Fault Diagnosis for Underwater Vehicles using Moving Horizon Estimation and Gaussian Processes
本文提出了一种用于水下航行器的鲁棒故障诊断框架，该框架结合了移动时界估计与高斯过程，以区分执行器故障与未建模动力学，从而实现通过实验室实验验证的准确检测、隔离及幅值估计。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在阳光消逝、压力剧增的深海之下，水下机器人承担着人类一些最关键的任务。从检查淹没的油井到监测脆弱的海底生态系统，这些机器在一种充满敌意、不可预测且难以捉摸的环境中运行。一次简单的机械故障，例如推进器失去动力，就可能让一次常规调查变成车辆丢失或任务失败。由于这些机器人一旦部署便无法轻易维修，工程师们长期以来一直在寻求方法，赋予它们识别异常的能力。挑战在于如何将真正的机械故障与海洋本身产生的自然、混沌的噪声区分开来。水流对航行器的推力和拉力难以被完美预测，这种力量创造了一种不确定性的“迷雾”，往往会掩盖故障出现的早期迹象。
为了解决这一问题，纽约大学阿布扎比分校的研究人员开发出了一种新系统，使水下航行器即使在周围水流表现出异常行为时，也能以极高的精度进行自我健康诊断。他们的方法结合了一个关于航行器“应该”如何运动的数学模型，以及一个理解航行器在现实世界中“实际”如何运动的学习系统。通过对比这两个视角，该系统可以从不规则的水动力学产生的普遍混沌中，分离出损坏推进器的特定特征信号。在一系列大型实验室水箱测试中，该团队证明了他们的方法不仅能检测出推进器何时发生故障，还能精准定位是哪一个推进器损坏，并计算其损失了多少动力，且这一切都是在航行器移动过程中完成的。
这项创新的核心在于研究人员如何处理“未知”。传统方法依赖于对航行器及其环境的完美数学描述。然而在现实中，没有模型是完美的；船体形状、水的粘度以及碎屑的存在等因素都会产生模型无法解释的微小且不可预测的力量。这些“未建模动力学”往往看起来与故障完全一致，会导致标准诊断系统产生误报或漏报。研究人员通过使用一种称为“移动地平线估计器”（Moving Horizon Estimator）的技术解决了这个问题。想象一下这样一个系统：它不断回顾航行器过去几秒钟的运动情况，将其实际路径与数学模型预测的路径进行对比。两者之间的差异被视为一个“综合扰动”（lumped disturbance），这是一个单一的数值，捕捉了模型遗漏的所有内容，包括自然的海洋噪声和任何潜在的机械故障。
为了将噪声与故障分离，团队引入了第二层智能，即高斯过程（Gaussian Processes）。这是一种擅长从数据中学习模式并同时衡量其模式不确定性的机器学习技术。在任何故障发生之前，研究人员让航行器进行各种动作以收集其在正常条件下的行为数据。他们将这些数据输入高斯过程，使其学会预测任何给定情况下“噪声”的未建模动力学。当航行器运行时，系统会将第一层估计出的综合扰动与高斯过程对“噪声”应有的预测进行对比。如果两者之间的差异很小，则表示航行器状态健康；如果差异很大且具有统计学意义，则发出故障信号。
研究人员在名为 VideoRay Defender 的小型七推进器水下航行器上测试了这一框架。他们在测量 6.3 米 × 3.7 米的水箱中进行了实验，并使用摄像系统高精度地追踪航行器的位置。在第一组测试中，航行器由人工遥控，即人类驾驶员通过摇杆控制其运动。研究人员通过切断其中一个水平推进器的电源，模拟了其完全失效的情况。在故障发生后的两秒钟内，系统检测到了异常，正确识别了损坏的特定推进器，并计算出其效能已降至零。系统是通过分析残差信号（即估计的扰动与学习到的噪声预测之间的差距）来实现这一点的，该信号清晰地揭示了故障的特征。
该系统的鲁棒性在闭环实验中得到了真正的考验，在这些实验中，航行器被编程为自主遵循特定的椭圆路径运行，无需人工干预。在这种场景下，航行器必须不断调整推进器以保持航向，从而创造了一个复杂且动态的环境。研究人员引入了部分故障，将其中一个推进器的功率降低至正常容量的 25%。系统成功识别了故障，隔离了特定的推进器，并准确估算了剩余功率水平。至关重要的是，团队还进行了一项对比测试，即忽略未建模动力学，仅依赖原始扰动估计值。在没有学习组件的情况下，系统产生了误报，即使在航行器健康时也会触发警告，并且无法准确测量故障的严重程度。这证实了学习背景噪声对于实现可靠诊断至关重要。
通过包括全功率推进器失效和部分性能退化在内的多种场景验证，研究结果表明，该方案为水下机器人安全领域带来了显著跨越。通过将基于模型的估计器与数据驱动的学习系统相结合，研究人员创建了一种既能捕捉细微故障又足以忽略海洋自然湍流的诊断工具。虽然目前的工作侧重于单点故障和受控实验室条件，但该方法的成功预示着一个未来：水下航行器可以实现更高程度的自主性和安全性，即使在最具挑战性和不可预测的环境中也能具备自我诊断能力。该团队计划扩展这项工作，以处理多个并发故障，并将该系统适配于环境干扰更为剧烈的开放海洋环境。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。