Возможности использования библиотеки проектирования нейронных сетей TensorFlow для кинематического исследования манипулятора

Исследование кинематических структур многозвенных манипуляторов является нетривиальной задачей. Сложности проявляются при исследовании кинематических схем у которых количество подвижных независимых частей превышает количество обобщенных независимых степеней подвижности, так как в таких случаях имеет место переизбыток подвижности системы и для одной позиции может существовать больше двух конфигураций манипулятора. Подобная неоднозначность сильно усложняет поиск зависимостей между обобщенными координатами системы и конечной точкой перемещения рабочего органа. Также необходимо учитывать, что в дальнейшем при составлениях динамических уравнений движений для подобных систем, такая неоднозначность усложняет исследование задач динамики. Решения подобных проблем осуществляется разными методами и в данной статье рассматривается возможность применения нейронных сетей для исследований подобных неоднозначных задач на примере кинематического исследования шарнирно-сочлененного манипулятора. В представленной работе рассмотрены возможности использования библиотеки Tensor-Flow от компании Google при помощи которой создаются модели нейронных сетей и «нейронов», а также функции нахождения весовых коэффициентов настройки созданной модели сети. В ходе исследования была создана нейронная сеть для расчета функции регрессии зависимостей между геометрическими координатами точки перемещения захватного устройства манипулятора и обобщенными координатами его стреловой системы. Целью данного исследования является демонстрация возможностей нейронных сетей при решении инженерных задач, которые требуют сложных математических преобразований. Использование архитектур нейронных сетей в системах управления манипуляторами позволяет создавать универсальные механизмы для выполнения различных технологических процедур, при этом снижая затраты на разработку подобных решений. В целом нейронные сети не являются универсальными средствами для решения всех инженерных задач, так как требуют большего набора тестовых выборок для настройки (обучения) параметров своих моделей, однако существует ряд проблем при решении которых нейронные сети имеют большие преимущества.