A PSO Approach for Optimum Design of Multivariable PID Controller for nonlinear systems

Technische Zusammenfassung: Ein PSO-Ansatz für das optimale Design eines multivariablen PID-Reglers für nichtlineare Systeme

Problemstellung
Die Arbeit befasst sich mit der Herausforderung der Regelung von Multiple-Input Multiple-Output (MIMO) nichtlinearen Systemen, die in industriellen Prozessen allgegenwärtig sind, aber von Natur aus schwieriger zu handhaben sind als Single-Input Single-Output (SISO) Systeme. Während Proportional-Integral-Derivativ-Regler (PID) weit verbreitet eingesetzt werden, führen konventionelle Abstimmungsverfahren, wie die Ziegler-Nichols (ZN)-Technik, oft zu signifikanten Überschwingern und suboptimaler Leistung, wenn sie auf komplexe, nichtlineare MIMO-Dynamiken angewendet werden. Die Autoren postulieren, dass moderne heuristische Ansätze notwendig sind, um die Leistungsfähigkeit traditioneller Abstimmungsverfahren zu verbessern.

Methodik
Die vorgeschlagene Lösung integriert drei primäre Komponenten: ein Takagi-Sugeno (T-S) Fuzzy-Modell zur Systemidentifikation, Recursive Weighted Least-Squares (RWLS) zur Parameterschätzung und Particle Swarm Optimization (PSO) für die PID-Verstärkungsabstimmung.

1. Systemmodellierung: Der MIMO-nichtlineare Prozess wird mittels eines T-S Fuzzy-Modells dargestellt. Das System wird in Multiple-Input Single-Output (MISO) NARX-Modelle (Non-linear Auto Regressive with eXogenous input) zerlegt. Die Identifizierung dieser Modelle basiert auf Input-Output-Daten.
2. Parameterschätzung: Um die Nichtlinearität zu bewältigen und eine Online-Adaption zu ermöglichen, verwenden die Autoren den Recursive Weighted Least-Squares (RWLS) Algorithmus. Diese Methode schätzt die Systemparametervektoren ($\theta$), indem sie das System als linear in Bezug auf seine unbekannten Parameter behandelt und dabei eine Kovarianzmatrix sowie einen Schätzer-Gewinnvektor nutzt, um die Parameter iterativ zu aktualisieren.
3. Regelstruktur: Eine multivariable PID-Regelstruktur wird definiert, bei der die Reglermatrix $C(z)$ mit der Prozessmatrix $H(z)$ interagiert. Die Reglerverstärkungen ($k_p, k_i, k_d$) sind die zu optimierenden Variablen.
4. Optimierungsstrategie (PSO): Anstatt der ZN-Abstimmung verwendet die Arbeit den Particle Swarm Optimization (PSO) Algorithmus. In diesem Rahmen:
   • Repräsentiert jedes Teilchen (Particle) einen Kandidatensatz von PID-Parametern ($k_p, k_i, k_d$) für das MIMO-System.
   • Der Suchraum wird durch die Dimensionen der PID-Verstärkungen definiert.
   • Die Zielfunktion wird minimiert, um die optimalen Verstärkungen zu finden. Die Arbeit evaluiert drei spezifische Performanzkriterien: das Integral des absoluten Fehlers (IAE), das Integral des quadratischen Fehlers (ISE) und das Integral des zeitgewichteten quadratischen Fehlers (ITSE).
   • Der PSO-Algorithmus aktualisiert die Geschwindigkeiten und Positionen der Teilchen basierend auf den individuellen Bestwerten ($pbest$) und dem globalen Bestwert ($gbest$), wobei ein Trägheitsgewicht ($\omega$) verwendet wird, das über die Iterationen linear abnimmt, um ein Gleichgewicht zwischen Exploration und Exploitation zu halten.

Wesentliche Beiträge

• Integration von T-S Fuzzy und PSO: Die Arbeit schlägt eine spezifische Architektur vor, bei der ein T-S Fuzzy-Modell die nichtlineare MIMO-Dynamik identifiziert und PSO den PID-Regler basierend auf diesem Modell abstimmt.
• Vergleichende Abstimmungsanalyse: Die Studie vergleicht systematisch die Leistung von PID-Reglern, die mittels der traditionellen Ziegler-Nichols-Methode abgestimmt wurden, mit denen, die mittels PSO unter Verwendung verschiedener Zielfunktionen (IAE, ISE, ITSE) abgestimmt wurden.
• Algorithmische Implementierung: Die Arbeit beschreibt detailliert die schrittweise Implementierung des PSO-PID-Reglers, einschließlich der Initialisierung der Teilchen, der Aktualisierungsregeln für Geschwindigkeit und Position sowie der spezifischen Abbruchkriterien, die in der Simulation verwendet wurden.

Simulationsergebnisse
Die Autoren validieren die vorgeschlagene Methode anhand eines simulierten MIMO-nichtlinearen Systems, das durch spezifische Differenzengleichungen mit zwei Eingängen und zwei Ausgängen definiert ist.

• Parameteroptimierung: Die Tabellen III und IV zeigen, dass PSO im Vergleich zur ZN-Methode unterschiedliche Sätze von PID-Parametern liefert, wobei signifikante Variationen in $k_p, k_i$ und $k_d$ je nach gewählter Zielfunktion (ISE, IAE oder ITSE) auftreten.
• Performanzmetriken: Die Tabellen V und VI vergleichen die Sprungantwortcharakteristika. Die Ergebnisse zeigen, dass der ZN-abgestimmte Regler hohe Überschwingungen (55,3 % für $y_1$ und 64,8 % für $y_2$) und längere Einschwingzeiten produziert. Im Gegensatz dazu reduzieren die PSO-abgestimmten Regler die Überschwingung signifikant (im Bereich von ~40 % bis 48 %) und verbessern die Anstiegs- und Einschwingzeiten drastisch. Beispielsweise verbesserte sich die Einschwingzeit für $y_2$ von 3,29 s (ZN) auf nur 0,52 s (PSO-ITSE).
• Visuelle Bestätigung: Die Abbildungen 2 und 3 illustrieren die Systemantworten und bestätigen visuell, dass der PSO-basierte Ansatz im Vergleich zum ZN-Ansatz eine glattere Antwort mit weniger Oszillationen bietet.

Bedeutung und Behauptungen
Die Arbeit kommt zu dem Schluss, dass die konventionelle ZN-Abstimmmethode für das getestete spezifische nichtlineare MIMO-System unzureichend ist, da sie zu großen Überschwingern führt. Die Autoren behaupten, dass der PSO-basierte Optimierungsansatz einen deutlichen Vorteil bietet, indem er die PID-Parameter effektiv abstimmt, um die Leistungsindizes zu minimieren. Die Studie stellt fest, dass der vorgeschlagene PSO-PID-Regler die Fähigkeit traditioneller Techniken verbessert und eine robustere Lösung für die Regelung nichtlinearer multivariabler Prozesse bietet. Die Arbeit positioniert PSO als eine lebensfähige, recheneffiziente Alternative zu genetischen Algorithmen für diese spezifische Steuerungsanwendung, wobei sie deren Einfachheit und tiefen intelligenten Hintergrund anführt.