FBE- Kontrol ve Otomasyon Mühendisliği Lisansüstü Programı - Doktora
Bu koleksiyon için kalıcı URI
Gözat
Yazar "Arslan, Hakan" ile FBE- Kontrol ve Otomasyon Mühendisliği Lisansüstü Programı - Doktora'a göz atma
Sayfa başına sonuç
Sıralama Seçenekleri
-
ÖgeYapay sinir ağları ile robotlarda hareket kontrolü(Fen Bilimleri Enstitüsü, 1999) Arslan, Hakan ; Kuzucu, Ahmet ; 100704 ; Kontrol ve Otomasyon Mühendisliği ; Control and Automation EngineeringRobot manipülatörler, endüstriyel otomasyon alanında giderek artan bir şekilde önem kazanmaktadır. Son zamanlarda geliştirilen endüstriyel robotlarda, yüksek hız ve hassasiyetle yörünge takibi yetenekleri gerçekten önemli özelliklerdir. Manipülatörler, eklemlerle bağlı birkaç koldan meydana gelirler. Her eklem kendisini hareket ettiren bir eyleyiciye sahiptir. Hareket momentleri, denetleyiciler tarafından verilir. Manipülatörler doğrusal olmayan çok giriş çıkışlı sistemlerdir. Bir eklemin hareketi diğer eklemin dinamiğini etkiler ve bu nedenle manipülatörler aynı zamanda etkileşimli dinamik sistemlerdir. Serbestlik derecesindeki ve her kolun çalışma alanındaki artış, daha karmaşık bir dinamik yapıya neden olur. Doğrusal olmayan robot manipülatörlerin kontrolü için etkin kontrol algoritmaları kullanılmalıdır ve bu kontrol algoritmaları genellikle robot manipülatörün dinamik denklemlerine gereksinim duyar. Fakat manipülatörler endüstriyel kullanım için iyi yapılandırılmış olsa bile, yapısal ve yapısal olmayan belirsizliklerle karşı karşıyadır. Yapısal belirsizlikler daha çok manipülatör kolu niteliklerinin noksanlığından ve bilinmeyen yüklerden kaynaklanır. Yapısal olmayan belirsizlikler ise, doğrusal olmayan sürtünmeler, bozucular ve dinamiğin yüksek frekanslı kısımları gibi modellenemeyen dinamik yapıdan kaynaklanır. Bu karmaşıklığa ve belirsizliklere rağmen, çok eklemli manipülatörler genel biçimde modellenebilir. Bu tip sistemler için ideal denetleyicilerin tasarımı, özellikle manipülatörlerin iyi bir dinamik performansı koruyarak yüksek hızla hareket etmeleri istendiğinde, günümüz kontrol teorisinin en çok ilgi çeken çalışmalarındandır. Klasik kontrolde manipülatörün her eklemi, önceden tespit edilen sabit kazançlar ile, basit konum ve hız çevrimleri ile kontrol edilir. Bu bağımsız eklem kontrolü, al-koy türünden noktadan noktaya çalışmalar sırasındaki hareket kontrolü için uygun olabilir. Hassas yörünge takibi için, özellikle robot dinamiğinin zamana bağlı parametreleri ve yük değişimleri, daha etkin algoritmalara gereksinimi ortaya çıkarır çünkü sabit kazançlı klasik denetleyiciler, bu çalışma koşullarında uygun kontrol sinyallerini veremez. Daha çok yüksek hıziardaki çalışmalar, robot dinamiğindeki belirsizliklerden etkilenir. İstenilen yörüngeyi geniş bir hareket alanı ve yük çeşitliliği için mümkün olduğu kadar yakından takipte iyi bir başarım elde etmek için, kontrol yapısı kendisini dinamik koşullardaki değişimlere uydurmalıdır. Manipülatörler için uyarlamalı denetleyiciler genellikle dinamik modelin detaylı olarak tanımlanmasına gereksinim duyar. Yapısal ve yapısal olmayan belirsizlikler durumunda, iyi bir izleme başarımı verecek uyarlama yönteminin bulunması kolay değildir. Yapay sinir ağları, klasik denetim metotlarında karşılaşılan güçlüklerin üstesinden gelebilecek potansiyele sahiptir. Evrensel yaktaşıklama özellikleri nedeni ile, herhangi bir manipülatör için uygun olabilecek genel denetleyiciler olarak kullanılması mümkündür, öğrenme yetenekleri sayesinde başarımlarını arttırarak, manipülatör dinamiği bilgilerini gerektirmeksizin, çevrimdışı veya çevrimiçi öğrenme ile tatmin edici sonuçlara ulaşabilirler. Yapay sinir ağlan bir sistemi herhangi bir model bilgisine ihtiyaç olmaksızın kontrol etmeyi öğrenebilir, bu durumda öğrenme XII için, girişler, çıkışlar ve eğitim sinyali gereklidir. Yapay sinir ağları eğer model hakkında bilinenler varsa, robot dinamiği kontrolünde kompansatör olarak kullanılabilirler. Yapay sinir ağının iç yapısı, çıkış için istenilen hedef fonksiyona bağlıdır. Eğer kontrol edilen sistem karmaşık bir dinamik yapıya sahip ise, dinamik davranışı tanımlayabilmek için geniş ağ yapıları gerekebilir ve bu gerçek zamandaki hesap yükünü arttırır. Yapay sinir ağının yaklaşıklama yeteneğindeki güç, nöron olarak adlandırılan işleme elemanları ve her bir nöronun çıkışını üreten etkinlik fonksiyonları ile ortaya çıkar. Doğrusal olmayan işleme elemanları olmaksızın, yapay sinir ağı doğrusal olmayan yapıları öğrenemez, öğrenme algoritmasının ana amacı, nöronları birbirine bağlayan en uygun ağırlıkların bulunmasıdır. Geriye yayınım yöntemi, çok katmanlı ileribeslemeli ağ mimarisi için en çok popüler olan öğrenme algoritmalarından biridir ve gözeticili bir yöntem olarak yapay sinir ağı uygulamalarında çokça ve başarıyla kullanılmaktadır. Yapay sinir ağı tasarımı için gereken teori iyi tanımlanmamıştır ve saklı katmanların, saklı katmandaki nöron sayılarının, etkinlik foksiyonlarının, öğrenme kurallarının seçimi genellikle deneme yanılma yönteminin kullanılmasını gerektirmektedir. Bu tez çalışmasının ana katkısı, eğitilmiş ağın iç yapısının incelenmesi ve bu sayede yapay sinir ağı mimarisinin tasanm işini daha iyi hale getirebilmektir. Bu amaçla ilk adım, eğitim sonunda etkinlik fonksiyonlarının, tanım aralıklarına göre olan davranışlarını incelemektir, ikinci adım, etkinlik fonksiyonlarının zamana veya ağ girişlerine karşı gösterdikleri davranışları karşılaştırmaktır. Üçüncü adım, ağ çıkış fonksiyonu bileşenlerini karşılaştırmaktır. Ağ çıkışında yapılan ölçeklemenin, ağırlıkların yenilenmesi işlemini ve ağırlıkların mutlak değer ortalamalarını nasıl etkilediği de gösterilmiştir. Sayısal benzetim için, saklı katmanda farklı sayıda nöron içeren yapay sinir ağı mimarileri kullanılmıştır. Geribesleme hatası ile öğrenme yöntemi, iki serbestlik dereceli robotun ters dinamiğini, 4s süren zaman aralığında belirlenmiş yörünge üzerinde öğrenmek için kullanılmıştır "Şekil 1". Şekil 1. Geribesleme hatası ile ters dinamik öğrenme. Saklı katmanda sigmoid fonksiyonlar ve çıkış nöronları için de doğrusal fonksiyonlar kullanılmıştır. Yapay sinir ağı çıkışları çok önemlidir çünkü hedef fonksiyon ile ağın çıkışı arasındaki fark burada ölçülür. Yapay sinir ağlarının fonksiyon yaklaşıklama yeteneklerini etkin olarak kullanmak için, çıkışta doğrusal fonksiyon bile kullanılsa, ağ çıkışında ölçeklendirme yapılması gereklidir, ölçeklendirme yapılmazsa, çıkış XIII katmanı ağırlıkları mutlak değer olarak büyür ve bu, saklı katman nöronlarının tanım aralıklarını etkiler. Saklı katmandaki sigmoidlerin giriş aralıklarının genişlemesi bu fonksiyonların doyuma gitmesine neden olur ve bu tüm öğrenme algoritmasını kötü şekilde etkiler. Saklı katmandaki sigmoid fonksiyonların yapılarını görebilmek için 4 saklı katman nöronlu, ölçekli ve ölçeksiz ağ yapıları, "Şekil 2" ve "Şekil 3"de karşılaştırmıştır. Sigmoid fonksiyonların tanım aralıkları "Şekil 2"de istenilene yakın olmasına rağmen, "Şekil 3"de, geniş tanım aralıkları nedeni ile, doyuma giden nöronlar ortaya çıkmıştır. Bu sigmoid fonksiyonlar, yapay sinir ağı çıkışlarında farklı sonuçlara sebep olurlar. Ağ çıkış fonksiyonlarının bileşenleri "Şekil 4"de görülebilir. Sigmoid fonksiyonlardaki doyma etkisi, doğrudan ağ çıkış bileşenlerini etkiler. Bu bileşenlerin toplamı, istenilen ağ çıkışları ile "Şekil 5" üzerinde görülebilir. Saklı katmanda aynı sayıda nöron kullanılmasına rağmen, ölçeklendirme nedeni ile, ağ çıkışları çok farklı olabilmektedir. Sigmoid fonksiyonların görsel incelenmesi, bunların verimliliği hakkında fikir verir. Eğer bunların tanım aralıkları geniş veya dar ise, bu nöronların yaklaşıklama işleminde yeteri kadar verimli olmadığı söylenebilir. Dar tanım aralıkları, sigmoid fonksiyonların doğrusal bölgede kalmalarına neden olur. Yapay sinir ağı, birden fazla çıkışa sahip olduğunda, bu çıkışların değişim aralıkları, öğrenmeyi iyileştirmek için ölçeklendirme ile dengeli hale getirilebilir, ölçeklendirme ile, az sayıda saklı katman nöronu için bile iyi sonuçlar elde etmek mümkündür, aksi halde iyi sonuç elde etmek için daha geniş ağ yapılarına ihtiyaç duyulmaktadır. Saklı katmandaki nöron sayısı arttıkça, ağırlıkların mutlak değer ortalamaları düşer ve bu sigmoid fonksiyonların doyuma gitmesini engeller. Şekil 2. Ölçekli ağ çıkışı için saklı katman nöronları. fi (neti,) f?(nethp,) j = 1 -0.5 -10 -1 j = 2 10 -10 ; = 3 j = 4 -10 0 net;, 10 -10 0 net;, 10 Şekil 3. ölçeksiz ağ çıkışı için saklı katman nöronları. XIV Ölçekli YSA çıkışı bileşenleri (N m ) zaman(s) 4 Ölçeksiz YSA çıkışı bileşenleri (N m ) 3 zam an(s) 4 Şekil 4. İkinci eklem momenti için yapay sinir ağı çıkış bileşenleri. 30 İkinci eklem m om enti(N m ) ^\ -30, ?İstenilen moment -ölçekli YSA çıkışı 3 zaman(s) 4 30 İkine ieklem m o m e n ti(N m ) -3 0, İsten ilen moment Ölçeksiz YSA çıkışı 3 zaman(s) 4 Şekil 5. ikinci eklem momenti için yapay sinir ağı çıkışları. XV Ölçeklendirme gözönüne alınmazsa, aynı hedef fonksiyon için daha geniş ağ yapıları ortaya çıkabilir ve bu durum, eğitilmiş ağın iç yapısı incelenmezse anlaşılamayabilir. Sigmoid fonksiyonlar ve ağ çıkış bileşenleri, ağın topolojik yapısı hakkında pekçok faydalı bilgi verir. Geribesleme hatası ile öğrenme yönteminde, yapay sinir ağı sistemin ters dinamiğini öğrenir ve klasik denetleyici çıkışları zamanla sıfır civarına gider ve yapay sinir ağı ileribesleme denetleyici gibi davranır. Bu yöntemde, ağın çıkış hatalarının kareleri toplamı, PD denetleyici çıkışlarından hesaplanır. Her kontrol çevrim zamanı için artan tur sayısı ile, PD denetleyici çıkışlarının kareleri toplamı, "Şekil 6" ve "Şekil 7"de görüldüğü gibi azalmaktadır. Bu hataların yakınsaması, ölçekli ve ölçeksiz ağ çıkışları için farklıdır. İlginç olan sonuç, saklı katmandaki daha fazla sayıda nöron için, ölçekli ve ölçeksiz yapılar arasındaki fark azalmaktadır. Saklı katmanda 4 ve 24 nöron kullanan ağ yapıları karşılaştırıldığında, 24 nöronlu yapı için, birinci ve ikinci eklemlerin PD denetleyici çıkışlarının kareler toplamı, ölçekli ve ölçeksiz ağ çıkışları için, birbirine daha yakındır, ûlçeklendirmenin etkisi, büyük ağ yapıları için azaldığından, saklı katmanda gereksiz sayıda nöron kullanımına sebep olabilir. Dinamik sistem kontrol uygulamaları için, bir yapay sinir ağı kullanıldığında, yapay sinir ağlarının fonksiyon yaklaşımlama yaptıkları daima gözönünde tutulmalıdır, iyi tasarlanmış ağ yapıları kontrol sisteminin başarımını arttırır, aksi halde YSA hem istenilen başarımı sağlayamaz hem de gereksiz yere hesap yükünü arttırır. 1. eklem I* -ölçek, = 10 -Blçek,=l 0 10 20 30 40 SO SO 70 Tur sayısı 10 2. eklem ir 2 PD --olçek2=2.5 -ölçek2=l 10 20 30 40 50 60 70 Tur sayısı Şekil 6. PD denetleyici çıkışlarındaki azalma (4 nöron için). 10 1. eklem 0 10 20 30 40 50 60 70 Tur sayısı 10 2. eklem I* 2 PD - ölçek2=2.5 -ölçekı=l Şekil 7. PD denetleyici çıkışlarındaki azalma (24 nöron için).