Scara robot dinamiğinin yapay sinir ağları kullanarak modellenmesi
Üretim kapasitesi ve verimliliğin artırılması , belirli standartlarda ve hassasiyette ürün elde edilmesi, iş gücü tasarrufu vb. gereksinimler nedeniyle birçok alanda değişik robotlar kullanılmaktadır. Bu çalışmada üç eklemli bir SCARA robotu ele alınmış ve dinamiği yapay sinir ağları (YSA) ile modellenmiş- tir. Robotun Lagrange-Euler dinamik denklemleri çıkarılmıştır. Modellenecek olan SCARA robot kolu, kübik yörüngelerle ifade edilen iki dönme ve doğrusal yörüngeye sahip bir öteleme hareketi yapmaktadır. Belirlenen zaman aralığındaki sınır şartları kullanılarak kübik ve doğrusal yörüngelerin katsayıları elde edilmiş ve bu sayede konum, hız ve ivme denklemlerine ulaşılmıştır. Verilen zaman aralıklarındaki konum, hız ve ivme değerleri YSA'na giriş ,tork değerleri ise çıkış olarak verilmiştir. Böylece YSA'nın dokuz giriş , üç çıkış nöronu bulunmaktadır. Bu çalışmada çok katmanlı ileri beslemeli geri yayılım ağı ve transfer fonksiyonu olarak da logaritmik sigmoid fonksiyonu kullanılmıştır. Geri yayılım ağı , eğitim fonksiyonu olarak Levenberg-Marquardt optimizasyon yöntemine göre ağırlık ve bias değerlerini güncellemiştir. Hedeflenen MSE (ortalama hataların karesi) değerine ulaşılarak YSA'nın eğitimi tamamlanmış ve çevrim sayısına göre MSE değerlerinin görülebildiği performans grafiği verilmiştir.
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.
___
1. Eğrisöğüt, A., Kazan, R., "Çimento Hammadde Karışım Prosesinin Yapay Sinir Ağları ile Matematiksel Modellenmesi", Makina Tasarım ve İmalat Teknolojileri Kongresi, 21-28, 2-3 Kasım 2001, Konya, Türkiye. 2. Daş, M.T., Dülger, L.C., "SCARA Tipi Robotun Programlanabilir Mantık Denetleyicisiyle (PLC) Kısmi Hareket Denetimi", 11. Ulusal Makina Teorisi Sempozyumu, 129-136, 4-6 Eylül 2003, Ankara, Türkiye. 3. Guez, A. and Ahmad, Z., "Solution to the Inverse Kinematics Problem in Robotics by Neural Networks", Proceeding IEEE Conference on Neural Networks, 617-624, 1988, San Diego. 4. Miyamoto, H., Kawato, M., Setoyama, T., and Suzuki, R., "Feedback-Error-Learning Neural Network for Trajectory Control of a Robotic Manipulator", IEEE Trans. Neural Networks 1, 251-265, 1988. 5. Kawato, M., Uno, Y., Isobe, M., and Suzuki, R., "Hierarchical Neural Network Model for Vol-Untary Movement with Application to Robotics", IEEE Control Systems Magazine 8, 8-17, 1988. 6. Omedei, A., Legnani, G., Adamini, R., "Three Methodologies for the Calibration of Industrial Manipulators: Experimental Results on a SCARA Robot", Journal of Robotic Systems, 17(6), 291-307, 2000. 7. Köker, R., Öz, C., Çakar, T., Ekiz, H., "A Study of Neural Network Based Inverse Kinematics Solution for a Three-Joint Robot", Robotics and Autonomous Systems, 49, 227-234, 2004. 8. Daş , M. T., Dülger, L. C., "Mathematical Modelling, Simulation and Experimental Verification of a Scara Robot", Simulation Modelling Practice and Theory, 13, 257-271, 2005. 9. Wilhelmsen, K., Cotter N., "Neural Network Based Controllers for a Single-Degree-of Freedom Robotic Arm", International Joint Conference on Neural Networks, 407-413, 1990. 10. Kosko, B., Neural Networks and Fuzzy Systems, a Dynamical Systems Approach to Machine Intelligence, Prentice-Hall International Editions, Englewood Cliffs, N.J., ISBN 0-13-612334-1, 1992. 11. Rabelo, L. C., Avula, X. J. R., "Hierarchical Neurocontroller Architecture for Intelligent Robotic Manipulation", Proceeding IEEE International Conference on Robotics and Automation, Sacramento, California, 2656-2661, 1991. 12. Fukuda, T., Shibata, T., Tokita, M., Mitsuoka, T., "Adaptation and Learning for Robotic Manipulator by Neural Network", Proceeding of 29th IEEE Conference on Decision and Control, 6, 3283-3288, 1990. 13. Liu, H., Iberall, T., Bekey, G. A., "Neural Network Architecture for Robot Hand Control", IEEE Control Systems Magazine, 9(3), 38-43, 1989. 14. Karakasoglu, A., Sundareshan, M. K., "Decentralized Variable Structure Control of Robotic Manipulators, Neural Computational Algorithm", Proceeding of 29th Conference on Decision and Control, 3258-3259, December, 1990. 15. Smagt, P. P., Krose, B. J. A., "A Real-time Learning Neural Robot Controller", Proceeding of International Conference on Neural Networks, Espoo, Finland, 351-356, 1991. 16. Tsutsumi, K., Matsumoto, H., "Neural Computation and Learning Strategy for Manipulator Position Control", Proceeding of the IEEE First Annual International Conference on Neural Networks, 4, 525-534, 1987.17. Çalışkan, M., İki Uzuvlu Bir Robot Kolunun Hesaplanmış Moment Metoduyla Kontrolü, Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, 1996. 18. Ed. Kreith, F., Mechanical Engineering Handbook, Lewis, F.L., Section 14 Robotics, CRC Press LLC, 1999. 19. Er, M.J., Low, C.B., Nah, K.H., Lim, M.H., Ng, S.Y., "Real- Time Implementation of a Dynamic Fuzzy Neural Networks Controller for a SCARA", Microprocessors and Microsystems, 26, 449-461, 2002. 20. Wai, R-J., "Tracking Control Based on Neural Network Strategy for Robot Manipulator", Neurocomputing, 51, 425-45, 2003. 21. Eğrisöğüt, A., Çimento Hammadde Karışım Prosesinin Yapay Sinir Ağları ile Matematiksel Modellenmesi, Yüksek Lisans Tezi, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, 2002. 22. Fletcher, R., Unconstrained Optimization, Practical Methods of Optimization, 1, John Wiley & Sons, ISBN 0-471-27711-8, 1980. 23. Hagan, M.T., Demuth, H.B., Beale, M., Neural Network Design, PWS Publishing Company, Boston, 1995.
- ISSN: 1300-3402
- Yayın Aralığı: Yılda 4 Sayı
- Başlangıç: 1957
- Yayıncı: TMMOB MAKİNA MÜHENDİSLERİ ODASI