AC motor model tabanlı ileri beslemeli ve ileri tahminli kontrol

Bu bölümdeki çalışmalarda da ileri besleme kontrol Kp parametresi 0,75 olarak

seçilmiştir. Zaman gecikmesi d parametresi ve Kpp ileri tahmin katsayıları, Kpp – d

uzayında, uygun performans indeks değeri için düzenlenmiştir. İlk olarak d zaman gecikme parametresi 75 değerinde sabit tutularak uygun olan Kpp değeri aranmıştır, bu

çalışmalara ait sonuçlar Çizelge 6.17’de verilmektedir. Bulunan Kpp değerine bağlı

olarak uygun olan d parametresi için ikinci grup deneyler gerçekleştirilmiştir, deney sonuçları Çizelge 6.18’de verilmektedir.

Çizelge 6. 17 Model tabanlı ileri beslemeli ve ileri tahminli kontrol, Kpp çizelgesi d Kp Kpp Performans İndeksi Jn 75 0,75 0.01 7,9063 75 0,75 0.001 7,7673 75 0,75 1e-4 7,8664 75 0,75 5e-4 8,4475

Çizelge 6. 18 Model tabanlı ileri beslemeli ve ileri tahminli kontrol, d çizelgesi

d Kp Kpp Performans İndeksi Jn 25 0,75 0,001 7,9833 50 0,75 0,001 8,3547 100 0,75 0,001 7,7573 125 0,75 0,001 8,5106 150 0,75 0,001 7,8202

Bu bölümde akış kontrol cihazı AC motora uygulanan algoritma ile performans indeksinde kayda değer gelişme sağlanamamıştır. d parametresi 100 ve Kpp ileri tahmin

katsayısı 0,001 olarak alındığında en uygun performans indeks Jn=7,75 değerine

ulaşılmıştır.

6.2.7.2 Selenoid valf model tabanlı ileri beslemeli ve ileri tahminli kontrol

Selenoid valf ile gerçekleştirilen model tabanlı ileri beslemeli ve ileri tahminli kontrol çalışmasında Kp parametresi 0,75 olarak seçilmiştir. Zaman gecikmesi d parametresi ve Kpp ileri tahminli katsayıları, Kpp – d uzayında, uygun performans indeks değeri için

düzenlenmiştir.

Sabit tutulan d parametresine karşılık performans indeksini Jn en başarılı değere

getiren Kpp katsayısı aranmıştır. Kpp=0,1 olduğunda, performans indeksi Jn=7,2405 ile en

6.19’da verilmektedir. İkinci grup deneyler ile uygun d parametresi aranmaktadır. Uygun olan d parametresi düzenlenmiş olsa bile performans indeksi Jn önceki

çalışmalarda olduğu gibi istenilen oranda geliştirilememiştir ve deney sonuçları Çizelge 6.20’de verilmiştir.

Çizelge 6. 19 Model tabanlı ileri beslemeli ve ileri tahminli kontrol, Kpp çizelgesi

d Kp Kpp Performans İndeksi Jn 75 0,75 0,5 7,9576 75 0,75 0,1 7,2405 75 0,75 0,01 8,0305 75 0,75 0,001 7,6344 75 0,75 0,0005 8,1567 75 0,75 0,0001 8,0123

Çizelge 6. 20 Model tabanlı ileri beslemeli ve ileri tahminli kontrol, d çizelgesi

d Kp Kpp Performans İndeksi Jn

25 0,75 0.1 8,6189

50 0,75 0.1 7,1569

100 0,75 0.1 7,7961

125 0,75 0.1 7,4022

6.2.8 Sezgisel Kontrol Çalışmasında Sonuçlar

Koroner atardamarına ait debi sinyali; deneysel bir sistemde, farklı akış kontrol cihazları kullanılarak ve farklı sezgisel kapalı çevrim kontrol algoritmaları uygulanarak gerçeklenmiştir. Koroner atardamarına ait sinyalin simülasyonundaki başarı göstergesi olarak çalışmalar sırasında gerekliliği düşünülerek ortaya konan performans indeksi Jn,

kullanılan akış kontrol cihazlarının ve algoritmaların performanslarını matematiksel olarak verebilmektedir.

5. bölümde gerçekleştirilen kontrol test çalışmaları sonrasında, bu bölümde sezgisel kontrol kapsamında, akış kontrol cihazlarının kontrolünde PID kontrol teknikleri uygulanmıştır. PID kontrol katsayılarının elde edilmesinde farklı teknikler kullanılmış ve bu tekniklerin birbirlerine göre üstünlükleri performans indeksi Jn kullanılarak

hesaplanmıştır.

Bir önceki durumda kontrole gönderilen değeri tutan ve şimdiki kontrol sinyali ile karşılaştırmayı mümkün kılan Σ birimi P kontrole eklenerek P-Σ kontrol bloğu oluşturulmuştur. Sistem üzerinde kullanılan referans sinyallerinin periyodik olmasının vermiş olduğu kolaylık ile P-Σ kontrol bloğuna referans sinyalinin geçmiş durumlarının, prediktif ya da gelecek durumlarının, ileri tahminli kontrol alt bloğu ile etki etmesi sağlanmış ve Jn performans indeksinde, gelişmeler kaydedilmiştir. 5. bölüm

çalışmalarında yapılan giriş-çıkış kontrol verilerinin ilişkilendirilmesi ile doğrusal olmayan sistem modelleri kullanılarak performansın geliştirilmesi sağlanmıştır. Özellikle AC motor performans indeksi Jn, model tabanlı ileri besleme kontrolü ile

%50’lere varan oranda geliştirilmiştir. Model tabanlı ileri besleme kontrol bloklarına eklenen prediktif ve ileri tahminli kontrol alt blokları ile Jn performans indeksindeki

gelişmeler sınır değerlerine ulaşmıştır. Selenoid valf; model tabanlı ileri beslemeli prediktif kontrol ile performans indeksini Jn, 5,23’lere kadar geliştirirken benzer şekilde

AC motor, performans indeksini Jn=7,45 değerine kadar düşürmüştür.

AC motorun ve selenoid valfin en başarılı performans indeksi Jn ile gerçekledikleri

koroner atardamar sinyalleri Şekil 6.17 ve 6.18’de verilmektedir.

6.3 Sonuçlar

Bu bölümde, akış kontrol cihazları ve kullanılan kontrol algoritmalarının performansını hesaplamak için performans indeksi Jn ortaya konmuştur. Literatürde bir ilk olarak

verilen performans indeksi; istenilen debi sinyali r ile sistem üzerinde ölçülen debi sinyallerinin y matematiksel olarak eşleşmelerindeki performansı matematiksel olarak göstermektedir. Matematiksel olarak elde edilen bu değer LDA ölçümlerin yapılacağı model üzerinde oluşturulacak olan debi sinyalinin başarısını zamandan ekseninde bağımsız bir şekilde ortaya koymaktadır.

Çizelge 6. 21 Sezgisel kontrol çalışmaları sonuçlar çizelgesi Algoritma / Cihaz AC Motor Pnömatik Valf Selenoid Valf PID 31,1 99,36 23,06 P-Σ Kontrol 15,11 31,01 7,78 P-Σ Prediktif Kontrol 15,29 - 5,55 P-Σ Look-ahead Kontrol 13,26 - 6,25 Model Tabanlı Đleri Beslemeli Kontrol 7,67 - 5,37

Model Tabanlı Đleri Beslemeli Prediktif Kontrol 7,45 - 5,23

Model Tabanlı Đleri Beslemeli Look-ahead Kontrol 7,75 - 7,15

Sezgisel kontrol çalışmalarındaki tüm sonuçları Çizelge 6.21’de gösterilmektedir. Pnömatik valf kapalı çevrim kontroldeki histerisiz ve doğrusal olmayan etkileri nedeniyle kontrol çalışmalarından çıkarılmıştır.

Çalışmalar neticesinde AC motor ileri beslemeli prediktif kontrol ile Jn=7,4599

performans gösterirken (Şekil 6.17), selenoid valf ileri beslemeli prediktif kontrol ile

Jn=5,2319 performans (Şekil 6.18) göstermiştir.

BÖLÜM 7

PARAMETRİK POLİNOMLAR İLE SİSTEM TANILAMA

Sistem tanılama (system identification), dinamik bir sisteme ait ölçülen, zaman ya da frekans uzayındaki istatistiksel verileri kullanarak dinamik sistemin matematiksel olarak modellenmesi olarak tanımlanabilir [64], [65]. Bu bölümdeki çalışmamızda deney sistemindeki akış kontrol cihazlarının, sistem tanılama çalışmaları, parametrik polinomlar ve durum uzay modeli kullanılarak yapılacaktır. Sistem tanılama sürecinde, deney sisteminin planlaması ve veri toplaması, modellerin matematiksel olarak bulunması, deney verilerinden bilinmeyen sistem parametrelerinin tahmin edilmesini ve bulunan modelin geçerliliğinin test edilmesi gerekmektedir. Sistem tanılama çalışmaları; akış kontrol cihazlarına uygulanan test sinyallerinin ve sistem üzerinde oluşan debi sinyallerinin kaydedilmesi ile elde edilen verilerin Matlab program araçlarında işlenmesiyle gerçekleştirilmiştir [65]. Matlab sistem tanılama araçlarından parametrik sistem tanılama polinomları, her bir akış kontrol cihazı ile sistemin gösterdiği bütünlüğe ait matematiksel modelin çıkarılmasında kullanılmıştır.

Belgede Kardiyovasküler sistemde pulsatil akışın modellenmesi ve kontrolü (sayfa 102-108)