Search the digital library catalog

Abstract: V diplomskem delu je opisan razvoj tiskanega vezja za sistem za brezžično krmiljenje luči ter enostavnih električnih porabnikov v kmetijskem objektu. Vezja, katera smo razvijali, nam bodo omogočali enostavno krmiljenje porabnikov na kmetijskem objektu. Povezava bo vzpostavljena preko Wi-Fi komunikacije, upravljanje pa preko mobilnih naprav. V diplomskem delu bomo opisali dva modula in sicer brezžičen modul, ki je popolnoma avtonomen. Zanj potrebujemo samo napajanje z 230 V AC in Wi-Fi povezavo, za vse drugo lahko modul poskrbi sam. Drugi modul je pa modul relejev, na katerem imamo nameščene releje, s katerimi upravljamo preko zaporedne povezave. Ta modul potrebuje napajanje 12 V DC in serijsko povezavo, ki bo preko električnega vodnika prispela do modula.
Keywords: pameten hlev, brezžično krmilje, krmiljenje luči, tiskano vezje
Published: 19.10.2021; Views: 68; Downloads: 15
Full text (1,69 MB)

Abstract: Namen diplomskega dela je bil vzpostaviti mrežo Bluetooth za krmiljenje LED diod na mikrokrmilnikih iz stikala brez klasične točkovne povezave. Poleg funkcionalnosti same mreže smo v nalogi raziskovali tudi primernost realnočasovnega operacijskega sistema Zephyr, ki v zadnjih letih odločno pridobiva na popularnosti. Najprej smo predstavili teoretično podlago za tehnologijo Bluetooth Low Energy in mrežo Bluetooth ter poleg predstavitve prej omenjenega operacijskega sistema pripravili še primerjavo s FreeRTOS, nato pa opisali implementacijo in zmogljivosti ter možne izboljšave.
Keywords: mreža Bluetooth, Zephyr, realnočasovni operacijski sistem, Bluetooth Low Energy, krmiljenje luči
Published: 18.10.2021; Views: 20; Downloads: 5
Full text (2,47 MB)

Abstract: Metode strojnega učenja so v zadnjem desetletju omogočile preboj v učinkovitosti računalnikov pri reševanju problemov, kot so prepoznavanje slik, klasifikacija besedila in podatkovno rudarjenje. Eden od najbolj uspešnih pristopov so rešitve z uporabo umetnih nevronskih mrež, ki se zgledujejo po bioloških nevronskih mrežah in zmožnostjo človeka, da opravlja kompleksne naloge. Da bi dosegle dobro zmogljivost, umetne nevronske mreže uporabljajo veliko medsebojno povezanih enostavnih celic, oziroma nevronov. Da lahko nevronska mreža učinkovito rešuje nek problem, jo je potrebno učiti. Učenje poteka s pomočjo učne množice vzorcev, ki za dane vhodne podatke vsebujejo tudi znane izhodne rezultate (npr. oznako razreda vhodnega vzorca). Na takšen način deluje nevronska mreža v tej magistrski nalogi za animiranje in krmiljenje računalniških likov. Animacije v filmih, simulacijah in video igrah zahtevajo sodobne pristope in pred kratkim predstavljena nevronska mreža z uporabo fazne funkcije (PFNN [8]), ki smo jo preučili v tem delu, zagotavlja enega od najbolj obetavnih pristopov. Vhodi mreže so podatki o položaju in hitrosti premikanja sklepov računalniškega lika, ter podatki o višinah terena v točkah trajektorije. Prav tako so vhodi v mrežo normalizirane vrednosti, ki povedo, ali računalniški lik stoji na mestu, hodi, beži, čepi, skače ali je naletel na steno in se mora ustaviti. Izhodi mreže za krmiljenje računalniških likov se računajo v vsakem okvirju animacije in predstavljajo trenutno stanje sklepov lika in predvideno usmeritev hoje v prihodnosti. Del izhodov nevronske mreže uporabimo v naslednjem okvirju kot vhode, ki jih zlijemo s krmilnimi podatki uporabnika. Učenje se izvaja na predhodno obdelanem naboru podatkov, ki so ga avtorji PFNN posneli z metodo zajemanja gibanja v studiu. Po snemanju so podatke razširili z zrcaljenjem in jih prenesli v virtualno okolje ter tako dobili večjo učno množico za uspešnejše učenje nevronske mreže. Arhitektura nevronske mreže s fazno funkcijo je triplastna mreža z veriženjem naprej, ki ima 342 vhodnih in 311 izhodnih spremenljivk. Vsaka skrita plast ima 512 nevronov, in na obeh skritih plasteh se uporablja eksponentna linearna (ELU) aktivacijska funkcija, ki omili nezaželen pojav izginjajočega gradienta med učenjem nevronske mreže. Mreža je izdelana v programskem jeziku Python z uporabo knjižnice TensorFlow. Pri učenju mreže se uporablja optimizacijski algoritem Adam s prilagodljivo hitrostjo učenja. Na vsaki plasti se uporablja regularizacijska tehnika odpovedovanja nevronov, ki omejuje prekomerno prilagajanje modelov učni množici. V primerjavi z običajnimi nevronskimi mrežami z veriženjem naprej, uporablja PFNN posebno fazno funkcijo, s pomočjo katere interpolira med štirimi nabori uteži nevronske mreže na podlagi vrednosti fazne spremenljivke. Ti nabori uteži se vzporedno optimizirajo med učenjem nevronske mreže. V vsakem ciklu hoje fazna spremenljivka teče od 0 do 2pi, torej od takrat, ko ima računalniški lik desno nogo v kontaktu s terenom in jo začne dvigati, do takrat, ko jo postavi nazaj na tla. Za interpolacijo med različnimi nabori uteži je bil uporabljen kubični Catmull-Romov zlepek. Izhodi nevronske mreže se med učenjem uporabijo za izračun napake in posodabljanje vseh štirih naborov uteži. Nevronsko mrežo lahko uporabimo v demonstraciji krmiljenja animiranega lika, tako da se izhodi nevronske mreže zlijejo z uporabnikovimi krmilnimi signali za določanje položaja in hitrosti sklepov v kinematični verigi. Zlivanje krmilimo s faktorjem mešanja, ki omogoča uravnotežanje med natančnostjo krmiljenja in naravnostjo animacije računalniškega lika.
Keywords: umetna nevronska mreža, zajem gibanja, animacija, fazna funkcija, krmiljenje likov
Published: 01.12.2020; Views: 255; Downloads: 25
Full text (4,53 MB)

Abstract: V diplomski nalogi je opisano merjenje toka z ACS712 tokovnim tipalom in uporaba čipa A3959 (H mostič) za krmiljenje enosmernih krtačnih motorjev. Izveden je bil pregled metod meritev toka in predlog nadgradnje krmilja v tokovno regulacijo. Meritve toka so zajete preko serijske komunikacije in obdelane z Arduino Uno mikrokrmilnikom, ki obenem skrbi za krmiljenje H mostiča preko digitalnih izhodov. Pred izvedbo krmilja je bil načrtovan matematični model motorja, krmilja in regulacijske sheme za potrebe simulacij in validacije delovanja krmiljenja motorja. Predlagana izvedba krmilja z možnostjo regulacije in simulacij je primerna za učenje krmilno regulacijskih shem v mehatroniki.
Keywords: krmiljenje, H mostič, Hallovo tipalo, Arduino Uno, simulacija, meritev toka, krtačni motor
Published: 03.11.2020; Views: 293; Downloads: 39
Full text (2,32 MB)

Abstract: V magistrskem delu je predstavljeno zaprto-zančno vodenje elektro-hidravličnega aktuatorja brez krmilnih ventilov. Program je napisan v programskem okolju TwinCAT 3 in se izvaja na Beckhoff krmilniku CX5140. Sistem je zgrajen iz servo motorja, hidravlične črpalke, hidravličnega aktuatorja, hidravličnega akumulatorja, hidravličnih cevi in Beckhoff krmilnika. Sistem ima tudi navidezni HMI izdelan v programskem okolju TwinCAT 3 za lažje vodenje in nadziranje sistema. Sistem bo služil za pedagoške namene, izvajanje vaj v laboratoriju in nadaljnje raziskave.
Keywords: hidravlika, krmiljenje, regulacija, Beckhoff krmilnik
Published: 02.07.2020; Views: 427; Downloads: 63
Full text (5,11 MB)