برای اطلاع از آخرین مقالات علمی و اخبار کرونا(COVID-19) کلیک کنید

مشخصات

عنوان:

بکارگیری شبکه های عصبی به منظور بهینه سازی گشتاور بازوهای مکانیکی ماهر



گروه تخصصی:  فنی و مهندسی

سازمان مجری:  واحد تربیت مدرس 

گروه پژوهشی: پژوهشی ریاضی و انفورماتیک

پژوهشگران: 
قصابی اسکویی حسن (مسئول طرح)
احمدی علی (همکار طرح)
محمدی مقدم مجید (همکار طرح)

تاریخ خاتمه:  دی 1385

کارفرما: معاونت پژوهش و فناوری جهاددانشگاهی

خروجی طرح: 

ـ چاپ مقاله ISI


نوع: بنیادی

 
تلفن: 37-88335335-88630480-88011001-021 ????? 4114-3945

نشانی سازمان مجری: تهران، بزرگراه جلال آل احمد، پل نصر، دانشگاه تربیت مدرس، صندوق پستی: 343- 14115
 

چکیده:

در این طرح دو شبکه عصبی به منظور بهینه سازی زمان واقعی گشتاور مفصلی بازوهای مکانیکی ماهر که از نظر سینماتیکی زاید هستند پیشنهاد شده است. دو شبکه عصبی بازگشتی برای تعیین حداقل گشتاورهای مفاصل حرکتی بازوهای مکانیکی ماهر زاید برای حالتهای بدون و با در نظر گرفتن محدودیتهای گشتاور مفصلی ارایه شده است.
شبکه عصبی اول، شبکه لاگرانژی و دومی شبکه اولیه - ثانویه نامیده شده است. در فرایند محاسباتی دو شبکه، شتابهای مطلوب کارگیر روبات برای مسیر مشخص به عنوان ورودی به شبکه عصبی داده می شوند و سیگنالهای حداقل گشتاورهای مفصلی رانش به عنوان خروجی به بازوهای روبات ارسال می گردند. هر دو شبکه عصبی بازگشتی پیشنهاد شده دارای این توانایی هستند که می نیمم گشتاور مفصلی رانش پایدار را تولید کنند. بعلاوه گشتاورهای مفصلی رانش محاسبه شده بوسیله شبکه عصبی اولیه - ثانویه هرگز حدود گشتاور مفصلی را نقض نمی کنند
.



کلیدواژگان: بازوهای مکانیکی ماهر زاید، شبکه های عصبی بازگشتی، بهینه سازی گشتاور

 
 
Title:



Abstract:

This research presents two neural network approaches to real-time joint torque optimization for kinematically redundant manipulators. Two recurrent neural networks are proposed for determining the minimum driving joint torques of redundant manipulators for the cases without and with taking the joint torque limits into consideration, respectively.
The first neural network is called the Lagrangian network and the second one is called the primaldual network. In both neural-network-based computation schemes, while the desired accelerations of the end effector for a specific task are given to the neural networks as their inputs, the signals of the minimum driving joint torques are generated as their outputs to drive the manipulator arm. Both proposed recurrent neural networks are shown to be capable of generating minimum stable driving joint torques. In addition, the driving joint torques computed by the primal-dual network is shown never exceeding the joint torque limits.



Keyword(s): Redundant manipulators, recurrent neural networks, torque optimization