Os computadores de bordo de satélites devem ser projetados para utilização em ambiente espacial. Entre as características deste ambiente destaca-se a presença de diferentes tipos de radiação que podem alterar a operação dos componentes do computador de bordo, causando desde falhas temporárias até na perda total do satélite. Neste contexto, este trabalho apresenta uma análise do comportamento de memórias SRAM quando submetidas a radiação ionizante. Com esta finalidade foi desenvolvida uma plataforma composta por um sistema microprocessado que monitora em tempo real a ocorrência de falhas em memórias. Foram realizados diversos testes nos quais memórias SRAM foram submetidas a diferentes doses de radiação ionizante. As falhas detectadas incluem desde a mudança temporária de bits até a interrupção permanente do funcionamento da memória. Tais testes serviram para investigação do comportamento das memórias SRAM quanto à tolerância a ambientes espaciais com diferentes características.

As memórias são de fundamental importância no computador de bordo de um satélite, uma vez que são responsáveis por armazenar as informações necessárias para o funcionamento correto do mesmo, além dos dados coletados pela carga útil do satélite. Este trabalho propõe uma metodologia e aplicação da mesma em um sistema de memória, de tal forma que, através de passos bem definidos, possibilite a utilização de componentes de memórias não qualificadas para área espacial, com o grau de confiabilidade especificado. Uma etapa baseada no processo de screening foi utilizada como parte integrante de um programa de confiabilidade conduzido na fase de projeto e desenvolvimento do computador de bordo. Na aplicação, um lote mínimo de memórias SRAMs de categoria industrial projetada sem levar em conta efeitos do ambiente espacial (não possuindo garantia do fabricante para operar no espaço) foram submetidas a screening.A metodologia utiliza a aplicação da técnica de screening com a finalidade de conhecer as características de confiabilidade desses componentes e a eliminação de componentes defeituosos. Uma outra etapa abordada na metodologia é o aumento da confiabilidade no desenvolvimento do módulo de memórias SRAMs para o computador de bordo, utilizando os componentes que sobreviveram ao screening. Finalmente, é proposta uma etapa de validação do desenvolvimento do aumento da confiabilidade do módulo, utilizando o método de injeção de falhas. Os resultados conseguidos através da aplicação da metodologia aos módulos de memória SRAM demonstram que a metodologia proposta pode vir a ser uma eficiente ferramenta de projeto a ser utilizada no desenvolvimento de sistemas espaciais.

Made available in DSpace on 2016-12-23T14:33:38Z (GMT). No. of bitstreams: 1 Cayo Magno da Cruz Fontana.pdf: 2930206 bytes, checksum: d91d48565941ee15a360dd464f84681f (MD5) Previous issue date: 2013-08-29 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / A tarefa de detectar e reconhecer placas de trânsito, em ambientes reais, tem sido amplamente pesquisada nos últimos anos. Recentemente, a quantidade de veículos nas vias urbanas tem crescido exponencialmente. Grandes problemas nestas vias surgiram como consequência deste crescimento. Dados estatísticos da Organização das Nações Unidas (ONU) apontam acidentes de trânsito como uma das principais causas de mortes no planeta. Com o objetivo de auxiliar os condutores na tarefa de detectar e reconhecer placas de trânsito para alertá-los sobre possíveis alterações nas vias, ou até mesmo atuar no controle do carro, apresentaremos nesta dissertação uma abordagem biologicamente inspirada para a detecção de placas de trânsito com base em uma Rede Neural Sem Peso com Generalização Virtual da Memória de Acesso Randômico (Virtual Generalizing Random Access Memory Weightless Neural Network VG-RAM WNN). Redes Neurais sem Peso (RNSP) baseadas em neurônios VG-RAM apresentam um conjunto de eficientes funcionalidades para o aprendizado de máquina, oferecendo uma implementação simples, com treinos e testes rápidos. A arquitetura da nossa RNSP VG-RAM modela o movimento sacádicos dos olhos, e as transformações sofridas pelas imagens capturadas pela retina dos olhos para o colículo superior no cérebro dos mamíferos. Nós avaliamos o desempenho do nosso sistema na detecção de placas de trânsito utilizando como referência um conjunto de placas de trânsito de origem alemã (GTSDB). Utilizando apenas 12 imagens de placas de trânsito para a etapa de treinamento, nosso sistema foi classificado na 16ª posição, em um total de 53 métodos submetidos entre as 18 equipes participantes, para a detecção de placas de trânsito alemão na categoria proibitiva, na Competição Alemã de Placas de Trânsito, etapa do IJCNN 2013. Os resultados experimentais evidenciaram que nossa abordagem é capaz de detectar uma grande variedade de placas de trânsito, de forma confiável e eficiente, utilizando apenas algumas amostras para o treinamento / The task of detecting and recognizing road signs in real environments have been widely researched in recent years. Recently, the number of vehicles on urban roads has grown exponentially. Big problems in these pathways have emerged a result of this growth. Statistics of the United Nations (UN), points traffic accidents as a leading cause of death in the world. With the aim of assisting drivers in the task of detecting and recognizing road signs to alert them about possible changes in the way, or even act to control the car, we present in this dissertation a biologically inspired approach to detect traffic signs based on a Virtual Generalizing Random Access Memory Weightless Neural Networks - VG-RAM WNN. VG-RAM WNN are effective machine learning tools that offer simple implementation and fast training and test. Our VG-RAM WNN architecture models the saccadic eye movement system and the transformations suffered by the images captured by the eyes from the retina to the superior colliculus in the mammalian brain. We evaluated the performance of our VG-RAM WNN system on traffic sign detection using the German Traffic Sign Detection Benchmark (GTSDB). Using only 12 traffic sign images for training, our system was ranked in the 16th position, in the total 53 methods submitted among 18 teams, for the prohibitory category in the German Traffic Sign Detection Competition, part of the IJCNN 2013. Our experimental results showed that our approach is capable of reliably and efficiently detect a large variety of traffic sign categories using a few training samples