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

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

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

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

kullan lan Log-sigmoid transfer fonksiyonunun s n rlar aras nda olmal d r. SCARA robotun YSA ile modellenmesi için MATLAB 6. Gizli katmanda ve ç k katman nda transfer fonksiyonu olarak Log-sigmoid al nm 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. veri Min. Levenberg-Marquardt metodu son y llarda kullan lan en popüler algoritmalardan birisidir.1 Maks. Normalize ederken a a daki formül dikkate al nm t r: ekil 5. 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. veri Min. 100 adedi de Mühendis ve Makina .5 Neural Network Toolbox' kullan lm t r. Genellikle h zl bir yak nsama yapar.makale Sistemin yap lan matematiksel i lemler sonucu elde edilen toplam 500 adet giri -ç k vektörü bulunmaktad r. ç k katman ndaki ç k nöronlar n n say s n da sistemin ç k lar n n say s belirlemektedir. Gizli katmanda ise 16 adet nöron kullan lm t r. MSE a a daki gibi formülize edilir: ekil 6. Network ç k ve hedef ç k aras ndaki fark hata olarak hesaplan r. veri 0.9 aras nda olmak üzere normalize edilmi tir. Temelde bu algoritma maksimum kom uluk fikri üzerine kurulan en küçük kareler tahmin metodudur. Robot Modelleme çin bir YSA Çözümü (u(k): giri . Sistemin giri leri her bir eklem hareketi için elde edilen konum. ç k lar ise Lagrange-Euler dinamik denklemleri sonucu bulunan tork de erleri olarak al nm t r. veri 0. y(k): ç k ve e(k): hata ) Nor.Cilt: 46 Say : 550 42 . 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].9 0.1 (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. Log-Sigmoid Transfer Fonksiyonu YSA'n n giri katman ndaki giri nöronlar n n say s n sistemin (problemin) giri lerinin say s . normalize edilen giri ç k verilerinin 400 adedi a n e itiminde. Bu hatan n toplam n n ortalamas minimize edilmek istenir. Buna göre olu turulan YSA'n n giri nöron say s 9 iken ç k nöron say s 3 olmaktad r. Çünkü giri -ç k de erleri. Yapay sinir a n n e itimi için performans ölçütü olarak hatalar n kareleri ortalamas n kullanan LevenbergMarquardt algoritmas çok uygundur [23]. 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.1-0. veri Ger. Bu minimize edilmek istenen de er MSE (Mean Squared Error) olarak tan mlan r ve a performans n belirler. Sistemin giri ve ç k lar n n say sal de erlerinden olu an veri seti 0. h z ve ivme de erleri. Log-sigmoid fonksiyonu ekil 6'da gösterilmi tir.

Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri Performans 9.799 -2 10 -9. ekil 12 ve ekil 13'de verilmi tir.m] -9.7994 -9. YSA'n n e itimi esnas nda hesaplanan MSE de erlerinin bulundu u Neural Network Toolbox' -1. Test edilirken giri vektörüne kar l k gelen ç k vektörü. 1.7992 3. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i Mühendis ve Makina . 2. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri ekil 11. 3.8002 -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 7.5 -1 taraf ndan çizilen performans grafi i görülmektedir.8006 0 10 20 30 40 50 60 V eri Say isi 70 80 90 100 ekil 10. m ] 6 4 1.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 11.95717e-011.5 2.5 0 [N. 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. Hedef MSE 1e-010 [N.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. 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. [N. E itim a amas nda a a giri ve ç k verileri kulland r lm .7996 -9. eklemin test ve istenen tork degeri 0. eklemin test ve istenen tork degeri -9.m] 1 istenen tork degeri YSA'nin test çikisi -0. YSA'n n genelle tirme yetene i sayesinde hedef (istenen) ç k de erlerine oldukça yak n olarak bulunmu tur. 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.8 -9. Hata de erleri a a daki ekilde elde edilmi tir: Hata = Hedeflenen ç k .7998 -9. eklem için test ve istenen tork arasindaki hata degeri 2 0 -2 -4 -6 -8 -10 -12 -14 x 10 -4 0 1.Cilt: 46 Say : 550 43 .YSA ç k [N.

2. H. "Feedback-Error-Learning Neural Network for Trajectory Control of a Robotic Manipulator". Miyamoto. minimum hata maksimum hata de eri -4 de eri 2. eklem için test ve istenen tork arasindaki hata degeri 0 uygulamalar nda dinamik modelin kullan lmas gerekti i durumlarda.. 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. Proceeding IEEE Conference on Neural Networks.m] 5 x 10 -4 3. Türkiye.. 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 -8. 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. bu çal madan elde edilen model. 251-265.Cilt: 46 Say : 550 . Neural Networks 1. and Suzuki. Da . Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i [N.2×10-4. E risö üt. L.makale [N.T. A. 1988. "SCARA Tipi Robotun Programlanabilir Mant k Denetleyicisiyle (PLC) K smi Hareket Denetimi". minimum hata de eri ise 4. Türkiye. Ayr ca hedeflenen maksimum hata ç k lar ile YSA ç k lar aras ndaki hatalar ekil 11. San Diego. M. R. Kazan. Dülger. olarak bulunmu tur. tork ç k -4 de eri -11.m] 4 3 2. T.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. hatalar n az olmas ndan dolay rahatl kla kullan labilir. 9 ve 10'da YSA'n n oldukça ba ar l sonuçlar vererek istenen ç k lar oldukça küçük sapmalarla yakalad görülmektedir.C.12 ve 13'de görüldü ü üzere 1. stendi i -5 takdirde bu modele uygun bir kontrol algoritmas n n da seçilmesi ile SCARA robotun kontrolü gerçekle tirilebilir. 21-28. -10 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 KAYNAKÇA 1. 129-136. A. Ulusal Makina Teorisi Sempozyumu. R. Robot kontrolü ekil 12.95717×10 Böylece yapay sinir a tamamlam t r. Robotlarda serbestlik derecesi artt kça dinamik denklemlerin elle yaz lmas çok karma k bir hale gelmektedir. Guez.. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i Prosesinin Yapay Sinir A lar ile Matematiksel Modellenmesi". tork çk maksimum hata de eri -4..5×10 .5×10 . Makina Tasar m ve malat Teknolojileri Kongresi. Kawato. 2. Z. "Çimento Hammadde Kar m ekil 13.. 2. Ankara. Konya. IEEE Trans. tork ç k hesaplanm t r. 617-624. 4-6 Eylül 2003... minimum hata de eri 4. 1988.5×10-4. 11. 3. 4. 316 çevrim sonucunda hedef olarak belirlenen MSE de erini yakalayarak e itimini Mühendis ve Makina . 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. 3. and Ahmad. Setoyama.. "Solution to the nverse Kinematics Problem in Robotics by Neural Networks".9×10-4 ve 3.. M.

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