Fault tolerance considerations for long endurance AUVs
Notice bibliographique
Résumé
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.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».