فناوری ها برای جایگذاری اجزای الکترونیکی در صنعت الکترونیک ضروری است. این مقوله در گذشته بوسیله سرهم بندی دستی انجام می شد ، اما امروزه ماشین های سفارشی سازی شده ، خصوصا برای سرهم بندی خودکار طراحی شده اند. تعدادی از این ماشین ها حتی بازوهای رباتی را بمنظور جایگذاری اجزای غیر مرسوم بکار می گیرد.

هرچند ، بدین دلیل که ماشین های با هدف-خاص قادر به جایگذاری مبدل ها با ۶ پین لحیم شده دستی بروی بردهای مدار چاپ شده نیستند ، این مطالعه سیستم یادگیری برای چنین ماشین هایی مطرح نموده که خصایص تصویری را در درون حرکات جایگذاری انجام شده بوسیله بازوی رباتی برای حل مسائل مرتبط به جایگذاری مبدل می گنجاند. سیستم مطروحه در سه لایه فعالیت می کند: بصری ، حرکتی ، و تصمیم گیری.

لایه بصری در رابطه با پیش پردازش داده تصویر ، استخراج خصایص تصویر پین بوسیله جایگذاری خطی محلی (LLE) ، و تنظیم پارامترها برای آموزش حرکات جایگذاری در بازوی رباتی است. در لایه حرکتی ، حرکت های واجد شرایط برای جایگذاری مبدل ها جمع آوری شده بوده و C-means های فازی وزن کشی شده برای همگرایی حرکات جایگذاری و خلق نشانه هایی برای لایه تصمیم استفاده شده بودند.

لایه تصمیم گیری از پشتیبانی از ماشین بردار یکی در برابر همه (SVM) ها برای ایجاد طبقه بندی گرهایی برای اعمال خصایص تصویری جمع آوری شده برای محاسبه حرکات جایگذاری استفاده می نماید. آزمایش ها برای تایید روش های پژوهشی مختلف بوسیله استفاده از ۳۰۰ مبدل بعنوان نمونه های تمرینی و ۲۰۰ مبدل بعنوان نمونه های آزمایشی انجام شده بود. بوسیله اعمال تعدادی از قوانین برای محدود سازی خصایص تصویر ، این مطالعه سه طبقه بندی گر (SVM ها ، Bayes ، و شبکه عصبی) را برای نمونه های آزمایشی و مقایسه صحت و درستی آنها اعمال نموده است. نتایج تجربی نشان دهنده نرخ صحت (درستی) تا 88% بوده ، که میانگین حوزه تحت منحنی خصیصه عملیاتی دریافت کننده 0.88 بوده ، و طبقه بندی گرهای SVM بکار گرفته شده درست تر از دیگر دو طبقه بندی گر بوده اند.

---

Abstract

Technologies for inserting electronic components are necessary within the electronics industry. Previously this was done by manual assembly, but todays customized machines have been specially designed for automatic assembly. A number of these machines even employ robot arms to insert nonconventional components.

However, because special-purpose machines are unable to insert transformers with six manually soldered pins onto printed circuit boards, this study proposed a learning system for such machines that incorporates image characteristics into the insertion motions performed by a robot arm to solve problems related to transformer insertion. The proposed system operates in three layers:

vision, motion, and decision. The vision layer involves preprocessing image data, extracting pin image features by locally linear embedding (LLE), and setting parameters for teaching insertion motions to the robot arm. In the motion layer, motions qualified for inserting the transformers were collected and the weighted Fuzzy C-means was used to converge the insertion motions and create target markers for the decision layer.

The decision layer uses one-against-rest support vector machines (SVMs) to establish classifiers for applying the collected image characteristics to the calculation of insertion motions. Experiments were performed to verify the various research methods by using 300 transformers as training samples and 200 transformers as test samples. By imposing a number of rules to limit image characteristics, this study applied three classifiers (SVMs, Bayes, and a neural network) to the test samples and compared their accuracy.

The experimental results indicated an accuracy rate of 88%, an average area under the receiver operating characteristic curves of 0.88, and that the employed SVM classifiers were more accurate than the other two classifiers.

---

نمونه ترجمه مقاله:دانلود ترجمه مقاله توسعه سیستم جایگذاری مبدل هوشمند (ترانسفورماتور) با استفاده از بازوی رباتی

در دهه ۱۹۶۰ ، اجزای الکترونیکی اکثرا با استفاده از روش سرهم بندی – پین سرهم بندی می شد ، که نیازمند نیروی کار دستی قابل توجه و اساسی بود. در دهه ۱۹۸۰ ، فناوری های Surface Mount به تدریج به بلوغ رسیده ، که منجر به خلق ماشین های جایگذاری بخش تک-حرکتی مختلف شده که بعدا در درون ماشین هایی با موقعیت یابی دقیق و توانایی های جایگذاری  بخشی خودکار توسعه داده شده بود. این ماشین های جایگذاری با هدف-خاص عموما بازوهای رباتی با ۴ درجه ازادی (DOF; hereafter 4-DOF بازوی رباتی) را بکار می گیرد ، که نشان دهنده کنترل نقطه به نقطه کافی و مناسب است. هرچند ، آنها به جایگذاری بخش هایی از صفحه XY محدود شده اند. بنابراین ، جایگذاری اجزای غیر مرسوم ، همچون مبدل که در این مطالعه آزمایش شده ، هنوز نیازمند نیروی کار دستی اساسی (نیروی کار) به این دلیل که بازوهای ربات قادر به جایگذاری این اجزا در موقعیت معینی نیستند ، می باشند. در فرایند جایگذاری بخش ، حیاتی ترین عنصر جایگذاری اجزا در درون موقعیت های هدف بوده ، که نیازمند حسگرهایی برای تقویت قدرتمندی سیستم جایگذاری است. مطالعات مختلف ، کنترل نیرو برای بازوهای رباتی (دست کاری کننده ها) را بعنوان موضوعی کلیدی شناسایی نموده است. Raibert و Craig قانون کنترل اشتقاق شده- انتگرالی – تناسبی را برای طراحی روشی برای نیروی درست و کنترل موقعیت دست کاری کننده ها و انجام آزمایشات بروی عملیات جایگذاری peg-in-hole بکار گرفته اند. هرچند ، این روش کنترلی را نمی توان بدرستی در زمانی که در حل مسائل سرهم بندی پیچیده استفاده شده ، تعریف نمود. Polverini et al ربات دو بازویی را برای حل مسائل جایگذاری بدون استفاده از هرگونه حسگرهای نیرو ، تنها با نیروی بازخورد برای تولید مسیرهای بلادرنگ از طریق رویکرد بهینه سازی ، اعمال نموده است. بازوی رباتی نیازمند کنترل نیرو (نیروی کنترل) برای تولید مسیر – بدین دلیل که دقت برای جایگذاری اجزای کوچگ در درون سوراخ های کوچک حیاتی است – می باشد. جایگذاری Peg-in-hole نمونه