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

Résumé Technique : Une approche par PSO pour la conception optimale d'un contrôleur PID multivariable pour les systèmes non linéaires

Énoncé du Problème
L'article traite du défi du contrôle des systèmes non linéaires à entrées multiples et sorties multiples (MIMO), qui sont prévalents dans les processus industriels mais intrinsèquement plus difficiles à gérer que les systèmes à entrée unique et sortie unique (SISO). Bien que les contrôleurs Proportionnel-Intégral-Dérivé (PID) soient largement utilisés dans l'industrie, les méthodes de réglage conventionnelles, telles que la technique de Ziegler-Nichols (ZN), entraînent souvent un dépassement significatif et des performances sous-optimales lorsqu'elles sont appliquées à des dynamiques MIMO complexes et non linéaires. Les auteurs postulent que des approches heuristiques modernes sont nécessaires pour améliorer les capacités des techniques de réglage traditionnelles.

Méthodologie
La solution proposée intègre trois composantes primaires : un modèle flou de Takagi-Sugeno (T-S) pour l'identification du système, les Moindres Carrés Pondérés Récursifs (RWLS) pour l'estimation des paramètres, et l'Optimisation par Essaim Particulaire (PSO) pour le réglage des gains PID.

1. Modélisation du Système : Le processus MIMO non linéaire est représenté à l'aide d'un modèle flou T-S. Le système est décomposé en modèles NARX (Auto-Régressif Non-linéaire avec Entrée Exogène) à entrées multiples et sortie unique (MISO). L'identification de ces modèles repose sur des données d'entrée-sortie.
2. Estimation des Paramètres : Pour gérer la non-linéarité et permettre une adaptation en ligne, les auteurs emploient l'algorithme des Moindres Carrés Pondérés Récursifs (RWLS). Cette méthode estime les vecteurs de paramètres du système ($\theta$) en traitant le système comme linéaire par rapport à ses paramètres inconnus, en utilisant une matrice de covariance et un vecteur de gain de l'estimateur pour mettre à jour les paramètres de manière itérative.
3. Structure de Contrôle : Une structure de commande PID multivariable est définie où la matrice du contrôleur $C(z)$ interagit avec la matrice du processus $H(z)$. Les gains du contrôleur ($k_p, k_i, k_d$) sont les variables à optimiser.
4. Stratégie d'Optimisation (PSO) : Au lieu du réglage ZN, l'article utilise l'algorithme d'Optimisation par Essaim Particulaire (PSO). Dans ce cadre :
   • Chaque particule représente un ensemble candidat de paramètres PID ($k_p, k_i, k_d$) pour le système MIMO.
   • L'espace de recherche est défini par les dimensions des gains PID.
   • La fonction objectif est minimisée pour trouver les gains optimaux. L'article évalue trois critères de performance spécifiques : l'Intégrale de l'Erreur Absolue (IAE), l'Intégrale de l'Erreur au Carré (ISE) et l'Intégrale de l'Erreur au Carré Pondérée par le Temps (ITSE).
   • L'algorithme PSO met à jour les vitesses et les positions des particules en se basant sur les meilleures valeurs individuelles ($pbest$) et la meilleure valeur globale ($gbest$), en utilisant un poids d'inertie ($\omega$) qui diminue linéairement au fil des itérations pour équilibrer l'exploration et l'exploitation.

Contributions Clés

• Intégration de Flou T-S et PSO : L'article propose une architecture spécifique où un modèle flou T-S identifie la dynamique MIMO non linéaire, et le PSO règle le contrôleur PID basé sur ce modèle.
• Analyse Comparative de Réglage : L'étude compare systématiquement les performances des contrôleurs PID réglés via la méthode traditionnelle de Ziegler-Nichols par rapport à ceux réglés via PSO en utilisant différentes fonctions objectifs (IAE, ISE, ITSE).
• Implémentation Algorithmique : L'article détaille l'implémentation étape par étape du contrôleur PSO-PID, incluant l'initialisation des particules, les règles de mise à jour de la vitesse et de la position, ainsi que les critères d'arrêt spécifiques utilisés dans la simulation.

Résultats de Simulation
Les auteurs valident la méthode proposée à l'aide d'un système non linéaire MIMO simulé défini par des équations aux différences spécifiques avec deux entrées et deux sorties.

• Optimisation des Paramètres : Les tableaux III et IV démontrent que le PSO produit des ensembles de paramètres PID différents de la méthode ZN, avec des variations significatives de $k_p, k_i,$ et $k_d$ selon la fonction objectif choisie (ISE, IAE ou ITSE).
• Métriques de Performance : Les tableaux V et VI comparent les caractéristiques de la réponse indicielle. Les résultats indiquent que le contrôleur réglé par ZN produit un dépassement élevé (55,3 % pour $y_1$ et 64,8 % pour $y_2$) et des temps de stabilisation plus longs. En revanche, les contrôleurs réglés par PSO réduisent considérablement le dépassement (allant d'environ 40 % à 48 %) et améliorent radicalement les temps de montée et de stabilisation. Par exemple, le temps de stabilisation pour $y_2$ est passé de 3,29s (ZN) à seulement 0,52s (PSO-ITSE).
• Confirmation Visuelle : Les figures 2 et 3 illustrent les réponses du système, confirmant visuellement que l'approche basée sur le PSO fournit une réponse plus lisse avec moins d'oscillations par rapport à l'approche ZN.

Signification et Revendications
L'article conclut que la méthode de réglage conventionnelle ZN est insuffisante pour le système MIMO non linéaire spécifique testé, car elle conduit à de grands dépassements. Les auteurs affirment que l'approche d'optimisation basée sur le PSO offre un avantage distinct en réglant efficacement les paramètres PID pour minimiser les indices de performance. L'étude soutient que le contrôleur PSO-PID proposé améliore la capacité des techniques traditionnelles, fournissant une solution plus robuste pour le contrôle des processus multivariables non linéaires. Le travail positionne le PSO comme une alternative viable et informatiquement efficace aux algorithmes génétiques pour cette application de contrôle spécifique, citant sa simplicité et son profond bagage intelligent.