ENDÜSTRİYEL TAŞIYICI SİSTEMLERİN YAPAY SİNİR AĞLARI İLE ANALİZİ

Transkript

1 ENDÜSTRİYEL TAŞIYICI SİSTEMLERİN YAPAY SİNİR AĞLARI İLE ANALİZİ İlyas KACAR Mana Mühendslğ Bölümü Mühendsl-Mmarlı Faültes Nğde Ünverstes, 500, Nğde e-posta: Anahtar sözcüler: Endüstryel Taşıyıcı Sstemler, Modelleme, Yapay Snr Ağları ABSTRACT Industral lftng devces are generally used for pacagng, handlng, storage, and transportng of the raw materals and products n ndustral systems. Ths paper presents artfcal neural networ technque for ndustral forlfts. In ths study, an applcaton for an ANN model to predct forces n onng of forlft s nvestgated usng a model under dfferent worng condtons. Proposed model results are compared aganst the ANN-based model. Results ndcate that neural networs may be relably used for forlft systems n order to mprove equpment performance.. GİRİŞ Forlftler malzemeler taşıma, çeme, tme, götürme, yuarı aldırma, sıralama çn ullanılmatadırlar. Şel de ço yaygın olara ullanılan br forlftn detayları verlmştr. Forlftlern mafsal notalarında hareetlernn ve uvvet dağılımlarının blnmes ve optmzasyonu forlftn performansı açısından olduça önemldr. Ayrıca ş manasının ullanımı esnasında en sı rastlanan ş azalarından br de operatörün yüün aldırılması esnasında ararlılı üçgen dışına çıılaca derecede dengesz br yü dağılımı oluşturmasıdır []. Bu problem ullanım esnasında ş güvenlğ açısından öneml br rter olmatadır. Eğer rt mafsal notalarına gelece yüler önceden tahmn edleblrse muhtemel azaların önüne geçlmş olacatır. Faat problem olduça armaşı olup analzlernde sııntılarla arşılaşılmatadır. Son yıllarda araştırmacıların büyü br çoğunluğunun üzernde çalıştığı yapay snr ağı tenğ, pe ço problemn analznde başarı le ullanılmış, özellle mühendsl sahasında las çözüm metotlarının yeterl olmadığı durumlarda alternatf çözüm önerler sağlamıştır []. Lennox ve aradaşları [3] benzn motorlu endüstryel sstemlere snr ağı yöntem uygulayara, ağın ontrol ve proses tabn yleştrdğn bulmuşlardır. Şel-. Forlftlern genel olara yapısı [4] Endüstryel alanda yapılan çalışmalarda, çalışma ortamını ve güvenlğn yleştrme amaçlı olara, Horberry ve aradaşları [5]; taşıt ve yayaları çeren nsan merezl tasarımları ele almışlar, taşıyıcı manaları da çeren br trafte potansyel tehleler önleme onusunda olumlu sonuçlar elde etmşlerdr. Han-Kee Jang ve Du-Yoon Koo [6] endüstryel taşıyıcının başlangıç hareetnn ve sürüş altesnn artırılması amaçlı olara 5 ayrı taşıyıcı üzernde ve farlı yü değerlernde sürüş doğrultusunda şolar, dey ve yalpalama ttreşmlernden oluşan parametreler deneysel olara ncelemşlerdr. Verschoore ve aradaşları [7] oluşturduları smülasyon modelde endüstryel taşıyıcıların farlı oltu ve last şartlarında sürüş onforunu, yol profln de değerlendrere smüle ve test etmşlerdr. Yapay snr ağlarının endüstryel alanda uygulamaları yen br onu olup, Chauhan ve Dave [8] güç atarma sstemlernn güvenlğn tahmn etmede yapay snr ağı tenğnn vermllğn ncelemştr. Das ve aradaşları [9] genel olara ontrol ve şablonların-desenlern tanınmasında ullanılablece yapay snr ağları onusunda tcar çalışma yapara entegre devre üretmşlerdr. Cavalera ve aradaşlarının [0] otomotv setöründe fren balatalarının üretmnde brm malyetn

2 tahmnnde ullandığı parametr ve yapay snr ağlı ayrı yalaşımın sn de ürün gelştrme aşamasında uygulayara arşılaştırma yapmışlardır. Bu alanda ağın las yönteme göre alternatf geçerl sonuçlar verdğn belrtmşlerdr. Bu tenğn ş manaları üzernde uygulanması se yen br onu olup, lteratürde henüz bu metot le ontrol ve otomasyon optmzasyonu çalışmalarına rastlanmamıştır. Çalışmamızda taşıyıcının güvenl, eonom ve daha uzun ömürlü ullanım manı sağlanması amaçlanmıştır. Çalışmada forlftn mafsal notalarına gelen yüler benzetm yoluyla elde edlere bu değerler, oluşturulan yapay snr ağının eğtlmesnde ve test edlmesnde ullanılmıştır. Ayrıca eğtlen ağa farlı grşler uygulandığında alınaca çıış değerler de smülasyondan elde edlen değerlerle ıyaslamalı olara tartışma bölümünde değerlendrlmştr.. YAPAY SİNİR AĞLARI Yapay snr ağları, nsan beynnn temel brm olan nöronlara (snr hücrelerne) benzer olara teşl edlen yapay hücrelern farlı topolo ve ağ modelleryle brbrne bağlanmasıyla oluşan armaşı sstemlerdr. atvasyon fonsyonuna bağlı olara elde edlmetedr. Ger yayılım algortması le eğtlen ço atmanlı yapay snr ağı tp (Mult-Layer Perceptron-MLP), genellle terch edlen br mmar olup çalışmamızda da grş atmanında düğüm, gzl atmanda 5 düğüm ve çıış atmanında da düğüm olaca şelde teşl edlmştr. Çıış düğümler modeln belrtlen notalarında uvvet değerlern göstermetedr. Gzl atmanda düğüm sayısı modelden elde edlen eğtm setne uygun olması neden le genel olara 5-7 arasında değştrlmştr. Grş ve çıış atmanlarının arasında mevcut gzl atmanlar lneer olmayan davranışları dolayısıyla snr ağının toplam davranışının aynağı olmatadır. Grş ve çıış atmanlarında hücre sayıları ele alınan problemn gerelerne göre belrlenmş olup, anca gzl atman veya atmanlarda hücrelern doğru sayısı optmall açısından farlı değerlerde ullanılmıştır. Ağların tamamı blgsayar üzernde benzetm yapılan yazılımlardır ve topolos Şel de gösterlmetedr. Şelde üç atmanlı -7- düzenne sahp br MLP snr ağı yapısı gösterlmştr. McCulloch ve Ptts [] yaptıları çalışmalar sonunda, br hücreye N tane ağırlılandırılmış grş parametres grmete ve hücre, sonucu lneer olmayan br fonsyondan geçrmetedr. Herhang br atmanda nc hücreye gelen toplam grş, önce atmanda hücrelern y çıışlarının (l atman çn grşlern) bağlantılar üzernde w ağırlıları le hesaplanmış br ağırlılı toplamı olmatadır. Matematsel olara; N net = yw () şelnde fade edlmetedr. Katmanları oluşturan hücre çıışları, ağırlılanan grşlern br eş değerden çıartılıp lneer olmayan br fonsyondan geçrlmesyle hesaplanmatadır. Bu durum; () f ( net ) = + N exp y w denlem le fade edlmetedr. Ön gerlm fades de denleme dahl edldğnde genel halde; f(net )= f(yw+b) (3) şelnde yazılablmetedr. Burada f(net) hücre çn tanımlanmış atvasyon fonsyonu, w hücreler arası ağırlılar, y grş vetörler, b se ağ ön gerlmlerdr. Şel-. Kuvvet dağılımı çn oluşturulan 7 yapısında ağ topolos (Şelde ölçe ağırlıların brbrlerne göre durumlarını göstermetedr). Bu MLP model ağ, özellle mühendsl uygulamalarında en ço ullanılan snr ağı model olmuştur. Brço öğretme algortmasının bu ağı eğtmede ullanılablr olması, bu modeln yaygın ullanılmasının sebebdr. Gzl atmanda hperbol tanant transfer fonsyonu ullanılmıştır. Bu atvasyon fonsyonu çn hücre grş-çıış fades () de ve ullandığımız atvasyon fonsyonu Şel 3 te verlmetedr. Ağda, her br atmana at hücreye toplam grş br alt atmanda hücre çıışlarının ağırlılandırılması le elde edlr. Hücre çıışları se o hücre çn tanımlanmış

3 Çıış değer,5 0,5 çerece şelde ağırlıların ayarlanması le formül aşağıda şelde genelleştrlmştr: w ( t + ) = αδ O + β w ( t) (7) 0-5,00-3,00 -,00,00 3,00 5,00-0,5 Grş değer - -,5 Şel-3. Çalışmada ullanılan hperbol tanant atvasyon fonsyonu Gerye yayılma algortması esasen ço atmanlı ağların eğtmnde ullanılan öğretcl br öğrenme algortmasıdır. Grş atman-salı atman ve salı atman-çıış atmanları arasında mevcut olan ağırlılı bağlantıların, w h ve w ho, ağ çıışında oluşan hataya bağlı olara optmze edlmes amaçlamatadır. Grş ve lgl çıış vetörü, ağı eğtme çn ullanılmatadır. Örüntüyü belrleyen grş vetörü ağın l atmanına verldten sonra arada gzl atmanlardan geçere en sonda çıış atmanına ağırlılar yardımı le ulaşır. Ağda her br hücre, endsnde sonlanan ağırlı vetörlernn artmetsel toplamını aldıtan sonra sonucu endnden sonra atmanın tüm hücrelerne, ullandığımız atvasyon fonsyonuna bağlı olara atarmatadır. Bu algortma, hataları gerye doğru çııştan grşe azaltmaya çalışmatadır. Ağırlıların yenlenmes nc grd le nc hücre çn; w =w + w (4) le fade edlr. İfadede w term ağırlıların yenlenme değern belrtmetedr. Her br ncı grdçıtı örne çft çn ağırlı değşm; w ( t) = α T O x (5) ( ) le fade edlr. Burada T stenen hedef çıtı, O gerçe çıtı, α öğrenme oranı ve x se nc ağ grdsdr. Herhang br ncı tabaada örne çft çn toplam hata ve ortalama hata fonsyonu çn ger yayılım algortmasında ortalama are hatası olara blnen hata ölçütü ullanılablr. E = ( T O ) (6a) E = P p ( T O ) (6b) Burada β momentum term, δ eğtm setnde. örne çft çn. hücrenn hata değerdr ve ullanılan eş fonsyonunun türevn çeren br termdr. Bu nedenle eş fonsyonu ağırlılandırılmış grd toplamları le hesaplanmış net grdy alara, şlem elemanlarının çıtısını belrleyen ve türevleneblr olması terch sebeb olan br fonsyondur. Bu fadelerden yapay snr ağında grş değerlernn, ağırlılı bağlantıların belrlenmesnde ve dolayısı le snr ağı eğtmnde öneml br rol oynadığı görülmetedr. 3. NÜMERİK MODELLEME ve METODOLOJİ Bu çalışmada forlft çn Şel 4 de görülen nemat model oluşturulmuştur. İncelenen notalar model üzernde 5 ve 6 mafsalları olara belrtlmş olup, numaralı uzuv tahr uzvunu göstermetedr. Bu modelden elde edlen değerler yapay snr ağı çn eğtm ve test ümeler olara ullanılmıştır. Bu model üzernde 7 notası, ataşman olara adlandırılan yü tutucu ısımdır ve yü bu notaya uygulanmatadır. İş manasının tap ettğ yörünge ve yü dağılımı tbarı le özellle 5 ve 6 notalarına x ve y doğrultularında gelen uvvetn zamana göre değşm smüle edlmştr. Modeln 5 ve 6 notaları dışında notalarında, uvvetn dağılımı brbrne yaın değerlerde olduğundan dolayı, öncell olara bu notalar ncelenmştr. Yapay snr ağları çn eğtm ve test ümes olaca değş uvvet değerler, modeln bu mafsalları üzernde yapılan nümer çalışma le elde edlmştr. Hataların ares alınara belenen değerden uza olan çıış değerlernn toplam hatayı oluşturması sağlanmatadır. Hatayı mnmum yapma amacı le hatanın ağırlılara olan bağımlılığı hesaplanır ve gradente bağlı olara ağırlılar hatayı düşürece şelde yenlenmetedr. Rumelhart [] tarafından, ağın yaınsamaması durumunda β momentum termn de Şel-4. Analz edlen forlft meanzması

4 Çalışmamız modeln mafsal notasında yapılan analz ve değerlendrme çalışmasıdır. Modelde tahr uzvu numaralı eleman üzernde olup uygulanan tahr toru Şel 5 te görüldüğü gb lneerdr. Hareetn tamamı 7 eş parçaya ayrılmıştır. Bu değerler snr ağına grş değerler olara ullanılan değerlerdr. Hareetn 7 adımı çn her onuma at zaman dlm sn olara alınmıştır. Hareet adımı, zaman dlm olara yorumlanablmetedr. Modelden elde edlen değerler, ş manasının ataşmanına uygulanan ve 0 brml yü olma üzere farlı ütle değerlernden elde edlmştr. Ağ ço atmanlı br yapay snr ağı model (multlayer perceptron-mlp) dr. Grş elemanlarının sayısı 7 şablondur. Çalışmada aşağıda ağ değşenler ullanılmış olup, sonuç değerler de bu ağın verlen parametreler vasıtası le eğtlp test edlmes le elde edlmştr. Grş data set=7 Gzl atman sayısı= Gzl düğümler =5-7 arası değşen Çıış düğümler Çıış eşğ 0.99 Öğrenme hızı η=0. Momentum α= 0. Öğrenme eşğ Şel-5. Smüle edlen tor değşm Numer model ullanılara elde edlen değerler ger yayılım algortması ve hperbol tanant atvasyon fonsyonuna sahp yapay snr ağında eğtlmş ve test edlmştr. Uygulama QwNet [3] yazılımı ullanılara gerçeleştrlmştr. Forlft modelnn oluşturulmasında ve sayısal analznde SAM 3.0 [4] programı ullanılmıştır. 4. SONUÇLAR ve TARTIŞMA Forlft model üzernden elde edlen zamana bağlı uvvet bleşenler F 5 (x), F 5 (y), F 6 (x) ve F 6 (y) nn değerler Şel 6 da görülmetedr. F 5 (x) ve F 5 (y) sırası le modeln 5 notasına gelen yü uvvetnn yatay ve dey bleşenlerdr. Aynı şelde, F 6 (x) ve F 6 (y) bleşenler de sırası le modeln 6 notasına gelen yü uvvetnn yatay ve dey bleşenlerdr 5 notası çn x ve y doğrultularında, snr ağından elde edlen çıış değerlernn 7 adet eğtm şablonuna göre grafler Şel 7 de ve 6 notası çn elde edlen değerler de Şel 8 de gb olmatadır. Kuvvet [F5],00E+03 8,00E+0 6,00E+0 4,00E+0,00E+0 0,00E+00 0,00E+00,00E-0,00E-0 3,00E-0 4,00E-0 5,00E-0 6,00E-0 -,00E+0-4,00E+0 Fx(5) Fy(5) Zaman [sn] Şel-7. 5 notasında 7 adet eğtm şablonuna (zaman aralıları) göre, snr ağından elde edlen çıış değerler Kuvvet [F6],50E+0,00E+0 5,00E+0 Zaman [sn] 0,00E+00 0,00E+00,00E-0,00E-0 3,00E-0 4,00E-0 5,00E-0 6,00E-0-5,00E+0 -,00E+0 -,50E+0 -,00E+0 Fx(6) Fy(6) -,50E+0 Şel-8. 6 notasında 7 adet eğtm şablonuna (zaman aralıları) göre, snr ağından elde edlen çıış değerler Şel-6. 5 ve 6 notasında uvvetn x ve y bleşenlernn zamana göre değşm. Graflerden de anlaşılacağı üzere snr ağının oluşturduğu tahmn değerler (Şel 7-8), smülasyon değerler (Şel 6) le uyumlu olmatadır. Böylece de bu ağ modelnn, bu tp ş manalarının çalışma

5 güvenlğ ve performansı açısından önerleblr br uygulama olduğu açıça görülmetedr. Bu çalışmada ve dğer uygulamalarda görüldüğü gb yapay snr ağlarının en öneml faydalarından brs de; yen durumlara adaptasyon edleblmeler ve sonradan ver grşn abul etmelerdr. Kullanılan metot ve yapılan abul ne olursa olsun, sayılar tasarım aşamasında sadece br fr verme çn vardır ve asıl problem sstemn gerçete davranışının tam olara anlaşılmasıdır. 5. SONUÇ Önerlen ger yayılımlı ağ, ş manalarında mafsal notalarına gelen yüün tahmnnde ullanılmıştır. Verler model üzernde yapılan smülasyon sonucunda elde edlen verlerdr. Ağ, zamana bağlı uvvet değşmlernn tahmnnde faydalı olmuştur. Ağ farlı yü değerler çn eğtlp test edlmştr. Ağ topolosnde yapılaca üçü değşler veya modeln daha omples onfgürasyonları le farlı yülenme şartlarına sahp ş manalarının analz yapılableceğnden dolayı, çalışma daha apsamlı uygulamalar çn gelştrleblr. Buna rağmen çalıştığımız modeln ncelemesn yaptığımız mafsal notalarında yü dağılımı, yapay snr ağı tarafından başarılı br şelde eğtlp test edlmştr. KAYNAKLAR [] Wllam J. Becer, Wllam C. Stephenson, Powered Industral Trucs (For Lfts): OSHA Standard 90.78, OCCUPATIONAL SAFETY AND HEALTH ACT, Florda Cooperatve Extenson Servce, Unversty of Florda, Fact Sheet AE-0, 993. [] M.Y. Rafq, G. Bugmann, D.J. Easterbroo, Neural Networ Desgn for Engneerng Applcaton, COMPUTERS AND STRUCTURES, Vol 79 Iss pp 54-55, 00. [3] B. Lennox, Gary A. Montague, Andy M. Frth, Chrs Gent, Vc Bevan, Industral Applcaton of Neural Networs- An Investgaton, JOURNAL OF PROCESS CONTROL, Vol, pp , 00. [4] SAMPLE DAILY CHECKLISTS FOR POWERED INDUSTRIAL TRUCKS, The Revsed OSHA Standard for Powered Industral Truc Tranng, Occupatonal Safety & Health Admnstraton, 996. [5] T. Horberry, Tore J Larsson, Ian Johnston, John Lambert, Forlft Safety, Traffc Engneerng and Intellgent Transport Systems: a Case Study, APPLIED ERGONOMICS, Vol 35, pp , 004. [6] H. Jang, Du-Yoon Koo, Obectve Measurement of The Start-Moton Qualty of A Forlft Truc, APPLIED ERGONOMICS, Vol 35, pp , 004. [7] R. Verschoore, J.G. Peters, I.V. Pollet, Measurements and Smulaton On The Comfort of Forlfts, JOURNAL OF SOUND AND VIBRATION, Vol 66 pp , 003. [8] S. Chauhan, M.P. Dave, ANN for Transmsson System Statc Securty Assessment, ELECTRICAL POWER AND ENERGY SYSTEMS, Vol 4, pp , 00. [9] Fernando Morgado Das, Ana Antunesa, Alexandre Manuel Mota, Artfcal Neural Networs: a Revew of Commercal Hardware, Vol 7, pp , 004. [0] Sergo Cavalera, Paolo Maccarroneb, Roberto Pntoa, Parametrc vs. Neural Networmodels for the Estmaton of Producton Costs: a Case Study n the Automotve Industry, INT. J. PRODUCTION ECONOMICS, Vol 9,pp 65 77, 004. [] McCullogh W.S., Ptts W., A Logcal Calculus of Ideas Immnent n Pervous Actvty., BULL. MATH., BIOPHYSICS, Vol 5, pp 5-33., 943. [] Rumelhart, DE., Hnton, GE., and Wllams, R J., Learnng Internal Representaton by Error Propagaton. n Parallel Dstrbuted Processng : Exploratons n the Mcrostructures of Cognton, MIT Press, Cambrdge, MA., 986. [3] QwNet v.3, Copyrght (C) Crag Jensen, [4] Sam v3.0 for Wndows, Copyrght (C) , Artas Engneerng Software,