Iskanje po katalogu digitalne knjižnice

Opis: Raziskovalno delo magistrskega dela obsega raziskavo mišice HASEL. Proučen je bil način izdelave in kateri so najprimernejši materiali za izdelavo ustrezno delujoče mišice. Delo zajema pripravo programa za preizkušanje mišic v programu Matlab-Simulink in merjenje pomikov mišic v odvisnosti od električne napetosti. V raziskavi se je mišice zbujalo z napetostjo 6 kV. Pri tem so bili doseženi majhni pomiki mišic, ki so bili zaznani z laserskim merilcem. Želelo se je prikazati drugačno obliko mehkega aktuatorja, njegove prednosti in bodoča področja uporabe. V raziskavo so bile zajete različne velikosti in tipi mišice HASEL. S preizkusno ploščico skupaj s krmilno ploščo v programu Matlab-Simulink se je mišice krmililo na tri načine: zbujanje s konstantno napetostjo, zbujanje na signal (step funkcija, pulzni generator) in regulacija z regulatorjem P ali PID, kjer se je mišico pomikalo na želeno razdaljo, ki je bila izmerjena z laserskim merilcem. V delu so tudi podani in pojasnjeni komentarji na odzive mišic.
Ključne besede: mišica HASEL, MATLAB, visoka napetost, krmiljenje, kapacitivnost, kondenzator, digitalni signalni krmilnik
Objavljeno v DKUM: 04.09.2024; Ogledov: 38; Prenosov: 10
Celotno besedilo (5,78 MB)

Opis: Magistrsko delo obravnava nadgradnjo že obstoječe pnevmatske delovne postaje na oddaljen nadzor in krmiljenje. Nadgradnja je zasnovana s pomočjo Beckhoff krmilnika in programskega okolja TwinCAT 3. Opisane so komponente pnevmatske postaje, krmilnika in delovanje programa TwinCAT 3. S pomočjo orodja TwinCAT 3 HMI WEB, ki omogoča vizualizacijo, se je izdelal spletni vmesnik, s katerim upravljamo delovno postajo. Vmesnik gostuje na spletu, kar omogoča oddaljen dostop, kjerkoli po svetu. Zaradi objave na spletu je tudi ustrezno zaščiten proti spletni zlorabi. Celoten postopek izdelave spletnega vmesnika in objave le-tega na splet je opisan podrobno po korakih. Glede nadzora pa je dodana kamera, ki prikazuje sliko v živo in nekaj pnevmatskih senzorjev za nadzorovanje tlaka na komponentah in mogočih kolizij.
Ključne besede: Beckhoff, pnevmatska delovna postaja, krmiljenje, oddaljen nadzor, TwinCAT
Objavljeno v DKUM: 21.09.2023; Ogledov: 374; Prenosov: 26
Celotno besedilo (3,36 MB)

Opis: 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.
Ključne besede: pameten hlev, brezžično krmilje, krmiljenje luči, tiskano vezje
Objavljeno v DKUM: 19.10.2021; Ogledov: 977; Prenosov: 89
Celotno besedilo (1,69 MB)

Opis: 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.
Ključne besede: mreža Bluetooth, Zephyr, realnočasovni operacijski sistem, Bluetooth Low Energy, krmiljenje luči
Objavljeno v DKUM: 18.10.2021; Ogledov: 995; Prenosov: 100
Celotno besedilo (2,47 MB)

Opis: 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.
Ključne besede: umetna nevronska mreža, zajem gibanja, animacija, fazna funkcija, krmiljenje likov
Objavljeno v DKUM: 01.12.2020; Ogledov: 1330; Prenosov: 82
Celotno besedilo (4,53 MB)