Feil-tolerant dynamisk posisjonering for den autonome testplattformen ReVolt

Abstract

Eit feiltolerant kontrollsystem for dynamisk posisjonering av DNV GLs modellskip ReVolt har vorte utvikla, med mål om å kunne diagnostisere og handtere sensor- og aktuatorfeil som kan oppstå. Delar av implementasjonen forsøker å utforske utradisjonelle løysingar, som t.d. bruk av maskinlæring for aktuator feildiagnostisering og deteksjon av ville observasjonar i signal.

Ein modul for signal feiltoleranse har vorte implementert, for å kunne kontinuerleg evaluere helsa til navigasjonsrelaterte sensorar og om naudsynt deaktivere sensorar om det liknar karakteristikken til kjende feiltypar. I tillegg til å hindre ugyldige sensormålingar å forplante seg utover resten av kontrollsystemet, vil modulen også fungere som eit alarm- og feilsøkingsverkty for operatøren. Eit navigasjonsbasert Extended Kalman Filter har vorte utvikla og kalibrert, for å muliggjere blant anna dead-reckoning og residual generering for feildeteksjon.

For å gjere aktuatorsystemet feiltolerant er det implementert ein modul som nyttar eit tilbakevendande nevralt nettverk, som er kopla til ein kontrollerbank med ulike thrustkonfigurasjonar. Hensikta til denne komponenten er å diagnostisere og isolere feil på thrusterar, samt deaktivering av slike aktuatorar før kapabiliteten til fartøyet å utføre dynamisk posisjonering vert uakseptabelt dårleg.

Kapabilitetane til det feiltolerante kontrollsystemet har vorte undersøkt i fleire ulike scenario, med variande grad av feil og miljømessige forstyrringar. Ei kvalitativ evaluering av systemet og konklusjon, med styrker og svakheiter, vert til slutt presentert. Også idear til forbetring av det endelege systemet vert foreslått, samt forslag til framtideg arbeid.

A fault tolerant dynamic positioning system for the DNV GL model ship ReVolt has been developed, aiming to diagnose and accommodate sensor and actuator faults that may occur. Parts of the implementation seeks to explore non-traditional solutions, such as actuator fault diagnosis and signal outlier detection systems utilizing machine learning.

A module for signal fault tolerance has been implemented, to continually evaluate the health of navigational sensors and if necessary disable them should the behaviour match any known failure mode characteristics. In addition to hindering invalid sensor measurements from propagating through the control system, the module also serves as an alert and debugging tool for the operator. For this module, an navigational Extended Kalman Filter has been developed and tuned, allowing amongst other things dead-reckoning capabilities and residual evaluation for fault detection.

An actuator fault tolerance module powered by a recurrent neural network has been implemented. This component aims to diagnose and isolate malfunctioning thrusters, and disable them before the performance degradation jeopardizes the operation.

The performance of the fault tolerance modules are tested in different scenarios, featuring varying forms of faults and environmental disturbances. Finally, a qualitative evaluation of the system and its strengths and shortcomings is presented. Ideas for improving the system and proposals for further work are also mentioned.