ارائه‌کننده: بهزاد سعیدی
استاد راهنما: دکتر مجید محمدی مقدم، دکتر مجید ساده‌دل
استاد ناظر داخلی اول: دکتر مرتضی کارآموز
استاد ناظر داخلی دوم: دکتر مهدی سجادپور
استاد ناظر خارجی اول: دکتر فرزام فرهمند
استاد ناظر خارجی دوم: دکتر علی استکی
تاریخ: 1403/09/26
ساعت: 16
مکان: دانشکده مهندسی مکانیک، اتاق 351

چکیده:
این پژوهش به طراحی، تحلیل و ارزیابی یک ربات توانبخشی مچ و ساعد پرداخته که هدف اصلی آن بهبود فرایند بازتوانی بیماران مبتلا به اختلالات حرکتی نظیر سکته مغزی است. با توجه به افزایش جمعیت سالمندان و شیوع مشکلات حرکتی، نیاز به توسعه رباتی که حرکات طبیعی دست و ساعد را با دقت و کارایی بالا شبیه‌سازی کند، آشکار شده است. در این پژوهش، ابتدا به بررسی دقیق آناتومی مچ و ساعد پرداخته شده و مکانیزم‌های گوناگونی برای دو درجه آزادی خم/باز کردن و نزدیک/دور کردن مچ و حرکت چرخش ساعد ارزیابی شده‌اند. مکانیزم دیفرانسیلی به همراه ترکیب چرخ‌دنده‌های پینیون و منحنی‌شکل به‌عنوان بهترین گزینه‌ها انتخاب شدند.
طراحی سیستم انتقال قدرت و مفاصل ربات با تمرکز بر سازگاری با ابعاد و وزن‌های مختلف کاربران انجام شده است و ماژولار بودن ربات نیز به نحوی در نظر گرفته شده که هر درجه آزادی به طور مستقل عمل کند. همچنین، مکانیزم ربات به‌گونه‌ای طراحی شده که امکان اتصال به سایر ربات‌های توانبخشی بالاتنه، به‌ویژه ربات‌های توانبخشی نقطه‌نهایی، وجود داشته باشد. در طراحی عملگر نهایی ربات، دو درجه آزادی غیرفعال محدود برای حرکت چرخشی و رفت‌وبرگشتی لحاظ شده است. این ویژگی باعث می‌شود نیروی وارد بر کاربر در هرکدام از حرکات مچ همواره عمود بر سطح دست باقی بماند و امکان جابجایی مرکز آنی دوران و ایجاد فاصله بین دو محور دوران مچ دست نیز فراهم گردد. از دیگر ویژگی‌های این ربات می‌توان به امکان استفاده از آن برای هر دو دست چپ و راست اشاره کرد. با توجه به پیچیدگی‌های ذاتی در طراحی و عملکرد ربات‌های توانبخشی، از جمله عدم قطعیت‌های پارامتری و دینامیکی و همچنین غیرخطی بودن سیستم، در این پژوهش رویکردهای یادگیری مبتنی بر داده برای تحلیل سینماتیک معکوس ربات مورد استفاده قرار گرفته‌اند. سه روش به‌کاررفته شامل شبکه عصبی مصنوعی، سیستم استنتاج فازی عصبی تطبیقی و سیستم فازی تاکاگی-سوگنو-کانگ هستند. این سه روش برای نخستین بار در تحلیل سینماتیک معکوس یک ربات توانبخشی به کار گرفته شده‌اند.
همچنین، بهترین تابع آموزش برای شبکه عصبی و بهترین روش خوشه‌بندی داده‌ها در سیستم استنتاج فازی عصبی تطبیقی بررسی شده است. برای بهینه‌سازی هایپرپارامترهای سیستم فازی تاکاگی-سوگنو-کانگ، از الگوریتم‌های بهینه‌سازی ژنتیک و ازدحام ذرات استفاده شده است. علاوه بر این، یک رویکرد ترکیبی جدید از ترکیب این دو الگوریتم برای بهینه‌سازی هایپرپارامترهای سیستم فازی تاکاگی-سوگنو-کانگ طراحی و پیاده‌سازی شده است. نتایج نشان داد که شبکه عصبی با تابع آموزش بایاسی، کمترین ریشه میانگین مربعات خطا (کمتر از 0.007 درجه) را داشته است. سیستم استنتاج فازی عصبی تطبیقی در بدترین شرایط ریشه میانگین مربعات خطایی معادل 0.191 درجه نشان داد. همچنین، سیستم فازی تاکاگی-سوگنو-کانگ، که هایپرپارامترهای آن توسط ترکیب الگوریتم ژنتیک و ازدحام ذرات بهینه‌سازی شده بود، ریشه میانگین مربعات خطای 0.4117 درجه را به ثبت رساند. با وجود این که شبکه عصبی بهترین عملکرد را داشت، هر سه روش توانستند خطای کمتر از 0.5 درجه را به دست آورند که نشان‌دهنده دقت مطلوب آن‌ها در تحلیل سینماتیک معکوس ربات است. کنترل موقعیت ربات با استفاده از کنترل‌کننده PID برای سه درجه آزادی شبیه‌سازی و ارزیابی شد. نتایج دقت بالای این کنترلر برای ربات را نشان داد؛ بیشترین خطای مشاهده‌شده مربوط به حرکت نزدیک/دور کردن مچ در راستای محور z و برابر 0.0044 متر بود.
همچنین، کنترل امپدانس برای تعامل ربات با محیط و کاربران به‌کار گرفته شد. این روش، علاوه بر بهبود رفتار دینامیکی ربات، امکان دنبال کردن مسیرهای دقیق‌تر را فراهم کرده و به افزایش ایمنی کاربران کمک می‌کند. با در نظر گرفتن بیشترین نیرو و گشتاور اعمال‌شده به عملگرنهایی ربات از سوی کاربر، بیشترین گشتاور 1.5 نیوتن‌متر و خطای کمتر از 2 درجه در حرکات هم‌زمان مفاصل ثبت شد که عملکرد مطلوب سیستم را تایید می‌کند.