ترجمه کاربرد شبکه عصبی مصنوعی در سیستم تشخیص اتوماتیک طراحی وسایل نقلیه برای دلایل امنیتی

توضیحات

 عنوان فارسی: کاربرد شبکه عصبی مصنوعی در سیستم تشخیص اتوماتیک طراحی وسایل نقلیه برای دلایل امنیتی

عنوان انگلیسی مقاله ترجمه شده:

Application of Artificial Neural Networks in Vehicles’ Design Self- Diagnostic Systems for Safety Reasons

دوزدهمین کنفرانس بین المللی “سازماندهی و مدیریت ترافیک در شهرهای بزرگ”

کاربرد شبکه عصبی مصنوعی در سیستم تشخیص اتوماتیک طراحی وسایل نقلیه برای دلایل امنیتی

چکیده:

در این مقاله رویکردی برای افزایش امنیت طراحی وسایل نقلیه با استفاده از شبکه عصبی مصنوعی درون سیستم تشخیص اتوماتیک وسیله نقلیه،مورد بررسی قرار گرفته است. حل این مسئله نیازمند این است که سیستم تشخیص اتوماتیک وسیله نقلیه بوسیله پایگاه داده ای متشکل از حالات مختلف، تهیه شده باشد به طوری که هر پارامتر اطلاعاتی بتواند اثر خود را بر روی احتمال انتقال وسیله نقلیه به حالت دیگر تشخیص بدهد. شبکه های عصبی مصنوعی به تصحیح مقادیر سیگنال های خروجی تشخیص اتوماتیک برای نگهداری سریع و تعمیر کنونی و همچنین عملکرد ایمن وسیله نقلیه کمک می کنند.

کلمات کلیدی: وسیله نقلیه، ایمنی طراحی ساختاری، عملکرد، سیستم تشخیص اتوماتیک، شبکه های عصبی مصنوعی

• مقدمه:

یک وسیله نقلیه مدرن سیستمی پیچیده است با اجزائی که با خواسته های بحث برانگیزی مواجه می شود. پروژه های طراحی ایمنی وسایل نقلیه جدید و موجود همانند توجیه پارامترهای عملکرد حرکت، نیازمند مدل های ریاضی ایت که ویژگی های اصلی وسایل نقلیه را به عنوان هدف تحت کنترل، پوشش داده و اجازه پیش بینی رفتار وسیله نقلیه تحت تاثیر شرایط آب و هوایی و عملکرد رانندگان را بدهد.

تحقیقات تئوریک با استفاده از مدل سازی های کامپیوتری برای تصحیح پارامترهای ایمنی طراحی ساختاری در طراحی کلی و مراحل توسعه و اصلاحات در راه حل های فنی مورد تایید ، انجام شده اند. یک وسیله نقلیه مدرن دارای ویژگی طراحی خاصی می باشد که شامل تعداد زیادی اجزا کنترل کننده الکترونیکی متفاوت است که هرکدام بر روی ایمنی عملکرد وسیله نقلیه اثر می گذارد.

اجزاء کنترل الکترونیک (ECU) یک وسیله نقلیه، کنترل و تشخیص را برای سیستم کنترل موتور و انتقال خودکار ، سیستم های ترمز و بکسل، کیسه های هوا و سایر سیستم های ایمنی فعال و غیر فعال ، فراهم میکنند. ECU دارای تابع تنظیمی است که می تواند پایگاه داده حالات یک سیستم تحت کنترل و برنامه کنترل را بر اساس شرایط اصلی آنها تنظیم کند.

سیستم تشخیص اتوماتیک وسیله نقلیه سطوح سیگنال های ECU را با مقادیر مرجع ذخیره شده آنها در حافظه مقایسه می کند. اگر سطح سیگنال از مقدار مجاز تجاوز کند ، ECU آن را به عنوان یک خطا مورد پردازش قرار داده و یک پیغام هشدار به حافظه ارسال می کند. این هشدارها می توانند به عنوان “کد خطا” از حافظه باز گرفته شوند. پس از باز گرفته شدن، این کدها اطلاعات مهمی را برای تشخیص وسیله نقلیه فراهم می کنند.

سیستم تشخیص اتوماتیک وسیله نقلیه به سطحی که تشخیص 100% خطاها را ضمانت کند نرسیده است. به عنوان مثال، کدهای خطا در شرایطی که نرم افزار اطلاعات غیر مرتبط از حالات یا سنسورها را پردازش می کند، نمایش داده نمی شود.

تکنولوژی های شبکه عصبی برای حل مسائل پیچیده ای مانند شرایط تشخیص ویژگی های یک وسیله نقلیه ، مورد نظر قرار گرفته اند. این مسئله نتیجه این حقیقت است که بسیاری از محققین باید با مقادیر مختلف داده ها که تابحال بوسیله مدل های ریاضی مورد بررسی قرار نگرفته اند ، روبرو شوند. یکی از راحت ترین ابزارها برای این چنین مسائلی شبکه های عصبی مصنوعی می باشند. روشی قدرتمند و منعطف برای شبیه سازی پردازش و پدیده ها.

• مطالعه عملکرد شبکه های عصبی مصنوعی در سیستم تشخیص اتوماتیک وسیله نقلیه برای افزایش ایمنی طراحی ساختاری آن ها

امروزه شبکه های عصبی مصنوعی با استفاده از ابزارهای سخت افزاری و نرم افزاری برای ساخت مدل ها و دست گاه های خاص اجرا می شوند. شبکه های عصبی مصنوعی برای مسائل گسترده وابسته به ظرفیت تشخیص اتوماتیک وسیله نقلیه برپایه الگوریتم تئوری تشخیص تصویر، مورد استفاغده قرار می گیرند. شبکه های عصبی در زمینه های مطالعاتی با استفاده از داده های تجربی  دارای قابلیت تشخیص یادگیری می باشند. با توجه به سیستم تشخیص اتوماتیک وسیله نقلیه ، داده های تجربی به عنوان دسته ای از ویژگی های اصلی و یا پارامترهای یک هدف و بر اساس تشخیص بر روی آنها می باشند که 100% معتبرند. [Anil et al. (1996)]

یادگیری شبکه عصبی یک پروسه تعاملی است که در طی آن شبکه عصبی وابستگی های غیرطی پنهان بین پارامترهای منبع و تشخیص های نهایی را در حالت بیشترین رضایت ترکیبی ضرایب وزن برای ارتباط لایه های مجاور عصبی و کمترین خطای تشخیص نهایی، بدست می آورد. شبکه های عصبی دارای مزایایی همچون سادگی نسبی ، غیرخطی بودن، عملکرد آنها برروی اطلاعات گنگ، تقاضاهای کمینه از داده های منبع و قابلیت یادگیری بر روی مثال های خاص ، می باشند. در حین پروسه یادگیری، ورودی شبکه عصبی دنباله ای از پارامترهای منبع را با تشخیص هایی که از این پارامترها بدست آمده، دریافت میکند. [Belyakov et al. (2001), Viktorova (2012)]

توجه:

• برای دانلود فایل word کامل ترجمه از گزینه افزودن به سبد خرید بالا استفاده فرمایید.
• لینک دانلود فایل بلافاصله پس از خرید بصورت اتوماتیک برای شما ایمیل می گردد.