Model-Based and Data-Driven Contributions to Fault Detection
From Reaction Wheel Monitoring to Statistical Analysis
Tid: To 2026-09-24 kl 10.00
Plats: Harry Nyquist, Malvinas Väg 10, SE-100 44
Språk: Engelska
Ämnesområde: Elektro- och systemteknik
Licentiand: Alejandro Penacho Riveiros , Digital futures, Reglerteknik
Granskare: Associate Professor Francesca Boem, University College London
Huvudhandledare: Professor Karl H. Johansson, Reglerteknik, Integrated Transport Research Lab, ITRL, Digital futures; Assistant Professor Matthieu Barreau, Digital futures, Reglerteknik
QC 20260901
Abstract
För att säkerställa tillförlitligheten hos moderna tekniska system krävs det att avvikande beteenden upptäcks i tid, eftersom detta möjliggör snabba korrigerande åtgärder. Algoritmer som kan upptäcka sådant beteende är därför kritiska för säker drift av bland annat vindkraftverk, flygplan och kärnkraftverk. Utvecklingen av sådana algoritmer står i fokus inom området FDI (Fault Detection and Isolation). I denna licentiatuppsats behandlar vi några av dess tillämpade och teoretiska aspekter genom tre bidrag.
I det första bidraget utvecklar vi en algoritm för att upptäcka onormalt friktionsbeteende i reaktionshjulsenheter (RWA:er), ställdon monterade på satelliter som är avgörande för att kontrollera satellitens läge. Problemet medför två utmaningar: normalt och onormalt RWA-beteende karakteriseras endast av en liten märkt datamängd, och RWA enheter uppvisar växlande systemdynamik. Den föreslagna algoritmen hanterar dessa problem genom att kombinera maskininlärning med en hidden semi-Markov-modell för att fånga upp omkopplingsbeteendet.
Det andra bidraget behandlar användningen av statistiska tester för FDI i ett sammanhang där systemets nominella beteende endast är känt utifrån data. Genom att utnyttja den probabilistiska grunden hos gaussiska processer utvecklar vi en algoritm som utvidgar begreppet $z$-test till datadriven övervakning av dynamiska system. Denna algoritm avgör om ett systems beteende överensstämmer med nominella data samtidigt som en föreskriven typ I feltolerans upprätthålls, och har potentiella tillämpningar för att upptäcka omodellerade förändringar hos dynamiska system.
Det tredje bidraget behandlar frågan om hur lång tid det tar att avgöra om ett specifikt fel har inträffat med en given konfidensnivå. Med hjälp av begrepp från informationsteorin presenterar vi ett mått som kvantifierar hur sannolikheten för att korrekt upptäcka ett fel i ett binärt hypotesprövningsscenario utvecklas över tid. Detta mått kan användas som vägledning vid utformningen av kritiska system som kräver tillförlitlig och snabb övervakning.
Genom dessa bidrag ger avhandlingen viktiga insikter i hur modeller, data och statistisk inferens kan kombineras för att utforma och analysera nya diagnostiska algoritmer.