Aplicação de técnicas de aprendizado de máquina para detecção de falhas em veículos subaquáticos não-tripulados

Abstract

A demanda por robustez e segurança na operação de veículos não tripulados aumenta à medida em que estes veículos são utilizados em operações cada vez mais críticas. Em ambientes subaquáticos, caracterizados frequentemente por sua natureza hostil e de difícil acesso, a preocupação pelo desenvolvimento de sistemas tolerantes a falhas torna-se evidente. Este trabalho propõe uma estratégia para detecção de falhas por meio da obtenção de um modelo dinâmico do comportamento normal do veículo e subsequente comparação do valor previsto com a informação real fornecida pelo veículo. O modelo preditivo é obtido treinando-se uma rede neural artificial para a representação de um modelo Não-linear Autoregressivo com Entradas Exógenas (Nonlinear Autoregressive with Exogenous Inputs-NARX). A estratégia proposta é aplicada a um estudo de caso real, utilizando um veículo remotamente operado de baixo custo da empresa OpenROV. Em uma etapa de pré-processamento, relações dinâmicas entre os atributos disponíveis são avaliadas por meio de análises de autocorrelação e Informação Mútua. Em seguida, diferentes métodos de seleção de atributos são aplicados -RReliefF, Seleção de Atributos Baseado em Correlação (Correlation-based Feature Selection-CFS), Stepwise Regression e sem seleção de atributos. Resultados do desempenho para cada modelo resultante são comparados e avaliados, com relação ao erro quadrático médio dos modelos de regressão. A capacidade de detecção da estratégia também é avaliada através de medidas de precisão, recall e latência de detecção, mediante a inserção de falhas intermitentes de sensor de diversos tipos e magnitudes. Os resultados mostram que, de maneira geral, o método RReliefF para a seleção de atributos obteve desempenho para a presente aplicação. A estratégia proposta apresentou uma alta taxa de detecção para diversos tipos de falha de sensor, apesar de se mostrar insensível a determinadas falhas de baixa magnitude e curta duração. Além disto, após etapas de treinamento e validação, o detector na sua versão final foi integrado em um framework baseado em Internet das Coisas e computação em nuvem, contribuindo para a flexibilidade e escalabilidade da solução proposta.<br>

The need for reliability and safety on the operation of unmanned vehicles increases in conjunction with the growing criticality of operations undertaken by these vehicles. In underwater environments, distinguished by its hostile environment, the importance of fault-tolerant systems design is straightforward. This paper proposes a strategy for fault detection by obtaining the dynamic model of the vehicle?s normal behavior and comparing the predicted output to the actual information provided by the vehicle. The predictive model is obtained by training a Nonlinear Autoregressive with Exogenous Inputs (NARX) neural network. The proposed strategy is applied to a real case study, by gathering data of the OpenROV, a low-cost remotely operated vehicle (ROV). In a preprocessing phase, dynamic relationships between available features are assessed through auto and cross-correlation analysis. Thereafter, different feature selection procedures are applied- ReliefF, Correlation-Based Feature Selection, Stepwise Regression and no feature selection. Performance results for each resulting model are compared and assessed, regarding mean squared error of regression models. Detection performance results are also compared through precision, recall and latency measures, when the strategy is applied to several different intermittent sensor faults, from incipient to abrupt nature. Results have shown that, in overall, the ReliefF method for feature selection yielded better performance. The proposed strategy proved to be able to detect several types of faults, albeit being insensitive to certain faults of low magnitude and short duration. In addition, the proposed strategy was succesfully integrated into a framework based on Internet of Things and Big Data. Latency measurements denoted the feasibility of the implemented scheme, allowing a prompt response to the ROV pilot, contributing to the flexibility and scalability of the proposed strategy.