⚡ electrical engineering

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

यह शोध पत्र नॉनलीन MIMO ताकागी-सुगेनो फजी सिस्टम के लिए एक मल्टीवेरिएबल PID कंट्रोलर को ट्यून करने हेतु एक पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (PSO) एल्गोरिदम का प्रस्ताव करता है, जो ओवरशूट को महत्वपूर्ण रूप से कम करके ज़ीगलर-निकोलस जैसे पारंपरिक तरीकों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Adel Taeib, Ali Ltaeif, Abdelkader Chaari

प्रकाशित 2026-06-04

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 3.0

मूल लेखक: Adel Taeib, Ali Ltaeif, Abdelkader Chaari

मूल पेपर CC BY 3.0 (http://creativecommons.org/licenses/by/3.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बहुत ही जटिल, डगमगाती हुई नाव (एक nonlinear MIMO सिस्टम) को तूफान के बीच से चलाने की कोशिश कर रहे हैं। इस नाव के दो स्टीयरिंग व्हील और दो रडर (rudder) हैं जो आपस में बहुत ही उलझे हुए तरीके से एक-दूसरे को प्रभावित करते हैं। यदि आप एक पहिया घुमाते हैं, तो दूसरा रडर अचानक झटका ले सकता है। आपका लक्ष्य नाव को एक विशिष्ट गंतव्य तक सीधी राह पर बनाए रखना है।

इसे करने के लिए, आपको एक PID कंट्रोलर की आवश्यकता है। PID कंट्रोलर को एक "ऑटोपायलट" या "स्मार्ट हाथ" के रूप में समझें जो लगातार स्टीयरिंग व्हील्स को एडजस्ट करता है। इसके पास तीन सेटिंग्स (गेंस) हैं जिन्हें यह बदल सकता है:

प्रपोर्शनल (P): आप अभी कितने दूर भटक गए हैं, उसके आधार पर कितनी जोर से धक्का देना है।
इंटीग्रल (I): आप कितने समय से भटक रहे हैं, उसके आधार पर कितनी जोर से धक्का देना है।
डेरिवेटिव (D): आप कितनी तेजी से पथ से भटक रहे हैं, उसके आधार पर कितनी जोर से धक्का देना है।

समस्या: "पुराना तरीका"

पारंपरिक रूप से, इंजीनियर इन सेटिंग्स को ट्यून करने के लिए ज़िग्लर-निकोल्स (Z-N) नामक एक नियम पुस्तिका का उपयोग करते हैं। यह लेख तुलना करता है कि यह एक सामान्य, 'एक ही आकार सबके लिए' वाले मानचित्र (map) जैसा है। लेखकों ने पाया कि हालांकि यह मानचित्र आपको आगे बढ़ने में मदद करता है, लेकिन अक्सर इसके कारण नाव अनियंत्रित रूप से झूलने लगती है (उच्च overshoot) और फिर अंततः स्थिर होती है। यह एक ऐसे ड्राइवर की तरह है जो बहुत जोर से ब्रेक मारता है, गाड़ी फिसलती है, और फिर बहुत अधिक सुधार करने की कोशिश करता है, जिससे सवारी ऊबड़-खाबड़ और असुरक्षित हो जाती है।

समाधान: "स्मार्ट झुंड" (PSO)

एक स्थिर नियम पुस्तिका के बजाय, लेखकों ने एक विधि का उपयोग किया जिसे पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (PSO) कहा जाता है।

उपमा:
कल्पना कीजिए कि पक्षियों का एक झुंड एक मैदान में उतरने के लिए सबसे अच्छी जगह की तलाश कर रहा है।

प्रत्येक पक्षी एक "पार्टिकल" है जो PID सेटिंग्स के एक अलग सेट (नाव चलाने के एक अलग तरीके) का प्रतिनिधित्व करता है।
शुरुआत में पक्षी बेतरतीब ढंग से इधर-उधर उड़ते हैं।
हर बार जब कोई पक्षी कहीं उतरता है, तो वह जाँचता है कि लैंडिंग कितनी सुचारू रही (यह फिटनेस फंक्शन है)।
यदि किसी पक्षी को एक सुचारू लैंडिंग वाली जगह मिलती है, तो वह उसे याद रखता है।
पक्षी एक-दूसरे से भी बात करते हैं। यदि एक पक्षी को एक परफेक्ट जगह मिलती है, तो पूरा झुंड उस जगह की ओर बढ़ने के लिए अपने उड़ान पथ को समायोजित करता है।
समय के साथ, पूरा झुंड सबसे अच्छी लैंडिंग वाली एकल जगह पर केंद्रित हो जाता है।

इस शोध पत्र में, "पक्षी" कंप्यूटर सिमुलेशन हैं जो हजारों अलग-अलग PID सेटिंग्स का परीक्षण कर रहे हैं। वे उन सेटिंग्स की तलाश कर रहे हैं जो त्रुटियों (जैसे लक्ष्य से बहुत अधिक आगे निकल जाना या स्थिर होने में बहुत अधिक समय लेना) को कम करती हैं।

उन्होंने यह कैसे किया

नाव का मॉडलिंग: सबसे पहले, उन्होंने इस डगमगाती नाव का एक डिजिटल जुड़वां (digital twin) बनाने के लिए एक "फजी लॉजिक" सिस्टम का उपयोग किया। इसने उन्हें वास्तविक नाव को दुर्घटनाग्रस्त किए बिना, स्टीयरिंग इनपुट पर नाव की प्रतिक्रिया का अनुमान लगाने की अनुमति दी।
खोज: उन्होंने "झुंड" को वर्चुअल पक्षियों को विभिन्न PID नंबरों की खोज करने के लिए छोड़ा। उन्होंने "सुचारूता" को मापने के तीन अलग-अलग तरीकों का परीक्षण किया:
- IAE: पथ से कुल दूरी।
- ISE: त्रुटियों का वर्ग करना (बड़ी गलतियों को अधिक दंडित करना)।
- ITSE: त्रुटियों का वर्ग करना लेकिन साथ ही उन्हें तब भी दंडित करना जब वे उड़ान के अंत में होती हैं।
परिणाम: झुंड ने ऐसे सेटिंग्स का समूह खोजा जो पुराने "नियमबुक" (Z-N) तरीके से बहुत बेहतर था।

परिणाम

जब उन्होंने नए "स्वार्म-ट्यून्ड" ऑटोपायलट का पुराने "नियमबुक" ऑटोपायलट के साथ परीक्षण किया:

पुराना तरीका: नाव अनियंत्रित रूप से झूल गई, स्थिर होने से पहले लक्ष्य से 55% से 65% तक आगे निकल गई। इसे स्थिर होने में लंबा समय लगा।
नया तरीका: नाव बहुत अधिक स्थिर थी। ओवरशूट घटकर लगभग 40% या उससे कम हो गया, और यह आधे समय से भी कम समय में सही पथ पर स्थिर हो गई।

मुख्य निष्कर्ष

यह शोध पत्र दावा करता है कि ऑटोपायलट को ट्यून करने के लिए इस "पक्षियों के झुंड" वाले एल्गोरिदम (PSO) का उपयोग करके, वे जटिल और डगमगाती मशीनों को पारंपरिक, मैनुअल ट्यूनिंग विधियों की तुलना में बहुत अधिक सुचारू और सुरक्षित रूप से चला सकते हैं। "स्मार्ट सर्च" ने सेटिंग्स का एक बेहतर संतुलन खोज लिया जिसे पुराने नियमों ने मिस कर दिया था।

तकनीकी सारांश: गैररेखीय प्रणालियों के लिए बहुचर PID नियंत्रक के इष्टतम डिजाइन हेतु एक PSO दृष्टिकोण

समस्या विवरण
यह शोध पत्र मल्टीपल-इनपुट मल्टीपल-आउटपुट (MIMO) गैररेखीय प्रणालियों को नियंत्रित करने की चुनौती को संबोधित करता है, जो औद्योगिक प्रक्रियाओं में प्रचलित हैं लेकिन सिंगल-इनपुट सिंगल-आउटपुट (SISO) प्रणालियों की तुलना में प्रबंधित करना स्वाभाविक रूप से अधिक कठिन हैं। जबकि प्रोपोर्शनल-इंटीग्रल-डेरिवेटिव (PID) नियंत्रक उद्योग में व्यापक रूप से उपयोग किए जाते हैं, पारंपरिक ट्यूनिंग विधियां, जैसे कि ज़िग्लर-निकोल्स (ZN) तकनीक, जटिल, गैररेखीय MIMO गतिकी को लागू करने पर अक्सर महत्वपूर्ण ओवरशूट और उप-इष्टतम प्रदर्शन का परिणाम देती हैं। लेखक तर्क देते हैं कि पारंपरिक ट्यूनिंग तकनीकों की क्षमताओं को बढ़ाने के लिए आधुनिक ह्यूरिस्टिक दृष्टिकोण आवश्यक हैं।

कार्यप्रणाली
प्रस्तावित समाधान तीन प्राथमिक घटकों को एकीकृत करता है: सिस्टम पहचान के लिए एक ताकागी-सुगेनो (T-S) फजी मॉडल, पैरामीटर अनुमान के लिए रिकर्सिव वेटेड लीस्ट-स्क्वायर्स (RWLS), और PID गेन ट्यूनिंग के लिए पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (PSO)।

सिस्टम मॉडलिंग: MIMO गैररेखीय प्रक्रिया को एक T-S फजी मॉडल का उपयोग करके दर्शाया गया है। सिस्टम को मल्टीपल-इनपुट सिंगल-आउटपुट (MISO) NARX (नॉन-लीनियर ऑटो रिग्रेसिव विद एक्सोजेनस इनपुट) मॉडलों में विभाजित किया गया है। इन मॉडलों की पहचान इनपुट-आउटपुट डेटा पर आधारित है।
पैरामीटर अनुमान: गैररेखीयता को संभालने और ऑनलाइन अनुकूलन की अनुमति देने के लिए, लेखक रिकर्सिव वेटेड लीस्ट-स्क्वायर्स (RWLS) एल्गोरिदम का उपयोग करते हैं। यह विधि सिस्टम पैरामीटर वेक्टर्स ( $\theta$ ) का अनुमान लगाने के लिए सिस्टम को अपने अज्ञात मापदंडों के संबंध में रैखिक मानती है, और पैरामीटर्स को पुनरावृत्ति से अपडेट करने के लिए कोवेरिएंस मैट्रिक्स और एस्टिमेटर गेन वेक्टर का उपयोग करती है।
नियंत्रण संरचना: एक बहुचर PID नियंत्रण संरचना को परिभाषित किया गया है जहाँ कंट्रोलर मैट्रिक्स $C(z)$ , प्रोसेस मैट्रिक्स $H(z)$ के साथ अंतःक्रिया करता है। कंट्रोलर गेन्स ( $k_p, k_i, k_d$ ) वे चर हैं जिन्हें अनुकूलित किया जाना है।
अनुकूलन रणनीति (PSO): ZN ट्यूनिंग के बजाय, यह शोध पत्र पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (PSO) एल्गोरिदम का उपयोग करता है। इस ढांचे में:
- प्रत्येक कण (particle) MIMO सिस्टम के लिए PID मापदंडों ( $k_p, k_i, k_d$ ) के एक संभावित सेट का प्रतिनिधित्व करता है।
- खोज क्षेत्र (search space) PID गेन्स के आयामों द्वारा परिभाषित है।
- इष्टतम गेन्स खोजने के लिए ऑब्जेक्टिव फंक्शन को मिनिमाइज किया जाता है। शोध पत्र तीन विशिष्ट प्रदर्शन मानदंडों का मूल्यांकन करता है: इंटीग्रल ऑफ एब्सोल्यूट एरर (IAE), इंटीग्रल ऑफ स्क्वायर एरर (ISE), और इंटीग्रल ऑफ टाइम-वेटेड स्क्वायर एरर (ITSE)।
- PSO एल्गोरिदम व्यक्तिगत सर्वश्रेष्ठ ($pbest $) और वैश्विक सर्वश्रेष्ठ ($ gbest$) मानों के आधार पर कणों के वेग और स्थिति को अपडेट करता है, जिसमें अन्वेषण (exploration) और दोहन (exploitation) के बीच संतुलन बनाने के लिए एक जड़त्व भार ( $\omega$ ) का उपयोग किया जाता है जो पुनरावृत्तियों के साथ रैखिक रूप से घटता है।

प्रमुख योगदान

T-S फजी और PSO का एकीकरण: यह शोध पत्र एक विशिष्ट आर्किटेक्चर प्रस्तावित करता है जहाँ एक T-S फजी मॉडल गैररेखीय MIMO गतिकी की पहचान करता है, और PSO इस मॉडल के आधार पर PID नियंत्रक को ट्यून करता है।
तुलनात्मक ट्यूनिंग विश्लेषण: अध्ययन व्यवस्थित रूप से पारंपरिक ज़िग्लर-निकोल्स विधि द्वारा ट्यून किए गए PID नियंत्रकों की तुलना PSO द्वारा विभिन्न ऑब्जेक्टिव फंक्शन्स (IAE, ISE, ITSE) का उपयोग करके ट्यून किए गए नियंत्रकों के विरुद्ध करता है।
एल्गोरिद्मिक कार्यान्वयन: शोध पत्र PSO-PID नियंत्रक के चरण-दर-चरण कार्यान्वयन का विवरण देता है, जिसमें कणों का इनिशियलाइजेशन, वेग और स्थिति के अपडेट नियम, और सिमुलेशन में उपयोग किए गए विशिष्ट स्टॉपिंग क्राइटेरिया शामिल हैं।

सिमुलेशन परिणाम
लेखक एक सिम्युलेटेड MIMO गैररेखीय सिस्टम का उपयोग करके प्रस्तावित पद्धति को मान्य करते हैं, जिसे दो इनपुट और दो आउटपुट वाले विशिष्ट अंतर समीकरणों (difference equations) द्वारा परिभाषित किया गया है।

पैरामीटर अनुकूलन: तालिका III और IV प्रदर्शित करती हैं कि PSO, ZN विधि की तुलना में PID मापदंडों के अलग सेट प्रदान करता है, जिसमें चुने गए ऑब्जेक्टिव फंक्शन (ISE, IAE, या ITSE) के आधार पर $k_p, k_i,$ और $k_d$ में महत्वपूर्ण भिन्नता होती है।
प्रदर्शन मेट्रिक्स: तालिका V और VI स्टेप रिस्पॉन्स विशेषताओं की तुलना करती है। परिणाम दर्शाते हैं कि ZN-ट्यून्ड कंट्रोलर उच्च ओवरशूट ( $y_1$ के लिए 55.3% और $y_2$ के लिए 64.8%) और लंबा सेटलिंग टाइम उत्पन्न करता है। इसके विपरीत, PSO-ट्यून्ड कंट्रोलर ओवरशूट को काफी कम कर देते हैं (लगभग ~40% से 48% तक) और राइज़ तथा सेटलिंग समय में भारी सुधार करते हैं। उदाहरण के लिए, $y_2$ के लिए सेटलिंग टाइम ZN (3.29s) से सुधरकर PSO-ITSE के साथ 0.52s तक पहुँच गया।
दृश्य पुष्टि: चित्र 2 और 3 सिस्टम रिस्पॉन्स को दर्शाते हैं, जो दृश्य रूप से पुष्टि करते हैं कि PSO-आधारित दृष्टिकोण ZN दृष्टिकोण की तुलना में कम दोलन (oscillation) के साथ एक सुचारू प्रतिक्रिया प्रदान करता है।

महत्व और दावे
शोध पत्र निष्कर्ष निकालता है कि परीक्षण किए गए विशिष्ट गैररेखीय MIMO सिस्टम के लिए पारंपरिक ZN ट्यूनिंग विधि अपर्याप्त है, क्योंकि यह बड़े ओवरशूट की ओर ले जाती है। लेखक दावा करते हैं कि PSO-आधारित अनुकूलन दृष्टिकोण प्रदर्शन सूचकांकों को कम करने के लिए PID मापदंडों को प्रभावी ढंग से ट्यून करके एक विशिष्ट लाभ प्रदान करता है। अध्ययन का दावा है कि प्रस्तावित PSO-PID नियंत्रक पारंपरिक तकनीकों की क्षमता को बढ़ाता है, जो गैररेखीय बहुचर प्रक्रियाओं को नियंत्रित करने के लिए अधिक सुदृढ़ समाधान प्रदान करता है। यह कार्य PSO को इस विशिष्ट नियंत्रण अनुप्रयोग के लिए जेनेटिक एल्गोरिदम के एक व्यवहार्य, गणनात्मक रूप से कुशल विकल्प के रूप में स्थापित करता है, इसकी सरलता और गहन इंटेलिजेंट बैकग्राउंड का हवाला देता है।

समस्या: "पुराना तरीका"

समाधान: "स्मार्ट झुंड" (PSO)

उन्होंने यह कैसे किया

परिणाम

मुख्य निष्कर्ष

इसी तरह के और पेपर