L. N Srividya / Ms. D. Banu Kranthi
L’article Maintenance prédictive et détection d’anomalies basées sur l’apprentissage profond pour les moteurs de vaisseaux spatiaux présente un cadre intelligent qui utilise des techniques d’apprentissage profond pour surveiller l’état des moteurs de vaisseaux spatiaux, identifier les conditions de fonctionnement anormales et prédire les défaillances potentielles avant qu’elles ne se produisent. En analysant les données des capteurs collectées pendant le fonctionnement des moteurs, l’approche proposée détecte des schémas cachés et les premiers signes de dégradation, ce qui permet d’effectuer une maintenance en temps opportun et de réduire le risque d’échec de la mission. Des modèles avancés de réseaux neuronaux, tels que les architectures récurrentes et convolutives, améliorent la précision de la détection des défauts et facilitent la prise de décision en temps réel. Le système proposé renforce la fiabilité des engins spatiaux, minimise les coûts de maintenance, prolonge la durée de vie des moteurs et contribue à des missions spatiales plus sûres et plus efficaces. Cette recherche démontre le potentiel de l’intelligence artificielle pour transformer les stratégies de maintenance prédictive dans l’industrie aérospatiale.
