Науковий вісник НГУ

Удосконалення методу оптимізації прогнозування ефективності робототехнічної платформи

• 
• 

Рейтинг користувача:  / 0

ГіршийКращий 

Деталі

Категорія: Зміст №3 2024

Останнє оновлення: 08 липня 2024

Опубліковано: 30 листопада -0001

Перегляди: 1173

Authors:

О. Лактіонов*, orcid.org/0000-0002-5230-524X, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

І. Лактіонова, orcid.org/0009-0005-6340-8761, Національний університет «Полтавська політехніка імені Юрія Кондратюка», м. Полтава, Україна, e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

* Автор-кореспондент e-mail: Ця електронна адреса захищена від спам-ботів. вам потрібно увімкнути JavaScript, щоб побачити її.

повний текст / full article

Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu. 2024, (3): 135 - 141

https://doi.org/10.33271/nvngu/2024-3/135

Abstract:

Мета. Удосконалення методу оптимізації прогнозування ефективності робототехнічної платформи (на прикладі ідей методу градієнтного бустингу).

Методика. Досліджено процес удосконалення методу оптимізації прогнозування ефективності на прикладі робототехнічних платформ як складних систем, що складаються з апаратної складової, технології обміну даними, системи безпеки й навігації, способу взаємодії з користувачем. Основою методу оптимізації є лінійне рівняння, математична модель якого, за рахунок потрійної взаємодії факторів, об’єднує оцінки елементів підсистем у індекс ефективності робототехнічної платформи. Результатами роботи запропонованого алгоритму оптимізації є регресійні моделі машинного навчання. Отримані моделі використовуються для прогнозування ефективності робототехнічної платформи певної конфігурації, що виконуватиме конкретні практичні завдання.

Результати. Удосконалено метод оптимізації прогнозування ефективності робототехнічної платформи за рахунок використання оцінок індексу ефективності робототехнічної платформи в якості вхідних даних. Порівняно з існуючими запропонований індекс характеризується мінімальним значенням середньоквадратичного відхилення 0,1794; 0,14; 0,1245 відповідно. Саме ця особливість дозволила отримати точніший метод оптимізації прогнозування ефективності робототехнічних платформ. Це підтверджено як на теоретичній, так і на експериментальній вибірках за критеріями Root Mean Square Error, Mean Absolute Error, Maximum Absolute Error.

Наукова новизна. Метод оптимізації прогнозування ефективності робототехнічної платформи відрізняється від існуючих процесом побудови моделей прогнозування, що складається із двох ітерацій і враховує різні набори вхідних оцінок. Перша ітерація включає первинні та індексні оцінки ефективності робототехнічної платформи, а друга – первинні, індексні оцінки та прогнозовані індексні оцінки.

Практична значимість. Підбір оптимальної конфігурації робототехнічної платформи для вирішення завдань у сфері енергетики. Зниження витрат за рахунок оптимально підібраної комбінації робототехнічної платформи. Запропоновані рішення сприятимуть Концепції розвитку штучного інтелекту в Україні.

Ключові слова: робототехнічна платформа, лінійне рівняння, подвійна взаємодія, потрійна взаємодія, індекс ефективності, метод оптимізації

References.

1. Zhou, T., Wang, Y., Zhu, Q., & Du, J. (2022). Human hand motion prediction based on feature grouping and deep learning: Pipe skid maintenance example. Automation in Construction, 138, 104232. https://doi.org/10.1016/j.autcon.2022.104232.

2. Yang, F., & Hein, J. E. (2023). Training a robotic arm to estimate the weight of a suspended object. Device, 100011. https://doi.org/10.1016/j.device.2023.100011.

3. Chen, H., & Cheng, H. (2021). Online performance optimization for complex robotic assembly processes. Journal of Manufacturing Processes, 72, 544-552. https://doi.org/10.1016/j.jmapro.2021.10.047.

4. Zafar, M. N., & Mohanta, J. C. (2018). Methodology for Path Planning and Optimization of Mobile Robots: A Review. Procedia Computer Science, 133, 141-152. https://doi.org/10.1016/j.procs.2018.07.018.

5. Hong, W.-C., Li, M.-W., Geng, J., & Zhang, Y. (2019). Novel chaotic bat algorithm for forecasting complex motion of floating platforms. Applied Mathematical Modelling, 72, 425-443. https://doi.org/10.1016/j.apm.2019.03.031.

6. Binchi, J., Mangeruca, L., Rucco, M., Ferrante, O., Minissale, A., & Abbà, F. F. (2021). Online Prediction for Safe Human-Robot Collaboration: A Model of the Human Arm. Procedia CIRP, 97, 533-538. https://doi.org/10.1016/j.procir.2022.05.204.

7. Seker, M. Y., Tekden, A. E., & Ugur, E. (2019). Deep effect trajectory prediction in robot manipulation. Robotics and Autonomous Systems, 119, 173-184. https://doi.org/10.1016/j.robot.2019.07.003.

8. Ye, C., Yang, J., & Ding, H. (2022). High-accuracy prediction and compensation of industrial robot stiffness deformation. International Journal of Mechanical Sciences, 233, 107638. https://doi.org/10.1016/j.ijmecsci.2022.107638.

9. Gitardi, D., Sabbadini, S., & Valente, A. (2022). UMA Universal Maintenance Automata – an adaptable robotic platform designed to run maintenance operations in harsh environment. Procedia CIRP, 107, 1473-1478. https://doi.org/10.1016/j.procir.2022.05.177.

10. Tkáčik, M., Březina, A., & Jadlovská, S. (2019b). Design of a Prototype for a Modular Mobile Robotic Platform. IFAC-PapersOnLine, 52(27), 192-197. https://doi.org/10.1016/j.ifacol.2019.12.755.

11. Ahmadianfar, I., Heidari, A. A., Gandomi, A. H., Chu, X., & Chen, H. (2021). RUN beyond the metaphor: An efficient optimization algorithm based on Runge Kutta method. Expert Systems with Applications, 181, 115079. https://doi.org/10.1016/j.eswa.2021.115079.

12. Onyshchenko, S., Yanko, A., & Hlushko, A. (2023). Improving the efficiency of diagnosing errors in computer devices for processing economic data functioning in the class of residuals. Eastern-European Journal of Enterprise Technologies, 5(4(125)), 63-73. https://doi.org/10.15587/1729-4061.2023.289185.

13. Laktionov, A. (2021). Improving the methods for determining the index of quality of subsystem element interaction. Eastern-European Journal of Enterprise Technologies, 6(3(114)), 72-82. https://doi.org/10.15587/1729-4061.2021.244929.

14. Korets^,ka, I., & Zinchenko, T. (2018). Evaluation of research samples by nonlinear quality criteria. Vsesvitnya nauka u 2018 rotsi, 22-26.

• < Попередня
• Наступна >