有保证的神经网络故障检测与控制用于计算资源受限的安全关键系统

《Control Engineering Practice》：Guaranteed neural fault detection and control for safety-critical systems with limited computational resources

　　

主动故障检测依赖于注入辅助控制输入以增强故障可区分性，同时保持系统稳定性和安全性。尽管可以通过求解集成调节、安全和检测目标的约束最优控制问题来获得此类输入，但所得公式通常是高维、非凸且计算要求高的，限制了其在实时安全关键系统中的适用性。本文提出了一种具有可证明保证的神经网络主动故障检测与控制框架，其中神经网络（Neural Network, NN）以固定复杂度计算逼近底层约束优化问题的解，以实现实时实现。为了考虑近似误差，引入了一种具有李雅普诺夫约束（Lyapunov-based constraints）的收紧优化公式，确保闭环系统的约束满足和实际稳定性。此外，该框架提供了由神经网络近似误差引起的故障检测性能退化的分析表征，以及减轻这种影响的机制。在热系统和四旋翼平台上的实验验证表明，所提出的方法实现了可靠的故障检测，同时保持了稳定性和安全性，与基于优化的方法相比，计算复杂度显著降低。

**论文解读：有保证的神经网络故障检测与控制用于计算资源受限的安全关键系统**

**研究背景与问题**

现代安全关键系统（如自主车辆、机器人平台和工业过程）需要在存在故障（如执行器退化、传感器故障）的情况下可靠运行。故障检测方法分为被动和主动两类：被动检测仅监控系统输入输出，但在噪声和不确定性下可能漏检；主动检测通过注入辅助控制输入增强故障可区分性，但需同时保证系统稳定性和安全性。现有基于优化方法联合考虑调节、安全和检测目标，但所得问题通常高维、非凸，计算量大，难以在实时安全关键系统中部署。神经网络（Neural Network, NN）可离线学习最优解，实现固定复杂度在线评估，但引入的近似误差可能破坏约束满足和稳定性。因此，研究人员旨在提出一种具有可证明保证的神经网络故障检测与控制框架，显式应对近似误差，确保安全、稳定性和检测性能，并显著降低计算复杂度。该论文发表在《Control Engineering Practice》。

**主要关键技术方法**

研究人员采用以下关键技术方法：1）将主动故障检测与控制问题建模为约束最优控制问题，联合考虑调节成本、安全约束和模式可区分性，目标函数为控制成本与检测成本（基于零一损失上界的成对可区分性度量）的加权和。2）使用前馈神经网络（Feedforward Neural Network, FNN）离线学习从当前状态和模式后验概率到最优控制序列的映射，以实现固定复杂度在线计算。3）引入约束收紧参数（?_u, ?_x1, ?_x2, ?_xf）和李雅普诺夫条件（Lyapunov condition, 使用二次型李雅普诺夫函数V(x)=x^?Px），在优化公式中收紧约束并加入收缩性条件，以显式应对神经网络近似误差，保证约束满足和实际稳定性。4）采用多模型卡尔曼滤波器（Multiple-Model Kalman Filter, MMKF）进行在线模式识别和故障检测，通过贝叶斯更新后验概率。5）理论分析神经网络近似误差对检测性能退化的影响，推导出检测成本的上界。样本来源包括热系统（TCLab Thermal Kit）和四旋翼平台（Parrot Bebop 2 drone，使用OptiTrack运动捕捉系统）。

**研究结果**

**4. 仿真研究与敏感性分析**
**4.1 系统模型**：采用热系统线性状态空间模型，包含健康模式（η=1）和故障模式（η=0.05，执行器效率损失），生成约576万训练样本，使用6层前馈神经网络训练。
**4.2 预测视界长度的影响**：通过比较N=5,10,20的仿真结果发现，N=5时跟踪响应差，N=10时跟踪和检测性能平衡，N=20未显著改善检测延迟。因此选择N=10作为热系统实验的平衡值。
**4.3 约束收紧与李雅普诺夫条件的作用**：比较有无收紧和Lypunov条件的两个神经网络控制器，各进行1000次健康模式试次。结果表明，未收紧的神经网络原始控制命令可能违反输入约束，且出现正的李雅普诺夫差（ΔV>0）；而收紧公式使控制命令保持在边界内，并保持更小的负ΔV，验证了收紧机制在维持约束满足和促进稳定方面的作用。
**4.4 对噪声和阈值选择的鲁棒性**：在三种过程噪声协方差（Σ_ω=10^-3, 10^-2, 10^-1）下各进行1000次仿真，注入故障。结果表明，所提框架在各种噪声下均保持可接受的跟踪性能，噪声增大导致后验概率波动增大，但阈值γ=0.9能有效避免误报，实现可靠检测。

**5. 实验结果——验证与讨论**
**5.1 利用TCLab热系统进行温度控制**
**5.1.1 实验分析**：在物理硬件上实现神经网络控制器，从初始温度收敛至52.6°C，稳态时控制输入保持小幅度振荡以提供持续激励。在t=350s注入执行器效率损失故障后，约155秒后检测到故障，后验概率从健康模式转向故障模式。
**5.1.2 计算效率比较**：对8800个样本，优化方法平均计算时间1.22秒，神经网络方法仅0.02秒，降低约98%，适合实时应用。
**5.1.3 检测权重对控制与检测性能的影响**：改变λ₂（100到2000），发现增大λ₂可缩短检测时间（如从240秒降至65秒），但增加控制努力，揭示了检测与调节之间的权衡。
**5.2 Parrot Bebop 2四旋翼位置控制**
**5.2.1 计算效率比较**：对8800个样本，优化方法平均3.32秒，神经网络方法约0.02秒，显著降低计算成本。
**5.2.2 悬停场景**：在固定位置悬停时，神经网络控制输入引入小扰动以增强检测能力。故障注入后，飞机在Y方向漂移，约15秒后检测到故障。
**5.2.3 点对点运动场景**：从初始位置运动到目标位置，初始后验概率设为0.5。运动过程中，控制输入受跟踪和检测目标共同驱动。故障注入后约5秒检测到故障，比悬停场景更快，表明运动过程中固有非零控制输入有助于增强可区分性。

**讨论与结论**

讨论部分：论文通过理论分析和实验验证了所提框架的有效性。约束收紧和李雅普诺夫条件确保了安全与稳定，神经近似误差对检测性能退化的影响被量化并可通过调整参数（如λ₂、视界N）缓解。与基于优化的方法相比，计算复杂度显著降低，且不牺牲关键性能。未来工作将拓展至非线性系统。

结论部分：本文通过提出一种具有可证明保证的神经网络控制框架，解决了安全关键系统中计算高效的主动故障检测挑战。该方法用学习策略替代在线求解非凸约束优化问题，同时通过约束收紧和李雅普诺夫条件显式应对神经网络近似误差。理论结果建立了约束满足、实际稳定性和故障检测性能有界退化的保证。在热系统和四旋翼平台上的实验验证表明，所提框架实现了可靠的故障检测，同时保持了稳定性和安全性，计算复杂度显著降低，适用于资源受限系统的实时实现。