Robocikowo>ROBOCIKOWO
Bezpieczeństwo

FDI

1971AktywnyOpublikowano: 4 maja 2026Aktualizacja: 4 maja 2026Opublikowany
FDI to zestaw metod wykrywania i lokalizacji uszkodzeń w systemach sterowania poprzez generowanie i analizę reziduów — różnic między obserwowanym a przewidywanym zachowaniem układu.
Kluczowa innowacja
Systematyczna metodologia wykrywania (detection), izolacji (isolation) i identyfikacji (identification) uszkodzeń w systemach dynamicznych na podstawie porównania obserwowanych sygnałów z modelem nominalnym.
Kategoria
Bezpieczeństwo
Poziom abstrakcji
Building block
Zastosowania
Moduł FDI w Active FTCDiagnostyka predykcyjna (Predictive Maintenance)Monitorowanie silników lotniczychDetekcja uszkodzeń sensorów w robotachMonitorowanie pojazdów autonomicznychSystemy bezpieczeństwa procesów chemicznych (SIS)Detekcja awarii dronów wielowirnikowych

Jak działa

Generuj rezidua: r(t) = y(t) - ŷ(t), gdzie ŷ(t) = wyjście modelu/obserwatora. Zastosuj test statystyczny lub próg: r > γ → detekcja. Użyj banku obserwatorów (każdy wrażliwy na jeden komponent) lub parity equations do izolacji. Identyfikacja: adaptacyjne metody online (np. least squares) do estymacji wielkości uszkodzenia.

Rozwiązany problem

Jak automatycznie wykryć, zlokalizować i scharakteryzować uszkodzenie w systemie dynamicznym na podstawie sygnałów wejściowych i wyjściowych, bez ingerencji operatora.

Komponenty

Residual GeneratorPodstawowy sygnał diagnostyczny.

Moduł obliczający rezidua r(t) = y(t) - ŷ(t) na podstawie modelu nominalnego lub obserwatora.

Residual Evaluator / Decision LogicDetekcja i izolacja uszkodzenia.

Moduł porównujący rezidua z progami lub stosujący testy statystyczne (CUSUM, GLR, χ²) do podjęcia decyzji o uszkodzeniu.

Observer BankIzolacja — lokalizacja uszkodzonego komponentu.

Zestaw obserwatorów (Luenberger, KF) zaprojektowanych dla różnych scenariuszy uszkodzeń — każdy generuje rezidua wrażliwe na jeden rodzaj uszkodzenia.

Fault Identification ModuleIdentyfikacja — wejście do mechanizmu rekonfiguracji FTC.

Estymuje wielkość i charakter uszkodzenia (adaptive parameter estimation, LS, Bayesian methods) po jego izolacji.

Implementacja

Pułapki implementacyjne
False Alarm Rate vs Missed Detection RateWysoka

Zmniejszenie progu detekcji zwiększa FAR; zwiększenie progu zwiększa MDR. Konieczny kompromis zależny od aplikacji.

Rozwiązanie:Receiver Operating Characteristic (ROC), adaptive thresholds, Bayesian decision theory.
Nierozróżnialność uszkodzeń od zakłóceńWysoka

FDI oparte na obserwatorach może mylić zakłócenia zewnętrzne z uszkodzeniami (brak odporności).

Rozwiązanie:Robust FDI (unknown input observers, H∞ observers), separacja zakłóceń od uszkodzeń przez projekt obserwatora.
Izolacja przy uszkodzeniach jednoczesnychŚrednia

Standardowe schematy banku obserwatorów projektowane dla uszkodzeń pojedynczych zawodzą przy dwóch jednoczesnych awariach.

Rozwiązanie:Metody kombinatoryczne, uczenie maszynowe, generalized likelihood ratio tests.

Ewolucja

1971
Beard — pierwsze formalne FDI
Punkt przełomowy

R. V. Beard (MIT) formalizuje fault accommodation — początek model-based FDI.

1984
Frank — observer-based FDI survey

P. M. Frank systematyzuje metody obserwatorowe FDI w serii publikacji; Dedicated Observer Scheme (DOS) i GOS.

1991
Gertler — parity equations

J. Gertler formalizuje podejście parity equations do FDI jako alternatywę dla obserwatorów.

1993
IFAC SAFEPROCESS — dedykowana konferencja
Punkt przełomowy

Pierwsza konferencja IFAC SAFEPROCESS (Safety of Computer Control Systems) — FDI/FTC staje się odrębną subdyscypliną.

2010
Data-driven FDI — ML klasyfikatory

Wzrost zastosowania SVM, random forests i sieci neuronowych do FDI na danych przemysłowych (diagnostyka predykcyjna).

2020
Deep learning FDI

Autoenkodery, LSTM i Transformer-based anomaly detection stosowane do FDI w robotyce i przemyśle 4.0.

Szczegóły techniczne

Wymagania sprzętowe

Podstawowe

FDI realizowane na RT CPU w pętli sterowania (typowo ta sama platforma co regulator).

Możliwe

Deep learning FDI (autoenkodery, LSTM) może korzystać z GPU dla offline treningu lub inference w systemach nieciągłoczasowych.

Dobry fit

Model-based FDI jest hardware-agnostic; kluczowy jest deterministyczny scheduler RT.