ફ્લાઇટ ડાયનેમિક્સ, કંટ્રોલ સિસ્ટમ્સ અને ઓટોનોમી

નફો:

• ફ્લાઇટ કંટ્રોલ કાયદા, સ્થિરતા વિશ્લેષણ અને સ્વાયત્ત સિસ્ટમ આર્કિટેક્ચરમાં AI ની ભૂમિકા અને મર્યાદાઓને સમજો
• ઉડ્ડયન સ્વાયત્તતામાં મજબૂતીકરણ શિક્ષણ અને મોડેલ-આધારિત નિયંત્રણનો ઉપયોગ કેવી રીતે થાય છે તે ઉદાહરણો સાથે સમજાવવાની ક્ષમતા
• ફ્લાઇટ પરબિડીયું, સ્થિરતા માર્જિન અને નિષ્ફળ-સલામત વર્તનના સંદર્ભમાં નિયંત્રણ આઉટપુટને ચકાસવાની ક્ષમતા

વિમાન પોતાની મેળે સીધું હવામાં ઉડતું નથી; તે સતત એક સંતુલન પુનઃસ્થાપિત કરે છે જે સતત ખલેલ પહોંચે છે. ફ્લાઇટ ડાયનેમિક્સ એ આ સંતુલનનું વિજ્ઞાન છે: તે અભ્યાસ કરે છે કે વિમાન દળો અને ક્ષણો હેઠળ કેવી રીતે આગળ વધે છે, શું તે પવનના ફટકા (સ્થિરતા)માંથી પુનઃપ્રાપ્ત થાય છે કે કેમ અને તે પાઇલટ અથવા કમ્પ્યુટરના આદેશોને કેવી રીતે પ્રતિસાદ આપે છે. કંટ્રોલ સિસ્ટમ એ મગજ છે જે આ ગતિશીલતાને ઇચ્છિત વર્તણૂકમાં વાળે છે: ફ્લાઇટ કંટ્રોલ કાયદા (એલ્ગોરિધમ્સ કે જે સેન્સર માપ લે છે અને નિયંત્રણ સપાટીઓ પર આદેશો જનરેટ કરે છે) પ્લેનને દરેક સમયે સ્થિર અને વ્યવસ્થિત રાખે છે.

આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ક્લાસિકલ એન્જિનિયરિંગ અને સ્વાયત્તતા બંને બાજુએ આ ક્ષેત્રમાં ભૂમિકા ભજવે છે. ક્લાસિકલ બાજુએ, તે સ્થિરતા વિશ્લેષણ, નિયંત્રક ડિઝાઇન અને સિમ્યુલેશન સેટઅપને વેગ આપે છે. સ્વાયત્તતાની બાજુએ, રિઇન્ફોર્સમેન્ટ લર્નિંગ (ટ્રાયલ અને એરર દ્વારા રિવોર્ડ સિગ્નલ પર આધારિત એજન્ટ શીખવાની વર્તણૂક) જેવી પદ્ધતિઓ જટિલ કાર્યોમાં નીતિઓનું નિર્માણ કરે છે. પરંતુ ફ્લાઇટ કંટ્રોલ એ એક ક્ષેત્ર છે જ્યાં ભૂલ તાત્કાલિક અને બદલી ન શકાય તેવી છે: અસ્થિર નિયંત્રણ કાયદો સેકંડમાં પ્લેન ગુમાવી શકે છે. તેથી, ફ્લાઇટ એન્વલપ, સ્ટેબિલિટી માર્જિન અને નિષ્ફળ-સલામત વર્તણૂકના સંદર્ભમાં માન્ય કર્યા વિના કોઈપણ AI-જનરેટેડ નિયંત્રણ લાભો અથવા નીતિઓ એરક્રાફ્ટમાં મૂકવામાં આવતી નથી.

ખ્યાલો: ફ્લાઇટ પરબિડીયું: ઝડપ-ઊંચાઈ-લોડ પરિબળ મર્યાદા કે જેના પર વિમાન સુરક્ષિત રીતે ઉડી શકે છે. સ્થિરતા માર્જિન: ગેઇન માર્જિન અને ફેઝ માર્જિન; નિયંત્રણ લૂપ અસ્થિરતાથી કેટલું દૂર છે તેનું માપ. નિષ્ફળ-સલામત: જ્યારે કોઈ ઘટક નિષ્ફળ જાય ત્યારે સિસ્ટમ સુરક્ષિત સ્થિતિમાં પ્રવેશે છે. PID: પ્રમાણસર-અભિન્ન-વ્યુત્પન્ન; સૌથી સામાન્ય શાસ્ત્રીય નિયંત્રક માળખું.

સ્થિરતા, નિયંત્રણનો કાયદો અને એઆઈની ભૂમિકા

કંટ્રોલ ડિઝાઇનનો આધાર ઓપન લૂપ ડાયનેમિક્સને સમજવો અને બંધ લૂપને ઇચ્છિત વર્તણૂકમાં લાવવાનો છે. એન્જિનિયર એરક્રાફ્ટના ગતિના સમીકરણોને લીનિયરાઇઝ કરે છે, ટ્રાન્સફર ફંક્શન મેળવે છે અને કંટ્રોલર ડિઝાઇન કરે છે (દા.ત. PID અથવા સ્ટેટ ફીડબેક સાથે). AI આ પ્રક્રિયામાં બીજગણિતીય મધ્યવર્તી પગલાંને યાદ કરે છે, રુટ લોકસ અર્થઘટનમાં મદદ કરે છે, MATLAB/Python નિયંત્રણ પુસ્તકાલયો સાથે સ્ક્રિપ્ટો લખે છે અને કોડ બનાવે છે જે પેઓફ સેટના સ્થિરતા માર્જિનની ગણતરી કરે છે.

નિર્ણાયક મુદ્દો આ છે: સારા પ્રદર્શનનો અર્થ સારો સ્થિરતા માર્જિન નથી. AI દ્વારા સૂચવવામાં આવેલા આક્રમક ગેઇન સેટે કદાચ સિમ્યુલેશનમાં ખૂબ જ ઝડપી અને તીક્ષ્ણ પ્રતિસાદ આપ્યો હશે, પરંતુ ગેઇન માર્જિનને 2 dB અને ફેઝ માર્જિનને 15 ડિગ્રી સુધી ઘટાડ્યું હશે. ઉડ્ડયનમાં, લઘુત્તમ 6 ડીબી ગેઇન માર્જિન અને 45 ડિગ્રી ફેઝ માર્જિન સામાન્ય રીતે લક્ષ્યાંકિત છે; કારણ કે વાસ્તવિક એરક્રાફ્ટમાં, સેન્સરનો અવાજ, એક્ટ્યુએટર વિલંબ અને મોડેલિંગ ભૂલો આ માર્જિન માટે જવાબદાર છે. એક કંટ્રોલર જે પૂરતો હેડરૂમ છોડતો નથી તે સિમ્યુલેશનમાં સંપૂર્ણ દેખાઈ શકે છે પરંતુ વાસ્તવમાં અસ્થિરતા તરફ વળી શકે છે (મર્યાદા ચક્ર ઓસિલેશન અથવા ડાયવર્જન્સ).

સાવધાન: સિમ્યુલેશનમાં નિયંત્રકનો "સ્વચ્છ" પ્રતિસાદ વાસ્તવિક દુનિયા માટે કોઈ ગેરેંટી નથી. સિમ્યુલેશન સામાન્ય રીતે એક આદર્શ એક્ટ્યુએટર, વિલંબ-મુક્ત સેન્સર અને સંપૂર્ણ મોડેલ ધારે છે. આદર્શતામાંથી આ વિચલનો સામે સ્થિરતાનો માર્જિન ચોક્કસપણે તમારો બફર છે; જે કામગીરી બલિદાન આપે છે તે કાગળ પર જ રહે છે.

સ્વાયત્તતા અને શીખનાર નિયંત્રણ: સીમાઓ

સ્વાયત્ત પ્રણાલીઓમાં, AI વધુ ઊંડાણપૂર્વક અમલમાં આવે છે: શીખવાની નીતિઓનો ઉપયોગ માર્ગ આયોજન, અવરોધ ટાળવા, ઉતરાણ, ટોળાનું સંકલન જેવા કાર્યોમાં થાય છે. મજબૂતીકરણ શિક્ષણ સિમ્યુલેશન વાતાવરણમાં લાખો ટ્રાયલ કરીને વર્તનની સારી નીતિ શોધી શકે છે. જો કે, ઉડ્ડયનમાં શિક્ષણ નિયંત્રણમાં બે મુખ્ય પડકારો છે: સમજાવવાની ક્ષમતા અને ખાતરી. શા માટે ન્યુરલ નેટવર્ક નીતિ મુદ્દાઓ કે આદેશને સરળતાથી ન્યાયી ઠેરવી શકાતો નથી, અને સમગ્ર ઇનપુટ જગ્યા પર સુરક્ષિત રીતે વર્તે તે ગાણિતિક રીતે ખાતરી આપી શકાતી નથી.

તેથી જ વ્યવહારુ આર્કિટેક્ચર સામાન્ય રીતે સ્તરીય હોય છે: શીખવાની ઘટક બાહ્ય સ્તર (યોજના, ભલામણ) પર કાર્ય કરે છે, પરંતુ નીચેના સ્તર પર ક્લાસિકલ, વિશ્લેષણ કરી શકાય તેવું અને ચકાસી શકાય તેવું "સલામતી પરબિડીયું" અથવા સલામતી મોનિટર છે. આ નિયંત્રક ફ્લાઇટ પરબિડીયું અને સલામતી નિયમો સાથે લર્નિંગ લેયરના આદેશોને ફિલ્ટર કરે છે; જો તે સીમાનું ઉલ્લંઘન જુએ છે, તો તે સુરક્ષિત વર્તન પર સ્વિચ કરે છે. આ રીતે AI ની રચનાત્મકતાને શાસ્ત્રીય નિયંત્રણની ખાતરી સાથે જોડવામાં આવે છે.

અભિગમ

ફાયદો

ઉડ્ડયનમાં ફ્રન્ટીયર

PID / ક્લાસિક

વિશ્લેષણ કરી શકાય છે, સ્થિરતા સાબિત થાય છે

ખૂબ જટિલ કાર્યો માટે અપૂરતું

મોડેલ પ્રિડિક્ટિવ કંટ્રોલ (MPC)

સ્પષ્ટપણે અવરોધોને સંબોધે છે

કોમ્પ્યુટેશનલ લોડ, મોડેલ અવલંબન

મજબૂતીકરણ શિક્ષણ

જટિલ કાર્યમાં મજબૂત નીતિ

વોરંટી/સમજવાની ક્ષમતા નબળી છે, સિમ-ટ્રુથ ગેપ છે

સ્તરવાળી (શિખનાર + સલામતી પરબિડીયું)

સર્જનાત્મકતા + ખાતરી

પરબિડીયું ડિઝાઇન અને ચકાસણી ખર્ચ

ટીપ: શીખવાની નીતિનું મૂલ્યાંકન કરતી વખતે, "સૌથી ખરાબ-કેસ વર્તન" વિશે પૂછો, "સરેરાશ પ્રદર્શન" વિશે નહીં. જો કોઈ RL એજન્ટ 10,000માંથી 9,990 દૃશ્યોમાં શ્રેષ્ઠ બને છે અને 10માં વિમાનને પરબિડીયુંમાંથી બહાર કાઢે છે, તો તે 10 દૃશ્યો ઉડ્ડયનમાં અસ્વીકાર્ય છે. સલામતી એવરેજ નહીં પણ સૌથી ખરાબ કેસ દ્વારા માપવામાં આવે છે.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ ડ્રોન માટે સારો PID ગેઇન આપો.

શક્તિશાળી પ્રોમ્પ્ટ:

ભૂમિકા: તમે ફ્લાઇટ કંટ્રોલ સિસ્ટમ એન્જિનિયર છો; સલામતી-જટિલ શિસ્તનું પાલન કરો. સંદર્ભ (પ્રતિનિધિત્વ): નાના મલ્ટિકોપ્ટરના ઉંચાઇ ચક્ર માટે લીનિયરાઇઝ્ડ મોડલ [ટ્રાન્સફર ફંક્શન અથવા માસ/થ્રસ્ટ ડેટા]. કાર્ય: 1) PID પ્રારંભિક ગેઇન સેટ પ્રસ્તાવિત કરો અને પસંદગીના તર્કને સમજાવો. 2) એક પાયથોન (પાયથોન-કંટ્રોલ) સ્ક્રિપ્ટ લખો જે માર્જિન 3 સાથે આ ગેઇનની ગણતરી કરે છે. ઉડ્ડયન માટે લક્ષ્ય માર્જિન (>=6 dB, >=45°); જો માર્જિન અપૂરતું હોય તો હું લાભને કેવી રીતે સમાયોજિત કરી શકું? અવરોધ: મને યાદ કરાવો કે એક્ટ્યુએટર વિલંબ અને સેન્સરનો અવાજ માર્જિનમાં ખાઈ જશે; "બરાબર શ્રેષ્ઠ" ન કહો, સિમ્યુલેશન અને હાર્ડવેરમાં ચકાસણીની જરૂરિયાત પર ભાર મૂકો.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

નમૂનો 1 — સ્થિરતા માર્જિન ગણતરી સ્ક્રિપ્ટ:

નીચેના ઓપન-લૂપ ટ્રાન્સફર ફંક્શન માટે પાયથોન-કંટ્રોલ સાથે: (a) બોડી ડાયાગ્રામ દોરો; (b) આંકડાકીય રીતે ગેઇન માર્જિન અને તબક્કા માર્જિનની ગણતરી કરો; (c) ઉડ્ડયન લક્ષ્યો (>=6 dB, >=45°) સાથે આની તુલના કરતું આઉટપુટ ઉત્પન્ન કરો. કોડને ટિપ્પણી કરવા દો; દરેક પગલું શું કરે છે તે સમજાવો. ટ્રાન્સફર કાર્ય: [સંખ્યા/ડેન]

નમૂનો 2 — ફ્લાઇટ પરબિડીયું મર્યાદા નિયંત્રક ડિઝાઇન:

ઓટોનોમસ એરક્રાફ્ટ માટે સેફ્ટી મોનિટર લોજીક ડિઝાઇન કરવામાં મને મદદ કરો: એન્ટ્રી વખતે પ્લાનરનો આદેશ, અવરોધો[સ્પીડ, ઊંચાઈ, લોડ ફેક્ટર, પિચ લિમિટ]. કંટ્રોલરે કમાન્ડને કેવી રીતે ફિલ્ટર કરવું જોઈએ, મર્યાદાના ઉલ્લંઘનના કિસ્સામાં તેને કઈ સલામત વર્તણૂક પર સ્વિચ કરવું જોઈએ? આને સ્યુડો-કોડમાં લખો અને દરેક નિર્ણય માટે કારણો આપો.

નમૂનો 3 — RL નીતિ મૂલ્યાંકન યોજના:

ઉડ્ડયનમાં મજબૂતીકરણની શિક્ષણ નીતિનો ઉપયોગ કરતા પહેલા, મૂલ્યાંકન યોજના સ્થાપિત કરો: (a) મારે કયા ધાર અને સૌથી ખરાબ-કેસના સંજોગોનું પરીક્ષણ કરવું જોઈએ; (b) હું સિમ-ટુ-રિયલગેપને કેવી રીતે માપી શકું; (c) હું કેવી રીતે સૌથી ખરાબ-કેસ સુરક્ષાની જાણ કરું છું, સરેરાશ નહીં; (d) જે કિસ્સામાં સલામતી નિયંત્રક સક્રિય હોવું જોઈએ. પરિણામને ચેકલિસ્ટ થવા દો.

નમૂનો 4 — નિષ્ફળતા મોડ અને નિષ્ફળ-સલામત વિશ્લેષણ:

નીચેની કંટ્રોલ સિસ્ટમ [સેન્સર્સ, એક્ટ્યુએટર્સ, એકાઉન્ટિંગ યુનિટ] માટે નિષ્ફળતા મોડ્સની સૂચિ બનાવો અને દરેક માટે નિષ્ફળ-સલામત વર્તન સૂચવો: સેન્સરની નિષ્ફળતા, એક્ટ્યુએટર સ્ટિકિંગ, એકાઉન્ટિંગ વિલંબ, સંચાર નુકશાન. દરેક નિષ્ફળતા માટે શોધ પદ્ધતિ અને સુરક્ષિત રાજ્ય સંક્રમણ વ્યૂહરચના લખો. ખાસ કરીને નિષ્ફળતાના એક બિંદુને ચિહ્નિત કરો.

મીની કેસો

કેસ 1 - આક્રમક ડિવિડન્ડ ખાવું. ટીમને UAV ના પિચ સાયકલ માટે AI તરફથી આક્રમક ગેઇન સેટ મળે છે; સિમ્યુલેશનમાં વધારો સમય 0.4 સે. પર પ્રભાવશાળી છે. જ્યારે AI દ્વારા ભલામણ કરાયેલ માર્જિનની ગણતરી કરવામાં આવે છે, ત્યારે ગેઇન માર્જિન 3.2 dB છે અને ફેઝ માર્જિન 22 ડિગ્રી છે; ઉડ્ડયન લક્ષ્યોથી નીચે (6 dB, 45°). વાસ્તવિક ફ્લાઇટમાં, જ્યારે 50 ms એક્ટ્યુએટર વિલંબ ઉમેરવામાં આવે છે, ત્યારે સિસ્ટમ મર્યાદા ચક્ર ઓસીલેટ થાય છે. લાભમાં 40% ઘટાડો થાય છે અને શેર લક્ષ્ય તરફ દોરવામાં આવે છે, વધારો સમય 0.7 s સુધી વધે છે, પરંતુ સિસ્ટમ મજબૂત રહે છે. પાઠ: શેર સાથે સંતુલન પ્રદર્શન; સિમ્યુલેશન વાસ્તવિકતાની બાંયધરી આપતું નથી.

કેસ 2 - સ્તરવાળી આર્કિટેક્ચર પ્લેનને બચાવે છે. સ્વાયત્ત લેન્ડિંગ માટે પ્રશિક્ષિત આરએલ નીતિ 5,000 સિમ્યુલેટેડ લેન્ડિંગ્સમાંથી 99.7% સફળ છે. સૌથી ખરાબ કિસ્સામાં, પરીક્ષણ ટીમને જણાય છે કે 14 પરિસ્થિતિઓમાં જ્યાં ક્રોસવિન્ડ ચોક્કસ થ્રેશોલ્ડ કરતાં વધી જાય છે, પોલિસી વિમાનને રનવે પરથી દૂર કરે છે. લર્નિંગ લેયર હેઠળ મૂકવામાં આવેલ એક સરળ સુરક્ષા પરબિડીયું ક્રોસવિન્ડ અને વિચલન મર્યાદાના ઉલ્લંઘનના કિસ્સામાં ગો-અરાઉન્ડ આદેશ આપે છે; તમામ 14 દૃશ્યો સુરક્ષિત રીતે પરિણામ આપે છે. પાઠ: લર્નિંગ લેયર ક્લાસિક સેફ્ટી નેટ સાથે હોવું જોઈએ.

કેસ 3 - સિંગલ પોઈન્ટ ફોલ્ટને અવગણવામાં આવે છે. એક ડિઝાઇનમાં, એક એરસ્પીડ સેન્સર નિયંત્રણ કાયદો અને ચેતવણી સિસ્ટમ બંનેને ફીડ કરે છે. AI ના નિષ્ફળતા મોડ વિશ્લેષણ ફ્લેગ કરે છે કે જો આ સેન્સર અવરોધિત છે, તો નિયંત્રણ અને ચેતવણી બંને એકસાથે મૂર્ખ બનાવવામાં આવશે, એટલે કે એક બિંદુ નિષ્ફળતા. ટીમ બીજા સ્વતંત્ર સ્પીડ સોર્સ (દા.ત. જીપીએસ-આધારિત સ્પીડ અથવા સેકન્ડ પિટોટ) અને વિસંગતતા શોધ ઉમેરે છે. પાઠ: સુરક્ષા-નિર્ણાયક ઇનપુટના એક સ્ત્રોત પર નિર્ભરતા એ એક નબળાઈ છે જે શોધવી આવશ્યક છે.

સામાન્ય ભૂલો

• સ્થિરતા સાથે ગૂંચવણભર્યું પ્રદર્શન. ઝડપી પ્રતિસાદનો અર્થ મજબૂતાઈ નથી; અપર્યાપ્ત માર્જિન ખરેખર અસ્થિરતા પેદા કરે છે.
• વાસ્તવિકતા માટે અનુકરણની ભૂલ કરવી. આદર્શ એક્ટ્યુએટર/સેન્સર ધારી સિમ્યુલેશન લેટન્સી અને અવાજને અવગણે છે; હાર્ડવેરમાં ચકાસણી જરૂરી છે.
• સરેરાશ કામગીરી પર આધાર રાખે છે. સલામતી સૌથી ખરાબ કેસ દ્વારા માપવામાં આવે છે; દુર્લભ પરંતુ ખતરનાક દૃશ્યો અસ્વીકાર્ય છે.
• દેખરેખ વિના શીખવાની નીતિનો ઉપયોગ કરવો. એક ન્યુરલ નેટવર્ક કે જેની ખાતરી આપી શકાતી નથી તે ક્લાસિકલ સલામતી પરબિડીયું વિના ઉડાન ભરી શકાશે નહીં.
• નિષ્ફળતા મોડ્સને બાયપાસ કરીને. જો સિંગલ પોઈન્ટ નિષ્ફળતાઓ અને નિષ્ફળ-સલામત વર્તણૂકને શરૂઆતમાં કરતાં ડિઝાઇનના અંતે ધ્યાનમાં લેવામાં આવે, તો તે ઘણું મોડું થઈ જશે.

સારાંશમાં

ફ્લાઇટ કંટ્રોલ એ એક એવો વિસ્તાર છે જ્યાં ભૂલ તાત્કાલિક અને બદલી ન શકાય તેવી હોય છે. AI સ્થિરતા વિશ્લેષણ, નિયંત્રક ડિઝાઇન, સિમ્યુલેશન સેટઅપ અને સ્વાયત્તતા નીતિઓને વેગ આપે છે; પરંતુ સારા પ્રદર્શનનો અર્થ એ નથી કે સારી સ્થિરતા માર્જિન છે, અને શીખવાની નીતિઓ ગેરેંટી/સમજવાની દ્રષ્ટિએ નબળી છે. પ્રાયોગિક સલામતી સ્તરવાળી આર્કિટેક્ચરમાં રહેલ છે જેમાં લર્નિંગ લેયરને ક્લાસિકલ સેફ્ટી એન્વલપ સાથે જોડવામાં આવે છે અને ફ્લાઇટ એન્વલપ, સ્ટેબિલિટી માર્જિન, સૌથી ખરાબ કેસ અને નિષ્ફળતા મોડના સંદર્ભમાં દરેક નિયંત્રકની ચકાસણી. સલામતી સરેરાશ દ્વારા નહીં, પરંતુ સૌથી ખરાબ કેસ દ્વારા માપવામાં આવે છે.

એપ્લિકેશન કાર્ય

સરળ નિયંત્રણ સમસ્યા માટે પ્રતિનિધિ મોડેલને વ્યાખ્યાયિત કરો (દા.ત. મલ્ટિકોપ્ટર એલ્ટિટ્યુડ લૂપ). AI નો ઉપયોગ કરીને, (a) પ્રારંભિક ગેઇન સેટ અને સ્થિરતા માર્જિન ગણતરી સ્ક્રિપ્ટ તૈયાર કરો, તર્ક તપાસો, (b) લક્ષ્ય માર્જિનની તુલના કરો અને જો અપૂરતી હોય તો એડજસ્ટ કરો, (c) સિસ્ટમ માટે નિષ્ફળતા મોડ અને નિષ્ફળ-સલામત સૂચિ બનાવો. સ્યુડોકોડમાં સલામતી પરબિડીયું લોજિક ડિઝાઇન કરો અને સૌથી ખરાબ-કેસ દૃશ્યો લખો.

ચેકલિસ્ટ

• [ ] મેં કંટ્રોલર ગેઇન અને ફેઝ માર્જિનની ગણતરી કરી અને તેની તુલના ઉડ્ડયન લક્ષ્ય સાથે કરી.
• [ ] મેં એક્ટ્યુએટર વિલંબ/સેન્સર અવાજ હેઠળ સિમ્યુલેશન પરિણામનું પરીક્ષણ કર્યું.
• [ ] મેં સરેરાશ નહીં પણ સૌથી ખરાબ કેસના વર્તન દ્વારા પ્રદર્શનનું મૂલ્યાંકન કર્યું.
• [ ] મેં શીખવાની નીતિઓ માટે ક્લાસિક સલામતી પરબિડીયું વ્યાખ્યાયિત કર્યું છે.
• [ ] મેં નિષ્ફળતા સ્થિતિઓ અને નિષ્ફળ-સલામત વર્તણૂકોને સૂચિબદ્ધ કર્યા છે.
• [ ] મેં સિંગલ પોઈન્ટ ફોલ્ટ્સ ચિહ્નિત કર્યા અને સ્વતંત્રતા ઉમેરી.