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

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

/375)t3 + ( /50)t2 (9) (10) (11) ekil 1. Burada. . 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. 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( . 7 ve 8 nolu denklemlerdeki gibi elde edilmi tir.Cilt: 46 Say : 550 . Denklemlerde kullan lan uzuv kütle de erleri ve boyutlar : m1=2kg m3=1 kg a1=2m l3=1m g=9.8m/s2 ile eklemlere uygulanacak tork de erleri saptanabilir.01 a1 a 2 C 2 m2 3 m3 a 2 2 art mlarla konum. 9 ve 10'da verilen kübik yörüngeler ile öteleme hareketi ise denk. FC n×1 Coulomb terimleri vektörü ve nx1 boyutlu (i = 1. h z ve ivme de erleri belirlenmi tir. a1 a 2 S2 (m 2 40 Mühendis ve Makina . Bu çal mada kullan lan SCARA robot ekil 1'de gösterilmi ve robotun Lagrange-Euler dinamik denklemleri 6. Fv ( ) n×1 boyutlu viskoz sürtünme vektörü. Bu yüzden dönme hareketleri denk. G ( ) n×1 boyutlu yerçekimi kuvveti vektörü. C ( )n×1 boyutlu 3 m3 3 m3 g merkezkaç ve Coriolis vektörü.2. 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. h z ve ivme grafikleri. Üç Eklemli SCARA Robot 2 d3 = 0. 1 = (-2 /375)t3 + ( /25)t2 = (. n) eklemlerine uygulanan genelle tirilmi kuvvet veya moment vektörü [18-20]. 11'de verilen do rusal yörünge ile ifade edilmi tir. M ( ) manipülatörün n×n boyutlu eylemsizlik matrisi.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.makale = Sisteme uygulanan genelle tirilmi moment veya 2 i kuvvet Dinamik denklemler matris formunda. ekil 3'de tork grafikleri verilmi tir. ekil 2'de konum. ) G ( ) FV ( ) FC (5) 2 (7) (8) eklinde yaz labilir.

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

veri Min. veri Min. Gizli katmanda ise 16 adet nöron kullan lm t 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.makale Sistemin yap lan matematiksel i lemler sonucu elde edilen toplam 500 adet giri -ç k vektörü bulunmaktad r. SCARA robotun YSA ile modellenmesi için MATLAB 6. Buna göre olu turulan YSA'n n giri nöron say s 9 iken ç k nöron say s 3 olmaktad r. 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. 100 adedi de Mühendis ve Makina . y(k): ç k ve e(k): hata ) Nor.9 0. kullan lan Log-sigmoid transfer fonksiyonunun s n rlar aras nda olmal d r.9 aras nda olmak üzere normalize edilmi tir. Gizli katmanda ve ç k katman nda transfer fonksiyonu olarak Log-sigmoid al nm t r. Sistemin giri leri her bir eklem hareketi için elde edilen konum. h z ve ivme de erleri. Genellikle h zl bir yak nsama yapar. Bu minimize edilmek istenen de er MSE (Mean Squared Error) olarak tan mlan r ve a performans n belirler. veri 0. Yapay sinir a n n e itimi için performans ölçütü olarak hatalar n kareleri ortalamas n kullanan LevenbergMarquardt algoritmas çok uygundur [23]. veri Ger. 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]. Temelde bu algoritma maksimum kom uluk fikri üzerine kurulan en küçük kareler tahmin metodudur.5 Neural Network Toolbox' kullan lm t r. veri 0. Robot Modelleme çin bir YSA Çözümü (u(k): giri .Cilt: 46 Say : 550 42 . Network ç k ve hedef ç k aras ndaki fark hata olarak hesaplan r. Log-sigmoid fonksiyonu ekil 6'da gösterilmi tir. Normalize ederken a a daki formül dikkate al nm t r: ekil 5.1 Maks. ç k lar ise Lagrange-Euler dinamik denklemleri sonucu bulunan tork de erleri olarak al nm t r.1-0. ç k katman ndaki ç k nöronlar n n say s n da sistemin ç k lar n n say s belirlemektedir. Bu hatan n toplam n n ortalamas minimize edilmek istenir. MSE a a daki gibi formülize edilir: ekil 6. Log-Sigmoid Transfer Fonksiyonu YSA'n n giri katman ndaki giri nöronlar n n say s n sistemin (problemin) giri lerinin say s . Levenberg-Marquardt metodu son y llarda kullan lan en popüler algoritmalardan birisidir. Çünkü giri -ç k de erleri. Sistemin giri ve ç k lar n n say sal de erlerinden olu an veri seti 0. 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. 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.

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 -9.95717e-011.m] -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. ekil 9 ve ekil 10'da görülmektedir.7996 -9. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri ekil 11.8002 -9. Test edilirken giri vektörüne kar l k gelen ç k vektörü.7992 3.7998 -9.799 -2 10 -9. ekil 7'de 0 10 20 30 40 50 60 V eri Say isi 70 80 90 100 ekil 9.YSA ç k [N. ekil 12 ve ekil 13'de verilmi tir. 1. 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. eklemin test ve istenen tork degeri -9. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri ekil 7. E itim a amas nda a a giri ve ç k verileri kulland r lm . eklem için test ve istenen tork arasindaki hata degeri 2 0 -2 -4 -6 -8 -10 -12 -14 x 10 -4 0 1. eklemin test ve istenen tork degeri 0.8006 0 10 20 30 40 50 60 V eri Say isi 70 80 90 100 ekil 10. 3.5 0 [N. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri Performans 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 11.5 -1 taraf ndan çizilen performans grafi i görülmektedir. Hata de erleri a a daki ekilde elde edilmi tir: Hata = Hedeflenen ç k . YSA'n n genelle tirme yetene i sayesinde hedef (istenen) ç k de erlerine oldukça yak n olarak bulunmu tur.5 2. YSA'n n e itimi esnas nda hesaplanan MSE de erlerinin bulundu u Neural Network Toolbox' -1.m akale a n testinde kullan lm t r. test a amas nda ise sadece giri verileri verilmek suretiyle a ç k elde edilmi tir. 1.7994 -9. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i Mühendis ve Makina .8 -9.Cilt: 46 Say : 550 43 . Hedef MSE 1e-010 [N. 2. [N.m] 1 istenen tork degeri YSA'nin test çikisi -0. m ] 6 4 1.

4. "SCARA Tipi Robotun Programlanabilir Mant k Denetleyicisiyle (PLC) K smi Hareket Denetimi". Dülger. Neural Networks 1. bu çal madan elde edilen model. 129-136. minimum hata de eri 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 8.12 ve 13'de görüldü ü üzere 1. 4-6 Eylül 2003. H. Ayr ca hedeflenen maksimum hata ç k lar ile YSA ç k lar aras ndaki hatalar ekil 11.. olarak bulunmu tur.5×10-4.m] 5 x 10 -4 3. M. 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. 1988.5×10 . 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. 21-28. tork ç k hesaplanm t r. 2. A. stendi i -5 takdirde bu modele uygun bir kontrol algoritmas n n da seçilmesi ile SCARA robotun kontrolü gerçekle tirilebilir. Makina Tasar m ve malat Teknolojileri Kongresi. 2. R. R..m] 4 3 2.. Robotlarda serbestlik derecesi artt kça dinamik denklemlerin elle yaz lmas çok karma k bir hale gelmektedir. San Diego.Cilt: 46 Say : 550 . 2. L.95717×10 Böylece yapay sinir a tamamlam t r. Da . E risö üt. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i [N. -10 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 KAYNAKÇA 1. "Çimento Hammadde Kar m ekil 13. Robot kontrolü ekil 12. tork ç k -4 de eri -11. 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 -8. Ankara.makale [N. Kawato. 1988. hatalar n az olmas ndan dolay rahatl kla kullan labilir. Proceeding IEEE Conference on Neural Networks.C. "Solution to the nverse Kinematics Problem in Robotics by Neural Networks".. A.. 9 ve 10'da YSA'n n oldukça ba ar l sonuçlar vererek istenen ç k lar oldukça küçük sapmalarla yakalad görülmektedir. minimum hata de eri ise 4. and Ahmad.. 11.. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i Prosesinin Yapay Sinir A lar ile Matematiksel Modellenmesi". and Suzuki. Ulusal Makina Teorisi Sempozyumu. Konya.5×10 . IEEE Trans.2×10-4. 316 çevrim sonucunda hedef olarak belirlenen MSE de erini yakalayarak e itimini Mühendis ve Makina .T. Kazan. M. Guez. Türkiye. Setoyama. tork çk maksimum hata de eri -4. Miyamoto. 617-624. eklem için test ve istenen tork arasindaki hata degeri 0 uygulamalar nda dinamik modelin kullan lmas gerekti i durumlarda.9×10-4 ve 3. minimum hata maksimum hata de eri -4 de eri 2. Türkiye. Z. 251-265. "Feedback-Error-Learning Neural Network for Trajectory Control of a Robotic Manipulator". 3. T. 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..

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

Sign up to vote on this title
UsefulNot useful