Комбинированный подход к детектированию неисправностей в сложных технических системах на основе модели бонд-графа

Введение. Разработан и исследован новый подход к детектированию неисправностей для сложных технических систем, позволяющий определить и классифицировать одиночные и множественные одновременные неисправности. Решена задача надежной и своевременной идентификации как одиночных, так и множественных одновременных неисправностей в условиях ограниченного доступа к размеченным данным. Угроза безопасной работе автономной техники является типичной проблемой для полевых условий эксплуатации, в которых традиционные подходы, основанные на моделях или данных, применяемых по отдельности, оказываются неэффективным.
Метод. В работе представлен комбинированный подход к детектированию неисправностей. Предложенное решение сочетает в себе аналитическую модель бонд-графа и сверточную нейронную сеть. Бонд-граф формирует остатки — разницу между значениями, рассчитанными по физическим законам системы, и измерениями с датчиков. Остатки анализируются сверточной нейронной сетью, которая обучается выявлять и классифицировать неисправности по их характерным особенностям. Для учета неопределенности параметров (например, сопротивления или емкости) использовано линейное дробное преобразование. Такой подход позволяет объединить априорные знания о физике системы с возможностями глубокого обучения.
Основные результаты. Эффективность подхода оценена на симуляторе гидравлической системы управления поворотным механизмом автономной техники. В симуляцию добавлен гауссовский шум для имитации реальных условий. Эксперименты включали начальные, ступенчатые, одиночные и множественные неисправности. Тесты с разными объемами обучающих данных при выборке менее 128 образцов показали более высокую эффективность предложенного комбинированного подхода по сравнению с классическими методами машинного обучения, такими как Random Forest или K-Nearest Neighbors). Предложено решение для детектирования неисправностей в гидравлических системах управления автономной техникой.
Обсуждение. Разработанный подход особенно эффективен при ограниченных данных, что делает его пригодным для полевых условий. Он позволяет своевременно выявлять и классифицировать неисправности (например, утечки в клапанах или сбои электромагнитных задвижек), что снижает риск отказов и обеспечивает безопасность автономной техники. Результаты могут быть адаптированы и внедрены для электрических, механических и прочих сложных технических систем.

1. Bouamama B.O., Biswas G., Loureiro R., Merzouki R. Graphical methods for diagnosis of dynamic systems: Review // Annual reviews in control. 2014. V. 38. N 2. P. 199–219. https://doi.org/10.1016/j.arcontrol.2014.09.004

2. Isermann R. Fault-Diagnosis Applications: Model-Based Condition Monitoring: Actuators, Drives, Machinery, Plants, Sensors, and Fault-Tolerant Systems. Springer Science & Business Media, 2011. 354 p.

3. Chen J., Patton R.J. Robust Model-Based Fault Diagnosis for Dynamic Systems. Springer Science & Business Media, 2012. V. 3. 356 p.

4. Ding S.X. Model-Based Fault Diagnosis Techniques: Design Schemes, Algorithms and Tools. Springer Science & Business Media, 2012. 504 p.

5. Akhenak A., Duviella E., Bako L., Lecoeuche S. Online fault diagnosis using recursive subspace identification: application to a dam-gallery open channel system // Control Engineering Practice. 2013. V. 21. N 6. P. 797–806. https://doi.org/10.1016/j.conengprac.2013.02.013

6. Lei Y., Yang B., Jiang X., Jia F., Li N., Nandi A.K. Applications of machine learning to machine fault diagnosis: a review and roadmap // Mechanical Systems and Signal Processing. 2020. V. 138. P. 106587. https://doi.org/10.1016/j.ymssp.2019.106587

7. Xu G., Yu Z., Lu N., Lv G. High-gain observer-based sliding mode control for hydraulic excavators // Journal of Harbin Engineering University. 2021. V. 42. N 6. P. 885–892.

8. Shen W., Yuan X., Liu M. Event-triggered control for hydraulic position tracking system with extended state observer // Journal of Mechanical Engineering. 2022. V. 58. N 8. P. 274–284. https://doi.org/10.3901/JME.2022.08.274

9. Nasiri S., Khosravani M.R., Weinberg K. Fracture mechanics and mechanical fault detection by artificial intelligence methods: a review // Engineering Failure Analysis. 2017. V. 81. P. 270–293. https://doi.org/10.1016/j.engfailanal.2017.07.011

10. Hu Z., Zhao G., Li F., Zhou D. Fault diagnosis for nonlinear dynamical system based on adaptive unknown input observer // Control and Decisions. 2016. V. 31. N 5. P. 901–906.

11. Liu Y., Sun C., Chen Y., Lin G. Design and application on sliding mode controller for roller microporous system based on disturbance observer // Forging and Stamping Technology. 2022. V. 47. N 3. P. 116–120.

12. Bohagen B., Gravdahl J.T. Active surge control of compression system using drive torque // Automatica. 2008. V. 44. N 4. P. 1135–1140. https://doi.org/10.1016/j.automatica.2007.11.002

13. Дмитриев В.А., Марусина М.Я. Особенности построения бонд-графа шагающих роботов // Известия высших учебных заведений. Приборостроение. 2024. Т. 67. № 2. С. 195–199. https://doi.org/10.17586/0021-3454-2024-67-2-195-199

14. Rahman A., Hasan N., Zaki M. Modelling and validation of electric vehicle drive line architectureusing Bond Graph // Test Engineering and Management. 2020. V. 82. P. 15154–15167.

15. Gonzalez-Avalos G., Gallegos N.B., Ayala-Jaimes G., Garcia A.P. Modeling and simulation in Multibond Graphs applied to three-phase electrical systems // Applied Sciences. 2023. V. 13. N 10. P. 5880. https://doi.org/10.3390/app13105880

16. Li F., Wu Z., Li J., Lai Z., Zhao B., Min C. A multi-step CNN-based estimation of aircraft landing gear angles // Sensors. 2021. V. 21. N 24. P. 8440. https://doi.org/10.3390/s21248440

17. Chen J., Xu Q., Guo Y., Chen R. Aircraft landing gear retraction/extension system fault diagnosis with 1-D dilated convolutional neural network // Sensors. 2022. V. 22. N 4. P. 1367. https://doi.org/10.3390/s22041367

18. Saucedo-Dorantes J.J., Delgado-Prieto M., Osornio-Rios R.A., Romero-Troncoso R.J. Industrial data-driven monitoring based on incremental learning applied to the detection of novel faults // IEEE Transactions on Industrial Informatics. 2020. V. 16. N 9. P. 5985–5995. https://doi.org/10.1109/TII.2020.2973731

19. Mo H., Li Y. Fault diagnosis based on interval analytic redundancy relation // Journal of Nanjing University of Aeronautics and Astronautics. 2021. V. 53. N 6. P. 972–980.