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

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

makale = Sisteme uygulanan genelle tirilmi moment veya 2 i kuvvet Dinamik denklemler matris formunda. h z ve ivme grafikleri. 9 ve 10'da verilen kübik yörüngeler ile öteleme hareketi ise denk. . Bu çal mada kullan lan SCARA robot ekil 1'de gösterilmi ve robotun Lagrange-Euler dinamik denklemleri 6. Denklemlerde kullan lan uzuv kütle de erleri ve boyutlar : m1=2kg m3=1 kg a1=2m l3=1m g=9. ekil 3'de tork grafikleri verilmi tir. 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( . a1 a 2 S2 (m 2 40 Mühendis ve Makina ./375)t3 + ( /50)t2 (9) (10) (11) ekil 1. ekil 2'de konum.8m/s2 ile eklemlere uygulanacak tork de erleri saptanabilir. C ( )n×1 boyutlu 3 m3 3 m3 g merkezkaç ve Coriolis vektörü. h z ve ivme de erleri belirlenmi tir. 11'de verilen do rusal yörünge ile ifade edilmi tir. M ( ) manipülatörün n×n boyutlu eylemsizlik matrisi. G ( ) n×1 boyutlu yerçekimi kuvveti vektörü. Üç Eklemli SCARA Robot 2 d3 = 0. 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. Fv ( ) n×1 boyutlu viskoz sürtünme vektörü. 1 = (-2 /375)t3 + ( /25)t2 = (. 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. ) G ( ) FV ( ) FC (5) 2 (7) (8) eklinde yaz labilir. n) eklemlerine uygulanan genelle tirilmi kuvvet veya moment vektörü [18-20]. 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. Bu yüzden dönme hareketleri denk.2.01 a1 a 2 C 2 m2 3 m3 a 2 2 art mlarla konum.Cilt: 46 Say : 550 . 7 ve 8 nolu denklemlerdeki gibi elde edilmi tir. Burada.

E ik fonksiyonu ise toplama fonksiyonu taraf ndan belirlenen net girdiyi alarak nöronun ç k Nöronun ç k n belirleyen fonksiyondur. Her ba lant n n da bir a rl vard r ekil 3. otomotiv. paralel çal abilmesi ve ö renebilmesi ile insan beyninin çal mas na benzeyen özellikleri ta r [21].m] 1.5 4 4.5 [s] 5 0 0.5 5 Gizli Katman Ç k Katman : Nöronlar : Ba lant lar : A rl klar ekil 4. YSA ile robot modellemeye ait diyagram ekil 5'de görülmektedir.Cilt: 46 Say : 550 gösterir. Toplama fonksiyonu. malzeme bilimi ve Mühendis ve Makina . eklem için Tork degerleri 10 0 -10 -20 2.5 2 2.5 4 4. G R LER ekil 2. üretim. robotik. eklem için Tork degerleri 1 0 -1 -2 -8 3.5 2 2.5 2 2.5 5 0 0. 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. savunma ve telekomünikasyon gibi birçok mühendislik alan nda ba ar l sonuçlar veren YSA. Son y llarda elektronik.5 3 3. H z ve vme Grafikleri Giri Katman [N.5 1 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.5 3 3.5 Zaman 3 3. 41 ÇIKI LAR .m akale fiziksel metalurji. ekil 4'de yapay sinir a n n yap s görülmektedir. eklem için Tork degerleri -9 -10 -11 0 0.5 1 1. bir nörona gelen net girdiyi hesaplayan bir fonksiyondur. fonksiyonunun üretti i dünyaya aktarma ünitesi ç k i areti di er nöronlara veya d i levini yapar [1].5 1 1. Eklemlerin Konum. Her bir nöron yerel bir belle e sahiptir ve burada uyarlanan katsay lar n önceki hesaplamalar ile belirlenen de erleri saklan r. e itimi esnas nda giri ler ve istenen ç k lar n sisteme verilmesi ile kendisini farkl cevaplar verebilecek ekilde ayarlayabilir.5 4 4. Net girdi gelen bilgilerin ilgili ba lant lar n a rl klar ile çarp l p toplanmas sonucunda belirlenir. Son derece karma k bir içyap ya sahip olan YSA çevre artlar na göre davran lar n ekillendirebilir.

veri Min. Robot Modelleme çin bir YSA Çözümü (u(k): giri . Çünkü giri -ç k de erleri. h z ve ivme de erleri.9 0.makale Sistemin yap lan matematiksel i lemler sonucu elde edilen toplam 500 adet giri -ç k vektörü bulunmaktad r. 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. 100 adedi de Mühendis ve Makina . SCARA robotun YSA ile modellenmesi için MATLAB 6. Normalize ederken a a daki formül dikkate al nm t r: ekil 5. Log-sigmoid fonksiyonu ekil 6'da gösterilmi tir. Sistemin giri leri her bir eklem hareketi için elde edilen konum. Genellikle h zl bir yak nsama yapar.9 aras nda olmak üzere normalize edilmi tir. veri Ger. Gizli katmanda ve ç k katman nda transfer fonksiyonu olarak Log-sigmoid al nm t r. veri 0. Yapay sinir a n n e itimi için performans ölçütü olarak hatalar n kareleri ortalamas n kullanan LevenbergMarquardt algoritmas çok uygundur [23]. ç k lar ise Lagrange-Euler dinamik denklemleri sonucu bulunan tork de erleri olarak al nm t r. kullan lan Log-sigmoid transfer fonksiyonunun s n rlar aras nda olmal d r. veri Min.1-0. Gizli katmanda ise 16 adet nöron kullan lm t r. Network ç k ve hedef ç k aras ndaki fark hata olarak hesaplan r.5 Neural Network Toolbox' kullan lm t r. Temelde bu algoritma maksimum kom uluk fikri üzerine kurulan en küçük kareler tahmin metodudur. normalize edilen giri ç k verilerinin 400 adedi a n e itiminde.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. Levenberg-Marquardt metodu son y llarda kullan lan en popüler algoritmalardan birisidir. 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. 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]. Bu hatan n toplam n n ortalamas minimize edilmek istenir. ç k katman ndaki ç k nöronlar n n say s n da sistemin ç k lar n n say s belirlemektedir. 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. Log-Sigmoid Transfer Fonksiyonu YSA'n n giri katman ndaki giri nöronlar n n say s n sistemin (problemin) giri lerinin say s . veri 0. Buna göre olu turulan YSA'n n giri nöron say s 9 iken ç k nöron say s 3 olmaktad r.1 Maks.Cilt: 46 Say : 550 42 . y(k): ç k ve e(k): hata ) Nor. MSE a a daki gibi formülize edilir: ekil 6. Bu minimize edilmek istenen de er MSE (Mean Squared Error) olarak tan mlan r ve a performans n belirler.

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. test a amas nda ise sadece giri verileri verilmek suretiyle a ç k elde edilmi tir.Cilt: 46 Say : 550 43 .m akale a n testinde kullan lm t r.7998 -9.7992 3. YSA'n n e itimi esnas nda hesaplanan MSE de erlerinin bulundu u Neural Network Toolbox' -1. 3.5 -1 taraf ndan çizilen performans grafi i görülmektedir. Test edilirken giri vektörüne kar l k gelen ç k vektörü. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri ekil 7.7996 -9. ekil 7'de 0 10 20 30 40 50 60 V eri Say isi 70 80 90 100 ekil 9. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri ekil 11. Hata de erleri a a daki ekilde elde edilmi tir: Hata = Hedeflenen ç k .8 -9.7994 -9. [N. YSA'n n genelle tirme yetene i sayesinde hedef (istenen) ç k de erlerine oldukça yak n olarak bulunmu tur. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i Mühendis ve Makina .799 -2 10 -9. ekil 12 ve ekil 13'de verilmi tir. E itim a amas nda a a giri ve ç k verileri kulland r lm . 2. 1. eklemin test ve istenen tork degeri 0. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri Performans 9.8002 -9. eklemin test ve istenen tork degeri -9.m] 1 istenen tork degeri YSA'nin test çikisi -0.m] -9.YSA ç k [N. 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 8.5 0 [N.95717e-011. m ] 6 4 1. 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. Hedef MSE 1e-010 [N.8006 0 10 20 30 40 50 60 V eri Say isi 70 80 90 100 ekil 10. ekil 9 ve ekil 10'da görülmektedir.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. eklem için test ve istenen tork arasindaki hata degeri 2 0 -2 -4 -6 -8 -10 -12 -14 x 10 -4 0 1.5 2. 1.

Miyamoto. Ayr ca hedeflenen maksimum hata ç k lar ile YSA ç k lar aras ndaki hatalar ekil 11. 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.m] 4 3 2. "Çimento Hammadde Kar m ekil 13. Neural Networks 1.. Makina Tasar m ve malat Teknolojileri Kongresi. Robotlarda serbestlik derecesi artt kça dinamik denklemlerin elle yaz lmas çok karma k bir hale gelmektedir. 251-265. 2. Setoyama. minimum hata maksimum hata de eri -4 de eri 2. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i [N. R.. Ankara. 2... bu çal madan elde edilen model... 617-624. 9 ve 10'da YSA'n n oldukça ba ar l sonuçlar vererek istenen ç k lar oldukça küçük sapmalarla yakalad görülmektedir. eklem için test ve istenen tork arasindaki hata degeri 0 uygulamalar nda dinamik modelin kullan lmas gerekti i durumlarda. Guez.. Türkiye. San Diego. H. tork çk maksimum hata de eri -4.2×10-4. 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. olarak bulunmu tur. Kazan. A. 1988. E risö üt..m] 5 x 10 -4 3.4×10-4 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. Kawato.9×10-4 ve 3. Konya. Robot kontrolü ekil 12. T. R. Proceeding IEEE Conference on Neural Networks.T.Cilt: 46 Say : 550 . Da . 3.12 ve 13'de görüldü ü üzere 1. minimum hata de eri ise 4. stendi i -5 takdirde bu modele uygun bir kontrol algoritmas n n da seçilmesi ile SCARA robotun kontrolü gerçekle tirilebilir. tork ç k hesaplanm t r. "Solution to the nverse Kinematics Problem in Robotics by Neural Networks". 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..5×10 . Türkiye.C. 4. "Feedback-Error-Learning Neural Network for Trajectory Control of a Robotic Manipulator". Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i Prosesinin Yapay Sinir A lar ile Matematiksel Modellenmesi". L. Dülger. hatalar n az olmas ndan dolay rahatl kla kullan labilir. -10 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 KAYNAKÇA 1.makale [N. 316 çevrim sonucunda hedef olarak belirlenen MSE de erini yakalayarak e itimini Mühendis ve Makina . "SCARA Tipi Robotun Programlanabilir Mant k Denetleyicisiyle (PLC) K smi Hareket Denetimi". 4-6 Eylül 2003. 21-28. 129-136. 11. and Suzuki.5×10 .5×10-4. IEEE Trans. A. Ulusal Makina Teorisi Sempozyumu. 2. Z. tork ç k -4 de eri -11. 3. and Ahmad.95717×10 Böylece yapay sinir a tamamlam t r. 1988. minimum hata de eri 4. M. 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 -8. M.

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