پاورپوینت تشخیص خطا درعملیات گرفتن قطعه توسط ربات مونتاژ کننده با استفاده از روش درخت تصمیم گیری (pptx) 17 اسلاید
دسته بندی : پاورپوینت
نوع فایل : PowerPoint (.pptx) ( قابل ویرایش و آماده پرینت )
تعداد اسلاید: 17 اسلاید
قسمتی از متن PowerPoint (.pptx) :
Thursday, May 22, 2008
1
به نام نامی نامی
که به جز نام او نامی
نیست.
تشخیص خطا درعملیات گرفتن قطعه توسط ربات مونتاژ کننده با استفاده از روش درخت تصمیم گیری
استاد راهنما :
مهندس صفایی
ارائه دهنده :
ملیحه موسوی اصل
84307833
مقدمه :
عملکرد ربات های صنعتی در سیستم های تولید انعطاف پذیر، همانند عملکرد ربات های خدمت دهنده، مسایل و مشکلات جدیدی را برای طراحی معماری کنترل شان بوجود می آورد.
در محیط های کمتر ساخت یافته، پیش بینی کلیه ی وقایع و حوادث ممکن، مشکل است.
درداده های مربوط به ربات مونتاژ کننده، ورودی، روش یادگیری می باشد و خروجی آن، قوانینی به منظور تشخیص خطا در عملیات گرفتن قطعه توسط ربات می باشد.
در بخش دوم این مقاله، ساختار و معماری کلی محیط مونتاژ خودکار که هدف آن است با استفاده از روش درخت تصمیم گیری، عملیات گرفتن قطعه توسط ربات در محیط مذکور یادگیری گردد، شرح داده می شود. در بخش سوم، مکانیزم یادگیری در روش اشاره شده، تشریح می گرددویادگیری ربات مونتاژ کننده با استفاده از ابزار
C4.5
و
Ripper
و
J.48
ارزیابی و مقایسه می گردد. در نهایت در بخش چهارم نتایج حاصل از یادگیری به روش مذکور، تشریح می گردد.
ساختار سرپرستی عملیات مونتاژ مستقل
:
جهت انجام عملیات مونتاژ خودکار، نیاز به سرپرستی و نظارت بر اجرای بهینه ی عملیات مذکور می باشد که در این بخش این ساختار تشریح می گردد:
هماهنگی کلی
بازیافت خطا
تشخیص خطا
نظارت بر عملیات مونتاژ
شکل 1- نمایی کلی از معماری سرپرستی عملیات مونتاژ
در ادامه وظایف چهار جزء اشاره شده تشریح می گردد:
1.هماهنگی کلی
2.نظارت بر برنامه های مونتاژ
3.تشخیص خطا
4.بازیافت خطا
آموزش و یاد گیری :
به منظور دستيابي به يك دانش پايه برای تشخيص خطا در مساله تعريف شده استفاده از روش های يادگيری ماشين امری اجتناب ناپذیر به نظر می رسد.
Seabr
a
و همکارش نسبت به جمع آوري داده هايي درخصوص بردارگشتاور و بردار نيروي ربات پس از تشخيص خطا در مسير گرفتن قطعه، اقدام نمودند كه در واقع سه مولفه بردار نيرو و سه مولفه بردار گشتاور در حالت سه بعدي به عنوان خصيصه ها در نظر گرفته شدند.در این مجموعه داده ها در چهار مجموعه تعریف شده است: (1) کلاس
Normal
که در آن حرکت ربات به صورت طبیعی ادامه پیدا می کند، (2)
Collision
که در آن خطای حرکتی ربات همراه با تصادم با مانع می باشد، (3)
Fr_collision
که در آن ربات تا مرز مانع حرکت می کند و (4)
Obstruction
که در آن ربات پس از بروز خطا، امکان هیچ گونه فعالیتی ندارد.
روش درخت تصمیم گیری :
این روش به عنوان یک مقدمه ی خوب براي يادگيري استقرايي مورد استفاده واقع مي گردد و از نظر اجرا، ساده مي باشد. در زير، ابتدا، عنصر عملكرد تشريح مي گردد و سپس نشان داده مي شود كه چگونه عمل يادگيري انجام مي گردد:
درخت های تصمیم گیری به عنوان عناصر عملکرد:
یک درخت تصمیم گیری، یک موضوع يا وضعيت شرح داده شده بوسيله ی یک مجموعه شاخص را مي گيرد و يك تصميم
-
مقدار خروجي پيش بيني شده براي ورودي را بازمي گرداند
.
بیان درخت تصمیم گیری :
در واقع درخت تصميم گيري، شرح دهنده ی يك ارتباط مابين هدف و برخي تركيبات منطقي از مقادير شاخص ها مي باشد
.
درخت تصميم گيری را نمي توان براي ارائه آزمايشاتي كه به دو يا تعداد بيشتري از موضوع متفاوت برمي گردد، استفاده نمود
.
درخت هاي تصميم گيري، در گروه زبان هاي گزاره اي، كاملاً رسا و روشنگر مي باشند
.
قابل توجه مي باشد كه هر تابع د ودويي مي تواند به صورت يك درخت تصميم گيری نمايش داده شود
.
بديهي است كه درختان تصميم گيري، مي توانند تعداد زيادي تابع را با تعداد زيادي درختان تصميم گيري كوچكتر، نمايش دهند
.
برای برخی از توابع، به هر حال این موضوع یک مشکل واقعی می باشد. به عبارت ديگر، درخت هاي تصميم گيري براي برخي از انواع توابع، خوب و براي برخي ديگر، مناسب نيستند
.
پاسخ هايي كه روش درخت تصميم براي داده هاي مورد استفاده در اين مقاله، داده است، نشان مي دهد با اين روش، يادگيري با خطاي نسبتاٌ كمي انجام شده است .
