This research project focuses on the design and development of a Manual Control Robot using Load Cell technology to enhance precision and reduce the time required for robot control. The use of automation robots in industries still presents challenges due to the complexity of programming and control. Therefore, developing a manual control system that responds to force input in all directions can significantly improve the efficiency of robots, making them more suitable for tasks requiring precise and intricate control. The study integrates Load Cell sensors, an HX711 amplifier circuit, and an Arduino UNO R3 to develop a control module that translates user-applied forces into commands for an RV-7FRL-D industrial robotic arm. Additionally, MATLAB is utilized for processing Load Cell data to analyze and optimize the robot’s movement accuracy. The results demonstrate that the developed system effectively reduces robot setup time while simplifying and improving control flexibility. This project represents a crucial step in enhancing the capabilities of industrial robots, allowing for seamless human-robot interaction through a manual control system that directly responds to user-applied forces.
ที่มาและความสำคัญของโครงงาน ในปัจจุบัน หุ่นยนต์อัตโนมัติ (Automation Robot) ได้รับความนิยมอย่างแพร่หลายในอุตสาหกรรม เนื่องจากช่วยเพิ่มประสิทธิภาพในการผลิต ลดต้นทุนแรงงาน และสามารถทำงานที่มีความแม่นยำสูงได้ อย่างไรก็ตาม การควบคุมและตั้งโปรแกรมหุ่นยนต์ให้ทำงานตามที่ต้องการนั้นมีความซับซ้อน และมักต้องการผู้เชี่ยวชาญในการปรับแต่งโปรแกรมและการตั้งค่าการทำงานของหุ่นยนต์ ซึ่งอาจทำให้เกิดความล่าช้าในกระบวนการผลิต ดังนั้น การพัฒนาระบบ Manual Control Robot ที่สามารถควบคุมหุ่นยนต์ได้โดยตรงผ่านการรับรู้แรงกดและแรงดึงจากผู้ใช้งาน จึงเป็นแนวทางที่สามารถช่วยลดความซับซ้อนในการควบคุมและเพิ่มความยืดหยุ่นในการใช้งาน โดยในโครงงานนี้จะใช้ Load Cell ร่วมกับ HX711 Amplifier และ Arduino UNO R3 เพื่อพัฒนาระบบที่สามารถตรวจจับแรงจากผู้ใช้งานและแปลงเป็นคำสั่งควบคุมหุ่นยนต์แบบเรียลไทม์ นอกจากนี้ การควบคุมแบบแมนนวลผ่าน Load Cell ยังสามารถช่วยลด เวลาการตั้งค่าและโปรแกรมหุ่นยนต์ ได้อย่างมีประสิทธิภาพ ทำให้การทำงานของหุ่นยนต์มีความสะดวกมากขึ้น และรองรับงานที่ต้องการ รวมถึงการปรับตัวให้เข้ากับสภาพแวดล้อมการทำงานที่ซับซ้อน ซึ่งสามารถนำไปประยุกต์ใช้ในอุตสาหกรรมที่ต้องการ Human-Robot Interaction ได้อย่างมีประสิทธิภาพ ดังนั้น โครงงานนี้จึงมีความสำคัญในการเพิ่มขีดความสามารถของ Manual Control Robot เพื่อลดระยะเวลาการตั้งค่าและเพิ่มความคล่องตัวในการควบคุมหุ่นยนต์ ซึ่งเป็นประโยชน์ทั้งต่อภาคอุตสาหกรรมและการศึกษาเกี่ยวกับการควบคุมหุ่นยนต์ในอนาคต
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
-
คณะวิทยาศาสตร์
This special problem aims to compare the performance of machine learning methods in time series forecasting using lagged time periods as independent variables. The lagged periods are categorized into three groups: lagged by 10 units, lagged by 15 units, and lagged by 20 units. The study employs four machine learning methods: Decision Tree (DT), Random Forest (RF), K-Nearest Neighbors (KNN), and Support Vector Machine (SVM). The time series data simulated as independent variables diverse including characteristics: Random Walk data, Trending data, and Non-Linear data, with sample sizes of 100, 300, 500, and 700. The research methodology involves splitting the data into 90% for training and 10% for testing. Simulations and analysis are performed using the R programming language, with 1,000 iterations conducted. The results are evaluated based on the average mean squared error (AMSE) and the average mean absolute percentage error (AMAPE) are calculated to identify the best performing method. The research findings revealed that for Random Walk data, the best performing methods are Random Forest and Support Vector Machine. For Trend data, the best performing methods are Random Forest. For Non-Linear data, the best performing methods are Support Vector Machine. When tested with real-world data, the results show that for the Euro-to-Thai Baht exchange rate, the best methods are Random Forest and Support Vector Machine. For the S&P 500 Index in USD, the best performing methods are Random Forest. For the Bank of America Corp Index in USD, the best performing methods are Support Vector Machine.
คณะวิทยาศาสตร์
The aim of experiment was to study the pyrolysis oil derived from sorted landfill plastic waste that had been buried for 15 years by the Nonthaburi Provincial Administrative Organization. The pyrolysis oil was produced using a Fixed-Bed Reactor at 450 °C for 1.5 hours with LPG as the feedstock, with the goal of using the pyrolysis oil as an alternative fuel. The experiment was conducted under four different conditions : (1) plastic waste buried in a landfill that has not been washed but has been reduced in size, (2) plastic waste buried in a landfill that has been washed and has been reduced in size, (3) plastic waste buried in a landfill that not has been washed and has not been reduced in size, (4) plastic waste buried in a landfill that has not been washed and has been reduced size, with activated carbon used as a catalyst. The experiment revealed that three products were produced : Oil, gas, and char in different quantity. The pyrolysis oil were compared in terms of quality based on pH, Heating value, Moisture content, Functional group, and Chemical Composition. The pyrolysis oil we obtained will be referenced according to the criteria from the Department of Energy Business. The analysis results of the pyrolysis can explain which conditions are suitable for replacing fuel oil in industrial It is therefore one of the approaches that helps manage plastic waste in landfills, reducing the quantity by converting it into usable energy.