makale

SCARA ROBOT D NAM N N YAPAY S N R A LARI KULLANARAK MODELLENMES
Aysun E R SÖ ÜT T RYAK , Recep KAZAN *

GR
nsan beynindeki çal ma sisteminin yapay olarak benzetimi

Üretim kapasitesi ve verimlili in art r lmas , belirli standartlarda ve hassasiyette ürün elde edilmesi, i gücü tasarrufu vb. gereksinimler nedeniyle birçok alanda de i ik robotlar kullan lmaktad r. Bu çal mada üç eklemli bir SCARA robotu ele al nm ve dinami i yapay sinir a lar (YSA) ile modellenmi tir. Robotun Lagrange-Euler dinamik denklemleri ç kar lm t r. Modellenecek olan SCARA robot kolu, kübik yörüngelerle ifade edilen iki dönme ve do rusal yörüngeye sahip bir öteleme hareketi yapmaktad r. Belirlenen zaman aral ndaki s n r artlar kullan larak kübik ve do rusal yörüngelerin katsay lar elde edilmi ve bu sayede 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 , tork de erleri ise ç k olarak verilmi tir. Böylece YSA'n n dokuz giri , üç ç k nöronu bulunmaktad r. Bu çal mada çok katmanl ileri beslemeli geri yay l m a ve transfer fonksiyonu olarak da logaritmik sigmoid fonksiyonu kullan lm t r. Geri yay l m a , e itim fonksiyonu olarak Levenberg-Marquardt optimizasyon yöntemine göre a rl k ve bias de erlerini güncellemi tir. Hedeflenen MSE (ortalama hatalar n karesi) de erine ula larak YSA'n n e itimi tamamlanm ve çevrim say s na göre MSE de erlerinin görülebildi i performans grafi i verilmi tir. Anahtar sözcükler: SCARA robot, Robot dinami i, Yapay sinir a lar . Robot manipulators are used in various fields to enhance the production capacity and effiency to produce products in particular standards and to law disposal the manpower for different requirements. In this study three jointed SCARA robot is considered and modeled by using artificial neural network (ANN). Lagrange-Euler dynamic equations of robot are obtained. The modeled SCARA robot manipulator has two rotary and one linear motion. The rotary motion is defined by cubic trajectory and the linear motion has linear trajectory. The cubic and linear trajectory coefficients are acquired by using the boundary conditions in a particular time period and thus position, velocity and acceleration equations are also carried out. Position, velocity and acceleration values are introduced to ANN as input and torque values are obtained as output in a particular time period. In this manner ANN has nine input and three output neurons. In this study, a multi-layer feed forward backpropagation network and logarithmic sigmoid function as a transfer function are used. Backpropagation network updates weight and bias values by considering train function as Levenberg-Marquardt optimization method. By attaining the proposed MSE values, ANN's train is completed and performance graphic is obtained. This graphics show MSE values connected with epochs. Keywords: Scara, robot, Robot dynamics, Artificial neural network.

çal malar n n sonucu ortaya ç kan yapay sinir a lar (YSA), klasik tekniklerle çözümü zor, karma k ve do rusal olmayan problemlerin çözümünde etkin bir yoldur. YSA'n n pratik kullan m genellikle, çok farkl yap da ve formlarda bulunabilen verileri h zl bir ekilde tan mlama ve alg lama üzerinedir [1]. YSA'lar n do rusal olmayan haritalama veya fonksiyon yak nsama özelli i, robot dinamik çözümleri için oldukça uygundur. SCARA robotunun da içinde bulundu u farkl robot tipleri üzerinde YSA'lar çok kez uygulanm t r. SCARA tipi robotlar insan kolunu model alan, özellikle kesme, yükleme, montaj ve üretim hatlar gibi süreklili i gerektiren ortamlarda kullan lan küçük endüstriyel robotlard r. SCARA sözcü ü dilimize 'Seçici Serbest Esnemeli Robot Kolu' (Selectively Compliant Articulated Robot Arm) olarak çevrilmektedir [2]. 1970'den sonra Japon Endüstriyel Konsorsiyumu ve bir grup ara t rmac taraf ndan Japonya'da Yamanashi Üniversitesi'nde geli tirilmi olup, montaj hatlar nda al p-yerle tirme, kaynak, boya gibi i lemleri yapmas amaçlanm t r. Oldukça yüksek h za ve en iyi tekrarlama kabiliyetine sahip olan SCARA robot hem dönel hem de silindirik koordinatlara kar l k gelen yatay düzlemde çal r, buna kar n dü ey düzlemde kat d r, esnemez. YSA'n n robotlarda kullan m ile ilgili farkl içerikte çal malar gözlenmi tir. Guez ve Ahmad [3] robotlarda kinematik ve ters kinemati in hesaplanmas için bir sinir a kullanm t r. Miyamoto ve ark. [4] bir endüstriyel robotun yörünge kontrolü için ters dinamik modelini olu turma ve geri besleme döngüsünde, Kawato ve ark. [5] da dinamik kontrol için bir kontrolör olarak yapay sinir a lar n kullanm t r. Chan yapay sinir a lar n belirsizlik ve nonlineerlik için bir dengeleyici ve tan lama için bir araç olarak kullanm t r. Omedei ve ark. [6] endüstriyel robotlar n tan lanmas n içeren farkl algoritmalar üzerinde çal p, SCARA IBM 7535 robotta denemi tir. Köker ve ark.
Mühendis ve Makina - Cilt: 46 Say : 550

*

Sakarya Üniversitesi, Mühendislik Fakültesi, Makina Mühendisli i Bölümü

38

robot kolun dinamik davran lar n belirleyen hareket denklemlerinden olu ur. Bu çal mada ise üç eklemli bir SCARA robotu ele al nm ve robot dinami i YSA'n n kullan m ile modellenmi tir. Da ve ark. 4. k s mda ise simülasyon sonuçlar yorumlanm t r. robot kolun dinamik davran lar n tan mlayan lineer olmayan diferansiyel denklem tak mlar n n elde edilmesi ve çözülmesi gerekmektedir. Karakaso lu ve Sundareshan [14] çok dereceli robot elin kontrolü ve tasar m . Newton-Euler (N-E). k sm nda üç eklemli SCARA tipi robot dinami i ve 3. h z ve ivmesi aras ndaki ili kilerin incelenmesi demektir.m akale [7] üç eklemli bir robot için ters kinematik çözüme dayanan yapay sinir a tasarlam t r. Böyle bir analiz için.2. Rabelo ve Avula [11]. Çal man n 2. iyi planlanm bir yap ya sahip ve ç kar lmas N-E yakla m ndakinden daha basit ve sistematik olan L-E yakla m ile elde edilmi denklemler kullan lacakt r. üç farkl sinir a yap s kullan larak lineer olmayan robot kontrolü. robot kolunun istenen bir konum ve yönlenmeye gelmesi için (genelle tirilmi koordinatlar. Robot kolunun dinamik analizi. Burada. Dinamik problem düz dinamik (forward dynamics) ve ters dinamik (inverse dynamics) olmak üzere ikiye ayr lmaktad r. [12]. Kosko [10] hiyerar ik YSA'lar ile ters Jacobian kontrolü. Bunlar Lagrange-Euler (L-E). Smagt ve Krose [15] sensör bilgilerinin ters dinami e direk geçi inin sa lanmas nda. Wilhelmsen ve Cotter [9]. Bu yöntemlerden en çok kullan lanlar L-E ve N-E yakla mlar d r. Bu çal mada robot kolun dinamik modelinin ç kar lmas nda. a n e itim performans ve test sonuçlar verilmi tir. Tsutsumi ve Matsumoto [16] robot pozisyon kontrolü üzerine çal m lard r. . Bu yakla m sistemin içerdi i toplam i ve enerji ile ifade edilir. [13]. Liu ve ark. Ters dinamik problem ise. . bunlar n birinci (h z) ve ikinci (ivme) türevleri verildi inde) gerekli olan kuvvet ve momentlerin hesaplanmas d r [17]. [8] SCARA robotu matematiksel olarak modellemi . eklem h z ve ivmelerini bulma problemidir. simülasyon yapm ve deneysel olarak do rulam t r. eklemlere tahrik elemanlar taraf ndan uygulanan moment veya kuvvet büyüklükleri ile robot kolunun zamana göre konumu. 5.Cilt: 46 Say : 550 39 . Lagrange-Euler e itli inin genel ifadesi: ÜÇ EKLEML SCARA T P ROBOT D NAM Dinamik Model Bir robot kolun dinamik modeli. alaca konum ve yönlenme için gerekli olan genelle tirilmi koordinatlar . Robot kolunun dinamik denklemlerini elde etmek için bilinen birçok metot vard r. Bu denklemlerin bilgisayar yard m ile çözümü robot ve robot kontrol tasar m aç s ndan büyük kolayl k sa lar. k sm nda YSA genel hatlar yla tan t lm t r. n (1) (2) denklemleri ile ifade edilir. k s mda tasarlanan YSA mimarisi.. Genelle tirilmi D'Alambert (G-D) prensibi gibi yakla mlard r. Fukuda ve ark. Recursive Lagrange (R-L). L = Lagrange fonksiyonu K = Robot kolunun toplam kinetik enerjisi K 1 3 m i v i2 2i1 1 3 Ii 2i1 2 i (3) P = Robot kolunun toplam potansiyel enerjisi P mi g d i (Döner eklemlerde al n r. herhangi bir t an nda istenen kuvvet ve momentler verildi inde robot kolunun d dt L=K-P L q - L = q i i = 1.) (4) qi = Robot kolunun genelle tirilmi koordinatlar i ve kayar eklemlerde di olarak Mühendis ve Makina . Düz dinamik problem. Bu konudaki di er uygulamalar ise.

Denklemlerde kullan lan uzuv kütle de erleri ve boyutlar : m1=2kg m3=1 kg a1=2m l3=1m g=9. n) eklemlerine uygulanan genelle tirilmi kuvvet veya moment vektörü [18-20]./375)t3 + ( /50)t2 (9) (10) (11) ekil 1. ekil 3'de tork grafikleri verilmi tir. 1 Elde edilen bu veriler Lagrange-Euler dinamik m 3 a1 a 2 C 2 2m 3 ) m2 3 1 2 m3 a 2 2 m2 3 m3 2 (6) 2 2 denklemlerinde yerine yaz ld nda ise tork de erleri elde edilmi tir. Üç Eklemli SCARA Robot 2 d3 = 0. m2 m3 a1 a 2 C2 3 m2 3 m3 a 2 2 m2 3 m2 m3 a 2 2 3 m3 a1 a 2 S2 2 1 1 M( ) C( . Burada. ) G ( ) FV ( ) FC (5) 2 (7) (8) eklinde yaz labilir.8m/s2 ile eklemlere uygulanacak tork de erleri saptanabilir. . m2=2kg C2=cos( 2) a2=1m S2=sin( 2) Scara Robotun Eklem Yörüngelerinin Belirlenmesi Modellenen SCARA robot kolu iki dönme ve bir öteleme hareketi yapmaktad r.makale = Sisteme uygulanan genelle tirilmi moment veya 2 i kuvvet Dinamik denklemler matris formunda.01 a1 a 2 C 2 m2 3 m3 a 2 2 art mlarla konum.2. ekil 2'de konum. Fv ( ) n×1 boyutlu viskoz sürtünme vektörü. 9 ve 10'da verilen kübik yörüngeler ile öteleme hareketi ise denk. FC n×1 Coulomb terimleri vektörü ve nx1 boyutlu (i = 1.8t 1 m1 3 m2 m2 3 2 m 3 a1 (m 2 2m 3 ) Zaman aral 0'dan 5 saniyeye kadar al nm ve 0. M ( ) manipülatörün n×n boyutlu eylemsizlik matrisi. Bu yüzden dönme hareketleri denk. 11'de verilen do rusal yörünge ile ifade edilmi tir.Cilt: 46 Say : 550 . Bu çal mada kullan lan SCARA robot ekil 1'de gösterilmi ve robotun Lagrange-Euler dinamik denklemleri 6. G ( ) n×1 boyutlu yerçekimi kuvveti vektörü. a1 a 2 S2 (m 2 40 Mühendis ve Makina . C ( )n×1 boyutlu 3 m3 3 m3 g merkezkaç ve Coriolis vektörü. h z ve ivme de erleri belirlenmi tir. 1 = (-2 /375)t3 + ( /25)t2 = (. h z ve ivme grafikleri. 7 ve 8 nolu denklemlerdeki gibi elde edilmi tir.

m akale fiziksel metalurji. H z ve vme Grafikleri Giri Katman [N. otomotiv. 41 ÇIKI LAR .5 1 1. malzeme bilimi ve Mühendis ve Makina .5 1 1. Son derece karma k bir içyap ya sahip olan YSA çevre artlar na göre davran lar n ekillendirebilir.5 3 3. G R LER ekil 2.5 5 0 0.5 [s] 5 0 0. savunma ve telekomünikasyon gibi birçok mühendislik alan nda ba ar l sonuçlar veren YSA.5 2 2.5 4 4. Toplama fonksiyonu.5 2 2. Her bir nöron yerel bir belle e sahiptir ve burada uyarlanan katsay lar n önceki hesaplamalar ile belirlenen de erleri saklan r. eklem için Tork degerleri -9 -10 -11 0 0.5 3 3. paralel çal abilmesi ve ö renebilmesi ile insan beyninin çal mas na benzeyen özellikleri ta r [21].5 5 Gizli Katman Ç k Katman : Nöronlar : Ba lant lar : A rl klar ekil 4. e itimi esnas nda giri ler ve istenen ç k lar n sisteme verilmesi ile kendisini farkl cevaplar verebilecek ekilde ayarlayabilir.5 Zaman 3 3. üretim. ekil 4'de yapay sinir a n n yap s görülmektedir. Eklemlerin Konum. Her ba lant n n da bir a rl vard r ekil 3. E ik fonksiyonu ise toplama fonksiyonu taraf ndan belirlenen net girdiyi alarak nöronun ç k Nöronun ç k n belirleyen fonksiyondur. YSA Modeli Her nöronun birçok giri i areti olmas na kar n tek bir ç k i areti vard r ve bu di er nöronlara giri olu turmak üzere birçok yola da l r. eklem için Tork degerleri 1 0 -1 -2 -8 3. fonksiyonunun üretti i dünyaya aktarma ünitesi ç k i areti di er nöronlara veya d i levini yapar [1]. Eklemlerin Tork Grafikleri ve bu a rl k bir nöronun di eri üzerindeki etkisini YAPAY S N R A LARI YSA paralel da t lm bir bilgi i leme sistemi olmak üzere tek yönlü i aret kanallar (ba lant lar) ile birbirine ba lanan nöronlardan (i lem eleman ) olu ur. bir nörona gelen net girdiyi hesaplayan bir fonksiyondur. eklem için Tork degerleri 10 0 -10 -20 2. Net girdi gelen bilgilerin ilgili ba lant lar n a rl klar ile çarp l p toplanmas sonucunda belirlenir. Son y llarda elektronik.5 4 4.m] 1.5 1 1. robotik.5 2 2.5 4 4.Cilt: 46 Say : 550 gösterir. YSA ile robot modellemeye ait diyagram ekil 5'de görülmektedir.

SCARA robotun YSA ile modellenmesi için MATLAB 6. h z ve ivme de erleri.makale Sistemin yap lan matematiksel i lemler sonucu elde edilen toplam 500 adet giri -ç k vektörü bulunmaktad r. MSE 1 Q e( k ) 2 Qk 1 1 Q ( t (k ) y(k )) 2 Qk 1 (13) e(k): Hedef ve YSA ç k lar aras ndaki hata t(k): Hedef ç k y(k): YSA ç k YSA modeli olu turmak için. kullan lan Log-sigmoid transfer fonksiyonunun s n rlar aras nda olmal d r. Robot Modelleme çin bir YSA Çözümü (u(k): giri . Olu turulan geri yay l m a (backpropagation network) e itim fonksiyonunun a rl k ve bias de erlerini güncelle tirmek için Levenberg-Marquardt optimizasyonu kullan lm t r. Gizli katmanda ise 16 adet nöron kullan lm t r. veri Min. ç k lar ise Lagrange-Euler dinamik denklemleri sonucu bulunan tork de erleri olarak al nm t r. Levenberg-Marquardt metodu son y llarda kullan lan en popüler algoritmalardan birisidir. Gizli katmanda ve ç k katman nda transfer fonksiyonu olarak Log-sigmoid al nm t r. LevenbergMarquardt metodu Gauss-Newton tekni inin ve Steepestdescent metodunun en iyi özelliklerini birle tirir ve bu algoritmalar n s n rlamalar n n ço undan kaç n r [22]. veri 0. Log-sigmoid fonksiyonu ekil 6'da gösterilmi tir. Bu minimize edilmek istenen de er MSE (Mean Squared Error) olarak tan mlan r ve a performans n belirler. 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. Sistemin giri ve ç k lar n n say sal de erlerinden olu an veri seti 0.5 Neural Network Toolbox' kullan lm t r.1 Maks. Normalize ederken a a daki formül dikkate al nm t r: ekil 5. Çünkü giri -ç k de erleri. normalize edilen giri ç k verilerinin 400 adedi a n e itiminde. Sistemin giri leri her bir eklem hareketi için elde edilen konum. 100 adedi de Mühendis ve Makina . veri Ger. MSE a a daki gibi formülize edilir: ekil 6. veri Min. Buna göre olu turulan YSA'n n giri nöron say s 9 iken ç k nöron say s 3 olmaktad r. Log-Sigmoid Transfer Fonksiyonu YSA'n n giri katman ndaki giri nöronlar n n say s n sistemin (problemin) giri lerinin say s . Bu hatan n toplam n n ortalamas minimize edilmek istenir.1 (10) YSA LE MODELLEME Bu çal mada ileri beslemeli geri yay l m a ve ö renme stratejisi olarak da e iticili ö renme kullan lm t r. Network ç k ve hedef ç k aras ndaki fark hata olarak hesaplan r.9 0.Cilt: 46 Say : 550 42 .9 aras nda olmak üzere normalize edilmi tir. Yapay sinir a n n e itimi için performans ölçütü olarak hatalar n kareleri ortalamas n kullanan LevenbergMarquardt algoritmas çok uygundur [23]. y(k): ç k ve e(k): hata ) Nor.1-0. Genellikle h zl bir yak nsama yapar. ç k katman ndaki ç k nöronlar n n say s n da sistemin ç k lar n n say s belirlemektedir. veri 0. Temelde bu algoritma maksimum kom uluk fikri üzerine kurulan en küçük kareler tahmin metodudur.

Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri Performans 9. YSA'n n genelle tirme yetene i sayesinde hedef (istenen) ç k de erlerine oldukça yak n olarak bulunmu tur.7992 3.799 -2 10 -9. ekil 9 ve ekil 10'da görülmektedir. E itim a amas nda a a giri ve ç k verileri kulland r lm . [N. eklem için test ve istenen tork arasindaki hata degeri 2 0 -2 -4 -6 -8 -10 -12 -14 x 10 -4 0 1.5 -1 taraf ndan çizilen performans grafi i görülmektedir. YSA'n n e itimi esnas nda hesaplanan MSE de erlerinin bulundu u Neural Network Toolbox' -1. eklemin test ve istenen tork degeri -9.m akale a n testinde kullan lm t r. eklemin test ve istenen tork degeri -2 -4 -6 -8 -10 -12 0 10 20 30 40 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 50 60 V eri S ay is i 70 80 90 100 ekil 8. m ] 6 4 1. 1.8006 0 10 20 30 40 50 60 V eri Say isi 70 80 90 100 ekil 10. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i Mühendis ve Makina . 1.8004 istenen tork degeri YSA'nin test ç ikis i 10 -4 10 -6 10 -8 Egitim esnasindaki MSE degeri Hedef -10 MSE 10 Degeri 0 50 100 150 316 Çevrim 200 250 300 -9.7994 -9. ekil 12 ve ekil 13'de verilmi tir.YSA ç k [N.5 2. Hata de erleri a a daki ekilde elde edilmi tir: Hata = Hedeflenen ç k . Test edilirken giri vektörüne kar l k gelen ç k vektörü.8 -9.m] 2 istenen tork degeri YSA'nin test çikisi Ayr ca hedeflenen ç k de erleri ve YSA'n n testi sonucunda elde edilen ç k de erleri aras ndaki hata grafikleri s ras yla ekil 11. Hedef MSE 1e-010 [N.m] 1 istenen tork degeri YSA'nin test çikisi -0. ekil 7'de 0 10 20 30 40 50 60 V eri Say isi 70 80 90 100 ekil 9.5 0 [N. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri ekil 7. eklemin test ve istenen tork degeri 0.7996 -9.7998 -9. test a amas nda ise sadece giri verileri verilmek suretiyle a ç k elde edilmi tir.m] -9. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri ekil 11. 3. 2.95717e-011.8002 -9. YSA n n Performans Grafi i E itimi tamamlanan YSA'n n testi sonucunda elde edilen ç k de erleri ve hedeflenen ç k de erlerinin birlikte verildi i grafikler ekil 8.Cilt: 46 Say : 550 43 .

. and Suzuki.T. 1988. Ankara. L.m] 5 x 10 -4 3.makale [N.. 129-136. eklem için test ve istenen tork arasindaki hata degeri 2 1 0 -1 -2 -3 -4 -5 x 10 -4 birlikte verildi i ekil 8. Miyamoto. Türkiye. 3.95717×10 Böylece yapay sinir a tamamlam t r. "Feedback-Error-Learning Neural Network for Trajectory Control of a Robotic Manipulator".. A. tork ç k hesaplanm t r.. R. 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 -8.Cilt: 46 Say : 550 . olarak bulunmu tur. 4-6 Eylül 2003. Kazan. bu çal madan elde edilen model.. 2.9×10-4 ve 3. T. 316 çevrim sonucunda hedef olarak belirlenen MSE de erini yakalayarak e itimini Mühendis ve Makina . and Ahmad. 21-28. minimum hata de eri ise 4. M. Robot kontrolü ekil 12.m] 4 3 2. Ayr ca hedeflenen maksimum hata ç k lar ile YSA ç k lar aras ndaki hatalar ekil 11. Robotlarda serbestlik derecesi artt kça dinamik denklemlerin elle yaz lmas çok karma k bir hale gelmektedir. minimum hata de eri 4. 2. Dülger.12 ve 13'de görüldü ü üzere 1. Da . 251-265. tork çk maksimum hata de eri -4. hatalar n az olmas ndan dolay rahatl kla kullan labilir. 4. M.C. 2. 1988. 9 ve 10'da YSA'n n oldukça ba ar l sonuçlar vererek istenen ç k lar oldukça küçük sapmalarla yakalad görülmektedir. tork ç k -4 de eri -11..2×10-4.5×10 . eklem için test ve istenen tork arasindaki hata degeri 0 uygulamalar nda dinamik modelin kullan lmas gerekti i durumlarda. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i [N. E risö üt. Türkiye. Konya.4×10-4 olarak Sonuç olarak YSA hedeflenen ç k lar müsaade edilebilecek çok küçük sapmalarla ba ar l bir ekilde yakalam ve iyi bir performans sergileyerek SCARA robotun modellenmesi problemine oldukça iyi cevap vererek çözüm üretebilmi tir. 617-624. -10 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 KAYNAKÇA 1. Kawato. San Diego..5×10-4. "Çimento Hammadde Kar m ekil 13. Z. H.5×10 . IEEE Trans. Guez. R. 3. minimum hata maksimum hata de eri -4 de eri 2. Setoyama. 2-3 SONUÇ E itim esnas nda elde edilen performans grafi inde de görüldü ü gibi hedeflenen MSE de eri 10-10 olarak verilmi ve e itim sonucunda bulunan MSE de eri hedefe oldukça yakla arak 9. "SCARA Tipi Robotun Programlanabilir Mant k Denetleyicisiyle (PLC) K smi Hareket Denetimi". Neural Networks 1.. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i Prosesinin Yapay Sinir A lar ile Matematiksel Modellenmesi". Proceeding IEEE Conference on Neural Networks. 11. stendi i -5 takdirde bu modele uygun bir kontrol algoritmas n n da seçilmesi ile SCARA robotun kontrolü gerçekle tirilebilir. A.. Makina Tasar m ve malat Teknolojileri Kongresi. "Solution to the nverse Kinematics Problem in Robotics by Neural Networks". Ulusal Makina Teorisi Sempozyumu. E itimi tamamlanan YSA'n n testi sonucunda elde edilen ç k de erleri ve hedeflenen ç k de erlerinin 44 -11 Kas m 2001.

Y. IEEE Control Systems Magazine. 2002.. 38-43. "Neural Computation and Learning Strategy for Manipulator Position Control".. 3258-3259... F. Ed. R-J. 2000.. Proceeding IEEE International Conference on Robotics and Automation. T. T.. Matsumoto.. T... R. Proceeding of the IEEE First Annual International Conference on Neural Networks. Practical Methods of Optimization. J. Çimento Hammadde Kar m Prosesinin Yapay Sinir A lar ile Matematiksel Modellenmesi.H. 15. 13. Espoo. M. H. Wai. Dülger. Neural Network Design. Finland. 22.L. Englewood Cliffs.. T. Proceeding of International Conference on Neural Networks. Tokita. 19.. PWS Publishing Company. "Neural Network Architecture for Robot Hand Control". 1990. 7. 1992. 11.. Çakar. Simulation Modelling Practice and Theory. Wilhelmsen. A. Çal kan.B. 1991. 6. 49. 257-271. Smagt.. and Suzuki. John Wiley & Sons. M. Lewis. 1989.. Mitsuoka. J. 14. Fen Bilimleri Enstitüsü. Isobe. Sakarya Üniversitesi. CRC Press LLC.T. K. "Adaptation and Learning for Robotic Manipulator by Neural Network". 525-534. P. Journal of Robotic Systems. T. "Tracking Control Based on Neural Network Strategy for Robot Manipulator". a Dynamical Systems Approach to Machine Intelligence.. 3283-3288. 1996. 2005. 16. 291-307. N.. "Mathematical Modelling. S.. M... Proceeding of 29th IEEE Conference on Decision and Control. Fen Bilimleri Enstitüsü. 21. Boston. "A Study of Neural Network Based Inverse Kinematics Solution for a Three-Joint Robot". 1995. Legnani. Mechanical Engineering Handbook. Öz. 1980.. 26. "A Real-time Learning Neural Robot Controller". Neural Networks and Fuzzy Systems. Hagan.. H. L. M. California... Mühendis ve Makina . Uno. Shibata. M. Omedei. 1990. Lim. Iberall. R. 8-17. C. 9(3). Köker. "Neural Network Based Controllers for a Single-Degree-of Freedom Robotic Arm". Cotter N. ISBN 0-471-27711-8.. 13. E risö üt. Sacramento. IEEE Control Systems Magazine 8. 6. 51. Karakasoglu. 1987. B. Kawato. A. C.. Er. December.. 1991. 4... Yüksek Lisans Tezi.... A. ki Uzuvlu Bir Robot Kolunun Hesaplanm Moment Metoduyla Kontrolü. 1988. Rabelo.J. 23. 17(6).. Proceeding of 29th Conference on Decision and Control. "Decentralized Variable Structure Control of Robotic Manipulators. K. Kosko.. Liu. K.Cilt: 46 Say : 550 45 . Yüksek Lisans Tezi. 449-461. 1990. 2656-2661.. 1. R. ISBN 0-13-6123341.. Simulation and Experimental Verification of a Scara Robot". P. Microprocessors and Microsystems. M. Adamini. C. 18.. 9. Neurocomputing. Avula. 351-356. 20. Prentice-Hall International Editions. "Three Methodologies for the Calibration of Industrial Manipulators: Experimental Results on a SCARA Robot". G. 2002. Da .. C. "Hierarchical Neural Network Model for Vol-Untary Movement with Application to Robotics". B. M. Ekiz. Sakarya Üniversitesi. International Joint Conference on Neural Networks. T. M.. H. Kreith. Unconstrained Optimization. A. "Hierarchical Neurocontroller Architecture for Intelligent Robotic Manipulation".. X. 17. 425-45. R. 1999. Krose. G. 8... Neural Computational Algorithm". L.H. Demuth. Section 14 Robotics. Fletcher. Sundareshan..m akale 5. Robotics and Autonomous Systems. Bekey.J. Ng. "RealTime mplementation of a Dynamic Fuzzy Neural Networks Controller for a SCARA". M. 12. Fukuda.B. Beale. H. M. 227-234.. 407-413. 10. Low. Tsutsumi... Y. 2003. 2004. K. R. F. Nah.. A.

Sign up to vote on this title
UsefulNot useful