故障診断2026/9/13arXiv:2609.14539

移動ホライズン推定とガウス過程による水中ロボットの故障診断

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

水中ロボットのアクチュエータ故障を、移動ホライズン推定とガウス過程を組み合わせて検出・診断する枠組みを提案し、水槽実験で有効性を示した。

詳しい要約

1. どんなもの？

- 対象: underwater vehicles の actuator faults を対象とした model-based fault detection and diagnosis framework。 - 特徴: unmodeled dynamics を明示的に考慮。 - 構成: Moving Horizon Estimator (MHE) と Gaussian Processes (GPs) を組み合わせる。 - 目的: fault detection, isolation, fault magnitude の定量的推定。

2. 先行研究と比べてどこがすごい？

- 従来の model-based fault diagnosis は unmodeled dynamics を考慮しないことが多く、誤検出や推定精度低下が課題。 - 本研究は GPs で unmodeled dynamics を近似し、MHE の lumped disturbance 推定から GP 予測を差し引く residual を用いる。 - これにより unmodeled dynamics に対する robustness を実現し、fault detection/isolation と magnitude 推定を両立。

3. 技術・手法の肝は？

- MHE を開発し、unmodeled dynamics と fault effects をまとめた lumped disturbance を推定。 - GPs を employed し、unmodeled dynamics を近似。多様な operating conditions で mean と uncertainty を予測。 - オンライン時、MHE の lumped disturbance 推定と GP 予測の residual を Generalized Likelihood Ratio Test で評価。 - GP 予測を diagnostic framework に組み込むことで robustness を確保。

4. どうやって有効だと検証した？

- 実験的に laboratory water tank で検証。 - open-loop と closed-loop control の両条件下で reliable diagnostic performance を実証。 - 具体的な評価指標や比較対象は要旨からは不明。

5. 議論はある？

- 要旨からは、提案手法の限界や議論の詳細は不明。 - unmodeled dynamics への robustness が達成されたと主張。 - 実験は laboratory water tank に限定されており、実海域での有効性は要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として Moving Horizon Estimation (MHE)、Gaussian Processes (GPs)、Generalized Likelihood Ratio Test が挙げられる。 - 同分野の定番として model-based fault detection and diagnosis、underwater vehicle の fault-tolerant control に関する論文が次に読むべき候補。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Fotis Panetsos, Kostas J. Kyriakopoulos

分類: cs.RO

原文アブストラクト

This work proposes a model-based fault detection and diagnosis framework for underwater vehicles subject to actuator faults that explicitly accounts for the presence of unmodeled dynamics. To this end, a Moving Horizon Estimator (MHE) is developed to estimate the lumped disturbance, capturing both unmodeled and fault effects. Gaussian Processes (GPs) are employed to approximate the unmodeled dynamics, providing predictions of the corresponding mean and uncertainty across diverse operating conditions. During online operation, the residual between the MHE lumped disturbance estimate and the GP prediction is evaluated using a Generalized Likelihood Ratio Test. By incorporating GP-based predictions within the diagnostic framework, robustness to unmodeled dynamics is achieved, enabling effective fault detection and isolation as well as accurate quantitative estimation of fault magnitude. The proposed methodology is experimentally validated in a laboratory water tank, demonstrating reliable diagnostic performance under both open-loop and closed-loop control.

arXivで原文を読む →arXiv概要ページ