Data driven model discovery and control of longitudinal missile dynamics
Füze dinamik modelinin veri tabanlı yöntemler ile kestirimi ve kontrolü
- Tez No: 698694
- Danışmanlar: DOÇ. DR. AHMET BUĞRA KOKU
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 125
Özet
Doğada bulunan dinamik sistemler genellikle doğrusal değildirler ve bazı gizli dinamikler içerirler. Bu nedenle veri tabanlı model kestirimi ve kontrol yöntemlerine olan ihtiyaç hala devam etmektedir. Bu yöntemler arasında günümüzde en tanınmış olanı yapay sinir ağı tabanlı sistem tanımlama yöntemleridir. Ancak aşırı miktarda veri ihtiyacı, uzun eğitim süreleri ve en önemlisi sonuçların yorumlanma zorluğu bu yöntemlerin temel problemlerindendir. Model dinamiğinin bulunması için kullanılan diğer birçok yöntem arasında SINDY, yalın ve verimli yapısı ile son zamanlarda büyük ilgi görmektedir. Birçok türeve sahip olan SINDY algoritmasının hala çözülmemiş bazı problemleri de bulunmaktadır. Bu çalışmada önerilen algoritma SINDY-SAIC olarak adlandırılmıştır ve Adımsal Seyrek Regresyon (SSR) ile Akaike Bilgi Kriterleri (AIC) model seçiminden gelen yöntemleri birleştirmektedir. SSR kullanılarak eşik parametresinin ayarlanması ihtiyacı azaltılmıştır ve seyrek regresyonda ilk kez kullanılan bir durum türevi hesaplama yöntemi ile gürültülü ölçümlere karşı dayanım artırılmıştır. Ayrıca AIC ile model seçiminin varlığı, terim sayısını cezalandırarak seyrek çözüme olanak tanımakta ve algoritmanın eşdoğrusal çözümlere yakınmasını engellemektedir. İncelenen dinamik sistemler, keşfedilen modeller kullanılarak Model Öngörülü Kontrol (MPC) ile kontrol edilmiştir. MPC, çoğunlukla veri tabanlı model kestirimi yöntemleri ile oluşturulan tahmin modellerini kullanan ve kısıtlamalara tabi belirli bir maliyet fonksiyonunu en aza indirmeye çalışan bir kontrol yöntemidir. Bu çalışmada hem doğrusal hem de doğrusal olmayan tahmin modelleri SINDY-SAIC kullanılarak oluşturulmuştur ve MPC algoritmasında tahmin modelleri olarak kullanılmıştır. Karşılaştırma yapabilmek için geleneksel Durum Geri Besleme (SF) kontrolcüsüne ait sonuçlar da sunulmuştur. Önerilen SINDY-SAIC algoritması ve kontrol yöntemleri (MPC ve SF), orta ve yüksek seviyede gürültü koşulları altında doğrusal ve yüksek seviyede doğrusal olmayan füze dinamik modelleri ile test edilmiştir.
Özet (Çeviri)
Dynamical systems in nature are generally nonlinear and usually contains many hidden dynamics. Therefore, the need for data-driven model discovery and control methods continues. The most popular of these methods is neural networks-based methods nowadays. However, excessive data requirements, long training times and most importantly lack of interpretability of results are the main problems in neural networks-based system identification methods. Among the many other methods used for model discovery, SINDY (Sparce Identification of Non-linear Dynamical Systems) has recently attracted great attention with its simple and effective nature. SINDY, which has many extensions, also has various open problems. The proposed extension in this study is called SINDY-SAIC and combines the methods from Stepwise Sparse Regression (SSR) and Akaike Information Criteria (AIC) model selection algorithm. The need for tuning threshold parameter in SINDY is relaxed using SSR and the robustness to noisy measurements is increased with a newly used state derivative calculation method in sparse regression. In addition, presence of model selection with AIC enables sparse solution by penalizing the number of terms and prevents the algorithm to converge collinear basis. Studied dynamical systems are controlled by Model Predictive Control using discovered models. MPC is a control method that uses prediction models mostly discovered from data and try to minimize a given cost function subjected to the constraints. Both linear and nonlinear prediction models are generated using SINDY-SAIC and used in MPC as prediction models. The traditional state feedback (SF) controller is also presented for comparison. The proposed SINDY-SAIC algorithm and the controllers (MPC and SF) are tested for linear and highly non-linear longitudinal missile dynamics under moderate and high level of noise conditions.
Benzer Tezler
- Data-driven model discovery and control of lateral-directional fighter aircraft dynamics
Yanal ve yönlü savaş uçağı dinamiklerinin veri tabanlı yöntemler ile model keşfi ve kontrolü
CAN ÖZNURLU
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilimsel Hesaplama Ana Bilim Dalı
PROF. DR. ÖMÜR UĞUR
DOÇ. DR. TAYFUN ÇİMEN
- Scaling-up eutectic freeze crystallization
Ötektik donma kristalizasyonunda boyut büyütme
FATMA ELİF GENCELİ
Doktora
İngilizce
2008
Kimya MühendisliğiTechnische Universiteit Delft (Delft University of Technology)PROF. DR. GEERT JAN WITKAMP
- Drug-target interaction prediction by transfer learning for proteins with few bioactive compound data
Az biyoaktif bileşik verisi olan proteinler için aktarım yolu ile öğrenerek ilaç-hedef ilişki tahmini
ALPEREN DALKIRAN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET VOLKAN ATALAY
- Predicting disease-gene associations via machine learning
Makine öğrenmesi ile gen-hastalık ilişkisi tahmini
OSMAN ONUR KUZUCU
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. TUNCA DOĞAN
- Ekstrüzyona dayalı yapımda yeniden yapılandırma süreçleri için kavramsal bir çerçeve
A conceptual framework for the reconfiguration processes in extrusion-based making
HÜLYA ORAL KARAKOÇ
Doktora
Türkçe
2021
Mimarlıkİstanbul Teknik ÜniversitesiBilişim Ana Bilim Dalı
PROF. DR. MERYEM BİRGÜL ÇOLAKOĞLU