Professional Documents
Culture Documents
Aysun E R SÖ ÜT T RYAK ,
GR
Recep KAZAN *
[7] üç eklemli bir robot için ters kinematik çözüme dayanan alaca konum ve yönlenme için gerekli olan
yapay sinir a tasarlam t r. Da ve ark. [8] SCARA genelle tirilmi koordinatlar , eklem h z ve ivmelerini
robotu matematiksel olarak modellemi , simülasyon bulma problemidir. Ters dinamik problem ise, robot
yapm ve deneysel olarak do rulam t r. Bu konudaki kolunun istenen bir konum ve yönlenmeye gelmesi için
di er uygulamalar ise; Wilhelmsen ve Cotter [9], üç farkl (genelle tirilmi koordinatlar, bunlar n birinci (h z) ve
sinir a yap s kullan larak lineer olmayan robot kontrolü, ikinci (ivme) türevleri verildi inde) gerekli olan kuvvet
Kosko [10] hiyerar ik YSA'lar ile ters Jacobian kontrolü, ve momentlerin hesaplanmas d r [17].
Rabelo ve Avula [11], Fukuda ve ark. [12], Liu ve ark.
Robot kolunun dinamik denklemlerini elde etmek için
[13], Karakaso lu ve Sundareshan [14] çok dereceli
bilinen birçok metot vard r. Bunlar Lagrange-Euler (L-E),
robot elin kontrolü ve tasar m , Smagt ve Krose [15]
Recursive Lagrange (R-L), Newton-Euler (N-E),
sensör bilgilerinin ters dinami e direk geçi inin
Genelle tirilmi D'Alambert (G-D) prensibi gibi
sa lanmas nda, Tsutsumi ve Matsumoto [16] robot
yakla mlard r. Bu yöntemlerden en çok kullan lanlar L-E
pozisyon kontrolü üzerine çal m lard r.
ve N-E yakla mlar d r.
Bu çal mada ise üç eklemli bir SCARA robotu ele
Bu çal mada robot kolun dinamik modelinin
al nm ve robot dinami i YSA'n n kullan m ile
ç kar lmas nda, iyi planlanm bir yap ya sahip ve
modellenmi tir. Çal man n 2. k sm nda üç eklemli SCARA
ç kar lmas N-E yakla m ndakinden daha basit ve
tipi robot dinami i ve 3. k sm nda YSA genel hatlar yla
tan t lm t r. 4. k s mda tasarlanan YSA mimarisi, a n sistematik olan L-E yakla m ile elde edilmi denklemler
e itim performans ve test sonuçlar verilmi tir. 5. k s mda kullan lacakt r. Bu yakla m sistemin içerdi i toplam i
ise simülasyon sonuçlar yorumlanm t r. ve enerji ile ifade edilir. Lagrange-Euler e itli inin genel
ifadesi:
ÜÇ EKLEML SCARA T P ROBOT
D NAM d L L
- = i = 1,2, .. , n (1)
Dinamik Model dt q q i
M( ) C( , ) G ( ) FV ( ) FC (5) m2 m2
m3 a 22 2 m3 a1 a 2 S2 2
1 (7)
3 3
eklinde yaz labilir. Burada; M ( ) manipülatörün n×n
boyutlu eylemsizlik matrisi, C ( )n×1 boyutlu 3 m3 3 m3 g (8)
merkezkaç ve Coriolis vektörü, G ( ) n×1 boyutlu
Denklemlerde kullan lan uzuv kütle de erleri ve
yerçekimi kuvveti vektörü, Fv ( ) n×1 boyutlu viskoz
boyutlar :
sürtünme vektörü, FC n×1 Coulomb terimleri vektörü
m1=2kg m2=2kg
ve nx1 boyutlu (i = 1,2, , n) eklemlerine uygulanan
genelle tirilmi kuvvet veya moment vektörü [18-20]. m3=1 kg C2=cos( 2)
Bu çal mada kullan lan SCARA robot ekil 1'de a1=2m a2=1m
gösterilmi ve robotun Lagrange-Euler dinamik
l3=1m S2=sin( 2)
denklemleri 6, 7 ve 8 nolu denklemlerdeki gibi elde
edilmi tir; g=9.8m/s2
ile eklemlere uygulanacak tork de erleri saptanabilir.
d3 = 0,8t (11)
m1
1 m2 m 3 a 12 (m 2 2m 3 ) Zaman aral 0'dan 5 saniyeye kadar al nm ve 0.01
3
m2 art mlarla konum, h z ve ivme de erleri belirlenmi tir.
a1 a 2 C 2 m 3 a 22 1
3 Elde edilen bu veriler Lagrange-Euler dinamik
m2 m2 denklemlerinde yerine yaz ld nda ise tork de erleri
m 3 a1 a 2 C 2 m 3 a 22 2 (6)
3 3
elde edilmi tir. ekil 2'de konum, h z ve ivme grafikleri,
m2 2
a1 a 2 S2 (m 2 2m 3 ) 1 2 m3 2 ekil 3'de tork grafikleri verilmi tir.
3
G R LER
ÇIKI LAR
ekil 2. Eklemlerin Konum, H z ve vme Grafikleri
0
: Nöronlar
-10
: Ba lant lar
-20 : A rl klar
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
1
Tork degerleri
2. eklem için
0
ekil 4. YSA Modeli
-1
-2
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 Her nöronun birçok giri i areti olmas na kar n
-8
Tork degerleri
-9
ekil 5. Robot Modelleme çin bir YSA Çözümü Ger. veri Min. veri
(u(k): giri , y(k): ç k ve e(k): hata )
Nor. veri 0,9 0,1 0,1 (10)
Maks. veri Min. veri
ve ç k verileri kulland r lm , test a amas nda ise sadece YSA'nin test çikisi
0.5
görülmektedir.
ekil 9. 2. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri
Performans 9.95717e-011, Hedef MSE 1e-010
[N.m]
-9.799
-2
10 istenen tork degeri
-9.7992 YSA'nin test ç ikis i
3. eklemin test ve istenen tork degeri
-4 -9.7994
10
-9.7996
-6 -9.7998
10
-9.8
-8
10 Egitim esnasindaki -9.8002
MSE degeri
-9.8004
Hedef
-10
MSE 10
-9.8006
Degeri 0 10 20 30 40 50 60 70 80 90 100
V eri Say isi
0 50 100 150 200 250 300
316 Çevrim
ekil 10. 3. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri
0 2
1. eklemin test ve istenen tork degeri
0
-2
-2
-4
-4
1. eklem için
-6 -6
-8
-8
-10
-10 -12
-14
-12 0 10 20 30 40 50 60 70 80 90 100
0 10 20 30 40 50 60 70 80 90 100 V eri S ay is i
Veri Sayisi
ekil 8. 1. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork ekil 11. 1. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork
De erleri De erleri Aras ndaki Hata Grafi i
-4
[N.m] 4
x 10 birlikte verildi i ekil 8, 9 ve 10'da YSA'n n oldukça
3
ba ar l sonuçlar vererek istenen ç k lar oldukça küçük
test ve istenen tork arasindaki hata degeri
2
sapmalarla yakalad görülmektedir. Ayr ca hedeflenen
1
ç k lar ile YSA ç k lar aras ndaki hatalar ekil 11,12
0
ve 13'de görüldü ü üzere 1. tork ç k maksimum hata
-1
de eri -11.5×10 , minimum hata de eri 4.5×10-4, 2. tork
-4
2. eklem için
-2
çk maksimum hata de eri -4.2×10-4, minimum hata
de eri 2.9×10-4 ve 3. tork ç k maksimum hata de eri
-3
-8.5×10 , minimum hata de eri ise 4.4×10-4 olarak
-4
-4
hesaplanm t r.
-5
0 10 20 30 40 50 60 70 80 90 100
Veri Sayisi Sonuç olarak YSA hedeflenen ç k lar müsaade
ekil 12. 2. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork edilebilecek çok küçük sapmalarla ba ar l bir ekilde
De erleri Aras ndaki Hata Grafi i
yakalam ve iyi bir performans sergileyerek SCARA
robotun modellenmesi problemine oldukça iyi cevap
-4
x 10
[N.m] 5 vererek çözüm üretebilmi tir. Robotlarda serbestlik
derecesi artt kça dinamik denklemlerin elle yaz lmas
test ve istenen tork arasindaki hata degeri
Böylece yapay sinir a 316 çevrim sonucunda hedef Problem in Robotics by Neural Networks", Proceeding IEEE
olarak belirlenen MSE de erini yakalayarak e itimini Conference on Neural Networks, 617-624, 1988, San Diego.
4. Miyamoto, H., Kawato, M., Setoyama, T., and Suzuki, R.,
tamamlam t r.
"Feedback-Error-Learning Neural Network for Trajectory Con-
E itimi tamamlanan YSA'n n testi sonucunda elde trol of a Robotic Manipulator", IEEE Trans. Neural Networks
edilen ç k de erleri ve hedeflenen ç k de erlerinin 1, 251-265, 1988.
5. Kawato, M., Uno, Y., Isobe, M., and Suzuki, R., "Hierarchi- 17. Çal kan, M., ki Uzuvlu Bir Robot Kolunun Hesaplanm
cal Neural Network Model for Vol-Untary Movement with Moment Metoduyla Kontrolü, Yüksek Lisans Tezi, Sakarya
Application to Robotics", IEEE Control Systems Magazine 8, Üniversitesi, Fen Bilimleri Enstitüsü, 1996.
8-17, 1988. 18. Ed. Kreith, F., Mechanical Engineering Handbook, Lewis, F.L.,
6. Omedei, A., Legnani, G., Adamini, R., "Three Methodolo- Section 14 Robotics, CRC Press LLC, 1999.
gies for the Calibration of Industrial Manipulators: Experimen- 19. Er, M.J., Low, C.B., Nah, K.H., Lim, M.H., Ng, S.Y., "Real-
tal Results on a SCARA Robot", Journal of Robotic Systems, Time mplementation of a Dynamic Fuzzy Neural Networks
17(6), 291-307, 2000. Controller for a SCARA", Microprocessors and Microsystems,
7. Köker, R., Öz, C., Çakar, T., Ekiz, H., "A Study of Neural 26, 449-461, 2002.
Network Based Inverse Kinematics Solution for a Three-Joint 20. Wai, R-J., "Tracking Control Based on Neural Network Strat-
Robot", Robotics and Autonomous Systems, 49, 227-234, 2004. egy for Robot Manipulator", Neurocomputing, 51, 425-45, 2003.
8. Da , M. T., Dülger, L. C., "Mathematical Modelling, Simula- 21. E risö üt, A., Çimento Hammadde Kar m Prosesinin Yapay
tion and Experimental Verification of a Scara Robot", Simula- Sinir A lar ile Matematiksel Modellenmesi, Yüksek Lisans Tezi,
tion Modelling Practice and Theory, 13, 257-271, 2005. Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, 2002.
9. Wilhelmsen, K., Cotter N., "Neural Network Based Control- 22. Fletcher, R., Unconstrained Optimization, Practical Methods of
lers for a Single-Degree-of Freedom Robotic Arm", Interna- Optimization, 1, John Wiley & Sons, ISBN 0-471-27711-8, 1980.
tional Joint Conference on Neural Networks, 407-413, 1990. 23. Hagan, M.T., Demuth, H.B., Beale, M., Neural Network
10. Kosko, B., Neural Networks and Fuzzy Systems, a Dynamical Design, PWS Publishing Company, Boston, 1995.
Systems Approach to Machine Intelligence, Prentice-Hall In-
ternational Editions, Englewood Cliffs, N.J., ISBN 0-13-612334-
1, 1992.
11. Rabelo, L. C., Avula, X. J. R., "Hierarchical Neurocontroller
Architecture for Intelligent Robotic Manipulation", Proceed-
ing IEEE International Conference on Robotics and Automa-
tion, Sacramento, California, 2656-2661, 1991.
12. Fukuda, T., Shibata, T., Tokita, M., Mitsuoka, T., "Adapta-
tion and Learning for Robotic Manipulator by Neural Network",
Proceeding of 29th IEEE Conference on Decision and Control,
6, 3283-3288, 1990.
13. Liu, H., Iberall, T., Bekey, G. A., "Neural Network Architec-
ture for Robot Hand Control", IEEE Control Systems Maga-
zine, 9(3), 38-43, 1989.
14. Karakasoglu, A., Sundareshan, M. K., "Decentralized Vari-
able Structure Control of Robotic Manipulators, Neural Com-
putational Algorithm", Proceeding of 29th Conference on De-
cision and Control, 3258-3259, December, 1990.
15. Smagt, P. P., Krose, B. J. A., "A Real-time Learning Neural
Robot Controller", Proceeding of International Conference on
Neural Networks, Espoo, Finland, 351-356, 1991.
16. Tsutsumi, K., Matsumoto, H., "Neural Computation and
Learning Strategy for Manipulator Position Control", Proceeding
of the IEEE First Annual International Conference on Neural
Networks, 4, 525-534, 1987.