Parçacık Sürü Optimizasyonu Tabanlı PI-PD ile Twin Rotor Denetimi
Bibliographic record
Abstract
Bu çalışmada, helikopter sistemleri ve son zamanlarda üzerinde oldukça sık çalışılan drone sisteminin temeli olan Twin Rotor MIMO Sistem (TRMS)’nin kontrolü üzerinde çalışılmıştır. TRMS kontrol alanında kullanılan temel sistemler arasında yer almaktadır. Bu çalışmada, günlük hayatta sağlık, askeri, ulaşım, yangın anında yangına müdahale amacıyla kullanılan helikopterler bu amaçlarla kullanılırken bir yerden başka bir yere ulaşması anında havada belli bir irtifada iken ve kalkış ve iniş anında içerisinde bulunan bireylerin ve taşınan önemli ekipmanların zarar görmemesi için kontrol işlemlerinin çok iyi yapılması ve istenilen kontrol sinyaline sistem cevabının oldukça hızlı olması gerekmektedir. Sistem cevabındaki aksaklıklar ve denetleyicinin istenilen şekilde çalışmaması hava araçlarında kazalara ve böylece can ve mal kayıplarına sebebiyet verebilir. Literatürde TRMS’nin denetimi çoğunlukla PID denetleyiciler kullanılarak gerçekleştirilmektedir. Ancak PID denetleyiciler açık çevrim kararlı sistemler hariç yetersiz performans gösterebilmektedir. PI-PD denetleyiciler ise, PID denetleyicilerin yetersiz kaldığı durumlarda, çok daha iyi performans verebilmektedir. Dolayısıyla, bu çalışmada TRMS’nin kontrolü PI-PD denetleyiciler kullanılarak gerçekleştirilmiş ve PID denetleyicilerden daha iyi kapalı çevrim cevaplar elde edildiği benzetim ve gerçek zamanlı uygulama ile gösterilmiştir. Hem PID hem de PI-PD denetleyicinin ayar parametreleri Parçacık Sürü Optimizasyonu ile ISTE kriterine göre hesaplanmıştır.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".