چطور این مقاله مهندسی برق را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008477 رایگان است. ترجمه چکیده این مقاله مهندسی برق در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل انگلیسی :
495 Kb
حجم فایل فارسی :
527 کیلو بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
ملاحظات تحمل خطا برای AUV های مقاوم
عنوان انگليسي
Fault Tolerance Considerations for Long Endurance AUVs
نویسنده/ناشر/نام مجله
IEEE, Annual Reliability and Maintainability Symposium
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی برق شامل 6 صفحه انگلیسی به صورت پی دی اف و 20 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
ربات های هوشمند زیرآبی(AUV) در یک محیط خشن و نامشخص کار می کنند که چالش هایی بر انرژی، ناوبری، و ارتباطات آنها تحمیل می گردد. در محیط فرض شده، پهنای باند کمی برای ارتباط راه حلها برای یک خطا یا خرابی on-board وجود دارد. نرم افزارAUV مورد بحث برای بررسی اقدامات متقابل مین(mine) نیروی دریایی (NMCM) و ماموریت های استخراج مین است. برای چنین ماموریتهایی، قابلیت دسترسی عملیات، درخواستهای مطمئن و ایمنی سیستم از اهمیت بالایی برخوردارند. برای پرداختن به این، یک سیستم تشخیص خطای on-board،جداسازی و بازیابی(FDIR) توسط سازنده برای خطاهای اساسی مانند نفوذهای آرام(slow leaks)، overdepth، و وقفه ها با توجه به دستورات اپراتور ارائه شده است. که با آن، بیشتر AUVها می توانند یک ماموریت اسکریپت شده را پیاده سازی کنند، اما به طور کلی قادر به بازیابی از شکستهای پیچیده تر مانند انرژی پایین، و یا کاهش عملکرد در هواپیمای دریایی نیستند. این دو مورد در اینجا به عنوان نمونه های اجرا شده ارائه شده اند. نمونه ها نشان می دهند که سیستم بازیابی on-board هوشمند می تواند برای بازیابی به موقع از این نوع شکستها اجرا شود. با چنین اقداماتی، AUV می تواند تطبیق یابد و همانطور تحمل خطا برای تغییرات غیر منتظره در خود آن، محیط و ماموریت ممکن شود. بازیابی با بکارگیری یادگیری ماشین برای به دست آوردن بهترین راه حل برای یک شکست خاص و دلیل شکست با استفاده از مشاهدات بر روی گسل / شکست پیاده سازی شده است. علاوه بر این، شبکه های بیزی پویا(DBN) به عنوان یک رویکرد FDIR در جهت قابلیت اطمینان AUV برای ماموریتهای NMCM با مقاومت طولانی مدت پیشنهاد شده اند. DBNها برای رسیدگی به مشاهدات جزئی، عدم قطعیت ذاتی در تکامل زیر سیستمهای AUV، و تعامل زیر سیستمها با محیط خشن و نامطمئن مناسب هستند. این باعث توسعه ی انفعالی می گردد و مانع بازیابی خطا / شکست ممکن می شود.
1-مقدمه
وسایل نقلیه زیرآبی هوشمند(AUV) رباتهای زیرآبی با هواپیمای دریایی فعال، ملخ هواپیما، سیستم های ناوبری اینرسی (INS)، و پردازنده های جاسازی شده در میان زیر سیستم های دیگر هستند. آنها معمولا به شکل اژدر در آمده اند و در 2 تا5 گروه انتقال می یابند. بدنه آنها مخازن تحت فشار طراحی شده برای حداکثر عمق عملیاتی خاص می باشند. برای مثال، آنها در نرم افزارهای علمی، تجاری و نظامی برای نقشه برداری، بازرسی، نظارت، جستجو برای نفت و مواد معدنی و تشخیص مین ها، هواپیمای غوطه ور و کشتی های غرق شده در زیر آب / زیر یخ مورد استفاده قرار گرفته اند....
ربات های هوشمند
:کلمات کلیدی
Abstract
Autonomous Underwater Vehicles (AUV) work in a harsh and uncertain environment which imposes challenges on their energy, navigation, and communications. Given the environment, there is little bandwidth to communicate solutions to an on-board fault or failure. The AUV application discussed is for Naval Mine Countermeasures (NMCM) survey and minehunting missions. For such missions, operational availability, reliability demands, and system safety are of high importance. To address this, an on-board Fault Detection, Isolation and Recovery (FDIR) system is provided by the manufacturer for basic faults like slow leaks, over-depth, and time-outs due to unreceived operator commands .With that, most AUVs can implement a scripted mission but are generally unable to recover from more complex failures like low energy, or reduced functionality in hydroplanes. These two cases are presented here as implemented examples. The examples show that an autonomous on-board recovery system could be devised and implemented for timely recovery from these types of failures. With such measures, the AUV can be adaptive and as fault tolerant as possible to unexpected changes in itself, the environment and the mission. The recovery employed machine learning to gain insight into the best solution for a specific failure and the reason for failure from observations on faults/failures. Further, dynamic Bayesian networks (DBN) are proposed as a novel FDIR approach towards AUV reliability for long endurance NMCM missions. DBN are suited to address partial observability, uncertainties inherent in the AUV subsystems’ evolution, and the subsystems’ interaction with the harsh and uncertain environment. This makes advanced reactive and preventive fault/failure recovery possible.
Keywords:
autonomous underwater vehicles fault tolerance fault recovery FDIR
سایر منابع مهندسی برق در زمینه ربات