Delta paralel robotların yörünge takip kontrolü için pekiştirmeli öğrenme ile PID parametrelerinin optimizasyonu

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, MEKATRONİK MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: OĞUZHAN KABAKULAK

Danışman: Sertaç Savaş

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Delta paralel robotlar, kapalı-zincirli paralel mimarileri sayesinde endüstride yüksek hız ve hassasiyet sunar; ancak bu yapı aynı zamanda doğrusal olmayan ve yörüngeye bağlı dinamikler doğurduğundan, kural-tabanlı klasik PID ayarları farklı yörüngelerde tutarlı performans veremeyebilir. Bu çalışmada, delta paralel robotların yörünge takip kontrolü için pekiştirmeli öğrenme tabanlı bir PID ayar yöntemi önerilmektedir. Derin Deterministik Politika Gradyanı (Deep Deterministic Policy Gradient – DDPG) algoritması kullanılarak PID kazançları (K_p,K_i,K_d) sürekli eylem uzayında önceden tanımlı sınırlar içerisinde optimize edilmekte ve böylece doğrusal olmayan ve yörüngeye bağlı dinamiklerde klasik kural-tabanlı ayarların sınırlılıklarının aşılması hedeflenmektedir. Önerilen DDPG-PID yöntemi; Ziegler–Nichols (ZN) ve Cohen–Coon (CC) ayar kuralları ile dört farklı referans yörünge (daire, lemniskat, elmas ve yıldız) üzerinde benzetim ortamında karşılaştırmalı olarak değerlendirilmiştir. Takip performansı RMSE, IAE, ISE, ITAE ve maksimum hata metrikleriyle nicel olarak ölçülmüştür. Sonuçlar, DDPG-PID'nin tüm yörüngelerde en düşük hatayı verdiğini; RMSE'yi ZN-PID'ye göre yaklaşık %35–58, CC-PID'ye göre ise yaklaşık %79–82 oranında azalttığını ve diğer metriklerde de belirgin iyileşmeler sağladığını göstermektedir. Genel olarak bu sonuçlar, önerilen yöntemin hem yumuşak eğrilikli hem de keskin köşeli yörüngelerde yüksek takip doğruluğu sağladığını ve delta robotlarda klasik kural-tabanlı yöntemlere uygulanabilir bir alternatif sunduğunu göstermektedir.