A method for fault localization and recovery action selection in the autonomous service cycle of the Falco robotic system
Метод локализации отказов и выбора восстановительного действия в автономном сервисном цикле робототехнического комплекса «Фалько»
Предложен метод локализации отказов и выбора восстановительного действия для автономного сервисного цикла робототехнического комплекса «ФАЛЬКО». Метод объединяет признаки от бортовых подсистем беспилотного летательного аппарата, полезной нагрузки и сервисного дока в трёхсостоянийный диагностический вектор: признак подтверждён, отклонён либо не измерен. Для ранжирования семи классов отказов применяется байесовское обновление, а разрешение автоматического вмешательства определяется максимальной апостериорной вероятностью и разностью двух ведущих гипотез. Восстановительное действие выбирается минимизацией ожидаемого риска с учётом стоимости операции и последствий ошибочного ремонта. Выполнен воспроизводимый вычислительный эксперимент на девяти синтетических сценариях. В семи одноотказных сценариях ведущая гипотеза совпала с заданным классом при вероятности 0,948–0,996; при отсутствии вибрационного измерения деградация движителя сохранила вероятность 0,945. Для противоречивого неполного пакета разность гипотез составила 0,165 при пороге 0,20, поэтому вместо вмешательства выбран расширенный тест. Результаты не трактуются как натурная валидация и задают проверяемую основу для последующей стендовой калибровки.
A method for fault localization and recovery action selection in the autonomous service cycle of the FALCO robotic system is proposed. Evidence from the unmanned aircraft, payload, and service dock is combined in a three-state diagnostic vector: a symptom is confirmed, rejected, or unavailable. Bayesian updating ranks seven fault classes, while automatic intervention is permitted only when both the maximum posterior probability and the margin between the two leading hypotheses satisfy confidence thresholds. A recovery action is selected by minimizing expected risk, including action cost and the consequence of an incorrect repair. The method is evaluated in a reproducible computational experiment comprising nine synthetic scenarios. In seven single-fault scenarios, the leading hypothesis matched the injected class with posterior probabilities from 0.948 to 0.996. Propulsion degradation retained a probability of 0.945 when the vibration channel was unavailable. For a deliberately conflicting incomplete packet, the posterior margin was 0.165 against a threshold of 0.20; therefore, the method selected an extended test instead of an invasive action. These results are not presented as field validation and provide a transparent basis for subsequent bench calibration.
техническая диагностика, локализация отказов, байесовский вывод, выбор действия, автономное обслуживание, БПЛА, сервисный док, робототехнический комплекс.
technical diagnostics, fault localization, Bayesian inference, action selection, autonomous maintenance, UAV, service dock, robotic system.
Введение
Автономность робототехнического комплекса определяется не только способностью беспилотного летательного аппарата выполнить маршрут. После возвращения аппарат должен безопасно завершить сервисный цикл: состыковаться с доком, передать данные, восстановить запас энергии, пройти контроль состояния и получить обоснованное действие при обнаружении отклонения. Ошибка на этом этапе может привести либо к повторному запуску неисправного оборудования, либо к ненужной замене исправного модуля.
В полёте признаки отказов обычно формируются внутри одного динамического контура. В сервисном цикле картина распределена между тремя источниками: бортовой системой, сменной полезной нагрузкой и доком. Например, отсутствие зарядного тока может быть связано с батареей, контактами стыковочного узла или ошибкой сервисного механизма; рост тока движителя без вибрационного канала остаётся неполным, но значимым свидетельством. Простое правило «первый признак — первое действие» не учитывает конкурирующие объяснения и качество пакета наблюдений.
Исследования по диагностике БПЛА развили методы формирования невязок, наблюдатели, нейросетевые классификаторы и отказоустойчивое управление [1–7]. Вероятностное объединение разнородных сведений применяется в диагностических сетях [8], а теория устранения неисправностей связывает диагноз с ценой проверки или ремонта [9, 10]. Однако для автономного дока требуется отдельный прикладной уровень: он должен сопоставить признаки разных подсистем, оценить неоднозначность и выбрать не только класс отказа, но и безопасное следующее действие.
Цель работы — разработать формализованный метод локализации отказов и выбора восстановительного действия в сервисном цикле комплекса «ФАЛЬКО». Исследовательский вопрос сформулирован следующим образом: позволяет ли совместное использование апостериорного ранжирования и риск-ориентированного выбора действия сохранить однозначное решение при неполном наблюдении и отказаться от вмешательства при конфликте признаков? Научная новизна состоит в объединении трёх элементов в одном контуре: многоканального сервисного диагностирования, явной оценки разрыва между гипотезами и решения по ожидаемому риску с обязательной проверкой результата.
Материалы и методы
Объектом моделирования принят завершённый миссионно-сервисный цикл комплекса «ФАЛЬКО»: БПЛА возвращается в док, после чего доступны послеполётные телеметрические итоги, результаты самоконтроля полезной нагрузки и состояния сервисных механизмов. Полётное управление, планирование маршрута, размещение доков и прогноз остаточного ресурса находятся за границами исследования. Метод начинает работу после безопасной посадки и не выдаёт команд управления в воздухе.
Диагностическое пространство содержит семь взаимоисключающих классов одного доминирующего отказа F = {F1, …, F7}. Такое допущение принято для первичного вычислительного эксперимента. Составные отказы не принудительно сводятся к одному классу: конфликт признаков должен уменьшать доверие и переводить цикл к расширенной проверке. Для каждого класса определены основной объект локализации и наблюдаемые каналы (таблица 1).
References
1. Heredia G., Ollero A., Bejar M., Mahtani R. Sensor and actuator fault detection in small autonomous helicopters // Mechatronics. 2008. Vol. 18, No. 2. P. 90–99. DOI: 10.1016/j.mechatronics.2007.09.007.
2. Drozeski G.R., Saha B., Vachtsevanos G.J. A Fault Detection and Reconfigurable Control Architecture for Unmanned Aerial Vehicles // 2005 IEEE Aerospace Conference. 2005. P. 1–9. DOI: 10.1109/AERO.2005.1559597.
3. Avram R.C., Zhang X., Muse J. Quadrotor Sensor Fault Diagnosis with Experimental Results // Journal of Intelligent & Robotic Systems. 2017. Vol. 86. P. 115–137. DOI: 10.1007/s10846-016-0425-1.
4. Saied M., Lussier B., Fantoni I., Shraim H., Francis C. Fault Diagnosis and Fault-Tolerant Control of an Octorotor UAV using motors speeds measurements // IFAC-PapersOnLine. 2017. Vol. 50, No. 1. P. 5263–5268. DOI: 10.1016/j.ifacol.2017.08.468.
5. Lien Y.-H., Peng C.-C., Chen Y.-H. Adaptive Observer-Based Fault Detection and Fault-Tolerant Control of Quadrotors under Rotor Failure Conditions // Applied Sciences. 2020. Vol. 10, No. 10. Article 3503. DOI: 10.3390/app10103503.
6. Qin L., He X., Yan R., Zhou D. Active Fault-Tolerant Control for a Quadrotor with Sensor Faults // Journal of Intelligent & Robotic Systems. 2017. Vol. 88. P. 449–467. DOI: 10.1007/s10846-017-0474-0.
7. Cacace J., Scognamiglio V., Ruggiero F., Lippiello V. Motor Fault Detection and Isolation for Multi-Rotor UAVs Based on External Wrench Estimation and Recurrent Deep Neural Network // Journal of Intelligent & Robotic Systems. 2024. Vol. 110. Article 148. DOI: 10.1007/s10846-024-02176-2.
8. Cai B., Liu Y., Fan Q., Zhang Y., Liu Z., Yu S., Ji R. Multi-source information fusion based fault diagnosis of ground-source heat pump using Bayesian network // Applied Energy. 2014. Vol. 114. P. 1–9. DOI: 10.1016/j.apenergy.2013.09.043.
9. Langseth H., Jensen F.V. Decision theoretic troubleshooting of coherent systems // Reliability Engineering & System Safety. 2003. Vol. 80, No. 1. P. 49–62. DOI: 10.1016/S0951-8320(02)00202-8.
10. de Kleer J., Williams B.C. Diagnosing multiple faults // Artificial Intelligence. 1987. Vol. 32, No. 1. P. 97–130. DOI: 10.1016/0004-3702(87)90063-4.multiple faults. Artificial Intelligence, 32(1), 97–130. https://doi.org/10.1016/0004-3702(87)90063-4