P. 1
scara robot dinamiğinin ysa ile modellenmesi

scara robot dinamiğinin ysa ile modellenmesi

|Views: 131|Likes:
Yayınlayan: Ayşe Söğüt

More info:

Published by: Ayşe Söğüt on Dec 02, 2010
Telif Hakkı:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

01/01/2011

pdf

text

original

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

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

Bu çal mada kullan lan SCARA robot ekil 1'de gösterilmi ve robotun Lagrange-Euler dinamik denklemleri 6. Üç Eklemli SCARA Robot 2 d3 = 0. ekil 3'de tork grafikleri verilmi tir.8m/s2 ile eklemlere uygulanacak tork de erleri saptanabilir. ekil 2'de konum. C ( )n×1 boyutlu 3 m3 3 m3 g merkezkaç ve Coriolis vektörü.01 a1 a 2 C 2 m2 3 m3 a 2 2 art mlarla konum. Denklemlerde kullan lan uzuv kütle de erleri ve boyutlar : m1=2kg m3=1 kg a1=2m l3=1m g=9. Bu yüzden dönme hareketleri denk./375)t3 + ( /50)t2 (9) (10) (11) ekil 1. M ( ) manipülatörün n×n boyutlu eylemsizlik matrisi. Burada.Cilt: 46 Say : 550 . ) G ( ) FV ( ) FC (5) 2 (7) (8) eklinde yaz labilir. . h z ve ivme de erleri belirlenmi tir. a1 a 2 S2 (m 2 40 Mühendis ve Makina . G ( ) n×1 boyutlu yerçekimi kuvveti vektörü. 9 ve 10'da verilen kübik yörüngeler ile öteleme hareketi ise denk. 1 = (-2 /375)t3 + ( /25)t2 = (. 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. 7 ve 8 nolu denklemlerdeki gibi elde edilmi tir.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 0.2. 11'de verilen do rusal yörünge ile ifade edilmi tir.makale = Sisteme uygulanan genelle tirilmi moment veya 2 i kuvvet Dinamik denklemler matris formunda. FC n×1 Coulomb terimleri vektörü ve nx1 boyutlu (i = 1. Fv ( ) n×1 boyutlu viskoz sürtünme vektörü. n) eklemlerine uygulanan genelle tirilmi kuvvet veya moment vektörü [18-20]. 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( .

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

100 adedi de Mühendis ve Makina . kullan lan Log-sigmoid transfer fonksiyonunun s n rlar aras nda olmal d r. Genellikle h zl bir yak nsama yapar. 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.1-0.1 (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. 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. veri Min. Temelde bu algoritma maksimum kom uluk fikri üzerine kurulan en küçük kareler tahmin metodudur. veri Min.9 0. 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. ç k lar ise Lagrange-Euler dinamik denklemleri sonucu bulunan tork de erleri olarak al nm t r. Bu minimize edilmek istenen de er MSE (Mean Squared Error) olarak tan mlan r ve a performans n belirler. ç k katman ndaki ç k nöronlar n n say s n da sistemin ç k lar n n say s belirlemektedir. SCARA robotun YSA ile modellenmesi için MATLAB 6. Gizli katmanda ve ç k katman nda transfer fonksiyonu olarak Log-sigmoid al nm t r.1 Maks. Network ç k ve hedef ç k aras ndaki fark hata olarak hesaplan r. Sistemin giri ve ç k lar n n say sal de erlerinden olu an veri seti 0. Normalize ederken a a daki formül dikkate al nm t r: ekil 5.5 Neural Network Toolbox' kullan lm t r. Gizli katmanda ise 16 adet nöron kullan lm t r. Sistemin giri leri her bir eklem hareketi için elde edilen konum. Çünkü giri -ç k de erleri.9 aras nda olmak üzere normalize edilmi tir. h z ve ivme de erleri. 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]. Log-sigmoid fonksiyonu ekil 6'da gösterilmi tir. veri 0. veri 0. Log-Sigmoid Transfer Fonksiyonu YSA'n n giri katman ndaki giri nöronlar n n say s n sistemin (problemin) giri lerinin say s . MSE a a daki gibi formülize edilir: ekil 6.makale Sistemin yap lan matematiksel i lemler sonucu elde edilen toplam 500 adet giri -ç k vektörü bulunmaktad r. veri Ger. normalize edilen giri ç k verilerinin 400 adedi a n e itiminde. Robot Modelleme çin bir YSA Çözümü (u(k): giri .Cilt: 46 Say : 550 42 . 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. Levenberg-Marquardt metodu son y llarda kullan lan en popüler algoritmalardan birisidir. 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.

[N.5 0 [N. test a amas nda ise sadece giri verileri verilmek suretiyle a ç k elde edilmi tir. m ] 6 4 1. ekil 12 ve ekil 13'de verilmi tir. Hedef MSE 1e-010 [N. Hata de erleri a a daki ekilde elde edilmi tir: Hata = Hedeflenen ç k . 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.m] 1 istenen tork degeri YSA'nin test çikisi -0. 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. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i Mühendis ve Makina . 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 11.8 -9.95717e-011. ekil 9 ve ekil 10'da görülmektedir. 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. eklemin test ve istenen tork degeri 0.7992 3.m akale a n testinde kullan lm t r.7996 -9. E itim a amas nda a a giri ve ç k verileri kulland r lm . 2.8002 -9. 1.m] -9.Cilt: 46 Say : 550 43 .5 -1 taraf ndan çizilen performans grafi i görülmektedir. eklem için test ve istenen tork arasindaki hata degeri 2 0 -2 -4 -6 -8 -10 -12 -14 x 10 -4 0 1. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri ekil 7.8004 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. eklemin test ve istenen tork degeri -9. YSA'n n genelle tirme yetene i sayesinde hedef (istenen) ç k de erlerine oldukça yak n olarak bulunmu tur. YSA'n n e itimi esnas nda hesaplanan MSE de erlerinin bulundu u Neural Network Toolbox' -1.8006 0 10 20 30 40 50 60 V eri Say isi 70 80 90 100 ekil 10. 3.799 -2 10 -9.7998 -9.YSA ç k [N.5 2.7994 -9. Test edilirken giri vektörüne kar l k gelen ç k vektörü. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri Performans 9.

1988. eklem için test ve istenen tork arasindaki hata degeri 0 uygulamalar nda dinamik modelin kullan lmas gerekti i durumlarda.m] 4 3 2.T. 1988. minimum hata de eri ise 4. minimum hata de eri 4. 3. Ayr ca hedeflenen maksimum hata ç k lar ile YSA ç k lar aras ndaki hatalar ekil 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". 2. Dülger.9×10-4 ve 3. A. and Suzuki.12 ve 13'de görüldü ü üzere 1. 251-265. 617-624. 3.. "Solution to the nverse Kinematics Problem in Robotics by Neural Networks".5×10-4. Türkiye.m] 5 x 10 -4 3. Türkiye.. olarak bulunmu tur. Setoyama. 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. stendi i -5 takdirde bu modele uygun bir kontrol algoritmas n n da seçilmesi ile SCARA robotun kontrolü gerçekle tirilebilir. Ulusal Makina Teorisi Sempozyumu. Kawato.. minimum hata maksimum hata de eri -4 de eri 2.. 316 çevrim sonucunda hedef olarak belirlenen MSE de erini yakalayarak e itimini Mühendis ve Makina . 21-28. San Diego. Proceeding IEEE Conference on Neural Networks. 2. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i [N.C. T.2×10-4.Cilt: 46 Say : 550 . "Feedback-Error-Learning Neural Network for Trajectory Control of a Robotic Manipulator". R. hatalar n az olmas ndan dolay rahatl kla kullan labilir. M. bu çal madan elde edilen model. "Çimento Hammadde Kar m ekil 13. E itimi tamamlanan YSA'n n testi sonucunda elde edilen ç k de erleri ve hedeflenen ç k de erlerinin 44 -11 Kas m 2001.5×10 . H. Da .5×10 . 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 -8. A. 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..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. Makina Tasar m ve malat Teknolojileri Kongresi. 129-136. tork ç k -4 de eri -11. 4..makale [N. 9 ve 10'da YSA'n n oldukça ba ar l sonuçlar vererek istenen ç k lar oldukça küçük sapmalarla yakalad görülmektedir. 2. 4-6 Eylül 2003. M. E risö üt. tork ç k hesaplanm t r. IEEE Trans. Guez. "SCARA Tipi Robotun Programlanabilir Mant k Denetleyicisiyle (PLC) K smi Hareket Denetimi".. Konya. Kazan. tork çk maksimum hata de eri -4.95717×10 Böylece yapay sinir a tamamlam t r. Miyamoto. Robot kontrolü ekil 12. Neural Networks 1. -10 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 KAYNAKÇA 1. 11. and Ahmad. Robotlarda serbestlik derecesi artt kça dinamik denklemlerin elle yaz lmas çok karma k bir hale gelmektedir. L. Ankara. R. Z...

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

You're Reading a Free Preview

İndirme
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->