Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Türkiye
Tezin Onay Tarihi: 2008
Tezin Dili: Türkçe
Öğrenci: Muhammet Ünal
Danışman: HASAN ERDAL
Özet:PID KONTROLÖRÜN KARINCA KOLONİSİ / GENETİK ALGORİTMA TABANLI OPTİMİZASYONU ve GUNT RT 532 BASINÇ PROSESİNİN KONTROLÜ Bu tez, Marmara Üniversitesi Elektronik-Bilgisayar Eğitimi Bölümü Sayısal Kontrol Sistemleri Laboratuarında bulunan Gunt RT 532 Basınç Proses Kontrol sisteminin denetiminde kullanılan PID kontrolör katsayılarının optimal değerlerinin, genetik algoritma (GA) ve karınca kolonisi algoritması(KKA) ile bulunması ve sistemin bu katsayılar ile gerçek zamanlı kontrolü üzerinedir. Kontrol edilecek prosesin dinamik modeli yapay sinir ağı(YSA) kullanılarak elde edilmiştir. Dinamik modelinin oluşturulması sırasında, sisteme belli giriş değerleri verilmiş ve bu değerlere karşılık sistem çıkışları elde edilerek giriş-çıkış veri seti oluşturulmuştur. Bu veri seti kullanılarak proses için farklı katman ve nöron sayılı modeller oluşturulmuştur. Bu modeller farklı YSA performans fonksiyonlarına göre değerlendirilmiş ve hata değeri en küçük model, prosesin dinamik modeli olarak seçilmiştir. Seçilen model kullanılarak PID kontrolör KKA, GA ve Ziegler-Nichols (ZN) ile optimize edilmiştir. KKA ve GA teknikleri ile elde edilen sonuçlar, klasik teknik olan ZN ile elde edilen aşım, yükselme zamanı, oturma zamanı kriterlerine ve yörünge takibindeki karekök ortalama (Root Mean Square-RMS) hatasına göre karşılaştırılmıştır. GA ve KKA’ nın performanslarının ZN tekniğine göre daha iyi olduğu gözlenmiştir. OPTIMIZATION OF PID CONTROLLER USING ANT COLONY / GENETIC ALGORITHMS AND CONTROL OF THE GUNT RT 532 PRESSURE PROCESS This thesis describes, a real time control algorithm, using genetic algorithm (GA) and ant colony optimization (ACO) algorithm for optimizing PID controller parameters developed for Gunt RT 532 Pressure Process Control System in the Digital Control Systems Laboratory of Technical Education Faculty at Marmara University. The dynamic model of the process to be controlled was obtained using Artificial Neural Network (ANN). In development of the model, the system was run with different input and output values and, these were taken as the input-output data set. Using this data set, models with varying number of layers and neurons were constructed for the process. The model was evaluated on the basis of their performance functions. The model with minimum error was chosen as the dynamic model of the process. Using the chosen model, the parameters of PID controller were optimized with ACO, GA and Ziegler-Nichols (ZN) techniques. The performances of these three techniques were compared with each other using the criteria of overshoot, rise time, settling time and root mean square (RMS) error of the trajectory. It was observed that the performances of GA and ACO are better than that of ZN technique.