Çift Rotorlu MIMO Sistemi için Sürü Zekâsı Tabanlı LQGI Kontrolcü Tasarımı

Öz

Bu çalışmada, çift rotorlu çok girişli çok çıkışlı (MIMO) sistem (TRMS) üzerinde, integral etkili Doğrusal-Karesel-Gauss (LQGI) optimal kontrol yaklaşımı uygulanmış; kontrolcü parametre optimizasyonu için popülasyon tabanlı meta-sezgisel algoritmaların sürü zekâsı tabanlı sınıfı değerlendirilmiştir. Esinlenilen doğal hayvan topluluklarının hareketlerine göre dört ana gruptan seçilen Gri Kurt Algoritması (GWO), Balina Optimizasyon Algoritması (WOA), Yapay Arı Kolonisi (ABC) ve Parçacık Sürü Optimizasyonu (PSO), LQGI kontrolcünün Q ve R parametrelerinin eniyilemesinde kullanılmıştır. Ayrıca, sistemin geçici rejim davranışı, izleme başarımı ve kontrol sinyali etkinliğini birlikte değerlendiren çok amaçlı bir maliyet fonksiyonu tanımlanarak optimizasyon süreci yönlendirilmiştir. Geliştirilen kontrolcülerin performansı, optimize edilmemiş LQGI kontrolcüyle karşılaştırılarak değerlendirilmiştir. Sonuçlar, önerilen sürü zekâsı tabanlı algoritmaların, hem pitch hem de yaw hareketlerinde yörünge takibi ve ani darbe karşısında gürbüz davranışı açısından önemli ölçüde iyileşme sağladığını göstermektedir. Çalışmadan elde edilen sonuçlara göre sürü zekâsı tabanlı optimizasyon algoritmalarının, gelişmiş kontrolcü tasarımı için etkili ve esnek bir araç olduğu ortaya konmuştur.

Anahtar Kelimeler

• çift rotorlu MIMO sistem
• TRMS
• LQG
• meta-sezgisel algoritma
• sürü zekâsı tabanlı

Kaynakça

1. Sivadasan, J., & Willjuice Iruthayarajan, M. (2018). Tuning of nonlinear PID controller for TRMS using evolutionary computation methods. Tehnički vjesnik, 25(Supplement 1), 105-111.
2. Kaya, İ., Takeş, C. A., & Alyoussef, F. (2019). Parçacık Sürü Optimizasyonu Tabanlı PI-PD ile Twin Rotor Denetimi. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 10(2), 523-530.
3. Abukan, Y., & Almalı, M. N. (2023). Control of 2-Dof TRMS MIMO system using FOPID & FOSTSMC method. Journal of the Faculty of Engineering and Architecture of Gazi University, 38(1), 605-615.
4. Phillips, A., Sahin, F. (2014). Optimal control of a twin rotor MIMO system using LQR with integral action. World Automation Congress (WAC), 3-7 Ağustos, Hawaii, ABD, 114-119.
5. Pandey, S. K., Laxmi, V. (2014). Optimal control of twin rotor MIMO system using LQR technique. ss. 11-21. In: Babu, B. V., Das, K. N., ed. 2014. Computational Intelligence in Data Mining, Volume 1: Proceedings of the International Conference on CIDM, 20-21 Aralık, Springer India, New Delhi, 412s.
6. Chaudhary, S., & Kumar, A. (2019). Control of twin rotor MIMO system using PID and LQR controller. Journal of Aircraft and Spacecraft Technology, 3(1), 211-220.
7. Madhuri, C. S. G., Rao, G. R. (2016). Comparative Analysis of LQG and LQGI Controllers for Twin Rotor MIMO System. International Journal of Engineering Research and Applications, 6(5), 54-59.
8. Guardeño, R., López, M. J., & Sánchez, V. M. (2019). MIMO PID controller tuning method for quadrotor based on LQR/LQG theory. Robotics, 8(2), 36.

9. Katebi, J., Shoaei-parchin, M., Shariati, M., Trung, N. T., & Khorami, M. (2020). Developed comparative analysis of metaheuristic optimization algorithms for optimal active control of structures. Engineering with Computers, 36(4), 1539-1558.
10. Benkhoud, K., & Bouallègue, S. (2018). Dynamics modeling and advanced metaheuristics based LQG controller design for a Quad Tilt Wing UAV. International Journal of Dynamics and Control, 6(2), 630-651.
11. Batista, J., Souza, D., dos Reis, L., Barbosa, A., & Rios, C. (2024). Dynamic model of a joint of the manipulator and LQG control optimized with GA and PSO metaheuristics. Journal of the Brazilian Society of Mechanical Sciences and Engineering, 46(5), 309.
12. Lin, X., & Lin, W. (2022). Whale Optimization Algorithm-Based LQG-Adaptive Neuro-Fuzzy Control for Seismic Vibration Mitigation with MR Dampers. Shock and Vibration, 2022(1), 4060660.
13. Ranjan, K. V., Laxmi, V. (2022). Design of an optimal controller for a twin rotor MIMO system (TRMS). International Conference on Sustainable Computing and Data Communication Systems (ICSCDS), 7-9 Nisan, Erode, Hindistan, 950-959.
14. Souza, D. A., de Mesquita, V. A., Reis, L. L., Silva, W. A., & Batista, J. G. (2021). Optimal LQI and PID synthesis for speed control of switched reluctance motor using metaheuristic techniques. International Journal of Control, Automation and Systems, 19(1), 221-229.
15. Önen, Ü., Cakan, A., & Ilhan, I. (2019). Performance comparison of optimization algorithms in LQR controller design for a nonlinear system. Turkish Journal of Electrical Engineering and Computer Sciences, 27(3), 1938-1953.
16. Rivera-Ruiz, J. R., Rojas-Galvan, R., García-Martínez, J. R., Cruz-Miguel, E. E., Barra-Vázquez, O. A., Cruz-Orduña, M. I., ... & Rodríguez-Reséndiz, J. (2025). Performance Evaluation of Metaheuristics for LQR Controller Optimization: A Two-Wheel Balancing Robot Case Study. IEEE Access.
17. Özcan, N., Utku, S., & Berber, T. (2025). Artificial Circulation System Algorithm: A Novel Bio-Inspired Algorithm. CMES-Computer Modeling in Engineering & Sciences, 142(1).
18. Wong, W. K., Ming, C. I. (2019). A review on metaheuristic algorithms: recent trends, benchmarking and applications. 7th International Conference on Smart Computing & Communications (ICSCC), 28-30 Haziran, Sarawak, Malezya, 1-5.
19. Braik, M., Hammouri, A., Atwan, J., Al-Betar, M. A., & Awadallah, M. A. (2022). White Shark Optimizer: A novel bio-inspired meta-heuristic algorithm for global optimization problems. Knowledge-Based Systems, 243, 108457.
20. Tastemirov, A., Lecchini-Visintini, A., & Morales-Viviescas, R. M. (2017). Complete dynamic model of the Twin Rotor MIMO System (TRMS) with experimental validation. Control Engineering Practice, 66, 89-98.
21. Tang, Y., Zheng, Y., Li, N. (2021). Analysis of the optimization landscape of linear quadratic gaussian (LQG) control. Learning for Dynamics and Control (L4DC), 7-8 Mayıs, PMLR, 599-610.
22. Fister Jr, I., Yang, X. S., Fister, I., Brest, J., & Fister, D. (2013). A brief review of nature-inspired algorithms for optimization. arXiv preprint arXiv:1307.4186.
23. Saravanan, G., Pazhanimuthu, C., & Naveen, P. (2025). Performance improvement of DC motor control system using PID controller with Kookaburra and Red Panda optimization algorithm. Scientific Reports, 15(1), 20021.
24. Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey wolf optimizer. Advances in engineering software, 69, 46-61.
25. Ozcan, N. (2025). Comprehensive Comparative Analysis of GWO and Its Variants for Solving Mechanical Optimization Problems. Journal of Materials and Mechatronics: A, 6(1), 150-169.
26. Mirjalili, S., & Lewis, A. (2016). The whale optimization algorithm. Advances in engineering software, 95, 51-67.
27. Karaboga, D., & Basturk, B. (2007). Artificial bee colony (ABC) optimization algorithm for solving constrained optimization problems. In International fuzzy systems association world congress (pp. 789-798). Berlin, Heidelberg: Springer Berlin Heidelberg.
28. Kennedy, J., & Eberhart, R. (1995). Particle swarm optimization. In Proceedings of ICNN'95-international conference on neural networks (Vol. 4, pp. 1942-1948). IEEE.