Yapay sinir ağları ile bir kontrol uygulaması

Abstract

YAPAY SİNİR AĞLARI İLE BER KONTROL UYGULAMASI Cihan KARAKUZU Anahtar Kelimeler: Yapay Sinir Ağlan (YSA) ile Kontrol, Doğrudan Ters Kontrol, Sistem Tanıma, Ters Model Çıkartımı Özet: Gerçekte fiziksel sistemler kontrol açısından doğrusal olmayan davranış sergilerler. Çoğu zaman da fizik kanunlarını kullanarak bu sistemleri model lemek mümkün olmaz. Yapay sinir ağlarının yalnızca ölçülen bigilerden iyi bir modellemeyi tesis ederek, bu problem üzerinde umut verici bir teknik olduğu görülmüştür. Halen kontrol sistemlerinin tasarımı ağırlıklı olarak sistemin açık matematiksel modeline dayandırılır. Bununla beraber bazı matematiksel modelleri bulmak çoğunlukla zor ve bazen de imkansızdır. Bu sebeple alışılagelmiş kontrol sistemleri genellikle sistemin dinamiklerinin son derece basitleştirilmiş ve doğrusallıştırılmış matematiksel modeline dayandırılırlar. Sinir ağları üzerinde yapılan araştırmalar, yapay sinir ağların doğrusal olmayan bir modeli, model örneklerinden öğrenebildiklerini ve doğrusal olmayan sistemler için başarı ile uygulanabileceğini göstermiştir. Yapay sinir ağların bir üstünlüğü de uyarlamalı olmaları, yani işlem süresince öğrenmeyi muhafaza ediyor.olmalarıdır. Bu özellik işlem sırasında kontrolün sürekli iyileşmesini sağlar. Bu üstünlüklerine rağmen yapay sinir ağı içeren kontrol sistemlerinin kararlılığı ve dayanıklılığı konusunda az bilgi mevcuttur. Eğer sisteme ait bir yapay sinir ağı modeli elde edilebilir ise, kontrol sistemi tasarlarken farklı yaklaşımlar mümkündür. Geribesleme doğrusallaştırma, genelleştrilmiş öngörü kontrol gibi alışılagelmiş doğrusal olmayan tasarım teknikleri veya modelin doğrusalaştırılmasını izleyen doğrusal bir tasarım kullanmak mümkündür.Bir başka yaklaşım da doğrudan ters kontrol veya içsel model kontrol tekniği ile kontrolör olarak bir yapay sinir ağı kullanmaktır. Bu çalışmada bir yapay sinir ağı kullanılarak, doğrudan ters kontrol yöntemiyle sıcaklık kontrolörü tasarlanmıştır. Geribeslemeli bir yapay sinir ağı, sıcaklık kontrol sisteminin ters dinamik modelini öğrenmesi için eğitilmiş ve sonra bir doğrudan ters kontrolör olarak sisteme uyarlanmıştır. Yapay sinir ağının sistemin ters modelini öğrenme yeteneği, sistem dinamikleri hakkında hiçbir ön bilgi olmaksızın farklı giriş vektörleri için sınanmıştır. Farklı giriş vektörleri için eğitilen ağların birer kontrolör olarak sistemdeki davranışı gözlenmiştir. Bu çalışmada öncelikle yapay sinir ağlarının doğrusal olmayan aktarımları gerçekleme yeteneği sonra da kontrol amaçlı kullanımı esas alınmıştır.

A CONTROL APPLICATION WITH ARTIFICIAL NEURAL NETWORKS Cihan KARAKUZU Keyword: Control with Artificial Neural Networks (ANN), Direct Inverse Control, System Identifications, Inverse Model Extraction Abstract: Most real systems relevant from a control perspective exhibit nonlinear behavior and are furthermore often hard/unrealistic to model using the laws of physics. The neural network has shown to be a very promising technique to overcome this problem by building good models from measured data alone. Currently the design of control systems relies heavily upon an explicit mathematical model of the system. However, such an model is often very difficult and sometimes impossible to find. For this reason conventional control systems are usually based on a linearised and highly simplified mathematical model of the dynamics of the system. Experiences of research groups involved show that neural networks, which are able to learn a nonlinear model from examples, can successfully be applied for the control of nonlinear systems. A second advantage is that neural networks are adaptive, in the sense that key keep learning during operation. This allows for continuous improvement of the controller while in operation. If a neural network model is available, different approaches are possible when designing a control system. It is possible to use a number of conventional nonlinear design techniques, e.g., feedback linearization, Generalized Predictive Control(GPC), or linearization of the model followed by a (time varying) linear design. Another approach is to use a neural network as a controller as well, e.g., direct inverse control or Internal Model Control (IMC). In this study, a temperature controller is designed using a neural network by direct control method. A feedback neural network is trained to learn the inverse dynamics model of a temperature control system and then configured as a direct controller to the process. The ability of the neural network to learn the inverse model of process plant is tested for base on different input vectors with no priori knowledge regarding dynamics. For base on different input vectors, behaviour of the trained neural network is observed in the systems. In this study, the firstly ability of neural networks to verify nonlinear mapping and then secondly, using neural network from control perspective is aimed.