مدل سازی دینامیکی سیستم موقعیت دهنده دو محوره با دقت نانومتری با استفاده از الگوریتم ژنتیک

امروزه سکوهای موقعیت دهنده با دقت نانو از جایگاه خاصی در صنایع پیشرفته برخوردارند. در این تحقیق سعی بر مدل سازی دینامیکی یک سکوی موقعیت دهنده با دقت نانو شده است. این سکو در دانشگاه صنعتی شریف طراحی اولیه ی آن صورت گرفته و در این مرحله به بررسی دینامیکی آن پرداخته شده است. در پژوهش حاضر، مکانیزم به صورت دو بعدی در نظر گرفته شده است. ابتدا مدل سکو در نرم افزار کامسول مدل سازی شده است. مدل به دست آمده در کامسول به عنوان مدل مرجع در نظر گرفته شده و سپس یک مدل 10 درجه آزادی برای آن در نظر گرفته شد. برای مدل در نظر گرفته شده، ماتریس های جرم، سفتی و میرایی به کمک روش شناسایی پارامترها به دست آمد. در نهایت مدل به دست آمده به ازای دو مجموعه سیگنال ورودی با مدل کامسول صحت سنجی شد. نتایج نشان داد که در فرکانس های پایین، مدل به دست امده به خوبی مدل کامسول را تقریب می زند. در حالی که در فرکانس های بالا این تقریب با مقداری خطا همراه بود. به علاوه فرکانس طبیعی اول مدل تحلیلی به دست آمده با فرکانس اول مدل کامسول مقایسه شد که خطای تقریب در حد قابل قبولی بود.

Design of an Observer for an XY Nano-Positioner using Neural Network.

Nowadays, nanoprecision positioning stages, have a special position and are used in a variety of applications, such as taking pictures and taking particles of the surface. In this paper,some observers for a nanoprecision positioning platform are designed based on three different types of neural networks. The simulated platform was designed at Sharif University of Technology and, based on the systemchr('39')s final requirement for the feedback signal for use in the control rule, neural network observers were designed. In previous studies, the comsol model of the positioning system has been obtained. At this step, the neural network has used the Comsol model and the system has been trained for a sum of a number of sinusoidal functions, and its generalizability has been investigated for ramp input. Neural networks used include, respectively, a multilayer perceptron network, a radial basis function network and a support vector regression network. By performing simulations, it has been seen that the multilayer perceptron network and the radial basis function network yielded a good response with low error, but the support vector regression network has a relatively high error.