تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله ملاحظات تحمل خطا برای AUV های مقاوم – نشریه IEEE

عنوان فارسی: ملاحظات تحمل خطا برای AUV های مقاوم
عنوان انگلیسی: Fault Tolerance Considerations for Long Endurance AUVs
تعداد صفحات مقاله انگلیسی : 6 تعداد صفحات ترجمه فارسی : 14
سال انتشار : 2017 نشریه : آی تریپل ای - IEEE
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 7477 رفرنس : دارد
محتوای فایل : zip حجم فایل : 941.30Kb
رشته های مرتبط با این مقاله: مهندسی برق
گرایش های مرتبط با این مقاله: مهندسی کنترل، هوش ماشین و رباتیک و مکاترونیک
مجله: سمپوزیوم سالانه قابلیت اطمینان و نگهداری - Reliability and Maintainability Symposium
دانشگاه: وزارت دفاع ملی - Department of National Defence
وضعیت ترجمه عناوین تصاویر: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر: ترجمه نشده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

خلاصه و نتیجه گیری

1-مقدمه

2- اجزا و زیر سیستمهای داخلی AUV

2-1سنسورها On-board و تجهیزات

2-2 برنامه کاربردی AUVها برای ماموریت های NMCM

3-NMCM ON-BOARD هوشمند

4-توسعه FDIR هوشمند

5-بررسی مختصر آثار

6-استفاده از FDIR هوشمند AUV موجود

6-1 افزایش قابلیت اطمینان AUV با FDIR هوشمند

6-2 ارزش عملیات بازیابی FDIR هوشمند

6-3 پیشگیری و بازیابی مشورتی از طریق FDIR

7-تحمل خطا و نیازهای مأموریت

8- مفهوم پشتیبانی

8-1 سیستم تجهیزات و آمادگی مواد

8-2 طراحی معماری باز

8-3 احیا و الحاق فناوری

9- کار فعلی و آینده

نمونه متن انگلیسی

SUMMARY & CONCLUSIONS

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, overdepth, 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.

نمونه متن ترجمه

خلاصه و نتیجه گیری

رباتهای 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.