Yapay Sinir Ağları Tabanlı Model Referans Kontrol Yöntemi

sinir ağları tabanlı model referans yöntemi ile DC motor kontrolü tıpkı PID kontrolündeki gibi sistemin önüne bir yapay sinir ağı bloğu konularak yapılabilir. Bizim sistemimizde de yapay sinir ağı bloğu DC motorun önüne eklendi ve enkoderin çıkışındaki veri geri besleme ile yapay sinir ağına geri verilerek, yapay sinir ağı çıktısı motor girişine verildi. Yapay sinir ağı bloğu olarak Simulink‟deki model referans denetleyicisi bloğu kullanıldı. Kurulan sistem Şekil 4.16‟da gösterilmiştir.

Şekil 4.16 Yapay sinir ağı tabanlı model referans kontrolü metodu ile kontrol edilen DC motor_+_enkoder bloğu

Sistem içerisine yerleştirilen yapay sinir ağı bloğunun çıkışının doğru değerleri vermesi başka bir deyişle sistemin istenildiği gibi kontrol edilebilmesi için öncelikle yapay sinir ağının eğitilmesi gerekmektedir. Model Reference bloğu aynı zamanda yapay sinir ağının eğitilebileceği bir bloktur. Eğitimin başarısı, Model Reference bloğuna girilen parametrelere, örnek verilere, sisteme tanıtılan plant‟a ya da bloğa referans olacak modele göre değişeceğinden dolayı birden fazla deneme yapmak gerekebilir. Tezimizde de yapay sinir ağını eğitmek için Model Reference bloğunun

bu özelliklerinden faydalanıldı. Öncelikle DC_motor_+_enkoder bloğu Model Reference bloğuna plant olarak tanıtıldı. Şekil 4.17‟de kurulan sistem gösterilmiştir.

Şekil 4.17 Model referans bloğu ve plant

Yapay sinir ağının eğitilmesi için ilk olarak plant identification penceresinden DC motor_+_enkoderdan oluşan plantimiz Model Reference Control bloğuna tanıtıldı; örnek veriler alındı ve yapay sinir ağının plant bölümü eğitildi. Eğitim sonucunda en doğru sonuçlara Şekil 4.18‟de ki girdiler ile ulaşıldı.

Plant eğitildikten sonra model bloğumuz eğitildi. Bunun için model Reference Control bloğunun referans alabileceği bir blok ya da yapay sinir ağlarının eğitiminde kullanılacak veri setinin verilmesi gerekir. Bizim sistemimizde giriş değerleri çıkış değerlerine eşit olması istendiğinden dolayı çıkış(t)_=_giriş(t) olacak Şekilde “model9” adında bir Simulink bloğu oluşturuldu (şekil 4.19) ve sistem eğitildi. Eğitim sonucunda en doğru sonuçlara Şekil 4.20‟deki girdiler ile ulaşıldı.

Şekil 4.19 Model9 bloğu

Şekil 4.20 Model Reference Control bloğunun eğitiminde kullanılan parametreler

Eğitim işlemi tamamlandıktan sonra oluşturduğumuz sisteme 120o _{„lik bir açı} girdisi verildiğinde sistem çıktısının Şekil 4.21‟da ki gibi olduğu görüldü.

Şekil 4.21 Yapay sinir ağları tabanlı model referans yöntemi ile kontrol ile kontrol edilen sisteme 120 derecelik açı girdisi verildiğinde sistemin çıkışı

Şekil 4.22 de ise sisteme 1o

- 90o arasında girdiler verildiğinde sistemin çıktıları gösterilmiştir.

Şekil 4.22 Yapay sinir ağları tabanlı model referans yöntemi ile kontrol ile kontrol edilen sisteme 0-90 derece arası girdiler verildiğinde sistemin çıktıları

Sonuç olarak yapay sinir ağları tabanlı model referans kontrol yöntemi ile yapılan kontrolde, sistemin düşük açı değerlerinde geri beslemeli kontrolden daha iyi sonuçlar verdiği ve 0-90 derece arasında referanslar verildiğinde kararlı hale geçme süresinin ya da referans noktaya varma süresinin PID kontrolden daha iyi olduğu gözlemlendi.

4.1.2.1.4 Kontrol Yöntemlerinin Karşılaştırılması. Şuana kadar incelenen 3 farklı

kontrol yönteminin bir birlerine karşı üstünlüklerini görebilmek amacı ile bu üç sisteme aynı girdi değerleri verildi. Sonuçlar Şekil 4.23‟de ve Tablo 4.2‟de gösterilmiştir.

Tablo 4.2 Kontrol yöntemlerinin sonuçlarının karşılaştırılması Süre (s) Referans Değeri Derece

PID ile Kontrol

Yapay Sinir Ağları Tabanlı Model Referans

Kontrol Geri Beslemeli Kontrol Kalıcı Duruma Ulaşma (s) Kalıcı Durum Hatası Derece Taşma Yüzdesi Kalıcı Duruma Ulaşma (s) Kalıcı Durum Hatası Derece Taşma Yüzdesi Kalıcı Duruma Ulaşma (s) Kalıcı Durum Hatası Derece Taşma Yüzdesi 0 35 4 36,412 4,02% 5,63 35,286 0,90% 0,7 35,000 0,00% 20 30 24,73 29,816 0,61% 24,5 30,121 0,00% 20,06 27,703 7,66% 40 34 44,55 34,176 0,51% 40,88 34,294 0,92% 40,05 36,249 6,61% 60 2 65 0,726 63,73% 64,7 1,620 19,17% 60,06 2,000 0,00% 80 40 85 41,534 3,82% 86,16 40,247 0,66% 80,75 40,000 0,00% Şekilde de görülebileceği üzere sistem referans değerine en hızlı ulaşan sistemimiz geri beslemeli kontrol ile kontrol edilen sistem oldu ancak geri beslemeli kontrolün küçük açı değişimlerinde doğru değerlere ulaşamaması ya da referans değerinden uzaklaşması ve diğer kontrol metotlarında böyle bir sorunun olmaması PID ile kontrol ya da yapay sinir ağları tabanlı model referans kontrol yöntemi ile kontrolün, beri beslemeli kontrolden daha avantajlı olduğunu gösterdi.

Şekilde PID kontrol ile kontrol edilmiş sistemin çıktıları incelendiğinde, PID kontrolün, test edilen açı değerleri için referans noktasına en uzun sürede ulaşan kontrol olduğu gözlemlendi. Aynı zamanda referans noktasını geçtikten sonra belli bir süreliğine düzensiz rejime girdiği, sonrasında referans değerine geri döndüğü gözlemlendi. Bu dezavantajı nedeni ile PID ile kontrolün, yapay sinir ağları tabanlı model referans kontrol yöntemi ile kontrolden daha kötü sonuçlar verdiği görüldü.

Yapay sinir ağları tabanlı model referans kontrol yöntemi ile kontrol edilmiş sistemin çıktıları incelendiğinde ise küçük açı değerlerinde yapay sinir ağları tabanlı model referans kontrol yöntemi ile kontrolün, geri beslemeli kontrole göre çok daha iyi sonuçlar verdiği, PID kontrol sistemi ile karşılaştırıldığında ise referans değerine PID kontrol sisteminden daha hızlı ulaştığı ve referans değeri çevresinde PID kontrole göre daha kararlı davrandığı gözlemlendi. Bu sonuçlardan hareketle, bu üç kontrol sistemi arasında, robot kolunda kullanılabilecek en uygun kontrol sisteminin yapay sinir ağları tabanlı model referans kontrol yöntemi ile kontrol olduğu kararına varıldı.