人工智能与船海工程：故障控制的重要性

在自主式水下机器人发生系统故障时，非结构化和危险的海洋环境则会带来许多具有挑战性的问题。任何机器人子系统发生严重故障，机器人需要上升到海面并发送求救信号，机器人应该能够自行调整并继续完成被指派的任务。因此，一个有效的容错系统是AUV的关键，容错系统一般由三个方面组成：故障检测、故障隔离和故障调节。故障检测过程是一个高层次的功能，监控机器人的整体系统，超过预设任何宽容或传感器的测量值的任何信号的硬件和软件。一旦检测到故障，故障隔离过程决定的确切原因和故障位置及严重程度（即是否容许）。如果故障评价是可以忍受的，故障调节过程可以重新配置机器人的控制架构，成功地执行任务。

Babcock提出了一种系统、定量的容错系统设计方法［128］，灵敏度分析用于提供：

①在选择作为优化过程的设计修改方面的系统指导；

②优化过程停止准则；

③所得设计的鲁棒性度量。

优化过程允许在各种自由参数之间进行交易，例如组件质量、冗余、操作／维护策略，以及故障检测、隔离和重新配置（fault detection，isolation，and reconfiguration，FDIR）过程及其相关的覆盖概率。这些被定量地评估以提供系统度量，例如可靠性、任务成功概率、维护操作和各种成本度量。优化问题就是这样一种问题，即通过调整自由参数，使得成本函数最小化（或最大化）而不违反给定的约束。

Healey提出使用卡尔曼滤波器和人工神经网络来实现系统故障的检测和隔离［129］。这种系统健康诊断对于自主水下航行器任务控制器的总体成功是必要的。Healey等人给出了两个网络设计实例。第一种是识别由于可能的推进系统变化或由于污垢造成的推进效率损失而引起的AUV加速行为的异常变化。第二个例子涉及识别可能导致电机故障的推进传动系中的过度摩擦载荷。在两种情况下描述所设计的网络训练方法和由此产生的决策表面特征。(www.xing528.com)

Dunn等人开发了AUV健康诊断系统，该系统将能够检测由于AUV性能的变化而引起的状态变化［130］。所实现的损伤检测算法是一种重复自校验的方法，将当前操作参数与描述正常操作的一组“标签”参数进行比较。这将允许海洋航行器尽可能接近其可用的最佳运行状态，即使在执行器表面、推进器或许多其他子系统的性能严重退化的情况下，也可以通过移除被损坏的系统而实现正常运转。

Orrick开发了一种用于AUV深度和航向控制的故障检测与识别系统。采用专家系统实现冗余管理技术［131］。这里的冗余并不意味着传感器是重复的，而是通过组合来自几个不同传感器的数据可以计算相同数量的独立值。该故障检测方案在得克萨斯A＆M AUV控制器的模拟器上实现并测试。在该研究中介绍了系统的故障，并根据故障检测和识别的准确性及时间响应对系统的性能进行了评价。由此可见，单个故障和多个故障都能被正确地检测和识别。

Keith C Yang介绍了夏威夷大学设计的六自由度自主水下航行器ODIN容错系统的设计与实现［132］。容错系统由三个方面组成：故障检测、故障隔离和故障调节。Yang对每一个领域都进行了描述，所提出的设计侧重于AUV中的推力器和传感器系统故障。实验结果表明，当执行器和传感器发生可容忍的故障时，该方法是实用和有效的。该方法可以扩展到具有硬件冗余的各种AUV的容错系统设计。

恶劣的水下环境使AUV受到许多外部干扰，如电流和浪涌。此外，执行器故障会改变系统的动态特性，水下自主控制系统将执行需要不同有效载荷和系统配置的任务。控制系统必须能够处理由此产生的车辆动力学变化，以确保精确控制。一种方法是尝试预测这些变化，并针对每一种情况制定控制律。这种被称为增益调度的方法在变化是可预测的并且范围有限的情况下是可行的，但是通常更适合于处理不同的操作模式。

Nicholas等人提出另一种控制方法［133］：自适应控制律可以修改针对目标系统的内在动力，改变环境扰动的闭环系统的行为和网络故障。与传统的控制方法相比，自适应控制系统能够采用一致的设计，根据不同的配置而不需要重新调整控制增益和增益调度，控制参数对应预期的情况下不是必需的。自适应控制经常应用于系统的动力学过程的不确定或不一致的干扰环境。