la FFT et appliqué un filtre passe-haut. Les données de surtension sont synchronisées avec la fonction de détection des pics.
De plus, l’équipe utilise Predictive Maintenance Toolbox™ pour explorer et classer de manière interactive les caractéristiques utilisées pour former et comparer les modèles de Machine Learning. Cette approche permet aux ingénieurs de JAXA de développer, d’évaluer et de déployer des algorithmes PHM avec un haut degré de précision.
Grâce à ces outils, JAXA relève efficacement les défis associés à la surveillance de l’état des systèmes de propulsion dans les applications spatiales, en apportant des améliorations pour rendre les opérations des engins spatiaux plus sûres et plus fiables, même lorsque les ingénieurs n’ont pas une grande expérience en Data Science.
