Destek Vektörü Makineleri Tabanlı Hata Bulma, Tanıma Ve Hata Toleranslı Kontrol Yöntemleri

Abstract

Bu tezde, çeşitli süreçler için destek vektörü makineleri tabanlı üç ayrı akıllı hata bulma, tanıma ve hata toleranslı kontrol yaklaşımı sunulmuştur. İlk yöntem bir hata bulma ve tanıma yaklaşımıdır. Destek vektörü bağlanımı hata bulma işleminde, destek vektörü sınıflandırması ise hata tanıma işleminde kullanılmıştır. Bir çıkış işareti, oluşturulan güvenli bölgenin destek vektörü bağlanım makineleri ile modellenen alt veya üst sınırını aşarsa bir hata tespit edilir. Destek vektörü ile çoklu sınıflandırma yöntemlerinden biri olan bire-karşı-diğerleri, sistemde tespit edilen hatayı sınıflandırır. İkinci yöntem, yeniden yapılandırma mekanizması ‘çevrim-içi kontrolör seçen’ türde olan bir aktif hata toleranslı kontrol yöntemidir. Destek vektörü ile çoklu sınıflandırma yöntemlerinden biri olan bire-karşı-diğerleri, hatayı sınıflandırır. Hata tespit edildiğinde sistemin kapalı çevrim başarımının devamını sağlamak için uygun olan kontrolör çevrim-içi seçilir. Eğitim aşamasında kullanılan PID kontrolörlerinin parametreleri genetik algoritmayla çevrim-dışı belirlenmiştir. Üçüncü yöntem, yeniden yapılandırma mekanizması ‘çevrim-içi kontrolör hesaplayan’ türde olan bir aktif hata toleranslı kontrol yöntemidir. Sunulan bu yöntemde yeniden yapılandırma ve hata tanıma birimleri birbirlerinden bağımsız çalışırlar. Üç tane destek vektörü bağlanım makinesi sistemden gelen veriyi eşzamanlı değerlendirerek PID kontrolörün katsayılarını çevrim-içi üretirler. Hatanın türünün tespit edilmesi için destek vektörü bağlanım makinelerini kullanan benzer bir işlem gerçekleştirilir.

In this thesis, three independent, intelligent fault detection, diagnosis and fault tolerant control approaches for various processes based on support vector machines are presented. The first method is a fault detection and diagnosis approach. Support vector regression has been used in fault detection process and support vector classification has been used in diagnosis process. A fault is detected when an output signal exceeds the upper or lower bounds of the generated confidence band that are modelled by two support vector regression machines. A support vector multi-classification method, one-against-all, has been used to classify the occurring fault in system. The second method is an active fault tolerant control method including on-line controller selection type reconfiguration mechanism. A support vector multi-classification method, one-against-all, has been used to classify the occurring fault. When a fault is detected a suitable controller has been selected in an on-line manner to maintain closed-loop performance of the system. In training phase, PID controllers have been used and their parameters have been obtained in an off-line manner by genetic algorithms. The third method is an active fault tolerant control method including on-line controller calculation type reconfiguration mechanism. In the presented method, reconfiguration mechanism and diagnosis unit work independently. Three of support vector regression machines are simultaneously evaluated the data sent by the system, and produce coefficients of the PID controller in an on-line manner. In order to determine the type of fault, a similar process is exploited using one support vector regression machine.