Обнаружение отказов датчиков автономного подводного аппарата с использованием машинного обучения и генераторов рассогласования

Рассматривается задача обнаружения и локализации отказов датчиков инерциальной системы, используемых автономным подводным аппаратом при навигации. Предложен сравнительный анализ решений, которые базируются на различных моделях машинного обучения. На базе наблюдателей полного порядка построены направленные генераторы сигналов рассогласований для обнаружения и локализации отказов датчиков, используемых для измерения линейной и угловой скорости модели подводного аппарата. Рассмотрена динамика модели автономного подводного аппарата, движущегося с постоянной продольной скоростью в горизонтальной плоскости. Сформулированы условия, обеспечивающие корректное обнаружение отказов и чувствительность генераторов рассогласования к отказу отдельного датчика. Спроектированы функции, используемые в качестве признаков для предложенных методов машинного обучения. Выполнена настройка и проведен сравнительный анализ эффективности различных моделей машинного обучения в задаче диагностирования датчиков. Приведены результаты компьютерного моделирования, демонстрирующие высокую точность определения отказов при аугментации данных для обучения за счет сигналов рассогласования.

1. Babaei M., Shi J., Abdelwahed S. A Survey on Fault Detection, Isolation, and Reconfiguration Methods in Electric Ship Power Systems // IEEE Access. 2018. Vol. 6. P. 9430–9441.

2. Perera L. P. Marine Engine Centered Localized Models for Sensor Fault Detection under Ship Performance Monitoring // IFAC-PapersOnLine. 2016. Vol. 49, N 28. P. 91–96.

3. Samy I., Postlethwaite I., Gu D. W. Survey and application of sensor fault detection and isolation schemes // Control Engineering Practice. 2011. Vol. 19. P. 658–674.

4. Жирабок А. Н., Якшин А. С. Решение задачи диагностирования датчиков системы управления необитаемым подводным аппаратом // Мехатроника, автоматизация, управление. 2015. Т. 16, № 11б. С. 777–782.

5. Жирабок А. Н., Зуев А. В., Сергиенко О. Ю., Шумский А. Е. Идентификация дефектов в нелинейных динамических системах и их датчиках на основе скользящих наблюдателей // Автоматика и телемеханика. 2022. № 2. С. 63–89.

6. Chen J., Patton R. J. Robust model-based fault diagnosis for dynamic systems. Boston, MA: Kluwer Academic Publ/, 1999. 354 p.

7. Bazylev D., Margun A., Lyahovsky M., Iureva R. FDI approach for INS with fixed-time parameter estimation of USV // 10th Intern. Conf. on Control, Decision and Information Technologies, CoDIT 2024. P. 2827–2832.

8. Bazylev D., Margun A., Dobriborsci D. Fault Detection Algorithm of INS of Parametrically Uncertain Unmanned Vessel // 32nd Mediterranean Conf. on Control and Automation (MED), Chania — Crete, Greece, 2024. P. 191–196.

9. Do K. D., Pan J. Control of Ships and Underwater Vehicles. London: Springer, 2009. 418 p.

10. Li J., Zhang Y., Yao F., Liu X., Zhang M., Wang Z., Wang X. A Zonotopic Velocity Sensor Fault Detection Approach for Autonomous Underwater Vehicle. IFAC-PapersOnLine. 2023. Vol. 56. P. 8470–8475,

11. Fossen T. I. Handbook of marine craft hydrodynamics and motion control. John Wiley & Sons, 2011.

12. Sergiyenko O., Tyrsa V., Zhirabok A., Zuev A. Sensor Fault Identification in Linear and Nonlinear Dynamic Systems via Sliding Mode Observers // IEEE Sensors Journal, Vol. 22, N 11. P. 10173–10182.

13. Qian J., Song Z., Yao Y., Zhu Z., Zhang X. A review on autoencoder based representation learning for fault detection and diagnosis in industrial processes // Chemometrics and Intelligent Laboratory Systems. 2022. Vol. 231, Paper 104711.

14. Spyridon P., Boutalis Y. S. Generative Adversarial Networks for Unsupervised Fault Detection // European Control Conf. (ECC). 2018. P. 691–696.

15. Lo N. G., Flaus J. -M., Adrot O. Review of Machine Learning Approaches In Fault Diagnosis applied to IoT Systems // Intern. Conf. on Control, Automation and Diagnosis (ICCAD), Grenoble, France. 2019. P. 1–6.

16. Patel H. R. Fuzzy-based metaheuristic algorithm for optimization of fuzzy controller: fault-tolerant control application // Intern. Journal of Intelligent Computing and Cybernetics. 2022. Vol. 15, N 4. P. 599–624.

17. Patel H., Shah V. Fuzzy Logic Based Metaheuristic Algorithm for Optimization of Type-1 Fuzzy Controller: FaultTolerant Control for Nonlinear System with Actuator Fault // IFAC-PapersOnLine. 2022. Vol. 55. P. 715–721.

18. Sun B., Zhu D., Yang S. X. A novel tracking controller for autonomous underwater vehicles with thruster fault accommodation // The Journal of Navigation. 2016. Vol. 69, N 3. P. 593–612.

19. Liu X., Zhang M., Rogers E. Trajectory tracking control for autonomous underwater 3 vehicles based on fuzzy replanning of a local desired trajectory // IEEE Trans. on Vehicular Technology. 2019. Vol. 68, N 12. P. 11657–11667.

20. Liu X., Zhang M., Wang S. Adaptive region tracking control with prescribed transient performance for autonomous underwater vehicle with thruster fault // Ocean Engineering. 2020. Vol. 196. Paper 106804,

21. Podder T. K., Antonelli G., Sarkar N. An experimental investigation into the fault-tolerant control of an autonomous underwater vehicle // Advanced Robotics. 2001. N 15(5). P. 501–520.

22. Krener A. J., Respondek W. Nonlinear observers with linearizable error dynamics // SIAM Journal on Control and Optimization. 1985. Vol. 23, N 2. P. 197–216,

23. Kazantzis N., Kravaris C. Nonlinear observer design using Lyapunov’s auxiliary theorem // Systems and Control Letters. 1998. Vol. 34, N 5. P. 4802–4807.

24. Андриевский Б. Р., Бобцов А. А., Фрадков А. Л. Методы анализа и синтеза нелинейных систем управления. М.–Ижевск: Ин-т компьютерных исследований, 2018. 335 с.

25. Орельен Ж. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем: Пер. с англ. СПб: Альфа-книга, 2018. 688 с.

26. Kopitar L., Kocbek P., Cilar L. et al. Early detection of type 2 diabetes mellitus using machine learning-based prediction models // Scientific Reports. 2020. Vol. 10, art. 11981.

27. https://github.com/dmlc/xgboost

28. https://github.com/microsoft/LightGBM

29. https://github.com/catboost/catboost