基于神经网络与动力学对称性的四旋翼故障检测与辨识
机器人学
2023-09-19 v1 系统与控制
系统与控制
最优化与控制
摘要
自主机器人系统（如四旋翼）易受执行器故障影响，此类系统的安全操作亟需及时检测与隔离这些故障。神经网络可通过在线执行器故障检测以高精度验证执行器性能。本文中，我们利用长短期记忆（LSTM）神经网络架构，为四旋翼系统开发了一种新颖的免模型故障检测与隔离（FDI）框架。所提框架仅使用系统输出数据与指令控制输入，无需系统模型知识。利用四旋翼动力学中的对称性，我们仅针对某一电机（如电机 ）的故障训练 FDI，而训练后的 FDI 可预测任意电机的故障。这种搜索空间的缩减使我们能针对部分故障与完全故障场景设计 FDI。数值实验表明，所提 NN-FDI 正确验证执行器性能，并以超过 的预测准确率辨识部分及完全故障。我们还说明免模型 NN-FDI 表现与基于模型的 FDI 相当，且对模型不确定性及输入数据的分布偏移具有鲁棒性。
引用
@article{arxiv.2309.09108,
title = {Neural Network-based Fault Detection and Identification for Quadrotors using Dynamic Symmetry},
author = {Kunal Garg and Chuchu Fan},
journal= {arXiv preprint arXiv:2309.09108},
year = {2023}
}
备注
Accepted for 2023 Allerton Conference on Communication, Control, & Computing