PID Parameters Optimization by Using Genetic Algorithm

Sintesi Tecnica: Ottimizzazione dei Parametri PID mediante Algoritmo Genetico

Definizione del Problema
I ritardi temporali sono componenti intrinseche nei sistemi fisici, chimici, biologici ed economici, nonché nei processi di misurazione e computazione. Questi ritardi introducono ritardi di fase che possono ridurre significativamente la stabilità dei sistemi a fase minima. Sebbene il lavoro precedente degli autori avesse dimostrato che il Metodo Iterativo e la regola di Ziegler-Nichols potessero sintonizzare efficacementamente i controllori PID per sistemi First Order Lag plus Time Delay (FOLPD), tali metodi presentano dei limiti. Nello specifico, richiedono che il sistema venga messo offline per la ritaratura, rendendoli inadatti per impianti dinamici in cui i parametri cambiano costantemente e la ritaratura in tempo reale è necessaria. Questo articolo affronta la sfida di ottimizzare i parametri del controllore PID per compensare i ritardi temporali nei sistemi FOLPD utilizzando un metodo capace di gestire spazi di ricerca complessi e non lineari senza richiedere lo spegnimento offline del sistema.

Metodologia
Gli autori propongono l'implementazione di un Algoritmo Genetico (GA) per determinare i parametri ottimali del controllore PID ($K_p, K_i, K_d$). Lo studio utilizza il Matlab Genetic Algorithm Toolbox e segue un approccio strutturato:

• Modellazione del Sistema: Il componente del ritardo temporale è approssimato utilizzando una serie di risposta in frequenza diretta (DFR) del secondo ordine. Gli autori hanno scelto la DFR rispetto alla standard approssimazione di Pade (utilizzata nel Control Systems Toolbox di Matlab) perché la DFR ha dimostrato l'errore medio più piccolo in confronti precedenti e consente una rappresentazione in serie polinomiale adatta alla costruzione della funzione di trasferimento del GA.
• Funzioni Obiettivo: Per valutare la fitness di ciascun cromosoma, lo studio impiega cinque indici di prestazione: Media dell'Errore Quadratico (MSE), Integrale del Valore Assoluto dell'Errore (IAE), Integrale dell'Errore Quadratico (ISE), Integrale del Tempo moltiplicato per l'Errore Assoluto (ITAE) e Integrale del Tempo moltiplicato per l'Errore Quadratico (ITSE). Il valore di fitness è definito come il reciproco del valore dell'indice di prestazione.
• Configurazione del GA:
  • Codifica: Viene utilizzata la codifica a numeri reali per i tre parametri PID per evitare la perdita di precisione associata alla codifica binaria.
  • Popolazione: Viene utilizzata una popolazione di 80-100 cromosomi, con ogni cromosoma contenente i valori $K_d, K_p, K_i$ e un valore di fitness.
  • Limiti: I limiti dei valori dei parametri non sono impostati arbitrariamente, ma sono vincolati in base agli intervalli riscontrati nei risultati del Metodo Iterativo e della regola di Ziegler-Nichols per garantire la convergenza.
  • Operatori: Viene utilizzata la Selezione Geometrica Normalizzata per la selezione dei genitori. Viene applicata la crossover aritmetica con quattro punti di crossover per accomodare i tre alleli. La probabilità di mutazione è impostata bassa (0,1%) per evitare che la ricerca degeneri in un processo casuale.
  • Terminazione: L'algoritmo viene eseguito per un massimo di 300 generazioni, un limite determinato dall'osservazione che non si verifica alcun miglioramento visibile oltre tale punto.

Risultati Chiave
I controllori PID ottimizzati tramite GA sono stati confrontati con il Metodo Iterativo e la regola di Ziegler-Nichols attraverso vari ritardi temporali (da 0,01 a 1 secondo). I risultati sono stati analizzati utilizzando misure di prestazione standard e indici di prestazione.

• Misure di Prestazione Standard:

  • Percentuale di Overshoot: I metodi GA hanno ridotto significativamente la percentuale di overshoot rispetto agli altri due metodi. L'overshoot medio per il GA era di circa il 10%, rispetto al 38% di Ziegler-Nichols e al 15% del Metodo Iterativo. L'ottimizzazione tramite il criterio IAE ha prodotto i risultati migliori (6%).
  • Tempo di Assestamento (Settling Time): L'ottimizzazione GA tramite ITAE e IAE ha mostrato miglioramenti (rispettivamente 0,745s e 1,01s) rispetto agli altri metodi (circa 1,5s). Tuttavia, altre variazioni del GA non hanno mostrato miglioramenti significativi rispetto alle regole di sintonizzazione.
  • Tempo di Salita (Rise Time) e Tempo di Picco (Peak Time): I metodi GA hanno prodotto risultati simili alla regola di Ziegler-Nichols e sono stati generalmente peggiori del Metodo Iterativo in termini di tempo di salita. Il Metodo Iterativo ha mostrato il peggior tempo di picco (3,43s), mentre GA e Ziegler-Nichols sono comparabili (circa 0,57s–0,83s).
  • Margine di Stabilità: I metodi GA hanno comportato un margine di stabilità leggermente ridotto rispetto ai metodi di sintonizzazione, indicando un potenziale compromesso in cui una migliore risposta transitoria avviene a scapito di margini di stabilità ridotti.

• Indici di Prestazione:

  • Come previsto, i metodi GA hanno prodotto i valori medi più piccoli per tutti e cinque gli indici di prestazione (MSE, IAE, ISE, ITAE, ITSE) nell'intervallo di ritardo testato.
  • La regola di Ziegler-Nichols ha generalmente prodotto valori di indice di prestazione più piccoli rispetto al Metodo Iterativo.
  • Sebbene il GA abbia costantemente minimizzato i criteri di errore, l'entità del miglioramento rispetto ai metodi di sintonizzazione non è stata sempre "impressionante", tranne nel caso della funzione obiettivo ITAE dove la differenza aumenta con il ritardo temporale.

Significatività e Rivendicazioni
L'articolo conclude che l'applicazione degli Algoritmi Genetici alla sintonizzazione dei controllori PID per sistemi FOLPD offre vantaggi distinti nella risposta transitoria, ottenendo specificamente una riduzione della percentuale di overshoot di oltre il 70% rispetto alla regola di Ziegler-Nichols e di oltre il 30% rispetto al Metodo Iterativo. L'approccio GA mantiene tempi di salita e di picco comparabili ai migliori metodi tradizionali, migliorando al contempo il tempo di assestamento in specifiche configurazioni.

Tuttavia, gli autori mantengono una posizione modesta riguardo alla superiorità complessiva del GA. Essi osservano che, sebbene il GA minimizzi efficacementamente i criteri di errore, le differenze nelle prestazioni rispetto alle regole di sintonizzazione tradizionali non sono sempre così sostanziali da poter affermare definitivamente che il GA sia "molto migliore" in tutti gli aspetti. Inoltre, lo studio evidenzia un limite critico: i problemi di convergenza. Negli esperimenti, 2 casi su 45 non sono riusciti a raggiungere la convergenza. Gli autori riconoscono che, sebbene l'impostazione dei limiti di valore basata sui metodi di sintonizzazione esistenti migliori la probabilità di convergenza, ciò restringe intrinsecamente lo spazio di ricerca, escludendo potenzialmente la possibilità di trovare risultati ottimali al di fuori di tali intervalli stabiliti. Pertanto, sebbene il GA sia uno strumento valido per la ritaratura in tempo reale in sistemi dinamici dove i metodi offline falliscono, la sua applicazione richiede una valutazione attenta dell'affidabilità della convergenza e del compromesso tra prestazione transitoria e margini di stabilità.