Tez No	İndirme	Tez Künye	Durumu
97568		İklimlendirme deney tesisatının neuro-fuzzy yöntemiyle kontrolü / Neuro-fuzzy control of HVAC system Yazar:AHMET EMİN KUZUCUOĞLU Danışman: PROF.DR. BURHANETTİN CAN Yer Bilgisi: Marmara Üniversitesi / Fen Bilimleri Enstitüsü / Elektronik-Bilgisayar Eğitimi Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Bulanık denetim = Fuzzy control ; Bulanık mantık = Fuzzy logic ; Yapay sinir ağları = Artificial neural networks ; İklimlendirme = Air conditioning	Onaylandı Doktora Türkçe 2000 169 s.
Bu tez çalışmasında, M.Ü. Teknik Eğitim Fakültesi Elektronik-Bilgisayar Eğitimi Bölümü, Kontrol Eğitimi Ana Bilim Dalı Otomatik Kontrol Laboratuvan'nda bulunan, iklimlendirme odasının.sıcaklık, nem ve hava hızının belirlenen konfor şartlarında sabit tutulması için denetleyici geliştirilmiştir. Bu amaçla, oda içi hava hızı ve nemi için yapay sinir ağ (YSA) tabanlı denetleyici ve sıcaklık için bulanık mantık tabanlı denetleyiciden oluşan hibrid bir denetleyici tasarlanmıştır. Doğrusal olmayan ve matematik modelinin çıkarılması zor olan sistemlerin, tanınması ve modellenmesinde YSA'lan çok başarılı olmaktadır. Çalışmamızda aşın doğrusal olmayan bir yapı gösteren hava hızı ve nemlendirici sistemlerinin tanınması ve modellenmesi YSA ile gerçekleştirilmiştir. YSA modeli kullanılarak hava hızı ve nemlendirici için denetleyici oluşturulmuştur. Oda içerisinde olması istenen sıcaklık değerine göre belirlenen hava hızı konfor şartı değeri, YSA tabanlı bir denetleyici ile sabit tutulmuştur. Hava hızı kanalda ölçülmektedir. Kanal içindeki havayı homojen olarak dağıtarak türbülans azaltılmaya çalışılsa da, bir miktar kalmaktadır. Hava hızının YSA modelinin oluşturulması için kullanılan YSA'nın giriş katmanında 2, gizli katmanında 6 ve çıkış katmanında 1 hücre bulunmaktadır. Girişler, denetleme gerilimi ve hava hızının bir önceki örnekleme zamanı değerleridir. 2. girişin kullanılması ile sistemin dinamiği de YSA'na öğretilmiştir. Eğitim sonunda elde edilen bu modelin kullanılmasıyla off-line olarak hava hızı denetleyicisinin eğitimi yapılmıştır. YSA tabanlı denetleyicinin giriş katmanında 3, gizli katmanında 8 ve çıkış katmanında 1 hücre kullanılmıştır. Denetleyici girişleri sırasıyla, referans hava hızı değeri, sistem modeli çıkışı ve denetleyici çıkışının bir önceki örnekleme zamanındaki değerleridir. YSA tabanlı denetleyicinin eğitimine, gerçek zaman denetiminde on-line olarak devam edilmiştir. On-line eğitim esnasında geriye yayılma algoritmasının ağırlık yenileme terimlerine, hata ve hatanın değişiminin belli bir katsayı ile çarpılarak eklenmesi ile denetleyicinin hava hızındaki referans değerden, türbülans ve sıcaklık değişimi ile ortaya çıkan sapmalara çok hızlı cevap vermesi sağlanmıştır. YSA tabanlı denetimi, PID ile yapılmış olan denetimle karşılaştırdığımızda, yükselme ve yerleşme zamanlarının PID denetim sonucunun dörtte biri oranında olduğu görülmektedir. Bozuculara karşı daha dayanıklı bir yapı göstermektedir. Ayrıca aşım miktarını azaltmak için sistemin çalışma bölgesi 5 parçaya ayrılarak aktivasyon fonksiyonunun katsayısı her bölgede farklı değer seçilerek kullanılmıştır. Bu çok bölgeli yaklaşım ile sistemin, hızlı ve kabul edilen tolerans bandı içerisinde az bir aşımla referans değere gelmesi ve bu değerde sabit tutulması sağlanmıştır. Çalışmada kullanılan iklimlendirme odasının içine verilen hava, dış ortamdan alınıp, doğrudan içeri uygulanmaktadır. Çoğu iklimlendirme sistemlerinde ise, iklimlendirilecek ortama hava, bir şartlandıncıda, nem sıcak buharla, sıcaklık ise ısıtıcı ve soğutucu birimleri ile belli bir değere getirildikten sonra gönderilmektedir. Bizim sistemimizde doğrudan dış ortamdan alınan hava içeriye verildiği için, dış ortamın sıcaklığı ve nemi de önem kazanmaktadır. Sıcaklık için tasarlanan bulanık mantık tabanlı denetleyicinin giriş değişkenleri olarak, oda sıcaklığı, oda başlangıç sıcaklığı, oda sıcaklık değişim hızı, dış ortam sıcaklığı ve temiz hava miktarıdır. Ayrıca sıcaklığın dış nem değeri ve nemlendirme miktarına göre değişmesinden dolayı dış hava nemi ve oda nemi de giriş değişkeni olarak alınmıştır. Giriş değişkenlerinin üyelik fonksiyonları için üçüncü dereceden polinom kullanılmıştır. Kural tabanı yukarıda belirtilen değişkenler ile 74 adet kuraldan oluşturulmuştur. Kış deneylerinde ortaya çıkan ısıtıcı ataleti probleminin çözümü ve ayrıca dış ortam sıcaklığının çok küçük olduğu soğuk havalarda, oda sıcaklığını istenen değere daha hızlı bir şekilde getirmek için 750 Watt gücünde ikinci bir ısıtıcı eklenmiştir. Kış deneyleri, dış ortam sıcaklığı yaklaşık 7-8°C olduğu durumlarda gerçekleştirilmiştir. Bu kadar düşük sıcaklıklarda bile oda sıcaklığı istenen değere getirilerek sabit tutulmuştur. iklimlendirme sisteminin nemlendirici kısmı açılarak, nemlendirme suyunun serpantinlerden geri dönen miktarının kanalda kalmadan tahliye edilmesi sağlanmıştır. Nemlendirici için de hava hızında olduğu gibi, nemlendiricinin modellenmesi ve denetleyicinin tasannu gerçekleştirilmiştir. Sistemin çalışma bölgesinde konfor şartlan için denetimi, değişik dış sıcaklık, nem ve referans değerleri için başarıyla gerçekleştirilmiştir.
In this thesis, the controller has been designed to maintain at the comfort point the HVÂC (Heating, Ventilating, and Air Conditioning) system's temperature, relative humidity and the air speed at the Automatic Control Laboratory of the Control Education Mainfield, Electronics and Computer Education Department of the Technical Education Faculty of Marmara University. To this aim, the hybrid controller was designed. The air speed and the relative humidity of the room was controlled by the artificial neural network based controller. The temperature of the room was controlled by fuzzy logic based controller. Artificial Neural Networks (ANN) are very succesful to identify and to model of the highly nonlinear systems. In our study, the air speed and the humidty, which are highly nonlinear, were identified and modelled by using ANN. The ANN controller of air speed and humidity were formed by using these models. The air speed of the inside of the room was calculated by using the reference temperature. This value was stabilized by ANN based controller. Air speed was measured in the canal. In spite of making the air homogenized in the canal, some turbulance remains. ANN model of air speed has two neurons in the input layer, six neurons in the hidden layer, and one neuron in the output layer. The input neurons are the control voltage and the one previous sampling value of the air speed respectively. The system dynamic was teached to the ANN by using the second input. The ANN air speed controller was trained off-line by using this model. The ANN controller has three input neurons, eight hidden neurons, and one output neuron. The input neurons are reference air speed, one previous sampling values of the system model output and the controller output respectively. Training of the controller was continued in the real time controlling of the system. The error and the changing of error were used to change the weights of ANN by multiplying the coefficient. The controller's answer was very quick to changing the air speed due to the temperature changing and the turbulance by renewing of weights. The ANN based controller's rising and setting times are better than the PED based controller. The ANN controller is robust against disturbances. The working range of system was diveded into five zones. The coefficients of activation function were used different in every zone to reduce the overshoot. The system was controlled in the tolerance band by usig this multi zone approach. The fresh air were given directly inside the room without conditioning. In most of the air conditioning systems, air is prepeared by humidifying with hot steam and heating or cooling the fresh air. In our system, the temperature and the humidity of the fresh air are important because of sending fresh air to the room without conditioning. In fuzzy logic based temperature controller, the room temperature and humidity, the room temperature variation rate, the starting temperature of the room, the amount of fresh air and the temperature and the relative humidity of the environment have been selected as the input variables. The third order polynom was used in membership function of input variables. The rule based were formed by 74 rules. The second heater was used to overcome the heater inertia and also in the colder seasons. The room temperature was controlled quickly by using this 750 watt powered second heater. The winter experiments were done in 7-8°C ambient temperatures. In spite of these lower fresh air temperature, the controller made stabile the room temperature in comfort region. The humidifying part of the HVAC system was rebuild. The returning water of the humidifier was taken out of the system as quick as possible to reduce the affect of remaining water. The ANN model of the humidifier and the ANN controller of humidifier were formed to make stable the humidity in the comfort region. The HVAC system was controlled successfully for different comfort regions in different ambient temperature and humidity.