ANKARA ÜNĠVERSĠTESĠ FEN BĠLĠMLERĠ ENSTĠTÜSÜ
YÜKSEK LĠSANS TEZĠ
BULANIK MANTIK TABANLI ĠKLĠMLENDĠRME SĠSTEMĠ
Ecehan KANSU ATEġ
BĠLGĠSAYAR MÜHENDĠSLĠĞĠ ANABĠLĠM DALI
ANKARA 2018
Her hakkı saklıdır
ii ÖZET
Yüksek Lisans Tezi
BULANIK MANTIK TABANLI ĠKLĠMLENDĠRME SĠSTEMĠ
Ecehan KANSU ATEġ
Ankara Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı DanıĢman: Prof. Dr. Ġman ASKERBEYLĠ
HVAC (Isıtma, Havalandırma ve Ġklimlendirme) uygulamaları, uygun termal konfor koĢullarını sağlıklı bir Ģekilde yerine getirmeyi hedefler. Uygulamalarda hedeflenen hava kalitesi; insan sağlığı ve konforunu en üst seviyede tutmaya doğrudan etki eder. Bu nedenle, HVAC uygulamaları sağlık ve konfor koĢullarını yerine getirme konusunda çok önemli bir yere sahiptir.
Son yapılan araĢtırmalarda HVAC sistem yönetiminde Bulanık Mantık uygulaması ile olumlu sonuçlar alındığı belirtilmiĢtir. HVAC sistemlerinde doğrusal olmayan denklemler içeren matematiksel formüller ile çoklu değiĢkenler ve klasik hesaplama yöntemi kullanımının zor olduğu durumlarda bulanık mantık kullanmak, çok daha elveriĢlidir. Bulanık mantık yaklaĢımı, sistem değiĢkenlerinin analizi ile bulanık mantık elemanlarının iliĢkilendirilmesini içerir. Klasik algoritmalardan farklı olarak bulanık mantık algoritması, insan mantığına benzer bir sezgisel yaklaĢım içerir. Bulanık kümelerle girdilerin kesin değerlere kıyasla kesin sonuçlar vermesi yerine kesinliğe daha yakın sonuçlar vermesi sağlanabilir.
Matlab yazılım programı ile yapılan bu çalıĢmanın amacı, bir ofiste çalıĢan kiĢilerin, bulanık mantık tabanlı HVAC sistemi ile termal konfor koĢullarına uygun ve sağlıklı bir Ģekilde çalıĢabilmelerini sağlamaktır. Ayrıca klasik sistemlerin çalıĢma prensiplerinden farklı olması sebebiyle enerji verimliliği de sağlanacaktır.
ÇalıĢmada öncelikle bulanık mantık kavramı çeĢitli örneklerle açıklanmıĢ ve bulanık mantığın kontrol sistemlerinde ne gibi farklılıklar yaratabileceği konusuna değinilmiĢtir. Daha sonra problemin sağlıklı Ģekilde ortaya konması adına klasik kontrol sistemlerinin dezavantajları ortaya konulmuĢtur. Diğer yandan Bulanık Mantık tabanlı bir HVAC kontrol sistemlerinin muhtemel avantajları ve dezavantajları belirlenmiĢtir.
Bulanık mantığın bir HVAC kontrol sistemine adapte edilmesi için gerekli olan parametreler belirlenmiĢ, bununla ilgili veri setleri elde edilerek MATLAB programı üzerinden bu veriler iĢlenmiĢtir, Sistem değiĢkenlerinin birbiri ile etkileĢimi sonucu verdiği tepkiler bulanık sisteme entegre edilmiĢtir. Veri setleri üzerinden oluĢturulan kural tabloları ile üyelik fonksiyonları hazırlanarak bir model oluĢturulmuĢtur. Daha sonra, oluĢturulan bulanık mantık modeli çalıĢtırılmıĢ, tutarlı sonuçlar verdiği gözlemlenmiĢtir. Yapılan simülasyon sonucunda elde edilen çıktılar ıĢığında tartıĢmalar yapılarak
„„Bulanık Mantık Tabanlı Ġklimlendirme Kontrolü‟‟ konusunun uygulanabilirliği gözlenmiĢtir.
Ağustos 2018 53 sayfa
Anahtar Kelimeler: Termal Konfor, Ġklimlendirme, Isıtma, Soğutma, Havalandırma, Bulanık Mantık, ANFIS, Enerji Verimliliği, HVAC
iii ABSTRACT
Master Thesis
FUZZY LOGIC BASED CONTROL OF HVAC SYSTEMS
Ecehan KANSU ATEġ
University of Ankara
Graduate School of Natural and Applied Science Department of Computer Engineering
Supervisor: Prof. Dr. Iman ASKERBEYLĠ
HVAC (Heating, Ventilating and Air Conditioning) applications aim to fulfill the appropriate thermal conditions in a healthy manner. Targeted air quality in applications, directly affects human health and comfort at the top level. For this reason, HVAC systems have a significant role in implementing health and comfort conditions
Recent researches have shown that positive feedback is obtained by using fuzzy logic method in the management of these systems. In HVAC systems; the use of fuzzy fogic applications is more convenient when it is very difficult to use conventional calculation methods such as mathematical texts with nonlinear equations and areas with multiple management variables. The fuzzy logic approach involves analysis of system variables, the combination and transformation of fuzzy logic elements and variable units. Contrary to standard algorithms, fuzzy logic solutions involve a heuristic approach similar to that of human perception. Instead of giving certain results with certain ideas, fuzzy sets can give susceptible results.
The aim of this study which is created by Matlab programme, is to create a fuzzy logic based HVAC system allows people who are in the same office area to work in suitable and healthy way with thermal comfort conditions. In addition, energy efficiency will be provided because classical systems are different from the working principles.
In the study, first of all, the concept of fuzzy logic is explained with various examples and it is mentioned how differences can be created in fuzzy logic control systems. The disadvantages of conventional control systems have been demonstrated in order to put the problem in a healthy state. On the other hand, the possible advantages and disadvantages of a „„Fuzzy Logic Based HVAC Control System‟‟ have been identified.
The parameters required for adapting the Fuzzy logic to a HVAC control system are determined, the data sets related to this are obtained and the data is processed through the MATLAB program. The responses of the system variables are integrated into the fuzzy system. A model has been created by preparing membership tables and rule tables created through data sets. Later, it is observed that the generated Fuzzy Logic model is executed, giving consistent results. The feasibility of "Fuzzy Logic Based Air Conditioning Control" has been observed by discussing the output light obtained as a result of the simulation.
August 2018 53 Pages
KeyWords: Thermal Comfort, Air Conditioning, Heating, Cooling, Ventilation, Fuzzy Logic, ANFIS, Energy Efficiency, HVAC
iv
ÖNSÖZ ve TEġEKKÜR
Kontrol sistemlerinin hızlı ve hassas karar verme süreçlerinde yeniden ele alınması ile ortaya çıkan Bulanık Mantık tabanlı sistemlerin günlük hayatta pratik kullanıma kazandırılabilmesi için birçok çalıĢma yapılmaktadır. Bulanık Mantık tabanlı bir kontrol sistemi kullanılarak iklimlendirme sistemlerinin verimliliğinin arttırılabileceği düĢüncesi ile hazırlamıĢ olduğum bu tez çalıĢmasında gerekli literatür taraması ile birlikte problemin açık Ģekilde ortaya konarak çözüm geliĢtirme metotlarının irdelenmesi ve elveriĢli bir sistem modellemesi ortaya konmuĢtur.
Bu çalıĢmada bana desteğini esirgemeyen, bilgi ve deneyimleri ile sürekli teĢvik eden Sayın Prof. Dr. Ġman ASKERBEYLĠ‟ ye (Ankara Üniversitesi Bilgisayar Mühendisliği Anabilim Dalı) teĢekkürlerimi borç bilirim.
Ecehan KANSU ATEġ Ankara, Ağustos 2018
v
ĠÇĠNDEKĠLER
TEZ ONAYI SAYFASI
ETĠK ... i
ÖZET ... ii
ABSTRACT ... iii
ÖNSÖZ ve TEġEKKÜR ... iv
SĠMGELER DĠZĠNĠ ... viii
ġEKĠLLER DĠZĠNĠ ... ix
ÇĠZELGELER DĠZĠNĠ ... x
1. GĠRĠġ ... 1
2. KURAMSAL TEMELLER ve KAYNAK ÖZETLERĠ ... 2
2.1 Bulanık Mantığın Tarihçesi ... 2
2.2 Literatür Taraması ... 3
3. MATERYAL VE METOT ... 6
3.1 Ġklimlendirme Sistemleri ... 6
3.2 Ġklimlendirme Termal Konforu ... 8
3.3 Kontrol Yöntemleri ... 9
3.3.1 Konvansiyonel kontrol yöntemleri ... 9
3.3.1.1 PID kontrol ... 9
3.3.1.2 Adaptif kontrol ... 9
3.3.2 GeliĢmiĢ kontrol algoritmaları ... 10
3.3.2.1 Yapay sinir ağları, YSA ... 10
3.3.2.2 Genetik algoritmalar, GA ... 10
3.3.2.3 Bulanık mantık ... 11
3.4 Bulanık Mantık Teorisi ... 12
3.5 Bulanık Mantık Modelleme ve Üyelik Fonksiyonları ... 14
3.5.1 Mamdani bulanık modelleme ... 14
3.5.2 Sugeno bulanık modelleme ... 16
3.5.3 Temel bulanık model kurallarının geliĢtirilmesi ... 18
3.5.4 Bulanık model tasarımının asıl değerlerle kıyaslanarak tutarlılığının ölçülmesi ... 19
vi
3.6 Kullanılan Yöntem ... 19
3.6.1 Kullanılan materyal ... 20
3.6.2 Bulanık mantık yöntemi kullanımının sağladığı avantaj ve dezavantajlar ... 21
3.7 Bulanık Modelleme Adımları ... 23
3.7.1 GiriĢ ve çıkıĢ değerlerinin belirlenmesi ... 23
3.7.2 BulanıklaĢtırma ... 23
3.7.2.1 Kuralların çıkarılması ... 23
3.7.3 DurulaĢtırma ... 23
3.7.3.1 DurulaĢtırma yöntemleri ... 24
3.7.3.1.1 Ağırlık merkezi yöntemi ... 24
3.7.3.1.2 Alan açıortayı yöntemi ... 24
3.7.3.1.3 En büyük üyelik dereceli elemanların orta noktası ... 25
3.7.3.1.4 En büyük dereceli elemanlardan küçük olanı yöntemi ... 25
3.7.3.1.5 En büyük dereceli elemanlardan büyük olanı yöntemi ... 25
3.7.3.1.6 Diğer durulaĢtırma yöntemleri ... 25
3.8 Matlab- Simulink ... 26
4. ARAġTIRMA ve BULGULAR ... 28
4.1 Problemin Ortaya Koyulması ve Tezin Hedefi ... 28
4.1.1 ÇalıĢma aĢamaları ... 29
4.2 HVAC (Ġklimlendirme) Sistemi Elemanları ve Etki Eden Parametreler ... 30
4.3 Ġklimlendirme Sürecinde Parametrelerinin Belirlenerek Modelin OluĢturulması ve Kontrolü ... 32
4.3.1 Bulanık sistem tasarımı ... 32
4.4 Bulanık Sistem Yapısının OluĢturulması ... 32
4.5 Ġklimlendirme Tasarım Değerleri ... 33
4.6 Veriler ile Modelin OluĢturulması ... 34
4.6.1 Kural tablosu ... 34
4.7 Bulanık Mantık Tabanlı Sistem Modelinin ÇalıĢtırılması ... 35
4.8 Bulanık Mantık Kurgusu ... 36
4.9 Üyelik Fonksiyonları ile Kural ĠliĢkilendirilmesi ... 40
4.10 ANFIS Eğitim Sonucu Üyelik Fonksiyon DeğiĢimleri ... 44
vii
4.11 Model Sonuç Çıktılarının Bulunması ... 45
5. TARTIġMA ... 48
6. SONUÇLAR ... 50
KAYNAKLAR ... 51
ÖZGEÇMĠġ ... 53
viii
SĠMGELER DĠZĠNĠ
μ Mü (mu)
∑ Toplam Sembolü (Sigma)
Kısaltmalar
ASHRAE AMERICAN SOCIETY OF HEATING, REFRIGERATION, AND AIR CONDITIONING ENGINEERS
GA GENETĠC ALGORĠTHMS
(GENETĠK ALGORĠTMALAR)
HVAC HEATING VENTILATING AND AIR-CONDITIONING
(ISITMA, HAVALANDIRMA, ĠKLĠMLENDĠRME) PID PROPORTIONAL, INTEGRAL, DERIVATIVE (ORANSAL-ĠNTEGRAL-TÜREVSEL)
YSA YAPAY SĠNĠR AĞLA
ix
ġEKĠLLER DĠZĠNĠ
ġekil 3.1 Bulanıklık Ģeması ... 12
ġekil 3.2 Mamdani bulanık model tasarım Ģeması... 15
ġekil 3.3 Sugeno bulanık model tasarım Ģeması ... 19
ġekil 3.4 Klasik ve bulanık küme örneği ... 22
ġekil 4.1 ÇalıĢma aĢamaları ... 30
ġekil 4.2 Sıcaklık, nem, hava akımı – fan hızı bulanık modeli ... 33
ġekil 4.3 Bulanık mantık kurgusu ... 36
ġekil 4.5 Nem için giriĢ üyelik fonksiyonları model grafiği ... 37
ġekil 4.6 Hava Akımı için giriĢ üyelik fonksiyonları model grafiği ... 37
ġekil 4.7 Mamdani sıcaklık-hava akımı-fan hızı iliĢkili 3 boyutlu sistem simülasyonu ... 38
ġekil 4.9 Mamdani sıcaklık–nem-fan hızı iliĢkili 3 boyutlu sistem simülasyonu ... 39
ġekil 4.11 Mamdani nem-hava akımı-fan hızı iliĢkili 3 boyutlu sistem simülasyonu... 40
ġekil 4.12 Sugeno nem- hava akımı-fan hızı iliĢkili 3 boyutlu sistem simülasyonu... 40
ġekil 4.13 GiriĢ ve ÇıkıĢ değerlerinin, üyelik fonksiyonlarının kurallar ile bağlantısına göre iliĢkilendirilmesi ... 41
ġekil 4.14 ANFIS eğitim sonrası hata azalma durumu ... 42
ġekil 4.16 ANFIS kontrol verisi sonucu ... 43
ġekil 4.17 ANFIS tüm eğitim verisi ile test sonucu ... 44
ġekil 4.18 Sıcaklık üyelik değerleri ... 45
ġekil 4.19 Nem üyelik değerleri... 45
ġekil 4.20 Hava akımı üyelik değerleri ... 45
ġekil 4.21 Modelde tanımlı kurallara göre sonuç çıkarımı ... 47
x
ÇĠZELGELER DĠZĠNĠ
Çizelge 3.1 Örnek iklimlendirme sıcaklık bulanık değer aralıkları ... 8
Çizelge 3.2 Klasik ifade örneği ... 12
Çizelge 3.3 Bulanık ifade örneği ... 13
Çizelge 3.4 Mamdani örnek Ģema ... 15
Çizelge 3.5 Sugeno örnek Ģema ... 19
Çizelge 4.1 Modeller arası karĢılaĢtırma sonucu ... 46
1 1. GĠRĠġ
Yaygın olarak kullanılan iklimlendirme sistemlerinin hedeflenen ortam koĢullarını sağlaması için klasik algoritma mantığına göre çalıĢan kontrol birimleri tasarlanmıĢtır.
Konfor noktasını yakalamakta yetersiz kalan bu yöntemler yerine, iklimlendirme sistemlerinin daha efektif çalıĢabilmesi için bulanık mantık tabanlı kontrol uygulamaları konusunda araĢtırmalar ve geliĢtirmeler yapılmaktadır. Bulanık mantık tabanlı kontrol sistemlerinde klasik algoritmanın dezavantajı olan kesin ve hatalı olabilecek sonuçlar yerine sezgisel fakat hassas bir kontrol yapısı sağlanabilmektedir.
Ġklimlendirme sistemlerinin verimliliği ile konfor koĢullarının oluĢturulması her ne kadar termodinamik hesaplar sonucu makinaların verimliliği ile ilgili olsa da bu sistemlerinin insan doğasına aykırı, rahatsız edici birer yapay atmosfer oluĢturan sistemler olmasının önüne geçmek ancak HVAC sistemlerinin kontrolündeki geliĢmelerle mümkündür. Bu çalıĢmada iklimlendirme sistemlerinin ideal koĢullara en yakın konforlu sistemler haline gelebilmesi için bulanık mantık tabanlı kontrol sistemleri oluĢturulmuĢ ve iklimlendirme sisteminin bulanık mantık ile kontrolü sağlanmıĢtır.
ġayet iklimlendirme sistemine ait girdi ve çıktı parametrelerinin davranıĢları bir Ģekilde kontrolöre öğretilebilirse oluĢturulan bu yapı, değiĢen parametrelerin ne Ģekilde reaksiyon vereceğini sezgisel Ģekilde tahmin edebilir. Bu parametreler böylelikle hatasız Ģekilde kontrol edilebilir. Bulanık mantık teorisinin üstünlüğü, bu noktada devreye girer ve bu teoriye göre karar verebilmek için tüm ihtimallerin bilinmesine gerek yoktur.
2
2. KURAMSAL TEMELLER ve KAYNAK ÖZETLERĠ
2.1 Bulanık Mantığın Tarihçesi
Bulanık mantık düĢüncesi ilk olarak 1920‟li yıllarda Polonyalı Jan Lukasiewicz tarafından, önermelerin “çok değerli” mantık ilkeleri ile tanımlanmıĢtır. Daha sonra 1937 yılında Max Black, belirli bir sayıda objeden oluĢan kümelere “çok değerli mantık” uygulamıĢ ve ilk defa bulanık küme fonksiyonlarını göstermiĢtir. Bu çalıĢmadan sonra Lotfi A. Zadeh 1965 yılındaki “Bulanık Kümeler” adlı çalıĢmasında, kümenin tüm üyelerine Lukasiewicz mantığını kullanan bir hesaplama metodu geliĢtirmiĢtir. Bununla birlikte bulanık kümelerin en önemli atılımı ve geniĢ kullanım alanına geçmesi ise 1970‟li yıllarda Ebrahim H. Mamdani‟nin bulanık mantık temelli çalıĢan bir buhar makinası kontrolörü çalıĢması ile olmuĢtur. Bu çalıĢmadan sonra, bulanık mantık deyimi ile bulanık kümelerle herhangi bir sezgisel sonuç verebilen matematik ve bilgisayar sistem çözümleri ifade edilmiĢtir.
Bulanık mantık kavramının ilk önem arz eden endüstriyel uygulaması çimento sanayisinde gerçekleĢmiĢtir. Çimento sanayisinde değirmen içine giren oksijen ve sıcaklık oranı çıkan ürün kalitesi açısından oldukça önemlidir. DeğiĢken ısı ve karbondioksit gibi parametrelerle sisteme uygun bir çalıĢma modeli oluĢturmak zor olup, insan tecrübesinin geliĢmesi de çok uzun bir zaman almaktadır. Bununla birlikte iĢ sürecini idare eden operatörlerin tecrübeleri arasında büyük farklar olabileceğinden, sonuç olarak ortaya çıkan üründe de kalite olarak büyük farklar görülebilir. Bu durumda standart kalitede bir üretimin yapılması çok zorlaĢtırmaktadır. Bu sebeplerden dolayı Danimarka menĢeili bir çimento firması, sabit değiĢkenler içeren bir model kullanmak yerine bulanık mantık kuralları ile bir denetleyici düzenlemiĢ ve olumlu veriler elde etmiĢtir. Bulanık mantık tabanlı bu veya buna yakın sistemler hala Amerika ve Japonya‟da dâhil olmak üzere birçok geliĢmiĢ ülkede tercih edilmektedir.
Bulanık mantık ile çalıĢılan ilk sistemlerden bir diğeri de Japon Hitachi firmasının Sendai Metro denetimini otomatize etme çalıĢmasıdır. Firma yaklaĢık 10 yıl boyunca yaptığı testler sonucunda bulanık mantık düzenleyici ile çalıĢan sistemin, mevcut
3
sisteme göre avantajlara sahip olduğunu görmüĢ ve 1987 yılından itibaren bu modelin uygulanmasına baĢlamıĢtır.
Bu olumlu örneklerden sonra bulanık mantık kontrolü kullanan uygulamalar konusunda artıĢ yaĢanmıĢ ve bu konuda yeni çalıĢmaların yapılabilmesine olanak sağlanmıĢtır. Bu araĢtırmaların birbirleriyle iyi haberleĢebilmesi için Laboratory for International Fuzzy Engineering (LIFE) adlı bir grup tahsis edilmiĢtir (Abduljabar 2011). Bu grupta yapılan çalıĢmalara birçok Japon ve Amerikan firması katılmıĢtır.
2.2 Literatür Taraması
HVAC sistemlerinin analiz ve geliĢtirme sürecinde benzetim teknikleri ve modellemenin yer alması ile süre ve maliyette birtakım azalmalar görülmüĢtür (Soyguder, Karakose, Alli 2008). Bu olumlu sebepler nedeniyle modelleme teknikleri kullanan HVAC sistem araĢtırmalarının arttığı izlenmektedir. HVAC sistemleri birbiriyle iliĢkili ve büyük zaman değerleri içeren birçok alt birimden oluĢmaktadır. Bu alt birimlerin doğrusal ve sabit olmayan karakteristikleri nedeniyle, sistemin matematiksel modelinin çıkarılması zor bir süreçtir (Mendes 2003).
Uygulanabilir bir HVAC modelinin çıkarılmasıyla ilgili literatür, tarafında birçok çalıĢma yapılmıĢtır. Clark, Hurley ve Hill, HVAC sistem birimlerinin dinamik modelleri üzerinde çalıĢmıĢtır (Clark, Hurley, Hill 1985). Zaheer-Uddein ve Zheng, HVAC sistem alt birimleriyle ilgilenmiĢ ve kontrol sistemi yapısında kullanılmak üzere dinamik modeller oluĢturmuĢtur (Zaheer-Uddein, Zheng 1994). Tashtoush, Molhim ve Al-Rousan da HVAC‟ da bulunan ısıtma ve soğutma sistemlerini ayrı ayrı incelemiĢ ve bunlarla ilgili modeller oluĢturmuĢtur. Yaptığı bu çalıĢmada, bulunduğu ortamdaki her bir iklimlendirme biriminin ısıl kapasite ve depolama özelliklerini içeren soğutma - ısıtma değerlerini bulmak yerine, ortamlar arası ısı alıĢveriĢini gerçek zamanlı olarak hesaplama iĢlemlerini kullanmıĢtır (Tashtoush, Molhim, Al-Rousan 2005).
4
Mevcut iklimlendirme sistemleri verimlilik ve ihtiyacı karĢılama konusunda yetersiz kalmakta, bu da daha elveriĢli HVAC sistemleri tasarlamak için akademisyen ve mühendisleri araĢtırma yapmaya zorlamaktadır. Hem bu ihtiyacın giderilmesi hem de bulanık mantık sistemlerinin birçok alan (sanayi, ulaĢım, yaĢam alanları…vb. ) üzerinde baĢarılı bir Ģekilde uygulanmaya baĢlaması, HVAC sistemi için de bulanık mantık ile baĢarılı sonuçlar alınabileceğini düĢündürmüĢtür.
HVAC sistemlerinin bulanık mantık kontrollerini bilgisayar alt yapısı ile modelleme çalıĢmaları sonucu performans ve kullanılabilirlik açısından incelenmesiyle ilgili literatürde yapılmıĢ çalıĢmalar vardır. Sousa, Babuska ve Verbruggen çalıĢmasında, HVAC sistemlerinde kullanılan lineer değerli yapıya sahip olmayan sistemler için bulanık mantık modellemesinin olumlu sonuçlar verdiğini göstermiĢtir (Sousa, Babuska, Verbruggen 1997). Huang ve Nelson ise bir HVAC bulanık mantık alt yapısı kullanan sistemde, kontrol kurallarının oluĢturulması ve gerçek bir problem üzerinde test edilmesi konusunda çalıĢmalar yapmıĢtır. (Huang, Nelson 1994). Alcalá ve Benítez çalıĢmasında, genetik algoritmaları bulanık mantık kontrolünün iyileĢtirmesinde kullanmıĢtır (Alcalá, Benítez 2003).
Ghiaus, bulanık mantık düzenleyicisi ile PID kontrollerde karĢılaĢılan tekrar ayarlama sürecine gerek kalmadan iĢin yapılabileceğini göstermiĢtir (Ghiaus 2001). Soygüder, Karakose ve Alli araĢtırmasında, nem değerlerini çalıĢmasına dâhil etmeden üç farklı ortam üzerinde, normal PID, bulanık mantık altyapısını kullanan bir PD ve en son kendi kendini besleyen bulanık mantık temelli bir PD kontrolünün karĢılaĢtırmasını yapmıĢtır (Soyguder, Karakose, Alli 2008). Wang, An ve Lou ise çalıĢmasında bulanık mantık ve klasik PID düzenleyici yapısını birleĢtiren bir düzenleyici oluĢturmuĢtur. Bu çalıĢmada Çin‟de bulunan bir televizyon binası için üç farklı düzenleyicinin (klasik PID, bulanık mantık düzenleyici ve hibrid bulanık mantık- PID düzenleyici) verimlilik konusunda karĢılaĢtırılması yapılmıĢtır (Wang, An, Lou 2006).
Bulanık mantık tabanlı HVAC sistemi ve kontrolü ile ilgili literatür incelemesinden de görüldüğü gibi çok sayıda çalıĢma mevcuttur. Bu çalıĢmaların bazılarında gerçek hayatta çalıĢan iklimlendirme sistemlerinin devamlı değiĢen yükler altında olmasından
5
dolayı bu değerlerden farklı olarak sabit değerler kullanan çalıĢma ortamı sunulmuĢtur.
Örnek olarak nem ve dıĢ hava sıcaklık değerlerini değiĢken almayan araĢtırmalar vardır.
Bu araĢtırmaların bazılarında ise sadece sıcaklık gibi tek parametreli düzenleyici kullanılarak iĢlem yapılmıĢtır.
6 3. MATERYAL VE METOT
3.1 Ġklimlendirme Sistemleri
Kapalı alanlarda havanın termal konfor (sıcaklık, nem, hava akımı) koĢullarının oluĢturulması, havanın bir dizi makine vasıtasıyla çeĢitli termodinamik ve dinamik süreçlerden geçirilerek verilmesiyle gerçekleĢmektedir. Genellikle uygulanan sistemlerde havanın sıcaklığının arttırılmasını veya azaltılmasını sağlayan iklimlendirme özelliğine sahip cihazlar kullanılmaktadır. Aynı zamanda nem kontrolünün sağlanması da gerek iklimlendirme sistemleri gerekse nem alma/nem verme cihazları ile sağlanmakta, çeĢitli filtrasyon iĢlemlerinden geçen havadaki partikül oranı minimum seviyeye indirilmektedir. Aynı zamanda ekonomik olarak verimli çalıĢması istenen sistemler sürekli dıĢarıdan temiz hava alıp iĢlemek yerine kısmen temiz hava alıp kalan kısmını da içeride mevcut bulunan havanın tekrar iĢlemden geçirilmesi usulüne göre çalıĢırlar. Ayrıca bu çalıĢma, dıĢarıdan alınacak temiz havanın iklimlendirme maliyetinin, içerideki havayı iklimlendirme maliyetine göre daha yüksek olduğu için gerçekleĢtirilmektedir. Burada dikkat edilmesi gereken husus ise içeriye alınacak temiz havanın, dolayısıyla oksijen miktarının belli bir seviyede tutulması için hassas bir dengeleme yapılması gerekliliğidir.
HVAC sistemleri genellikle sabit veya değiĢken debili sistemler olarak ikiye ayrılmaktadır. Yatırım maliyetleri göz önüne alınacak olursa değiĢken debili sistemler daha maliyetli olarak görülmektedir. Bununla birlikte hangi uygulama sistemlerinin seçileceği konusunda yapılan araĢtırmalarda ilk maliyet oranı yüksek olsa bile enerji verimliliği ve kullanımı açısından değiĢken debili sistemlerin daha avantajlı olduğu görülmüĢ olduğundan değiĢken özellikli sistemler genel olarak daha fazla kullanım alanı bulmuĢtur. Bu yaygınlaĢmada, 1970 yılında yaĢanan enerji darboğazının da etkisi vardır.
Kontrol iĢlemi HVAC sistemleri için çok önemli bir bileĢendir. Hava değiĢimi yapılan alanların uygun değerlere gelmesi kontrol sistemleri vasıtasıyla gerçekleĢir. Bununla birlikte iyi bir uygulama sisteminde enerjinin tüketiminin de uygun aralıkta olması
7
hedeflenir. HVAC sistemlerinde uygun koĢullara ulaĢılması zor bir süreçtir. Öncelikle nem, sıcaklık gibi her bir parametre diğerleriyle bağlantılıdır. Bu sebeple, değerlerde oluĢan değiĢiklik diğer parametrenin değiĢmesine sebep olacaktır. Bununla birlikte içerde ölçülen bu parametrelere dıĢ hava, sıcaklık ve nem değerleri de etki edeceğinden soğutma yük hesaplarını değiĢtirecektir. Bu süreç devamlı dinamik olarak kontrol edilerek ayarlanmaktadır.
Genellikle HVAC sistemleri, basit kontrol yapıları kullanmakta, sadece sıcaklık parametresine göre sistemi dengede tutmaya çalıĢmakta ve diğer parametreleri kullanmamaktadırlar. Bu da hem termal konfor hem de sistemlerin enerji kullanımı konusunda düĢük verimli çalıĢmasına sebep olmaktadır. Amerika Ulusal Bina Kontrol Sistemleri Bilgilendirme biriminin yaptığı bir araĢtırmada iklimlendirmeyi kontrol eden sistemlerin yarısının sistemi yetersiz bir Ģekilde kontrol ettiği ortaya çıkmıĢtır. Bu yetersiz uygulama sistemlerine yapılan iyileĢtirmelerle enerji verimliliğinin %20 arttığı görülmüĢtür.
HVAC sistemlerine bulanık mantık kontrolünün uygulanmasının iyi sonuçlar gösterdiği belirlenmiĢtir. Bunun sebebi, iklimlendirme sistemlerinin birbiriyle iliĢkili birden çok değiĢkene sahip olması ve iĢlemin matematiksel modelinin olmadığı ya da matematiksel modelin doğrusal olmayan denklemler içermesinden kaynaklanmaktadır. Bulanık mantık kontrolünde klasik kontrol ile yapılamayan bu gibi zor durumlar çok daha rahat kullanılabilir olmaktadır.
Bulanık mantık modeli, klasik mantık gibi net sonuçlar üzerinden çalıĢmaz; sezgisel bir karar verme modeli içerir. Bulanık mantık kümesinde insanların iĢle ilgili tecrübelerine ve izlenimlerine göre sonuçlar geliĢtirilir. GeliĢtirilen kural dizileri sistemin durumlarını bulanıklaĢtırmak için kullanılır. Ġklimlendirme modellerinde, standart PID kontrolü, bulanık mantık kontrolü kullanan modellerle beraber hem PID hem de bulanık mantık kontrolünün birlikte çalıĢtığı uygulamalarda yapılmaktadır. Bu tez içerisinde, bir çalıĢma ofis alanının iklimlendirme sisteminin değiĢken parametrelere göre bulanık mantık kuralları ile denetiminin yapılması amaçlanmıĢtır.
8
Çizelge 3.1 Örnek iklimlendirme sıcaklık bulanık değer aralıkları
3.2 Ġklimlendirme Termal Konforu
Ġnsanlar için yaĢam kalitesini gösteren en önemli detaylardan biri olan hava kalitesi, günümüz Ģehirlerinde açık atmosferde bile yeterli değilken verimsiz tasarlanmıĢ iklimlendirme sistemlerinin yerleĢik olduğu ofisler, alıĢveriĢ merkezleri, tiyatro salonları, spor salonları gibi mekânlarda insan sağlığını ciddi ölçüde tehdit etmektedir.
Hem konfor koĢullarından uzak yapay atmosferin rahatsız edici etkileri hem de hissedilmeyen fakat insan sağlığını orta ve uzun vadede tehdit eden hava kalitesinin yetersizliği probleminin sadece ekipmanlarla çözülemeyeceği, aynı zamanda bu ekipmanların doğru Ģekilde kontrol edilebilmesi gereklidir.
Klasik iklimlendirme sistemine sahip kapalı çalıĢma alanlarında sıklıkla meydana gelen solunum rahatsızlıklarının sebebi olarak hava kalitesinin yetersizliği gösterilmektedir.
(Arima, Hara, Katzberg 1995). Solunan havadaki oksijen, nem, partikül oranları ve sıcaklık ile rüzgâr hızı parametrelerinin bir iklimlendirme sisteminde hassas olarak kontrol edilebilmesi klasik algoritma ile tasarlanmıĢ kontrol sistemleri ile mümkün olmamakla birlikte, bulanık mantığın elverdiği Ģekilde adaptif olarak tasarlanmıĢ bir akıllı kontrol sistemi ile mümkün olabilecektir.
9 3.3 Kontrol Yöntemleri
Sistem kontrol yöntemleri; „„Konvansiyonel (PID Kontrol, Adaptif Kontrol,) ve GeliĢmiĢ Yöntemler (Yapay Sinir Ağları, Genetik Algoritmalar, Bulanık Mantık)‟‟
olmak üzere gruplandırılarak iki ana baĢlık altında incelenecektir.
3.3.1 Konvansiyonel kontrol yöntemleri
GeliĢmiĢ sistem kontrollerinden uzak genellikle maliyeti düĢük ve basit sistemlerle kontrol yöntemidir. Ġklimlendirme sistemlerinde kullanılan konvansiyonel kontrol yöntem çeĢitleri aĢağıda açıklanmıĢtır.
3.3.1.1 PID Kontrol
Yaygın kullanılan bir iklimlendirme sisteminde gerçekleĢmesi gereken sıcaklık, nem alma/verme, hava akımı kontrolü, temiz/kirli hava karıĢımı gibi iĢlemler için PID kontrolü uygulanır.
ÇeĢitli sensörlerden aldığı geri dönüĢ bilgileri ve sürekli kendini iyileĢtirme modu ile çalıĢtıran PID kontrollü otomatik iklimlendirme sistemleri, termodinamik sistemlerdeki modellemenin zor olması sebebiyle birtakım dezavantajlar barındırmaktadır. Ayrıca genellikle tasarım sebebiyle sistem sonuçlarında meydana gelecek hatalar sonucu oluĢabilen kalıcı problemler ile PID kontrolün, iklimlendirme sisteminden bekleneni yeterince veremediğini gösterebilmektedir.
3.3.1.2 Adaptif kontrol
Uyarlanabilir adaptif sistemler, kontrol edilen uygulamalardaki değiĢim eğilimlerine göre parametrelerini direkt olarak değiĢtiren otomatik sistemler olarak tanımlanırlar.
Adaptif kontrol yapıları adaptasyon mekanizmayla beraber, tercih edilen davranıĢ
10
ölçütüne ve ayarladıkları parametrelere göre sınıflandırılmaktadırlar (MRAS,MIT,L yapunov vs.)
3.3.2 GeliĢmiĢ kontrol algoritmaları
Bilgisayar sistemlerinin yaygınlaĢması ile kontrol sistemlerinin daha önce kullandığı metotlarda değiĢiklikler meydana gelmiĢtir. Önceden düzenleyici sistemlerde belirgin matematiksel sabitler kullanılıyorken, Ģimdi genetik algoritmalar, bulanık mantık, yapay sinir ağları veya bu bahsedilen teknolojilerin beraber kullanıldığı özel kontrol sistemleriyle ilgili araĢtırmalar vardır. Ġklimlendirme sistemlerinde parametrelerin sabit bir matematiksel değere sahip olmaması ve daha sezgisel bir yaklaĢım gerektirmesi nedeniyle aĢağıda bu teknolojilerden kısaca bahsedilecektir.
3.3.2.1 Yapay sinir ağları, YSA (Artifical Neural Networks)
Bu metot insan beyni çalıĢma mantığının, bilgi sistemlerine aktarılması ile ortaya çıkan bir teknolojidir. YSA‟ da gerçek bir nöron hücresinin çalıĢma mantığından örnek alarak ortaya çıkmıĢtır. Normal bir nöron yapısı üç farklı katmandan oluĢmaktadır; giriĢ, saklı ve çıkıĢ katmanı. Saklı katman, sistemin karmaĢıklık düzeyine göre birden fazla katman içerebilir. GiriĢ katmanı, modele alınan verileri gösterir. Saklı katman, giriĢ katmanında aldığı veriler üzerinde iĢlem yapılan kısımdır. ÇıkıĢ katmanı ise saklı katmandan aldığı sonuçları içerir.
Ġklimlendirme sistemlerinde YSA ile sistemin sezgisel davranıĢ değerlerinin bulunması ve bu değerlere göre model değerlerinin durum koĢullarına göre ayarlanması konusunda araĢtırmalar yapılmaktadır (ġengirgin 2003).
3.3.2.2 Genetik algoritmalar, GA (Genetic Algorithms)
Genetik algoritmalar, biyoloji biliminden yararlanıp evrim ve doğal seleksiyon özelliklerini kullanan makine öğrenme yöntemlerinden birisidir. Genetik algoritmalar,
11
sonuç olarak tek bir değer üretmek yerine farklı çözümlerden en uygun sonuç kümesini vermeyi amaçlar. Genetik algoritmaların kuvvetli bir özelliği olarak modellenen sistem hakkında çok bilgiye sahip olmadan zor problemleri çözebilme yeteneğine sahip olması verilebilir. Yani herhangi bir baĢlangıç modeli kullanmadan sistem hakkında çözüm üretmeye baĢlanabilir. Ġklimlendirme sistemlerinde genetik algoritmalar ile kontrol parametrelerinin ayarlanması konusunda yeterli olmamakla beraber birtakım araĢtırmalar yapılmaktadır (Rahmati, Rashidi, Rashidi 2003).
3.3.2.3 Bulanık mantık (Fuzzy Logic)
Bilgisayar sistemlerinde kullanılan mantık ilkesi, bir değerin sıfır veya bir olabileceğini belirtir. Bu yaklaĢım ikili Aristo mantığındaki gibi sabit değerleri temel alarak sonuca ulaĢmaya yarar (yok veya var, 1 veya 0). Bulanık mantık ise insan zihin düĢünce yapısının karar alma ve aldığı kararı matematiksel bir gösterim haline getiren bir bilim dalıdır. Yani ikili sabit değerler yerine bulanık küme modeline sahip bir yapıdadır. Ġkili mantıkta yer alan „‟0-1‟‟ yani „‟evet-hayır‟‟ gibi değerler bulanık mantıkta bu verilerin arasında da bazı değerler olduğunu düĢündürür. Örnek olarak bir insanın yaĢını ele alacak olursak 20 yaĢ değeri %80 genç, %20 yaĢlı sonucunu verebilir. Aynı Ģekilde 30 yaĢ ise %70 genç %30 yaĢlı sonucunu içerebilir. Buradaki sonuçlardan görüldüğü gibi, ikili mantıktaki gibi bir kesinlik belirtmeden sonuçlara ulaĢılır. Ġklimlendirme sistemlerinin de bu yaklaĢım ile modellenmesi sistemin performansı için olumlu görülmektedir.
Ġklimlendirme sistemlerinde hem mevcut kullanılan PID düzenleme yapıları hem de bulanık mantık düzenleyici üzerinde yapılan araĢtırmalar devam etmekle beraber, bu iki yapının (PID-Bulanık Mantık) birleĢiminden oluĢan algoritmalar üzerine de ayrıca araĢtırmalar yapılmıĢtır (Rahmati, Rashidi, 2003).
12 3.4 Bulanık Mantık Teorisi
Bulanık mantığın temelinde bulanık kümeler yer almaktadır. Bulanık kümelerde üyelik fonksiyonu ile oluĢturulan üyelik derecelerinden oluĢmaktadır. Bu kavramların tam olarak öğrenilebilmesi için bulanıklık tanımının iyi anlaĢılması gerekmektedir.. ġekilde (3.1) gösterilen renkler uzayında tanımlı yeĢil, siyah ve mavi aslında her biri içerisinde farklı onlarca renk tonuna sahiptirler. Bu uzayda, resmin herhangi bir yerini seçtiğimizde, seçilen bölgenin kesin bir renk değerine sahip olmadığı görülür. Resim üzerinde sağdan sola doğru gittiğimizde renk mavi tonlarından baĢlayıp siyahlaĢmaya baĢlayacak, daha da ilerledikçe siyahlık azalarak yeĢil değeri kuvvetlenmeye baĢlayacaktır. Burada dikkat edilmesi gereken nokta, Ģeklin herhangi bir bölgesinde renk değeri ile ilgili kesin bir sonuç bulunmadığıdır. Sadece belli bölgelerinde bazı renk tonlarına daha yakın görülmektedir. Bu sebeple resimdeki üyelik fonksiyonuna göre her nokta için farklı bir renge ait olma değeri bulunmaktadır. Bu alanlar resimde bulunan üç renge ait bulanık küme oluĢturulması ile sağlanır (AltaĢ 1999).
ġekil 3.1 Bulanıklık Ģeması
Çizelge 3.2 Klasik ifade örneği
13 Çizelge 3.3 Bulanık ifade örneği
Çizelge 3.2 - 3.3‟de ise bulanık mantık tanımı kullanılmasında yaĢ uzayının durumu incelenmiĢtir. Çizelge 3.2‟de klasik ikili mantık üzerinde insan yaĢının modellenmesi yapılmıĢ, 0-29 yaĢ aralığı “Genç” gösterilirken, 30 yaĢından sonraki yaĢlar “Orta YaĢlı”, 50 yaĢından sonraki yaĢlar ise “YaĢlı” statüsüne yerleĢtirilmiĢtir. Çizelge 3.3‟de ise bu iĢlemin bulanık küme tipinde gösterimi yapılmıĢ, Genç, Orta YaĢlı ve YaĢlı kavramlarının keskin değerleri bulanıklaĢtırılarak daha sezgisel bir gösterim elde edilmiĢtir (Özek ve Sinecen 2004).
KarmaĢık üretim süreçlerinde kaliteyi sürekli hale getirerek bu sürecin en efektif Ģekilde yönetilebilmesi için kullanılan bulanık mantık tabanlı kontrol sistemlerinin yaptığı iĢi klasik algoritma ile çalıĢan otomatik kontrol sistemleri ile yapmak neredeyse imkânsızdır. Girdi ve çıktı parametrelerinin sayısı arttıkça klasik kontrol sistemlerinin doğru karar verebilmesi adına oluĢabilecek tüm ihtimalleri hesaplaması beklenir. Fakat tüm ihtimallerin hesaplanması bilgisayar kontrolü ile de olsa pek mümkün değildir.
Sabit değerler içermeyen karmaĢık problemlerde standart düzenleyici modeller kullanmak çok maliyetli ve elveriĢsiz olduğundan genellikle uygulanmamaktadır.
Bulanık mantıkta ise bu gibi durumları modellemek çok daha kolay ve elveriĢli bir Ģekilde yapılabilmektedir. Bu sebeple bulanık mantık kullanılarak oluĢturulan modeller son yıllarda kontrol iĢlemlerini düzenlemede yaygınlaĢmıĢtır. Bu zor sorunları çözme konusunda yapılan araĢtırmalarda sistemin daha kolay modellenmesi haricinde ayrıca büyük baĢarılar elde etmiĢ olması da bulanık mantık yapısının yaygınlaĢmasında etkili olmuĢtur. Bununla birlikte bulanık mantık temelli sistemlerde makine öğrenmesi ve
14
uzman bilgisi birbirleriyle doğrudan iliĢkilidir. Bu sebeple modelin ilk kurulumu sırasında oluĢturulan bulanık küme ve fonksiyonların doğru seçilmesi, sistemin genel baĢarısı üzerinde birinci seviyede etkilidir. Ġdeal kural setlerini oluĢturabilmek probleme göre fazla süre alabilmektedir. Bu kural setlerinin araĢtırmalara göre tecrübe edilerek doğru oluĢturulma süresi sistemin negatif bir özelliği olarak görülebilir (Akgül 2006).
3.5 Bulanık Mantık Modelleme ve Üyelik Fonksiyonları
Sisteme tayin edilen bulanık değiĢkenlerin olası değerleri için üyelik fonksiyonları her bir üyeliğin derecesini göstermektedir. Bu dereceler; sözel bir veriyle belirlenebilir (nem değerinin yüksek olması gibi).
Bulanık mantık yapısında üyelik görevinin doğru belirlenebilmesi; model tasarımının baĢarı ile sonuçlanmasında önemli bir rol oynamaktadır. Bulanık Mantık ile „„Mamdani ve „„Sugeno‟‟ tipi modellemeler yaygın olarak kullanılmaktadır. Bu modeller detaylı olarak baĢlıklar halinde aĢağıda ele alınacaktır.
3.5.1 Mamdani bulanık modelleme
Mamdani bulanık model tipi, insan sezgisi ve davranıĢına uygun olduğu için kolay bir Ģekilde oluĢturulabilmektedir. Bu sebeple çok tercih edilmektedir. Ayrıca Mamdani diğera modellerinde esas mantığını oluĢturur. Ġlk olarak Prof. Ebraham Mamdani insan deneyimleri ve dilsel kurallar aracılığıyla bir buhar motorunun kazan bileĢiminin çıkarımını kontrol etmek için bu metodu uygulamıĢtır (Heine 2001).
Bir bulanık modellemeye uygulanan „‟Mamdani‟‟ yöntemi Ģu Ģekilde sıralanabilir;
a) Girdi değerlerinin bulanıklaĢtırılarak 0 ile 1 aralığında oluĢan üyelik derecesinin belirlenmesi,
b) Bulanık çıkarım uygulanarak „„ĠF-then‟‟ kural tablosu oluĢturulması, c) Kural tablosu ile „ve-veya‟ iĢlemci değerlerinin oluĢturulması,
15
d) Sonuç değerlerinin çıkarımı; her bir „„ĠF-then‟‟ kuralının çıktısı ile bu küme değerlerinin bir araya getirilmesi,
e) Son olarak yapılan ise tek sayıya dönüĢtürülen bulanık çıkarım küme değerlerinin durulaĢtırılmasıdır.
Çizelge 3.4 Mamdani örnek Ģema
1.Kural: “Eğer x=A1 VE y=B1” ise “z= C1” 2. Kural: “Eğer x=A2 VE y=B2 ise z= C2”
Mamdani modeli ile iki kurallı bir modelde, sayısal ifadenin (x, y) gibi değiĢkenleri ve çıkıĢ (z) değiĢkeninin bulanık küme [C1 ve C2] fonksiyonlarından hesaplanma Ģekli yukarıda açıklanmıĢtır. (Özalp, 2016). ġekilde C1 ve C2 değerlerini maksimumunun alınması ile sonuç kümesinin C2 ve C2 değerlerinin birleĢiminden oluĢtuğu gösterilmiĢtir (Akyılmaz, O. 2005).
ġekil 3.2 Mamdani bulanık model tasarım Ģeması
16 Bu modeli özetlemek gerekirse;
Mamdani tipi bulanık modelleme yapısı oldukça kolaydır.
Bulanık çıkarım modellerinin baĢlıca temelini oluĢturur.
Ġnsan davranıĢı ve duyularına yakın olduğu için en çok tercih edilen bulanık model tipidir.
3.5.2 Sugeno Bulanık Modelleme
Sugeno modelleme, 1985 tarihinde ilk olarak kullanılmaya baĢlanmıĢtır. Sugeno modeli genel itibariyle Mamdani modeli yapısından türetilmiĢtir. Bulanık mantık tabanlı yapılan iĢlemler ve girdi değiĢkenlerinin bulanıklaĢtırılması Mamdani modeli ile aynı Ģekildedir. Çıktı fonksiyonlarından kaynaklı farklar ise bu iki model arasındaki en önemli ayrımı oluĢturur. Bu modelleme tipinde çıktı üyelik fonksiyonları sabit ya da lineer olmaktadır. Sugeno çıktı fonksiyonu sabit bir değer iken, sıfırıncı (0) derece, birinci (1) derece doğru denklem gibi iken ise birinci (1) derece bulanık mantık model tipi olarak adlandırılır.
Sugeno modellemesi, Mamdani modellemesinden daha karmaĢık bir yapıda olmasına rağmen gösterimsel açıdan daha uygundur. Bu sebeple Sugeno bulanık modelleme uyarlanabilir (adaptif) tekniklerle beraber tercih edilebilir.
Sugeno bulanık model aĢağıdaki gibi tanımlanabilir.
Eger x = A ve y = B, ise z = f(x,y) = px+qy+r (sabit) (3.1)
A ve B değiĢkenleri giriĢ parametreleriyken; p, q ve r (sabit) ise sonuç parametreleridir (Gedik 2011).
19
x + y + (3.2)
x + y + (3.3)
(3.4)
Çizelge 3.5 Sugeno örnek Ģema
ġekil 3.3 Sugeno bulanık model tasarım Ģeması
Sugeno tipi bulanık modellemeyi özetlemek gerekirse;
Sugeno tipi bulanık modelleme yapılacak hesaplamalar gereği daha elveriĢlidir.
18
Bu modelde doğrusal teknikler ile doğrusal olmayan sistemlerin kontrol edilebilmesi mümkündür.
Adaptif teknikler ve uyarlamalar ile beraber çalıĢabilir. Ayrıca çıktı değerlerini düzenleyerek sonuçları daha da iyileĢtirir.
Çıktı uzayında bu model ile devamlılık sağlanmaktadır.
Formül içeren problemleri modellemek için uygun bir yapıdır.
Sugeno tipi bulanık modelin dezavantajlarını sıralamak istersek;
Bu model yüksek dereceli denklemlerle uygulandığında fazla karıĢık bir yapıya dönüĢebilmektedir.
Sistem verilerinin eğitilmesi, girdi ve alt küme sayılarının artması ile zorlaĢır.
Ayrıca sonuçlara ulaĢabilmek için gerekli soncul parametrelerin sayısı da artmaktadır.
Bu model, Mamdani modeli kadar insan davranıĢı ve duyularına sezgisel yönden yakın değildir.
3.5.3 Temel bulanık model kurallarının geliĢtirilmesi
Bulanık mantık modellemede baĢlıca üyelik fonksiyonları tespit edilir. GiriĢ verileri ĠF- Then (eğer-ise) kuralları ile tanımlanarak, temel bulanık tanımlama kuralları çıkarılır.
Bu bulanık kurallar; uzman bilgisi ve gözlemler yardımıyla ya da önceden ölçülmüĢ deneysel veriler ıĢığında belirlenir. Bu temel tanımlama kuralları, Ģu Ģekilde ifade edilebilen kural dizilerini içerir:
If (koĢul) then (sonuç). Örnek olarak eğer (sıcaklık parametresi yüksek) ise (hava akımını arttır).
Bu gibi temel kurallar uygulandığında; durumlara göre bulanık değiĢkenlerin üyelik dereceleri ve bu kuralların sonucu olarak hesaplanan yeni üyelik değerleri meydana gelir.
19
Bağlaçlar Hesaplamalar (AND, OR, NOT) ya da bunların hepsine (ayrım, ret) bağlı olan Ģartlara dayanırlar.
3.5.4 Bulanık model tasarımının asıl değerlerle kıyaslanarak tutarlılığının ölçülmesi
Bulanık model ile kural tablosu oluĢturulduktan sonra simülasyon uygulamaları yardımıyla aynı giriĢ değerleri için test iĢlemi uygulanır. Önceden elde edilmiĢ test verileri ile bulanık model sonucu çıkan veriler karĢılaĢtırılır ve kabul edilebilir hata payı içinde olup olmadığı tespit edilir.
3.6 Kullanılan Yöntem
Çözüm yöntemi olarak bulanık mantık kullanılmıĢtır. Bu baĢlıkta üyelik fonksiyonu oluĢturma ve iklimlendirme sistemine uyarlanmasındaki önem, sistem uygulamaları ve sonuçlardan bahsedilmektedir.
Bir bulanık sistem tasarımına baĢlamadan önce, araĢtırmacı ulaĢabildiği tüm sayısal veya sözel verileri irdeleyerek çözüm için en mantıklı yöntem hakkında karar vermelidir. Ayrıca bulanık modelleme yöntemlerinin sözel verileri iĢlemekte oldukça etkin olduğu asla unutulmamalıdır. Bu çalıĢmada HVAC sistem tasarımı için ASHRAE veri standartları baĢta olmak üzere böyle önemli bilgileri bilgisayarlara tanıtarak bulanık iĢlemlerin yapılması yoluna gidilmiĢtir. ĠĢte bu yoldaki en uygun yöntem, bulanık küme mantık ve sistemleri olmuĢtur.
Bulanık mantık, insan karar verme sezgisine yaklaĢan bir tekniktir. Bulanık mantık modeli üzerindeki girdi ve çıktı değerleri arasındaki tesadüfî iliĢkileri geliĢtirmek için sözel tanımlar kullanır. Bulanık mantık, üretim sürecine etki eden parametrelerin birbiriyle iliĢkisini modelleyerek endüstriyel problemlerin çözümünde çok baĢarılı olmuĢtur.
20 3.6.1 Kullanılan materyal
Çözüm materyali olarak dünya HVAC veri standartları alınarak “Matlab” programı kullanılmıĢtır. Bu baĢlıkta üyelik fonksiyonu oluĢturma ve iklimlendirme sistemine uyarlama ile oluĢturulan modelin önemi ve sonuçlardan bahsedilmektedir. Problemler, Matlab yazılımı üzerinde ana komut penceresinde yazılarak çözülebileceği gibi çeĢitli diyagram ve düğme gibi nesnelerin olduğu görsel çözümleme modülleri ile de geliĢtirilebilir.
Shaharon ve Jalaludin, Malezya'da çalıĢanların kullandığı az enerji tüketen ofis ortamları konusunda araĢtırma yaparak, çevre koĢullarının iklimlendirme sağlığına etkilerini belirlemeye çalıĢmıĢlardır. Az enerji kullanan sistemlerin yaygınlaĢmasından sonra bu tasarruf iĢlemi sonucu yetersiz çalıĢan iklimlendirme ortamında çalıĢan insanların çalıĢma performansını olumsuz etkilediği görülmüĢtür. Bu olumsuz koĢulların çalıĢanlar üzerindeki etkisinin önlenmesi ve yeterli bir çalıĢma ortamı standardının belirlenmesi, iklimlendirme termal konforu için gereklidir. Yapılan çalıĢmada 21.6°C-23.6° C sıcaklık ve %42-%54 nem oranı elde edilmiĢ ve bu değerlerin ASHRAE 55 ve ISO 7730 standartlarını karĢıladığı gösterilmiĢtir (Shaharon, Jalaludin 2012).
ÇalıĢma ortamı ideal konfor değerleriyle ilgili bazı standartlar bulunmaktadır. Bu standartlar kendi içerisinde bulunan ufak farklılıklarla ülkeler arası değiĢiklikler gösterebilmektedir. ASHRAE -62- (ABD) standartlarına göre Bağıl Nem için ‟‟% 30–
60‟‟ ve Sıcaklık için ise ‟‟20–25,5 °C‟‟ tavsiye edilen değer aralıkları olarak yayımlanmıĢtır. Bu standartlar için DIN-15251-(Almanya) ise Bağıl Nem için ‟‟% 30–
70‟‟ ve Sıcaklık için ise ‟‟20–26 °C‟‟ tavsiye edilen değer aralığı bildirmiĢtir. HKGCC- (Hong Kong) ise Bağıl Nem için ‟‟% 40–60‟‟ ve Sıcaklık için ise ‟‟20–25,5 °C ‟‟
tavsiye edilen değer aralığı bildirmiĢtir (Shaharon, Jalaludin 2012).
21
3.6.2 Bulanık mantık yöntemi kullanımının sağladığı avantaj ve dezavantajlar
Bulanık mantık tabanlı sistemden yola çıkılarak ortaya çıkan bulanık denetleyicilerle ilgili önemli avantaj ve dezavantajlar aĢağıda belirtilmiĢtir.
Avantajları;
Bulanık Küme Teorisi, Klasik Küme Teorisinden daha geniĢ bir çerçeve yarattığından karar vericiye oldukça geniĢ ve sezgisel bir hareket ortamı sağlayarak, lineer programlamanın gerçek dünyayı yansıtma becerisine ve uygulanabilirliğine katkı sağlamıĢtır.
Zamanla değiĢen, karmaĢık, iyi tanımlanmamıĢ ve günlük yaĢamda olduğu gibi belirsiz olan denetimlere anlaĢılır sonuçlar getirmektedir.
Eğer sistem basit bir analitik modelleme ile oluĢturulabilecek yapıda ise bu sistemi klasik kontrol algoritmaları le oluĢturmak yeterli olabilir. Fakat karmaĢık yapıda olan bir sisteme klasik mantık algoritması uygulamak hem oldukça zor hem de oldukça maliyetli olacaktır. Bununla birlikte bulanık mantık uygulanacak sistem, konvansiyonel kontrol uygulanacak sisteme göre çok daha iyi analiz edilebileceği için maliyet konusunda da daha ekonomik olabilecektir.
Genel olarak „‟Bulanık Mantık‟‟ ile önsezi iĢlemi uygulanarak geniĢ bir çevreye yayılabilen değerlerin, minimum sayıda üyelik fonksiyonuna indirgenebilmeleri sebebiyle çok daha ivedi bir Ģekilde sonuç alınmaktadır.
Minimum sayıda kullanılan üyelik fonksiyonu değerleri ile kural taban sayısı da azalacağından çıktıya ulaĢabilmek daha da hızlı olacaktır.
22
Sistemin doğrudan kullanıcı giriĢlerine ve bu kullanıcıların deneyimlerden yararlanabilmesine olanak tanıması sebebiyle bulanık mantık denetimi daha avantajlı olmaktadır.
Dezavantajları;
Bulanık mantık denetiminde kullanılan kurallar, deneyime ve tecrübeye bağlı olduğundan sağlıklı bir yapı oluĢturmak zaman alabilmektedir.
Bu mantıkta üyelik fonksiyonunun belirlenebilmesi için kesin yol ve yöntem bulunmamaktadır. Sistemde tanımlanacak en ideal üyelik fonksiyonu değer aralıkları, deneme yanılma yoluyla bulunmaktadır. Bu sebeple bu iĢlem uzun zaman alabilecektir.
Sistemin herhangi bir süreklilik analizi çıkarılamamaktadır. Ayrıca denetlenen sistemin önceden ne cevap vereceği bilinememektedir.
ġekil 3.4 Klasik ve bulanık küme örneği
ġekil 3.4‟de klasik ve bulanık küme örnekleri verilmiĢtir. Yatay eksen boy, dikey eksen ise üyelik derecesini göstererek bu derecenin 0-1 arasında belirtmektedir.
Klasik kümede “uzun” tanımı tek değerlerden sonraki tüm ifadeler için doğru kabul edilirken, bulanık kümede 0-1.9 metres arasındaki tüm değerleri 0-1 aralığı içinde
“uzun” özelliğine sahip olma durumları gösterilmiĢtir.
23 3.7 Bulanık Modelleme Adımları
3.7.1 GiriĢ ve çıkıĢ değerlerinin belirlenmesi
Ġlk adım, bulanık mantık tabanlı giriĢ ve çıkıĢ değiĢkenlerinin kontrolör tarafından tanımlanan ve/veya deneysel ölçümlerle belirlenmiĢ doğru veriler olarak tanımlanması olmuĢtur. Sistem giriĢ parametreleri; süreç boyunca değiĢebilen verilere bağlı olduklarından bulanık olarak kabul edilirler ve değiĢken olurlar. Aynı Ģekilde çıkıĢ parametreleri de her bir süreçte, kendi değer aralıklarına göre tanımlandığından bulanık kabul edilmektedirler.
3.7.2 BulanıklaĢtırma
Uygulanacak sistem için elde edilen istatistikî ve sayısal veriler, bir takım sözel ifadelere dönüĢtürülür. Kesinlikten uzak ve tanımlama için kolaylık sağlayacak olan bu sözel ifadelerin (örnek olarak sıcaklık için düĢük, orta, yüksek ifadeleri) giriĢ verisini ne oranda desteklediğini (sözel ifadeye 0-1 arasında verilen sahiplik dereceleri) gösteren üyeliklere dönüĢtürülme iĢlemidir.
3.7.2.1 Kuralların çıkarılması
Kuralların çıkarılması, alanında uzman olan kiĢilerin tecrübeleri ıĢığında sağlanan verilerin göstereceği muhtemel tepkilere göre IF-THEN gibi bağlaçlar ve üyelik fonksiyonlarında tanımlı ifadeler yardımıyla oluĢturulması olarak tanımlanabilir.
3.7.3 DurulaĢtırma
BulanıklaĢtırılan giriĢ değerleri çıkarılan tüm kurallara tabi tutulduktan sonra, her giriĢ için bulanık bir çıkarım değeri oluĢturulmaktadır. Bu bulanık değerlerin tekrar giriĢ değerleri gibi kesin değerler haline getirilmeleri olayına durulaĢtırma denir. Bisector,
24
Centroid, En düĢük, Orta ve En Yüksek Değerler üzerinden yönlenme gibi birkaç matematiksel yöntem yardımıyla sistem durulaĢtırılır. Böylece çıkıĢ verileri sağlanır.
3.7.3.1 DurulaĢtırma yöntemleri
Son yıllarda bulanıklaĢtırılmıĢ bilgilerin kesin sonuçlar haline dönüĢtürülme iĢlemi olan durulaĢtırma yapılırken birçok yöntem ortaya atılmıĢtır. Herhangi bir durulaĢtırma stratejisi seçebilmek için ise kesin bir sistematik yol yoktur. DurulaĢtırma yöntemlerinden en çok tercih edilenler aĢağıda maddeler halinde anlatılmaktadır.
3.7.3.1.1 Ağırlık merkezi yöntemi (Centroid)
Centroid yöntemi durulaĢtırma yöntemleri arasında en çok seçilen yöntemdir. Bu yöntemde problem, katı bir cisim gibi ele alınarak ağırlık merkezi üzerinden hesaplamalar yapılmaktadır. “Centroid” yöntemi aĢağıdaki Ģekilde açıklanabilir:
∑ ( )
∑ ( ) (3.5)
3.7.3.1.2 Alan açıortayı yöntemi (Bisector of Area)
Alan açıortayı yönteminde çıkıĢ alanını iki denk alana parçalayan noktanın belirlenmesidir.
BaĢlangıç değeri a, bitiĢ değeri b olan çıkıĢ üyelik fonksiyonları olsun. ÇıkıĢ üyelik fonksiyonunun baĢlangıç değeri a, bitiĢ değeri b olarak tanımlansın. a ile b arasında öyle bir zi değeri seçilmelidir ki [a,zi] arasındaki alan ile [zi,b] arasındaki alanlar birbirine denk olmalıdır.
= ∫ ( ) ∫ ( ) (3.6)
25
3.7.3.1.3 En büyük üyelik dereceli elemanların orta noktası (Mean of Maxima)
En büyük üyelik dereceli elemanların orta noktası yöntemi ise bu noktaların orta noktası bulunarak alınan yöntemdir. Eğer bir a noktasında ilk büyük üyelik derecesi ve bir b noktasında son büyük üyelik derecesi ile karĢılaĢtıysak durulaĢtırma çıktı sonucu Ģu Ģekilde olur;
(3.7)
3.7.3.1.4 En büyük dereceli elemanlardan küçük olanı yöntemi (Smallest of Maxima)
En büyük dereceli elemanlardan küçük olanı yönteminde ise, daha önce bulunan en küçük nokta referans alınır. Bu nokta a olarak alınırsa, durulaĢtırma çıktı sonucu;
Z*= a olur. (3.8)
3.7.3.1.5 En büyük dereceli elemanlardan büyük olanı yöntemi (Largest of Maxima)
En büyük dereceli elemanlardan büyük olan yönteminde ise daha önce bulunan en büyük nokta referans alınır. Bu nokta b olarak alınırsa durulaĢtırma çıktı sonucu;
Z* = b olur. (3.9)
3.7.3.1.6 Diğer durulaĢtırma yöntemleri
Bu yöntemler yapılan araĢtırmalarda genellikle çok kullanılmadığından bu baĢlık altında kısaca açıklanacaktır.
26
Ağırlıklı ortalama kuralı (weighted average): Ağırlıklı ortalama yöntemi yalnızca simetrik çıktısı olan üyelik fonksiyonlarında kullanılabilir. Bu yöntem üyelik fonksiyonlarının çıktısı ile bunu sağlayan maksimum üyelik değerine göre yapılır.
En büyük üyelik derecesi ilkesi kuralı (max membership principle): En büyük üyelik derecesi ilkesi yönteminin uygulanabilmesi için tepesi bulunan bulanık kümelerine ihtiyaç duyulmaktadır.
Toplamların merkezi kuralı (center of sums): Toplamların merkezi yönteminde iki ayrı bulanık kümenin cebirsel olarak toplamı alınmaktadır. Bu yöntemin bir dezavantajı örtüĢen tarafların iki kere toplanması olmuĢtur.
En büyük alanın merkezi kuralı (center of largest area): Bu yöntemde çıktı kümesi en az 2 dıĢ bükey bulanık kümeye sahip ise bu dıĢ bükey bulanık alt kümelerden en büyük alana sahip olanın ağırlık merkezi alınır.
3.8 Matlab- Simulink
Bu çalıĢmada; elde edilen veriler analiz edildikten sonra oluĢturulan üyelik fonksiyonları, MATLAB yazılımındaki fuzzy logic toolboxp ile oluĢturulup çalıĢma için veri setleri tanımı yapılmıĢtır. Bu yazılımla bulanık mantık kontrolü simule edilerek sistemin baĢarıya ulaĢıp ulaĢamayacağı çıktı aĢamasında elde edilecek verilerle belirlenmiĢtir.
“Matlab”, yoğun teknik hesaplar ve matematiksel problemlerin sistematik çözümü için geliĢtirilmiĢ bir yazılımdır. Adını “Matrix Laboratory” söz öbeğinden alan Matlab, matrisler (matrix) ve diziler (array) üzerinden çözümleme yapar. Genellikle mühendislik sistemlerin analizinde kullanılan Matlab; “sayısal iĢaret iĢleme, optimizasyon, sistem kimliklendirme, veri elde etme, veri tabanı, yapay sinir ağları, süzgeç tasarımı, bulanık mantık, dalgacıklar‟‟ gibi modülleri olan bir yazılımdır. Matlab esas itibariyle çok karmaĢık matematiksel modellerin çözümlenmesini sağlayan geliĢmiĢ bir hesap makinesi gibidir. Matlab ile oluĢturulan programlar ve geliĢtirmeler, Matlab‟ın kendi
27
yazılım dili kullanılarak oluĢturulur ve yine Matlab üzerinden çalıĢtırılır. Ayrıca yazılan programların DLL ve EXE olarak oluĢturulabilmesinin yanı sıra bu yazılım dili C/C++
kodlarına da çevrilebilir. Genel olarak Matlab ile aĢağıdaki geliĢtirmeler yapılabilir:
Veri analizleri
Algoritma oluĢturma ve geliĢtirme
Simülasyon verileri elde etme
Görüntü iĢleme
Simülasyon ve Modelleme
Uygulama ve program geliĢtirme
28 4. ARAġTIRMA ve BULGULAR
Bulanık mantık tabanlı kontrol sistemleri, karar verme sürecinin karmaĢık ve çok hassas olduğu durumlarda tıpkı insan gibi karar verebilen bir kontrol mekanizmasına ihtiyaç duyulduğunda kullanılabilecek sistemlerdir. Bu nedenle iklimlendirme sistemlerinde hava kalitesine etki eden parametreler her ne kadar termodinamik olarak kontrol edilebilecek parametreler olsa da hava kalitesi ve konfor için bu parametrelerin hassas bir dengede tutulması ancak kendi kendine karar verebilen bir kontrol sistemi ile mümkün olacaktır. Girdi ve çıktı parametrelerinin davranıĢları bir Ģekilde sisteme öğretilebilirse bu sistem, değiĢen parametrelerin ne Ģekilde reaksiyon vereceğini sezgisel Ģekilde doğru tahmin edebilir ve bu parametreleri böylelikle hatasız Ģekilde kontrol edebilir.
Ġklimlendirme konusunu da sistem yaklaĢımı ile çözümleyecek olursak sıcaklık, nem, partikül oranı, oksijen oranı, hava iletim ve sirkülasyon hızları gibi parametrelerin sisteme giriĢ ve çıkıĢları olacaktır.
Konfor ve sağlık adına hava kalitesinin yakalanması için bu parametrelerin iklimlendirilecek alanda vereceği tepki hareketlerinin sisteme öğretilmesi ile sistem otomatik hale gelecektir.
4.1 Problemin Ortaya Koyulması ve Tezin Hedefi
Problem, bir ofiste ilkel bir havalandırma sistemi ile hava sıcaklığı, nem ve hava hızının konfor koĢullarında tutulamaması sebebi ile optimum ortam çalıĢma koĢullarının sağlanamamasıdır. Tezin amacı, iklimlendirme düzeneğinde havadaki sıcaklık, nem ve hava akımı değerlerinin belirlenen seviyelerde tutulması ve baĢlangıç konumundan en kısa zamanda hedeflenen ideal ortam koĢullarına ulaĢabilmek olmuĢtur.
Ġnsanların vaktinin önemli bir bölümünün geçtiği ofis koĢullarında havanın, kabul görmüĢ standartlara göre termal konfor koĢullarında tutulabilmesi büyük önem
29
taĢımaktadır. Klasik algoritma ile yapılan iklimlendirme sistemlerinde ise beklenen termal konfor koĢullarının sağlanması pek de mümkün olmamaktadır. Bu yüzden bu tezde bulanık mantık ile sıcaklık, nem ve hava akım hızlarının kontrolünün benzetim modeli gerçekleĢtirilmiĢtir.
Havalandırma ortamlarındaki sıcaklık ve nem değerlerinin belirli bir aralıkta tutulması tezde çok önemli bir rol önem taĢımaktadır. Lineer mantık prensibi ile kontrol edilecek hacmin nem ve sıcaklık düzeyleri istenilen aralıkta olmadığı için, bu durum büyük sistem çıktılarının doğru olmasının önünde engel teĢkil etmektedir.
4.1.1 ÇalıĢma aĢamaları
AĢağıdaki adımlar takip edilerek iklimlendirme sisteminin bulanık mantık modeli oluĢturulmuĢtur.
• GiriĢ ve çıkıĢ değerlerinin tayin edilmesi
• Sistem üzerinde tanımlanmıĢ bulanık bölgenin ve üyelik fonksiyonlarının seçimi
• Temel bulanık kuralların geliĢtirilmesi
• GeliĢtirilen modelin çıktılarının, ölçümlerde bulunan gerçek değerlerle kıyaslanması ve tutarlılığının ölçülmesi
Burada bahsi geçen giriĢ ve çıkıĢ değerleri, iklimlendirme iĢlemine etki eden faktörler olarak belirlenecektir. Bulanık bölge ve üyelik fonksiyonları, mevcut veriler eĢliğinde en uygun Ģekilde seçilecektir. Temel bulanık kuralların geliĢtirilmesi hususunda parametrelerin hangi durumlarda hangi sonuçlar verebileceği belirlenerek bununla ilgili çeĢitli kombinasyonlarla kurallar oluĢturulacaktır. GeliĢtirilen modelin gerçek değerlerle karĢılaĢtırılması ve tutarlılığının ölçülmesinde ise bulanık mantık modelinin belirli giriĢ değerleri karĢısında oluĢturacağı çıkıĢ değerleri, gerçek verilerle kıyaslanarak bu iki veri grubundaki tutarlılık karĢılaĢtırılacaktır.
30
ġekil 4.1 ÇalıĢma aĢamaları
4.2 HVAC (Ġklimlendirme) Sistemi Elemanları ve Etki Eden Parametreler
Bu çalıĢmada, adaptif bulanık modelinin nasıl kurgulandığı ve kontrolünün nasıl yapıldığı konularında inceleme yapılmıĢtır. Normal Ģartlarda bir bulanık mantık modeli oluĢturmak için belirli bir uzmanlık seviyesi ve çok miktarda test iĢlemi gerekmektedir.
Normal bir havalandırma sistemi hava akımı, nem, sıcaklık, soğutucu gücü, temiz/kirli hava karıĢım damperi açıklığı, sıcak su gibi parametreler içerebilmektedir. Bu kadar çok değerin bir arada doğru kurallar içerisinde bulanık mantık modelinin tanımlanması tecrübe ve uzman bilgisi ile çok fazla sayıda test gerektirecektir. Bu sebeple tezde daha az parametreye sahip bir iklimlendirme sistemi kullanılması düĢünülmüĢtür. Bunun sonucunda daha az sayıda parametre ile çalıĢan bir bulanık mantık modeli oluĢturulmuĢtur. Tasarlanan modelde giriĢ değerleri olarak sıcaklık, nem ve hava akımı alınmıĢ, çıkıĢ değeri olarak ise fan hızı belirlenmiĢtir.
Ġklimlendirme kontrolünde bulanık mantığın kullanılabilmesi için birçok test iĢlemi gerçekleĢtirilmesi gerekmektedir. Bu, bulanık mantık modelinin iyi sezimleyen ve doğru karar verebilen bir sistem olması için gereklidir. Ġklimlendirme sisteminde de sıcaklık, nem ve hava hızı çıktılarına birçok parametre etki etmektedir. ÇalıĢma
31
süresinin sınırlı olması sebebiyle sistemi oluĢtururken tüm kurallar ve çalıĢmalar usulüne uygun Ģekilde gerçekleĢtirilmiĢ olmakla beraber sonuca ulaĢılabilmesi adına girdi ve çıktı parametrelerinde de basitleĢtirmeye gidilmiĢtir. Bu sayede az parametre ile sınırlı sürede iyi çalıĢan bir sistem elde edilebilmiĢtir.
Hava akımı: Hava akımı havanın bir ortamda yer değiĢtirme iĢlemine verilen isimdir.
Hava akımının insanlar üzerinde yarattığı etki ise akım hızına bağlı olarak sıcaklık, nem gibi faktörlerin vücutla temas süresine göre daha hızlı veya daha yavaĢ hissedilebilmesidir. Sistemde kullanılan hava akımı parametresi ise iklimlendirme fan hızının ayarlanacağı ortamda bulunan hava hızının değiĢmesi konusunda kullanılacak giriĢ parametresidir. Örnek ofis alanında, sıcaklık ve nem değiĢkenlerine etki edecek olan hava akımı olarak atanmıĢtır. Modelleme iĢlemlerinde hava akımı, deneysel ölçülmüĢ olan akademik çalıĢmalardan yararlanılarak belirlenmiĢtir.
Sıcaklık: Havalandırma sisteminin ideal fan hızı değerini belirleyebilmesi için kullanılacak ortam sıcaklık değerine karĢılık gelmektedir. Örnek ofis alanında, hava akımının farklı değerlerine karĢılık farklı sıcaklık değerleri oluĢmaktadır. Adaptif bulanık mantık modeli tasarımında, farklı hava akımı ve nem değerlerine karĢılık verdiği sıcaklık değerleri referans alınmıĢtır. Sonuçlar santigrat derece (0C) cinsindendir.
Nem: Bu değer havalandırma sistemi çalıĢması sırasında ortam nem durum bilgisi değeridir. Bulanık mantık modelinde farklı fan hızı değerlerine karĢılık gelen nem referans değerlerini içermektedir. Örnek ofis alanında hava akımının farklı değerlerine karĢılık farklı nem değerleri ortaya çıkmaktadır. Adaptif bulanık mantık modeli tasarımında farklı hava akımı ve sıcaklık değerlerine karĢılık iklimlendirme sistemi çıkıĢındaki nem oranları referans alınmıĢtır. Sonuçlar yüzde (%) cinsindendir.
Fan Hızı: Ġklimlendirme bulanık modelinde sıcaklık, nem ve hava akımı ortam değerlerine göre ortaya çıkacak sonuç parametresidir.
32
Modelleme iĢleminde giriĢ ve çıkıĢ parametreleri için deneysel olarak oluĢturulan verilerden yararlanılmıĢtır.
4.3 Ġklimlendirme Sürecinde Parametrelerinin Belirlenerek Modelin OluĢturulması Ve Kontrolü
Sistemin giriĢ parametrelerinde, sıcaklık değer aralığı “15-45” 0C, nem yüzdelik oran, hava akımı ise 0-1 metre/sn olarak alınmıĢtır. Tasarlanan bulanık mantığın geçerliliği ve doğruluk iĢlemleri, yapılan testler sonucunda elde edilen veriler ile incelenmiĢ sonuçlar ise grafik ve tablolarla gösterilmiĢtir. Bulanık mantık tasarımında kontrolü sağlayacak olan bir “Uzman Sistem” oluĢturmak için Matlab programı kullanılmıĢtır.
4.3.1 Bulanık sistem tasarımı
Sıcaklık ve nem sensörlerinden muhtelif zamanlarda yapılan çalıĢmalarda ölçülmüĢ veriler toplandıktan sonra ASHRAE standartlarına göre olması gereken değerler analiz edilerek bulanık sistem için üyelik fonksiyonları oluĢturulmuĢtur.
Belirlenen iklimlendirme ortamında alan içi ve dıĢı atmosfer sıcaklıkları, nem oranları, hava akım hızı gibi enstrümanların birbirleriyle etkileĢimli olarak değiĢebildiği anlaĢılmıĢtır. Belirli bir periyotta sistemlerin değiĢen davranıĢları ve parametrelerde meydana gelen değiĢimlerin birbirleriyle olan iliĢkilerinin anlaĢılabilmesi için istatiksel veriler ıĢığında araĢtırma yapılmıĢtır.
4.4 Bulanık Sistem Yapısının OluĢturulması
Model tasarımında öncelikli olarak hava sıcaklığı, nem ve hava hızı parametreleri alınarak üyelik fonksiyonları için değer aralıkları oluĢturulmuĢtur. Uzman sistem oluĢtururken makineye, iklimlendirme ortamının değiĢken parametre davranıĢlarını öğretebilmek için bu veriler ile doğru modelin oluĢturulması sağlanmıĢtır.
