Bir seramik üretim alt sisteminde bulanık modelleme ve kontrol

Abstract

ÖZET Anahtar Kelimeler: Bulanık Kontrol, Kurutma Sistemleri, Bulanık Çıkarım Sistemleri, Granülasyon, Kümeleme. Granül üretim sistemleri olarak ifade edilen kurutma sistemlerinin bulanık bir modelini içeren bu çalışma, sistemin kontrolünü de içermektedir. Granül üretiminde kullanılan kurutma sistemleri karmaşık, tam olarak tanımlanmamış sürekli imalat sistemleridir. Bu çalışmada porselen imalatı için kullanılan granüllerin hazırlanması ve preslenmesine kadar geçen bütün özellikleri tartışılmaktadır. Bu nedenle, kurutma sisteminin parametreleri, çamur hazırlama işlemleri ve granüllerin karakteristikleri gözönüne alınan özellikler olmuştur. Bulanık modelleme aşamasında, kompleks bir sistemin bulanık olarak modellenmesi için sistematik bir metot kullanılmaktadır. Bu metot bulanık tanımlama metodu olarak isimlendirilmektedir. Bulanık tanımlamada, bulanık kuralların oluşturulması dolayısıyla modelin oluşturulması için gruplama önemli bir adımı oluşturmaktadır. Bulanık tanımlamada, yapısal tanımlama önemli bir sorun oluşturmaktadır. Bu sorun bu çalışmada; bütün girdi değişkenleri arasında önemli olanlar seçilerek ve girdi çıktı ilişkileri tam olarak ortaya konarak aşılmıştır. Bunların gerçekleştirilmesi için Bulanık C-means kümeleme algoritması kullanılmıştır. Bu algoritmanın da çeşitli problemleri vardır, bu problemler ise bölüm 4'de belirtilmiş ve çözümleri ise adım adım verilmiştir. Bulanık C-means kümeleme algoritması ile ulaşılan grup sayısı altı olmuştur. Dolayısıyla, bulanık modeli oluşturan kural sayısı altı olarak alınmıştır. Sistem kontrol aşamasında ise, sistemin istenen kontrol davranışlarını göstermesi için tanımlanması yani modelinin oluşturulması gerekir. Oluşturulan bulanık modelde Mamdani çıkarın metodu kullanılarak çıkış parametresinin kontrol değerleri belirlenmiştir. Sonuçlar bölüm 4'de tablo ve grafikler ile verilmektedir. Sonuç olarak bulanık modelden sağlanan kontrol değerleri ve sistemin gerçek değerleri karşılaştırılmış, sistemin bulanık modelinin gerçek sistem datalarına çok yakın sonuçlar verdiği tespit edilmiştir.

Key Words: Fuzzy Control, Spray Drying Systems, Fuzzy Inference Systems, Granulation, Clustering, Fuzzy Modelling and Control of a Ceramic Production Subsystem. This study was carried out to design a fuzzy logic model of a granule production system named spray dryer in literature. Spray granulation is a complex and very ill- defined continuous porcelain production system. In this study, spray drying is discussed in the context of preparing feed powders for manufacturing operations involving the pressing of granules. So, attention is focused on the parameters of the spray dryer, slurry preparation and characterization of the product granules. In the fuzzy modeling phase, a systematic methodology of fuzzy logic modeling as a generic tool for modeling of complex system is discussed. This methodology is system identification method for fuzzy modeling. In system identification approach, clustering is considered as an intuitive approach of objective rule generation in fuzzy modeling. In system identification, structure identification is a major problem. We proceed this problem through two steps; input variables are recognised among all possible input candidates and input output relations are specified. In this direction, to improve the objectivity of the number and the level fuzziness of clusters, we used fuzzy C-means clustering algorithm. Using this algorithm we obtain six data group, because of that one, six rules are determined to identify the system. Controlling a system to obtain the satisfactory behavior requires a formal description and identification of the system. In this study, Fuzzy modeling is constructed in order to linguistically define the system behavior. To inference crisp control value from the fuzzy model of granule production system, Mamdani Inference system was used. The results are analysed by using tables and graphics in chapter 4. Based upon the results of the study, on comparing the results obtained from the fuzzy model and the result of real system, no great differences are found in between.