Fault diagnosis and fault-tolerant control of nonlinear dynamic systems using artificial intelligence techniques

Abstract

(English) This thesis attempts to reduce the gap between the approaches developed by researchers to build a fault tolerant system and their implementation in a real system. The most widespread methodologies are model-based approaches which require a representative description of the behaviour of the system to use them. This model is usually not available, either because the system corresponds to a complex process or is poorly understood, or the performance of the system is not static in the sense that the behaviour depends on the current state and the situation (environment) of the system. Thus, obtaining a model based on the knowledge of the system will require a high effort and the accuracy of the resulting model will often be not sufficient to apply the approaches successfully. In this situation, considering generic or adaptable models will allow to reduce the time required to design a fault tolerant system, creating a more flexible process. In this thesis, artificial intelligent (AI)-based models are considered to obtain adaptable models. Moreover, a procedure to train these structures (pa-rameter estimation), in order to achieve an accurate and representative model, is also proposed. The main issue of AI-based models is their incompatibility with linear-like techniques which have been developed to identify or accommodate a fault in a nonlinear system. The transformation of these models into a promising structure which embeds the nonlinearities in the varying parameters, the so-called linear parameter varying (LPV) model, is considered in this thesis as a bridge to combine the classical linear or nonlinear model-based approaches with the learning ability of AI techniques. The polytopic representation of an LPV model, obtained from an AI-based model, will lead to a high number of vertex controller/observer gains, which may make the implementation of an LPV controller/observer into a micro-controller to become infeasible. This representation is used to reduce the controller/observer conditions to a finite-dimensional problem that can be solved using linear matrix inequalities (LMIs). The real-time implementation of a fault-tolerant control approach should be feasible using the heuristic algorithm developed in the thesis. By means of reducing the number of controller/observer gains, defining a common controller/observer for a set of vertices (vertex reduction), the algorithm will be able to provide a compact controller/observer that will be realizable and computable by a micro-controller or small-scale laboratory setups. The accuracy and the time required to estimate a fault are critical issues that determine whether the system will be able to continue with the mission. The formulation of fault estimation as a dynamic optimization problem is an alter-native approach when the performance of the fault does not fulfil with the assumptions considered in the design of a Lyapunov-based fault diagnosis method. Different AI-based algorithms are developed to reconstruct, in real-time, the fault signal which is corrupting the behaviour of the actuators. Finally, the autonomy of a system to accommodate an unexpected event is discussed. A procedure to decide whether the available resources are able to mitigate the consequences of an event is developed and detailed for an actuator fault event. The efficiency of the algorithms developed in this thesis is assessed in real systems, such as twin rotor MIMO system, two-link robotic manipulator, and multirotors.

(Español) Esta tesis se ha desarrollado con la intención de reducir la brecha que existe entre los algoritmos y procedimientos propuestos por los investigadores para crear sistemas tolerantes a fallos y su implementación en un sistema real. Los procedimientos más extendidos utilizan un modelo del sistema para su desarrollo, lo que implica que se requiera una descripción representativa del comportamiento del proceso. En muchos casos, este modelo no estará disponible, ya sea debido a que el sistema es complejo o difícil de comprender su funcionamiento, o que el comportamiento del sistema no sea estático en el sentido de que este dependa del estado actual o de la situación (entorno) del sistema. En consecuen-cia, el desarrollo del modelo implicará un gran gasto de recursos y tiempo, y no hay garantías de que el modelo resultante cumpla con los requisitos necesarios para aplicar los algoritmos deseados. En esta situación, considerar modelos gené-ricos o adaptables puede ayudar a reducir el tiempo necesario para crear un sistema tolerante a fallos. En esta tesis, diferentes modelos basados en inteligencia artificial (IA) se han propuesto para obtener modelos adaptables. Además, se ha desarrollado un procedimiento para entrenar estas estructuras (estimación de los parámetros) cuyo resultado per-mite obtener un modelo preciso y representativo del sistema. El principal inconveniente de los modelos basados en IA es que son incompatibles con técnicas derivadas de métodos desarrollados para sistemas lineales que se han utilizado para identificar y acomodar fallos en sistemas no lineales. En esta tesis, se ha propuesto transformar estos modelos en una representación LPV (linear parameter varying) con el fin de combinar los métodos clásicos lineales y no lineales con la capacidad de aprender de la IA. La representación politópica de un modelo LPV, obtenido de un modelo basado en IA, puede derivar a controladores/ob-servadores con un gran número de ganancias (vértices), cosa que puede implicar que la implementación de este contro-lador/observador en un microcontrolador sea inviable. La ejecución en tiempo real de un procedimiento de control tole-rante a fallos puede ser factible mediante el algoritmo heurístico propuesto en esta tesis. Mediante la reducción del número de ganancias del controlador/observador, definiendo un controlador/observador común para un conjunto de vértices (reducción de vértices), permitirá obtener un controlador/observador que sea realizable y computable por un microcontrolador. La precisión y el tiempo de respuesta requerido para estimar un fallo son factores críticos que pueden determinar si un sistema puede continuar con la misión asignada. La formulación de la estimación del fallo como un problema de opti-mización dinámica es una alternativa cuando el comportamiento del fallo no cumple con las consideraciones definidas en el diseño de un método de diagnosis basado en la teoría de Lyapunov. Diferentes algoritmos basados en IA se han desarrollado para reconstruir, en tiempo real, la señal del fallo que corrompe el comportamiento de los actuadores du-rante una misión. Finalmente, la autonomía de los sistemas para tolerar eventos inesperados sin la intervención humana se ha tratado en esta tesis. Más concretamente, se ha estudiado cómo un sistema puede decidir si los recursos de los que dispone son suficientes para mitigar las consecuencias de un evento. La respuesta de este procedimiento se ha utilizado para evaluar la autonomía de un sistema cuando sufre múltiples fallos en los actuadores durante una misión. La eficiencia de los algoritmos desarrollados en esta tesis ha sido puesta a prueba en diferentes sistemas reales como: TRMS, manipulador robótico, o multirotors.