Bu çalışma, yüksek hızlı ve yüksek ivmeli hassas hareket platformlarının dinamik davranışını tahmin etmek ve servo kontrol parametrelerini optimize etmek için fizik tabanlı mekanik modelleme ile makine öğrenmesini birleştiren hibrit bir yöntem geliştirmektedir. Sistem önce Generalized Receptance Coupling Substructure Analysis (GRCSA) kullanılarak alt yapılara ve mekanik bağlantı arayüzlerine ayrılmakta; frekans tepki fonksiyonları fiziksel titreşim modelleri ve modal deneylerle oluşturulmaktadır. Ardından yapay zekâ modelleri kontrol parametreleri, arayüz rijitliği/sönümü ve frekans cevabı arasındaki doğrusal olmayan ilişkileri öğrenmektedir.

Araştırmada diferansiyel evrim, benzetimli tavlama ve çalışmaya özgü kümelenmiş benzetimli tavlama algoritmalarıyla fiziksel model parametreleri düzeltilmiştir. Başlangıçtaki %3,50 civarındaki FRF model hatası heuristik optimizasyon aşamasında yaklaşık %2,6–2,7 düzeyine indirilmiştir. Kaynağın özet bölümünde bütünleşik optimizasyon sonrasında %2,47 hata değeri ayrıca bildirilmektedir.

Makine öğrenmesi tarafında ileri problem, ters problem ve uçtan uca tahmin ayrı ayrı incelenmiştir. Tek yönlü arayüz parametresi → FRF modellerinde R² 0,9908–0,9954 aralığına ulaşmıştır. FRF'den mekanik arayüz parametrelerinin geri tahmininde ResNet-1D özellikle tek yönlü problemlerde güçlü performans göstermiş; X yönünde R²=0,9980, Y'de 0,9943 ve Rz'de 0,9975 elde edilmiştir.

Çalışmanın önemli sonucu, fizik modelinin ve yapay zekânın birbirinin yerine geçen yöntemler olmadığını göstermesidir. X ve Y hareketlerinde GRCSA/MATLAB fizik modelini koruyan modüler yapı daha düşük hata verirken, Rz dönme yönünde uçtan uca yapay zekâ modeli daha başarılı olmuştur. Böylece fiziksel yorumlanabilirlik ile doğrusal olmayan veri öğrenimi aynı mühendislik mimarisi içinde birleştirilmiştir.

Hassas Hareket Platformlarının Dinamik Davranışını Tahmin Etmek Neden Zordur?

Yüksek hassasiyetli hareket platformlarında servo kazançları değiştirildiğinde yalnız motorun tepkisi değişmez. Kılavuzlar, bağlantılar, tabla, döner elemanlar ve diğer yapısal parçaların rijitlik ve sönüm davranışları da sistemin frekans cevabını etkiler.

Bu nedenle sistemin kontrol parametreleri ile gerçek titreşim davranışı arasında doğrudan ve basit bir doğrusal ilişki bulunmayabilir.

Sonlu elemanlar modeli karmaşık geometrileri yüksek ayrıntıyla temsil edebilir; fakat modelleme ve ağ oluşturma maliyeti yüksektir. Basitleştirilmiş analitik modeller hızlıdır fakat gerçek yapının bütün ayrıntılarını yakalayamayabilir. Modal testler gerçek dinamiği ölçebilir ancak bütün serbestlik derecelerinde her parametreyi doğrudan ölçmek pratik değildir.

Bu çalışma bu üçlü problemi fiziksel alt yapı modeli ile veri tabanlı tahmini birleştirerek çözmeye çalışmaktadır.

GRCSA Nedir ve Sistemi Nasıl Basitleştiriyor?

GRCSA, karmaşık mekanik sistemi tek parça halinde çözmek yerine alt yapılara ve bunları birbirine bağlayan arayüzlere ayırır. Her alt yapının frekans cevabı ayrı hesaplanır; ardından bağlantı koşulları kullanılarak bütün sistemin dinamik cevabı yeniden oluşturulur.

İncelenen hareket platformu A–G olarak adlandırılmış yedi alt yapıya bölünmektedir.

Bu geometrik sadeleştirme gerçek makinenin bütün ayrıntılarının önemsiz olduğu anlamına gelmez. Model, kütle ve kesit atalet momenti gibi dinamik açıdan kritik özellikleri koruyarak hesaplama maliyetini azaltmayı amaçlar.

FRF neyi gösterir?

Frequency Response Function (FRF), belirli frekanstaki bir uyarının mekanik sistemde ne büyüklükte ve hangi fazda titreşim cevabı oluşturduğunu gösterir.

Bir frekans taraması yapıldığında rezonansların bulunduğu bölgeler, sistemin hangi frekanslarda daha güçlü titreştiği ve kontrol parametrelerinin bu tepkiyi nasıl değiştirdiği görülebilir.

Bu çalışmada FRF, modelin temel tahmin çıktısıdır.

Timoshenko kiriş modeli neden kullanılıyor?

Alt yapıların titreşim davranışını hesaplamak için eğilme, boyuna ve burulma titreşimleri ayrı fiziksel denklemlerle modellenmiştir.

Eğilme problemi Timoshenko kiriş teorisiyle ele alınır. Bu teori klasik Euler–Bernoulli yaklaşımından farklı olarak kesme deformasyonunu ve dönme ataletini de dikkate alabilir.

Doğal frekanslar ve mod şekilleri elde edildikten sonra bu bilgiler FRF matrislerinin oluşturulmasında kullanılır.

Model Gerçek Makine Ölçümleriyle Nasıl Doğrulanıyor?

Platform üzerinde deneysel modal analiz gerçekleştirilmiştir. Sisteme kalibre edilmiş darbe çekiciyle kısa süreli mekanik uyarım uygulanmış ve oluşan titreşim üç eksenli ivmeölçerlerle kaydedilmiştir.

Bu deneyler fiziksel GRCSA modelinin hesapladığı frekans cevaplarını gerçek makinenin davranışıyla karşılaştırmak için kullanılmaktadır.

Neden Diferansiyel Evrim ve Benzetimli Tavlama Kullanıldı?

Gerçek bir mekanik bağlantının rijitlik ve sönümü doğrudan ve hatasız ölçülemeyebilir. İlk analitik tahminlerdeki küçük hatalar sistem FRF'sinde daha büyük sapmalara dönüşebilir.

Bu nedenle optimizasyon problemi şu şekilde kurulmaktadır:

Arayüz / alt yapı parametrelerini değiştir → GRCSA'yı çalıştır → hesaplanan FRF ile ölçülen FRF arasındaki hatayı hesapla → hatayı küçült

Diferansiyel evrim ve benzetimli tavlama geniş parametre uzayında daha iyi mekanik parametre kombinasyonlarını aramak için kullanılmıştır.

Kümelenmiş benzetimli tavlama neyi değiştiriyor?

Araştırmacılar optimize edilen parametrelerin tamamen bağımsız olmadığını dikkate almıştır. Aynı alt yapıya veya arayüze ait parametreler mekanik olarak birlikte çalışır.

Bu nedenle parametreler önce 13 fiziksel gruba ayrılmıştır. Her grup ayrı ayrı optimize edilmekte, ardından elde edilen sonuçlarla bütün parametre uzayında son küresel arama yapılmaktadır.

Kaynak bu yapının klasik benzetimli tavlamaya göre yaklaşık %50 daha kısa arama süresi sağladığını bildirmektedir.

Kümelenmiş yaklaşım en düşük mutlak hatayı üretmemiştir; avantajı çok daha az iterasyonda benzer hata seviyesine ulaşmasıdır.

Makine Öğrenmesi Fiziksel Modelin Hangi Eksiklerini Tamamlıyor?

GRCSA fiziksel olarak yorumlanabilir bir sistem sağlar; fakat servo kontrol parametreleri ile gerçek arayüz rijitliği ve sönümü arasındaki ilişki karmaşık ve doğrusal olmayabilir.

Bu nedenle çalışma makine öğrenmesini üç ayrı problemde kullanmaktadır.

MLP ile ResNet-1D arasındaki fark

MLP bütün girdileri tam bağlantılı katmanlarda işler. ResNet-1D ise frekans spektrumunu bir boyutlu sıralı veri olarak görür ve komşu frekans noktalarının yerel yapısını konvolüsyonlarla öğrenir.

FRF gibi frekans boyunca düzenli değişen sinyallerde bu yerel yapı önemli olabilir. Kaynağın tek yönlü ters model sonuçları da ResNet-1D'nin bu görevde belirgin avantaj sağladığını göstermektedir.

Çalışmanın Yöntemi ve Bulguları

İleri Model Ne Kadar Doğru Tahmin Yapıyor?

Tek yönlü modeller ortak yüksek boyutlu modele göre daha iyi sonuç vermektedir. Kaynak bunu farklı yönlerin birbirine bağlı yüksek boyutlu bilgisinin öğrenme problemini zorlaştırmasıyla açıklamaktadır.

FRF'den Arayüz Parametresi Geri Tahmin Edilebilir mi?

Üç doğrultunun aynı ters modele verildiği problemde ise R²=0,7004'e düşmüştür. Bu sonuç yüksek boyutlu FRF'den az sayıda fiziksel parametrenin çıkarıldığı ters problemin tek ve iyi koşullanmış bir ilişki olmadığını göstermektedir.

Servo Kontrol Parametreleri Doğrudan FRF'ye Bağlanabilir mi?

Çalışmanın mühendislik açısından en pratik bölümü kontrol parametrelerinden sistem cevabına uzanan kademeli modeldir.

İlk ağ kontrol parametrelerinden arayüz rijitlik ve sönümünü üretir. İkinci ağ bu fiziksel parametrelerden frekans cevabını tahmin eder. Ağlar daha sonra ortak kayıp fonksiyonu altında birlikte optimize edilir.

En iyi X-yönü ortak eğitim stratejisinde:

• arayüz parametresi R² = 0,9574,
• FRF R² = 0,8427

elde edilmiştir.

Y yönüne genişletildiğinde FRF R² 0,9530'a kadar çıkmıştır.

Fizik Modeli ile Uçtan Uca AI Karşılaştırıldığında Hangisi Daha İyi?

X ve Y doğrultularında matematiksel GRCSA modelinin fiziksel bağlaşım ilişkilerini açık biçimde taşıması avantaj sağlamıştır.

Rz yönünde ise yapay zekânın yönler arasındaki örtük etkileşimleri öğrenebilmesi daha iyi sonuç vermiştir.

Bu bulgu fizik tabanlı ve veri tabanlı yaklaşımların birbirini tamamlayabileceğini göstermektedir.

Rz Dönme Yönü Neden Daha Zor Modelleniyor?

Rz frekans cevaplarının genliği ve varyansı X ve Y'den çok daha büyüktür.

Ayrıca translasyonel FRF'ler modal deneylerde doğrudan ölçülebilirken dönel FRF'nin sonlu fark yöntemi kullanılarak dolaylı elde edildiği belirtilmektedir.

Bu durum Rz yönündeki modelleme hatasının en azından bir bölümünün tahmin algoritmasından değil, ölçüm probleminin kendisinden kaynaklandığını göstermektedir.

Çalışmada Kaç Veri Kullanıldı?

Kaynak iki ayrı veri üretim süreci kullanmıştır.

• Arayüz parametreleri ile FRF arasındaki ileri ve ters modeller için matematiksel alt yapı modeli tekrar çalıştırılarak toplam 10.000 veri seti oluşturulmuştur.
• Kontrol parametrelerinden gerçek frekans cevabına geçişi incelemek için gerçek makine deneylerinde her doğrultuda 200 veri seti toplanmıştır.

Dolayısıyla 10.000 örneğin tamamı gerçek fiziksel deney olarak yorumlanmamalıdır.

Çalışmanın Desteklediği Sonuçlar

• GRCSA karmaşık hassas hareket platformlarını alt yapı ve arayüzlerden oluşan yorumlanabilir dinamik modellere dönüştürebilir.
• Heuristik optimizasyon başlangıç fiziksel modelindeki FRF hatasını azaltabilir.
• Kümelenmiş benzetimli tavlama benzer hata düzeyine daha az arama iterasyonuyla ulaşabilir.
• Tek yönlü AI modelleri arayüz parametreleri ile FRF arasındaki ilişkileri çok yüksek R² değerleriyle öğrenebilir.
• ResNet-1D tek yönlü FRF → arayüz parametresi ters probleminde MLP'den daha başarılıdır.
• Kontrol parametrelerinden frekans cevabına doğrudan tahmin mühendislik açısından uygulanabilir bir yaklaşım olarak gösterilmiştir.
• X ve Y'de fizik tabanlı modüler model, Rz'de ise uçtan uca model daha düşük tahmin hatası sağlamıştır.
• Fiziksel model ve yapay zekâ aynı çerçevede birlikte kullanıldığında hem mekanik yorumlanabilirlik hem doğrusal olmayan tahmin yeteneği elde edilebilir.

Çalışmanın Desteklemediği Sonuçlar

• Yapay zekânın fiziksel modelleri genel olarak gereksiz hale getirdiği gösterilmemiştir.
• Modelin bütün hassas hareket platformlarında aynı doğrulukla çalışacağı deneysel olarak kanıtlanmamıştır.
• R² değerlerinin gerçek üretim konumlandırma hatasının aynı oranda azaldığı anlamına geldiği gösterilmemiştir.
• 10.000 örneğin gerçek makine deneyinden geldiği söylenemez.
• Kümelenmiş benzetimli tavlama en düşük mutlak FRF hatasını veren yöntem değildir; temel avantajı hesaplama/aramanın hızlandırılmasıdır.
• Abstract'taki %2,47 hata değeri Tablo 5'teki heuristik optimizasyon sonuçlarıyla birebir aynı aşamaya ait değildir.
• Rz'deki daha yüksek tahmin hatasının yalnız sinir ağı mimarisinden kaynaklandığı söylenemez; ölçüm yöntemi de önemli hata kaynağıdır.
• Kaynağın yöntemin diğer bütün karmaşık mekanik sistemlere evrensel biçimde uygulanabileceği yönündeki geniş sonucu bu tek platformla bağımsız olarak doğrulanmamıştır.

Kaynak ve Yöntem Notu

Özgün başlık:Prediction of Dynamic Characteristics and Control Parameter Optimization for Precision Motion Stages by Integrating Generalized Receptance Coupling Substructure Analysis and Machine Learning.

Yazarlar: Fengguo Li, Peng Yao, Yao Hou, Xinyu Mao, Zhonglei Zhang, Hongyi Sun, Jiarong Bai, Jubin Zhang, Tonghui Hu, Wei Wu, Jiaofeng Ma, Yang Yu, Wenxiu Yu.

Başlıca kurumlar: Shandong University; Goertek Inc.; Northeastern University; Qilu University of Technology.

Dergi:Machines.

Yıl / cilt / makale: 2026, 14, 691.

Yayımlanma tarihi: 16 Haziran 2026.

DOI: 10.3390/machines14060691.

Lisans: Creative Commons Attribution (CC BY).

Çalışma türü: Deneysel modal test, fizik tabanlı dinamik modelleme, heuristik optimizasyon ve makine öğrenmesini birleştiren mühendislik araştırması.

Temel fiziksel yöntem: Generalized Receptance Coupling Substructure Analysis (GRCSA), Timoshenko kiriş teorisi ve deneysel modal test.

Optimizasyon yöntemleri: Diferansiyel evrim, benzetimli tavlama ve kümelenmiş benzetimli tavlama.

Makine öğrenmesi: Multi-Layer Perceptron (MLP) ve one-dimensional Residual Network (ResNet-1D).

AI yazılımı: PyTorch 1.12.1+cu116; optimizasyon için Adam.

Temel veri kaynakları: Fizik tabanlı modelden 10.000 arayüz parametresi–FRF veri örneği ve gerçek makine deneylerinden her yön için 200 kontrol parametresi–FRF örneği.

Finansman: Major Scientific and Technological Innovation Project of Shandong Province, Grant No. 2023CXGC010207.

Veri erişimi: İncelenen veri setlerinin endüstriyel gizlilik anlaşmaları nedeniyle kamuya açık olmadığı; makul talep üzerine sorumlu yazardan istenebileceği belirtilmiştir.

Çıkar çatışması: Fengguo Li, Xinyu Mao, Hongyi Sun, Jubin Zhang, Wei Wu, Jiaofeng Ma, Yang Yu ve Wenxiu Yu'nun Goertek Inc. çalışanı olduğu kaynakta açıklanmıştır. Diğer yazarlar ilgili ticari veya finansal ilişki bildirmemiştir.

Kaynak içi tutarlılık notu: Giriş bölümünde bir kez “six driving directions” ifadesi bulunmasına rağmen ana kontrol modeli X, Y ve Rz olmak üzere üç yön üzerinden sunulmaktadır. Ayrıca Şekil 8'in grafik başlıklarında “Z” kullanılırken aynı bölümdeki tablolar ve yöntem anlatımı “Rz” terimini kullanmaktadır. Bu farklılıklar Verianla metninde sessizce yeniden yorumlanmamıştır.

Sayısal sonuç notu: Abstract bölümünde başlangıç FRF tahmin hatasının %3,50'den %2,47'ye indirildiği belirtilmektedir. Bununla birlikte Tablo 5'te heuristik parametre optimizasyonunun açık sonuçları %2,6094, %2,7089 ve %2,6875'tir. Bu nedenle %2,47 değeri Tablo 5'teki tek bir optimizasyon algoritmasının sonucu olarak sunulmamıştır.

Verianla yöntem notu: Bu içerik kaynak makalenin paragraf-paragraf çevirisi değildir. Makaledeki GRCSA modeli, modal test yöntemi, heuristik optimizasyon, MLP/ResNet-1D mimarileri, ileri ve ters tahmin görevleri, kademeli kontrol-parametresi modeli, hata karşılaştırmaları ve kaynak içi sınırlılıklar bağımsız öğretici yapı içinde yeniden düzenlenmiştir. Kaynağın doğrudan test etmediği genel performans veya endüstriyel uygulanabilirlik sonuçları eklenmemiştir.