💻 computer science

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

Este artículo propone un marco de diagnóstico de fallos robusto para vehículos submarinos que combina la Estimación de Horizonte Móvil con Procesos Gaussianos para distinguir los fallos de los actuadores de la dinámica no modelada, permitiendo la detección, el aislamiento y la estimación precisa de la magnitud, validados mediante experimentos de laboratorio.

Autores originales: Fotis Panetsos, Kostas J. Kyriakopoulos

Publicado 2026-09-16

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Fotis Panetsos, Kostas J. Kyriakopoulos

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En las profundidades, donde la luz del sol se desvanece y la presión aumenta, los robots submarinos tienen la tarea de llevar a cabo algunas de las misiones más críticas de la humanidad. Desde la inspección de plataformas petrolíferas sumergidas hasta el monitoreo de frágiles ecosistemas marinos, estas máquinas operan en un entorno hostil, impredecible e implacable. Un solo fallo mecánico, como que un propulsor pierda potencia, puede convertir una encuesta rutinaria en un vehículo perdido o una misión fallida. Debido a que estos robots no pueden repararse fácilmente una vez desplegados, los ingenieros han buscado durante mucho tiempo formas de darles la capacidad de reconocer cuándo algo va mal. El desafío radica en distinguir una avería mecánica genuina del ruido natural y caótico del propio océano. El agua empuja y tira del vehículo de formas que son difíciles de predecir perfectamente, creando una niebla de incertidumbre que a menudo enmascara los signos tempranos de un fallo.

Para resolver esto, investigadores de la Universidad de Nueva York Abu Dabi han desarrollado un nuevo sistema que permite a los vehículos submarinos diagnosticar su propia salud con una precisión notable, incluso cuando el agua circundante se comporta de maneras inesperadas. Su enfoque combina un modelo matemático de cómo debería moverse el vehículo con un sistema de aprendizaje que entiende cómo se mueve el vehículo realmente en el mundo real. Al comparar estas dos perspectivas, el sistema puede aislar la firma específica de un propulsor averiado del caos general de la dinámica del agua no modelada. En una serie de pruebas dentro de un gran tanque de agua de laboratorio, el equipo demostró que su método podía no solo detectar cuándo fallaba un propulsor, sino también señalar exactamente cuál estaba roto y calcular cuánta potencia había perdido, todo ello mientras el vehículo estaba en movimiento.

El núcleo de esta innovación reside en cómo los investigadores gestionan lo desconocido. Los métodos tradicionales dependen de una descripción matemática perfecta del vehículo y su entorno. Sin embargo, en la realidad, ningún modelo es perfecto; factores como la forma del casco, la viscosidad del agua y la presencia de escombros crean fuerzas pequeñas e impredecibles que el modelo no puede contabilizar. Estas "dinámicas no modeladas" a menudo parecen exactamente un fallo para un sistema de diagnóstico estándar, lo que provoca falsas alarmas o detecciones omitidas. Los investigadores abordaron esto utilizando una técnica llamada Estimador de Horizonte Móvil. Imagine un sistema que observa constantemente los últimos segundos del movimiento del vehículo, comparando su trayectoria real con el lugar donde el modelo matemático predijo que debería estar. La diferencia entre ambos se trata como una "perturbación agrupada", un único valor que captura todo lo que el modelo omitió, incluyendo tanto el ruido natural del agua como cualquier posible fallo mecánico.

Para separar el ruido del fallo, el equipo introdujo una segunda capa de inteligencia utilizando Procesos Gaussianos. Este es un tipo de aprendizaje automático que destaca al aprender patrones de los datos mientras mide simultáneamente qué tan incierto es respecto a esos patrones. Antes de que ocurriera cualquier fallo, los investigadores sometieron al vehículo a diversas maniobras para recopilar datos sobre cómo se comportaba en condiciones normales. Introdujeron estos datos en el Proceso Gaussiano, el cual aprendió a predecir el "ruido" de las dinámicas no modeladas para cualquier situación dada. Cuando el vehículo operaba, el sistema comparaba la perturbación agrupada estimada por la primera capa contra la predicción del Proceso Gaussiano de cómo debería ser el ruido. Si la diferencia entre los dos era pequeña, el vehículo estaba sano. Si la diferencia era grande y estadísticamente significativa, señalaba un problema.

Los investigadores probaron este marco de trabajo en un pequeño vehículo submarino de siete propulsores conocido como el VideoRay Defender. Realizaron experimentos en un tanque de agua que medía 6,3 metros por 3,7 metros, utilizando un sistema de cámaras para rastrear la posición del vehículo con alta precisión. En el primer conjunto de pruebas, el vehículo fue teleoperado, lo que significa que un piloto humano controlaba sus movimientos mediante un joystick. Los investigadores simularon un fallo completo en uno de los propulsores horizontales cortando su energía. Dentro de los dos segundos posteriores al fallo, el sistema detectó la anomalía, identificó correctamente el propulsor roto y calculó que su efectividad había caído a cero. El sistema logró esto analizando la señal residual —la brecha entre la perturbación estimada y la predicción de ruido aprendida— que revelaba claramente la firma del fallo.

La verdadera prueba de la robustez del sistema llegó durante los experimentos de bucle cerrado, donde el vehículo fue programado para seguir una trayectoria elíptica específica por su cuenta, sin intervención humana. En estos escenarios, el vehículo tenía que ajustar constantemente sus propulsores para mantenerse en el curso, creando un entorno complejo y dinámico. Los investigadores introdujeron un fallo parcial, reduciendo la potencia de un propulsor a solo el 25% de su capacidad normal. El sistema identificó con éxito el fallo, aisló el propulsor específico y estimó con precisión el nivel de potencia restante. Crucialmente, el equipo también realizó una prueba de comparación en la que ignoraron las dinámicas no modeladas y dependieron únicamente de las estimaciones de perturbación bruta. Sin el componente de aprendizaje, el sistema generaba falsas alarmas, activando advertencias incluso cuando el vehículo estaba sano, y no lograba medir con precisión la gravedad del fallo. Esto confirmó que aprender el ruido de fondo era esencial para un diagnóstico fiable.

Los resultados, validados a través de múltiples escenarios que incluyen el fallo total del propulsor y la degradación parcial, muestran que el marco propuesto ofrece un salto significativo en la seguridad de la robótica submarina. Al integrar un estimador basado en modelos con un sistema de aprendizaje basado en datos, los investigadores crearon una herramienta de diagnóstico que es lo suficientemente sensible para detectar fallos sutiles y lo suficientemente robusta para ignorar la turbulencia natural del océano. Aunque el trabajo actual se centra en fallos únicos y condiciones controladas de laboratorio, el éxito de este enfoque sugiere un futuro donde los vehículos submarinos puedan operar con un mayor grado de autonomía y seguridad, siendo capaces de autodiagnosticarse incluso en los entornos más desafiantes e impredecibles. El equipo planea extender este trabajo para manejar múltiples fallos simultáneos y adaptar el sistema para su uso en el océano abierto, donde las perturbaciones ambientales son mucho más severas.

Resumen Técnico: Diagnóstico de Fallas para Vehículos Subacuáticos mediante Estimación de Horizonte Móvil y Procesos Gaussianos

Planteamiento del Problema
Los vehículos subacuáticos (UV) operan en entornos complejos donde las fallas de los actuadores, particularmente en los propulsores debido al desgaste, la bioincrustación o el enredo, representan riesgos significativos para la seguridad y el éxito de la misión. Aunque existen técnicas de Detección y Diagnóstico de Fallas (FDD), estas enfrentan un desafío crítico: distinguir entre una falla real del actuador y la "dinámica no modelada" (por ejemplo, efectos hidrodinámicos, incertidumbres de parámetros y simplificaciones de modelos). Los enfoques basados en modelos suelen depender de modelos dinámicos precisos; sin embargo, las discrepancias entre los modelos nominales y el comportamiento real del sistema pueden provocar falsas alarmas o estimaciones inexactas de la magnitud de la falla. Por el contrario, los enfoques basados en datos (sin modelo) suelen requerir extensos datos de fallas para el entrenamiento, lo cual es difícil de obtener, y típicamente carecen de la capacidad de proporcionar estimaciones cuantitativas de la severidad de la falla. El problema central abordado es el desarrollo de un marco de FDD robusto capaz de detectar, aislar y cuantificar fallas de actuadores individuales en presencia de diversas dinámicas no modeladas sin depender de datos de fallas precolectados.

Metodología
Los autores proponen un marco de FDD unificado y basado en modelos que integra tres componentes principales:

Estimador de Horizonte Móvil (MHE): Se formula un MHE basado en la dinámica nominal del UV para estimar un vector de "perturbación agrupada" ( $d$ ). Este vector agrega tanto las dinámicas no modeladas ( $d_n$ ) como los efectos inducidos por fallas ( $d_f$ ). La perturbación se modela como un paseo aleatorio, y el MHE resuelve un problema de optimización con restricciones sobre un horizonte recesivo finito para proporcionar estimaciones de la perturbación total consistentes con la dinámica.
Procesos Gaussianos (GP): Para separar las dinámicas no modeladas de las fallas, los autores emplean Procesos Gaussianos (específicamente, Procesos Gaussianos Variacionales Estocásticos, o SVGP, para eficiencia computacional). Los GP se entrenan únicamente con datos recolectados durante la operación libre de fallas. Estos aprenden una representación probabilística no paramétrica de las dinámicas no modeladas ( $d_n$ ) a través de diversas condiciones operativas, proporcionando tanto una media predicha como una incertidumbre predictiva (varianza/covarianza).
Prueba de Relación de Verosimilitud Generalizada (GLRT): Se genera una señal de residuo comparando la estimación de la perturbación agrupada del MHE contra la predicción del GP de las dinámicas no modeladas. Bajo condiciones normales, este residuo sigue una distribución Gaussiana de media cero definida por la incertidumbre predictiva del GP. En presencia de una falla, el residuo exhibe una media distinta de cero. Se formula un GLRT para cada propulsor para probar la hipótesis de operación normal frente a una falla única. La prueba utiliza una ventana móvil de datos de residuo y adapta su umbral basándose en la incertidumbre del estado del GP. Si se detecta una falla, el marco proporciona una Estimación de Máxima Verosimilitud (MLE) de la magnitud de la falla ( $\lambda_j$ ), que representa la pérdida de efectividad.

Contribuciones Clave

Robustez ante Dinámicas No Modeladas: Al modelar explícitamente las dinámicas no modeladas mediante GP, el marco logra robustez frente a imprecisiones del modelo y condiciones operativas variables, un punto de falla común en el FDD tradicional basado en modelos.
Estimación Cuantitativa de Fallas: A diferencia de muchos métodos de clasificación basados en datos, este enfoque proporciona una estimación cuantitativa de la magnitud de la falla (pérdida de efectividad del empuje), no solo el tipo de falla.
Umbralización Adaptativa: El uso de la incertidumbre predictiva del GP permite que el GLRT se adapte a las cambiantes condiciones operativas, reduciendo la necesidad de umbrales constantes ajustados manualmente y minimizando las falsas alarmas.
Eficiencia de Datos: El método no requiere datos de fallas para el entrenamiento de los modelos GP, ya que aprende únicamente las dinámicas no modeladas nominales. La detección de fallas depende de desviaciones estadísticas de esta línea base aprendida.
Validación Experimental: La metodología fue validada experimentalmente en un vehículo VideoRay Defender en un tanque de agua de laboratorio, tanto en escenarios de control de lazo abierto (teleoperación) como de lazo cerrado (seguimiento de trayectoria).

Resultados Experimentales
El marco fue probado en un tanque de agua de 6.3 m × 3.7 m utilizando un VideoRay Defender equipado con siete propulsores.

Teleoperación (Lazo Abierto): Los experimentos que involucraron la falla completa del Propulsor 2 y el Propulsor 3 demostraron que la estadística del GLRT superó con éxito el umbral de detección aproximadamente 2 segundos después de la inyección de la falla. El MLE convergió con precisión a la magnitud real de la falla ( $\lambda=0$ ).
Control de Lazo Cerrado: El sistema fue probado mientras seguía una trayectoria elipsoidal. Se introdujeron fallas en $t=65$ s, incluyendo falla completa ( $\lambda_0=0$ ), falla parcial ( $\lambda_0=0.25$ ) y pérdida intermedia ( $\lambda_0=0.5$ ). El marco detectó, aisló y estimó con éxito las magnitudes de las fallas.
Análisis Comparativo: Se realizó una comparación donde se ignoraron las dinámicas no modeladas (residuos basados únicamente en MHE). Este enfoque de línea base resultó en falsas alarmas antes de la inyección de la falla y en una estimación inexacta de la magnitud de la falla. Esto confirmó que la aproximación de los GP de las dinámicas no modeladas es esencial para un rendimiento fiable.
Computación: La optimización del MHE y la inferencia de SVGP se ejecutaron en tiempo real (aprox. 7.8 ms y 20.2 ms, respectivamente) en una estación de trabajo estándar con una GPU NVIDIA RTX 4090.

Significancia y Reivindicaciones
El artículo afirma que la metodología propuesta permite la detección, el aislamiento y la estimación cuantitativa de la severidad de fallas fiables para vehículos subacuáticos, incluso cuando la dinámica del vehículo es imperfectamente modelada. La integración de MHE y GP permite que el sistema distinga entre errores de modelado inherentes y fallas reales de los actuadores, reduciendo así las falsas alarmas y mejorando la precisión del diagnóstico. Los autores enfatizan que este enfoque es particularmente valioso para misiones críticas de seguridad donde los datos de fallas son escasos y las condiciones operativas son variables.

Trabajo Futuro
Los autores identifican tres direcciones principales para la investigación futura:

Extender el marco para manejar la ocurrencia simultánea de múltiples fallas.
Incorporar perturbaciones ambientales significativas mediante la implementación de un entrenamiento de GP en línea con un mecanismo de actualización seguro.
Integrar el marco de FDD con un esquema de control tolerante a fallas activo para mejorar el rendimiento general del control.

Más como este