• طراحی و پیاده‌سازی الگوریتم تخمین نیروی نوک ابزار در سامانه‌های جراحی رباتیک با استفاده از حس‌گر پروگزیمال به کمک شبکه‌های عصبی (1)
• فهرست مطالب (7)
• فهرست اشکال (10)
• فهرست جدول‌ها (14)
• فصل 1: مقدمه (15)
  • 1-1- اهمیت و کاربرد موضوع (16)
    • شکل (1-1) سامانه راهبر و بازوهای پیرو ربات جراح سینا نسخه سال 2015 (18)
  • 1-2- اهداف پژوهشی (18)
  • 1-3- ساختار گزارش (19)
• فصل 2: مفاهیم پایه (21)
  • 2-1- مقدمه (22)
  • 2-2- روش‌های اندازه‌گیری نیروی سر ابزار (22)
    • 2-2-1- اندازه‌گیری به روش دیستال (23)
    • 2-2-2- اندازه‌گیری به روش پروگزیمال (23)
      • شکل (2-1) دیاگرام نیرویی نیروهای وارده به ابزار لاپاروسکوپی [7] (24)
    • 2-2-3- اصطکاک بین تروکار و ابزار (24)
      • (2-1) (25)
    • 2-2-4- گشتاور وارده به تروکار توسط دیواره شکمی (25)
    • 2-2-5- نیروهای دینامیکی ناشی از حرکت ربات و ابزار (26)
  • 2-3- یادگیری ماشین (26)
  • 2-4- شبکه‌های عصبی مصنوعی (27)
  • 2-5- انواع یادگیری شبکه‌های عصبی مصنوعی (28)
    • 2-5-1- یادگیری با ناظر (29)
    • 2-5-1-1- رگرسیون (29)
    • 2-5-1-2- طبقه‌بندی (30)
    • 2-5-2- یادگیری بدون ناظر (30)
    • 2-5-3- یادگیری تقویتی (31)
  • 2-6- معرفی شبکه‌های عصبی استفاده‌شده (31)
    • 2-6-1- شبکه عصبی MLP (32)
    • 2-6-2- روش گرادیان کاهشی (32)
      • (2-2) (33)
      • شکل (2-2) ساختار شبکه عصبی MLP (33)
        • (2-3) (34)
        • (2-4) (34)
        • (2-5) (34)
        • (2-6) (35)
        • (2-7) (35)
        • (2-8) ,-.=(,-,-.,-..)×,,.-.(,-.) (35)
        • (2-9) (35)
    • 2-6-3- شبکه عصبی بازگشتی Recurrent Neural Network (RNN) (35)
      • (2-10) (36)
      • (2-11) (36)
      • (2-12) (36)
      • (2-13) (36)
      • شکل (2-3) ساختار RNN (36)
    • 2-6-4- شبکه عصبی NARX (37)
      • شکل (2-4) ساختار شبکه عصبی NARX به همراه ورودی‌ها و خروجی‌ها (37)
      • شکل (2-5) الگوریتم آموزش شبکه عصبی NARX به روش دسته‌ای و اعمال گذره‌ها به آن (38)
  • 2-7- شبکه عصبی LSTM نوعی از Gated Recurrent Neural Network (38)
    • (2-14) (39)
    • (2-15) (39)
    • (2-16) (39)
    • (2-17) (39)
    • (2-18) (40)
    • (2-19) (40)
    • (2-20) (40)
    • (2-21) (40)
    • شکل (2-6) ساختار RNN (40)
    • 2-7-1- پیش‌بینی سری زمانی توسط شبکه عصبی LSTM (41)
      • (2-22) (41)
      • شکل (2-7) ساختار پیش‌بینی سری شبکه عصبی LSTM (41)
    • 2-7-2- Gated Recurrent Unit (GRU) (42)
      • (2-23) (42)
      • (2-24) (42)
      • (2-25) (42)
      • (2-26) (42)
  • 2-8- مدل ارائه‌شده توسط شایسته پور (43)
    • (2-27) (43)
    • (2-28) (43)
    • (2-29) (43)
    • شکل (2-8) دیاگرام نیرویی در صفحه y-z به همراه فواصل موردنیاز [5] (43)
• فصل 3: مروری بر ادبیات موضوع (45)
  • 3-1- مقدمه (46)
  • 3-2- مطالعات درباره مقیاس نیروهای وارده به ابزار (48)
  • 3-3- مطالعات اندازه‌گیری به روش دیستال (49)
    • شکل (3-1) ابزار طراحی‌شده با حس‌گر 6 درجه آزادی که در ربات میکا نیز مورداستفاده قرار گرفت. [5] (49)
    • شکل (3-2) ابزار و تروکار طراحی‌شده توسط شیماچی دارای حس‌گرهایی روی ابزار و روی تروکار. [19] (50)
  • 3-4- مطالعات اندازه‌گیری به روش پروگزیمال (51)
  • 3-5- مطالعات اصطکاک بین تروکار و ابزار (51)
    • شکل (3-3) 6 نوع تروکار تجاری استفاده‌شده در آزمایش ون در دابل آستین. [8] (52)
    • شکل (3-4) اندازه‌گیری نیرو برای یک تروکار تجاری. الف) سامانه اندازه‌گیری نیرو ون دن دابل آستین ب) نیروهای اصطکاک تروکار متغیر با موقعیت ج) نیروهای اصطکاک تروکار متغیر با سرعت د) اندازه نوسانات در موقع تغییر جهت حرکت. [8] (53)
  • 3-6- مکانیزم در ربات‌های جراح (53)
  • 3-7- نتیجه‌گیری (54)
• فصل 4: امکان‌سنجی و دستگاه داده‌برداری (56)
  • 4-1- مقدمه (56)
  • 4-2- تبیین موضوع و چارچوب پژوهش (57)
    • شکل (4-1) سامانه راهبر ربات جراح سینا سال 2019 (58)
    • شکل (4-2) سامانه راهرو ربات جراح سینا سال 2019 (59)
  • 4-3- امکان‌سنجی استفاده از شبکه‌های عصبی (59)
    • شکل (4-3) الف) نمایی از ربات سینا به همراه نام‌گذاری قسمت‌های مختلف. ب) نمایی نزدیک از سر ابزار به همراه مختصات استفاده‌شده و صفحه x-z [5] (60)
    • 4-3-2- ورودی‌ها و خروجی‌های شبکه‌های عصبی (61)
      • شکل (4-4) نمودار ترسیمه آزاد ابزار ربات جراح در صفحه y-x و y-z [5] (61)
        • (4-1) (62)
    • 4-3-3- شرایط داده‌برداری، آزمایش و تجهیزات آزمایش شایسته پور (62)
      • شکل (4-5) ابزار داده‌برداری در آزمایش الف) فاصله پیشروی طولی ربات سینا ب) حسگر MINI 45 ATI ج) حسگر FG-5005 [5] (63)
      • شکل (4-6) نمودار ورودی‌های شبکه عصبی برای 9 گذره متوالی (63)
      • شکل (4-7) نمودار ورودی‌ها و خروجی‌های شبکه عصبی برای 9 گذره متوالی (64)
    • 4-3-4- انتخاب ساختار مناسب برای شبکه عصبی (64)
    • 4-3-4-1- انتخاب ساختار مناسب برای شبکه عصبی MLP (استاتیک) (64)
      • شکل (4-8) نمودار خطا برحسب تعداد نرون‌های لایه مخفی برای ساختار MLP با یک‌لایه مخفی (65)
      • شکل (4-9) نمودار خطا برحسب تعداد نرون‌های لایه مخفی برای ساختار MLP با دولایه مخفی الف) خطا برحسب تعداد نرون در لایه مخفی اول ب) خطا برحسب تعداد نرون در لایه مخفی دوم (65)
    • 4-3-4-2- انتخاب ساختار مناسب برای شبکه عصبی NARX (دینامیک) (66)
      • شکل (4-10) نمودار خطا برحسب تعداد نرون‌های لایه مخفی برای ساختار NARX با یک‌لایه مخفی و 5 تأخیر در ورودی‌ها و خروجی‌ها (66)
      • شکل (4-11) نمودار خطا برحسب تعداد نرون‌های لایه مخفی برای ساختار NARX با دولایه مخفی و 5 تأخیر در ورودی‌ها و خروجی‌ها الف) خطا برحسب تعداد نرون در لایه مخفی اول ب) خطا برحسب تعداد نرون در لایه مخفی دوم (67)
    • 4-3-5- نتایج برای ساختار شبکه عصبی MLP (67)
      • جدول (4-1) مشخصه‌های خطای شبکه عصبی MLP برای همه داده‌ها (67)
      • شکل (4-12) نمودار خطا برای هر سه خروجی شبکه برای تمام گذره‌ها با شبکه عصبی MLP (68)
      • شکل (4-13) نمودار خروجی‌های شبکه عصبی MLP و خروجی‌های واقعی سامانه برای ۱۰ گذره دینامیکی داده‌های آزمودن (68)
    • 4-3-6- نتایج برای ساختار شبکه عصبی NARX (69)
      • جدول (4-2) مشخصه‌های خطای شبکه عصبی NARX برای همه داده‌ها (69)
      • شکل (4-14) نمودار خطا برای هر سه خروجی شبکه برای تمام گذره‌ها با شبکه عصبی NARX (70)
      • شکل (4-15) نمودار خروجی‌های شبکه عصبی NARX و خروجی‌های واقعی سامانه برای ۱۰ گذره دینامیکی داده‌های آزمودن (70)
    • 4-3-7- مقایسه نتایج شبکه عصبی NARX و MLP با مدل شایسته پور (71)
  • 4-4- نتایج امکان‌سنجی (71)
  • 4-5- طرح کلی سامانه (72)
    • شکل (4-16) تروکارگیر صلب که تروکار استیل را بدون لقی و به‌صورت صلب نگه می‌دارد. در این صورت هیچ نیروی به حس‌گر پروگزیمال منتقل نمی‌شود. [5] نسخه 2015 (73)
    • شکل (4-17) تروکارگیر صلب که تروکار استیل را بدون لقی و به‌صورت صلب نگه می‌دارد. در این صورت هیچ نیروی به حس‌گر پروگزیمال منتقل نمی‌شود. نسخه 2019 (73)
    • شکل (4-18) تروکارگیر با مفصل کروی و قرار گرفتن تروکار فلزی دران نسخه 2015 ربات [5] (74)
    • شکل (4-19) تروکارگیر با مفصل کروی و قرار گرفتن تروکار پلاستیکی و تروکارگیر پلاستیک دران نسخه 2019 ربات (75)
    • شکل (4-20) شماتیک ابزار در شرایطی که مفصل گوی و کاسه دران استفاده‌شده است [5]. (76)
  • 4-6- طراحی دستگاه داده‌برداری (76)
    • 4-6-1- طراحی تروکارگیر باقابلیت جاگیری مفصل کروی و اتصال به ربات (77)
      • شکل (4-21) پین قرار داده‌شده روی بازو برای اتصال تروکارگیر و تروکارگیر ساخته‌شده به کمک پرینت سه‌بعدی (77)
      • شکل (4-22) نقشه سه‌بعدی تروکارگیر، تروکار و مفصل گوی و کاسه به همراه نمای برش خورده برای مشخص بودن مکانیزم اتصال (77)
      • شکل (4-23) فواصل و جانمایی اتصال تروکار، مفصل گوی و کاسه و تروکارگیر (78)
      • شکل (4-24) مقایسه تروکارگیر با مفصل صلب با تروکارگیر با مفصل گوی و کاسه و جانمایی تروکار دران برای نسخه 2019 ربات جراح سینا (78)
    • 4-6-2- اتصال حس‌گر دیستال به ابزار (79)
      • شکل (4-25) نقشه سه‌بعدی مکانیزم طراحی‌شده برای اتصال حس‌گر دیستال به سر ابزار و اتصال برای اعمال نیرو (79)
      • شکل (4-26) حس‌گر، اتصال‌های طراحی‌شده برای اتصال به ابزار و شکل نهایی دستگاه (80)
      • شکل (4-27) حس‌گر، اتصال‌های طراحی‌شده برای اتصال به ابزار و نمای برش خورده (81)
  • 4-7- تجهیزات آزمایش (81)
    • 4-7-1- حس‌گر 6 درجه آزادی RFT60-HA01 از شرکت Robotous (81)
      • شکل (4-28) حس‌گر 6 درجه آزادی RFT60-HA01 (82)
      • شکل (4-29) مشخصات حس‌گر استفاده‌شده در بازوی ربات (82)
      • شکل (4-30) برد EtherCAT I/F (83)
      • شکل (4-31) نرم‌افزار TwinCAT استفاده‌شده در ربات سینا (84)
    • 4-7-2- ربات سینا و ابعاد آن (84)
      • شکل (4-32) 4 ناحیه موقعیت حس‌گرها، تروکار، تروکارگیر و سر ابزار روی بازوی چپ ربات سینا به همراه دستگاه مختصات حس‌گر ربات و نمایش ابزار (85)
  • 4-8- فرضیات ساده کننده (86)
  • 4-9- شرایط آزمایش و داده‌های گرفته‌شده (87)
    • شکل (4-33) حس‌گر و دستگاه طراحی‌شده برای قرار گرفتن نخ داخل آن به‌منظور اعمال نیرو بدون ایجاد گشتاور (88)
  • 4-10- آماده‌سازی داده‌ها (88)
    • 4-10-1- فیلتر هموارسازی یا میانگین متحرک (89)
      • (4-2) (89)
      • (4-3) (90)
      • (4-4) (90)
  • 4-11- شبکه عصبی پیشنهادی (90)
    • شکل (4-34) نمای کلی از مفهوم شبکه‌های عصبی (91)
• فصل 5: نتایج آموزش شبکه عصبی عمیق (92)
  • 5-1- مقدمه (93)
  • 5-2- آماده‌سازی داده‌ها (93)
    • 5-2-1- داده‌برداری (93)
    • 5-2-2- آماده‌سازی داده‌ها (94)
      • شکل (5-1) نمودار ورودی‌های شبکه عصبی شامل 6 داده حس‌گر داخل بازو و پیشروی طولی با فرکانس 50 هرتز (94)
      • شکل (5-2) نمودار خروجی‌های حس‌گر سر ابزار فرکانس 50 هرتز (95)
      • شکل (5-3) نمودار خروجی‌های شبکه عصبی فرکانس 50 هرتز (95)
      • شکل (5-4) نمودار ورودی‌های شبکه عصبی شامل 6 داده حس‌گر داخل بازو در پیشروی طولی 120 میلی‌متر با فرکانس 50 هرتز (96)
      • شکل (5-5) نمودار خروجی‌های شبکه عصبی شامل 6 داده حس‌گر سر ابزار در پیشروی طولی 120 میلی‌متر با فرکانس 50 هرتز (97)
      • شکل (5-6) نمودار خروجی‌های شبکه عصبی فرکانس 50 هرتز (97)
      • شکل (5-7) نمودار نیروی سر ابزار خروجی شبکه عصبی با فرکانس 10 هرتز برای 70 ثانیه در مقایسه با همان داده‌های هموارشده (98)
      • شکل (5-8) نمودار گشتاور سر ابزار خروجی شبکه عصبی با فرکانس 10 هرتز برای 70 ثانیه در مقایسه با همان داده‌های هموارشده (99)
        • جدول (5-1) خواص آماری داده‌های دریافت شده (نیرو و گشتاور سر ابزار) (99)
    • 5-2-3- مشخصات سامانه‌پردازشی (100)
    • 5-2-4- مشخصات شبکه عصبی و پارامترهای آن (100)
      • جدول (5-2) پارامترهای شبکه عصبی LSTM (100)
      • شکل (5-9) ساختار کلی شبکه عصبی مورداستفاده (101)
      • شکل (5-10) تابع ReLU استفاده‌شده در لایه LSTM (101)
        • (5-1) (102)
  • 5-3- نتایج آموزش شبکه عصبی (102)
    • 5-3-1- آموزش شبکه عصبی با فرکانس 50 هرتز و نتایج آن (102)
      • جدول (5-3) مشخصه‌های خطای خروجی (نیروی سر ابزار) شبکه عصبی LSTM برای فرکانس 50 هرتز (102)
      • شکل (5-11) تغییرات تابع هزینه شبکه عصبی در طول تکرارها برای فرکانس 50 هرتز (103)
      • شکل (5-12) تخمین نیروی سر ابزار برای مدت 5 ثانیه در طول چند تکرار مختلف (103)
      • شکل (5-13) میزان نیروی واقعی و تخمین زده شده به همراه خطا به مدت 50 ثانیه (104)
    • 5-3-2- آموزش شبکه عصبی با فرکانس 10 هرتز و نتایج آن (105)
      • جدول (5-4) مشخصه‌های خطای خروجی (نیروی سر ابزار) شبکه عصبی LSTM برای فرکانس 10 هرتز (105)
      • شکل (5-14) تغییرات تابع هزینه شبکه عصبی در طول تکرارها برای فرکانس 10 هرتز (105)
      • شکل (5-15) تخمین نیروی سر ابزار برای مدت 25 ثانیه در طول چند تکرار مختلف (106)
      • شکل (5-16) میزان نیروی واقعی و تخمین زده شده به همراه خطا به مدت 50 ثانیه (106)
    • 5-3-3- آموزش با فرکانس 10 هرتز با خروجی گشتاور سر ابزار و نتایج آن (107)
      • جدول (5-5) مشخصه‌های خطای خروجی (گشتاور سر ابزار) شبکه عصبی LSTM برای فرکانس 10 هرتز (107)
      • شکل (5-17) تغییرات تابع هزینه شبکه عصبی با خروجی گشتاور در طول تکرارها برای فرکانس 10 هرتز (108)
      • شکل (5-18) تخمین گشتاور سر ابزار برای مدت 25 ثانیه در طول چند تکرار مختلف (108)
      • شکل (5-19) میزان گشتاور واقعی و تخمین زده شده به همراه خطا به مدت 50 ثانیه (109)
• فصل 6: نتیجه‌گیری و پیشنهاد‌ها (111)
  • 6-1- مقدمه (112)
  • 6-2- جمع‌بندی (112)
  • 6-3- نتیجه‌گیری (114)
    • 6-3-1- مزایا و معایب طرح (116)
  • 6-4- پیشنهاد ادامه پژوهش برای آینده (117)
• مراجع (120)