Adaptive control with LSTM augmentation: Theory and human-in-the-loop validation
LSTM güçlendirmesi ile adaptif kontrol: Teori ve döngü içinde insan doğrulaması
- Tez No: 892103
- Danışmanlar: DOÇ. DR. YILDIRAY YILDIZ, PROF. DR. ÖMER MORGÜL, DR. ÖĞR. ÜYESİ MUSTAFA MERT ANKARALI
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Uyumlu kontrol teknikleri, Yapay sinir ağları, Adaptive control techniques, Artificial neural networks
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Makine Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, geleneksel uyarlanabilir kontrol yöntemlerine kıyasla önemli ölçüde daha iyi geçici tepki performansı sağlayan yeni bir uyarlanabilir kontrol mimarisi sunmaktadır. Bu, geleneksel bir Uyarlanabilir Sinir Ağı (YSA) kontrolörünün ve bir Uzun Kısa Süreli Bellek (LSTM) ağının sinerjik kullanımı ile gerçekleştirilmektedir. LSTM yapıları, belirsizliği tahmin etmeye yardımcı olan bir giriş dizisindeki bağımlılıklardan yararlanabilir. LSTM ağının kapalı döngü içinde YSA kontrolörünün eksikliklerini telafi etmeyi öğrendiği bir eğitim yöntemi sunuyoruz. Bu sayede sistemin geçici tepkisi iyileştirilmekte ve kontrolörün beklenmedik durumlarda hızla tepki vermesi sağlanmaktadır. Bu çalışma aynı zamanda önerilen kontrol çerçevesinin döngü içinde insan performansını da araştırmaktadır. LSTM ile güçlendirilmiş kontrol yöntemi, özellikle belirsizliklerde önemli ve hızlı değişikliklerin varlığında geçici tepkiyi büyük ölçüde iyileştirse de, güvenli çalışmayı sağlamak için bir insan operatörü ile etkileşimlerinin analiz edilmesi gerekmektedir. İlk olarak, sistemin genel davranışını araştırmak ve referans izleme görevi için kontrolörün performansını incelemek amacıyla bir insan pilot modeli kullanılır. Ardından, sistemin döngüde gerçek bir insan operatörünün varlığında nasıl tepki verdiğini analiz etmek için insan deneyleri yapılır. Özenle gerçekleştirilen simülasyon çalışmaları sayesinde, bu mimarinin çeşitli belirsizlikler kümesinde tahmin doğruluğunu artırdığını gösteriyoruz. Genel sistemin kararlılığı titiz bir Lyapunov analizi ile incelenmiş ve önerilen yöntemin performansı sayısal simülasyonlar ve döngü içindeki insan deneyleri ile gösterilmiştir.
Özet (Çeviri)
This thesis presents a novel adaptive control architecture that provides dramatically better transient response performance compared to conventional adaptive control methods. This is accomplished by the synergistic employment of a traditional Adaptive Neural Network (ANN) controller and a Long Short-Term Memory (LSTM) network. LSTM structures can take advantage of the dependencies in an input sequence, which helps predict uncertainty. We introduce a training approach through which the LSTM network learns to compensate for the deficiencies of the ANN controller in a closed-loop setting. This improves the system's transient response and allows the controller to react to unexpected events quickly. This study also investigates the human-in-the-loop performance of the proposed control framework. Although the LSTM-augmented control method drastically improves the transient response, especially in the presence of significant and rapid uncertainty changes, its interactions with a human operator must be analyzed to ensure safe operation. First, a human pilot model is used to investigate the overall system's behavior and explore the controller's performance for a reference tracking task. Then, human-in-the-loop experiments are conducted to analyze how the system responds in the presence of an actual human operator in the loop. Through careful simulation studies, we demonstrate that this architecture improves the estimation accuracy on a diverse set of uncertainties. The overall system's stability is analyzed via a rigorous Lyapunov analysis, and the proposed method is shown to be highly effective, as demonstrated through numerical simulations and human-in-the-loop experiments.
Benzer Tezler
- Makine öğrenme algoritmaları ile su tüketim miktarlarının tahmini: Kocaeli örneği
Estimation of water consumption amounts using machine learning algorithms: The case study of Kocaeli
KASIM GÖRENEKLİ
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Ana Bilim Dalı
DOÇ. DR. ALİ GÜLBAĞ
- Uzun kısa süreli bellek tabanlı sistem tanıma ve uyarlamalı kontrol
Long short term memory based system identificationand adaptive control
ÇAĞATAY SANATEL
Yüksek Lisans
Türkçe
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLAY ÖKE GÜNEL
- Resilient human-autonomy collaboration: Learning-based assistance and safe shared control
Dayanıklı insan-otonomi iş birliği: Öğrenmeye dayalı yardımcı sistemler ve güvenli paylaşımlı kontrol
MUHAMMED YUSUF UZUN
Yüksek Lisans
İngilizce
2025
Makine Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. YILDIRAY YILDIZ
- Yapay zeka teknikleri kullanarak güç sistemlerinin kontrolü ve simülasyonu
Control and simulation of power systems using artificial intelligence techniques
AHMED SALIH KHAMEES
Doktora
Türkçe
2026
Elektrik ve Elektronik MühendisliğiKarabük ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. HÜSEYİN ALTINKAYA
- FFNN, ANFİS ve LSTM modelleri kullanarak fırat havzasının aylık akım tahmini
Monthly streamflow predıctıon of euphrates basin by using FFNN, ANFİS and LSTM models
NAZİM NAZİMİ
Yüksek Lisans
Türkçe
2021
İnşaat MühendisliğiErzincan Binali Yıldırım Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. NEŞE ERTUGAY