Kural tabanının istatistiksel veriler yoluyla oluşturulduğu bulanık mantık denetleyici tasarımı
Yükleniyor...
Dosyalar
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Denetim en karmaşık fabrikalardan, en basit su ısıtıcılarına varıncaya kadar hayatımızın her
alanında bulunur. Bir denetleyici tasarımında düşük maliyet, yüksek verimlilik, güvenlik ve basitlik temel
hedeftir. Günümüzde ortaya birçok denetim yöntemi ortaya konulmuştur. Bu denetim yöntemlerinden biri
de bulanık mantıktır.
Bulanık mantıkta klasik mantığın tersine her eleman belirli derecede belirli kümelerin üyesidir. Bu
durum gündelik hayatta kullandığımız sözel ifadeleri bulanık mantık sayesinde makinelere aktarma imkânı
vermektedir. Bu ifadeler bulanık mantık denetiminin kural tabanını oluşturur ve hangi durumda ne
yapılacağını belirleyen kurallardır.
Ayrıca çoğu kontrol yönteminde matematiksel modellere ihtiyaç duyulurken bulanık mantıkta
uzman tecrübesi yeterli olmaktadır. Ancak denetim uygulanacak bir sistemin matematiksel modeli
bilinmiyorsa ve üzerinde yeterli uzman bilgisi ve deneyimi mevcut değilse bulanık mantığın kuralları yanlış
oluşturulabilir. Bu da denetimin yapılamamasına ya da verimsiz olmasına neden olur. Öğrenme
algoritmaları uzman bilgisi gereksinimi ortadan kaldırarak kuralları oluşturmayı amaçlamaktadır. Ancak
bu algoritmalarda kendi içinde yüksek uzman bilgisine ihtiyaç duyar. Ayrıca gereğinden çok daha fazla
kural oluşturabilir ve mümkün olan en iyi kuralları oluşturmayı garanti etmez.
Bu çalışmada, geri beslemesi bir kullanıcı tarafından sağlanan bir denetleyici tarafından kontrol
edilen dc motorun verileri kaydedilmiştir ve istatistiksel olarak mümkün olan en iyi kurallar meydana
getirilmiştir. Yani belirli referans girişine karşılık olan çıkışlar gözlemlenerek hangi durumun kaç kere
gerçekleştiğine bakılıp kurallar buna göre oluşturulmuştur. Oluşturulan kurallar ile yapılan bulanık
denetimle dc motorun hızının daha iyi denetlendiği görülmüştür.
Control is found in every aspect of our lives, from the most complex factories to the simplest water heaters. Low cost, high efficiency, safety, and simplicity are the main objectives in a controller design. Today, many control methods have been put forward. Fuzzy logic is one of these control methods. Contrary to classical logic in fuzzy logic, every element is a member of certain sets to a certain extent. Thanks to fuzzy logic this situation gives the opportunity to transfer the verbal expressions that we use in daily life to the machines. These statements form the rule base of fuzzy logic control and are the rules that determine what to do in which case. In addition, while mathematical models are needed in most control methods, expert experience in fuzzy logic is sufficient. However, if the mathematical model of a system to be controlled is not known and there is not enough expert knowledge and experience on it, the rules of fuzzy logic can be formed incorrectly. This causes the inspection to be ineffective or inefficient. Learning algorithms aim to create rules by removing the need for expert knowledge. It may also create many more rules than necessary, and it does not guarantee creating the best possible rules. In this study, the data of the dc motor controlled by a controller whose feedback is provided by a user were recorded and statistically the best possible rules were created. In other words, by observing the outputs corresponding to a certain reference input, the rules were created accordingly, by looking at which situation occurred how many times. Therefore, it has been observed that the speed of the dc motor is better controlled with the fuzzy control made with the rules created.
Control is found in every aspect of our lives, from the most complex factories to the simplest water heaters. Low cost, high efficiency, safety, and simplicity are the main objectives in a controller design. Today, many control methods have been put forward. Fuzzy logic is one of these control methods. Contrary to classical logic in fuzzy logic, every element is a member of certain sets to a certain extent. Thanks to fuzzy logic this situation gives the opportunity to transfer the verbal expressions that we use in daily life to the machines. These statements form the rule base of fuzzy logic control and are the rules that determine what to do in which case. In addition, while mathematical models are needed in most control methods, expert experience in fuzzy logic is sufficient. However, if the mathematical model of a system to be controlled is not known and there is not enough expert knowledge and experience on it, the rules of fuzzy logic can be formed incorrectly. This causes the inspection to be ineffective or inefficient. Learning algorithms aim to create rules by removing the need for expert knowledge. It may also create many more rules than necessary, and it does not guarantee creating the best possible rules. In this study, the data of the dc motor controlled by a controller whose feedback is provided by a user were recorded and statistically the best possible rules were created. In other words, by observing the outputs corresponding to a certain reference input, the rules were created accordingly, by looking at which situation occurred how many times. Therefore, it has been observed that the speed of the dc motor is better controlled with the fuzzy control made with the rules created.
Açıklama
Yüksek Lisans Tezi
Anahtar Kelimeler
Bulanık küme, Bulanık mantık denetleyici, İstatistik, Klasik küme, Kural tabanı, K-means, Fuzzy set, Fuzzy logic controller, Statistics, Classical set, Rule base
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Eryiğit, E. (2022). Kural tabanının istatistiksel veriler yoluyla oluşturulduğu bulanık mantık denetleyici tasarımı. (Yayımlanmamış yüksek lisans tezi). Necmettin Erbakan Üniversitesi, Fen Bilimleri Enstitüsü, Mekatronik Mühendisliği Anabilim Dalı, Konya.
