Tez No	İndirme	Tez Künye	Durumu
126601	Bu tezin, veri tabanı üzerinden yayınlanma izni bulunmamaktadır. Yayınlanma izni olmayan tezlerin basılı kopyalarına Üniversite kütüphaneniz aracılığıyla (TÜBESS üzerinden) erişebilirsiniz.	Bulanık genetik proses kontrolü / Abstract fuzzy genetic process control Yazar:VEDAT TOPUZ Danışman: PROF. DR. BURHANETTİN CAN Yer Bilgisi: Marmara Üniversitesi / Fen Bilimleri Enstitüsü / Elektronik ve Bilgisayar Eğitimi Ana Bilim Dalı / Bilgisayar Kontrol Eğitimi Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Bulanık denetim = Fuzzy control ; Genetik algoritmalar = Genetic algorithms ; Süreç kontrol = Process control	Onaylandı Doktora Türkçe 2002 177 s.
ÖZET BULANIK GENETİK PROSES KONTROLÜ Yapılan bu çalışmada, bir bulanık genetik proses kontrolü gerçekleştirildi. Burada proses olarak, Marmara Üniversitesi Teknik Eğitim Fakültesi, Elektronik Bilgisayar Eğitimi Bölümü. Kontrol laboratuarında kullanılan GUNT RT 512 Proses Seviye Eğitimi ve RT 522 Proses Akış Eğitimi setleri kaskad bağlanarak elde edilen sistem kullanıldı. Bu prosesi oluşturan temel elemanların (Seviye tankı, Pnomatik Vana, Seviye Transmitteri, Manyetik Akışmetre) giriş-çıkış davranışları deneysel olarak bulundu ve sistemin yaklaşık bir matematik modeli çıkarıldı. Çevrim dışı modelde çalışan bir genetik bulanık kontrolör gerçekleştirildi. Burada kullanılan kontrolör için, Sugeno tipinde bir bulanık kontrolör tasarlandı. Bu bulanık kontrolörde hata ve hatanın değişimi için ll'er adet üyelik fonksiyonu ve 121 adet aksiyon ağırlık değerinden oluşan bir bilgi tabanı oluşturuldu. Hata ve hatanın değişimi için üçgen şeklinde üyelik fonksiyonları seçildi ve bu üyelik fonksiyonlarının başlangıç değerleri ve değişim aralıkları belirlendi. Aksiyon ağırlık değerinin değişim aralığının kullanıcı tarafından değiştirilebilmesine olanak tanındı. Aksiyon ağırlıklarının oluşturulması için genetik yönteme ilave olarak 2 farklı sezgisel yöntem geliştirildi. Oluşturulacak kontrol işareti için Bulanık PD veya Bulanık PI şeklinde, kullanıcının seçebileceği bir alternatif oluşturuldu. Oluşturulan bu bulanık kontrolör bilgi tabanı, Pittsburg öğrenme yaklaşımına uygun olarak oluşturulan bir kromozom içinde, ikili olarak kodlandı. Gerçekleştirilen genetik algoritma SGA (temel genetik algoritma ) yapısına uygun olarak geliştirildi. Bu SGA yapısına ilave olarak, stokastik universal örnekleme ve turnuva seçim yöntemi, generasyon aralığı üreme yöntemi, dinamik çaprazlama ve mutasyon olasılığı ve elistik model gibi genetik algoritma operatörleri oluşturuldu. vıGenetik algortimanın performansını, artırmak için yeni bir elistik model geliştirildi ve bu elistik modelin performansı incelendi. Kullanıcının değerlerini tanımlayabileceği, sisteme ait, 3 farklı performans kriterine (% kalıcı hal hatası, % aşım miktarı, yükselme zamanı) göre bir uygunluk fonksiyonu gerçekleştirildi. Bu 3 farklı performans kriterine göre, kullanıcının 5 farklı değerde sürelerini ve seviyelerini tanımlayabileceği toplam bir uygunluk fonksiyonu gerçekleştirildi. Böylece elde edilen bulanık kontrolör bilgi tabanının, sistemi istenilen bütün seviyelerde ve istenilen performans kriterlerinde uygun kontrol etmesini sağlayan yapı gerçekleştirildi. Uygunluk değeri orantılı seçim yöntemlerinde, uygun birey üzerindeki seçim baskısını arttırmak için, karesel ölçekleme fonksiyonu kullanıldı. Çevrim dışı çalışma modelinde, genetik algoritma parametrelerinin (popülasyon büyüklüğü, çaprazlama olasılığı, mutasyon olasılığı, generasyon aralığı) optimal değerleri belirlenen performans kriterlerine göre (en iyi bireyin uygunluk değeri, en iyi bireylerin generasyonlar sonucundaki ortalama uygunluk değeri) bulundu. Bulunan bulanık kontrolör bilgi tabanını, gerçek zamanda çalışan prosesimizde test temek için, genetik bulanık kontrolörde kullanılan Sugeno tipindeki bulanık kontrolör ile aynı özelliğe sahip bir kontrolör tasarlandı. Bu kontrolörde kullanılan, ADC/DAC (Advantec PCL 812) kartı için assembly dilinde yazılmış, gerçek zamanda çalışan bir sürücü yazıldı. Genetik bulanık kontrolör tarafından bulunan ve en uygun değere sahip kromozomun oluşturduğu bulanık bilgi tabanının, bulanık kontrolöre otomatik yüklenmesini sağlayan bir yapı oluşturuldu. Gerçek zamanda çalışan prosesimiz üzerinde yapılan deneylerde, istenilen performans kriterlerinin sağlandığı görüldü. Böylece yöntemin bir proses kontrolünde kullanılabileceği gösterildi. Geliştirilen sistemin eğitim amaçlı kullanılması için, görsel bir arayüzü olan, genetik algoritma, bulanık kontrolör ve sisteme ait parametrelerin kullanıcı tarafından değiştirilebilmesine izin verilen bir yapı oluşturuldu. Ayrıca, bulunan vıı DOKÜMANTASYON MIIKEZfsonuçların uygun dosyalar üzerinde saklanması sağlandı. Bununla birlikte sistemin Marmara Üniversitesi Teknik Eğitim Fakültesi Elektronik Bilgisayar Eğitimi Bölümünde kullanılmasına ilişkin bir müfredat çalışması yapıldı. îlave olarak, genetik algoritma parametrelerinin değişiminin, genetik algoritma performansına olan etkisini görmek için, tek değişkenli bir lineer denklem sisteminin maksimum değerini genetik algoritma ile bulan yazılım geliştirildi. Temmuz 2002 Vedat Topuz vnı
ABSTRACT FUZZY GENETIC PROCESS CONTROL In this study, a fuzzy genetic process control is achieved. In this process, connecting cascad GUNT RT 512 process level tranier with RT 522 process fluid tranier sets are used in the Marmara University, Technical Education Faculty, Electronic-Computer Education Department control labs. Input-Output behaviors of principle elements (Level Tank, Phenomatic Valfe, Level Transmitter, Magnetic Flowmeter) are found by experimently and aproximately mathematical model is developed. Fuzzy genetic controller is realized on off-line mode. To control this mechanism, SUGENO type Fuzzy Controller is designed.For this controller's each of error and rate of error 11 membership functions and 121 action weight values are realized for fuzzy database. For error and rate of error initial and boundry values of triangle membership functions are determined.lt is enabled to user to change interval of action weight value.For constitute control sign, alternatively, Fuzzy PD or Fuzzy PI is realized to select by user. Realized this fuzzy controller database is coded binary in a chromosome to appropriate Pittsburg learning approximate. Realized genetic algorithm is developed to corespond with SGA(Basic Genetic Algorithm). In addition to this SGA structure, genetic algorithm operators like stocastic universal sampling and tournament selection method, generation interval reproduction method, dynamic crossover and mutation probability, elistic model and advance elistic model are realized. IXAccording to three different performance criteria (% steady state error, % abrasion error, ascend time ) which can definable by user, a fitness function is realized. According to three different performance criters, user can define a total fitness function which include each of time and each of level to five different value. Thus, available fuzzy control database structure is obtained to control all desirable level and all desirable performance criters in system. To increase performance of Genetic Algorithm, extra Genetic operators are developed and theirs optimal values are found.Feasible Fuzzy Controller parameters are found in off-line working model experiments.In off-line work mode, optimal values of genetic algorithm parameters ( population size, crossover probability, mutation probability, generation interval ) is found according to the determined performance criters ( fitness value of the fittest individual, mean fitness value of the fittest individuals in end of the generations ). A controller which has the same features with SUGENO type is designed to try obtained fuzzy control database in our process which can work in real time.A driver which can work in real time is written by assembler programming language for Advanced PCL812 ADC/DAC card which used in controller.Fuzzy control database which founded by Genetic fuzzy controller and created by a chromosom which has the fittest value is obtained to load fuzzy controller automatically. Realized experiments on our process which work in real time, it is shown that desirable performance criteria is obtained as satisfying.Thus, is shown that this method can use in process control. For using improved system by purpose of education, a structure which allow chancing parameters which belong to Fuzzy controller, Genetic Algorithm and system is created.Furthermore,obtained results are saved in appropriate files. However, a schedule study which related with using Marmara University Technical Education Faculty Electronic-Computer Education Department is done.In addition, a software which found of maximum to one variable linear equation system by Genetic Algorithm is developed to see to influence of Genetic Algorithm parameter change to Genetic Algorithm performance. July, 2002 Vedat Topuz XI