Aplicação de redes neurais em um manipulador paralelo de elos flexíveis para a extração de modelos
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/18/18162/tde-26052023-093511/ |
Resumo: | Os Manipuladores Paralelos (Parallel Manipulator - PM) estão sendo mais utilizados a cada dia, como uma alternativa viável de projeto para aplicações industriais. Fatores que contribuem para isso, são algumas vantagens provenientes desse tipo de manipulador, como: a leveza, elevadas relações velocidades/acelerações, rigidez elevada, capacidade de carga e alta compactação. No entanto, esta opção de projeto pode gerar vibrações indesejadas devido à flexibilidade de seus componentes, exigindo a implementação de novas estratégias de controle de juntas e espaço de tarefas. Dois desafios principais surgem ao projetar uma estratégia de controle para um PM: a falta de uma medição direta da pose do efetuador final e sua dinâmica de acoplamento. Este trabalho propõe um estimador para avaliar a pose do efetuador final de um PM usando Redes Neurais Artificiais (RNAs) estáticas (multilayer perceptron - MLP) e com atraso de tempo (focused time lagged feedforward network - TLFN focada, e distributed time lagged feedforward network - TLFN distribuída). Encoders, extensômetros e câmera foram utilizados para realizar as medições, os encoders medem o deslocamento angular das juntas ativas do manipulador, os extensômetros a deformação dos elos e a câmera a posição do efetuador final. A proposta é validada usando dados experimentais de um PM 3RRR com elos flexíveis. No trabalho em questão foi possível treinar uma RNA com 22 trajetórias que foi capaz de prever o posicionamento de uma trajetória que não participou do treinamento, através dos dados de entrada, com uma média do MAPE (mean absolute percentage error) para as 3 saídas do efetuador final de 6,53% para uma MLP, 3,43% para uma TLFN focada e 6,52% para uma TLFN distribuída, a média do MSE (mean aquare error) foram, respectivamente, 1,0 x 10-3m2, 1,6 x 10-4m2 e 7,4 x 10-4m2. |
id |
USP_71e37cb4440fdd2eb7add89500f75cf5 |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-26052023-093511 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Aplicação de redes neurais em um manipulador paralelo de elos flexíveis para a extração de modelosApplication of neural networks in a parallel flexible link manipulator for model extraction3RRR3RRRArtificial Neural Networks (ANN)flexible parallel manipulatorsmanipuladores paralelos flexíveisRedes Neurais Artificiais (RNA)TLFNTLFNOs Manipuladores Paralelos (Parallel Manipulator - PM) estão sendo mais utilizados a cada dia, como uma alternativa viável de projeto para aplicações industriais. Fatores que contribuem para isso, são algumas vantagens provenientes desse tipo de manipulador, como: a leveza, elevadas relações velocidades/acelerações, rigidez elevada, capacidade de carga e alta compactação. No entanto, esta opção de projeto pode gerar vibrações indesejadas devido à flexibilidade de seus componentes, exigindo a implementação de novas estratégias de controle de juntas e espaço de tarefas. Dois desafios principais surgem ao projetar uma estratégia de controle para um PM: a falta de uma medição direta da pose do efetuador final e sua dinâmica de acoplamento. Este trabalho propõe um estimador para avaliar a pose do efetuador final de um PM usando Redes Neurais Artificiais (RNAs) estáticas (multilayer perceptron - MLP) e com atraso de tempo (focused time lagged feedforward network - TLFN focada, e distributed time lagged feedforward network - TLFN distribuída). Encoders, extensômetros e câmera foram utilizados para realizar as medições, os encoders medem o deslocamento angular das juntas ativas do manipulador, os extensômetros a deformação dos elos e a câmera a posição do efetuador final. A proposta é validada usando dados experimentais de um PM 3RRR com elos flexíveis. No trabalho em questão foi possível treinar uma RNA com 22 trajetórias que foi capaz de prever o posicionamento de uma trajetória que não participou do treinamento, através dos dados de entrada, com uma média do MAPE (mean absolute percentage error) para as 3 saídas do efetuador final de 6,53% para uma MLP, 3,43% para uma TLFN focada e 6,52% para uma TLFN distribuída, a média do MSE (mean aquare error) foram, respectivamente, 1,0 x 10-3m2, 1,6 x 10-4m2 e 7,4 x 10-4m2.Parallel Manipulators (Parallel Manipulator - PM) are being used more daily, as a viable design alternative for industrial applications. Factors that contribute to this are some advantages of this type of manipulator, such as: lightness, high speed/acceleration ratios, high rigidity, load capacity and high compaction. However, this design option can generate unwanted vibrations due to the flexibility of its components, requiring the implementation of new joint control strategies and task space. Two main challenges arise when designing a control strategy for a PM: the lack of a direct measurement of the end-effector pose and its coupling dynamics. This work proposes an estimator to evaluate the final effector pose of a PM using Artificial Neural Networks (ANNs) static (multilayer perceptron - MLP) and with time delay (focused time lagged feedforward network - focused TLFN, and distributed time lagged feedforward network - distributed TLFN). Encoders, strain gauges and a camera were used to perform the measurements, the encoders measure the angular displacement of the active joints of the manipulator, the strain gauges the deformation of the links and the camera the position of the end effector. The proposal is validated using experimental data from a PM 3RRR with flexible links. In the work in question, it was possible to train an ANN with 22 trajectories that was able to predict the positioning of a trajectory that did not participate in the training, through the input data, with an average of the MAPE (mean absolute percentage error) for the 3 end-effector outputs of 6.53% for an MLP, 3.43% for a focused TLFN, and 6.52% for a distributed TLFN, the mean of the MSE (mean square error) were, respectively, 1.0 x 10-3m2, 1.6 x 10-4m2 and 7.4 x 10-4m2.Biblioteca Digitais de Teses e Dissertações da USPSilva, Maíra Martins daSávio, Thiago Liquita2023-03-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/18/18162/tde-26052023-093511/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2023-05-29T15:07:45Zoai:teses.usp.br:tde-26052023-093511Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212023-05-29T15:07:45Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Aplicação de redes neurais em um manipulador paralelo de elos flexíveis para a extração de modelos Application of neural networks in a parallel flexible link manipulator for model extraction |
title |
Aplicação de redes neurais em um manipulador paralelo de elos flexíveis para a extração de modelos |
spellingShingle |
Aplicação de redes neurais em um manipulador paralelo de elos flexíveis para a extração de modelos Sávio, Thiago Liquita 3RRR 3RRR Artificial Neural Networks (ANN) flexible parallel manipulators manipuladores paralelos flexíveis Redes Neurais Artificiais (RNA) TLFN TLFN |
title_short |
Aplicação de redes neurais em um manipulador paralelo de elos flexíveis para a extração de modelos |
title_full |
Aplicação de redes neurais em um manipulador paralelo de elos flexíveis para a extração de modelos |
title_fullStr |
Aplicação de redes neurais em um manipulador paralelo de elos flexíveis para a extração de modelos |
title_full_unstemmed |
Aplicação de redes neurais em um manipulador paralelo de elos flexíveis para a extração de modelos |
title_sort |
Aplicação de redes neurais em um manipulador paralelo de elos flexíveis para a extração de modelos |
author |
Sávio, Thiago Liquita |
author_facet |
Sávio, Thiago Liquita |
author_role |
author |
dc.contributor.none.fl_str_mv |
Silva, Maíra Martins da |
dc.contributor.author.fl_str_mv |
Sávio, Thiago Liquita |
dc.subject.por.fl_str_mv |
3RRR 3RRR Artificial Neural Networks (ANN) flexible parallel manipulators manipuladores paralelos flexíveis Redes Neurais Artificiais (RNA) TLFN TLFN |
topic |
3RRR 3RRR Artificial Neural Networks (ANN) flexible parallel manipulators manipuladores paralelos flexíveis Redes Neurais Artificiais (RNA) TLFN TLFN |
description |
Os Manipuladores Paralelos (Parallel Manipulator - PM) estão sendo mais utilizados a cada dia, como uma alternativa viável de projeto para aplicações industriais. Fatores que contribuem para isso, são algumas vantagens provenientes desse tipo de manipulador, como: a leveza, elevadas relações velocidades/acelerações, rigidez elevada, capacidade de carga e alta compactação. No entanto, esta opção de projeto pode gerar vibrações indesejadas devido à flexibilidade de seus componentes, exigindo a implementação de novas estratégias de controle de juntas e espaço de tarefas. Dois desafios principais surgem ao projetar uma estratégia de controle para um PM: a falta de uma medição direta da pose do efetuador final e sua dinâmica de acoplamento. Este trabalho propõe um estimador para avaliar a pose do efetuador final de um PM usando Redes Neurais Artificiais (RNAs) estáticas (multilayer perceptron - MLP) e com atraso de tempo (focused time lagged feedforward network - TLFN focada, e distributed time lagged feedforward network - TLFN distribuída). Encoders, extensômetros e câmera foram utilizados para realizar as medições, os encoders medem o deslocamento angular das juntas ativas do manipulador, os extensômetros a deformação dos elos e a câmera a posição do efetuador final. A proposta é validada usando dados experimentais de um PM 3RRR com elos flexíveis. No trabalho em questão foi possível treinar uma RNA com 22 trajetórias que foi capaz de prever o posicionamento de uma trajetória que não participou do treinamento, através dos dados de entrada, com uma média do MAPE (mean absolute percentage error) para as 3 saídas do efetuador final de 6,53% para uma MLP, 3,43% para uma TLFN focada e 6,52% para uma TLFN distribuída, a média do MSE (mean aquare error) foram, respectivamente, 1,0 x 10-3m2, 1,6 x 10-4m2 e 7,4 x 10-4m2. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-03-24 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.teses.usp.br/teses/disponiveis/18/18162/tde-26052023-093511/ |
url |
https://www.teses.usp.br/teses/disponiveis/18/18162/tde-26052023-093511/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1809091097547243520 |