Geri Dön

Zaman alanı performans kriterlerine dayalı yapay zekâ destekli pıd denetleyici parametre ayarı

Ai-assisted pid controller parameter tuning based on time-domain performance criteria

PDF İndir

  1. Tez No: 994203
  2. Yazar: MUHAMMET ENSAR AÇIKMEŞE
  3. Danışmanlar: PROF. DR. İLHAN KOCAARSLAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Kontrol parametreleri, PID denetleme, Yapay sinir ağları, Yapay zeka, Control parameters, PID control, Artificial neural networks, Artificial intelligence
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Kontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

PID denetleyici, birçok farklı endüstrideki süreçlerin kontrolünde yaygın olarak kullanılan denetleyici türlerinden biridir. Görece basit yapısı ve uygulama kolaylığı ile geniş bir kullanım alanına sahiptir. PID denetleyici parametrelerinin uygun şekilde seçilmesi, kontrol edilen sistemin dinamik özelliklerine, çalışma koşullarına ve istenen performans kriterlerine bağlıdır. Bu konu, endüstride ve akademik literatürde oldukça önemli ve temel bir araştırma problemi olarak bilinmektedir. Klasik ayarlama yöntemleri (Ziegler–Nichols, Cohen–Coon vb.) çoğunlukla belirli varsayımlar altında ve belirli davranışa sahip sistemler için etkili sonuçlar vermektedir. Farklı performans hedefleri ve karmaşık sistem dinamikleri karşısında ise sınırlı başarı göstermektedir. Bu nedenle son yıllarda, PID parametrelerinin otomatik ve yapay zekâ temelli akıllı yöntemlerle belirlenmesi, kontrol mühendisliği alanında önemli ve yaygın bir araştırma konusuna dönüşmüştür. Bu tez çalışmasında, hedeflenen zaman alanı performans kriterlerine (yerleşme zamanı, maksimum aşım, kalıcı durum hatası) dayalı olarak yapay zekâ destekli bir PID denetleyici ayar yöntemi geliştirilmiştir. Önerilen yöntem, hedeflenen kapalı çevrim yanıtına karşılık gelecek PID parametrelerini Yapay Sinir Ağı (YSA) modeliyle tahmin etmektedir. Bu amaçla, öncelikle Genetik Algoritma (GA) kullanılarak sistemin çalışma koşulları içerisindeki farklı performans hedefleri için uygun PID parametrelerinden oluşan kapsamlı bir veri seti oluşturulmuştur. Veri seti oluşturma sürecinde simülasyonlar ile her bir performans hedefi için en uygun denetleyici parametreleri bulunmuş ve kaydedilmiştir. Böylece sistemin istenen performansta kararlı tepki vermesi amaçlanmıştır. Oluşturulan veri setindeki örneklerin dağılımı Çekirdek Yoğunluk Tahmini (KDE) yöntemiyle dengelenmiştir. YSA modelinin eğitim aşamasında farklı derinliğe sahip mimariler denenmiş ve en düşük hata değerine sahip mimari seçilmiştir. Ağın eğitimi Adam optimizasyon algoritmasıyla gerçekleştirilmiştir. Kayıp fonksiyonu olarak Kök Ortalama Kare Hata (RMSE) kullanılmıştır. Önerilen yöntemin uygulamalarında eğitim, doğrulama ve test veri setleri üzerinde yapılan analizler sonucunda, YSA modelinin PID parametrelerini yüksek doğrulukla tahmin ettiği görülmüştür. Tez çalışmasında önerilen yöntem, iki farklı deney düzeneği üzerinde test edilmiştir. Bu deney düzenekleri tez çalışmasında sıfırdan inşa edilmiştir. İlk sistem, DC motor hız kontrolü düzeneği olup, doğrusal karakteristiği ve görece basit yapısı nedeniyle yöntemin temel performansını test etmek için kullanılmıştır. İkinci sistem ise hava akımıyla top yükseklik kontrolü düzeneği olup, doğrusal olmayan dinamiklere sahip daha karmaşık bir yapıyı temsil etmektedir. Her iki sistemde de YSA modeli tarafından önerilen PID parametreleri, gerçek zamanlı referans izleme ve bozucu bastırma deneylerinde test edilmiştir. Ayrıca, bazı klasik ayar yöntemlerinden elde edilen denetleyici parametreleri ile YSA modelinden elde edilen parametreler karşılaştırılmıştır. Sonuçlar, önerilen yöntem ile elde edilen denetleyici parametrelerinin hedeflenen performans kriterlerini karşıladığını ve sistem yanıtını diğer yöntemlere göre daha etkin bir şekilde şekillendirebildiğini göstermiştir. Hem DC motor hız kontrolü deneylerinde hem de hava akımıyla top yükseklik kontrolü deneylerinde kararlılık sağlanmıştır. Ayrıca, yapılan bozucu bastırma deneyleri neticesinde sistemlerin beklenmedik giriş değişimlerine karşı da etkili bir dayanıklılık sağladığını gözlemlenmiştir. Bu çalışma ile PID denetleyici ayar problemine yapay zekâ destekli, pratik bir çözüm yaklaşımı getirilmiş, farklı sistem türleri için uygulanabilirliği incelenmiştir. Elde edilen bulgular istenen zaman alanı performans kriterlerine göre denetleyici ayar sistemlerinin geliştirilmesi için bir temel oluşturmaktadır. Bu tez kapsamındaki çalışmalar MATLAB/Simulink ortamında gerçekleştirilmiştir.

Özet (Çeviri)

PID controllers are among the most widely used controllers in industrial systems due to their simple structure, reliability, and wide variety of applications. The PID controller parameter selection depends directly on the dynamic characteristics of the system to be controlled, operating conditions, and desired performance. Parameter tuning has been a longstanding and widely studied problem in academia and industry. Classical tuning methods such as Ziegler–Nichols, Cohen–Coon tend to provide satisfactory results under certain assumptions or for systems with limited dynamic behaviors. However, these methods become insufficient when the desired specifications vary or when nonlinear dynamics are present. Over the past decade, intelligent and data-driven automatic PID parameter tuning has become an important research direction in control engineering, aiming to overcome the limitations of classical rule-based methods. In this thesis, a method for artificial intelligence-assisted PID controller tuning has been formulated based on target time-domain performance specifications such as settling time, maximum overshoot, and steady-state error. The proposed method determines PID parameters that produce the desired closed-loop response using an Artificial Neural Network (ANN). To train the network, a large dataset was generated using the Genetic Algorithm (GA). For each set of performance specifications, the GA optimized a fitness function that simultaneously minimized the differences between the actual and desired performance measures. In this manner, it was ensured that the resulting PID parameters produced the desired response characteristics. The resulting dataset, consisting of multiple combinations of performance specifications and the best controller parameters, was balanced using the Kernel Density Estimation (KDE) approach to reduce clustering in dense regions and improve the representativeness of samples across the parameter space. In the training phase, different ANN architectures with distinct depths and numbers of neurons were tested for both systems, and the architectures that achieved the smallest prediction errors were selected as the final models. All networks were trained using the Adam optimization algorithm, and the Root Mean Square Error (RMSE) was used as the loss function. The dataset was divided into training, validation, and testing subsets, and the convergence of the loss function indicated stable learning behavior. In both systems, the trained ANN models performed well in predicting the PID parameters accurately, as confirmed by regression analyses between the actual and predicted values. The described tuning technique was experimentally validated on two distinct real-time systems developed within the scope of this thesis. The first system is a DC motor speed control system, representing a linear dynamic behavior, and was used to validate the fundamental performance of the proposed method. The second system is a ball height control setup based on an airflow mechanism. Both systems were modeled, simulated, and implemented in MATLAB/Simulink, and the obtained PID parameters were applied via a real-time control platform. The experimental work was carried out to evaluate reference tracking and disturbance rejection performances for various target performance specifications. In the experiments for DC motor speed control, responses with ANN-assisted PID parameters were very close to the desired overshoot and settling time values with nearly zero steady-state error. For instance, in one experiment, when the settling time was selected to be 0.20 seconds and the target overshoot was zero, the system settled at 0.18 seconds with zero overshoot and no steady-state error, matching the design specifications. These were also compared against parameters obtained using other tuning methods (Ziegler–Nichols, Cohen–Coon, Internal Model Control). For the same performance, it was observed that the controller parameters obtained using ANN were comparable to those obtained using other methods. Disturbance rejection tests showed that the ANN-tuned controller returned the motor speed to the reference value in approximately 0.2 seconds, maintaining robustness against load disturbances. The results show that the proposed method achieves stable control performance under various working conditions. For the air levitated ball height control system, the proposed tuning method successfully learned the behavior of the system. The experiments verified that the ANN-tuned PID controller achieved the target settling times and levels of overshoot for different target heights. While classical PID tuning methods can produce unstable or oscillatory behavior from the nonlinear aerodynamic effects. The new method showed stable and precise control of levitated ball position. When subjected to disturbance conditions such as a rapid reduction in airflow, the controller was able to efficiently reject disturbances and restore the ball to its desired height. The rapid recovery and robustness demonstrated by these results confirm the effectiveness of the AI-assisted tuning system described in this thesis for handling systems with time-varying dynamics. For both test systems, correlation analyses between performance measures and controller gains revealed notable trends. Increasing Kp generally reduced the settling time and steady-state error, but increased the maximum overshoot; increasing Ki improved steady-state accuracy, but at the cost of longer settling times. These trends agree with classical control theory and demonstrate that the neural network learned not only mathematical relationships but also the control dynamics of the system through training. The consistency between the AI-predicted and traditionally obtained parameters also confirms the physical interpretability and reliability of the proposed model. All experimental results confirmed that the developed ANN-assisted PID tuning method achieves generalization performance for different systems and performance targets. Additionally, this method can directly generate controller parameters from desired performance specifications without iterative manual tuning. This feature has significant advantages in real industrial applications where model uncertainties and time-varying dynamics dominate. In general, this thesis offers a performance-based, AI-assisted solution to the PID tuning problem. By combining the global search capability of Genetic Algorithms with the nonlinear mapping ability of ANN, a flexible and automated controller design framework has been established. The proposed method was successfully tested under both linear and nonlinear experimental setups, proving its efficiency and flexibility. ANN-tuned PID controllers yielded stable, accurate, and fast responses that closely tracked the specified time-domain performance criteria. The results indicate that the new method not only gives classical tuning performance where it exists but also improves it to new multiobjective problems that cannot be solved optimally by conventional means. The findings of this study are expected to form a foundation for future research on intelligent and adaptive control systems for online tuning of controller parameters according to real-time performance feedback. Future studies can broaden this strategy using reinforcement learning or neural–predictive hybrid control architectures to enable fully automatic controller adaptation in dynamic operating conditions.

Benzer Tezler

  1. Tez No

    1017609

    Deprem zarar görebilirliği odaklı parametrelerin konut değerine etkilerinin yapay zekâ destekli modeller ile analizi: İstanbul ili Anadolu yakası örneği

    Impact of earthquake vulnerability-oriented parameters on housing values using ai-based models: the case of the Anatolian side of İstanbul province

    MUHAMMED ALİ TURAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    İnşaat MühendisliğiYıldız Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. HANDE ALADAĞ

    DOÇ. DR. GÖKHAN DEMİRDÖĞEN

  2. Tez No

    1009661

    Sürdürülebilir satınalma ve yeşil lojistiğin sürdürülebilir tedarik zincirine katkıları; Panel veri analizi

    The contributions of sustainable procurement and green logistics to the sustainable supply chain; Panel data analysis

    ÇAĞLAR YAMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    İşletmeAydın Adnan Menderes Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. HÜSEYİN ŞENKAYAS

  3. Tez No

    975740

    Deep learning classification of column scraping photographs used in structural health assessment within the scope of transformation of areas under disaster risk plan

    Afet risk altındaki alanların dönüşümü planı kapsamında yapısal sağlık değerlendirmesinde kullanılan kolon kazıma fotoğraflarının derin öğrenme ile sınıflandırılması

    CAN DEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    İnşaat MühendisliğiÇankaya Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEDA SELÇUK

  4. Tez No

    959086

    Mitigating broadcast storm problem and enhancing dissemination in swarm UAV communication

    Sürü İHA haberleşmesinde yayın fırtınası probleminin azaltılması ve yayılımın geliştirilmesi

    MERVENUR KILIÇARSLAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Savunma ve Savunma Teknolojileriİstanbul Teknik Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ RAMAZAN YENİÇERİ

  5. Tez No

    1019841

    A large language model (LLM)-based framework for bid/no-bid decision support in construction public procurement: Validated on romanian tenders

    İnşaat kamu ihalelerinde teklif verme / vermeme karar desteği için büyük dil modeli (LLM) tabanlı bir çerçeve: Romanya ihaleleri üzerinde doğrulama

    ELİF GÜLİN PETEK

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ONUR BEHZAT TOKDEMİR

Geri Dön