عنوان پایان‌نامه
طراحی و پیاده سازی یک کنترلر عصبی برای جبران خطای موقعیت دهی پنجه ربات موازی ۳ارارار
- رشته تحصیلی
- مهندسی مکاترونیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77941;کتابخانه پردیس البرز شماره ثبت: 1232;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77941;کتابخانه پردیس البرز شماره ثبت: 1232
- تاریخ دفاع
- ۱۳ مهر ۱۳۹۵
- دانشجو
- معصومه مقیمی اسفندآباد
- استاد راهنما
- مسعود شریعت پناهی
- چکیده
- در این پژوهش روش جدیدی برای کاهش خطای موقعیت دهی به پنجه یک ربات موازی 3RRR با استفاده از شبکه های عصبی ارایه و پیاده سازی می گردد. خطای مزبور که ناشی از عواملی همچون دقت کم موتورها، لقی-اتصالات، خطای نصب بلبرینگ ها و عدم دقت کافی در اندازه گیری پارامترها و مدل سینماتیکی است، موقعیت دهی دقیق به پنجه ربات را(به ویژه در حرکت های متوالی که باعث انباشتگی خطا می شود) عملا ناممکن می سازد. برای کاهش خطای موقعیت دهی از داده های تجربی بدست آمده از مجموعه ای از حرکت های تصادفی و مقایسه موقعیت مطلوب (برنامه ریزی شده) با موقعیت واقعی پنجه ربات، برای تربیت یک شبکه عصبی استفاده می شود. در این پژوهش برای تعیین موقعیت واقعی پنجه ربات از روش پردازش تصویر استفاده می شود. شبکه عصبی ای که بر این اساس طراحی می شود پس از طی مراحل تربیت و تست قادر خواهد بود تا با دریافت موقعیت مطلوب(برنامه ریزی شده) ربات، مختصات مجازی پنجه ربات را که به عنوان مقصد به آن داده می شود، تخمین بزند. به این ترتیب با اعزام پنجه ربات به مختصات مجازی تخمین زده شده، پنجه با دقت قابل قبولی در مختصات مطلوب قرار خواهد گرفت.
- Abstract
- In this study, a new method was presented and implemented to reduce the error of positioning a 3RRR parallel robot gripper using neural networks. The mentioned error which is due to factors such as low accuracy of motors, loosening of joints, bearing installation errors and lack of sufficient precision in the measurement of parameters and kinematic model ,makes it practically impossible to position robot's gripper precisely (especially in consecutive movements which cause error accumulation). To reduce the positioning error, experimental data obtained from a series of random movements and comparing optimum (planned) position and actual position of the robot gripper is used to train a neural network. In this study, image processing method was used to determine actual position of the robot gripper. The neural network which is designed accordingly, after training and testing stages will be able to estimate virtual coordinates of the robot's gripper as a destination by getting robot's optimum (planned) position. Thus, with deployment of the robot gripper to estimated virtual coordinates, gripper will be located with an acceptable accuracy in desirable coordinates. Keywords: positioning the robot gripper, nervous controller, 3RRR robot, processing
