Networked computing-based system identification and control of electromechanical systems with industrial IoT
Endüstriyel IoT ile elektromekanik sistemlerin ağ hesaplama tabanlı sistem tanıma ve kontrolü
- Tez No: 878617
- Danışmanlar: DOÇ. DR. ALİ FUAT ERGENÇ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Bilim Dalı
- Sayfa Sayısı: 144
Özet
Sistem, belirli bir işlevi veya görevi gerçekleştirmek amacıyla bir araya getirilen öğeler bütünüdür. Aynı zamanda, gerçek dünyanın belirli bir bölümünün soyutlanmış ve modellenmiş bir temsilidir; bu temsil, belirli koşullar altında nasıl davrandığını anlamamızı sağlar. Giriş, çıkış ve bozucular, sistemin çevreyle etkileşimini tanımlar. Elektro-mekanik sistemler, elektriksel ve mekanik bileşenlerin entegre edilmesiyle oluşturulan sistemlerdir. Bu sistemler, elektrik enerjisini mekanik harekete veya mekanik enerjiyi elektrik sinyallerine dönüştürmek için kullanılır. Bu çalışmada, İstanbul Teknik Üniversitesi (İTÜ) Rockwell Automation Endüstri 4.0 Kontrol ve Otomasyon Mühendisliği Laboratuvarı'nda bulunan rezonans yükü ve krank mili elektromekanik deney sistemleri üzerinde çalışmalar yapılmıştır. Kontrol ve otomasyon mühendisliğinin temel alanlarından biri olan sistem tanıma, gözlemlenen ve toplanan verilerden yola çıkarak sistemin modellenmesini ifade eder. Bu süreç, sistemin dinamik davranışlarının anlaşılmasına ve tahmin edilmesine olanak tanır. Sistem tanıma ile elde edilen modeller, arıza tespiti, sistem performansının artırılması ve uyarlanabilir kontrol tekniklerinin uygulanması gibi çeşitli amaçlar için kullanılır. Böylece olası arızalar önceden tespit edilebilir, performans iyileştirmeleri yapılabilir ve değişen koşullara uyum sağlayabilen kontrol stratejileri geliştirilebilir. Sistem tanıma, kontrol ve otomasyon uygulamalarında sistemlerin kararlılığını, dayanıklılığını, hassasiyetini ve performans kriterlerini garanti etmek için gereklidir. Sistem tanıma sayesinde, sistemlerin özellikleri, davranışları ve ilişkileri matematiksel ifadelerle tanımlanır. Bu sayede, sistemler üzerinde analitik analizler yapılabilir ve daha etkin kontrol stratejileri veya otomasyon süreçleri geliştirilebilir. Bu matematiksel ifadeler, sürekli zaman sistem modelleri için diferansiyel denklemler veya transfer fonksiyonları; ayrık zamanlı sistem modelleri için fark denklemleri veya ayrık transfer fonksiyonlarıdır. Sistemler üzerinde sistem tanıma yapabilmek için belirlenmiş bir deney sırası mevcuttur. Bu deney sırası (sistem tanıma deneyi), sistemin dinamik davranışlarının doğru bir şekilde modellenmesi ve analiz edilmesi için izlenmesi gereken adımları içerir. Ayrıca bu deney adımları, sistemin özellikleri bilinmeyen bir kara kutudan, özellikleri bilinen gri/beyaz bir kutuya dönüştürülmesidir. Sistem tanıma deneyleri ilk olarak sistemin lineer çalışma bölgesi tespiti ve örnekleme periyodu seçimi ile başlar. Sistemin lineer çalışma bölgesi, sistemin doğrusal modellerinin geçerli olduğu aralığı belirlemek için önemlidir. Bu bölge, sistem modelinin daha doğru olması için seçilen giriş sinyallerinin ve deney koşullarının belirlenmesine yardımcı olur. Örnekleme periyodu seçimi de önemlidir çünkü toplanan verilerin analizi ve sistem modelinin oluşturulması için kullanılacak veri noktalarının arasındaki zaman aralığını belirler. Bu periyot, sistemin dinamik davranışlarını doğru bir şekilde yansıtabilecek kadar küçük olmalıdır, ancak aynı zamanda veri toplama ve işleme süreçlerini de etkili bir şekilde yönetilebilir kılmalıdır. Örnekleme periyodu seçimi için sistemlerin frekans cevabını kullanarak genlik eğrileri elde edilerek bulunması kullanılabilecek yöntemlerden birisidir. Sistem tanıma deneylerinin ikinci adımı ise sisteme uygulanacak giriş işareti seçimidir. Uygulamalarda yaygın olarak kullanılan bazı giriş sinyalleri, basamak fonksiyonları, sözde rastgele ikili diziler işareti (PRBS) ve sinüs işaretlerin toplamlarıdır. Burada seçilen giriş işareti için dikkat edilmesi gereken konu ise, seçilen giriş işareti, sistemi etkili bir şekilde tahmin etmek ve doğru bir sistem modeli oluşturmak için çok önemlidir. Özellikle, giriş işaretinin sürekli uyarma mertebesi, sistem mertebesinden/derecesinden daha yüksek olmalıdır. Bu nedenle, giriş sinyali sistemi yeterince uyarıcı olmalıdır ki, sistemin dinamik davranışları doğru bir şekilde gözlemlenebilsin ve sistemin modeli doğru bir şekilde belirlenebilsin. Eğer giriş sinyali yeterince uyarıcı değilse, sistemin bazı önemli özellikleri göz ardı edilebilir ve model yanıltıcı olabilir. Burada seçilen giriş işareti için dikkat edilmesi gereken konu ise, giriş işaretinin sürekli uyarma mertebesi sistem mertebesinden/derecesinden yüksek olmalıdır aksi halde sistem modeli doğru olarak elde edilemez. Korelasyon ve spektral analiz, giriş sinyalinin sürekli uyarılma mertebesini belirlemek için kullanılır. Sistem tanımlama deneylerinde sistem modeli, kontrol mühendisliği alanında oldukça kritiktir. Doğru bir sistem modeli, sistemin dinamik davranışını doğru bir şekilde temsil eder, böylece kontrol stratejileri optimize edilebilir ve sistem performansı geliştirilebilir. Model oluştururken veri boyutunun önemi, sistem tanımlama deneylerinde sıklıkla vurgulanan önemli bir konudur. Veri boyutu, kullanılan modelin karmaşıklığına ve özelliklerine bağlı olarak belirlenmelidir. Özellikle veri boyutunun giriş sinyalinin periyodunu aşmamasına dikkat edilmelidir. Veri boyutu, modelin doğruluğunu ve genelleme yeteneğini etkileyebilecek önemli bir faktördür. Bu nedenle model oluşturma sürecinde uygun veri boyutunun seçilmesi, elde edilen sonuçların güvenilirliğinin sağlanması açısından kritik öneme sahiptir. Ayrıca veri boyutunun modelin eğitim sürecini etkileyebileceği ve aşırı uyum gibi sorunlara neden olabileceği de unutulmamalıdır. Sistem tanıma deneylerinin son adımı ise model doğrulama ve testleridir. Modelin doğruluğunu değerlendirmek ve güvenilirliğini sağlamak için özel olarak tasarlanmış çeşitli model doğrulama testleri vardır. Bu model doğrulama testleri, korelasyon analizi yoluyla gerçekleştirilen beyazlık testi (W) ve iki bağımsızlık testinden (I1 ve I2) oluşur. Beyazlık testi, bir dizi gözlem arasındaki ilişkinin rastgelelik hipotezine karşı test edilmesini sağlar. Bu test, gözlemler arasındaki ilişkinin beyaz gürültü adı verilen rastgele bir süreçten mi yoksa model tarafından yakalanabilecek bir modelden mi kaynaklandığını belirlemeye yardımcı olur. Bağımsızlık testleri, iki değişken arasındaki ilişkinin bağımsızlık hipotezine göre test edilmesine olanak sağlar. Bu testler değişkenler arasındaki ilişkinin nedensel olup olmadığını veya birbirlerini etkileyip etkilemediğini belirlemeye yardımcı olur. Bu testler, istatistiksel analizlerde kullanılarak değişkenler arasındaki ilişkilerin doğasını ve önemini anlamak için önemli araçlardır. Daha sonrasında, sistem tanıma deneyleri en iyi sonucu bulana kadar veya yeterli şartları sağlayana kadar tekrarlanır. Bu çalışmada sistem tanıma deneyleri hem rezonans yükü hemde krank mili deney seti üzerinde yapılmıştır. Uyarlanabilir kontrol, başlangıçta bilinmeyen ve/veya zamanla değişen sistemleri kontrol etmek için kullanılan bir stratejisidir. Bu strateji, sistemin parametrelerinin zamanla değiştiği durumlarda, kontrol yasasının bu değişimlere uyum sağlayacak şekilde güncellenmesini sağlar. Örneğin, yakıt kullanımına bağlı olarak zamanla değişen roket kütlesi gibi bilinmeyen ve değişken parametrelere sahip sistemler için uyarlanabilir kontrol gereklidir. Uyarlanabilir kontrol, belirsiz ve zamanla değişen parametrelere ilişkin sınırlar hakkında önceden bilgi sahibi olmayı gerektiren gürbüz kontrolden farklıdır. Gürbüz kontrol, sistem parametrelerinin belirli sınırlamalar içinde kalacağını varsayar ve bu sınırlar dahilinde kontrol performansını garanti eder. Buna karşılık, uyarlanabilir kontrol, sistem parametreleri hakkında önceden bilgi sahibi olmaksızın kontrol yasasını dinamik olarak ayarlar. Bu esneklik, uyarlanabilir kontrolü, değişken ve belirsiz koşullar altında çalışan sistemler için ideal bir çözüm haline getirir. Bu çalışmada, Model Referans Uyarlamalı Kontrol (MRAC) tasarımı gerçekleştirilmiştir. Bu tasarımda, Barbalat lemma ve Lyapunov tabanlı kararlılığı garanti eden bir uyarlama mekanizması kullanılmıştır. Geliştirilen MRAC tasarımı, farklı kontrol stratejileri ile karşılaştırılmıştır. Bu bağlamda, gradyan iniş algoritması ve klasik oransal-integral-türevsel (PID) kontrolcüler ile MRAC'nin performansı değerlendirilmiştir. Gradyan iniş algoritması, parametre optimizasyonu ve hata minimizasyonu için kullanılırken, PID kontrolcüler, endüstride yaygın olarak kullanılan basit ve etkili bir kontrol yöntemi olarak bilinir. Bu karşılaştırmalar, MRAC'nin belirli koşullar altında diğer kontrol stratejilerine göre üstün performans gösterip göstermediğini belirlemek amacıyla yapılmıştır. Bu kontrolcü tasarımı rezonans yükü deney seti üzerinde uygulanmıştır. Son yıllarda ağ teknolojilerinde önemli ilerlemeler kaydedilmiş ve bu yenilikler giderek kontrol sistemlerine entegre edilmektedir. Ağ bağlantılı kontrol sistemleri (NCS) olarak bilinen bu sistemlerde, kontrol döngüsü WiFi, 4G, 5G veya internet gibi iletişim kanalları üzerinden kapatılmaktadır. NCS'ler, tesis dalgalanmalarına dünyanın her yerinden her an cevap verebilme yeteneğine sahiptir. Pratik uygulamalarda birçok örnek mevcut olup, NCS'lerin tasarımı ve analizi üzerine önemli araştırmalar yapılmıştır. NCS'ler, Nesnelerin İnterneti'nin (IoT) hızla gelişmesine ve hayatımızın her yönünü kapsamasına önemli ölçüde katkıda bulunmaktadır. Veri toplama, depolama ve işleme, IoT süreçlerini kontrol etmek için büyük önem taşımaktadır. Bunun nedeni, IoT'deki her bir bileşenin doğru fiziksel modellerini tasarlamanın zor, hatta imkansız olmasıdır. Tasarımcıların elde edebileceği tek bilgi, algılayıcılarda ve sistemlerden alınan çeşitli ölçümlere dayanan verilerdir. Bulut bilişim ve kontrol teorisinin hızla ilerlemesiyle birlikte, karmaşık veri toplama, depolama, analiz ve hesaplama yoğun kontrol görevlerini gerçekleştirmek için bulut kontrol sistemleri (CCS'ler) adı verilen yeni bir NCS paradigması geliştirilmiştir. CCS'ler tipik olarak NCS mimarisini temel alır; bu mimaride algılayıcılar tesis durum bilgilerini toplar ve bu bilgileri ağ üzerinden bulut veri merkezine iletir. Bulutta bulunan kontrolörler bu verileri işler, kontrol sinyallerini hesaplar ve ardından bu sinyalleri eyleyicilere geri gönderir. Bu çalışmada, sistem tanıma deneylerinin ve kontrol uygulamalarının gerçekleştirebilmesi için Endüstriyel IoT kullanarak bir kullanıcı platformu arayüzü oluşturulmuştur. Bu amaçla, Node-RED ve ThingsBoard gibi açık kaynak kodlu programlarla ile programlanabilir lojik kontrolcüler (PLC) ve kullanıcı arasındaki haberleşme sağlanmıştır. Node-RED, donanım cihazlarının, uygulama programla arabirimi (API) ve çevrimiçi hizmetlerin kolay bağlantısını sağlayarak kontrol ve otomasyon mühendisliğinde ağ kontrolünü kolaylaştıran açık kaynaklı bir programlama platformudur. ThingsBoard, bağlı cihazlardan veri toplamak, analiz etmek, görüntülemek ve kontrol etmek için tasarlanmış uyarlanabilir ve ücretsiz olarak kullanılabilen bir IoT platformudur. Bu platform, çeşitli kaynaklardan veri toplama ve analiz etme yeteneği sağlar. Node-RED, PLC, ThingsBoard ve kullanıcı arasındaki haberleşme ağ üzerinden (Üstün Metin Transfer Protokolü (HTTP), Ethernet İletim Kontrol Protokolü/İnternet Protokolü (TCP/IP) ve Mesaj Kuyruklama Telemetri Aktarımı (MQTT)) yapılmaktadır. Ethernet TCP/IP, sistemler arasında veri iletişimini sağlayan temel bir protokoldür. Ağ bağlantılı PLC'ler ve diğer elektro-mekanik cihazlar, fabrika otomasyonunu yönetmek ve izlemek için merkezi bir kontrol sistemine entegrasyonu mümkün kılar. Uluslararası İş Makineleri (IBM) tarafından 1999 yılında geliştirilen ve sınırlı ağ kapasitesine sahip uzak sitelerle iletişim için bir yayınlama-abone olma mesajlaşma protokolünü kullanan MQTT. Bu yeni protokol, uygulanması kolay, hafif ve bant genişliği açısından verimli olmanın yanı sıra kalıcı oturum farkındalığı ve veri bağımsızlığı sağlamayı amaçlamaktadır. ThingsBoard üzerinden tasarlanan kullanıcı arayüzü sayesinde, kullanıcılar sistem tanıma deneylerini ve kontrol tasarımlarını uzaktan erişimle gerçekleştirebilir ve tüm deney değişkenlerini kolayca değiştirebilirler. Bu, sistem tanımlamayı ve gerçek sistemlerden veri edinmeyi kolaylaştırır. Kullanıcı arayüzü, deneylerin izlenmesi ve kontrol edilmesi sürecini daha verimli hale getirerek, kullanıcıların sistem parametrelerini ve performansını anlık olarak gözlemlemelerine olanak tanır. Bu özellikler, sistem tanıma ve kontrol tasarımı süreçlerini daha esnek ve erişilebilir kılar. Ayrıca, sistemlerden toplanan veriler bulut ağı üzerinden MATLAB'a aktarılarak sistem analizi ve model oluşturulmasına olanak sağlanmaktadır. Bu entegrasyon, MATLAB'ın güçlü analiz ve modelleme araçları kullanılarak daha detaylı ve kapsamlı sistem analizlerinin yapılmasını mümkün kılar. Verilerin bulut üzerinden aktarılması, kullanıcıların veriye her yerden erişebilmesini ve analiz süreçlerini uzaktan yönetebilmesini sağlar. Böylece, sistem tanıma ve modelleme süreçleri daha esnek, verimli ve etkili bir şekilde gerçekleştirilebilir. Sonuç olarak, bu çalışma, Rockwell Automation Endüstri 4.0 Kontrol ve Otomasyon Mühendisliği Laboratuvarı'nda IoT üzerinden haberleşen mekanik sistemler için kullanıcı dostu bir sistem tanımlama arayüzü sunmuştur. Bu tez altı ana bölümden oluşmaktadır. Birinci bölümde tez konusu olan ağ bilişim tabanlı elektro-mekanik sistemlerin sistem tanımlanması ve kontrolü hakkında genel bir giriş yapılmıştır. Bu bölümde konunun önemi, amacı ve kapsamı ayrıntılı olarak anlatılarak tezin içeriğine ilişkin temel bir anlayış geliştirmesi sağlanır. İkinci bölümde tezde kullanılan konu ve yöntemlere ilişkin kapsamlı bir literatür taraması sunulmaktadır. Bu bölümde mevcut literatürdeki çalışmalar incelenmekte, kullanılan yöntem ve yaklaşımlar tartışılmakta ve bu çalışmaların tez konusuyla ilişkisi açıklanmaktadır. Bu sayede tezin dayandığı teorik ve pratik temeller ortaya konmuştur. Üçüncü bölümde üzerinde deneylerin yapıldığı sistemler ve bu sistemlerin modelleri hakkında detaylı bilgiler sunulmaktadır. Bu bölümde ayrıca deneysel çalışmalarda kullanılan elektromekanik sistemlerin teknik özellikleri ve yapıları hakkında detaylı açıklamalara yer verilmektedir. Ayrıca deneylerin nasıl gerçekleştirildiği ve hangi parametrelerin dikkate alındığı da açıklanmaktadır. Dördüncü bölümde sistem tanımlama deneyleri ve kontrolü için tasarlanan yapılar ayrıntılı olarak anlatılmaktadır. Bu bölümde özellikle ağ hesaplama ve iletişim yapıları ile denetleyici tasarımlarına odaklanılmaktadır. Kullanılan yöntemler, algoritmalar ve araçlar hakkında teknik bilgi verilmektedir. Beşinci bölümde, elde edilen sistem tanımlama deneyi sonuçları ve denetleyici tasarımının sonuçları sunulmuş ve değerlendirilmiştir. Bu bölümde yapılan deneylerden elde edilen veriler analiz edilmiş, sonuçlar grafik ve tablolar yardımıyla yorumlanmıştır. Kontrolör tasarımlarının performansı sistem cevabı ve kararlılık gibi kriterlere göre değerlendirilmiş ve bulgular tartışılmıştır. Tezin son kısmı olan altıncı bölümde genel değerlendirme, öneriler ve tartışmalar yer almaktadır. Bu bölümde çalışmanın genel sonuçları özetlenmekte, bulguların teorik ve pratik önemi vurgulanmakta ve gelecek çalışmalar için öneriler sunulmaktadır. Ayrıca çalışmanın sınırlılıkları ve karşılaşılan zorluklar tartışılarak konuya daha geniş bir bakış açısı kazandırılmıştır.
Özet (Çeviri)
A system is a set of elements brought together to perform a specific function or task. It is also an abstracted and modeled representation of a particular part of the real world. Electro-mechanical systems are systems created by integrating electrical and mechanical components. These systems are used to convert electrical energy into mechanical motion or mechanical energy into electrical signals. In this study, studies were carried out on resonant load and crankshaft electro-mechanical experiment systems in Istanbul Technical University (ITU) Rockwell Automation Industry 4.0 Control and Automation Engineering Laboratory. System identification, a fundamental aspect of control and automation engineering, involves constructing a model of the system using data that has been observed and collected. This process allows for understanding and predicting the dynamic behavior of the system. Models obtained through system identification are used for various purposes, such as fault detection, improving system performance, and applying adaptive control techniques. Thus, possible malfunctions can be detected in advance, performance improvements can be made, and control strategies that can adapt to changing conditions can be developed. It is necessary to guarantee the stability, durability, precision, and performance criteria of systems in system identification, control, and automation applications. Thanks to system identification, the properties, behaviors, and relationships of systems are described with mathematical expressions. In this way, analytical analyses can be made on the systems and more effective control strategies or automation processes can be developed. These mathematical expressions are differential equations or transfer functions for continuous-time system models; the difference equations or discrete transfer functions for discrete-time system models. This sequence of experiments (system identification experiment) includes the steps that must be followed to accurately model and analyze the system's dynamic behavior. Additionally, these experimental steps convert the system from a black box with unknown properties to a gray/white box with known properties. System identification experiments first start with determining the linear operating region of the system and selecting the sampling period. This linear operating region helps determine the selected input signals and experimental conditions to make the system model more accurate. The choice of sampling period is also important because it determines the time interval between data points that will be used to analyze the collected data and build the system model. This period should be small enough to accurately respond to the dynamic behavior of the system but, at the same time, make the data collection and processing processes effectively manageable. Obtaining the Bode diagram using the systems' frequency response is one method that can be used to select the sampling period. The second step of system identification experiments is selecting the input signal to be applied to the system. Some input signals commonly used in applications are step functions, pseudo-random binary strings signal (PRBS), and sums of sine signals. The point to be considered here is that the selected input signal is critical in predicting the system effectively and creating an accurate system model. In particular, the persistent excitation level of the input signal must be higher than the system order. Therefore, the input signal system must be sufficiently stimulating so that its dynamic behavior can be accurately observed and its model can be accurately determined. If the input signal is not stimulating enough, some valuable system features may be ignored, and the model may be misleading. Correlation and spectral analysis are used to determine the persistent excitation level of the input signal. In system identification experiments, the system model is very critical in the field of control engineering. An accurate system model accurately represents the system's dynamic behavior so that control strategies can be optimized and system performance improved. Data size is important when constructing models, and it is frequently emphasized in system identification experiments. The data size should be determined depending on the complexity and characteristics of the model used. In particular, care should be taken to ensure that the data size does not exceed the period of the input signal. Data size is an important factor that can affect the model's accuracy and generalization ability. Therefore, choosing the appropriate data size during the model construction process is critical to ensuring the reliability of the results obtained. It should also be noted that the data size may affect the training process of the model and cause problems such as overfitting. The final step of system identification experiments is model verification and testing. There are various model validation tests specifically designed to evaluate the accuracy of the model and ensure its reliability. These model validation tests consist of the whiteness test (W) and two independence tests (I1 and I2) performed through correlation analysis. The whiteness test allows the relationship between a set of observations to be tested against the hypothesis of randomness. This test helps determine whether the relationship between observations is due to a random process called white noise or a pattern that can be captured by the model. Independence tests allow the relationship between two variables to be tested according to the independence hypothesis. These tests help determine whether the relationship between variables is causal or whether they influence each other. These tests are important tools for understanding the nature and importance of relationships between variables by using them in statistical analyses. Afterward, system identification experiments are iterated until the optimal outcome is achieved or the necessary criteria are accomplished. Adaptive control is a strategy used to control systems that are initially unknown and/or time-varying. This strategy ensures that in cases where the parameters of the system change over time, the control law is updated to adapt to these changes. For example, adaptive control is required for systems with unknown and variable parameters, such as rocket mass changing with time depending on fuel usage. Adaptive control differs from robust control, which requires prior knowledge of limits on uncertain and time-varying parameters. Robust control assumes that system parameters will remain within certain limits and guarantees control performance within these limits. In contrast, adaptive control dynamically adjusts the control law without prior knowledge of the system parameters. This flexibility makes adaptive control an ideal solution for systems operating under variable and uncertain conditions. In this study, a Model Reference Adaptive Control (MRAC) design has been implemented. In this design, Barbalat's lemma and Lyapunov-based stability-guaranteeing adaptation mechanisms have been used. The developed MRAC design has been compared with different control strategies. In this context, the performance of MRAC has been evaluated with the gradient descent algorithm and classical proportional-integral-derivative (PID) controllers. The gradient descent algorithm is used for parameter optimization and error minimization, while PID controllers are known as a simple and effective control method widely used in the industry. These comparisons were made to determine whether MRAC outperforms other control strategies under certain conditions. This controller design has been applied to the resonant load experiment set. In recent years, significant advances have been made in network technologies, and these innovations are being integrated into control systems. In these systems, known as networked control systems (NCS), the control loop is closed via communication channels such as WiFi, 4G, 5G, or the Internet. NCSs have the ability to respond instantly to facility fluctuations from anywhere in the world. These systems contribute greatly to the development of IoT. Data collection, storage, and processing are vital for controlling IoT processes because it is difficult to design accurate physical models of IoT components. With the advancement of cloud computing and control theory, a new NCS paradigm called cloud control systems (CCSs) has been developed. CCSs collect facility status information from sensors, transmit it to the cloud data center, calculate control signals, and send them back to the actuators. In this study, a user platform interface has been created using Industrial IoT (IIoT) to perform system identification experiments and control applications. For this purpose, communication between programmable logic controllers (PLC) and the user is provided with open-source programs such as Node-RED and ThingsBoard. Node-RED is an open-source programming platform that simplifies network control in control and automation engineering by providing easy connection of hardware devices, application programming interface (API), and online services. ThingsBoard is an adaptable and freely available IoT platform designed to collect, analyze, display, and control data from connected devices. This platform provides the ability to collect and analyze data from a variety of sources. Communication between Node-RED, PLC, ThingsBoard, and the user is done over the network (Higher Text Transfer Protocol (HTTP), Ethernet Transmission Control Protocol/Internet Protocol (TCP/IP), and Message Queuing Telemetry Transfer (MQTT)). Ethernet TCP/IP is a basic protocol that enables data communication between systems. Networked PLCs and other electro-mechanical devices enable integration into a central control system to manage and monitor factory automation. MQTT, developed by International Business Machines (IBM) in 1999, uses a publish-subscribe messaging protocol for communication with remote sites with limited network capacity. Thanks to the user interface designed through ThingsBoard, users can perform system identification experiments and control designs with remote access and easily change all experiment variables. This makes it easier to system identification experiment steps, and obtain data from real systems. The user interface makes the process of monitoring and controlling experiments more efficient, allowing users to instantly observe system parameters and performance. These features make system identification and control design processes more flexible and accessible. In addition, the data collected from the systems is transferred to MATLAB via the cloud network, allowing system analysis and model construction. This integration enables more detailed and comprehensive system analyses using MATLAB's powerful analysis and modeling tools. Transferring data via the cloud allows users to access data from anywhere and manage analysis processes remotely. Thus, system identification and modeling processes can be carried out more flexibly, efficiently, and effectively. As a result, this study presented a user-friendly system definition interface for mechanical systems communicating via IoT in the Rockwell Automation Industry 4.0 Control and Automation Engineering Laboratory. This thesis consists of six chapters. In the first chapter, an introduction is made to the system identification and control of network computing-based electro-mechanical systems, which is the subject of the thesis. In the second chapter, a literature review regarding the topics and methods used in the thesis is presented. In the third chapter, information is given about the systems on which experiments were carried out, and the models of these systems are detailed. In the fourth chapter, structures designed for system identification experiments and control (especially network calculation and communication structures) and controller designs are explained in detail. In the fifth chapter, the obtained system identification experiment results and the results of the controller design are presented and evaluated. The last chapter of the thesis includes a general evaluation, suggestions, and discussions.
Benzer Tezler
- Applications of multi-agent systems in transportation
Ulaşımda çoklu ajan sistemlerinin uygulamaları
İLHAN TUNÇ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET TURAN SÖYLEMEZ
- Kontrol sistemlerinde yapay sinir ağı uygulamaları
Başlık çevirisi yok
SERTAÇ CANARAN
Yüksek Lisans
Türkçe
1996
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF.DR. LEYLA GÖREN
- Neuro-Fuzzy variable structure control of robotic manipulators
Robot kollarının bulanık yapay sinir ağları ile değişken yapılı kontrolu
HASAN PALAZ
Doktora
İngilizce
2000
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF.DR. M. KEMAL SARIOĞLU
- NARMA-L2 controller design for nonlinear systems using online lssvr
Doğrusal olmayan sistemler için çevrimiçi en küçük kareler destek vektör regresyonu ile NARMA-L2 kontrolör tasarımı
GÖKÇEN DEVLET ŞEN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜLAY ÖKE GÜNEL
- Human operator modelling with ts fuzzy modelling using symbolic interval-valued data
Sembolik aralık-değerli veri kullanarak takagi-sugeno bulanık modelleme ile insan opertörlerinin modellenmesi
ANIL ERDİNÇ TÜFEKÇİ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUFAN KUMBASAR