Gli ingegneri sono in missione per individuare i guasti

Ora, gli ingegneri del MIT hanno sviluppato un approccio che può essere abbinato a qualsiasi sistema autonomo, per identificare rapidamente una serie di potenziali guasti in quel sistema prima che vengano implementati nel mondo reale. Inoltre, l’approccio può trovare soluzioni ai guasti e suggerire riparazioni per evitare guasti al sistema.

Il team ha dimostrato che l’approccio può eliminare i guasti in una varietà di sistemi autonomi simulati, tra cui una rete elettrica piccola e grande, un sistema di prevenzione delle collisioni aeree, una squadra di droni di salvataggio e un manipolatore robotico. In ciascuno dei sistemi, il nuovo approccio, sotto forma di un algoritmo di campionamento automatizzato, identifica rapidamente una serie di probabili guasti e le riparazioni per evitarli.

Il nuovo algoritmo adotta una strategia diversa rispetto ad altre ricerche automatizzate, progettate per individuare i guasti più gravi in ​​un sistema. Questi approcci, afferma il team, potrebbero non cogliere le vulnerabilità più sottili ma significative che il nuovo algoritmo è in grado di individuare.

“In realtà, c’è tutta una serie di disordini che potrebbero verificarsi per questi sistemi più complessi”, afferma Charles Dawson, uno studente laureato presso il Dipartimento di Aeronautica e Astronautica del MIT. “Vogliamo poter avere fiducia in questi sistemi per portarci in giro, o per far volare un aereo, o per gestire una rete elettrica. È davvero importante conoscere i loro limiti e in quali casi è probabile che falliscano.”

Dawson e Chuchu Fan, assistente professore di aeronautica e astronautica al MIT, presenteranno il loro lavoro questa settimana alla Conferenza sull’apprendimento robotico.

Sensibilità verso gli avversari

Nel 2021, un grave crollo del sistema in Texas ha fatto riflettere Fan e Dawson. Nel febbraio di quell’anno, tempeste invernali si riversarono sullo stato, portando temperature inaspettatamente gelide che provocarono guasti alla rete elettrica. La crisi ha lasciato più di 4,5 milioni di case e aziende senza elettricità per diversi giorni. Il collasso a livello di sistema ha provocato la peggiore crisi energetica nella storia del Texas.

“È stato un fallimento piuttosto grave che mi ha fatto chiedere se avremmo potuto prevederlo in anticipo”, afferma Dawson. “Potremmo usare la nostra conoscenza della fisica della rete elettrica per capire dove potrebbero essere i suoi punti deboli, e poi indirizzare gli aggiornamenti e le correzioni del software per rafforzare quelle vulnerabilità prima che accada qualcosa di catastrofico?”

Il lavoro di Dawson e Fan si concentra sui sistemi robotici e sulla ricerca di modi per renderli più resilienti nel loro ambiente. Spinti in parte dalla crisi energetica del Texas, hanno deciso di espandere il loro campo d’azione, per individuare e correggere i guasti in altri sistemi autonomi più complessi e su larga scala. Per fare ciò, si sono resi conto che avrebbero dovuto modificare l’approccio convenzionale alla ricerca dei fallimenti.

I progettisti spesso testano la sicurezza dei sistemi autonomi identificandone i guasti più probabili e gravi. Iniziano con una simulazione al computer del sistema che ne rappresenta la fisica sottostante e tutte le variabili che potrebbero influenzare il comportamento del sistema. Quindi eseguono la simulazione con un tipo di algoritmo che esegue “ottimizzazione antagonista” – un approccio che ottimizza automaticamente per lo scenario peggiore apportando piccole modifiche al sistema, ancora e ancora, finché non riesce a restringere il campo su tali cambiamenti. associati ai guasti più gravi.

“Condensando tutti questi cambiamenti nel fallimento più grave o probabile, si perde gran parte della complessità dei comportamenti che potresti osservare”, osserva Dawson. “Volevamo invece dare priorità all’identificazione di una varietà di fallimenti.”

Per fare ciò, il team ha adottato un approccio più “sensibile”. Hanno sviluppato un algoritmo che genera automaticamente cambiamenti casuali all’interno di un sistema e valuta la sensibilità, o il potenziale guasto del sistema, in risposta a tali cambiamenti. Più un sistema è sensibile a un determinato cambiamento, maggiore è la probabilità che tale cambiamento sia associato a un possibile guasto.

L’approccio consente al team di individuare una gamma più ampia di possibili fallimenti. Con questo metodo, l’algoritmo consente inoltre ai ricercatori di identificare le correzioni ripercorrendo la catena di modifiche che hanno portato a un particolare errore.

“Riconosciamo che c’è davvero una dualità nel problema”, afferma Fan. “Ci sono due facce della medaglia. Se puoi prevedere un fallimento, dovresti essere in grado di prevedere cosa fare per evitarlo. Il nostro metodo ora sta chiudendo quel ciclo.”

Fallimenti nascosti

Il team ha testato il nuovo approccio su una varietà di sistemi autonomi simulati, inclusa una rete elettrica piccola e grande. In questi casi, i ricercatori hanno abbinato il loro algoritmo a una simulazione di reti elettriche generalizzate su scala regionale. Hanno dimostrato che, mentre gli approcci convenzionali si concentravano su una singola linea elettrica come la più vulnerabile al guasto, l’algoritmo del team ha scoperto che, se combinato con un guasto di una seconda linea, potrebbe verificarsi un blackout completo.

“Il nostro metodo può scoprire correlazioni nascoste nel sistema”, afferma Dawson. “Poiché stiamo facendo un lavoro migliore esplorando lo spazio dei fallimenti, possiamo trovare tutti i tipi di fallimenti, che a volte includono guasti anche più gravi di quelli che i metodi esistenti possono trovare.”

I ricercatori hanno mostrato risultati altrettanto diversi in altri sistemi autonomi, inclusa una simulazione per evitare collisioni tra aerei e coordinare i droni di salvataggio. Per vedere se le loro previsioni di fallimento nella simulazione sarebbero state confermate nella realtà, hanno anche dimostrato l’approccio su un manipolatore robotico, un braccio robotico progettato per spingere e raccogliere oggetti.

Il team ha prima eseguito il proprio algoritmo sulla simulazione di un robot incaricato di spingere via una bottiglia senza rovesciarla. Quando hanno eseguito lo stesso scenario in laboratorio con il robot reale, hanno scoperto che ha fallito nel modo previsto dall’algoritmo, ad esempio facendolo cadere o non raggiungendo del tutto la bottiglia. Quando hanno applicato la soluzione suggerita dall’algoritmo, il robot ha spinto via con successo la bottiglia.

“Ciò dimostra che, in realtà, questo sistema fallisce quando lo prevediamo e ha successo quando ce lo aspettiamo”, afferma Dawson.

In linea di principio, l’approccio del team potrebbe individuare e correggere i guasti in qualsiasi sistema autonomo purché sia ​​accompagnato da un’accurata simulazione del suo comportamento. Dawson prevede che un giorno l’approccio possa essere trasformato in un’app che progettisti e ingegneri possano scaricare e applicare per mettere a punto e perfezionare i propri sistemi prima di testarli nel mondo reale.

“Mentre facciamo sempre più affidamento su questi sistemi decisionali automatizzati, penso che il sapore dei fallimenti cambierà”, afferma Dawson. “Piuttosto che guasti meccanici all’interno di un sistema, vedremo più guasti guidati dall’interazione tra il processo decisionale automatizzato e il mondo fisico. Stiamo cercando di tenere conto di questo cambiamento identificando diversi tipi di guasti e affrontandoli Ora.”

Questa ricerca è supportata, in parte, dalla NASA, dalla National Science Foundation e dall’Ufficio per la ricerca scientifica dell’aeronautica americana.