Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Journal of Mechanical and Energy Engineering
1 Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały
1 Scientific Papers of The Institute of Electrical Machines, Drives and Measurements of the Wrocław University of Science and Technology Series: Studies and Research

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: sieci neuronowe wielowarstwowe

Sortuj według:

Ogranicz wyniki do:

Forward and inverse kinematics solution of a robotic manipulator using a multilayer feedforward neural network

Sharkawy Abdel-Nasser

Journal of Mechanical and Energy Engineering

2022

Vol. 6, No 2

1--17

In this paper, a multilayer feedforward neural network (MLFFNN) is proposed for solving the problem of the forward and inverse kinematics of a robotic manipulator. For the forward kinematics solution, two cases are presented. The first case is that one MLFFNN is designed and trained to find solely the position of the robot end-effector. In the second case, another MLFFNN is designed and trained to find both the position and the orientation of the robot end-effector. Both MLFFNNs are designed considering the joints’ positions as the inputs. For the inverse kinematics solution, a MLFFNN is designed and trained to find the joints’ positions considering the position and the orientation of the robot end-effector as the inputs. For training any of the proposed MLFFNNs, data is generated in MATLAB using two different cases. The first case is that data is generated assuming an incremental motion of the robot’s joints, whereas the second case is that data is obtained with a real robot considering a sinusoidal joint motion. The MLFFNN training is executed using the Levenberg-Marquardt algorithm. This method is designed to be used and generalized to any DOF manipulator, particularly more complex robots such as 6-DOF and 7-DOF robots. However, for simplicity, this is applied in this paper using a 2-DOF planar robot. The results show that the approximation error between the desired output and the estimated one by the MLFFNN is very low and it is approximately equal to zero. In other words, the MLFFNN is efficient enough to solve the problem of the forward and inverse kinematics, regardless of the joint motion type.

Neuronowe estymatory prędkości silnika indukcyjnego -stan badań

Orłowska-Kowalska T.

Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały

2003

Vol. 54, nr 23

148-173

W artykule przedstawiono wybrane wyniki badań prowadzonych w zakresie zastosowania sieci neuronowych do estymacji prędkości kątowej silnika indukcyjnego. Zaprezentowano dwie metody podejścia do tego zagadnienia, wykorzystujące odpowiednio metodę neuronowej identyfikacji oraz modelowania neuronowego. Przeanalizowano różne struktury sieci wielowarstwowych i oceniono ich właściwości z punktu widzenia jakości odtwarzania prędkości i strumienia silnika indukcyjnego. Wzięto pod uwagę wpływ zmieniających się parametrów i obciążenia silnika. Sieci były trenowane zarówno na podstawie wyników uzyskanych z symulacji jak również na podstawie rzeczywistych próbek pochodzących z rejestracji przebiegów prądów i napięć fazowych silnika indukcyjnego. Przedstawiono również wyniki odtwarzania prędkości kątowej metodą neuronowego modelowania, opartą na koncepcji estymatora z modelem odniesienia. Klasyczną metodę porównano z nowym estymatorem neuronowym wykorzystującym ideę obserwatora stanu. Zaprezentowano przykładowe wyniki badań symulacyjnych oraz eksperymentalnych zrealizowanych przy wykorzystaniu procesora sygnałowego TMS320C31.

The paper deals with neural networks application for the induction motor speed estimation. The neural identification method based on multilayer neural networks was shortly characterized and the other method, based on neural modelling in the MRAS scheme was described in details. The classical method, based on multi-layer neural networks with nonlinear activation functions, was compared with two methods based on neural modelling approach: classical MRAS-based estimator and a new estimator equipped with a state observer. Simulation and experimental results of the speed estimation were presented for an open and closed-loop operation of the vector controlled drive system with induction motor. Experiments were performed in a laboratory set-up equipped with the floating-point digital signal processor TMS320C31 used for a realisation of the speed estimation method and converter-fed induction motor control system.