MODELLING OF UNKNOWN MARKOV JUMP SYSTEMS AND PID CONTROL TUNED BY ADOLESCENT IDENTITY SEARCH ALGORITHM

Bedrı Bahtıyar; Meric Cetin; Selami Beyhan

Makale detayları

MODELLING OF UNKNOWN MARKOV JUMP SYSTEMS AND PID CONTROL TUNED BY ADOLESCENT IDENTITY SEARCH ALGORITHM

Yazarlar:

Bedrı Bahtıyar | Meric Cetin | Selami Beyhan

Yayıncı:

Süleyman Demirel University

Ana Başlıklar:

Kontrol Mühendisliği | Mekatronik ve Robotik (Diğer)

Dergi:

Mühendislik Bilimleri ve Tasarım Dergisi Vol.13 Issue 1, pp.1-16

Belge Tipi:

Makale

Yayın Tarihi:

3/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001342852

pISSN:

1308-6693

Anahtar kelimeler:

Özet:

 Markov jump systems MJS are difficult to control due to unknown dynamics, random transitions and environmental noises. In this paper, real-time linear MJSs are reviewed to improve general modeling and control performance using meta-heuristic optimization methods. Contributions are twofold as: i black-box identification using collected data from a real-time RLC circuit, ii first use of the Adolescent Identity Search algorithm AISA, which is a meta-heuristic optimization method in the design of a proportional-integral-derivative PID controller. For this purpose, an Extreme Learning Machine ELM model is constructed to model and predict the dynamics of unknown MJs. Then, the optimal set of PID parameters are found using the ELM model in batch optimization. To optimize the parameters of the controller, meta-heuristic algorithms commonly used in the literature are compared with AISA. According to the simulation results, the parameters of the real-time PID controller have been estimated with an error rate of 0.005 with AISA, which achieved the best fittness value in the shortest time. The proposed approach is applied to model and control an experimental RLC circuit with Markovian behavior.

 Markov jump systems MJS are difficult to control due to unknown dynamics, random transitions and environmental noises. In this paper, real-time linear MJSs are reviewed to improve general modeling and control performance using meta-heuristic optimization methods. Contributions are twofold as: i black-box identification using collected data from a real-time RLC circuit, ii first use of the Adolescent Identity Search algorithm AISA, which is a meta-heuristic optimization method in the design of a proportional-integral-derivative PID controller. For this purpose, an Extreme Learning Machine ELM model is constructed to model and predict the dynamics of unknown MJs. Then, the optimal set of PID parameters are found using the ELM model in batch optimization. To optimize the parameters of the controller, meta-heuristic algorithms commonly used in the literature are compared with AISA. According to the simulation results, the parameters of the real-time PID controller have been estimated with an error rate of 0.005 with AISA, which achieved the best fittness value in the shortest time. The proposed approach is applied to model and control an experimental RLC circuit with Markovian behavior.

 Markov jump systems MJS are difficult to control due to unknown dynamics, random transitions and environmental noises. In this paper, real-time linear MJSs are reviewed to improve general modeling and control performance using meta-heuristic optimization methods. Contributions are twofold as: i black-box identification using collected data from a real-time RLC circuit, ii first use of the Adolescent Identity Search algorithm AISA, which is a meta-heuristic optimization method in the design of a proportional-integral-derivative PID controller. For this purpose, an Extreme Learning Machine ELM model is constructed to model and predict the dynamics of unknown MJs. Then, the optimal set of PID parameters are found using the ELM model in batch optimization. To optimize the parameters of the controller, meta-heuristic algorithms commonly used in the literature are compared with AISA. According to the simulation results, the parameters of the real-time PID controller have been estimated with an error rate of 0.005 with AISA, which achieved the best fittness value in the shortest time. The proposed approach is applied to model and control an experimental RLC circuit with Markovian behavior.

 Markov atlama sistemlerinin Markov Jump SystemMJS, bilinmeyen dinamikler, rastgele geçişler ve çevresel gürültüler nedeniyle denetlenmesi zordur. Bu makalede, gerçek zamanlı doğrusal MJSler optimizasyon yöntemleri kullanılarak genel modelleme ve denetim performansını iyileştirmek için gözden geçirilmiştir. Bu çalışmayla elde edilen katkılar iki başlıkta değerlendirilmektedir: i gerçek zamanlı bir RLC devresinden toplanan veriler kullanılarak kara-kutu tanımlama, ii oransal-integral-türev Proportional-Integral-Derivative - PID denetleyicinin tasarımında sezgisel optimizasyon yöntemi olan Ergen Kimliği Arama algoritmasının AISA ilk kez kullanımı. Bu amaçla, bilinmeyen MJlerin dinamiklerini modellemek ve tahmin etmek için bir Aşırı Öğrenme Makinesi Extreme Learning Machine- ELM modeli oluşturulmuştur. Ardından, yığın optimizasyon içerisinde ELM modeli kullanılarak en uygun PID parametreleri kümesi bulunmuştur. Denetleyicinin parametrelerini optimize etmek için literatürde yaygın olarak kullanılan meta-sezgisel algoritmalar AISA ile karşılaştırılmıştır. Simülasyon sonuçlarına göre en iyi uygunluk değerine en kısa sürede ulaşan AISA ile gerçek zamanlı PID denetleyicisine ait parametreler 0.005 hata oranı ile tahmin edilmiştir. Önerilen yaklaşım, Markov davranışı sergileyen deneysel bir RLC devresinin modellenmesi ve denetimi için uygulanmıştır.

Makale detayları

MODELLING OF UNKNOWN MARKOV JUMP SYSTEMS AND PID CONTROL TUNED BY ADOLESCENT IDENTITY SEARCH ALGORITHM

Yazarlar:

Bedrı Bahtıyar | Meric Cetin | Selami Beyhan

Yayıncı:

Süleyman Demirel University

Ana Başlıklar:

Kontrol Mühendisliği | Mekatronik ve Robotik (Diğer)

Dergi:

Mühendislik Bilimleri ve Tasarım Dergisi Vol.13 Issue 1, pp.1-16

Belge Tipi:

Makale

Yayın Tarihi:

3/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001342852

pISSN:

1308-6693

Markov Jump Systems

Extreme Machine Learning

Pid Control

Meta-Heuristic Optimization

AISAMarkov Atlamalı Sistemler

Aşırı Öğrenme Makineleri

PID Denetim

Meta-Sezgisel Optimizasyon

AISA

Sayı

Makale detayları

Yazarlar: Bedrı Bahtıyar | Meric Cetin | Selami Beyhan

Yayıncı: Süleyman Demirel University

Ana Başlıklar: Kontrol Mühendisliği | Mekatronik ve Robotik (Diğer)

Dergi: Mühendislik Bilimleri ve Tasarım Dergisi Vol.13 Issue 1, pp.1-16

Belge Tipi: Makale

Yayın Tarihi: 3/2025

Belge Dili: Türkçe

Document ID (Org No.): 2001342852

pISSN: 1308-6693

Sayı

Yazarlar:

Bedrı Bahtıyar | Meric Cetin | Selami Beyhan

Yayıncı:

Süleyman Demirel University

Ana Başlıklar:

Kontrol Mühendisliği | Mekatronik ve Robotik (Diğer)

Dergi:

Mühendislik Bilimleri ve Tasarım Dergisi Vol.13 Issue 1, pp.1-16

Belge Tipi:

Makale

Yayın Tarihi:

3/2025

Belge Dili:

Türkçe

Document ID (Org No.):

2001342852

pISSN:

1308-6693