مدل سازي ديناميكي سيستم موقعيت دهنده دو محوره با دقت نانومتري با استفاده از الگوريتم ژنتيك

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

امروزه سكوهاي موقعيت دهنده با دقت نانو از جايگاه خاصي برخوردار بوده و در كاربردهاي مختلفي مانند عكس برداري و برداشت از سطح، استفاده مي شوند. در اين مقاله، مشاهده گرهايي براي يك سكوي موقعيت دهنده با دقت نانو، بر پايه ي سه نوع شبكه عصبي مختلف، طراحي شده اند. سكوي مدل سازي شده در دانشگاه صنعتي شريف طراحي شده و با توجه به نياز نهايي سيستم به سيگنال پس خورد براي استفاده در قانون كنترلي، در اين مرحله مشاهده گرهايي بر پايه ي شبكه عصبي طراحي شده اند. در پژوهش هاي قبلي، مدل كامسول سيستم موقعيت دهنده به دست آمده است. در اين مرحله، براي آموزش شبكه عصبي از مدل كامسول استفاده كرده و به ازاي جمع تعدادي از توابع سينوسي، سيستم آموزش داده شده و در ادامه به ازاي ورودي شيب، قابليت تعميم پذيري آن بررسي شده است. شبكه هاي عصبي مورد استفاده، به ترتيب شامل شبكه پرسپترون چند لايه، شبكه مبتني بر توابع شعاعي و شبكه مبتني بر رگرسيون بردارهاي پشتيبان مي باشد. با انجام شبيه سازي، ديده شده كه شبكه پرسپترون چند لايه و شبكه مبتني بر توابع شعاعي به پاسخ مناسبي با خطاي كم منجر شده اما شبكه مبتني بر رگرسيون توابع پشتيبان خطاي نسبتا زيادي دارد.

Nowadays, nano-precision 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 nano-precision 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 system'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 multi-layer perceptron network, a radial basis function network and a support vector regression network. By performing simulations, it has been seen that the multi-layer 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.