Development of Fault Detection Methods for Guidance and Navigation of Underwater Vehicles
Master thesis
Permanent lenke
http://hdl.handle.net/11250/2622945Utgivelsesdato
2019Metadata
Vis full innførselSamlinger
- Institutt for marin teknikk [3437]
Sammendrag
Undervannsfartøy har et bredt spekter av bruksområder under vann hvor de spiller en stadig viktigere rolle. Slike bruksområder inkluderer inspeksjoner, overvåkning og vedlikehold av offshore- og subsea-installasjoner, samt havforsking, søk og redning. Deres økende kompleksitet og selvstendighet gjør dem egnet for oppgaver som utføres i dypt vann der dykkere ville klart seg dårlig.
Forskningen i denne masteroppgaven er motivert av et ønske om å fremheve viktigheten av sikker og pålitelig signalbehandling nå som undervannsfartøyer opplever en stor forandring mot menneskelig uavhengighet og full autonomi. Sikkerhet og pålitelighet er avgjørende dersom bruken av autonome fartøy skal bli akseptert av offentligheten. Ulike operasjoner, fartøy og varierende miljøforhold har ulik effekt på sensormålingene som et fartøys kontrollsystem er avhengig av for god ytelse. Denne oppgaven presenterer en metode som inkorporerer disse eksterne forholdene for å bestemme grensene for feildetektering.
Det ble utført en studie av funksjonen og strukturen til eksisterende feildeteksjonsmetoder, og algoritmene ble implementert i et felles testgrensesnitt. Ved å opprette en separat signalgenereringsmodul, kunne ulike feilmoduser inkluderes i testsignalene. Ved å bruke disse syntetiske signalene ble hver av de implementerte algoritmene testet, og ytelsen ble evaluert. Felles for alle testede algoritmene er mangelen på evnen til å inkludere eksterne forhold for å bestemme deteksjonsgrensene. I stedet må de justeres manuelt.
Den foreslåtte metoden bruker statistikken til målingene sammen med en kvantifisert verdi kalt fartøyets operasjonssikkerhetsforhold (VOSC) for å bestemme dynamiske grenser. VOSC bestemmes ut fra tre bidrag, nemlig fartøyets bruksmodus, miljøforholdene og fartøyets forhold. Ved å kvantifisere disse forholdene kan grensene endres dynamisk når operasjonsforholdene endres. Dermed kan man oppnå mer tilpassede og nøyaktige grenser enn ved manuell justering.
En implementeringsmetode basert på begrepet hybride kontrollsystemer er diskutert. Hybridsystemer er godt egnet fordi den store variasjonen i dynamisk oppførsel for ulike operasjonsforhold kan tas hensyn til ved hjelp av forskjellige delmodeller slått sammen i et hybrid system.
Ut fra resultatene kan det konkluderes med at den foreslåtte metoden er et realistisk forslag, men krever videre utvikling og forbedring før den kan implementeres i et reelt system. En tredimensjonal modell, hver med tre separate kategorier, for å bestemme grensene er for enkel. En nøyaktig inndeling av disse bidragene er avgjørende for pålitelig ytelse. For videre arbeid foreslås det at denne tredimensjonale modellen utvides. Det foreslås også å undersøke muligheten til automatisk kvantifisering av de eksterne forholdene. Til slutt anbefales det å identifisere alle nye risikoer, feilscenarier og konsekvenser ved å introdusere den foreslåtte algoritmen. Underwater vehicles have a wide range of subsea applications where they play an increasingly important role. Such applications include inspection, monitoring, and maintenance of offshore and subsea installations, ocean exploration, search, and rescue. Their growing complexity and level of autonomy make them suitable for tasks conducted in deep water where human divers would perform poorly.
The research of this thesis is motivated by the desire to highlight the importance of safe and credible signal processing as underwater vehicles experience a significant change towards human independence and full autonomy. Safety and reliability are crucial factors if the use of autonomous vehicles is to be adapted and trusted by the public. Different operations, vehicles, and varying environmental conditions have different effects on the sensor measurements that a vessel's control system relies on for its performance. This thesis presents a method that incorporates these external operational conditions to determine the thresholds for fault detection.
A review of the function and structure of existing fault detection methods was conducted, and the algorithms were implemented in a joint test interface. By creating a separate signal generation module, different failure modes could be added to the test signals. With these synthetic signals, each implemented algorithm was tested, and their performance was evaluated. Common for all the tested algorithms is the lack of capability to include external conditions when determining the detection limits. Instead, they have to be tuned manually.
The proposed method uses the statistics of the measurements together with a quantified gain called the vessel operational safety conditions (VOSC) to determine the dynamic thresholds. The VOSC is determined by three attributes, namely the vessel use mode, the environmental conditions, and the vessel conditions. By quantifying these conditions, the thresholds can be dynamically changed as the operational conditions change. Thus, more customized and accurate thresholds can be obtained than by manual tuning.
An implementation approach based on the concept of hybrid control systems is discussed. Hybrid systems frameworks are well suited because the large variety in the dynamical behavior for various operational conditions can be captured using different sub-models merged into one hybrid system.
From the results, it can be concluded that the suggested method is a realistic proposal but requires further development and improvement before it can be implemented into a real system. A three-dimensional model, each with three separate categories, to determine the thresholds is too simple. An accurate division of these attributes is crucial for reliable performance. For further work, it is suggested that this three-dimensional model is expanded. It is also proposed to investigate the possibility of automatically quantifying the external conditions. Finally, it is recommended to identify all new risks, failure scenarios, and consequences of introducing the proposed algorithm.