Derin öğrenme tabanlı model öngörülü kontrol için MILP formülasyonları
MILP formulations for deep learning based model predictive control
- Tez No: 906145
- Danışmanlar: DOÇ. DR. UĞUR YILDIRAN
- 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: Türkçe
- Üniversite: Yıldız 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: 105
Özet
Isıtma sistemleri, bireysel kullanıcı için konfor ve barınma ihtiyacının bir parçasıyken, endüstriyel uygulamalarda üretim, araştırma – geliştirme, imalat ve enerji yönetimi gibi alanlarda önemli rol oynamaktadır. Bu bağlamda, istenen iç ortam sıcaklığını en verimli şekilde sağlamak amacıyla, kararlı bir kontrol yöntemi geliştirmek büyük önem taşır. Bu çalışmada, yapay sinir ağı (YSA) tabanlı model öngörülü kontrol (MÖK) sistemi geliştirilmiştir. YSA modelinde aktivasyon fonksiyonu olarak düzeltilmiş doğrusal birim (DDB) kullanılmış ve DDB'e ilişkin denklemlerin karma tam sayılı doğrusal ifadeleri elde edilmiştir. MÖK optimizasyon problemi bir karma tam sayılı doğrusal programlama (KTDP) optimizasyon problemine dönüştürülüp, hazır kütüphaneler kullanılarak global optimal çözüm elde edilmiştir. Sistem, belirlenen bir zaman aralığında hem YSA tabanlı MÖK modeliyle, hem de dışsal girdili özbağlanımlı model (DGÖM) tabanlı MÖK modeliyle kontrol edilmiş, sonuçların karşılaştırılması için oransal integral türevsel (OİT) denetleyici de eklenmiştir. Çalışmanın sonucunda YSA tabanlı MÖK'ün diğer yöntemlerden daha başarılı olduğu görülmüştür.
Özet (Çeviri)
Heating systems are essential for providing comfort and shelter for individual users, while playing a significant role in industrial applications such as production, research and development, manufacturing, and energy management. In this context, it is crucial to develop a stable control method to achieve the desired indoor temperature in the most efficient manner. This study presents the development of an artificial neural network (ANN)-based model predictive control (MPC) system. The ReLU activation function was used in the ANN model, and mixed-integer linear expressions related to ReLU were derived. Thus, the MPC optimization problem was transformed into a mixed-integer optimization problem, enabling a globally optimal solution to be obtained using available libraries. The system was controlled over a specified time interval using both the ANN-based MPC model and the ARX-based MPC model, with PID control included for result comparison. The findings show that the ANN-based MPC outperformed the other methods.
Benzer Tezler
- Development of a learning based trajectory tracking controller for autonomous vehicles
Otonom araçlar için öğrenme tabanlı yörünge takip kontrolörünün geliştirilmesi
HASAN ŞENER
Yüksek Lisans
İngilizce
2022
Makine MühendisliğiMarmara ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ UĞUR TÜMERDEM
DR. İSMAİL HAKKI SAVCI
- Nonlinear model based guidance with deep learning based target trajectory prediction against agile attack patterns
Çevik saldırı manevralarına karşı derin öğrenme tabanlı tehdit yörünge tahmini ile doğrusal olmayan model öngörülü kontrol
ABDULLAH SADIK SATIR
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- Improving sample efficiency in reinforcement learning control using autoencoders
Pekiştirmeli öğrenme kontrolde otokodlayıcılar ile örnekleme verimliliğini arttırma
BURAK ER
Yüksek Lisans
İngilizce
2023
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Gerçek zamanlı endüstriyel kontrol sistemleri için makine öğrenmesi temelli yaklaşımlar
Machine learning approaches for real-time industrial control systems
SÜLEYMAN MANTAR
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiBursa Uludağ ÜniversitesiElektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ERSEN YILMAZ
- Secure and coordinated beamforming in 5G and beyond systems using deep neural networks
5G ve ötesi sistemlerde derin sinir ağları kullanarak güvenli ve koordineli hüzmeleme
UTKU ÖZMAT
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET AKİF YAZICI
DR. ÖĞR. ÜYESİ MEHMET FATİH DEMİRKOL