Palmilha Sensora para Identificação do Formato do Pé
Informações do documento
| Autor | Natália Soares Girão |
| Escola | Universidade Tecnológica Federal do Paraná |
| Curso | Engenharia El´etrica e Inform´atica Industrial |
| Ano de publicação | 2019 |
| Local | Curitiba |
| Tipo de documento | Dissertação de Mestrado |
| Idioma | Portuguese |
| Número de páginas | 87 |
| Formato | |
| Tamanho | 12.84 MB |
Resumo
I.Sensores de Rede de Bragg em Fibras Ópticas para Monitoramento de Pressão Plantar Desenvolvimento de uma Palmilha Sensora
Resumo:
Este trabalho propõe o desenvolvimento e testes de uma palmilha instrumentada com redes de Bragg em fibras ópticas. Os padrões de pressão gerados pelo contato entre o pé e a superfície da palmilha forneceram a identificação das anatomias de três pés diferentes. A palmilha foi produzida pela incorporação das redes de Bragg em borracha de silicone. A escolha desse material se deu por meio da avaliação de características como resposta das redes e resistência mecânica adequadas para a aplicação.
Redes neurais artificiais foram usadas para efetuar o processamento das respostas não lineares e acopladas fornecidas pela palmilha quando em contato com os pés. A melhor modelagem utilizou os dados de 5 FBGs, detectando 7 regiões da palmilha.
II.Redes Neurais Artificiais para Monitoramento de Pressões Plantares
Resumo:
A capacidade de detecção de padrões e de mapeamento de dados não lineares das RNAs permitiu que esta ferramenta fosse utilizada em trabalhos de monitoramento de pressões plantares. Joo et al. (2014) modelaram a marcha humana como um problema não linear e desenvolveram um sistema baseado em redes neurais para predição da velocidade da marcha humana ao longo do ciclo completo de marcha, que foi dividida em 3 categorias: devagar, normal e rápido. Os dados foram coletados através de equipamentos comerciais de medição de pressão plantar do tipo palmilha (sistema Novel Pedar-x), que utilizam sensores capacitivos na captura dos valores de pressão.
III.Materiais de Encapsulamento e Caracterização de Sensores
Resumo:
Uma das dificuldades encontradas no desenvolvimento de sistemas sensores baseados em FBG reside na fragilidade das fibras, que podem sofrer ruptura durante os experimentos se não forem devidamente encapsuladas. Deste modo, linhas de pesquisa são desenvolvidas com o objetivo de analisar a resposta dos transdutores em diferentes materiais de encapsulamento, como córtex (DOMINGUES et al., 2017), ácido poliláctico (ZHANG et al., 2017) e compósito de carbono (SURESH et al., 2015a). Outro ponto crítico é a conexão do sistema ao interrogador.
IV.Princípios de Redes de Bragg
Resumo:
As redes de Bragg (FBG) são dispositivos que utilizam o princípio da interferência para medir deformações e mudanças de temperatura. Elas são fabricadas escrevendo um padrão periódico de variações no índice de refração ao longo de uma fibra óptica. Quando a luz é lançada na fibra, ela é refletida de volta pelos locais onde o índice de refração muda. O comprimento de onda da luz refletida depende do espaçamento entre as variações do índice de refração. Este espaçamento pode ser alterado aplicando tensão ou temperatura à fibra, o que muda o comprimento de onda da luz refletida.
V.Incerteza de Medição em Sensores de Redes de Bragg
Resumo:
O Guia para Expressão da Incerteza de Medição (GUM) é um documento que fornece orientações sobre como quantificar e expressar a incerteza das medições. No contexto dos sensores de redes de Bragg, a incerteza pode ser dividida em dois tipos: Tipo A e Tipo B.
Incerteza Tipo A: É baseada em informações disponíveis da variabilidade da grandeza de entrada. O valor da incerteza é estimado a partir de uma série de medições repetidas.
1. Incerteza de Medição em Sensores de Redes de Bragg
No processo de caracterizac¸˜ao de sensores, a an´alise metrol´ogica ´e fundamental para a validac¸˜ao dos parˆametros t´ıpicos do dispositivo, como sensibilidade, resoluc¸˜ao e linearidade.
De acordo com o Guia para Express˜ao da Incerteza de Medic¸˜ao (GUM, do inglˆes Guide to the Expression of Uncertainty in Measurement), a incerteza ´e um parˆametro que caracteriza a dispers˜ao dos valores que o mensurando pode assumir. Assim sendo, ´e imprescind´ıvel analisar quantitativamente as incertezas associadas aos processos de medic¸˜ao para elevar os n´ıveis de confiabilidade do resultado final da medic¸˜ao.
2.4.2 Arquitetura
A organizac¸˜ao de uma RNA pode sofrer variac¸˜oes quanto a alguns parˆametros como n´umero de camadas, tipos de conex˜oes entre os neurˆonios e topologia (BRAGA et al., 2000).
Estes 3 parˆametros definem a arquitetura da RNA e a depender da estrutura de problema a ser resolvido, h´a uma arquitetura que melhor se adapta. Contemplando estes parˆametros, pode-se classificar as RNAs basicamente em dois grupos: redes feedforward (FNN) ou redes recorrentes (RNN) (RUSSEL; NORVIG, 2013).
2.4.3 Aprendizagem
A aprendizagem ou treinamento de uma RNA consiste na adaptac¸˜ao dos pesos sin´apticos at´e que o mapeamento entre entradas e sa´ıdas seja considerado satisfat´orio. Quando isto ocorre, diz-se que a rede aprendeu a func¸˜ao e, para chegar at´e esse est´agio, ela passou por um processo de aprendizagem atrav´es de est´ımulos externos, regido por um algoritmo de aprendizado. Existem dois tipos principais de paradigmas para algoritmos de aprendizado:
Supervisionado: s˜ao apresentados as entradas e os alvos do sistema, e a rede busca os valores dos pesos que satisfac¸am a relac¸˜ao apresentada. Para cada diferenc¸a entre alvo e sa´ıda calculada h´a um erro, e busca-se minimizar este erro at´e um valor m´ınimo definido pelo projetista da rede (error goal). Uma m´etrica de erro bastante utilizada ´e a de erro m´edio quadr´atico (MSE), do inglˆes Mean Square Error, definido como a m´edia do quadrado das diferenc¸as entre alvos e sa´ıdas. A atualizac¸˜ao dos pesos ocorre at´e que seja atingido um m´ınimo na superf´ıcie da func¸˜ao de erro trac¸ada, que pode ser local ou global. Algumas das regras existentes para minimizac¸˜ao do erro s˜ao a regra delta e o algoritmo de retropropagac¸˜ao do erro (HAYKIN, 2007).
N˜ao supervisionado: n˜ao s˜ao bem definidas. A RNA deve buscar encontrar padr˜oes nos dados de entrada e organiz´a-los na sa´ıda de acordo com estes padr˜oes. S˜ao as ditas redes auto-organiz´aveis, que criam suas pr´oprias classes de sa´ıda baseadas em codificac¸˜oes dos dados de entrada. Um exemplo de algoritmo de aprendizado n˜ao-supervisionado ´e o aprendizado competitivo, onde as sa´ıdas disputam quais unidades ter˜ao seus pesos atualizados at´e que uma das unidades de sa´ıda iniba as demais e fique sempre ativa (BRAGA et al., 2000).