You are on page 1of 8

makale

SCARA ROBOT D NAM N N YAPAY S N R A LARI


KULLANARAK MODELLENMES

Aysun E R SÖ ÜT T RYAK ,
GR
Recep KAZAN *

nsan beynindeki çal ma sisteminin yapay olarak benzetimi


Üretim kapasitesi ve verimlili in art r lmas , belirli çal malar n n sonucu ortaya ç kan yapay sinir a lar (YSA), klasik
standartlarda ve hassasiyette ürün elde edilmesi, i gücü
tasarrufu vb. gereksinimler nedeniyle birçok alanda de i ik tekniklerle çözümü zor, karma k ve do rusal olmayan
robotlar kullan lmaktad r. Bu çal mada üç eklemli bir
SCARA robotu ele al nm ve dinami i yapay sinir a lar problemlerin çözümünde etkin bir yoldur. YSA'n n pratik kullan m
(YSA) ile modellenmi tir. Robotun Lagrange-Euler dinamik
denklemleri ç kar lm t r. Modellenecek olan SCARA robot genellikle, çok farkl yap da ve formlarda bulunabilen verileri h zl bir
kolu, kübik yörüngelerle ifade edilen iki dönme ve do rusal
yörüngeye sahip bir öteleme hareketi yapmaktad r. Belirlenen ekilde tan mlama ve alg lama üzerinedir [1].
zaman aral ndaki s n r artlar kullan larak kübik ve
do rusal yörüngelerin katsay lar elde edilmi ve bu sayede YSA'lar n do rusal olmayan haritalama veya fonksiyon yak nsama
konum, h z ve ivme denklemlerine ula lm t r. Verilen zaman
aral klar ndaki konum, h z ve ivme de erleri YSA'na giri , özelli i, robot dinamik çözümleri için oldukça uygundur. SCARA
tork de erleri ise ç k olarak verilmi tir. Böylece YSA'n n
dokuz giri , üç ç k nöronu bulunmaktad r. Bu çal mada robotunun da içinde bulundu u farkl robot tipleri üzerinde YSA'lar
çok katmanl ileri beslemeli geri yay l m a ve transfer
fonksiyonu olarak da logaritmik sigmoid fonksiyonu
çok kez uygulanm t r.
kullan lm t r. Geri yay l m a , e itim fonksiyonu olarak
Levenberg-Marquardt optimizasyon yöntemine göre a rl k SCARA tipi robotlar insan kolunu model alan, özellikle kesme,
ve bias de erlerini güncellemi tir. Hedeflenen MSE (ortalama
hatalar n karesi) de erine ula larak YSA'n n e itimi
yükleme, montaj ve üretim hatlar gibi süreklili i gerektiren ortamlarda
tamamlanm ve çevrim say s na göre MSE de erlerinin kullan lan küçük endüstriyel robotlard r. SCARA sözcü ü dilimize
görülebildi i performans grafi i verilmi tir.

Anahtar sözcükler: SCARA robot, Robot dinami i, Yapay


'Seçici Serbest Esnemeli Robot Kolu' (Selectively Compliant Articulated
sinir a lar . Robot Arm) olarak çevrilmektedir [2]. 1970'den sonra Japon
Robot manipulators are used in various fields to enhance the
Endüstriyel Konsorsiyumu ve bir grup ara t rmac taraf ndan
production capacity and effiency to produce products in par-
ticular standards and to law disposal the manpower for dif-
Japonya'da Yamanashi Üniversitesi'nde geli tirilmi olup, montaj
ferent requirements. In this study three jointed SCARA robot hatlar nda al p-yerle tirme, kaynak, boya gibi i lemleri yapmas
is considered and modeled by using artificial neural network
(ANN). Lagrange-Euler dynamic equations of robot are ob- amaçlanm t r. Oldukça yüksek h za ve en iyi tekrarlama kabiliyetine
tained. The modeled SCARA robot manipulator has two ro-
tary and one linear motion. The rotary motion is defined by sahip olan SCARA robot hem dönel hem de silindirik koordinatlara
cubic trajectory and the linear motion has linear trajectory.
The cubic and linear trajectory coefficients are acquired by kar l k gelen yatay düzlemde çal r, buna kar n dü ey düzlemde kat d r,
using the boundary conditions in a particular time period
and thus position, velocity and acceleration equations are esnemez.
also carried out. Position, velocity and acceleration values
are introduced to ANN as input and torque values are ob- YSA'n n robotlarda kullan m ile ilgili farkl içerikte çal malar
tained as output in a particular time period. In this manner
ANN has nine input and three output neurons. In this study, a gözlenmi tir. Guez ve Ahmad [3] robotlarda kinematik ve ters
multi-layer feed forward backpropagation network and loga-
rithmic sigmoid function as a transfer function are used.
kinemati in hesaplanmas için bir sinir a kullanm t r. Miyamoto ve
Backpropagation network updates weight and bias values by ark. [4] bir endüstriyel robotun yörünge kontrolü için ters dinamik
considering train function as Levenberg-Marquardt optimi-
zation method. By attaining the proposed MSE values, ANN's modelini olu turma ve geri besleme döngüsünde, Kawato ve ark. [5]
train is completed and performance graphic is obtained. This
graphics show MSE values connected with epochs. da dinamik kontrol için bir kontrolör olarak yapay sinir a lar n
Keywords: Scara, robot, Robot dynamics, Artificial neural kullanm t r. Chan yapay sinir a lar n belirsizlik ve nonlineerlik için bir
network.
dengeleyici ve tan lama için bir araç olarak kullanm t r. Omedei ve
ark. [6] endüstriyel robotlar n tan lanmas n içeren farkl algoritmalar
*
Sakarya Üniversitesi, Mühendislik Fakültesi, Makina
Mühendisli i Bölümü üzerinde çal p, SCARA IBM 7535 robotta denemi tir. Köker ve ark.

38 Mühendis ve Makina - Cilt: 46 Say : 550


m akale

[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

Bir robot kolun dinamik modeli, robot kolun dinamik


L=K-P (2)
davran lar n belirleyen hareket denklemlerinden olu ur.
Bu denklemlerin bilgisayar yard m ile çözümü robot ve denklemleri ile ifade edilir. Burada;
robot kontrol tasar m aç s ndan büyük kolayl k sa lar. L = Lagrange fonksiyonu
Robot kolunun dinamik analizi, eklemlere tahrik elemanlar
K = Robot kolunun toplam kinetik enerjisi
taraf ndan uygulanan moment veya kuvvet büyüklükleri
ile robot kolunun zamana göre konumu, h z ve ivmesi 1 3 1 3
aras ndaki ili kilerin incelenmesi demektir. Böyle bir analiz
K m i v i2 Ii 2
i (3)
2i1 2i1
için, robot kolun dinamik davran lar n tan mlayan lineer
olmayan diferansiyel denklem tak mlar n n elde edilmesi P = Robot kolunun toplam potansiyel enerjisi
ve çözülmesi gerekmektedir.
P mi g d i (4)
Dinamik problem düz dinamik (forward dynamics)
ve ters dinamik (inverse dynamics) olmak üzere ikiye qi = Robot kolunun genelle tirilmi koordinatlar
ayr lmaktad r. Düz dinamik problem, herhangi bir t an nda (Döner eklemlerde i
ve kayar eklemlerde di olarak
istenen kuvvet ve momentler verildi inde robot kolunun al n r.)

Mühendis ve Makina - Cilt: 46 Say : 550 39


makale

= Sisteme uygulanan genelle tirilmi moment veya


i m2 m2
kuvvet 2 m3 a1 a 2 C2 m3 a 22 1
3 3
Dinamik denklemler matris formunda;

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.

Scara Robotun Eklem Yörüngelerinin Belirlenmesi


Modellenen SCARA robot kolu iki dönme ve bir
öteleme hareketi yapmaktad r. Bu yüzden dönme
hareketleri denk. 9 ve 10'da verilen kübik yörüngeler ile
öteleme hareketi ise denk. 11'de verilen do rusal yörünge
ile ifade edilmi tir.

1 = (-2 /375)t3 + ( /25)t2 (9)

2 = (- /375)t3 + ( /50)t2 (10)


ekil 1. Üç Eklemli SCARA Robot

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

40 Mühendis ve Makina - Cilt: 46 Say : 550


m akale

fiziksel metalurji, otomotiv, savunma ve


telekomünikasyon gibi birçok mühendislik alan nda
ba ar l sonuçlar veren YSA, paralel çal abilmesi ve
ö renebilmesi ile insan beyninin çal mas na benzeyen
özellikleri ta r [21].

G R LER

ÇIKI LAR
ekil 2. Eklemlerin Konum, H z ve vme Grafikleri

Giri Katman Gizli Ç k Katman


[N.m]
10
Katman
Tork degerleri
1. eklem için

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

tek bir ç k i areti vard r ve bu di er nöronlara giri


3. eklem için

-9

-10 olu turmak üzere birçok yola da l r. Her bir nöron


-11
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
[s]
5 yerel bir belle e sahiptir ve burada uyarlanan
Zaman

katsay lar n önceki hesaplamalar ile belirlenen


ekil 3. Eklemlerin Tork Grafikleri de erleri saklan r. Her ba lant n n da bir a rl vard r
ve bu a rl k bir nöronun di eri üzerindeki etkisini
gösterir. Toplama fonksiyonu, bir nörona gelen net
YAPAY S N R A LARI
girdiyi hesaplayan bir fonksiyondur. Net girdi gelen
YSA paralel da t lm bir bilgi i leme sistemi olmak bilgilerin ilgili ba lant lar n a rl klar ile çarp l p
üzere tek yönlü i aret kanallar (ba lant lar) ile birbirine toplanmas sonucunda belirlenir. E ik fonksiyonu ise
ba lanan nöronlardan (i lem eleman ) olu ur. ekil 4'de toplama fonksiyonu taraf ndan belirlenen net girdiyi
yapay sinir a n n yap s görülmektedir. Son derece alarak nöronun ç k n belirleyen fonksiyondur.
karma k bir içyap ya sahip olan YSA çevre artlar na Nöronun ç k ünitesi ç k fonksiyonunun üretti i
göre davran lar n ekillendirebilir, e itimi esnas nda i areti di er nöronlara veya d dünyaya aktarma
giri ler ve istenen ç k lar n sisteme verilmesi ile kendisini i levini yapar [1].
farkl cevaplar verebilecek ekilde ayarlayabilir. Son YSA ile robot modellemeye ait diyagram ekil 5'de
y llarda elektronik, üretim, robotik, malzeme bilimi ve görülmektedir.

Mühendis ve Makina - Cilt: 46 Say : 550 41


makale

Sistemin yap lan matematiksel i lemler sonucu elde


edilen toplam 500 adet giri -ç k vektörü bulunmaktad r.
Sistemin giri ve ç k lar n n say sal de erlerinden olu an
veri seti 0,1-0,9 aras nda olmak üzere normalize edilmi tir.
Çünkü giri -ç k de erleri, kullan lan Log-sigmoid
transfer fonksiyonunun s n rlar aras nda olmal d r.
Normalize ederken a a daki formül dikkate al nm t r:

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

YSA LE MODELLEME Olu turulan geri yay l m a (backpropagation


network) e itim fonksiyonunun a rl k ve bias de erlerini
Bu çal mada ileri beslemeli geri yay l m a ve ö renme güncelle tirmek için Levenberg-Marquardt optimizasyonu
stratejisi olarak da e iticili ö renme kullan lm t r. Gizli kullan lm t r. Levenberg-Marquardt metodu son y llarda
katmanda ve ç k katman nda transfer fonksiyonu olarak kullan lan en popüler algoritmalardan birisidir. Temelde
Log-sigmoid al nm t r. Log-sigmoid fonksiyonu ekil bu algoritma maksimum kom uluk fikri üzerine kurulan
6'da gösterilmi tir. SCARA robotun YSA ile modellenmesi en küçük kareler tahmin metodudur. Levenberg-
için MATLAB 6.5 Neural Network Toolbox' Marquardt metodu Gauss-Newton tekni inin ve Steepest-
kullan lm t r. descent metodunun en iyi özelliklerini birle tirir ve bu
algoritmalar n s n rlamalar n n ço undan kaç n r [22].
Genellikle h zl bir yak nsama yapar.
Yapay sinir a n n e itimi için performans ölçütü olarak
hatalar n kareleri ortalamas n kullanan Levenberg-
Marquardt algoritmas çok uygundur [23]. Verilen giri lere
kar l k YSA'n n buldu u ç k lar ile hedef (istenen) ç k
kar la t r l r. Network ç k ve hedef ç k aras ndaki fark
hata olarak hesaplan r. Bu hatan n toplam n n ortalamas
minimize edilmek istenir. Bu minimize edilmek istenen
de er MSE (Mean Squared Error) olarak tan mlan r ve
ekil 6. Log-Sigmoid Transfer Fonksiyonu
a performans n belirler. MSE a a daki gibi formülize
edilir:
YSA'n n giri katman ndaki giri nöronlar n n say s n
sistemin (problemin) giri lerinin say s , ç k katman ndaki 1 Q 1 Q
MSE e( k ) 2 ( t (k ) y(k )) 2 (13)
ç k nöronlar n n say s n da sistemin ç k lar n n say s Qk 1 Qk 1
belirlemektedir. Sistemin giri leri her bir eklem hareketi
e(k): Hedef ve YSA ç k lar aras ndaki hata
için elde edilen konum, h z ve ivme de erleri, ç k lar ise
Lagrange-Euler dinamik denklemleri sonucu bulunan tork t(k): Hedef ç k
de erleri olarak al nm t r. Buna göre olu turulan YSA'n n y(k): YSA ç k
giri nöron say s 9 iken ç k nöron say s 3 olmaktad r. YSA modeli olu turmak için, normalize edilen giri -
Gizli katmanda ise 16 adet nöron kullan lm t r. ç k verilerinin 400 adedi a n e itiminde, 100 adedi de

42 Mühendis ve Makina - Cilt: 46 Say : 550


m akale

a n testinde kullan lm t r. E itim a amas nda a a giri [N.m] 1


istenen tork degeri

ve ç k verileri kulland r lm , test a amas nda ise sadece YSA'nin test çikisi

0.5

2. eklemin test ve istenen tork degeri


giri verileri verilmek suretiyle a ç k elde edilmi tir.
Test edilirken giri vektörüne kar l k gelen ç k vektörü, 0

YSA'n n genelle tirme yetene i sayesinde hedef (istenen)


-0.5
ç k de erlerine oldukça yak n olarak bulunmu tur.
YSA'n n e itimi esnas nda hesaplanan MSE -1

de erlerinin bulundu u Neural Network Toolbox'


-1.5
0 10 20 30 40 50 60 70 80 90 100
taraf ndan çizilen performans grafi i ekil 7'de V eri Say isi

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

ekil 7. YSA n n Performans Grafi i Ayr ca hedeflenen ç k de erleri ve YSA'n n testi


sonucunda elde edilen ç k de erleri aras ndaki hata
E itimi tamamlanan YSA'n n testi sonucunda elde grafikleri s ras yla ekil 11, ekil 12 ve ekil 13'de
edilen ç k de erleri ve hedeflenen ç k de erlerinin verilmi tir. Hata de erleri a a daki ekilde elde edilmi tir:
birlikte verildi i grafikler ekil 8, ekil 9 ve ekil 10'da
Hata = Hedeflenen ç k - YSA ç k
görülmektedir.
-4
x 10
[N. m ] 6
[N.m] 2
istenen tork degeri 4
YSA'nin test çikisi
test ve istenen tork arasindaki hata degeri

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

Mühendis ve Makina - Cilt: 46 Say : 550 43


makale

-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

çok karma k bir hale gelmektedir. Robot kontrolü


0 uygulamalar nda dinamik modelin kullan lmas gerekti i
durumlarda, bu çal madan elde edilen model, hatalar n
az olmas ndan dolay rahatl kla kullan labilir. stendi i
3. eklem için

-5 takdirde bu modele uygun bir kontrol algoritmas n n


da seçilmesi ile SCARA robotun kontrolü
gerçekle tirilebilir.
-10
0 10 20 30 40 50 60 70 80 90 100
Veri Sayisi KAYNAKÇA
ekil 13. 3. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork 1. E risö üt, A., Kazan, R., "Çimento Hammadde Kar m
De erleri Aras ndaki Hata Grafi i
Prosesinin Yapay Sinir A lar ile Matematiksel Modellenmesi",
Makina Tasar m ve malat Teknolojileri Kongresi, 21-28, 2-3
SONUÇ Kas m 2001, Konya, Türkiye.
2. Da , M.T., Dülger, L.C., "SCARA Tipi Robotun
E itim esnas nda elde edilen performans grafi inde
Programlanabilir Mant k Denetleyicisiyle (PLC) K smi Hareket
de görüldü ü gibi hedeflenen MSE de eri 10-10 olarak Denetimi", 11. Ulusal Makina Teorisi Sempozyumu, 129-136,
verilmi ve e itim sonucunda bulunan MSE de eri hedefe 4-6 Eylül 2003, Ankara, Türkiye.
-11
oldukça yakla arak 9.95717×10 olarak bulunmu tur. 3. Guez, A. and Ahmad, Z., "Solution to the nverse Kinematics

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.

44 Mühendis ve Makina - Cilt: 46 Say : 550


m akale

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.

Mühendis ve Makina - Cilt: 46 Say : 550 45

You might also like