Aplicação de redes neurais em um manipulador paralelo de elos flexíveis para a extração de modelos

• Ano de defesa: 2023
• Autor(a) principal: Sávio, Thiago Liquita
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: 3RRR; Artificial Neural Networks (ANN); flexible parallel manipulators; manipuladores paralelos flexíveis; Redes Neurais Artificiais (RNA); TLFN
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/18/18162/tde-26052023-093511/

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.