Sensor Selection and Optimization for Health Assessment of Aerospace Systems

Maul, William A.; Kopasakis, George; Santi, L. Michael; Sowers, T. Shane; Chicatelli, Amy

doi:10.2514/6.2007-2849

Cited by 16 publications

(14 citation statements)

References 22 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Other authors, such as Maul et al [6], introduce penalty factors in their sensor valuation methods, which are used to devalue the sensor suite if the number of sensors in the suite exceeds the set amount. Whilst this is a way of preventing sensor suites that have more sensors than desired being selected, it also introduces subjectivity into the methodology, potentially resulting in a different selection of sensors if the sensor selection process is repeated by multiple analysts.…”

Section: Introductionmentioning

confidence: 99%

A sensor selection method using a performance metric for phased missions of aircraft fuel systems

Reeves

Remenyte‐Prescott

Andrews

et al. 2018

Reliability Engineering & System Safety

View full text Add to dashboard Cite

Component failures in complex systems, such as aircraft fuel systems, can have catastrophic effects on system performance. There are a large number of components in these systems, each with a number of different failure modes, some of which can cause system failure. In order to detect and diagnose these component failures, sensors that monitor system performance need to be included. However, the number of sensors installed is typically limited by sensor cost and weight. An approach for selecting sensors could be taken considering sensor usefulness for fault diagnostics. In this paper, the sensor performance metric proposed by Reeves et al. [1] is extended to consider a phased mission operation, with component failures occurring at various points in the mission. The performance metric favours sensors that can detect the most failures, the failures that affect the system for longest and the failures that cause system failure. In addition, the performance metric considers the ability of sensors to distinguish between component failures, i.e. to diagnose which components have caused the faults observed by these sensors. The proposed approach is illustrated on the Airbus A380-800 fuel system, where the best combination is found using the performance metric within a Genetic Algorithm method.

show abstract

Section: Introductionmentioning

confidence: 99%

A sensor selection method using a performance metric for phased missions of aircraft fuel systems

Reeves

Remenyte‐Prescott

Andrews

et al. 2018

Reliability Engineering & System Safety

View full text Add to dashboard Cite

show abstract

“…A performance metric for aircraft systems was developed by Maul et al, 5 which was demonstrated using a subsystem of a space shuttle main engine. This method considers whether the sensors can detect enough of the failures, whether the sensor selection can discriminate between the component failures in order to be able to diagnose them and whether the sensor selection can account for sensor failures.…”

Section: Introductionmentioning

confidence: 99%

“…The method consists of a sensor coverage index and a diagnosability index. However, like Maul et al, 5 the diagnosability index includes a weighting factor which represents the relative importance of different fault types. This requires the importance of each type of fault to be determined and may introduce some subjectivity into the method.…”

Section: Introductionmentioning

confidence: 99%

“…A number of authors, such as Santi et al, 9 Spanache et al 10 and Maul et al, 5 used genetic algorithms to optimise the sensor selection process for various systems, including aircraft/spacecraft and a benchmark actuator. This enables a large number of different sensor combinations to be considered, without evaluating all possible combinations, especially avoiding those that have low fitness function value, used as the sensor selection criterion.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Sensor selection for fault diagnostics using performance metric

Reeves

Remenyte‐Prescott

Andrews

2018

Proceedings of the Institution of Mechanical Engineers, Part O:

View full text Add to dashboard Cite

As technology advances, modern systems are becoming increasingly complex, consisting of large numbers of components, and therefore large numbers of potential component failures. These component failures can result in reduced system performance, or even system failure. The system performance can be monitored using sensors, which can help to detect faults and diagnose failures present in the system. However, sensors increase the weight and cost of the system, and therefore, the number of sensors may be limited, and only the sensors that provide the most useful system information should be selected. In this article, a novel sensor performance metric is introduced. This performance metric is used in a sensor selection process, where the sensors are chosen based on their ability to detect faults and diagnose failures of components, as well as the effect the component failures have on system performance. The proposed performance metric is a suitable solution for the selection of sensors for fault diagnostics. In order to model the outputs that would be measured by the sensors, a Bayesian Belief Network is developed. Sensors are selected using the performance metric, and sensor readings can be introduced in the Bayesian Belief Network. The results of the Bayesian Belief Network can then be used to rank the component failures in order of likelihood of causing the sensor readings. To illustrate the proposed approach, a simple flow system is used in this article.

show abstract

“…Genetic algorithms that have been developed by John Holland [51] are search algorithm based on the mechanics of natural selection and natural genetics. Several researchers have proposed methods to select locations of sensors for structural health monitoring [43], health assessment of aerospace systems [73] or leak detection and calibration [152].…”

Section: Future Workmentioning

confidence: 99%

Rarefied gas pipe network analysis via kinetic theory

Misdanitis¹,

Μισδανίτης²

View full text Add to dashboard Cite

Το θέμα της παρούσας διδακτορικής διατριβής εστιάζει στην ανάπτυξη ενός αλγορίθμου προσομοίωσης δικτύων αερίων υπό αραιοποιημένες συνθήκες μέσω κινητικής θεωρίας. Η περιοχή αυτή είναι γνωστή σαν αραιοποιημένη αεριοδυναμική (rarefied gas dynamics) με πολλές τεχνολογικές εφαρμογές εκ των οποίων τα μικρο-ηλεκτρομηχανολογικά συστήματα και η τεχνολογία κενού να είναι αυτές που εξελίσσονται με πολύ γρήγορους ρυθμούς. Σημειώνεται ότι ενώ στο συνεχές όριο, υπολογιστικά πακέτα (αλγόριθμοι) σχεδιασμού δικτύων σωληνώσεων (όπως δίκτυα συμπιεσμένου αέρα ή φυσικού αερίου, κτλ.) είναι ευρέως διαδεδομένα, αντίστοιχα υπολογιστικά εργαλεία για το σχεδιασμό δικτύων σε συνθήκες χαμηλής πίεσης (υψηλού, μέτριου ή χαμηλού κενού) είναι αρκετά περιορισμένα. Αξιοποιώντας την πολύχρονη εμπειρία του Eργαστηρίου Φυσικών & Χημικών Διεργασιών σε αριθμητικές μεθόδους μεσοκλίμακας, στο πλαίσιο της διατριβής αναπτύσσεται και εφαρμόζεται σύνθετο λογισμικό προσομοίωσης κυκλοφορίας αραιοποιημένων αερίων σε δίκτυα σωληνώσεων σε όλο το εύρος του αριθμού Knudsen. Για την υλοποίηση αυτού του εγχειρήματος δημιουργείται εκτενής βάση δεδομένων για πλήρως ανεπτυγμένες και αναπτυσσόμενες ροές μέσα από αγωγούς μεγάλου, μεσαίου και μικρού μήκους, συμπεριλαμβανομένων των φαινομένων εισόδου/εξόδου στα άκρα των αγωγών. Αυτό επιτυγχάνεται επιλύοντας κινητικές εξισώσεις με αναβαθμισμένους και παράλληλους αλγορίθμους διακριτών μοριακών ταχυτήτων, ενώ η χρήση του λογισμικού υποβοηθείται από ένα γραφικό περιβάλλον το οποίο αναπτύχθηκε για το σκοπό αυτό. Η τελική μορφή του αλγορίθμου αποτελείται από α) την εισαγωγή των γεωμετρικών χαρακτηριστικών και λειτουργικών χαρακτηριστικών του δικτύου προς επίλυση, β) τον ορισμό των βρόχων και των ψευδο-βρόχων, γ) τη διαμόρφωση και επίλυση των εξισώσεων διατήρησης μάζας και ενέργειας, δ) τη βάση δεδομένων που έχει προκύψει από αποτελέσματα κινητικών εξισώσεων και χρησιμοποιείται για την επίλυση των εξισώσεων διατήρησης και ε) τα αποτελέσματα του αλγορίθμου τα οποία αναφέρονται σε τιμές πίεσης στους κόμβους του δικτύου καθώς και σε τιμές μαζικής και ογκομετρικής παροχής μέσα από τις σωληνώσεις του δικτύου. Πιο συγκεκριμένα, το σύστημα των εξισώσεων το οποίο περιγράφει το δίκτυο αποτελείται από τις εξισώσεις πτώσης πίεσης σε κάθε έναν από τους αγωγούς του δικτύου σε συνδυασμό με τις εξισώσεις διατήρησης μάζας σε κάθε έναν από τους κόμβους του δικτύου. Στην περίπτωση που το δίκτυο είναι πλήρως ορισμένο, οι εξισώσεις πτώσης πίεσης ανάγονται σε ισοζύγια ενέργειας ανάμεσα στους κλειστούς βρόχους του δικτύου και τους ψευδο-βρόχους που ενώνουν κόμβους γνωστών ιδιοτήτων (π.χ. γνωστές τιμές πίεσης). Το σύστημα των εξισώσεων λύνεται επαναληπτικά έχοντας ως άγνωστο τις τιμές των παροχών υποθέτοντας αρχικά τις τιμές των πιέσεων στους κόμβους του δικτύου, όπου αυτές δεν είναι από την αρχή γνωστές. Σε κάθε βήμα, μετά την επίλυση του συστήματος των εξισώσεων, οι τιμές των πιέσεων ανανεώνονται σύμφωνα με τις τιμές της αδιάστατης παροχής κάνοντας χρήση των σχέσεων πτώσης πίεσης για κάθε έναν από τους αγωγούς του δικτύου. Τα βήματα αυτά αποτελούν τον πυρήνα μιας επαναληπτικής διαδικασίας η οποία τερματίζεται με την ικανοποίηση του κριτηρίου σύγκλισης το οποίο εφαρμόζεται στις τιμές των πιέσεων στους κόμβους. Το υπολογιστικό πακέτο φέρει το όνομα ARIADNE (Algorithm for Rarefied gas flow in Arbitrary Distribution Networks). Η αποτελεσματικότητα και η ακρίβεια του αλγορίθμου ελέγχθηκε με την προσομοίωση διαφόρων δικτύων σωληνώσεων στο υδροδυναμικό όριο, συγκρίνοντας τα αποτελέσματα με αντίστοιχα που προκύπτουν από τυπικό αλγόριθμο που βασίζεται στις υδροδυναμικές εξισώσεις επιστρέφοντας πολύ καλή συμφωνία τόσο στις παροχές των αγωγών, όσο και στις πιέσεις των κόμβων του δικτύου. Επιπλέον, στην ελεύθερη μοριακή περιοχή και στην μεταβατική πραγματοποιήθηκαν συγκρίσεις με το λογισμικό ITERVAC, το οποίο είναι ένας ημι-εμπειρικός αλγόριθμος, επιστρέφοντας πολύ καλή συμφωνία. Τέλος, το λογισμικό εφαρμόστηκε στην επίλυση δικτύων που προσεγγίζουν το σύστημα άντλησης αερίων του αντιδραστήρα σύντηξης ITER. Με βάση τα παραπάνω η παρούσα διδακτορική διατριβή αναμένεται να αποτελέσει τον πυρήνα ενός γενικότερου αλγορίθμου για τη μελέτη ροών αερίων σε δίκτυα σωληνώσεων σε όλο το εύρος αραιοποίησης.

show abstract

Sensor Selection and Optimization for Health Assessment of Aerospace Systems

Abstract: Available electronically at http://gltrs.grc.nasa.gov Level of Review: This material has been technically reviewed by technical management.

Cited by 16 publications

References 22 publications

A sensor selection method using a performance metric for phased missions of aircraft fuel systems

A sensor selection method using a performance metric for phased missions of aircraft fuel systems

Sensor selection for fault diagnostics using performance metric

Rarefied gas pipe network analysis via kinetic theory

Contact Info

Product

Resources

About