Scara robot dinamiğinin yapay sinir ağları kullanarak modellenmesi

Özet

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.

Abstract

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.