Bulanık model öngörülü kontrol

Abstract

Bu çalışmada, doğrusal olmayan sistemlerin kontrolü için kullanışlı olan bulanık model öngörülü kontrol yöntemi ele alınmıştır. Doğrusal olmayan süreçlerin kontrolünde, doğrusal bir model öngörülü kontrol yapısı, istenen başarımın sağlanmasında yeterli olmamaktadır. Bu sorunu çözebilmek üzere önerilen doğrusal olmayan model öngörülü kontrolör yapıları ise ciddi hesap yükü getirmektedir. Bu sorunları ortadan kaldırabilmek üzere doğrusal olmayan süreçlerin doğrusal alt sistemler yardımıyla modellenmesi ve alt modellere doğrusal kontrolör yapıları uygulanması ile ilgili yöntemler geliştirilmiştir. Bu çalışmada ele alınan bulanık model öngörülü kontrol yönteminde, doğrusal olmayan süreçler, doğrusal alt sistemlerin bulanık kaynaşması biçiminde modellemektedir. Bulunan her alt doğrusal sistem modeline uygun olarak model öngörülü kontrolörler tasarlanmakta ve bu kontrolörler modelleme sırasında belirlenen bulanık kaynaştırma işlemi ile kaynaştırılarak genel bir kontrol işareti hesaplanmaktadır. Böylece doğrusal olmayan süreç kontrolünde, doğrusal olmayan model öngörülü kontrolörler yerine bulanık bir yapı ile kaynaştırılmış doğrusal model öngörülü kontrolörlerden yararlanılmaktadır. Ele alınan kontrol yönteminin etkinliği benzetim çalışmaları ve gerçek zamanlı uygulamalar ile gösterilmiş ve karşılaştırmalar yapılmıştır.

In this study, fuzzy model predictive control method that is useful for the control nonlinear systems is taken into consideration. In the control of nonlinear systems, a linear model predictive controller structure may not give satisfactory performance. Nonlinear model predictive control methods proposed to solve this problem require high computational effort. To overcome this problem, control methods are developed in which the nonlinear process model is obtained as an appropriate combination of linear subsystems and linear control laws are applied to these subsystems. In the fuzzy model predictive control method handled in this study, the nonlinear process is described by a number of linear subsystems that are combined with each other using a fuzzy inference mechanism. For each linear subsystem, a model predictive controller is designed and general control effort is calculated by fuzzily merging each sub control effort using the same rules used to merge subsystems. So, in nonlinear process control, instead of applying a nonlinear model predictive controller, the benefits of linear model predictive controllers merged by a fuzzy structure is taken. The effectiveness of the proposed method is demonstrated through simulations and real time applications and comparisons are made.