| Summary: | En parallellkinematisk haptisk enhet för medicinsk simulering i sex frihetsgrader är utvecklad på Mekatronikavdelningen vid Institutionen för Maskinkonstruktion, KTH. Parallellkinematiska strukturer har många fördelar, förutsatt att den valda kinematiska arkitekturen är lämplig och rätt dimensionerad för den aktuella applikationen. Av denna anledning och eftersom strukturen ofta är förhållandevis komplex, är designoptimering ofta nödvändigt. Optimeringsproblem vi då måste lösa är multi-objektiva och icke-konvexa. I den första delen av detta examensarbete löser vi problemet med hjälp av tre stokastiska multi-objektiva metoder, NSGA-II, SPEA-2 och MOPSO. De resultat vi får från dessa tre metoder är likartade. En känslighetsanalys presenteras för att visa hur känslig målfunktionen är för variationer i de optimerade designparametrarna. I den andra delen av arbetet införs Konvex optimering, vilket är ett kraftfullt verktyg för att lösa svåra multi-objektiva problem. Syftet med denna del är att omvandladet ursprungliga icke-konvexa problemet till en konvex form, dvs att konvexifieradet. Metoder för konvexifiering föreslås och svårigheten att eventuellt lyckas i detta arbete analyseras. === A six degree-of-freedom parallel haptic device for medical simulation is developed at the Mechatronics Lab, Department of Machine Design, KTH. Parallel devices have many advantages, given that the particular kinematic structure is selected and designed carefully for the application at hand. For this reason and considering the complexity of the structure itself, design optimization of the selected system is typically required. The corresponding optimization problem we have to solve is multi-objective and non-convex. In the first part of this thesis project, we solve the optimization problem with three stochastic multi-objective approaches; NSGA-II, SPEA-2, and MOPSO. The results we obtain from these methods are similar. Also, a sensitivity analysis is presented, showing how the objective function of our problem changes according to the alteration of the structural design parameters around the optimal solution. In the second part, Convex Optimization is introduced as being a powerful tool for solving difficult multi-objective problems. The aim of this part is to convert the nonconvex problem to a convex form, i.e. to convexify it. Methods for convexification are suggested and analysis of the difficulty to be successful in this effort is given.
|
|---|
