| Naslov | Regresijsko modeliranje pneumatskog mišića korištenjem algoritama umjetne inteligencije |
| Naslov (engleski) | Regression modeling of pneumatic muscle using artificial intelligence models |
| Autor | Mario Ključević |
| Mentor | Zlatan Car (mentor) |
| Mentor | Sandi Baressi Šegota (komentor) |
| Član povjerenstva | Ivan Volarić (predsjednik povjerenstva) |
| Član povjerenstva | Zlatan Car (član povjerenstva) |
| Član povjerenstva | Nikola Anđelić (član povjerenstva) |
Ustanova koja je dodijelila
akademski / stručni stupanj | Sveučilište u Rijeci
Tehnički fakultet
(Zavod za automatiku i elektroniku)
(Katedra za elektroniku, robotiku i automatiku)
Rijeka |
| Datum i država obrane | 2024-09-17, Hrvatska |
Znanstveno / umjetničko
područje, polje i grana | TEHNIČKE ZNANOSTI
Elektrotehnika
Automatizacija i robotika |
| Sažetak | 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. |
| Sažetak (engleski) | 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. |
| Ključne riječi |
|
| Ključne riječi (engleski) |
|
| Jezik | hrvatski |
| URN:NBN | urn:nbn:hr:190:041062 |
| Studijski program | Naziv: Elektrotehnika
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka elektrotehnike (mag. ing. el.) |
| Vrsta resursa | Tekst |
| Način izrade datoteke | Izvorno digitalna |
| Prava pristupa | Otvoreni pristup |
| Uvjeti korištenja |  |
| Datum i vrijeme pohrane | 2024-09-25 16:00:26 |
