Yapay sinir ağları-bulanık mantık PID denetleyici

Abstract

ÖZET Yüksek Lisans Tezi Yapay Sinir Ağları-Bulamk Mantık PID Denetleyici A. Oruç ŞENER İnönü Üniversitesi Fen Bilimleri Enstitüsü Elektrik-Elektronik Mühendisliği 66 + ix sayfa 2004 Danışman: Yrd. Doç. Dr. Ömer Faruk ÖZGÜVEN Bir nöro-füzzy karma kontrol stratejisi ve ona uygun kural üretme yaklaşımı önerildi. Bu yaklaşıma göre füzzy girişleri yoluyla fuzzy kontrol kuralları otomatik olarak üretilebilir ve daha sonra basitleştirilmiş füzzy sonuç çıkarma makinasından uygun kontrol işlemi, verimli bir sonuç çıkarılabilir. Bir artan PI algoritması ve bir pozisyon PD algoritmasının birleştirilerek kullanılması ile bir PID fuzzy kontrol stratejisi iki giriş değişkeni ile basitçe gösterilebilir. Bu, kontrol performansım azaltmadan kontrol kuralları sayısında önemli azaltma sağlar. Kontrol parametreleri, bir tek nöronla birlikte modifiye edilmiş geri yayılım algoritması ortaya koyarak kendi kendine ayarlanabilir. Simülasyon sonuçlan bize gösterdi ki önerilen füzzy denetleyici bilinmeyen işlemleri kontrol edebilmeyi sağlar ve iyi bir performans sağlar. Geleneksel kendinden yapılanmalı ve fuzzy denetleyici tabanlı yapay sinir ağlarıyla karşılaştırıldığında bu metod daha basit kontrol algoritması ve daha az hesap ağırlığı içerir. ANAHTAR KELİMELER: PI, PD, PID, Bulanık Mantık, Yapay Sinir Ağı

ABSTRACT Master Thesis NEURO-FUZZY PID CONTROLLER A. Oruç ŞENER İnönü University Graduate School Of Natural and Applied Sciences Department of Electric-Electronic Engineering 66 + ix pages 2004 Supervisor: Yrd. Doç. Dr Ömer Faruk ÖZGÜVEN A hybrid neuro-fuzzy control strategy and its corresponding rule generating approach is proposed. According to this approach, the fuzzy control rules can be generated automatically via fuzzy inputs, and then the appropriate control action can be deduced efficiently by a simplified fuzzy inference engine. By combining the use of an incremental PI algorithm and a positional PD algorithm, a PID fuzzy control strategy can be implemented simply from two input variables. It results in the number of control rules being significiantly reduced without decreasing the control performance. The control parameters can be self-tuned by introducing a single neuron together with a modified back-propagation learning algorithm. Simulation results show that the proposed fuzzy controller is able to control unknown processes and provide good performance. Compared traditional self-organising and neural- network-based fuzzy controllers, this method has simpler control algorithms and less computational burden. KEYWORDS: PI, PD, PID, fuzzy lojik, neural network