دانلود مقاله ISI انگلیسی شماره 89050
ترجمه فارسی عنوان مقاله

توسعه سیستم جایگذاری مبدل هوشمند (ترانسفورماتور) با استفاده از بازوی رباتی

عنوان انگلیسی
Development of an intelligent transformer insertion system using a robot arm
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
89050 2018 13 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Robotics and Computer-Integrated Manufacturing, Volume 51, June 2018, Pages 209-221

فهرست مطالب ترجمه فارسی
چکیده

کلمات کلیدی

1.مقدمه

شکل ۱. چارچوب کاری سخت افزار سیستم جایگذاری بکار گرفته شده 

شکل ۲. نمای جلویی و کناری مبدل بکار گرفته شده

۲. راه اندازی سخت افزاری سیستم جایگذاری مطروحه

جدول ۱. مشخصات پین

شکل ۳. نمای جلویی سوراخ های پین مبدل بروی PCB

جدول ۲ مشخصات سوراخ پین 

شکل ۴. پلتفرم وظیفه جایگذاری

۳. چارچوب کاری سیستم مطروحه

۳.۱ لایه بصری (دیداری)

شکل ۵. مقایسه روشنایی (تابش) 

شکل ۶. رویه های سیستم مطروحه

شکل ۷. تصاویر بانری شده و سیاه و سفید و ROI چهار پین بالایی 

شکل ۸. باینری سازی تصاویر ROI پین های استوانه ای پایین تر با استفاده از تصاویر سیاه و سفید (چپ) و YCbCr (راست)

۳.۲ لایه حرکتی

شکل ۹. تصویر پین و لحیم مطروحه بوسیله بازنمایی مورفولوژیکی: (a) پین و لحیم متصل شده ، و (b) پین و لحیم تفکیک شده (جدا شده)

شکل ۱۱. تصویر پین باینری شده با فیلتراسیون نویز

شکل ۱۲. سمت راست و پایین پین

جدول ۳. آمارهای نوع جایگذاری

 شکل ۱۳. مراکز پین (نقطه ها در درون نواحی سفید) بدست آمده از طریق محاسبه

شکل ۱۴. مبدل های ناقص (مشکل دار) 

شکل ۱۵. توزیع موقعیت های مکانی جایگذاری

جدول ۴. آمارهای حرکات جایگذاری تولید شده بوسیله خوشه بندی FCM 

شکل ۱۶. حرکات جایگذاری دو بعدی تولید شده بوسیله خوشه بندی FCM

شکل ۱۷. حرکات جایگذاری سه بعدی خوشه بندی شده بوسیله خوشه بندی FCM وزن کشی شده

جدول ۵. آمارهای حرکات جایگذاری سه بعدی خوشه بندی شده بوسیله خوشه بندی FCM وزن کشی شده

جدول ۶. آمارهای حرکات جایگذاری سه بعدی تولید شده بوسیله خوشه بندی و تنظیم FCM وزن کشی شده مطابق با شکاف مابین پین و مشخصات سوراخ 

جدول ۷. مقایسه ۵ حرکت اشتقاق شده از ۴ روش

۳.۳ لایه تصمیم

جدول ۸. نتایج جستجوی مقدار C با استفاده از اعتبارسنجی ۵ مرتبه ای

۴. نتایج 

۴.۱ آزمایش ۱: انتخاب طبقه بندی گرها و پارامترهای تنظیمی برای طبقه بندی SVM

جدول ۹ نتایج جستجوی مقدار y با استفاده از اعتبارسنجی متقابل ۵ مرتبه ای

شکل ۱۸. تصاویر خام گرفته شده تحت (a) روشنایی لیزر تکی (b) روشنایی لیزر دوگانه

جدول ۱۰. نتایج تخمین با استفاده از تصویر گرفته شده تحت روشنایی لیزری تکی و دوگانه

 جدول ۱۱. کارامدی تخمین طبقه بندی گرهای SVM ، و Bayes ، و NN

جدول ۱۲. مقایسه روش های کاهش ابعاد مختلف

شکل ۱۹. موقعیت پین

۴.۲ آزمایش ۲: تجزیه و تحلیل جزء اصلی در برابر LLE (اختصارا PCA)

۴.۳ آزمایش ۳: محدودیت های تصویری مختلف

جدول ۱۳. مقایسه SVM+LLE با استفاده از قوانین ۱-۹

۵. مباحثه

۶. جمع بندی


ترجمه چکیده
فناوری ها برای جایگذاری اجزای الکترونیکی در صنعت الکترونیک ضروری است. این مقوله در گذشته بوسیله سرهم بندی دستی انجام می شد ، اما امروزه ماشین های سفارشی سازی شده ، خصوصا برای سرهم بندی خودکار طراحی شده اند. تعدادی از این ماشین ها حتی بازوهای رباتی را بمنظور جایگذاری اجزای غیر مرسوم بکار می گیرد. هرچند ، بدین دلیل که ماشین های با هدف-خاص قادر به جایگذاری مبدل ها با ۶ پین لحیم شده دستی بروی بردهای مدار چاپ شده نیستند ، این مطالعه سیستم یادگیری برای چنین ماشین هایی مطرح نموده که خصایص تصویری را در درون حرکات جایگذاری انجام شده بوسیله بازوی رباتی برای حل مسائل مرتبط به جایگذاری مبدل می گنجاند. سیستم مطروحه در سه لایه فعالیت می کند: بصری ، حرکتی ، و تصمیم گیری. لایه بصری در رابطه با پیش پردازش داده تصویر ، استخراج خصایص تصویر پین بوسیله جایگذاری خطی محلی (LLE) ، و تنظیم پارامترها برای آموزش حرکات جایگذاری در بازوی رباتی است. در لایه حرکتی ، حرکت های واجد شرایط برای جایگذاری مبدل ها جمع آوری شده بوده و C-means های فازی وزن کشی شده برای همگرایی حرکات جایگذاری و خلق نشانه هایی برای لایه تصمیم استفاده شده بودند. لایه تصمیم گیری از پشتیبانی از ماشین بردار یکی در برابر همه (SVM) ها برای ایجاد طبقه بندی گرهایی برای اعمال خصایص تصویری جمع آوری شده برای محاسبه حرکات جایگذاری استفاده می نماید. آزمایش ها برای تایید روش های پژوهشی مختلف بوسیله استفاده از ۳۰۰ مبدل بعنوان نمونه های تمرینی و ۲۰۰ مبدل بعنوان نمونه های آزمایشی انجام شده بود. بوسیله اعمال تعدادی از قوانین برای محدود سازی خصایص تصویر ، این مطالعه سه طبقه بندی گر (SVM ها ، Bayes ، و شبکه عصبی) را برای نمونه های آزمایشی و مقایسه صحت و درستی آنها اعمال نموده است. نتایج تجربی نشان دهنده نرخ صحت (درستی) تا 88% بوده ، که میانگین حوزه تحت منحنی خصیصه عملیاتی دریافت کننده 0.88 بوده ، و طبقه بندی گرهای SVM بکار گرفته شده درست تر از دیگر دو طبقه بندی گر بوده اند.
ترجمه مقدمه
در دهه ۱۹۶۰ ، اجزای الکترونیکی اکثرا با استفاده از روش سرهم بندی - پین سرهم بندی می شد ، که نیازمند نیروی کار دستی قابل توجه و اساسی بود. در دهه ۱۹۸۰ ، فناوری های Surface Mount به تدریج به بلوغ رسیده ، که منجر به خلق ماشین های جایگذاری بخش تک-حرکتی مختلف شده که بعدا در درون ماشین هایی با موقعیت یابی دقیق و توانایی های جایگذاری بخشی خودکار توسعه داده شده بود. این ماشین های جایگذاری با هدف-خاص عموما بازوهای رباتی با ۴ درجه ازادی (DOF; hereafter 4-DOF بازوی رباتی) را بکار می گیرد ، که نشان دهنده کنترل نقطه به نقطه کافی و مناسب است. هرچند ، آنها به جایگذاری بخش هایی از صفحه XY محدود شده اند. بنابراین ، جایگذاری اجزای غیر مرسوم ، همچون مبدل که در این مطالعه آزمایش شده ، هنوز نیازمند نیروی کار دستی اساسی (نیروی کار) به این دلیل که بازوهای ربات قادر به جایگذاری این اجزا در موقعیت معینی نیستند ، می باشند. در فرایند جایگذاری بخش ، حیاتی ترین عنصر جایگذاری اجزا در درون موقعیت های هدف بوده ، که نیازمند حسگرهایی برای تقویت قدرتمندی سیستم جایگذاری است. مطالعات مختلف ، کنترل نیرو برای بازوهای رباتی (دست کاری کننده ها) را بعنوان موضوعی کلیدی شناسایی نموده است. Raibert و Craig قانون کنترل اشتقاق شده- انتگرالی - تناسبی را برای طراحی روشی برای نیروی درست و کنترل موقعیت دست کاری کننده ها و انجام آزمایشات بروی عملیات جایگذاری peg-in-hole بکار گرفته اند. هرچند ، این روش کنترلی را نمی توان بدرستی در زمانی که در حل مسائل سرهم بندی پیچیده استفاده شده ، تعریف نمود. Polverini et al ربات دو بازویی را برای حل مسائل جایگذاری بدون استفاده از هرگونه حسگرهای نیرو ، تنها با نیروی بازخورد برای تولید مسیرهای بلادرنگ از طریق رویکرد بهینه سازی ، اعمال نموده است. بازوی رباتی نیازمند کنترل نیرو (نیروی کنترل) برای تولید مسیر - بدین دلیل که دقت برای جایگذاری اجزای کوچگ در درون سوراخ های کوچک حیاتی است - می باشد. جایگذاری Peg-in-hole نمونه معمول کنترل نیرو است. فرایند جایگذاری به دو مرحله تقسیم بندی شده است. اولین مرحله ، مرحله جستجو که بوسیله تعریف شکاف مابین مراکز peg و سوراخ تکمیل شده است. دومین مرحله ، مرحله جایگذاری ، که با استفاده از تنظیم جهت و کالیبراسیون peg و سوراخ برای دستیابی به جایگذاری هموار و صاف انجام شده است. Gullapalli et al مسائل جستجو را بوسیله استفاده از شبکه یادگیری مرتبط حل نموده ، که اجرای حرکات جایگذاری کافی و مناسب تحت شرایط مختلف و شناسایی خصایص این حرکات ها را یاد می گیرد. در زمانی که ورودی ناقص (بازخورد نیرو) فراهم شده بوده (بدست آمده بوده) ، سیستم یادگیری به تولید مرتبط ترین کنش برای ورودی می پردازد. این کنش peg-in-hole تحت شرایط عدم قطعیت و نویز انجام شده بوده است. Majors و Richards روش یادگیری مبتنی بر شبکه عصبی را برای جایگذاری peg-in-hole طراحی نموده اند. حسگرهای نیرو بروی پایانه های بازوی رباتی برای گردآوری نیرو و داده گشتاور استفاده شده بوده ، که برای خلق مدل ریاضی برای جایگذاری peg-in-hole استفاده شده بوده است. Sharma et al از مفاهیم ریاضی برای تعیین اینکه خواه موقعیت سوراخ به درستی جستجو شده بوده و peg به درستی جایگذاری شده بوده ، استفاده شده ، و رویکردهای پویا و بلادرنگ را برای محاسبه مقادیر نزولی گرادیان برای دستیابی به موقعیت سوراخ درست اعمال نموده است. Hovland و McCarragher از سیگنال های حسگر نیرو گردآوری شده از دست کاری کننده استفاده نموده و مدل های مارکوف پنهان را برای تشخیص رویدادهای گستته بیانگر گذارهای حالت تماس در سرهم بندی peg-in-hole بکار گرفته است. نتایج آزمایش نشان دهنده این است که میانگین عملکرد تشخیصی به نرخ درستی 98% برای 12 رویداد دست پیدا کرده است. مسائل مرتبط به استفاده از ربات ها در عملیات های peg-in-hole را نمی توان تنها بوسیله کنترل نیرو حل نمود. تعدادی از مطالعات روش های کنترل هیبریدی را توسعه داده که دیداری ماشین و بازخورد نیرو را ترکیب می نماید. اتخاذ سروکار بصری در ربات ها برای تقویت حس نیرو و نتایج جستجو استفاده شده بود. Abatzoglou و O'Donnell به رویکردهای تکمیلی دیداری برای تقریب زنی موقعیت های سوراخ متوسل شده و وظایف Peg-in-hole را با استفاده از رابطه گرادیان مابین قطعات کاری و سوراخ ها اجرا نموده است. روش نزولی گرادیان هماهنگ برای محاسبه این رابطه گرادیان بکار گرفته شده بود. موخرا ، Morel et al از سیستم بصری برای تولید مسیرهای مرجع استفاده نموده و رویکرد کنترل آمپدانس مبتنی بر بازخورد نیرو را برای اصلاح این مسیرها استفاده نموده است. Lopez-Juarez et al دیداری بودن ماشین و حس نمایی نیرو را برای تکمیل وظایف جایگذاری peg-in-hole اعمال نموده است. روش دو بعدی برای تقریب زنی موقعیت های مکانی سوراخ و بازخورد نیرو برای جایگذاری درس اجزا در درون سوراخ های هدف استفاده شده بود. Su et al ، مسائل جایگذاری peg-in-hole بیرون از مرکز را بوسیله تشخیص حرکات بصری اجزای بکار گرفته شده و کاهش فضای پیکربندی چندین بعدی در درون فضای دو بعدی حل نموده است. Huang et al روش همترازی اجزا را بر پایه و اساس انطباق بصری و بوسیله نصب و راه اندازی دو دوربین سرعت بالا برای فراهم نمودن بازخورد برای تنظیم حرکات ربات برای عملیات های جایگذاری peg-in-hole مطرح نموده است. Xing et al استراتژی کنترل هیبریدی از چشم انداز زوایای اجزا مطرح نموده است. سیستم تشخیص حرکتی و دیداری برای تنظیم حرکات جزء و زوایا مطابق با بازخورد نیروی بدست آمده توسعه داده شده بود. در سیستم های جایگذاری خودکار ، بازرسی دیداری ماشین عموما برای شناسایی وضعیت قطعات کاری و محیط های کاری و فراهم نمودن داده ضروری برای بازوهای رباتی در خلال رویه های جایگذاری peg-in-hole استفاده شده است. در حال حاضر ، فناوری های بازرسی دیداری ماشین صنعتی اکثرا در بازرسی برد مدار اعمال شده است. برای تعیین مسائل واریانس خصیصه بصری ، این فناوری ها چندین خصیصه بصری را در درون شبکه عصبی فازی بعنوان راهکار یادگیری می گنجاند. Acciani et al تصاویر برد مدار را مطابق با سطوح خاکستری (سیاه و سفید) (مانند تفکیک سازی برد ، IC ، و نواحی PIN) تفکیک نموده و خصایص مختلف را از هر ناحیه مورد توجه استخراج نموده بوده است. در بازرسی دیداری ، خصایص تصویر را می توان بصورت گسترده و محلی استخراج نمود. استخراج خصیصه بصورت گسترده منجر به توزیع داده واضح تصویر خام شده ، اما نمی توان برای ذخیره تغییرات در نواحی محلی استفاده نمود. در تقابل ، استخراج خصیصه محلی را می توان بصورت متمایز برای نمایش خصایص تمامی نواحی محلی استفاده نمود. علاوه بر این ، تصویر بوسیله خصایص مختلف - شامل فضا ، شکل ، رنگ ، بافت و سطح خاکستری - تعیین مشخصات نمود. بعنوان نمونه ، خصایص تصویر بردهای مدار چاپ شده (PCB ها) و دستگاه های Surface Mounted شامل : حساسیت رنگ و ناحیه و شکل بخش لحیم شده می باشد. Kon و Cho حساسیت را در سه رنگ اولیه در لحیم کاری‌ (چسبانیدن) برد مدار بعنوان پارامتر تعیین مشخصات اتخاذ نمود و شبکه فازی عصبی را برای کشف نقص های پیوندی بکار گرفت. Giaquinto et al ناحیه و شکل پیوند زده شده را بعنوان پارامترهای تعیین مشخصه بکار گرفته و شبکه های عصبی فازی و ماژول های مبتنی بر قانون فازی را برای آزمایش نقص های پیوندی اعمال نمود. علاوه بر این ، Belbachir et al دگرگونی موجک را گنجانیده که بعنوان پارامتر تعیین مشخصات در درون شبکه های عصبی برای کشف نقص های برد مدار استفاده شده است. Fanni et al دگرگونی فوریه سریع را بعنوان خصیصه پردازش تصویر برای انجام رویه های آزمایش شبکه عصبی اتخاذ نموده است. اگرچه تعداد زیادی از مطالعات متمرکز بر توسعه روش های جایگذاری peg-in-hole با استفاده از راهنمای بصوری و کنترل نیرو بوده ، این روش ها منجر به زمان های جایگذاری طولانی شده و بنابراین قادر به ارضای نیازهای سیستم جایگذاری مبدل مطروحه بوسیله مطالعه کنونی نبوده ، که این بدلیل تفاوت های زاویه-پین قابل ملاحظه (برخی از پین های برای جایگذاری جزء بشدت مورب بوده اند.) بوده است. بنابراین ، ممکن است که رویکردهای کنترل نیروی مرسوم منجر به چرخه های عملیاتی طولانی شده و موجب اختلالات در خط تولید کلی شود. هرچند ، مطالعات آشکار ساخته که خصایص تصویر و یادگیری شبکه عصبی فازی موجب تولید نتایج بهینه تری برای کشف نقص های جزء الکترونیکی نسبت به روش های مرسوم می شود. در Nutshell ، دشواری های مسئله جایگذاری مبدل بصورت ذیل می باشند: (۱) روش های بازرسی دیداری برای کشف مراکز پین برای دستیابی به صحت و درستی عادلانه بدلیل نویزهای تصویر ناکافی است. (۲) اگرچه مراکز پین مبدل بعنوان خم شدن توسط بازرسی دیداری شناسایی شده ، مبدل هنوز می تواند با حالت معینی جایگذاری شود ، اما یافتن حالت از مراکز پین سرسختانه است. (برخی از پین ها برای جایگذاری جزء بشدت مورب بوده اند). (۳) وظیفه جایگذاری قادر به استفاده از ربات هماهنگ کننده کارتزینی نمی باشد. (۴) روش های راهنمای بصری و کنترل نیرو برای تکمیل و ارضای ملزومات سرعت وظیفه جایگذاری صنعتی بسیار کند است. بنابراین ، برای غلبه بر مسئله جایگذاری مبدل ، مطالعه کنونی بازوی رباتی 6-DOF نسبت به 4-DOF را برای افزایش انعطاف پذیری عملیاتی اتخاذ نموده است. علاوه بر این ، فناوری های بازرسی بصری برای فراهم نمودن خصایص پین مبدل بکار گرفته شده بوده ، و مفهوم یادگیری ماشین نیز همچنین برای تعیین رابطه مابین خصایص پین و حرکات بازوی ربات استفاده شده بوده است. بنابراین ، مطالعه کنونی مدلی را مطرح نموده که می توان در درون حل مسائل جایگذاری جزء غیر مرسوم عمومی سازی نمود. مطالعه کنونی مفروض می دارد که سطح معینی از تشابه مابین تصاویر پین مبدل های سرهم بندی شده بوسیله حرکت جایگذاری مشابه وجود دارد. در زمانی که اجزای الکترونیکی معین دارای موقعیت های پین استانداردسازی شده خصیصه نمی باشند ، این اجزا را نمی توان صرفا بوسیله حرکت جایگذاری سرهم بندی نمود. این مسئله را نیز همچنین می توان در مبدل های بکار گرفته شده در مطالعه کنونی - بدلیل اینکه پین های آنها تماما بصورت دستی لحیم شده و بنابراین مبدل ها را نمی توان صرفا بوسیله یک حرکت جایگذاری سرهم بندی نمود - بکار گرفته شده اند. هرچند ، طراحی حرکت جایگذاری انحصاری برای هر مبدل - بدین دلیل که آموزش حرکات جایگذاری در تمامی مبدل ها بروی خط تولید غیر ممکن است - عملی نیست. بنابراین ، تعدادی از مبدل های بکار گرفته شده بعنوان مجموعه تمرینی برای آموزش حرکت جایگذاری استفاده شده بودند. ارایه حرکات جایگذاری بوسیله خوشه بندی شناسایی شده بوده ، و این حرکات ارایه شده بوسیله سیستم مطروحه انجام شده بود. بنابراین ، آموزش مبدل برای فراهم نمودن تصویر و داده حرکتی انجام شده بود. استراتژی های یادگیری ماشین برای تعیین رابطه مابین خصایص تصویر و حرکات جایگذاری اتخاذ شده بوده و از این رو حرکات جایگذاری ایده آل برای دیگر مبدل ها را تخمین می زند. علاوه بر این ، بازوی ربات 6-DOF منعطف برای اجرای وظایف جایگذاری Peg-in-hole بمنظور تولید سیستم جایگذاری هوشمند برای مبدل های چندین پین استفاده شده بود. با استفاده از مفهوم یادگیری ماشین ، این مطالعه سیستم جایگذاری مبدل هوشمند را بمنظور خمین حرکات جایگذاری بازوی هوشمند بوسیله استفاده از خصایص تصاویر پین مبدل مطرح نموده است. به معنای دیگر ، تشخیص خصیصه بصری ، خوشه بندی حرکت جایگذاری بازوی رباتی ، و یادگیری ماشین برای توسعه سیستم برای جایگذاری اجزای غیر مرسوم بکار گرفته شده بودند. عملیات سیستم مطروحه به سه لایه تقسیم شده بود: (۱) لایه دیداری (بصری): نویز تصویر بصورت کارامدی فیلتر شده و خصایص تصویر پین هر مبدل حفظ شده بود; (۲) لایه حرکتی: حرکات جایگذاری برای تعدادی از مبدل های بکار گرفته شده بصورت دستی در سیستم اموخته شده و الگوریتم خوشه بندی برای جستجوی حرکات ارایه شده در میان این حرکات آموخته شده دستی بکار گرفته شده بود (۳) لایه تصمیم گیری: مدل سازی SVM چندین لایه ای برای تخمین حرکات بازوی رباتی مطابق با خصایص تصویر ورودی بمنظور تولید حرکات جایگذاری ایده آل بکار گرفته شده بود. این سه رویه عملیاتی منجر به مشارکت های متعاقب می شود: شکل ۱. چارچوب کاری سخت افزار سیستم جایگذاری بکار گرفته شده شکل ۲. نمای جلویی و کناری مبدل بکار گرفته شده ● سیستم جایگذاری بازوی رباتی نوآورانه عمدتا بوسیله استفاده از خصایص بصری مبدل های بکار گرفته شده برای تضمین یادگیری مربوط برای حرکات جایگذاری ، توسعه داده شده بود. مفهوم ارتباط مابین تصاویر بصری و حرکات در یادگیری ماشین - بدلیل اینکه ممکن است تصاویر مبدل موجب حفظ نویز شوند که منجر به نارسایی برای تولید حرکات جایگذاری بازوی رباتی درست می باشد - اعمال شده بود. سیستم مطروحه قادر به حل مسائل جایگذاری عمومی است. در مقایسه با ماشین های هدف مشخص که تنها برای جایگذاری نقطه به نقطه استفاده شده اند ، اسن سیستم انعطاف بالاتر و توانایی یادگیری را نشان داده اند. ● در رویه لایه بصری ، سخت افزار سیستم بصری مشخصا برای تسهیل ذخیره خصایص پین از مبدل های بکار گرفته شده و کاهش تاثیر نویز در اطراف پین ها (لحیم کاری) طراحی شده بود. بنابراین ، در عوض LED مرسوم و روشنایی (احتراق) هم محور ، روشنایی لیزر سرخ برای شناسایی متمایز تر نواحی لحیم کاری در اطراف پین ها استفاده شده بود. علاوه بر این ، بمنظور تضمین کاهش بعد بصری کیفیت خوب ، الگوریتم جایگذاری خطی محلی (LLE) برای حفظ مناسب و درست ساختار توپولوژیکی تصاویر بدست آمده و دستیابی به کاهش بعد کافی (مناسب) بکار گرفته شده بود. در قیاس با شایع ترین تجزیه و تحلیل جزء اصلی استفاده شده (PCA) ، این الگوریتم منجر به صحت بالاتر در مدل سازی و تخمین حرکت لایه تصمیم شده است. ● در رویه لایه حرکتی ، سیستم جایگذاری مطروحه برای یادگیری حرکات جایگذاری تمامی مبدل ها درخواست نشده بوده - که بدین دلیل است که تمامی پین ها بصورت دستی لحیم شده ، و خصایص مختلف نشان داده شده ، و بنابراین حرکات جایگذاری مختلف لازم است. بنابراین ، C-means فازی وزن کشی شده (FCM) برای اجرای خوشه بندی وزن کشی شده بروی تمامی حرکات جایگذاری برای شناسایی حرکات ارایه شده برای یادگیری ماشین ، استفاده شده بوده است. ● در رویه لایه تصمیم ، الگوریتم خوشه بندی SVM یکی در برابر مابقی برای فراهم نمودن ارتباط مابین تصویر و داده حرکتی بکار گرفته شده بوده است. هدف این الگوریتم تخمین حرکات ایده آل برای مبدل ها بوسیله جزیه و تحلیل خصایص تصویری مشابه می باشد. با افزایش مقدار داده ، سیستم قادر به فراهم نمودن نرخ موفقیت جایگذاری بالاتری است. این مقاله بصورت ذیل ترتیب دهی شده است. بخش ۲ به معرفی سخت افزار به کار گرفته شده در این مطالعه می پردازد. بخش ۳ جزییات رویه های عملیاتی سیستم مطروحه (شامل ذخیره خصایص تصویری پین های مبدل ، انجام خوشه بندی FCM وزن کشی شده حرکات جایگذاری برای بازوی ربات ، و استفاده از طبقه بندی SVM برای یافتن ارتباط مابین خصایص تصویر و حرکات جایگذاری) را بیان می کند. بخش ۴ راه اندازی سخت افزاری ، بازوی رباتی ، و آزمایشات انجام شده برای تایید جایگذاری خودکار را بیان می کند. بخش ۵ چرایی استفاده مستقیم از تصاویر خام برای محاسبه حرکات جایگذاری بهینه که غیر ممکن است را توضیح می دهد. بخش ۶ مباحثه و پیشنهادات برای پژوهش آتی را در بر دارد.
پیش نمایش مقاله
پیش نمایش مقاله  توسعه سیستم جایگذاری مبدل هوشمند (ترانسفورماتور) با استفاده از بازوی رباتی

چکیده انگلیسی

Technologies for inserting electronic components are necessary within the electronics industry. Previously this was done by manual assembly, but todays customized machines have been specially designed for automatic assembly. A number of these machines even employ robot arms to insert nonconventional components. However, because special-purpose machines are unable to insert transformers with six manually soldered pins onto printed circuit boards, this study proposed a learning system for such machines that incorporates image characteristics into the insertion motions performed by a robot arm to solve problems related to transformer insertion. The proposed system operates in three layers: vision, motion, and decision. The vision layer involves preprocessing image data, extracting pin image features by locally linear embedding (LLE), and setting parameters for teaching insertion motions to the robot arm. In the motion layer, motions qualified for inserting the transformers were collected and the weighted Fuzzy C-means was used to converge the insertion motions and create target markers for the decision layer. The decision layer uses one-against-rest support vector machines (SVMs) to establish classifiers for applying the collected image characteristics to the calculation of insertion motions. Experiments were performed to verify the various research methods by using 300 transformers as training samples and 200 transformers as test samples. By imposing a number of rules to limit image characteristics, this study applied three classifiers (SVMs, Bayes, and a neural network) to the test samples and compared their accuracy. The experimental results indicated an accuracy rate of 88%, an average area under the receiver operating characteristic curves of 0.88, and that the employed SVM classifiers were more accurate than the other two classifiers.