خانه ژورنال دانشجویان ایران ( Iranian Students Article House , www.entofa.net )
.
عنوان فارسی مقاله : توسعه سیستم جایگذاری مبدل هوشمند (ترانسفورماتور) با استفاده از بازوی رباتی
.
English Article Title: Development of an intelligent transformer insertion system using a robot arm
Year: 2018
Publisher: ELSEVIER
Journal: Robotics and Computer–Integrated Manufacturing
DOI: https://doi.org/10.1016/j.rcim.2017.12.002
Keywords:
#Transformer_insertion
#Locally_linear_embedding
#Fuzzy_C_means
#One_against_rest_support_vector_machines
#intelligent_transformer
#ترانسفورماتور
#مبدل_هوشمند
#بازوی_رباتی
#جایگذاری_مبدل
#جایگذاری_خطی_محلی
#فازی_C_means
#پشتیبانی_از_ماشین_بردار (#یکی_در_برابر_همه)
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_مهندسی (#Engineering)
چکیده مقاله:
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.
کلیدواژه ها: جایگذاری مبدل ، جایگذاری خطی محلی ، C-means فازی ، پشتیبانی از ماشین بردار (یکی در برابر همه)
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2MWA2wD
.
عنوان فارسی مقاله : توسعه سیستم جایگذاری مبدل هوشمند (ترانسفورماتور) با استفاده از بازوی رباتی
.
English Article Title: Development of an intelligent transformer insertion system using a robot arm
Year: 2018
Publisher: ELSEVIER
Journal: Robotics and Computer–Integrated Manufacturing
DOI: https://doi.org/10.1016/j.rcim.2017.12.002
Keywords:
#Transformer_insertion
#Locally_linear_embedding
#Fuzzy_C_means
#One_against_rest_support_vector_machines
#intelligent_transformer
#ترانسفورماتور
#مبدل_هوشمند
#بازوی_رباتی
#جایگذاری_مبدل
#جایگذاری_خطی_محلی
#فازی_C_means
#پشتیبانی_از_ماشین_بردار (#یکی_در_برابر_همه)
#علوم_پایه_و_فنی_مهندسی (#Physical_Sciences_and_Engineering)
#مقاله_کامپیوتر (#Computer_Science)
#مقاله_مهندسی (#Engineering)
چکیده مقاله:
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.
کلیدواژه ها: جایگذاری مبدل ، جایگذاری خطی محلی ، C-means فازی ، پشتیبانی از ماشین بردار (یکی در برابر همه)
لینک دانلود رایگان مقاله انگلیسی و خرید ترجمه فارسی مقاله :
Free download link: https://bit.ly/2MWA2wD