Bulanık mantık kontrolör ile klasık PID kontrolör algoritmalarının karşılaştırılması
Comparative study of PID controllers and fuzzy logic controllers
- Tez No: 100575
- Danışmanlar: DOÇ.DR. İBRAHİM EKSİN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 1999
- Dil: Türkçe
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Belirtilmemiş.
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 87
Özet
BULANIK MANTIK KONTROLÖR İLE KLASİK PID KONTROLÖR ALGORİTMALARININ KARŞILAŞTIRILMASI ÖZET Günümüzde bilimin amacı akıllı insan zekasına, daha benzer sistemler geliştirmektir. Bu yüzden kontrol sistemlerinde kullanılan klasik mantık bu amaç için yetersiz kalmaktadır. Çünkü klasik mantığa göre olaylar“var”yada“yok”olarak değerlendirilmektedir. Hava ya sıcaktır yada soğuktur, bir araba ya hızlıdır yada yavaştır. Oysa insan aklının işleyişi böylesine katı kurallara bağlı değildir. Örneğin; sıcak ve soğuk sıfatları kişiden kişiye değişebilir. Dolayısıyla günlük hayatta karşılaşılaşılan herhangi bir önermeyi tamamen yanlış diye bir kenara atmak kadar, ona kesin doğru gözüyle de bakmak yanlıştır. Ancak klasik mantık yaklaşımı kullanıldığında, bir önerme ya doğrudur yada yanlıştır. Arası yoktur. Bu durum küme kavramına uygulanacak olursa, klasik küme teorisinde söz konusu evrenin elemanları bir A kümesine göre o kümeye üye olanlar ve olmayanlar olmak suretiyle ikiye ayrılırlar. Üye olanların üyelik derecesi 1 dir ve üye olmayanların da üyelik derecesi 0 dır. Halbuki bulanık mantık yaklaşımında, kesin doğru veya kesin yanlış diye bir ayrım yoktur. Bir önermenin de bir doğruluk derecesi olabilir, yani tümüyle her durum için doğru olmayabilir ama içinde bulunulan durumda bir dereceye kadar kabul edilebilir. Aynı durumun benzeri bir yaklaşımda bulanık küme kavramında mevcuttur. Bulanık kümeler üyelik fonksiyonları ile tanımlanırlar. Üyelik fonksiyonları, söz konusu evrenin elemanlarının ele alman bulanık küme ile temsil edilen kavrama ne derece uyduklarım ve bulanık kümenin temsil ettiği özellikleri ne derece taşıdıklarını gösteren üyelik dereceleri atarlar ki bu üyelik dereceleri çoğunlukla [0,1] kapalı aralığında değerler alan reel sayılardır. [0,1] aralığındaki değer değişimi bir fonksiyonla verilir, buna üyelik fonksiyonu denir. Üyelik fonksiyonları dilsel kurallarla (büyük, küçük, orta, pozitif büyük, negatif orta gibi) betimlenirler. Bu dilsel kurallar koşullu önermelerle bulanık mantık yasaları haline getirilirler. Böylece insanın akıl yürütmesine daha benzer bir yöntem elde edilmiş olur. Matematikçilerin elinde bir sistemin girdilerine yanıt verecek özel algoritmalar bulunmadığında, bulanık mantık belirsiz niceliklere başvuran“sağduyulu”kurallar kullanarak sistemi denetleyebilir ve betimleyebilir. Bilinen hiçbir matematiksel model bir kamyonun park yerinden yükleme yerine gidişim, kamyonun hareket noktası rastgele seçilebiliyorsa yönetemez. Oysa gerek insan, gerekse bulanık mantık sistemleri,“Kamyon biraz sola dönerse, sen de biraz sağa çevir”gibi pratik ancak kesinliktaşımayan kurallar kullanarak bu doğrusal olmayan (nonlinear) kılavuzluk işlemini gerçekleştirebilir. Klasik mantık karmaşık dinamik modeller gerektirdiği halde bulanık mantık daha çok deneyime dayalı, fazla ayrıntılı olmayan modellerle çalışır. Ayrıca bulamk mantık, kontrol ettiği sistemin parametre değişimlerinden etkilenmediği için daha geçerli bir kontrol imkanı sağlar. Dolayısıyla klasik kontrolörlerden olan PID model daha ekonomik ve daha basit görünmesine rağmen, bulanık mantık kontrolörler bu yüksek denetim hızı ve niteliği ile daha ucuza mal olmakta daha doğru kontrol yapmakta ve daha basit bir yapı sergilemektedir. Bu da denetim hızı ve niteliği yüksek kontrol yapmaya olanak verir. Bu ve bunlar gibi bir çok sebepten dolayı bulamk mantık, ilk önceleri sadece teorik bir araştırma alam olarak ortaya çıkmasına rağmen daha sonra pek çok uygulama alam bularak, günümüzün en popüler konularından biri olmuştur. Bu çalışmada da günümüzün böylesi önemli konularından olan bulanık mantık beş bölümde incelenmiştir. Birinci bölümde bulamk mantık kontrol kavramı, ikinci bölümde bulanık mantığa ilişkin matematiksel ifadeler,üçüncü ve dördüncü bölümde de bulamk mantık kontrolörün yapısı ve tasarımı hakkında bilgi verilmiş olup, çalışmanın son bölümünde üç ayrı bulamk PID kontrolör (iki girişli, tek girişli bire bir ve tek girişli bire-üç olmak üzere) tasarlanıp, bunların birinci dereceden, ikinci dereceden, marjinal kararlı sistemler ve bu sistemlerin ölü zamanlı yapıları üzerinde karşılaştırılması yapılmıştır.Kararlılık konusundaki soru işaretlerine de, hibrit bir bulanık P+ID kontrolör seçilerek üzerindeki analizlerle çözüm getirilmiştir. Ayrıca bu üç bulanık PID kontrolörün, klasik PID kontrolörle lineer olmayan bir sistem üzerinde karşılaştırılması yapılarak, elde edilen sonuçlar yorumlanmıştır. XIII
Özet (Çeviri)
COMPARATIVE STUDY OF PID CONTROLLERS AND FUZZY LOGIC CONTROLLERS SUMMARY Fuzzy control was first introduced in the early 1970' s in an attempt to design controllers for systems that are structurally difficult to model due to naturally existing nonlinearities and other modelling complexities. During the past years, fuzzy control has emerged as one of the most active and fruitful areas for research in the application of fuzzy theory. Fuzzy theory is a mathematical theory, and what is called fuzziness takes in one aspect of uncertainty.Fuzziness is ambiguity that can be found in the definition of a concept or the meaning of a word. For example, the uncertainty in expressions like“old person”,“high temperature”, or“small number”can be called fuzziness. Up to now probability has been the only uncertainty with which mathematics has worked. The uncertainty of probability generally relates to the occurance of phenomena, as symbolized by the concept of randomness. For example, it will rain tomorow“, ”roll the dice and get a three“ have the uncertainty of phenomenological occurances. Randomness and fuzziness differ in nature; that is, they are different aspects of uncertainty. For example since the uncertainty of ”it will rain tomorow“ comes about because of a prediction made before tomorow arrives, it will be clarified by the passage of time and arrival tomorrow. The uncertainty in ”roll the dice and get a three“ is also a product of guessing before the roll, and if we actually roll dice and test it, the proposition becomes certain. However, the uncertainty found in ”old person“ or ”high temperature“ is not clarified by the passage of time or testing, the ambiguity lies in the meaning of the words, and since it is an essantial characteristic of the words, it always follows them around to some extent. When designing a control system, an initial step is to optain a mathematical model for the plant and controller This model represent the formulation of prior information into an analytic structure, but many real world systems have unknown parameters or highly complexs and nonlineer characteristics. Attempts to overcome these difficulties have led to research into very complexs controllers, Which may cause difficulties when applied. Fuzzy logic control appears very useful when the processes are too complex for analysis by conventional quantitative techniques. Experinces show that the fuzzy logic control yields results superior to those obtained by conventional control algorithms in the complex situation where the system or parameters are difficult to optain.Other advantages of fuzzy control are; 1-it can work with less precise inputs; 2-it doesn't need fast processors; 3-it needs less data storage in the form of membership functions and rules than conventional look up table for nonlinear controllers; and 4-it is more robust than other nonlinear controllers.Fuzzy logic is much closer in spirit to human thinking and natural language than the traditional logical systems. Viewed in this perspective, the essential part of the FLC (Fuzzy Logic Controller) is a set of linguistic control rules related by the dual concepts of fuzzy implication and compositional rule of inference.Then, the FLC provides an algorithm which can convert the linguistic control strategy based on expert knowledge into an automatic control strategy. The components of conventional and fuzzy systems are quite alike, differing mainly in that fuzzy systems contain ”fuzzifiers“ which convert inputs into their fuzzy representations, and ”defuzzifiers“ which convert the output of the fuzzy process logic into ”crisp“ (numerically precise) solution variables. In a fuzzy system, the values of fuzzified input execute all the rules in the knowledge repository that have the fuzzified input as part of their premise.This process generates a new fuzzy set representing each output or solution variable Defuzzification creates a value for the output variable from that new fuzzy set For physical systems, the output value is often used to adjust the setting of an actuator that in turn adjusts the state of physical system. The change is picked up by the sensors, and the entire process starts again. In contrast, a PID controller is based on a rigorous mathematical model of some linear process These models develop, by means of root locus or some other method, a set of equations that describe the stable equilibrium state of control surface with coefficients being assigned to the proportional, integral and derivative aspects of the system.A PID controller reads a precise sensor value, applies the mathematical model, and produce a specific output from mathematical algorithm. While the PID model may seem the simpler and hence, the more economical representation, the contrary is more often true. Fuzzy controllers are in fact easier to prototype and implement, simpler to describe and verify, and can be maintained and extended with greater accuracy in less time. This study has five parts. In the first part, it has been given an introduction to fuzzy logic. In the second part, mathematical relations of fuzzy logic.In the third and fourth part, fuzzy logic controller's principals and fuzzy logic controller's design have been explained. At the final part of study, three different types of fuzzy PID controllers, using one and two input inferences, are investigated and also we designed a hibrit fuzzy P+ID controller in an incremental form. This controller is constructed by using an incremental fuzzy logic controller in place of the proportional term in a conventional PID controller. By using the the bounded- input/bounded-output ”small gain theorem", the sufficient condition for stability of this controller is derived. Based on condition, we modify the Ziegler and Nichols approach to design the fuzzy P+ID controller. In this case, th stability of a system remains unchanged after the PID controller is replaced by fuzzy P+ID controller without modifying the original controller parameters. Finally, this three controllers are used to control a nonlinear system. Numerically simulation results demonstrate the effectiveness of the fuzzy P+ID controller in comparison with the conventional PID controller. XVI
Benzer Tezler
- Fuzzy-PSO control of linear and nonlinear systems
Doğrusal ve doğrusal olmayan sistemlerde bulanık sürü parçacığı optimizasyonu yaklasımı ile kontrol
TOLGA KAYA
Yüksek Lisans
İngilizce
2014
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
YRD. DOÇ. GÜLAY ÖKE
- Destek vektör regresyonu ile PID kontrolör tasarımı
Design of PID controller via support vector regression
KEMAL UÇAK
Yüksek Lisans
Türkçe
2012
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. GÜLAY ÖKE
- Kontrol sistemleri için bulanık PID kontrolörlerin genetik algoritmalar yardımıyla ayarlanması
Tuning of fuzzy PID controllers by genetic algorithms for control systems
ÖMER GÜVENÇ KARAOĞLAN
Yüksek Lisans
Türkçe
2007
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ.DR. FUAT GÜRLEYEN
- Bulanık mantık ve alternatif kontrol yöntemleri ile su sıcaklık kontrolü
Control of a water tank using fuzzy logic and alternative control techniques
ORHAN KARAKUŞ
Yüksek Lisans
Türkçe
2004
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiElektronik-Bilgisayar Eğitimi Ana Bilim Dalı
Y.DOÇ.DR. AHMET EMİN KUZUCUOĞLU
- Model-free load frequency control in isolated microgrids based on reinforcement learning
İzole mikroşebekelerde pekiştirmeli öğrenmeye dayalı model bağımsız yük frekans kontrolü
AMJAD MUNEIM MOHAMMED
Doktora
İngilizce
2024
Elektrik ve Elektronik MühendisliğiMuğla Sıtkı Koçman ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATMA YILDIZ TAŞCIKARAOĞLU