‘Pijnsignaal’ kan instabiliteit drones voorspellen

Een concept uit de natuur dat oorspronkelijk werd ontwikkeld om instorting van ecosystemen te voorspellen, kan ook helpen detecteren wanneer technische systemen op weg zijn naar een storing. Dit ‘pijnconcept’ kan de veiligheid van drones en autonome voertuigen vergroten.

Onderzoekers van de Faculteit Luchtvaart- en Ruimtevaarttechniek van de TU Delft, hebben hun expertise gecombineerd met die van Wageningen University & Research op het gebied van ecologische veerkracht en omslagpunten, om te vinden hoe deze principes uit de natuur kunnen worden toegepast op door de mens ontworpen systemen. Het onderzoek, gepubliceerd in Proceedings of the National Academy of Sciences (PNAS), maakt gebruik van vroegtijdige waarschuwingsindicatoren die gebaseerd zijn op een fenomeen dat bekendstaat als critical slowing down, ofwel kritische vertraging.

In de natuur treedt kritische vertraging op wanneer een systeem minder veerkrachtig wordt en meer tijd nodig heeft om te herstellen van verstoringen. Dit is vaak een teken dat het systeem een kantelpunt nadert. Een gezond bos kan bijvoorbeeld snel herstellen na een droge periode. Maar na elke droogte duurt dat herstel steeds langer. Uiteindelijk kan een relatief kleine klimaatextreem leiden tot grootschalige bossterfte. Wetenschappers kunnen de hersteltijd observeren om te bepalen of een ecosysteem inderdaad een kritiek kantelpunt nadert.

Hoewel deze methode al vaak wordt toegepast in de ecologie en klimaatwetenschap, was het tot nu toe onduidelijk of het ook zouden werken voor actief aangestuurde systemen zoals drones, vliegtuigen en autonome robots. In tegenstelling tot natuurlijke systemen worden deze technologieën voortdurend gereguleerd door besturingssystemen die in real-time reageren op veranderende omstandigheden. Desondanks ontdekten de onderzoekers dat de vroegtijdige waarschuwingssignalen uit de ecologie, ook bij gecontroleerde systemen betrouwbaar aangeven wanneer instabiliteit dreigt.

Problemen detecteren voordat ze kritiek worden

Om de aanpak te testen, werkte het onderzoeksteam in de CyberZoo, een drone-onderzoeksfaciliteit in Delft. Daar kunnen wetenschappers drones veilig tot aan de grens van controleverlies brengen, opzettelijk schade toebrengen en de gegevens verzamelen die nodig zijn om te begrijpen hoe storingen zich ontwikkelen.

Door data van simulaties, analyses van vluchtgegevens en experimentele tests te combineren, konden de onderzoekers vaststellen welke combinaties van schade, vluchtomstandigheden en manoeuvres het meest waarschijnlijk leiden tot controleverlies. De indicatoren kunnen niet alleen worden gebruikt om instabiliteit te detecteren, maar ook om het gedrag van een systeem in real-time aan te passen. Zo zouden ze kunnen helpen bij het bepalen van strategieën waarmee een vliegtuig ondanks schade aan een vleugel veilig kan blijven vliegen.

Goedkoop

De methode is niet afhankelijk van gedetailleerde fysieke modellen van een drone. In plaats daarvan kunnen gegevens van goedkope sensoren aan boord gebruikt worden om subtiele veranderingen in het systeemgedrag te herkennen. Hierdoor zou de technologie potentieel toepasbaar zijn op een scala aan technische systemen; omdat zij een generieke manier biedt om veerkracht te monitoren en problemen te identificeren vòòrdat deze tot ongevallen leiden.

Mogelijke toepassingen zijn het monitoren van kritieke infrastructuur, voorspellend onderhoud van vliegtuigen en andere voertuigen, kwaliteitscontrole tijdens productieprocessen verbeteren of de betrouwbaarheid van autonome systemen zoals zelfrijdende auto’s verhogen.

De eerste praktische toepassingen worden verwacht in de snelgroeiende dronesector, waar de technologie kan helpen om ongevallen te voorkomen als drones in steeds grotere aantallen worden ingezet binnen allerlei industrieën.