Precise temperature control for refrigerators

Bu tez çalışmasında, düşük güç tüketimini korurken buzdolaplarında optimum sıcaklık kontrolü için gelişmiş bir uyarlanabilir PID kontrol cihazının geliştirilmesi amaçlanmıştır. Önerilen kontrolör, PID ve takviyeli öğrenmeyi, Aktör-Eleştirmen yapısı altında tasarlanan Radyal Temel Fonksiyon ağıyla birleştirir. Çerçeve, PID parametrelerini takviyeli öğrenme tekniklerine göre uyarlayarak sistem koşullarına yanıt olarak gerçek zamanlı ayarlamalara olanak tanır. Çalışmanın takviyeli öğrenmeden yararlanmaya odaklanması, denetleyicinin deneyimlerden ders alabilmesini ve davranışında ince ayar yapabilmesini sağlayarak verimliliğin artmasını ve güç tüketiminin azalmasını sağlar. PID kontrolöründeki Oransal, İntegral ve Türev bileşenleri hassas kontrol elde etmek için çok önemlidir. Takviyeli öğrenme yaklaşımı, RBF ağındaki ağırlıkların ayarlanması yoluyla yeni bir uyarlanabilir güncelleme kuralı getirerek, tahmine dayalı çıktılara ve takviye sinyallerine dayalı olarak PID parametrelerinin çevrimiçi olarak ayarlanmasına olanak tanır. Gizli katmanın Aktör ve Eleştirmen arasında paylaşılmasıyla depolama alanı gereksinimi en aza indirilir ve hesaplama maliyetleri azalır. Ayrıca, IoT buzdolaplarından kapı çalıştırma ve ortam sıcaklığı verileri aracılığıyla müşteri profili oluşturma, kullanıcıya uyarlanabilir soğutma algoritmalarına olanak tanır. Bu algoritmalar soğutma performansını artırır, enerji tüketimini azaltır ve sıcaklık dalgalanmalarını en aza indirir. Takviyeli öğrenmenin uyarlanabilir PID kontrolörlerine bu entegrasyonu, modern soğutma teknolojisinde daha akıllı ve esnek kontrol sistemlerine doğru bir değişimi yansıtıyor. Veri toplama aşaması, IoT buzdolaplarından buzdolabı kapı açıklıkları, ortam sıcaklığı ve nem seviyeleri hakkında anonimleştirilmiş bilgilerin elde edilmesini içerir. Dağıtım aşaması, verileri kategorilere ayırmak ve kullanıcı profilleri oluşturmak için kullanılan K-means gibi kümeleme algoritmaları ile hem Bulut Dağıtımından hem de Kontrol Panosu Dağıtımından oluşur. Bu profillerin buluta ve kontrol panosuna dağıtılmasıyla öğrenme hızı ve PID parametreleri optimize edilir, bu da daha az enerji tüketimiyle daha verimli bir soğutma sistemi sağlar.