بهره گیری از کنترل کننده نظارتی مبتنی بر شبکه پتری جهت مدیریت تحمل پذیر خطای روبات زیرآبی خودمختار مبتنی بر پیشران احتراقی در سانحه نشت آب

مساله هوارسانی برای روبات های زیرآبی خودمختار مبتنی بر پیشران های احتراقی یکی از چالش های مهم در عملیات های صورت گرفته با این نوع سامانه ها می باشد. این نوع روبات ها معمولا دارای یک دکل می باشند که هوای آزاد سطح دریا را به موتور می رساند، بنابراین حفظ عمق روبات جهت هوارسانی حائز اهمیت می باشد. در صورت نقص در زیر سیستم های اضطراری تخلیه آب، مسیر هوارسانی به موتور مسدود خواهد شد و این امر منجر به غرق شدن سامانه خواهد شد. در این مقاله، سیستم کنترل کننده نظارتی سه لایه جهت مدیریت هوشمند سیستم تخلیه آب به کار گرفته شده است تا روبات را در عمق ثابت از سطح ثابت آب و در شرایط خطا مدیریت نماید. لایه ماموریت به عنوان بالاترین سطح تصمیم گیر توسط درخت تصمیم گیری بیان شده است. وجود یک زبان فرمال برای باز تولید درخت تصمیم گیری جهت نوشتن روی پردازنده روبات و ترکیب تصمیمات پایه ای ضروری به نظر می رسد. در این مقاله از زبان فرمال پتری به دلیل قدرت آن در ترکیب منطق های تصمیم گیری جهت پیاده سازی درخت تصمیم گیری استفاده شده است. هم چنین ارزیابی های کنترل کننده نظارتی نشان داد که پمپ خن در این روبات به تنهایی کارایی لازم برای مقابله با اثرات ناشی از ورود آب را ندارد و بدین منظور با ایده جدید بکارگیری آکومولاتور در داخل درخت تصمیم گیری جهت حفظ عمق وسیله در هنگام ورود آب، تحمل پذیری خطا برای روبات زیرآبی افزایش یافت.

Applying a supervisory control system based on a petri net model for fault tolerant handling of AUVs in water ingress accidents

The issue of air aspiration is a major challenge for AUVs’ propulsion systems working based on combustion engines. Some AUVs have snorkels to take fresh air from sea surface, so keeping heights of these AUVs is important. A reliable and safe bilge subsystem survives the AUV in emergency cases. In this paper, a three layers supervisory control system has been employed to handle a bilge subsystem dealing with faults (e.g., pump failures) and allows to keep the inlet of the AUV’s snorkel upon sea water. The highest layer of the supervisory control system as a mission layer is modeled by a decision tree and the decision tree is built on petri net models. In addition, our results represented the bilge might not be sufficient to deal with the effects of water ingress. Using an accumulator in the supervisory control system to keep the height can improve fault tolerant of AUV after water ingress.