Tez No	İndirme	Tez Künye	Durumu
100660	Bu tezin, veri tabanı üzerinden yayınlanma izni bulunmamaktadır. Yayınlanma izni olmayan tezlerin basılı kopyalarına Üniversite kütüphaneniz aracılığıyla (TÜBESS üzerinden) erişebilirsiniz.	Genelleştirilmiş öngörülü kontrol algoritmaları / Generalized predictive control algorithms Yazar:TANER ARSAN Danışman: PROF.DR. ATİLLA BİR Yer Bilgisi: İstanbul Teknik Üniversitesi / Fen Bilimleri Enstitüsü Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Denetim algoritmaları = Control algorithms	Onaylandı Doktora Türkçe 1999 92 s.
GENELLEŞTİRİLMİŞ ÖNGÖRÜLÜ KONTROL ALGORİTMALARI ÖZET Âström'ün Minimum Varyans Kontrolü kavramına dayanan Genelleştirilmiş Minimum Varyans Kontrolü Algoritması ilkin Clarke ve Gawthrop tarafından ayrık zamanda geliştirilmiştir. Genelleştirilmiş Minimum Varyans (GMV) Kontrolü' ndaki model mertebesinin sistemin bağıl mertebesine eşit seçilmesi ve sistemin kararlı ters dinamiğe sahip olması gerekliliği gibi kısıtlamalar araştırmacıları bu algoritmayı geliştirmeye zorlamıştır. Doğrusal Olmayan GMV Kontrolü Algoritması' m öngörülü hale getirmek için iki yöntem önerilebilir. Birinci yöntem, zaman ufkunu genişletmektir. Bu bizi doğrudan doğruya Genelleştirilmiş Öngörülü Minimum Varyans Kontrolü' m,, dolayısıyla Genelleştirilmiş Öngörülü Kontrol' a. götürür. Genelleştirilmiş Öngörülü Kontrol, Modele Dayanan Öngörülü Kontrol adı altında bilinen yöntemlerden birisidir. Bu yöntemde, sistem çıkışı belirli bir gelecek zaman aralığında öngörülür. Bir sistem modeli göz önünde bulundurulur ve gelecekteki istenen model sistem çıktısının bilindiği varsayımı ile, bilinen bu çıktıyla öngörülen gelecek sistem çıktısı arasındaki hatayı minimum yapacak bir sürekli zaman amaç ölçütü çerçevesinde, bir kontrol işareti dizisi oluşturulur ve bu dizinin ilk elemanı kontrol işareti olarak sisteme uygulanır. Yöntem, Taylor serisi açılımıyla öngörü işlemine, Kayan Ufuk Yöntemi olarak bilinen kontrol işaretini belirleme yöntemlerine ve çıktı işaretinin türevlerine ihtiyaç duymaktadır. İşte bu noktada gerçeklenemeyen dinamik sistemlere gerçeklenebilir yaklaşıklıklar getiren öykünücü (emulator) kavramından yararlanılır. Sistem çıktısının türevi yaklaşık türev öykünücüsü ile gerçeklenebilir. Durum kestirimi ve türev öykünücüsü genelde birlikte değerlendirilir. İkinci yöntemde, istenen sistem modelinin mertebesi arttırılabilir (deg (P) >p). Bu seçim GMV kontrolunda mevcut olan algoritmanın "kararlı ters dinamiğe uygulanması" şartım da ortadan kaldırmaktadır. Bu tez çalışmasında ilk olarak GMV kontrolü, Genelleştirilmiş Öngörülü KontroPa. farklı bir yöntemle genişletilerek, kararlı olmayan ters dinamiğe sahip sistemlere de uygulanabilmesini sağlamak üzere çalışmalar yapılmıştır. Bu çalışmalarda, GMV Kontrolü algoritmasıyla Geribesleme ile Tam Doğrusallaştırma adıyla anılan ve Geometrik Kontrol TeorisVnde matematik ağırlıklı olarak incelenen algoritmanın aynı temele dayandığı, sadece matematiksel gösterilimlerinde farklılıklar olduğu kanıtlanmıştır. Genelleştirilmiş Öngörülü Kontrol, GMV kontrolunda mevcut olan bütün kısıtlamaları ortadan kaldırmakla birlikte dayanıklı çözümler vermektedir. Esasen dayanıklılık benimsenen eniyileme (optimizasyon) kontrol kuralı tasarım yönteminin bir sonucu olarak ortaya çıkmaktadır. Dolayısıyla dayanıklılık için gerekli kriterler xıvtasarım yöntemi içinde sağlatılabilir. Bu yöntemde, eniyileme (optimizasyon) can alıcı bir noktadır. Genel olarak, kontrol işareti çevrimdışı (off-line) veya çevrimiçi (on-line) eniyilenerek edilerek elde edilir. Çevrimdışı yaklaşım, kısıtlamaların ve sistem parametrelerinin zamanla değişmediği durumlarda uygulanır ve kontrol işareti oldukça hızlı hesaplanır. Ancak cebirsel ifadeler sadece kısıtlanmayan doğrusal sistemler için türetilebilir. Sayısal ifadelerin elde edilmesinde çok boyutlu aradeğerleme (enterpolasyon) gerektiğinden, çok fazla işlem alanına (ya da bilgisayar belleğine) gerek duyulur. Çevrimiçi yaklaşım ise, sisteme bağlı olarak özyinelemeli (rekürsif) ya da özyinelemeli olmayan biçimde gerçeklenebilir. Bu yaklaşım, parametreleri zamanla değişen sistemlere uygulanabilir, ancak bu durumda çevrimiçi hesaplama süresi oldukça uzar. Uzun hesaplama süresini azaltma isteği birçok kişi tarafından bilimsel araştırılmıştır. Bu çalışmalar iki noktada yoğunlaşmıştır. Birinci yaklaşımda farklı eniyileme (optimizasyon) algoritmaları kullanılarak eniyileme işlemi hızlandırılmaya çalışılır, diğer yaklaşımda ise Çoklu Doğrusal Modele Dayanan Öngörülü Kontrolör ya da Ardışıl Sistem Doğrusallaştırma (ASD) Kuramı sisteme uygulanarak doğrusal olmayan amaç ölçütünün enazalulması problemi doğrusal bir soruna indirgenir. Bu tez çalışmasında, Genelleştirilmiş Öngörülü Kontrol Algoritmasında kontrol işaretini elde etme süresini azaltma amacıyla yeni bir yaklaşım önerilmiştir. Bu yaklaşım, Açık Çevrim Kesintili Geribeslemeli Eniyilemeli Kontrol (AÇKGEK) olarak adlandırılan yöntemin Doğrusal Olmayan Genelleştirilmiş Öngörülü Kontrol Algoritmasına, uygulanmasıdır. Bu şekilde oluşturulmuş kontrol kuramı ise Kesintili Geribeslemeli Doğrusal Olmayan Genelleştirilmiş Öngörülü Kontrol (KG-DOGÖK) olarak isimlendirilir. Kesintili Yaklaşım, kontrol işaretinin eniyilenmesi sırasında, hesaplama zamanının önceden belirlenememesi yüzünden oluşabilecek zamanlama problemlerini ortadan kaldırır. Bir başka deyişle, Kayan Ufuk Yöntemi sürekli olarak kullanılmadığı için eniyileme zamanı kısıtlaması ortadan kalkar. Bu yüzden, KG-DOGÖK Algoritmasında kontrol işaretini elde etme süresi DOGÖK Algoritmasına göre daha kısadır. XV
GENERALIZED PREDICTIVE CONTROL ALGORITHMS SUMMARY Generalized Predictive Control based on the Minimum Variance Control of Âström was derived in discrete-time form by Clarke and Gawthrop. The restrictions in Generalised Minimum Variance (GMV) Control forced the researchers to improve the algorithm. Given the special conditions, there are two ways to extend GMV to Generalised Predictive Control. The first approach is to increase the time horizon. This leads to Generalized Predictive Minimum Variance Control and consequently Generalized Predictive Control. Generalized Predictive Control is one of a wider set of methods called Model-based Predictive Control. In this approach, the system output is predicted over a range of future times using Taylor series expansion. This is achieved by determining a control signal string which niinimizes a continuous performance index depending upon the error between the predicted output and predicted model system output, and the first element of this string is applied to the system as the control signal. GPC Algorithm includes prediction via Taylor series, moving-horizon control and derivatives of system outputs. At this point, emulators which are dynamic systems giving realisable approximations to unrealisable dynamic systems are to be used. One such unrealisable dynamic system is the multiple derivative operator and derivatives of the system output can be emulated by using derivative emulator. State estimates and emulator of system output derivatives are taken into consideration simultaneously. The second approach is to increase the degree of system model (deg (P) >p ). This approach removes the disadvantage that the system must have stable inverse dynamics (zero dynamics). In this study, GMV performance is improved to GPC so that it can be applied to the system which has unstable inverse dynamics. Moreover, it has been proven that GMV Algorithm and Exact Linearization via Feedback of Geometric Control Theory has been based on the same mentality, but has some differences in mathematical representation. Generalized Predictive Control (GPC) is robust and it removes all the restrictions which GMV Control has. In this approach, the optimization is at the heart of Predictive Control. In general, the optimization procedure can be performed either off-line or on-line in order to generate the control signal. The first approach can only be used when the system and constraint parameters do not vary with time and it has the advantage that the corresponding on line computation is fast. However, the closed algebraic form is only available for certain special cases including linear systems with no constraints; the corresponding xvinumerical form may involve high-dimensional interpolation and may be costly in computer memory. The second approach can be used in a non-recursive or recursive form (analogous to system identification). This approach has the advantage of handling time varying systems and constraints, but has the disadvantage of increasing on-line computational requirements. The computational burden involved in the optimization has been addressed in numerous articles and yielded two alternatives. On one hand, different optimization algorithms have been proposed to enable faster optimization. On the other hand, some authors suggest the use of Multiple-linear Model Based Predictive Control or Successive System Linearizations to reduce the non-linear performance index minimization problem to a linear one. In this study, a new strategy has been introduced as a way forward to enhance fast control actions in Continuous-time Generalized Predictive Control (CGPC). This approach is the application of Open-loop Intermittent Feedback Optimal (OLIFO) Control to Non-linear Generalized Predictive Control. We shall refer to this general approach as Intermittent Continuous-time Generalized Predictive Control (ICGPC). The fact that the time to complete an optimization is not predetermined could cause timing problems. In contrast, the Intermittent Approach has the advantage of removing this computation-time inflexibility. This ICGPC Algorithm enables fast control actions as the minimization of performance index is done in parallel with the open-loop control. Therefore the control action in ICGPC is faster than the control action in CGPC. xvn