PID Parameters Optimization by Using Genetic Algorithm

기술 요약: 유전 알고리즘을 이용한 PID 파라미터 최적화

문제 정의
시간 지연(Time delays)은 물리, 화학, 생물 및 경제 시스템뿐만 \n가 측정 및 계산 과정에서도 내재된 구성 요소이다. 이러한 지연은 최소 위상 시스템(minimum phase systems)의 안정성을 크게 저하시킬 수 있는 시간 지연(time-lags)을 유발한다. 저자들이 수행한 이전 연구에서는 반복법(Iterative Method)과 지글러-니콜스(Ziegler-Nichols) 규칙이 1차 지연 포함 1차 시스템(First Order Lag plus Time Delay, FOLPD)에 대해 PID 제어기를 효과적으로 튜닝할 수 있음을 보여주었으나, 이러한 방법들에는 한계가 있다. 구체적으로, 이 방법들은 재튜닝을 위해 시스템을 오프라인 상태로 만들어야 하므로, 파라미터가 끊임없이 변화하여 실시간 재튜닝이 필요한 동적 플랜트(dynamic plants)에는 적합하지 않다. 본 논문은 복잡하고 비선형적인 탐색 공간을 다룰 수 있으면서도 오프라인 시스템 중단 없이 FOLPD 시스템의 시간 지연을 보상하기 위한 PID 제어기 파라미터 최적화 문제를 해결하고자 한다.

방법론
저자들은 최적의 PID 제어기 파라미터($K_p, K_i, K_d$)를 결정하기 위해 유전 알고리즘(Genetic Algorithm, GA)의 구현을 제안한다. 본 연구는 Matlab Genetic Algorithm Toolbox를 활용하며 다음과 같은 구조화된 접근 방식을 따른다:

• 시스템 모델링: 시간 지연 구성 요소는 2차 직접 주파수 응답(Direct Frequency Response, DFR) 급수로 근사화된다. 저자들은 표준 Pade 근사(Matlab의 Control Systems Toolbox에서 사용됨) 대신 DFR을 선택하였는데, 이는 DFR이 이전 비교에서 가장 작은 평균 오차를 보였으며, GA의 전달 함수 구축에 적합한 다항식 급수 표현을 허용하기 때문이다.
• 목적 함수: 각 염색체의 적합도(fitness)를 평가하기 위해, 본 연구는 다섯 가지 성능 지표인 평균 제곱 오차(MSE), 오차 절대값의 적분(IAE), 제곱 오차의 적분(ISE), 시간 곱 오차 절대값의 적분(ITAE), 시간 곱 제곱 오차의 적분(ITSE)을 사용한다. 적합도 값은 성능 지표 값의 역수로 정의된다.
• GA 설정:
  • 인코딩: 이진 인코딩과 관련된 정밀도 손실을 피하기 위해 세 가지 PID 파라미터에 대해 실수 인코딩(Real number encoding)을 사용한다.
  • 개체군: 80에서 100개의 염색체를 가진 개체군을 사용하며, 각 염색체는 $K_d, K_p, K_i$ 값과 적합도 값을 포함한다.
  • 경계값: 파라미터 값의 경계는 임의로 설정되지 않고, 수렴을 보장하기 위해 반복법 및 지글러-니콜스 규칙 결과에서 발견된 범위에 따라 제한된다.
  • 연산자: 부모 선택을 위해 정규화된 기하학적 선택(Normalized Geometric Selection)이 사용된다. 세 개의 대립유전자를 수용하기 위해 4개의 교차점을 가진 산술 교차(Arithmetic crossover)가 적용된다. 돌연변이 확률은 탐색이 무작위 과정으로 퇴보하는 것을 방지하기 위해 0.1%로 낮게 설정된다.
  • 종료 조건: 알고리즘은 최대 300 세대 동안 실행되며, 이 지점 이후로 눈에 띄는 개선이 관찰되지 않는다는 점을 근거로 한계치가 결정되었다.

주요 결과
GA로 최적화된 PID 제어기를 다양한 시간 지연(0.01 ~ 1초)에 대해 반복법 및 지글러-니콜스 규칙과 비교하였다. 결과는 표준 성능 척도와 성능 지표를 사용하여 분석되었다.

• 표준 성능 척도:

  • 오버슈트 백분율(Percent Overshoot): GA 방식은 다른 두 방식에 비해 오버슈트 백분율을 유의미하게 감소시켰다. GA의 평균 오버슈트는 약 10%였던 반면, 지글러-니콜스는 38%, 반복법은 15%였다. IAE 기준에 의한 최적화가 가장 좋은 결과(6%)를 나타냈다.
  • 정착 시간(Settling Time): GA 최적화 중 ITAE와 IAE는 다른 방법들(약 1.5s)에 비해 개선된 결과(각각 0.745s 및 1.01s)를 보였다. 그러나 다른 GA 변형들은 튜닝 규칙들에 비해 유의미한 개선을 보이지 않았다.
  • 상승 시간(Rise Time) 및 피크 시간(Peak Time): GA 방식은 상승 시간 측면에서 지글러-니콜스 규칙과 유사한 결과를 냈으며, 일반적으로 반복법보다 열세였다. 반복법은 가장 나쁜 피크 시간(3.43s)을 보였고, GA와 지글러-니콜스는 유사했다(약 0.57s–0.83s).
  • 안정성 여유(Stability Margin): GA 방식은 튜닝 방법들에 비해 약간 감소된 안정성 여유를 보였으며, 이는 더 나은 과도 응답(transient response)을 얻는 대가로 안정성 여유가 줄어드는 잠재적 트레이드오프가 존재함을 시사한다.

• 성능 지표:

  • 예상대로, GA 방식은 테스트된 지연 범위 전반에 걸쳐 다섯 가지 성능 지표(MSE, IAE, ISE, ITAE, ITSE) 모두에서 가장 작은 평균값을 생성했다.
  • 지로러-니콜스 규칙은 일반적으로 반복법보다 더 작은 성능 지표 값을 생성했다.
  • GA가 오차 기준을 일관되게 최소화하기는 했지만, 성능 지표 측면에서의 개선 폭이 항상 "인상적"이었던 것은 아니었다. 특히 ITAE 목적 함수의 경우 시간 지연이 증가함에 따라 차이가 커졌다.

의의 및 주장
본 논문은 FOLPD 시스템에 대한 PID 제어기 튜닝에 유전 알고리즘을 적용하는 것이 과도 응답, 특히 지로러-니콜스 규칙 대비 70% 이상, 반복법 대비 30% 이상의 오버슈트 감소를 달성한다는 점에서 뚜렷한 이점을 제공한다고 결론짓는다. GA 방식은 상승 시간과 피크 시간을 최선의 전통적 방법들과 유사하게 유지하면서 특정 구성에서 정착 시간을 개선한다.

그러나 저자들은 GA의 전반적인 우월성에 대해 신중한 입장을 유지한다. 저자들은 GA가 오차 기준을 효과적으로 최소화하지만, 성능 지표의 차이가 모든 측면에서 전통적인 튜닝 규칙에 비해 결정적으로 "훨씬 더 낫다"고 주장할 만큼 충분히 크지는 않다고 언급했다. 또한, 본 연구는 중요한 한계점인 수렴 문제를 강조한다. 실험에서 45개 케이스 중 2개 케이스가 수렴에 실패했다. 저자들은 기존 튜닝 방법에 기반하여 값의 범위를 설정하는 것이 수렴 확률을 높이지만, 이는 본질적으로 탐색 공간을 제한하여 설정된 범위 밖의 최적 결과를 찾을 가능성을 배제할 수 있다고 인정한다. 따라서 GA는 오프라인 방식이 실패하는 동적 시스템에서 실시간 재튜닝을 위한 유효한 도구이지만, 그 적용에는 수렴 신뢰성과 과도 응답 성능 및 안정성 여유 사이의 트레이드오프에 대한 신중한 고려가 필요하다.