Fault Diagnosis for Underwater Vehicles using Moving Horizon Estimation and Gaussian Processes

Tief unter der Oberfläche, wo das Sonnenlicht verblasst und der Druck zunimmt, sind Unterwasserroboter mit einigen der kritischsten Missionen der Menschheit betraut. Von der Inspektion versunkener Ölplattformen bis hin zur Überwachung fragiler mariner Ökosysteme – diese Maschinen operieren in einer Umgebung, die feindselig, unvorhersehbar und unerbittlich ist. Ein einziger mechanischer Defekt, wie etwa ein ausfallender Antriebsschub eines Thrusters, kann eine Routineuntersuchung in den Verlust eines Fahrzeugs oder ein gescheitertes Projekt verwandeln. Da diese Roboter nach dem Einsatz nicht ohne Weiteres repariert werden können, suchen Ingenieure schon lange nach Wegen, ihnen die Fähigkeit zu geben, zu erkennen, wenn etwas nicht stimmt. Die Herausforderung besteht darin, einen echten mechanischen Ausfall von dem natürlichen, chaotischen Rauschen des Ozeans selbst zu unterscheiden. Das Wasser drückt und zieht am Fahrzeug auf eine Weise, die sich nicht perfekt vorhersagen lässt, was einen Nebel der Ungewissheit erzeugt, der oft die frühen Anzeichen eines Defekts maskiert.

Um dies zu lösen, haben Forscher der New York University Abu Dhabi ein neues System entwickelt, das es Unterwasserfahrzeugen ermöglicht, ihren eigenen Gesundheitszustand mit bemerkenswerter Präzision zu diagnostizieren, selbst wenn sich das umgebende Wasser auf unerwartete Weise verhält. Ihr Ansatz kombiniert ein mathematisches Modell darüber, wie sich das Fahrzeug bewegen sollte, mit einem Lernsystem, das versteht, wie sich das Fahrzeug in der realen Welt tatsächlich bewegt. Durch den Vergleich dieser beiden Perspektiven kann das System die spezifische Signatur eines defekten Thrusters vom allgemeinen Chaos der ungeplanten Wasserdynamik isolieren. In einer Versuchsreihe in einem großen Labor-Wassertank demonstrierte das Team, dass ihre Methode nicht nur erkennen konnte, wann ein Thruster ausfiel, sondern auch genau bestimmen konnte, welcher defekt war und wie viel Leistung er verloren hatte – und das alles, während sich das Fahrzeug in Bewegung befand.

Der Kern dieser Innovation liegt darin, wie die Forscher mit dem Unbekannten umgehen. Traditionelle Methoden verlassen sich auf eine perfekte mathematische Beschreibung des Fahrzeugs und seiner Umgebung. In der Realität ist jedoch kein Modell perfekt; Faktoren wie die Form des Rumpfes, die Viskosität des Wassers und das Vorhandensein von Trümmern erzeugen kleine, unvorhersehbare Kräfte, die ein Modell nicht berücksichtigen kann. Diese „ungeplanten Dynamiken“ sehen einem Standard-Diagnosesystem oft exakt wie ein Defekt aus, was zu Fehlalarmen oder übersehenen Detektionen führt. Die Forscher gingen dieses Problem an, indem sie eine Technik namens „Moving Horizon Estimator“ verwendeten. Stellen Sie sich ein System vor, das ständig auf die letzten Sekunden der Bewegung des Fahrzeugs zurückblickt und seinen tatsächlichen Pfad mit dem vergleicht, den das mathematische Modell vorhergesagt hat. Die Differenz zwischen den beiden wird als „geklumpte Störung“ (lumped disturbance) behandelt – ein einzelner Wert, der alles erfasst, was das Modell nicht berücksichtigt hat, einschließlich des natürlichen Rauschens des Wassers und eines potenziellen mechanischen Fehlers.

Um das Rauschen vom Defekt zu trennen, führten die Forscher eine zweite Ebene der Intelligenz mittels Gauß-Prozessen ein. Dies ist eine Art des maschinellen Lernens, die hervorragend darin ist, Muster aus Daten zu lernen und gleichzeitig zu messen, wie unsicher sie sich bei diesen Mustern ist. Bevor irgendwelche Fehler auftraten, ließen die Forscher das Fahrzeug verschiedene Manöver durchführen, um Daten darüber zu sammeln, wie es sich unter Normalbedingungen verhält. Sie speisten diese Daten in die Gauß-Prozess ein, welche lernte, das „Rauschen“ der ungeplanten Dynamik für jede gegebene Situation vorherzusagen. Wenn das Fahrzeug im Betrieb war, verglich das System die durch den ersten Layer geschätzte geklumpte Störung mit der Vorhersage der Gauß-Prozesse dessen, was das Rauschen sein sollte. Wenn der Unterschied zwischen den beiden klein war, galt das Fahrzeug als gesund. Wenn der Unterschied groß und statistisch signifikant war, signalisierte dies ein Problem.

Die Forscher testeten diesen Rahmen an einem kleinen, sieben-thruster-gestützten Unterwasserfahrzeug, bekannt als VideoRay Defender. Sie führten Experimente in einem 6,3 Meter mal 3,7 Meter großen Wassertank durch und nutzten ein Kamerasystem, um die Position des Fahrzeugs mit hoher Präzision zu verfolgen. In der ersten Testreihe wurde das Fahrzeug teleoperiert, was bedeutet, dass ein menschlicher Pilot seine Bewegungen über einen Joystick steuerte. Die Forscher simulierten einen vollständigen Ausfall eines der horizontalen Triebwerke, indem sie dessen Stromzufuhr unterbrachen. Innerhalb von zwei Sekunden nach dem Ausfall erkannte das System die Anomalie, identifizierte korrekt den spezifischen defekten Thruster und berechnete, dass seine Effektivität auf Null gesunken war. Das System erreichte dies durch die Analyse des Residualsignals – der Lücke zwischen der geschätzten Störung und der gelernten Rauschvorhersage –, welches den Signaturen des Defekts deutlich offenlegte.

Der wahre Test für die Robustheit des Systems kam während der Closed-Loop-Experimente, bei denen das Fahrzeug programmiert war, auf eigene Faust einer spezifischen elliptischen Bahn zu folgen, ohne menschliches Eingreifen. In diesen Szenarien musste das Fahrzeug ständig seine Thruster anpassen, um auf Kurs zu bleiben, was eine komplexe, dynamische Umgebung schuf. Die Forscher führten einen Teilfehler ein, indem sie die Leistung eines Thrusters auf nur 25 % seiner normalen Kapazität reduzierten. Das System identifizierte den Fehler erfolgreich, isolierte den spezifischen Thruster und schätzte das verbleibende Leistungsniveau genau ab. Entscheidend war auch, dass das Team einen Vergleichstest durchführte, bei dem sie die ungeplanten Dynamiken ignorierten und sich nur auf die rohen Störungsschätzungen verließen. Ohne die Lernkomponente erzeugte das System Fehlalarme, löste Warnungen aus, selbst wenn das Fahrzeug gesund war, und versagte bei der genauen Messung der Schwere des Defekts. Dies bestätigte, dass das Erlernen des Hintergrundrauschens essenziell für eine zuverlässige Diagnose war.

Die Ergebnisse, die über mehrere Szenarien hinweg validiert wurden – einschließlich eines vollständigen Thruster-Ausfalls und einer teilweisen Degradierung –, zeigen, dass der vorgeschlagene Rahmen einen bedeutenden Sprung nach vorn für die Sicherheit der Unterwasserrobotik darstellt. Durch die Integration eines modellbasierten Schätzers mit einem datengesteuerten Lernsystem schufen die Forscher ein Diagnosetool, das sowohl sensibel genug ist, um subtile Fehler zu erfassen, als auch robust genug, um die natürliche Turbulenz des Ozeans zu ignorieren. Während sich die aktuelle Arbeit auf Einzelfehler und kontrollierte Laborbedingungen konzentriert, deutet der Erfolg dieses Ansatzes auf eine Zukunft hin, in der Unterwasserfahrzeuge mit einem höheren Grad an Autonomie und Sicherheit operieren können, fähig zur Selbstdiagnose selbst in den anspruchsvollsten und unvorhersehbarsten Umgebungen. Das Team plant, diese Arbeit zu erweitern, um mehrere gleichzeitige Fehler zu handhaben und das System für den Einsatz im offenen Ozean anzupassen, wo die Umweltstörungen weitaus gravierender sind.