Uzun kısa süreli bellek tabanlı sistem tanıma ve uyarlamalı kontrol

Abstract

Son yıllarda derin öğrenme algoritmalarının popülerliği hızla artmıştır. Derin öğrenme sayesinde farklı alanlardaki pek çok karmaşık problem çözülebilmiş bu sayede de derin öğrenme, mühendislik ve tıp gibi çok önemli alanlarda kendisine yer bulabilmiştir. Ayrıca işlemci teknolojilerinin gelişmesi ile işlem süreleri azalmaya başlamış ve derin öğrenme algoritmalarının gerçek sistemlerde uygulanabilirlikleri artmıştır. Derin öğrenme algoritmalarının bu denli hızlı gelişmesi sayesinde kontrol alanında da daha güçlü, çevresel faktörlere daha duyarlı ve hızlı cevap veren kontrolörler geliştirilebilmektedir. Geliştirilen kontrolörlerin bir sistemi kontrol edebilmesi için sistemi tanımlayan bir matematiksel model gerekmektedir. Bu matematiksel modeli kullanarak sistemler için uygun kontrolörler tasarlanabilir. Bir sistemin matematiksel modelini elde etmek her zaman kolay bir iş değildir. Bazı durumlarda matematiksel model sistemi tanımlamakta yetersiz kalabilir. Bu tip durumlarda sistemin giriş-çıkış verilerini kullanılarak sistem tanımlama gerçekleştirilir ve sistem için uygun bir matematiksel model, gerçek sistemden elde edilen giriş-çıkış verileri kullanılarak oluşturulur. Çalışmanın ilk bölümlerinde UKSB yani Uzun Kısa Süreli Bellek mekanizması ve sistem verileri kullanılarak bir sistem tanımlama gerçekleştirilmiştir. Bu aşamada sistem tanımlama için iki adet örnek sistem belirlenmiş ve testler bu sistemler üzerinde gerçekleştirilmiştir. Sistem tanımlamanın hemen ardından çalışmanın ikinci kısmında, yine UKSB tabanlı bir kendinden parametre ayarlı kontolör kullanılarak referans bir işaretin takibi sağlanmıştır. UKSB tabanlı kendinden parametre ayarlı kontrolör için UKSB ileri ve geri fazı, matematiksel olarak yeniden düzenlenmiştir. İkinci kısımda tasarlanan UKSB tabanlı kontrolör, örnek sistemlerin hem matematiksel modelleri hem de UKSB tabanlı sistem tanımlama modelleri üzerinde denenmiştir. Çalışmada sistem tanımlama ve kontrolör uygulamaları için Uzun Kısa Süreli Bellek (UKSB) kullanılmasının en büyük nedenlerinden biri geçmişe dönük sistem verilerini kullanarak sistemi diğer makine öğrenmesi algoritmalarına göre daha iyi modelleyebilmesidir. Bu sayede kontrol için kullanılacak uyarlamalı modelin gerçek modele daha benzer davranışlar sergilemesi ve sistem çıktılarının referans işareti daha yakından ve daha hızlı yerleşme zamanlarında takip edebilmesi sağlanır. Genel olarak çalışmanın ilk kısımlarında UKSB tabanlı sistem tanımlama ile örnek sistemlerin verilerinden matematiksel model elde edilmiş ardından da UKSB tabanlı bir uyarlamalı kontrol algoritması için derin öğrenme içerikli yeni bir yöntem sunulmuştur. Geliştirilen bu yöntem örnek sistemler üzerinde denenmiştir. Çalışma kapsamında sistem tanımlama, Uzun Kısa Süreli Bellek ve uyarlamalı kontrolör konuları hakkında da genel bilgiler verilmiştir. Çalışmanın sonuç kısmında ise elde edilen çıktılar klasik yapay sinir hücreleri ile oluşturulmuş bir uyarlamalı kontrolör çıktıları ile karşılaştırılmış ve birbirlerine göre üstünlükleri ve eksiklikleri tartışılmıştır.In recent years, popularity of deep learning has increased rapidly. Thanks to deep learning, many problems can be solved in diverse areas like engineering and medicine. Also with the rapid improvement of processor technology, computation times began to decrease and in this way deep learning algorithm are became feasible. With deep learning technology, it has become possible to implement control applications with better performance and with more sensitivity to changes. In order to develop a controller, the mathematical model of the system to be controlled is needed. Finding a mathematical model of a system is not always an easy task. In some cases, defining the mathematical model system may be inadequate. In such cases, system identification is performed using the input-output data of the system and a mathematical model for the system could be created by using input-output data that is obtained from the real system. In the first parts of the study, system identification was performed using the input-output data from the system and LSTM i.e. Long Short Term Memory mechanism. At this part, two test systems were chosen for system identification and tests were applied on these systems. In the second part of the study after the system identification phase, a reference signal tracking is provided by using a LSTM based self-tuning regulator controller. LSTM forward and backward phases are mathematically derived for the LSTM based self-tuning regulator controller. The LSTM based self-tuning regulator controller designed in the second part has been tested on the mathematical models of the test systems and LSTM based system identification models. The most important reason for using Long Short-Term Memory in the system identification and self-tuning regulator is that the Long Short-Term Memory can use historical data so in this way the system can be successfully modeled. Thus, the adaptive model to be used for control behaves similar to the real model and it is aimed that the control outputs can follow the reference signal more closely and at faster settling times. Generally, in the first parts of the study, a mathematical model was predicted from the input-output data of test systems with the definition of Long Short Term Memory based system and secondly a new method with deep learning content is presented for a Long Short Term Memory based adaptive control algorithm. This new control method has been tested on test systems. The study also includes general information about system identification, Long Short Term Memory and adaptive controller topics. In the conclusion part of the study, the obtained outputs were compared with an adaptive controller output created by classical artificial neural cells and pros and cons are discussed.