Esta página fue traducida automáticamente.
Complete una encuesta de 1 minuto sobre la calidad de esta traducción.
JAXA desarrolla algoritmos de detección de fallos para la gestión de la salud de sistemas de propulsión espacial
MATLAB permite desarrollar algoritmos de Machine Learning con poca experiencia en data science.
“La app de Machine Learning en MATLAB fue absolutamente fundamental para construir el modelo de diagnóstico de fallos del sistema de propulsión. La aplicación pudo simplemente clasificar las características y utilizarlas para construir y evaluar un modelo de aprendizaje de clasificación. Pudimos evaluar la carga computacional, la versatilidad y la precisión de los modelos a través de prueba y error con una variedad de modelos. “Es una excelente toolbox para aquellos que no tienen un conocimiento profundo de Machine Learning para introducirlo en su dominio”.
Resultados principales
- El despliegue de MATLAB para mantenimiento predictivo en sistemas de propulsión espacial redujo el tiempo y los costos del ciclo de desarrollo
- MATLAB permitió el desarrollo integral de aplicaciones de diagnóstico de fallos y mantenimiento predictivo
- Una app independiente local permitió evaluar y caracterizar los datos de medición inmediatamente.
JAXA (Agencia de Exploración Aeroespacial de Japón) está desarrollando tecnología de pronóstico y gestión de la salud (PHM) para sistemas de propulsión de naves espaciales a fin de mejorar la seguridad y confiabilidad de futuras misiones a la Luna, Marte y el espacio profundo. El objetivo son las anomalías de propulsión causadas por la obstrucción del filtro o un fallo de la válvula en el sistema de suministro. Recientemente, los requisitos para los sistemas de propulsión se han vuelto más exigentes y es necesario identificar estos fallos con rapidez y precisión.
Para abordar este desafío, JAXA está desarrollando un método de detección de presión que utiliza un sensor de rejilla de Bragg de fibra óptica (FBG) no invasivo para ampliar la cantidad de información disponible en el sistema de propulsión. Con MATLAB® y Signal Processing Toolbox™, el equipo preprocesó los datos de series temporales, calculó la FFT y aplicó un filtro de paso alto. Los datos de sobretensión se sincronizaron con la función de detección de picos.
También se utilizó Predictive Maintenance Toolbox™ para explorar y clasificar de forma interactiva las características utilizadas para entrenar y comparar modelos de Machine Learning. Este enfoque permite desarrollar, evaluar e implementar algoritmos de PHM con un alto grado de precisión.
Con estas herramientas, JAXA logra abordar eficazmente los desafíos asociados con el monitoreo de la salud del sistema de propulsión en aplicaciones espaciales, impulsando mejoras para que las operaciones de naves espaciales sean más seguras y confiables incluso cuando los ingenieros no cuentan con experiencia en data science.
