بهینه سازی و تحلیل قابلیّت اطمینان به وسیله افزونگی توسط الگوریتم های فراابتکاری برای یک پهباد

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشکده هوافضای دانشگاه صنعتی امیر کبیر.تهران

2 مدیر گروه پرواز دانشگاه امام علی

چکیده

کوادکوپتر ها نوع خاصی از پهپاد های بدون سرنشین به شمار می روند که در دنیای امروز کاربردهای زیادی دارند.به دلیل محدودیت منابع طرّاحی یک سیستم باید به صورتی انجام گیرد تا بیشترین مقدار ممکن قابلیّت اطمینان بر اساس منابع محدود ما حاصل گردد. برای این منظور در ابتدا قابلیت اطمینان هر زیرسیستم محاسبه گردید.سپس بهینه سازی قابلیت اطمینان را با استفاده از الگوریتم های رایانه ای صورت پذیرفت.یکی از روش های مرسوم افزایش قابلیّت اطمینان سیستم ها،استفاده از افزونگی ها است اما به دلیل داشتن محدویت های مالی و جرمی برای کوادکوپترها به هر تعداد نمیتوانیم از افزونگی ها برای افزایش قابلیت اطمینان استفاده کرد.بنابراین میبایست از بهینه سازی بهره برد.به کمک الگوریتم کرم شب تاب و مدل قابلیت اطمینان،کوادکوپتر را در حضور افزونگی به لحاظ حداقل سازی هزینه و جرم و داشتن بهینه ترین قابلیت اطمینان بررسی گردید و نتابج حاصل به وسیله الگوریتم ژنتیک اعتبار سنجی گردید.

کلیدواژه‌ها

عنوان مقاله [English]

Optimizing and analyzing reliability through redundancy by meta-heuristic algorithms for a drone

نویسندگان [English]

  • AmirHossein Gholami 1
  • Kazem Imani 2
1 Faculty of Aerospace, Amir Kabir University of Technology, Tehran
2 Director of Flight Department of Imam Ali University
چکیده [English]

Quadcopters are a special type of unmanned drones that have many applications in today's world. Due to limited resources, the design of a system must be done in such a way as to achieve the highest possible amount of reliability based on our limited resources.
For this purpose, first the reliability of each subsystem was calculated. Then the reliability was optimized using computer algorithms. One of the conventional methods of increasing the reliability of systems is to use redundancies, but due to its limitations Finance and mass for quadcopters, we cannot use any number of extras to increase reliability. Therefore, optimization should be used. The most famous meta-heuristic algorithms can be mentioned as Genetic Algorithm, Coco, Ant Colony, Gray Wolf, etc.
With the help of the firefly algorithm and reliability model, the quadcopter was checked in the presence of redundancy in terms of cost and mass minimization and having the most optimal reliability, and the resulting results were validated by genetic algorithm.

کلیدواژه‌ها [English]

  • Reliability
  • Optimization
  • ًًQuadcopter
  • meta-heuristic algorithms
  • Firefly algorithm
  • Genetic algorithm

مراجع

[3] Castet, J. F., & Saleh, J. H. (2010). Beyond reliability, multi-state failure analysis of satellite subsystems: a statistical approach. Reliability Engineering & System Safety, 95(4), 311-322.
[4] Javir, A. V., Pawar, K., Dhudum, S., Patale, N., & Patil, S. (2015). Design, analysis and fabrication of quadcopter. Journal of The International Association of Advanced Technology and Science, 16(11), 1-12.
[5] Aggarwal, K. K., Misra, K. B., & Gupta, J. S. (1975). A fast algorithm for reliability evaluation. IEEE Transactions on Reliability, 24(1), 83-85.
[6] Papadimitriou, D., Rosu, V., Naidu, V., Cruz, D., Skarakis, J., Panagiotopoulos, D., & Mourelatos, Z. (2018). Reliability based aerodynamic shape optimization of a quadcopter. In 2018 AIAA Non-Deterministic Approaches Conference (p. 0664).
[7] Defense, U. (1995). MIL-HDBK-217F reliability prediction of electronic equipment. Defense, US Department of, 28.
[8] Larin, V. B. (2018). Improving the reliability of the control system of a quadcopter. International Applied Mechanics, 54, 454-462.
[9] Nswc, N. S. W. C. (2010). Handbook of reliability prediction
 procedures for mechanical equipment. Carderock Division.
 Logistics Engineering Technology Branch, NSWC-10.
[10] Zahran, M., Tawfik, S., & Dyakov, G. (2006). LEO satellite power subsystem reliability analysis. Journal of Power Electronics, 6(2), 104-113.
[11] Harifi, S., Khalilian, M., Mohammadzadeh, J., & Ebrahimnejad, S. (2019). Emperor Penguins Colony: a new metaheuristic algorithm for optimization. Evolutionary Intelligence, 12, 211-226.
[12] Beheshti, Z., & Shamsuddin, S. M. H. (2013). A review of population-based meta-heuristic algorithms. Int. J. Adv. Soft Comput. Appl, 5(1), 1-35.
[13] Shaheen, A. M., Spea, S. R., Farrag, S. M., & Abido, M. A. (2018). A review of meta-heuristic algorithms for reactive power planning problem. Ain Shams Engineering Journal, 9(2), 215-231.
[14] dos Santos Coelho, L., de Andrade Bernert, D. L., & Mariani, V. C. (2011, June). A chaotic firefly algorithm applied to reliability-redundancy optimization. In 2011 IEEE congress of evolutionary computation (CEC) (pp. 517-521). Ieee.
[15] Mishra, D. K., Shinde, V., & Bharadwaj, S. K. (2022). A Convergence Study of Firefly Algorithm. International Journal of Research in Science & Engineering (IJRISE) ISSN: 2394-8299, 2(03), 17-25.
[16] Yang, X. S. (2011). Optimization algorithms. Computational optimization, methods and algorithms, 13-31.
[17] Haque, A. U., Mandal, P., Meng, J., & Pineda, R. L. (2012). Performance evaluation of different optimization algorithms for power demand forecasting applications in a smart grid environment. Procedia Computer Science, 12, 320-325.
[18] Katoch, S., Chauhan, S. S., & Kumar, V. (2021). A review on genetic algorithm: past, present, and future. Multimedia Tools and Applications, 80, 8091-8126.
[19] Muñoz, A., & Rubio, F. (2021). Evaluating genetic algorithms through the approximability hierarchy. Journal of Computational Science, 53, 101388.
[20] Lavine, B. K., Rayens, W. S., Brown, S. D., Tauler, R., & Walczak, B. (2009). Comprehensive Chemometric
نشریه علمی پژوهشی مهندسی و مدیریت کیفیت
دوره 12، شماره 3
آذر 1401
صفحه 299-318

فایل ها

هم رسانی

ارجاع به این مقاله

آمار