prikaz prve stranice dokumenta Regresijsko modeliranje pneumatskog mišića korištenjem algoritama umjetne inteligencije
  Download
PDF 4.81 MB
master's thesis
Regresijsko modeliranje pneumatskog mišića korištenjem algoritama umjetne inteligencije
2024. urn:nbn:hr:190:041062
Ključević, Mario
University of Rijeka
Faculty of Engineering
Department of Automation and Electronics
Section of Electronics, Robotics and Automation

Cite this document

Ključević, M. (2024). Regresijsko modeliranje pneumatskog mišića korištenjem algoritama umjetne inteligencije (Master's thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:041062

Ključević, Mario. "Regresijsko modeliranje pneumatskog mišića korištenjem algoritama umjetne inteligencije." Master's thesis, University of Rijeka, Faculty of Engineering, 2024. https://urn.nsk.hr/urn:nbn:hr:190:041062

Ključević, Mario. "Regresijsko modeliranje pneumatskog mišića korištenjem algoritama umjetne inteligencije." Master's thesis, University of Rijeka, Faculty of Engineering, 2024. https://urn.nsk.hr/urn:nbn:hr:190:041062

Ključević, M. (2024). 'Regresijsko modeliranje pneumatskog mišića korištenjem algoritama umjetne inteligencije', Master's thesis, University of Rijeka, Faculty of Engineering, accessed 17 March 2025, https://urn.nsk.hr/urn:nbn:hr:190:041062

Ključević M. Regresijsko modeliranje pneumatskog mišića korištenjem algoritama umjetne inteligencije [Master's thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2024 [cited 2025 March 17] Available at: https://urn.nsk.hr/urn:nbn:hr:190:041062

M. Ključević, "Regresijsko modeliranje pneumatskog mišića korištenjem algoritama umjetne inteligencije", Master's thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:190:041062

Please login to the repository to save this object to your list.
Metadata
TitleRegresijsko modeliranje pneumatskog mišića korištenjem algoritama umjetne inteligencije
Title (english)Regression modeling of pneumatic muscle using artificial intelligence models
AuthorMario Ključević
MentorZlatan Car (mentor)
MentorSandi Baressi Šegota (komentor)
Committee memberIvan Volarić (predsjednik povjerenstva)
Committee memberZlatan Car (član povjerenstva)
Committee memberNikola Anđelić (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
(Department of Automation and Electronics)
(Section of Electronics, Robotics and Automation)
Rijeka
Defense date and country2024-09-17, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Electrical Engineering
Automation and Robotics
Abstract
Ovaj rad detaljno predstavlja regresijsko modeliranje različitih tipova pneumatskih mišića korištenjem umjetnih neuronskih mreža. Pneumatski mišići, poznati po svojoj laganoj strukturi i visokom omjeru snage i težine, sve se više korite u robotici i biomedicinskim primjenama. Međutim, njihovo nelinearno i složeno ponašanje predstavlja značajne izazove u točnom modeliranju i kontroli. U ovom radu, podaci su prikupljeni iz službenog tehničkog dokumenta proizvođača pneumatskog mišića. Ovi podaci korišteni su za treniranje modela višeslojnog perceptrona koji predviđaju silu, tlak i kontrakciju u nominalnoj dužini pneumatskog mišića, kao tri zasebna izlaza. Realizirano je 15 pojedinačnih modela, ciljajući četiri različita tipa mišića (5-100N, 10-100N, 20-200N, 40- 400N), uključujući tri modela koja ciljaju skup podataka sastavljen od sva četiri tipa mišića istovremeno. Rezultati pokazuju da je moguće postići određenu razinu regresijske točnosti koristeći samo modele višeslojnog perceptrona, posebno s modelom treniranim na kombiniranom skupu podataka koji daje nešto bolje rezultate od ostalih. Ipak, još uvijek postoje mogućnosti za poboljšanje koje bi mogle značajno povećati performanse modela, poput odabira različitih drugih tipova modela umjetne inteligencije i bolje kvalitete prikupljanja podataka.
Abstract (english)
This thesis presents a detailed study on the regression modelling of different types of pneumatic muscles using artificial neural network. Pneumatic muscles, known for their lightweight structure and high power-to-weight ratio, are increasingly utilized in robotics and biomedical applications. However, their nonlinear and complex behaviour poses significant challenges in accurate modelling and control. In this thesis the dataset is collected from the fluidic muscle datasheet. This dataset is then used to train multilayer perceptron models predicting the force, pressure, and contraction in nominal length of the fluidic muscle, as three separate outputs. 15 individual models are built, targeting four different types of fluidic muscles (5-100N, 10-100N, 20-200N, 40-400N), including three models targeting dataset comprised of all four muscle types at the same time. The results show that it is possible to reach certain quality of regression accuracy using only multilayer perceptron models, especially with model trained on combined dataset which performs slightly better than others. On the other hand, there are still improvement options which could significantly increase model performance, like choosing different types of artificial intelligence models and better dataset collection quality.
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:041062
Study programmeTitle: Graduate University Study of Electrical Engineering
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka elektrotehnike (magistar/magistra inženjer/inženjerka elektrotehnike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence Attribution 4.0 International (CC BY 4.0) icon
Created on2024-09-25 16:00:26