مقالات ترجمه شده دانشگاهی ایران

عیب یابی مانیتورینگ ربات خودکار زیرآبی

عیب یابی مانیتورینگ ربات خودکار زیرآبی

عیب یابی مانیتورینگ ربات خودکار زیرآبی – ایران ترجمه – Irantarjomeh

 

مقالات ترجمه شده آماده گروه کامپیوتر
مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات

چگونگی سفارش مقاله

الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.

قیمت

قیمت این مقاله: 48000 تومان (ایران ترجمه - Irantarjomeh)

توضیح

بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.

مقالات ترجمه شده کامپیوتر - ایران ترجمه - irantarjomeh

www.irantarjomeh.com

شماره      
۱۱۶
کد مقاله
COM116
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
عیب یابی و اعمال مانیتورینگ اتوماتیک برای ماموریت های روبات خودکار زیرآبی (AUV)
نام انگلیسی
Automatic Fault Detection and Execution Monitoring for AUV Missions
تعداد صفحه به فارسی
۴۶
تعداد صفحه به انگلیسی
۹
کلمات کلیدی به فارسی
عیب یابی، مانیتورینگ اتوماتیک، روبات خودکار زیرآبی
کلمات کلیدی به انگلیسی
Fault Detection, Monitoring, AUV
مرجع به فارسی
کالج علوم کامپیوتر، دانشگاه بیرمنگهام، انگلستان
مرکز اقیانوس شناسی ملی، دانشگاه سافهمپتون، انگلستان
مرجع به انگلیسی
School of Computer Science; University of Birmingham
Birmingham, UKوNational Oceanography Centre
University of Southampton; Southampton, UK
کشور
انگلستان

عیب یابی و اعمال مانیتورینگ اتوماتیک برای ماموریت های روبات خودکار زیرآبی (AUV)

چکیده
ربات های خودکار پیش رفته زیرآبی (AUV) ها[۱]، مخصوصا آن دسته از ربات هایی که قابلیت انجام اهداف دراز مدت / طولانی را دارند، برای انجام ماموریت های پیچیده، بدون پشتیبانی متوالی از سوی کشتی مادر، باید به میزان زیادی از استقلال عمل و سیستم های خودگردان و خودکار داخلی برخوردار باشند. یکی از ویژگی های مهم این حالت، استقلال عیب یابی و اعمال فرایند مانیتورینگ می باشد. در این مقاله، ما نسبت به تشریح کاربرد سیستم تشخیصی لوینگستون ۲[۲] بر روی سیستم اتوساب ۶۰۰۰[۳] اقدام نموده و علی الخصوص مسائلی را بررسی می نماییم که تضمین کننده اجرای صحیح اهداف و ماموریت های  این سیستم می باشند.
غالب عملیات روبات های اتوماتیک زیرآبی (AUV) نیازمند بکارگیری فرایندها، اجرای دستورالعمل ها و پیاده سازی آنها در یک بازه زمانی رفت و برگشتی سریع می باشند و تنها مانع محدود کننده آنها صرف زمان مورد نیاز برای شارژ باتری ها می باشد. در بسیاری از سیستم ها اهداف یا ماموریت های پیرامونی را می بایست بسیار سریع برنامه ریزی نمود، بنابراین لازم است تا از یک روش اتوماتیک جهت نظارت بر اهداف ماموریت بهره گرفت. در این مقاله ما دیدگاهی را جهت ایجاد اتوماتیک مدل های تشخیصی مطرح می نمائیم که منطبق با دستورالعمل های مربوط به ماموریت های مشخص شده می باشد، فرایندی که متعاقبا می توان آن را با مدل های از قبل ساخت شده مولفه های فیزیکی AUV ترکیب نمود تا قابلیت ارتقای عیب یابی و اعمال فرایند نظارتی وجود داشته باشد. ما از طریق بکارگیری این مدل برنامه ای نشان می دهیم که قابلیت عیب یابی مواردی را خواهیم داشت که قبلا عیب یابی آنها امکان پذیر نبوده و علاوه براین نشان می دهیم که یک خطای حقیقی که بر روی سیستم اتوساب ۶۰۰۰ رخ می دهد را می توان به صورت موفقیت آمیزی تشخیص داد.
[۱] Automatic Underwater Vehicles
[۲] Livingstone 2
[۳] Autosub 6000

عیب یابی مانیتورینگ ربات خودکار زیرآبی

 

۱-  مقدمه
با شایع تر شدن ربات های اتوماتیک زیرآبی (AUV) ها، و علی الخصوص با توجه بدین موضوع که ماموریت ها از نظر زمانی طولانی تر گردیده و باید آنها را در محیط هایی انجام داد که ناشناخته تر هستند، ارتقای اطمینان پذیری این ربات از اهمیت فزاینده ای برخوردار می باشد. بالاترین سود در این زمینه احتمالا با توجه به حصول سخت افزار و سیستم های کنترلی مطمئن تر حاصل خواهد آمد، موردی که سبب خواهد شد تا فرایند طراحی ماموریت ها به صورت ایمن انجام شود [۱]؛ در عین حال ما عقیده داریم که باید به تشخیص داخلی/ آنبرد[۱] سیستم نیز توجه کافی شود تا آنکه بتوان نسبت به تشخیص عیوب به هنگام رخ دادن آنها اقدام نموده تا بر این اساس قابلیت انجام رویه های مقتضی جهت به حداقل رسانی تاثیرات آنها وجود داشته باشد. محیطی که این ربات ها در آنها عمل می نمایند تحت شرایطی چون فشار حاد، تاثیرات خوردگی ناشی از آب دریا، و خطر صدمه دیدگی به واسطه امواج به هنگامی که این ادوات بر روی سطح هستند و همچنین احتمال تصادم در طی فرایند راه اندازی و رویه های متعاقب می باشد، که می توان آنها را جزء فرایندهایی در نظر گرفت که نمی توان انتظار داشت که حتی بهترین سیستم هایی که از بهترین طراحی نیز برخوردار هستند بتوانند بدون عیب ماموریت های مکرر خود را انجام دهند.
به غیر از بررسی سلامت اجزای سخت افزاری ربات خودکار زیرآبی (AUV)، ما همچنین علاقمند بررسی فرایند پیاده سازی ماموریت خود می باشیم. برای سیستم اتوساب، هدف تعریف شده در فایلی تحت عنوان اسکریپت ماموریت[۵] مشخص شده است که در زمان شروع هر ماموریت به سیستم آپلود یا بارگذاری خواهد شد. جهت بررسی اجرای این فرایند، و همچنین از آنجایی که اسکریپت ماموریت شامل اطلاعاتی در خصوص رفتار این ربات می باشد که در کتابچه های عملیاتی دیگر موجود نیست، ما می بایست نسبت به ایجاد یک مدل تشخیصی اسکریپت ماموریت به صورت اتوماتیک از خود این اسکریپت اقدام نماییم. در عین آنکه ما در حال ایجاد این مورد می باشیم،  همچنین می توانیم اقدام به انجام کنترل های سلامت اتوماتیک بر روی این اسکریپت نیز نماییم.

 

در بخش ۵، ما استفاده از فرایند تشخیصی هم به صورت آنبرد، و هم به صورت خارج از ربات/ افبرد[۶] با استفاده از سیستم تله متری ارسال شده به کشتی پشتیبانی، با استفاده از سیستم های صوتی، را به بحث می گذاریم. این مورد دارای پتانسیل لازم و کاملا مفید با عملیات AUV، مخصوصا با توجه به اسکریپت ماموریت و فرآیند نظارتی می باشد. از آنجایی که سیستم تشخیصی افبرد تنها دارای دسترسی به زیر- مجموعه محدودی از متغیرها می باشد، رویه های تشخیصی که می توان آنها به صورت افبرد اعمال داشت در مقایسه با رویه های آنبرد  کاملا محدود می باشند. با این وجود، برخی از خطاهای بحرانی را می توان مشخص نمود، اگر چه با یک تغییر معنی دار در مقایسه با رویه تشخیص آنبرد. ما نتایج اولیه خود، بغیر از مبحث آنبرد و آفبرد، را در بخش ۶ مورد بررسی قرار خواهیم داد.

 

الف. تحقیقات مرتبط

 

تاریخچه طویل المدتی در خصوص تحقیق بر روی عیب یابی و کنترل تحمل خرابی برای روبات های اتوماتیک زیرآبی وجود دارد. همانند غالب ربات ها، اتوساب ۶۰۰۰ و ربات های قبلی آن دارای ساده ترین سیستم قطع اضطراری [۴] هستند که بر مبنای تعداد متنوعی از رخدادها، نظیر عدم پاسخگویی حیاتی سیستم های فرعی، و یا به هنگامی که ربات حداکثر مجاز عمق خود را پشت سر گذاشته باشد، عمل می نمایند.
[۱] On-board
[۲] Bayesian
[۳] Antarctica
[۴] flight software
[۵] mission script
[۶] off-board
تاریخچه طویل المدتی در خصوص تحقیق بر روی عیب یابی و کنترل تحمل خرابی برای روبات های اتوماتیک زیرآبی وجود دارد. همانند غالب ربات ها، اتوساب ۶۰۰۰ و ربات های قبلی آن دارای ساده ترین سیستم قطع اضطراری [۴] هستند که بر مبنای تعداد متنوعی از رخدادها، نظیر عدم پاسخگویی حیاتی سیستم های فرعی، و یا به هنگامی که ربات حداکثر مجاز عمق خود را پشت سر گذاشته باشد، عمل می نمایند.
تحقیق در خصوص عیب یابی و تحمل خرابی برای AUV و ROV ها در مرجع [۵] ارائه شده است. بسیاری از این دیدگاه ها مدل- مبنا می باشند، اما این ویژگی صرفا برای سیستم های فرعی محدود، به طور مثال برای راه اندازها / محرک های ذکر شده در مرجع [۶] مدنظر می باشد. این مدل ها در چنین وضعیتی به صورت سیستم پیوسته، به جای سیستم گسسته که L2 استفاده می کند، بوده و معایب شامل تغییراتی در پارامترهای سیستم هستند.
ارتباط بین این انواع دیدگاه ها و دیدگاهی که ما  حاصل آورده ایم آن است که L2 فراهم آورنده عیب یابی سطح – سیستمی، به جای سطح- جزئی می باشد. در حقیقت، خروجی خطا یا عیوب جزئی قابلیت کنترل موارد مشخص شده در مرجع [۶] را داشته تا  احتمال کاربرد آنها بعنوان ورودی های بسیار مناسبی برای L2  بوجود آید. ما این ایده را در بخش ۷ باز  نموده و در آن اقدام به تشریح یکپارچه سازی مدل های سیستم مبنای هیبرید همراه با مدل های گسسته L2 خواهیم نمود.

عیب یابی مانیتورینگ ربات خودکار زیرآبی

۲- آنالیز خطاهای اتوساب ۶۰۰۰
معماری اتوساب ۶۰۰۰ شامل شبکه ای از اجزای مختلف، در بردارنده ادوات علمی، سطوح کنترل و موتورها، می باشد که همگی به وسیله یک جزء واحد، که وظیفه آن کنترل ماموریت از طریق اجرای اسکریپت ماموریت می باشد، کنترل گردیده [۷] و بعلاوه این جزء قابلیت توزیع دستورات داخلی به مولفه ها یا اجزای مختلف دیگر را نیز خواهد داشت. اطلاعات خوانده شده حسگر، از اجزای مختلف، از طریق شبکه به سمت جزء کنترل کننده ماموریت و همچنین ثبات[۱]  که یک کامپیوتر شخصی (PC) با قابلیت ذخیره سازی داده ها می باشد انتقال یافته و سپس از این طریق داده ها به موتور تشخیصی هدایت شده و آن را برای اعمال فرآیندهای تله متری / دور سنجی صوتی در اختیار سیستم موجود / کشتی در سطح دریا می گذارد.
این ربات دارای چهار راه انداز / محرک، موتور، رها کننده های وزنه های کاهش وزن[۲]، سکان عمودی عقب[۳] و باله عقب[۴] می باشد. حتی بدون رها سازی وزنه های کاهش وزن، این ربات هنوز به صورت مثبتی قابلیت شناوری در عملیات نرمال را خواهد داشت. این ربات نیروی خود را از ۱۲ باتری پلیمری لیتیوم سفارشی می گیرد که قابلیت فراهم آوردن نیروی مورد نیاز در محدوده ای بیش از ۵۵۰ کیلومتر و ماموریت فراتر از ۸۵ ساعت را خواهد داشت [۸]. سیستم فرعی نیرو، قابلیت تفکیک توان برای بارهای حیاتی (موتور) و ابزارهای علمی (هتل) را خواهد داشت. راه اندازها و حسگرها که در تعامل با سیستم ناوبری ربات هستند متصل به مدار حیاتی برق می باشند، در مقابل ادوات علمی به یک مدار مجزای غیر حیاتی متصل می باشد.
[۱] logger
[۲] abort weights
[۳] rudder
[۴] stern-plane
الف. بروز مواردی از شکست و خطا در ماموریت های قبلی
اتوساب ۶۰۰۰ تاکنون ۳۶ ماموریت را انجام داده است و انواع ربات های قبلی آن تحت عناوین اتوساب ۱، اتوساب ۲، اتوساب۳ تواما بیش از ۴۳۰ ماموریت را به اتمام رسانده اند. بنابراین، ما از موقعیت ممتازی، در زمینه دسترسی به مقادیر بسیار زیادی از داده های ثبت شده، هم به صورت اسمی و هم داده های خطا، برخوردار می باشیم و این بدان معنا می باشد که به جای تست سیستم عیب یاب با استفاده از یک شبیه ساز، می توانیم از داده های ثبت شده حقیقی که برای اهداف ارزیابی در دسترس می باشند استفاده نماییم. لیستی از موارد منتج به شکست/ خرابی که تاکنون مشاهده نمودیم در جدول ۱ مشخص شده است. این لیست بر مبنای آنالیز کامل ماموریت های اتوساب ۶۰۰۰ می باشد، اما در خصوص سیستم های دیگر تنها به تحلیل نسبی بسنده شده است.

عیب یابی مانیتورینگ ربات خودکار زیرآبی

۳- تشخیص مدل- مبنا با استفاده از لوینگستون ۲
به طور معمول، تشخیص اتوماتیک با استفاده از سیستم های تخصصی اعمال می گردد. دیدگاه هایی نظیر سیستم های قاعده- محور وجود دارند که از دانش  متخصصین انسانی همراه با داده های مرتبط با علایم مشخص به منظور انجام روال تشخیصی استفاده می نمایند. با این حال، این دیدگاه ها منوط به کیفیت و تکامل داده های تخصصی خواهند بود. تشخیص خطا برای سیستم هایی نظیر رخدادهای برجسته اتوساب (خطاها) که به صورت نادر می باشند نیارمند تعاملات پیچیده ای بین سیستم های فرعی خواهند بود. بنابراین جمع آوری این داده های تخصصی سخت و مشکل می باشد و قواعدی که می بایست آنها را با تعامل با چنین سیستمی به کار گرفت خود از پیچیدگی فزاینده ای برخوردار خواهد بود.

 

تشخیص مدل – مبنا (MBD) [11] به عنوان جایگزینی برای سیستم های تخصصی به شمار می آید که به طور موفقیت آمیزی در تعدادی از حوزه ها به کار گرفته شده است. این دیدگاه از یک مدل رفتار فیزیکی سیستم بهره می جوید. رویه تشخیص خطا همراه با مقایسه رفتار پیش بینی شده سیستم، بر مبنای این مدل و با توجه به رفتار مشاهده شده سیستم و با استفاده از انواع مختلف رابط ها جهت تشریح هر گونه اختلاف،  مد نظر می باشد. برخی از سیستم ها،  نظیر GDE [11]، لوینگستون [۱۲]، هاید[۱] [۱۳] و لیدیا[۲] [۱۴] بر اساس این دیدگاه توسعه یافته اند. کلیه این موارد کاملا از نظر ظرفیت مشابه هستند، با این حال هاید به طور مثال، اجازه به کار گیری مجموعه ای از غنی تری از مدل ها، شامل مدل های سیستم گسسته – پیوسته هیبرید، را خواهد داد. دلیل استفاده ما از سیستمی که ما در لوینگستون ۲ بکار گرفته شده است دسترسی آزادانه / مجانی بدان است و بعلاوه بدین علت است که این سیستم قبلا در کاربردهای مشابهی مورد استفاده قرار گرفته است.
[۱] Hyde
[۲] Lydia
 
الف. کاربرد L2 برای اتوساب
در بخش ۲ ما نگاه خود را معطوف به آنچه منجر به بروز شکست یا عدم موفقیت ماموریت های قبلی شده است می نماییم. قبل از استفاده L2 جهت تشخیص اتوساب، ما از این داده ها جهت مشخص نمودن عیوب حیاتی، که ممکن است سیستم را با ریسک روبرو سازد، استفاده می نماییم. به طور مثال، با آنکه عیب on-switch در ماموریت ۱۵، که در نهایت منجر به کنسل نمودن پروژه گردید، بوجود آمد، این عیب سبب نشد تا خود ربات در معرض خطر قرار گیرد. از طرف دیگر، بروز خطا در راه انداز باله عقبی در ماموریت ۱۲، همراه با عیوب مشابه دیگر در اتوساب۳  سبب گردد تا این ربات به طور مستقیم در معرض خطر برخورد با بستر دریا قرار داشته باشد. بنابراین، ما به منظور تشخیص نسبت به مشخص نمودن کنترل عمق به عنوان یک اولویت اقدام می نماییم. 
[۱] consistency-based approach
[۲] statistical based approach
ب. تسکین عیوب و خطاها در اتوساب ۶۰۰۰
تشخیص خطاها و عیوب حقیقتا منجر به افزایش اطمینان پذیری و توانمندی یک سیستم نخواهد شد. چنین موردی را صرفا می توان از طریق اعمال کنش های مناسب با توجه به رویه های تشخیصی حاصل آورد. L2 چنین فرآیندی را به روشی مشابه با شناسایی خطاها  اعمال می دارد: این سیستم به جستجوی گذارهای دستوری[۱] پرداخته، و با توجه به مود خطا، یک مود عملیات اسمی را مد نظر قرار می دهد. در سیستم هایی که دارای افزونگی[۲] داخلی هستند، نظیر سیستم های سوخت موشک، این مورد نوعا شامل باز و بسته کردن سوپاپ ها می باشد تا از این طریق به مسیر افزونه[۳] اجازه داده شود تا قابلیت تامین سوخت به موتور، به جای استفاده از مورد معیوب، را داشته باشد. در اتوساب، افزونگی بسیار اندکی وجود دارد بنابراین با توجه به عیوب بسیار، احتمالا کاری را جهت حصول عملیات اسمی نمی توان انجام داد،
[۲] redundancy
[۳] redundant pathway
[۴] overhead

عیب یابی مانیتورینگ ربات خودکار زیرآبی

 

۴- مدل تشخیصی اتوساب ۶۰۰۰
جهت نشان دادن دیدگاه تشخیص ثبات – محور ما یک مدل تشخیصی ساده شده زیر مجموعه اتوساب ۶۰۰۰ را ارائه داده و اقدام به بحث در خصوص ویژگی های کلیدی چنین مدلی نمودیم. اولین ناحیه ای که ما اقدام به بررسی آن می نماییم سیستم کنترل عمق می باشد، چرا که ما دارای داده های معیوبی از این سیستم می باشیم (ماموریت ۱۲ اتوساب ۶۰۰۰)، و بواسطه آنکه این سیستم به عنوان یک مولفه حیاتی برای ایمنی ربات زیرآبی به شمار می آید.
اتوساب ۶۰۰۰ دارای مودهای مختلف کنترل عمق می باشد که در آن متغیرهای  مختلف شبکه معنی دار خواهد بود. این موضوع در شکل ۲ نشان داده شده است. نمودار سمت چپ نشان دهنده رفتار اسمی این ربات در طی فاز غوطه وری می باشد. خط قرمز متشکل از علامت های « +» معرف سنجش عمق می باشد و خط آبی که با علامت های « ×» نشان داده شده است بر مبنای تقاضاهای عمقی است که از اطلاعات حاصله از ماموریت ۱۲ بدست آمده است. توجه شود که برای دوره های طولانی که در آن عمق مورد تقاضا ۲۰۰ متر می باشد، ربات زیردریایی همچنان به غوطه وری ادامه می دهد. این مورد به واسطه آن است که ربات در یک مود غوطه وری زاویه باله عقبی ثابت[۱] در حال پایین رفتن می باشد ک در آن تقاضاهای عمق نادیده انگاشته می شود. بنابراین، چنین رفتاری به صورت اسمی خواهد بود. ستاره های سیاه معرف لحظاتی است که خطوط مقتضی در اسکریپت ماموریت آغاز می شوند.
[۱] fixed stern plane angle dive mode
الف. پروفایل عمق
در زمانی که نسبت به تولید مدل اسکریپت ماموریت اقدام می نماییم، ما همچنین یکسری از کنترلرها را بر روی این اسکریپت انجام داده و بدینسان یک پروفایل عمق را در ارتباط با ماموریت بوجود می آوریم که خود مشخص کننده تقریبی در خصوص میزان بالا آمدن و غوطه وری این ربات و همچنین تقاضاهای موجود در اسکریپت و طول زمان مقتضی هر مورد به هنگام بلوکه شدن می باشد.
مقایسه پروفایل های عمق ارزیابی شده و برآورد شده در شکل ۵ نشان داده شده است. در قسمت چپ تصویر ابزاری که اقدام به انجام کنترل های صحت و سقم در مورد اسکریپت های ماموریت می نماید و نسبت به مشخص نمودن پروفایل عمق ارزیابی شده اقدام می کند نشان داده شده است. نمودار سمت راست خود معرف پروفایل عمق این ماموریت می باشد که به وسیله حسگر فشار ربات خودکار زیرآبی اندازه گیری می شود. این مورد را می توان مشاهده نمود که نمودارها مشابه هستند، اما پروفایل ارزیابی شده زمان بیشتری را در مقایسه با پروفایل حقیقی طلب می نماید. 
[۱] waypoint

عیب یابی مانیتورینگ ربات خودکار زیرآبی

 

۵- تشخیص خارج از ربات / از راه دور
تاکنون ما نوعی سناریو را مدن ظر قرار دادیم که در آن سیستم تشخیصی در داخل ربات زیرآبی نصب شده بود (یا همانند آزمایشات ما، با استفاده از داده هایی که مستقیما از فایل های ثبت شده خام که در طی ماموریت های قبلی ثبت شده بودند حاصل آمده اند).
یکی از دیگر کاربردهای سیستم تشخیص عیب اتوماتیک برای اتوساب ۶۰۰۰ ربات خودکار زیرآبی مانیتورینگ یا کنترل از راه دور از طریق سیستم تله متری به عنوان یک راهکار کمکی برای اپراتورها می باشد. تله متری یا دورسنجی قابلیت برقراری ارتباط از اتوساب به کشتی پشتیبان از طریق لینک صوتی را خواهد داشت. به هنگامی که این لینک صوتی اقدام به برقراری ارتباط تا محدوده ۷ کیلومتری می نماید، عملکرد آن محدود به ۸۰ بایت پاکتی می باشد که هر ۲۰ الی ۳۰ ثانیه یک بار ارسال می گردد. احتمال اتلاف پاکت با توجه به فاصله افزایش خواهد یافت و مشاهده اتلاف پاکت به میزان بیش از ۲۰ درصد مورد تعجب برانگیزی به شمار نمی آید. برای فرآیند تشخیص، چنین موردی یک چالش قابل توجه بحساب می آید چرا که رویه تشخیصی ما بر مبنای داده های بسیار اندکی بوده و برخی از دستورات و اطلاعات حالات ممکن است برای زمانی طولانی از دست بروند.
 

عیب یابی مانیتورینگ ربات خودکار زیرآبی

 

۶- آزمایشات
جهت کنترل کارایی سیستم تشخیصی ثبات – محور و همچنین مدل های ما، اقدام به راه اندازی موتور تشخیصی بر روی داده های ثبت شده از ۲۵ ماموریت حقیقی اتوساب ۶۰۰۰، شامل ماموریتی که متشکل از داده های اسمی و پتانسیل سنج خطا که در شکل ۲ نشان داده شده است، نمودیم. برای مقایسه، ما این مدل تشخیصی را بدون اعمال مدل اسکریپت ماموریت انجام دادیم. در کلیه موارد، این مدل ها هیچ گونه خطای مثبت کاذب را نداشته اند. با این وجود، در مورد سناریوی عیب پتانسیل سنج، مدلی که شامل جزء اسکریپت ماموریت نبوده است قابلیت تشخیص خطا را نداشت، در حالیکه مدلی که دارای جزء اسکریپت ماموریت بوده است قابلیت تشخیص خطا در زمان ماموریت ۵:۳۲:۴۰ را داشت، تقریبا ۵۴ ثانیه پس از بروز شواهد اولیه خطا در داده ها و ۸ ثانیه قبل از رها سازی وزنه های کاهش وزن، چرا که این ربات از حداکثر عمق مجاز عبور نموده بود. بدون جزء اسکریپت ماموریت، سیستم تشخیصی قابلیت مشخص نمودن این موضوع که سیستم هنوز در مود کنترل عمق می باشد را نخواهد داشت، بنابراین چنین موردی قابلیت تشریح رفتار معیوب از طریق این فرض را خواهد داشت که ربات به مود کنترل باله عقبی سوییچ نموده و تقاضاهای مربوط به عمق را نادیده می گیرد.

عیب یابی مانیتورینگ ربات خودکار زیرآبی

 

۷- تحقیقات آتی
در حال حاضر، تحقیقاتی در خصوص جانشین اتوساب ۶۰۰۰  که تحت عنوان اتوساب لانگرنج[۱] می باشد در حال انجام است. این ربات قابلیت انجام ماموریت هایی را خواهد داشت که به مدت ۶ ماه در یک بازه زمان پیوسته به طول خواهد انجامید. بنابراین مسئله قابلیت تشخیص و تسکین خطاها در مقایسه با ربات های موجود اتوساب بسیار حیاتی تر خواهد بود. اتوساب لانگرنج دیگر برای غالب ماموریت های خود به وسیله کشتی پشتیبان مورد پشتیبانی قرار نمی گیرد، بنابراین هیچ گونه مانیتورینگ یا نظارت انسانی نیز محتمل نبوده به جز آنکه ربات به سطح آب آمده و به وسیله تلفن قابلیت تماس داشته باشد. چنین موردی  به عنوان  هدف  اصلی برای آینده مد نظر می باشد که در آن قابلیت ارسال یا انتقال ظرفیت های تشخیصی خطای ما به یک پلتفرم جدید مد نظر خواهد بود. چنین موردی همراه با یک مزیت معنی دار است که با توجه به آن می توانیم حتی در زمان طراحی ربات، در خصوص تشخیص خطا و موارد مورد نیاز برای حسگر ها و سیستم های ثبات، به تفکر پردازیم. موردی که قطعا سبب خواهد شد تا امر مشخص نمودن معایب آسانتر شود. چالش مرتبط با اتوساب لانگرنج مصرف نیرو است- هیچ کس علاقه ای به اجرای یک سیستم تشخیصی که ماموریت آن کوتاه تر از یک ماه است را ندارد- حفظ میزان مصرف نیرو به حد کفایت اندک، بگونه ای که تداخلی با فرایندهای و داده های علمی حاصله کنونی نداشته باشد، بعنوان یک مورد مطلوب مد نظر است.
در نهایت، ما در این مقاله به برخی از سیستم های فرعی که نمی توان آنها به سادگی با استفاده از دیدگاه گسسته L2 مدل سازی کرد توجه نداشته ایم. ما قبلا در خصوص تحقیقات مرتبط با تشخیص پیشرانه ها برای ربات های زیرآبی خودکار صحبت نمودیم [۶]، در عین حال به طور السویه می بایست نگرانی خود در خصوص مسایل مرتبط با پیشرانه و چگونگی تشخیص آنها به هنگام رویارویی با جریانات قدرتمند را بیان نماییم. مثال دیگر باتری ها هستند. در حال حاضر ما دارای یک مدلی کاملا تجریدی هستیم که غالبا سبب حصول این نتیجه می گردد که یک خطای ناشناخته وجود دارد، چرا که قابلیت تشخیص رفتارهای مکفی وجود ندارد. یک مدل هیبرید که دارای خطاهای گسسته می باشد اما همچنین قابلیت پیش بینی رویه های سنجشی پیوسته حسگر را دارد امید بیشتری، برای بهره گیری از این سیستم های تشخیصی همانند چنین مواردی، را به ارمغان می آورد. ما نسبت به ایجاد الگوریتم های تشخیصی برای این نوع از مدل ها [۱۸] بر مبنای الگوریتم های فیلترینگ جزء اقدام نمودیم، اما در حال حاضر، ما آنها را در L2 به کار نبرده ایم. دیدگاه های فیلترینگ عملی برای سیستم های فرعی کوچک متناسب هستند، اما در فرم کنونی آنها را نمی توان در مدل های سیستمی بزرگ به کار گرفت، بنابراین ما امید داریم تا قابلیت استفاده از L2 جهت یکپارچه سازی اطلاعات تشخیصی از یک محدوده تشخیص گرهای ساده برای سیستم های فرعی را داشته باشیم.
[۱] Autosub Long Range

عیب یابی مانیتورینگ ربات خودکار زیرآبی

 

۸- نتیجه گیری
در این مقاله، ما نشان دادیم که روش تشخیصی مدل- محور به طور کارا قابلیت تشخیص خطاها یا عیوب حیاتی در یک ربات خودکار زیرآبی را خواهد داشت و به صورت بالقوه قابلیت ممانعت از دست دادن این ربات، در صورت بروز چنین خطاهایی، در آینده را نیز خواهد داشت. ما همچنین نشان دادیم که نظارت بر رویه اجرایی ماموریت نقش مهمی را در ارتقای سرعت و دقت فرایند تشخیصی به عهده دارد. در عین آنکه برخی از دلایل چنین موردی ممکن است مختص اتوساب باشد، ترکیب سخت افزار  و نرم افزارهای کنترل تشخیصی توانایی تشخیص خطاهای بیشتر را داشته و اطلاعات بیشتری را در خصوص وضعیت ربات در اختیار ما قرار می دهند.
بر مبنای این نتایج ما عقیده داریم که MBD به عنوان یک ابزار کاملا مفید جهت افزایش طول عمر یا دیرپایی بکارگیری ربات های خودکار زیرآبی مد نظر بوده و بنابراین می تواند به ما در خصوص آغاز ماموریت های طولانی مدت تر و خودمختاری بیشتر تعداد زیادی از رویه های کاربردی کمک نماید. سیستم تشخیصی که ما در حال استفاده از آن می باشیم یک سیستم کلی است، بنابر این می توان آن را بر روی ابزارهای دیگر نیز به کار گرفت؛ بر این مبنا، ما به آهستگی اقدام به ایجاد کتابخانه ای از مدل ها و مولفه های مختلفی می نماییم که می توان از آنها مجددا برای کاربرد در وسایل مختلف دیگر به غیر از اتوساب ۶۰۰۰ استفاده نمود. با این حال، ذکر این نکته مهم است که هنوز وظایف مدلسازی قابل توجهی وجود دارند تا بتوان به سیستمی همانند L2 رسید که قابلیت کارکرد در ربات های جدید را داشته باشد: مدل سازان می بایست قابلیت درک چنین سیستم هایی را داشته باشند. مدل های گسسته را می بایست تولید نمود، مانیتورها را می بایست در تعامل با این مدل ها طراحی کرده و به راه انداخت و در نهایت پارامترهای این مدل را نیز می بایست متناسب ساخت. ما در حال ایجاد ادواتی هستیم که چنین روندی را ساده تر می سازد، اما هنوز اقدامات زیادی وجود دارند که باید آنها را انجام داد. 

 

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

Irantarjomeh
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.