داود صدیقی زاده - دانشجوی دکتری رشته مهندسی صنایع دانشگاه تربیت مدرس
سعید جلیلی - استادیار بخش مهندسی برق و کامپیوتردانشگاه تربیت مدرس
الیپس مسیحی - استادیار بخش مهندسی صنایع دانشگاه تربیت مدرس

در یک ایستگاه کاری 1 جهت انجام موثر فعالیت های مونتاژ، نیاز به هماهنگی کلی، نظارت بر عملیات مونتاژ ، تشخیص و بازیافت خطا می باشد . ربات مونتاژ کننده ، فعالیت های حرکت ی جهت گرفتن قطعه، انتقال قطعه ، رها کردن قطعه را انجام می دهد که در هر یک از این فعالیت ها امک ان بروز خطا توسط ربات وجود دارد و نیاز به نظارت، تشخیص و بازیافت خطا وجود دارد . Seabra و همکارش نسبت به جمع آوری داده هایی درخصوص بردارگشتاور و بردار نیروی ربات پس از تشخیص خطا در مسیر گرفتن قطعه، اقدام نمودند که این داده ها براساس شش خصیصه شامل سه مولفه بردار نیرو و سه مولفه بردار گشتاور در حالت سه بعدی در نظر گرفته شد . این مجموعه داده ها در چهار کلاس مختلف تعریف شده است : (1) کلاس Normal که در آن حرکت ربات ب ه صورت طبیعی ادامه پیدا می کند، Collision (2) که در آن خطای حرکتی ربات همراه با تصادم با مانع می باشد، Fr_collision (3) که در آن ربات تا مرز مانع حرکت می کند و Obstruction (4) که در آن ربات پس از بروز خطا، امکان هیچ گونه فعالیتی ندارد . با توجه به این که روش های الگوریتمی در تشخیص خطای حرکت ربات چندان موثر نمی باشند، درنتیجه سعی شد درخت تصمیم و کلاس های فوق با استفاده از داده های جمع آوری شده ، یادگیری شو ند . به منظور یادگیری درخت تصمیم گیری از سه روش C4.5 وRipperو J.48 20 ، C4.5 استفاده شده است . براساس نتایج حاصل، به طور متوسط در چهارکلاس فوق الذکر، براساس روش درصد خطا ، براساس روش Ripper ، 24,31 درصد خطا و براساس روش 22,99 J.48 درصد خطا وجود دارد که نسبت به دیگر کارها به طور متوسط 50 درصد خطا کاهش یافته است

ربات مونتاژ کننده، یادگیری، روش درخت تصمیم گیری