Geri Dön

Mobil manipülatörler için derin öğrenme tabanlı arıza teşhis sistemi

Deep learning-based fault diagnosis system for mobile manipulators

  1. Tez No: 849823
  2. Yazar: ZEKİCAN YILMAZ
  3. Danışmanlar: DOÇ. DR. TOLGA YÜKSEL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Mekatronik Mühendisliği, Electrical and Electronics Engineering, Mechatronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Bilecik Şeyh Edebali Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 97

Özet

Mobil manipülatörler, birçok endüstriyel alanda kritik görevler üstlenerek, üretimden lojistiğe, sağlık hizmetlerinden afet müdahalelerine kadar geniş bir yelpazede etkinlik göstermektedirler. Dünya çapında endüstrilerin genişlemesiyle birlikte, bu manipülatörlerin büyümesi ve güvenilir bir şekilde çalışmalarının sağlanması giderek daha fazla önem kazanmaktadır. Bu çalışmada, mobil manipülatörler için arıza teşhisi yapmak üzere derin öğrenme teknikleri temelinde geliştirilen yeni bir metodolojiyi ele almaktadır. Geleneksel yöntemlerin karmaşık kurallar ve uzmanlık bilgisi gerektirmesine karşın, bu çalışma, manipülatörün her bir eklemi üzerinde modellemeler yaparak ve bu eklemlere hareketler uygulayarak veri toplamıştır. Toplanan verilere eklem arızaları eklenmiş ve bu arızaların tanımlanmasında derin öğrenme yöntemleri, özellikle de evrişimli sinir ağları kullanılmıştır. Dokuz farklı eklem üzerinde çeşitli bozulma oranları detaylı bir şekilde incelenmiştir. Mobil robot manipülatörün bir bölgeden diğerine hareketini sağlamak için farklı eklem hareketleri kullanılarak beş ayrı test gerçekleştirilmiştir. Her bir eklem için beş farklı senaryo oluşturularak, bu senaryoların her birinde değişen oranlarda bozulmalar uygulanmıştır, toplamda 255 farklı senaryo değerlendirilmiştir. Elde edilen bu veri setleri, Matlab'ın Toolbox'ı olan Neural Network (NN) ve Uzun-Kısa Süreli Bellek (LSTM) algoritmaları kullanılarak işlenmiş ve bu yöntemlerin arıza tespitindeki etkinliği değerlendirilmiştir. Normal çalışma durumları ile arızalı durumları karşılaştırıldığında, karşılaştırılmıştır Kuka Youbot'un dinamikleri, bu arıza teşhis çalışmasında kullanılmış olup, eklemlerden elde edilen veriler Yapay Sinir Ağı (YSA) aracılığıyla işlenerek karar verme sürecinde kullanılmıştı, simülasyon aşamasında ise CoppeliaSim kullanılmıştır. Bu yaklaşım, sürdürülebilirlik ve gelişim açısından geleneksel yöntemlere göre daha etkin bir alternatif sunmaktadır.

Özet (Çeviri)

Mobile manipulators play a crucial role in various industrial fields, ranging from production to logistics, healthcare services to disaster response, demonstrating their effectiveness across a broad spectrum. As industries expand globally, the growth of these manipulators and their reliable operation are becoming increasingly significant. This study introduces a novel methodology based on deep learning techniques for fault diagnosis in mobile manipulators. Contrasting traditional methods that require complex rules and expert knowledge, this research has conducted modeling on each joint of the manipulator and collected data through the application of movements to these joints. Faults were added to the gathered data, and deep learning methods, particularly convolutional neural networks, were utilized for fault identification. Various degradation rates on nine different joints were meticulously examined. To facilitate movement of the mobile robot manipulator from one area to another, five separate tests using distinct joint movements were performed. Five different scenarios for each joint were created, applying varying rates of faults in each scenario, culminating in a total of 255 distinct scenarios evaluated. These datasets were processed using Neural Network (NN) and Long Short-Term Memory (LSTM) algorithms available in Matlab's Toolbox, assessing the effectiveness of these methods in fault detection. The study compared normal operational data with faulty conditions. The dynamics of the Kuka Youbot were employed in this fault diagnosis study, with data obtained from the joints processed through an Artificial Neural Network (ANN) for decision-making, while CoppeliaSim was used during the simulation phase. This approach offers a more efficient alternative to traditional methods, enhancing sustainability and development.

Benzer Tezler

  1. Multi-finger grasp localization and segmentation in infrared images

    Çok parmaklı kavrama yerelleştırme ve segmentasyon kızılötesı görüntülerde

    MUSTAFA MOHAMMED AMEEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TARKAN AYDIN

  2. Design and implementation of adaptive control for a nonholonomic mobile manipulator

    Holonomik olmayan bir mobil manipülatör için adaptif kontrol tasarımı ve uygulaması

    GÖKHAN ERDEMİR

    Doktora

    İngilizce

    İngilizce

    2013

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Elektronik-Bilgisayar Eğitimi Ana Bilim Dalı

    YRD. DOÇ. DR. AHMET EMİN KUZUCUOĞLU

    PROF. DR. NING XI

  3. Control of mobile parallel manipulator

    Mobil paralel manipülatör kontrolü

    BERK YILDIZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Makine Mühendisliğiİzmir Katip Çelebi Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. LEVENT ÇETİN

  4. Normalizing flows as HMM emissions for learning from demonstration

    Gösterimlerden öğrenme için normalleştiren akış emisyonlu saklı markov modelleri

    FARZIN NEGAHBANI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKoç Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. BARIŞ AKGÜN

  5. Mobil manipulatör dinamiğinin modellenmesi ve simülasyonu

    Dynamic modeling and simulation of mobile manipulators

    A. TARIK KAYAPINAR