| عنوان فارسی مقاله: | شبکه های عصبی مصنوعی برای کنترل بازخوردی یک آرنج هیدرولیکی مصنوعی انسان |
| عنوان انگلیسی مقاله: | Artificial neural networks for feedback control of human elbow hydraulic prosthesis |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2013 |
| تعداد صفحات مقاله انگلیسی | 9 صفحه |
| تعداد صفحات ترجمه مقاله | 17 صفحه |
| مجله | محاسبات عصبی |
| دانشگاه | باری کشور ایتالیا |
| کلمات کلیدی | – |
| نشریه الزویر | Elsevier |
فهرست مطالب:
چکیده
۲ مقدمه
۲عضو مصنوعی آرنج
۳ مدل عضو مصنوعی آرنج
۴ حل کردن مشکل سینماتیکی با استفاده از شبکه های عصبی
۴ ۱ راه حل شبکه ی عصبی مصنوعی برای محاسبه ی سینماتیک رو به جلو
۴ ۲ نتایج تست شبکه ی عصبی مصنوعی
۴ ۳ نتایج شبیه سازی
۵ نتایج
بخشی از ترجمه:
۱ مقدمه
امروزه موضوع استفاده ی انسان از یک عضو مصنوعی تحریک شده یکی از مهم ترین شاخه های بیوروباتیک می باشد. هدف از پرداختن به افرادی که دارای قطع عضو هستند این است که امکانی ایجاد شود تا فعالیت های روزانه شان را خودشان انجام دهند و پرداختن به این موضوع یک رقابت جذاب برای محققین مهندسی و پزشکی می باشد. مطالعات اولیه درباره ی این موضوع با “یوتا آرم” معروف (دانشگاه یوتا) شروع شد، که اولین عضو مصنوعی بود که قادر به کشف رمز کردن سیگنال هایی که از اعصاب می آمدند، بود و هنوز در آخرین مدل آن اراﺋﻪ می شود، و یکی از رایج ترین ها می باشد و به صورت تجاری در دسترس است [۲۷].
امروزه، چندین راه حل در مقالات مربوطه برای مدل کردن و شبیه سازی کردن کارهای مفصل ها در عضوهای ناقص در دسترس می باشد: انتخاب های گروه های تحقیقی از سراسر دنیا مربوط به هر دو مکانیزم توپولوژی و تامین انرژی می باشد. دو تا مثال مفید بازوی سری گازی-تحریکی توسط فیت و همکاران [۵] و معماری موازی توسط مندوزا-وازکوئز و همکاران [۲۶] می باشد، که با محرک های الکتریکی خطی تجهیز شده اند. گروه تحقیقی از پلی تکنیک باری (ایتالیا) یک مکانیزم ساده شده ی موازی مانند “سکوی استوارت” توسعه داده اند [۶]، که با یک سیم انتقالی سکوهای شناور را به سه تا سیلندر هیدرولیکی اتصال می دهند. این وسیله از دو تا لولای ساده ی استوانه ای استفاده می کند تا ساعد را به بازو متصل کند، و سه تا محرک هیدرولیکی در قسمت بالای بازو قرار داده شده است تا قسمت های متحرک را کاهش دهد. این محرک ها به دو دسته ی اصلی (به صورت پیشانی قرار داده می شوند) و یک دسته ی فرعی (که در عقب عضو مصنوعی قرار داده می شود) دسته بندی می شوند. هر محرک پیشانی با دو تا سیم متصل می شود، یکی به طرف ساعد جلویی و دیگری به طرف قسمت عقبی ساعد. این دو تا محرک در راس مکانی سکوی شناور می باشند، و به ساعد متصل شده اند. پیستون عقبی یک قرقره را می کشد که به دیگر سیم متصل شده به ساعد نیرو وارد می کند.
5. نتایج:
ما یک دیدگاه جدید برای محاسبه ی سینماتیک رو به جلوی یک عضو مصنوعی هیدرولیکی بر پایه ی شبکه های عصبی مصنوعی (شبکه ی عصبی مصنوعی ) اراﺋﻪ کرده ایم. فرایند به شدت غیرخطی است و مدل سازی و کنترل آن سخت است، بنابراین، با استفاده از یک شبکه ی عصبی مصنوعی که اجازه ی حل مشکل را در زمان واقعی با دقت کافی و محاسبات محدود را می دهد. روند ابتکاری است به همین دلیل به طراحان اجازه می دهد تا به وسیله ی روند حدس و خطایی قوی رفتار سیستم را امتحان کنند. به علاوه، اجازه ی رسیدن به عملکرد خوب راه حل های فرم بسته را می دهد. به علاوه، حتی اگر روند نیاز به زمان برای آموزش داشته باشد، بعد از این که پاسخ شبکه ی عصبی مصنوعی به یک زمان محاسباتی کوتاه نیاز داشت. تکنیک مطرح شده به یک طراحی ساده می انجامد که طرح سیستم کنترلی را در زمان واقعی طراحی می کند. کارهای بعدی به تعمیم دادن این روند برای ساختارهای مکانیکی مختلف با دو درجه ی آزادی وقف شده است، اگر معکوس سینماتیک سیستم به خوبی شناخته شود. به علاوه، بررسی بیش تر درباره ی حد و مرز انرژی مورد نیاز صحبت می کند تا عضو مصنوعی را با به کارگیری الگوریتم های ژنتیک جابجا کند. در نهایت، یک زمینه ی جالب از تحقیق بعدی با دیدگاه کنترلی خطی تناسبی-انتگرالی-مشتقی مطرح شده با متناوب های غیرخطی، برای مثال: با استفاده از کنترل فازی، مقایسه شده است.
بخشی از مقاله انگلیسی:
1 Introduction
The topic of actuated prostheses for human use is nowadays one of the most important branches of bio-robotics. The goal of giving back to amputees the possibility to carry out daily activities on their own represents a fascinating challenge for both medical and engineering researchers. The first studies about this topic started with the so-called “Utah Arm” (Late 70’s, University of Utah), that was the first artificial limb able to decode myoelectric signals coming from nerves and still represents, in its latest version, one of the most diffused and commercially available architectures [27].
Nowadays, several solutions are available in the related literature to model and simulate the work of articulations in limb prostheses: the choices of research groups from all over the world concern both the mechanisms typology and energy supply. Two useful examples are the serial gas-actuated arm by Fite et al. [5] and the parallel architecture by Mendoza-Vázquez et al. [26], equipped with linear electrical actuators. The research group of the Polytechnic of Bari (Italy) developed a parallel simplified “Stewart platform like” mechanism [6], with a wire transmission that links the floating platform to three hydraulic cylinders. The device uses two cylindrical elementary hinges to connect forearm and arm, and three hydraulic actuators placed on the upper arm to reduce moving masses. These actuators are classified into two main ones (frontally placed) and a secondary one (placed in the rear of the prosthesis). Each frontal actuator is linked with two wires, one towards the front forearm and the other towards the rear part of the forearm. These two actuators are in charge of the positioning of the floating platform, connected to the forearm. The rear piston brings a pulley that forces another wire connected with the forearm.
5. Conclusion
We present a novel approach for calculating the forward kinematics of a hydraulic prosthesis based on Artificial Neural Networks (ANN). The process is highly nonlinear and as such difficult to model and control, hence using an ANN allows solving the problem in real time with sufficient precision and limited computational effort. The procedure is innovative since it allows designers to test, by means of a robust trial and error procedure, the system behavior. In addition, it allows achieving good performance closed-form solutions. Moreover, even if the procedure requires time for training, after that the ANN response requires a short computation time. The proposed technique leads to straightforwardly design the control scheme in real time. Future research will be devoted to generalizing the procedure to different mechanical structures with two degrees of freedom, if the inverse kinematics of the system is well known. Moreover, further investigation will address limiting the required energy to move the prosthesis by employing genetic algorithms. Finally, an interesting field of future research is comparing the proposed PID linear control approach with nonlinear alternatives, e.g., using fuzzy control.
| عنوان فارسی مقاله: | شبکه های عصبی مصنوعی برای کنترل بازخوردی یک آرنج هیدرولیکی مصنوعی انسان |
| عنوان انگلیسی مقاله: | Artificial neural networks for feedback control of human elbow hydraulic prosthesis |