Tez No	İndirme	Tez Künye	Durumu
756598		Destek vektör makinesi ile robotik kolların uyarlamalı model öngörülü kontrolü / Support vector machine based model predictive adaptive control of robotic arms Yazar:SANEM KILIÇASLAN Danışman: DOÇ. DR. GÖKHAN GELEN Yer Bilgisi: Bursa Teknik Üniversitesi / Lisansüstü Eğitim Enstitüsü / Mekatronik Mühendisliği Ana Bilim Dalı / Mekatronik Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Mekatronik Mühendisliği = Mechatronics Engineering ; Mühendislik Bilimleri = Engineering Sciences Dizin:	Onaylandı Doktora Türkçe 2022 74 s.
Robotik kolların dinamiğinin doğru bir şekilde hesaplanması ve denetleyici parametrelerinin uyarlanması için; modelin keskinliği ve hassasiyeti büyük önem taşımaktadır. Doğrusal olmayan sistem dinamiklerinin keskin bir şekilde tanımlanmasında yapay sinir ağları ve destek vektör makinası algoritmaları sıklıkla tercih edilmektedir. Destek vektör makineleri, makine öğrenmesi yöntemleri arasında en etkili regresyon tekniklerinden biridir. Bu tez çalışması kapsamında, robotik kolların destek vektör makinesi tabanlı uyarlamalı model öngörülü kontrolünü sağlayacak yöntem önerilmiştir. İlk olarak, örnek alınan bir manipülatörün verileri kullanılarak destek vektör regresyonu ile dinamik model tahmini yapılmıştır. Dinamik model tahmini yapılırken eğitilen modelin öğrenme parametreleri eğitim verisinin ezberlenmesini bir başka deyişle aşırı öğrenmeyi engellemek amacıyla optimize edilmiştir. Kullanılan manipülatör dört eksenli hafif yapılı bir robot koldur. Tahmin edilen bu model, uyarlama mekanizmasında kullanılarak modelleme hataları ve bozucu etkilerinin minimuma indirildiği görülmüştür. Elde edilen kontrol yapısının farklı yörüngeler üzerinde ve değişken yük koşullarında başarılı bir yörünge takip performansı gösterdiği izlenmiştir. Karmaşık yörüngelerin takibinde de önerilen kontrol yapısının başarılı olduğu yapılan benzetim çalışmaları ile gösterilmiştir. Önerilen denetleyici yörünge takibi başarısını etkileyen özellikle zamanla değişen yükün baskın olduğu anlarda minimum konum hatası ile yörünge takibini sağlanmıştır. Destek vektör regresyonu ile kestirilen model ve uyarlamalı kontrol mekanizmasının birlikte kullanımı, sistemdeki modellenememiş dinamikler, belirsizlikler, dış bozucular ve parametre değişimlerine karşı oldukça etkili olmaktadır.
For the correct calculation of the dynamics of the robotic arms and the adaptation of the controller parameters; the accuracy and precision of the model has great importance. Artificial neural networks and support vector machine algorithms are often preferred for the accurate definition of nonlinear system dynamics. Support vector machines are one of the most effective regression techniques among machine learning methods. Within the scope of this thesis, a method that will provide support vector machine based adaptive model predictive control of robotic arms is proposed. First, dynamic model estimation was performed with support vector regression using the data of a sampled manipulator. While estimating the dynamic model, the learning parameters of the trained model are optimized to prevent memorization of the training data, in other words, over-learning. The manipulator used is a four-axis lightweight robot arm. It has been observed that modeling errors and disruptive effects are minimized by using this predicted model in the adaptation mechanism. It was observed that the obtained control structure showed a successful trajectory tracking performance on different trajectories and under variable load conditions. It has been shown by the simulation studies that the proposed control structure is successful in the tracking of complex trajectories. Trajectory tracking is provided with minimum position error, especially when the time-varying load is dominant, which affects the success of the proposed controller trajectory tracking. The combined use of the model predicted by support vector regression and adaptive control mechanism is very effective against unmodeled dynamics, uncertainties, external disturbances and parameter changes in the system.