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

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

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. M ( ) manipülatörün n×n boyutlu eylemsizlik matrisi. . Burada./375)t3 + ( /50)t2 (9) (10) (11) ekil 1. 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. 11'de verilen do rusal yörünge ile ifade edilmi tir. G ( ) n×1 boyutlu yerçekimi kuvveti vektörü.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. h z ve ivme grafikleri.8m/s2 ile eklemlere uygulanacak tork de erleri saptanabilir.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. 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. 1 = (-2 /375)t3 + ( /25)t2 = (.makale = Sisteme uygulanan genelle tirilmi moment veya 2 i kuvvet Dinamik denklemler matris formunda. 7 ve 8 nolu denklemlerdeki gibi elde edilmi tir. n) eklemlerine uygulanan genelle tirilmi kuvvet veya moment vektörü [18-20]. ) G ( ) FV ( ) FC (5) 2 (7) (8) eklinde yaz labilir. Üç Eklemli SCARA Robot 2 d3 = 0. Bu yüzden dönme hareketleri denk. 9 ve 10'da verilen kübik yörüngeler ile öteleme hareketi ise denk.2.Cilt: 46 Say : 550 . ekil 3'de tork grafikleri verilmi tir. ekil 2'de konum. 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( . FC n×1 Coulomb terimleri vektörü ve nx1 boyutlu (i = 1. Fv ( ) n×1 boyutlu viskoz sürtünme vektörü. h z ve ivme de erleri belirlenmi tir.

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

normalize edilen giri ç k verilerinin 400 adedi a n e itiminde. Bu hatan n toplam n n ortalamas minimize edilmek istenir. h z ve ivme de erleri. Levenberg-Marquardt metodu son y llarda kullan lan en popüler algoritmalardan birisidir. kullan lan Log-sigmoid transfer fonksiyonunun s n rlar aras nda olmal d 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.9 0.Cilt: 46 Say : 550 42 . Network ç k ve hedef ç k aras ndaki fark hata olarak hesaplan r.1 Maks. veri Min. 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. LevenbergMarquardt metodu Gauss-Newton tekni inin ve Steepestdescent metodunun en iyi özelliklerini birle tirir ve bu algoritmalar n s n rlamalar n n ço undan kaç n r [22]. veri Ger. Sistemin giri ve ç k lar n n say sal de erlerinden olu an veri seti 0. Log-Sigmoid Transfer Fonksiyonu YSA'n n giri katman ndaki giri nöronlar n n say s n sistemin (problemin) giri lerinin say s . Gizli katmanda ve ç k katman nda transfer fonksiyonu olarak Log-sigmoid al nm t r.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. Yapay sinir a n n e itimi için performans ölçütü olarak hatalar n kareleri ortalamas n kullanan LevenbergMarquardt algoritmas çok uygundur [23]. Buna göre olu turulan YSA'n n giri nöron say s 9 iken ç k nöron say s 3 olmaktad r. veri 0. ç k katman ndaki ç k nöronlar n n say s n da sistemin ç k lar n n say s belirlemektedir.1-0. Temelde bu algoritma maksimum kom uluk fikri üzerine kurulan en küçük kareler tahmin metodudur. veri 0. Gizli katmanda ise 16 adet nöron kullan lm t r. 100 adedi de Mühendis ve Makina . Genellikle h zl bir yak nsama yapar. SCARA robotun YSA ile modellenmesi için MATLAB 6.5 Neural Network Toolbox' kullan lm t r. y(k): ç k ve e(k): hata ) Nor. 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. Normalize ederken a a daki formül dikkate al nm t r: ekil 5. ç k lar ise Lagrange-Euler dinamik denklemleri sonucu bulunan tork de erleri olarak al nm t r. Çünkü giri -ç k de erleri.9 aras nda olmak üzere normalize edilmi tir. Robot Modelleme çin bir YSA Çözümü (u(k): giri . Bu minimize edilmek istenen de er MSE (Mean Squared Error) olarak tan mlan r ve a performans n belirler. MSE a a daki gibi formülize edilir: ekil 6. Sistemin giri leri her bir eklem hareketi için elde edilen konum. Log-sigmoid fonksiyonu ekil 6'da gösterilmi tir.

7992 3. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri ekil 11. ekil 12 ve ekil 13'de verilmi tir. 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. eklem için test ve istenen tork arasindaki hata degeri 2 0 -2 -4 -6 -8 -10 -12 -14 x 10 -4 0 1. 3. 2. Test edilirken giri vektörüne kar l k gelen ç k vektörü.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 0 [N. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri ekil 7. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i Mühendis ve Makina .5 -1 taraf ndan çizilen performans grafi i görülmektedir.7998 -9.7996 -9.YSA ç k [N.m] -9. eklemin test ve istenen tork degeri 0.8002 -9.5 2.7994 -9.95717e-011. 1. Ekleme Ait Test Sonucu Elde Edilen ve Hedeflenen Tork De erleri Performans 9.8006 0 10 20 30 40 50 60 V eri Say isi 70 80 90 100 ekil 10.Cilt: 46 Say : 550 43 . YSA'n n genelle tirme yetene i sayesinde hedef (istenen) ç k de erlerine oldukça yak n olarak bulunmu tur.8 -9.m] 1 istenen tork degeri YSA'nin test çikisi -0. Hata de erleri a a daki ekilde elde edilmi tir: Hata = Hedeflenen ç k . eklemin test ve istenen tork degeri -2 -4 -6 -8 -10 -12 0 10 20 30 40 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 50 60 V eri S ay is i 70 80 90 100 ekil 8. m ] 6 4 1. 1.799 -2 10 -9. ekil 9 ve ekil 10'da görülmektedir. [N. ekil 7'de 0 10 20 30 40 50 60 V eri Say isi 70 80 90 100 ekil 9. Hedef MSE 1e-010 [N.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. YSA'n n e itimi esnas nda hesaplanan MSE de erlerinin bulundu u Neural Network Toolbox' -1. eklemin test ve istenen tork degeri -9. test a amas nda ise sadece giri verileri verilmek suretiyle a ç k elde edilmi tir.m akale a n testinde kullan lm t r. 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 1 0 -1 -2 -3 -4 -5 x 10 -4 birlikte verildi i ekil 8.makale [N. hatalar n az olmas ndan dolay rahatl kla kullan labilir. 251-265. Neural Networks 1. tork ç k hesaplanm t r. "Feedback-Error-Learning Neural Network for Trajectory Control of a Robotic Manipulator". Türkiye. -10 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 KAYNAKÇA 1. stendi i -5 takdirde bu modele uygun bir kontrol algoritmas n n da seçilmesi ile SCARA robotun kontrolü gerçekle tirilebilir. 1988..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. "Çimento Hammadde Kar m ekil 13. Konya..5×10 .. Ankara. 2. San Diego. M. Guez. Kawato.m] 4 3 2. tork çk maksimum hata de eri -4.. Setoyama. eklem için test ve istenen tork arasindaki hata degeri 0 uygulamalar nda dinamik modelin kullan lmas gerekti i durumlarda. 1988. Miyamoto.Cilt: 46 Say : 550 . Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i Prosesinin Yapay Sinir A lar ile Matematiksel Modellenmesi".. 2-3 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. tork ç k -4 de eri -11. H. minimum hata maksimum hata de eri -4 de eri 2. Ulusal Makina Teorisi Sempozyumu. A. Makina Tasar m ve malat Teknolojileri Kongresi. 3. 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. and Suzuki. 21-28. Türkiye.. Kazan. "Solution to the nverse Kinematics Problem in Robotics by Neural Networks".. minimum hata de eri 4. "SCARA Tipi Robotun Programlanabilir Mant k Denetleyicisiyle (PLC) K smi Hareket Denetimi". IEEE Trans.C. Da . 2. 3. 2. Ekleme Ait Hedeflenen ve Test Sonucu Elde Edilen Tork De erleri Aras ndaki Hata Grafi i [N. 129-136. 316 çevrim sonucunda hedef olarak belirlenen MSE de erini yakalayarak e itimini Mühendis ve Makina . Robotlarda serbestlik derecesi artt kça dinamik denklemlerin elle yaz lmas çok karma k bir hale gelmektedir.5×10 . L.. A. olarak bulunmu tur. Robot kontrolü ekil 12. R.. 4-6 Eylül 2003. Z. E risö üt.5×10-4. 4. R. Ayr ca hedeflenen maksimum hata ç k lar ile YSA ç k lar aras ndaki hatalar ekil 11. 617-624. Proceeding IEEE Conference on Neural Networks. 9 ve 10'da YSA'n n oldukça ba ar l sonuçlar vererek istenen ç k lar oldukça küçük sapmalarla yakalad görülmektedir. M. 11.m] 5 x 10 -4 3.9×10-4 ve 3. bu çal madan elde edilen model.95717×10 Böylece yapay sinir a tamamlam t r.12 ve 13'de görüldü ü üzere 1. minimum hata de eri ise 4.T. and Ahmad. T. Dülger. 0 10 20 30 40 50 60 Veri Sayisi 70 80 90 100 -8.2×10-4.

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

Sign up to vote on this title
UsefulNot useful