بهينه سازي و كنترل ربات توانبخش راه رفتن

Optimization and control of gait rehabilitation robot

مقدمه و اهداف در بسياري از زمينه‌هاي مربوط به روباتيك در زمينه توانبخشي، توليد گشتاور مطلوب و دقيق با در نظر گرفتن ديناميك موتورها تحقق پيدا مي‌كند. در عمل ديناميك موتورها ممكن است ناشناخته باشد و به همين دليل بسياري محققان از ديناميك موتورها صرف‌نظر مي‌كنند كه مي‌تواند اثر قابل‌توجهي در نتايج كلي داشته باشد. هدف از اين تحقيق، بهينه سازي عملكرد ربات هاي توانبخش راه رفتن مي باشد. مواد و روش ها اطلاعات سينماتيكي بدست آمده از 10 نفر شامل زواياي مفصل، سرعت زاويه اي و شتاب زاويه اي، مي باشد كه هشتاد داده در يك سيكل راه رفتن ثبت شده و به عنوان ورودي به شبكه عصبي اعمال مي شود. سپس عملكرد يك كنترلر NARMA-L2 شبكه عصبي با آموزش توسط سه الگوريتم تكاملي ازدحام ذرات، الگوريتم ژنتيك و رقابت استعماري را براي موتورهاي ربات توانبخش راه رونده دوپا نشان مي‌دهد. موتور به دو صورت آنلاين و آفلاين با دنبال كردن گشتاورهاي راه رفتن انسان به عنوان مدل مرجع توسط شبكه عصبي باعث بهبود در كنترل ربات دوپا مي‌شود. يافته ها در اين تحقيق، به معرفي دستگاهي براي بهبود راه رفتن پرداخته شده كه برخلاف دستگاه‌هاي قبلي ديناميك موتورها لحاظ گرديده و كاهش ابعاد قسمت سخت‌افزاري شبكه عصبي و استفاده از الگوريتم‌هاي آموزشي تكاملي به ترتيب باعث كاهش قيمت و افزايش دقت بر اساس كاهش حداقل مربعات خطا بعد از ميانگين از 20 بار آموزش شبكه عصبي، در ربات توانبخش دوپا شده است. بحث و نتيجه گيري اين سامانه باعث بهبود عملكرد و رفع ناتواني فرد دچار سكته مي‌شود و توانايي شخص را در راه رفتن بهبود مي‌بخشد. كاهش فشار به تاندون‌ها و كمك به بهبود بيماري با استفاده از سامانه روباتيك از جمله اهدافي پيش بيني شده براي ساخت دستگاه بوده است. ساختار ساده شبكه عصبي، خطاي بسيار پايين در دنبال كردن مسير و سرعت بالاي شناسايي سيستم، همه عواملي هستند كه باعث شده شبكه عصبي بهترين ساختار براي شناسايي سيستم باشد.

Background and Aim: In many fields of rehabilitation robotics, desired torque would be obtained by considering dynamics of the actuators. Also, dynamic model of many actuators is hard to approach and it has been neglected in many researches that cause the considerable disadvantages in general results. . The aim of this study is to optimize the performance of gait rehabilitation robot. Materials and Methods: Kinematic data obtained from 10 patients, including joint angles, angular velocity and angular acceleration that eighty data recorded in a walk cycle and applied as inputs to the neural network. Then, performance of a NARMA-L2 controller for actuators of the biped walking robot is shown. It is noticeable that the controller is learned by LM algorithm and three evolutionary algorithms; PSO, GA and ICA. For controlling the robot walking, two kinds of dc motors are used. These actuators improve control of the biped robot by tracking the required torques for a human walk cycle as a reference model by neural network in two ways; offline and online. Results: In this research, gait recovery system is introduced that the dynamics of the actuators are considered. Finally, reducing dimensions of the neural network hardware and using the evolutionary algorithms, respectively, reduces costs and increases accuracy of the rehabilitation biped robot based on reducing the minimum mean square error of 20 times after learning of neural network. Conclusion: This system would be effective in promoting gait recovery. Helping the recovery of patient using robotic system and muscle compensation was the predictive goals of manufacturing of the system. The simple structure of neural network, negligible tracking error and high speed system recognition are the factors that make it the best system recognition in this field.