Geri Dön

Gerçek zamanlı endüstriyel kontrol sistemleri için makine öğrenmesi temelli yaklaşımlar

Machine learning approaches for real-time industrial control systems

PDF İndir

  1. Tez No: 907316
  2. Yazar: SÜLEYMAN MANTAR
  3. Danışmanlar: DOÇ. DR. ERSEN YILMAZ
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Bursa Uludağ Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 132

Özet

Endüstriyel sistemlerdeki hızlı gelişmeler, üretim süreçlerini daha karmaşık hale getirmiş ve verimlilik beklentilerini artırmıştır. Geleneksel kontrol yöntemleri, bu karmaşıklığı ve belirsizlikleri yeterince ifade edememektedir. Bu nedenle, verimlilik taleplerini karşılayacak ve karmaşık sistemlerin kontrolünü iyileştirecek gelişmiş kontrol sistemleri üzerine çalışmalar sürdürülmektedir. Makine öğrenmesi temelli yöntemler, bu zorlukların üstesinden gelmek için umut verici bir çözüm olarak öne çıkmaktadır. Yapay sinir ağları ile derin öğrenme (DNN) öne çıkan yöntemler arasında yer alsa da, kritik kontrol sistemlerinin standartlara uygunluk sertifikasyonundaki zorluklar nedeniyle alternatif fonksiyon yaklaşımı yöntemlerinin araştırılması önemini korumaktadır. Bu tez çalışmasında, laboratuvar inkübatör cihazının ekonomik maliyet fonksiyonu ve çoklu kısıtlar dikkate alınarak, model öngörülü kontrol (MPC) tabanlı pekiştirmeli öğrenme (RL) algoritması ile kontrol edilmesi amaçlanmıştır. MPC sisteminin, yanlış bir model kullanılarak tasarlansa bile, makine öğrenmesi temelli yöntemler ile gerçek sistemin optimal kontrol politikasını sağlayacak şekilde ayarlanabileceği gösterilmiştir. Pekiştirmeli öğrenme sisteminin değer fonksiyonları, fonksiyon yaklaşımcısı olarak doğrusal olmayan model öngörülü kontrol (NMPC) sistemi kullanılarak ifade edilmiştir. Aşama maliyeti, terminal maliyeti, kısıtlar ve inkübatör cihazının tahmini sistem modeli, MPC sistemi içerisinde parametrik olarak tanımlanmıştır. MPC sistemi, doğrudan çoklu atış yöntemi ile doğrusal olmayan programlama (NLP) problemi olarak ifade edilmiştir. Elde edilen optimizasyon problemi iç nokta yöntemi ve otomatik türev alma yazılımı ile çözülmüştür. MPC sisteminin parametreleri, en küçük kareler zamansal fark (LSTD) Q-öğrenme yöntemi ile veriye dayalı olarak ayarlanmıştır. MPC sisteminin tasarımında ve benzetim ortamında kullanılmak üzere, inkübatör cihazının matematiksel modeli sistem tanımlama yöntemi kullanılarak elde edilmiştir. Modelleme için Box-Jenkins model yapısı kullanılmıştır ve parametreleri tahmin hatası yöntemi (PEM) kullanılarak tahmin edilmiştir. Elde edilen sonuçlar, MPC tabanlı RL yönteminin, endüstriyel kontrol sistemlerinde sistem belirsizlikleri ve kısıtlamaları içeren zorlu durumlarda, çevrimiçi öğrenme yeteneği ile sistem performansını optimize ederek referans takip performansını koruyabilen güçlü ve etkili bir çözüm sunduğunu göstermektedir.

Özet (Çeviri)

Rapid advancements in industrial systems have made production processes more complex and increased expectations for efficiency. Traditional control methods are insufficient in adequately representing this complexity and uncertainty. Therefore, research on advanced control systems that can meet efficiency demands and improve the control of complex systems is ongoing. Machine learning-based methods have emerged as a promising solution to overcome these challenges. Although artificial neural networks with deep learning (DNN) are among the prominent methods, the challenges in certifying critical control systems for compliance with standards have maintained the relevance of researching alternative function approximation methods. In this thesis, it is aimed to control a laboratory incubator device using a model predictive control (MPC)-based reinforcement learning (RL) algorithm, considering the economic cost function and multiple constraints. It has been shown that even if the MPC system is designed with an incorrect model, machine learning-based methods can be adjusted to provide the optimal control policy for the real system. Value functions of the reinforcement learning system are expressed using a nonlinear model predictive control (NMPC) system as the function approximation. Stage cost, terminal cost, constraints, and the estimated system model of the incubator device are parameterized with the MPC system. MPC system is expressed as a nonlinear programming (NLP) problem using the direct multiple shooting method. Optimization problem is solved using an interior-point method and automatic differentiation software. Parameters of the MPC system are adjusted using data-driven least-squares temporal difference (LSTD) Q-learning method. Mathematical model of the incubator device, used for designing the MPC system and in the simulation environment, is obtained through a system identification method. Box-Jenkins model structure is used for modeling, and its parameters are estimated using the prediction error method (PEM). Results show that the MPC-based RL method provides a robust and effective solution capable of optimizing system performance with online learning capability, maintaining reference tracking performance in challenging situations involving system uncertainties and constraints in industrial control systems.

Benzer Tezler

  1. Tez No

    860948

    Çoklu kameralı kalite kontrol sistemleri için gerçek zamanlı paralel hesaplama kullanan makine görmesi yaklaşımı

    A machine vision approach using real-time parallel computing for multi-camera quality control systems

    NURETTİN MUTLU ZORLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET KARAKÖSE

  2. Tez No

    728716

    Short term electricity load forecasting with deep learning

    Derin öğrenme ile kısa dönemli elektrik yük talep tahmini

    İBRAHİM YAZICI

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  3. Tez No

    675786

    Development of experimental captive and free-running manoeuvring systems and their cross-validation

    Çekme ve takip modlu manevra deney sistemlerinin geliştirilmesi ve bunların kıyaslamalı doğrulaması

    MÜNİR CANSIN ÖZDEN

    Doktora

    İngilizce

    İngilizce

    2021

    Gemi Mühendisliğiİstanbul Teknik Üniversitesi

    Gemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖMER GÖREN

    PROF. DR. KADİR SARIÖZ

  4. Tez No

    39286

    Yapay sinir ağlarında öğrenme algoritmalarının analizi

    Analysis of learning algorithms in neural networks

    SEVİNÇ BAKLAVACI

    Yüksek Lisans

    Türkçe

    Türkçe

    1994

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    DOÇ.DR. LEYLA GÖREN

  5. Tez No

    845953

    Otomatik makine öğrenmesi ile endüstriyel nesnelerin interneti tabanlı uç sistemlerde gerçek zamanlı saldırı tespit sistemi geliştirilmesi

    Development of a real-time intrusion detection system in industrial internet of things based edge systems with automated machine learning

    ANIL SEZGİN

    Doktora

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMilli Savunma Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYTUĞ BOYACI

Geri Dön