⚡ electrical engineering

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

이 논문은 비선형 MIMO Takagi-Sugeno 퍼지 시스템을 위한 다변수 PID 제어기를 튜닝하기 위해 입자 군집 최적화(PSO) 알고리즘을 제안하며, 오버슈트를 크게 줄임으로써 Ziegler-Nichols와 같은 기존 방식보다 우수한 성능을 입증한다.

원저자: Adel Taeib, Ali Ltaeif, Abdelkader Chaari

게시일 2026-06-04

📖 3 분 읽기☕ 가벼운 읽기

CC BY 3.0

원저자: Adel Taeib, Ali Ltaeif, Abdelkader Chaari

원본 논문은 CC BY 3.0 (http://creativecommons.org/licenses/by/3.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

매우 복잡하고 흔들거리는 배(비선형 MIMO 시스템)를 폭풍 속에서 조종한다고 상상해 보십시오. 이 배에는 두 개의 조종 핸들과 두 개의 키가 있는데, 이들은 서로 복잡하게 영향을 주고받습니다. 한쪽 핸들을 돌리면 다른 쪽 키가 갑자기 덜컥거릴 수도 있습니다. 당신의 목표는 배를 특정 목적지를 향해 직선 경로로 유지하는 것입니다.

이를 위해 당신은 PID 제어기가 필요합니다. PID 제어기를 조종 핸들을 끊임없이 조절하는 "오토파일럿" 또는 "스마트한 손"이라고 생각하십시오. 이 제어기는 조정할 수 있는 세 가지 설정(이득, gains)을 가지고 있습니다:

비례 (P, Proportional): 현재 경로에서 얼마나 벗어났는지에 따라 얼마나 강하게 밀 것인가.
적분 (I, Integral): 경로를 벗어난 지 얼마나 오래되었는지에 따라 얼마나 강하게 밀 것인가.
미분 (D, Derivative): 경로에서 벗어나는 속도가 얼마나 빠른지에 따라 얼마나 강하게 밀 것인가.

문제점: "구식" 방식

전통적으로 엔지니어들은 **지글러-니콜스(Ziegler-Nichols, Z-N)**라는 규칙 책을 사용하여 이 설정들을 튜닝합니다. 논문은 이 방식을 일률적인 범용 지도와 비교합니다. 저자들은 이 지도가 움직이게는 해주지만, 종종 배가 안착하기 전에 심하게 요동치게(높은 오버슈트, overshoot) 만든다는 것을 발견했습니다. 이는 마치 운전자가 브레이크를 너무 세게 밟아 차가 미끄러졌다가 다시 과하게 수정하면서, 승차감을 험하고 불안하게 만드는 것과 같습니다.

해결책: "스마트 스웜" (PSO)

정적인 규칙 책을 사용하는 대신, 저자들은 입자 군집 최적화(Particle Swarm Optimization, PSO) 기법을 사용했습니다.

비유:
새 떼가 들판에서 가장 좋은 착륙 지점을 찾는 모습을 상상해 보십시오.

각 새는 서로 다른 PID 설정(배를 조종하는 서로 다른 방법)을 나타내는 "입자(particle)"입니다.
새들은 처음에는 무작위로 날아다닙니다.
새가 착륙할 때마다, 그 착륙이 얼마나 부드러웠는지 확인합니다(이것이 적합도 함수, fitness function입니다).
만약 어떤 새가 부드러운 착륙 지점을 찾으면, 그것을 기억합니다.
새들은 서로 소통합니다. 만약 한 마리의 새가 완벽한 지점을 찾아내면, 전체 무리는 그 지점을 향해 비행 경로를 조정합니다.
시간이 흐르면서 전체 무리는 단 하나의 최적의 착륙 지점으로 수렴합니다.

이 논문에서 "새"는 수천 가지의 서로 다른 PID 설정을 테스트하는 컴퓨터 시뮬레이션입니다. 이들은 오차를 최소화하는(예: 목표치를 초과하거나 안착하는 데 시간이 너무 오래 걸리는 것) 조합을 찾고 있습니다.

수행 방법

배의 모델링: 먼저, 저자들은 "퍼지 로직(fuzzy logic)" 시스템을 사용하여 흔들거리는 배의 디지털 트윈을 만들었습니다. 이를 통해 실제 배를 충돌시키지 않고도 조종 입력에 배가 어떻게 반응할지 예측할 수 있었습니다.
사냥: 저자들은 "군집(swarm)"이 완벽한 PID 수치를 찾아내도록 했습니다. 그들은 "부드러움"을 측정하기 위해 세 가지 다른 방식을 테스트했습니다:
- IAE: 경로에서 벗어난 총 거리.
- ISE: 오차를 제곱함 (큰 실수를 더 많이 처벌함).
- ITSE: 오차를 제곱하되, 비행 후반부에 발생하는 오차에 대해서도 처벌함.
결과: 군집은 기존의 "규칙 책"(Z-N) 방식보다 훨씬 더 나은 설정값을 찾아냈습니다.

결과

저자들이 새로운 "군집 튜닝(Swarm-Tuned)" 오토파일럿을 기존의 "규칙 책" 오토파일럿과 비교 테스트했을 때:

기존 방식: 배는 안착하기 전까지 목표치를 **55%에서 65%**까지 초과하며 심하게 요동쳤습니다. 안정화되는 데 오랜 시간이 걸렸습니다.
새로운 방식: 배는 훨씬 더 안정적이었습니다. 오버슈트가 약 40% 이하로 떨어졌으며, 훨씬 더 빠르게(절반 미만의 시간 안에) 올바른 경로로 안착했습니다.

핵심 요약

이 논문은 이 "새 떼 알고리즘(PSO)"을 사용하여 오토파일럿을 튜닝함으로써, 복잡하고 흔들거리는 기계를 전통적인 수동 튜닝 방식보다 훨씬 더 부드럽고 안전하게 구동할 수 있다고 주장합니다. "스마트한 탐색"이 기존의 규칙들이 놓쳤던 더 나은 설정의 균형을 찾아낸 것입니다.

기술 요약: 비선형 시스템의 다변수 PID 제어기 최적 설계를 위한 PSO 접근 방식

문제 정의
본 논문은 산업 공정에서 흔히 발견되지만 단입출력(SISO) 시스템보다 관리가 훨씬 까다로운 다입출력(MIMO) 비선형 시스템을 제어하는 과제를 다룹니다. 비례-적분-미분(PID) 제어기는 산업계에서 널리 사용되고 있지만, 기존의 지글러-니콜스(Ziegler-Nichols, ZN) 기법과 같은 전통적인 튜닝 방식은 복잡한 비선형 MIMO 역학에 적용했을 때 상당한 오버슈트와 차선적인 성능을 초래하는 경우가 많습니다. 저자들은 전통적인 튜닝 기법의 능력을 향상시키기 위해 현대적인 휴리스틱 접근 방식이 필요하다고 주장합니다.

방법론
제안된 솔루션은 시스템 식별을 위한 Takagi-Sugeno(T-S) 퍼지 모델, 파라미터 추정을 위한 재귀적 가중 최소제곱법(Recursive Weighted Least-Squares, RWLS), 그리고 PID 이득(gain) 튜닝을 위한 입자 군집 최적화(Particle Swarm Optimization, PSO)라는 세 가지 주요 구성 요소를 통합합니다.

시스템 모델링: MIMO 비선형 프로세스는 T-S 퍼지 모델을 사용하여 표현됩니다. 시스템은 다입력 단일 출력(MISO) NARX(비선형 자기 회귀 외생 입력) 모델로 분해됩니다. 이러한 모델의 식별은 입출력 데이터에 의존합니다.
파라미터 추정: 비선형성을 처리하고 온라인 적응을 허용하기 위해, 저자들은 재귀적 가중 최소제곱법(RWLS) 알고리즘을 채택합니다. 이 방법은 시스템을 미지의 파라미터에 대해 선형으로 취급하여, 공분산 행렬과 추정기 이득 벡터를 활용해 파라미터를 반복적으로 업데이트함으로써 시스템 파라미터 벡터( $\theta$ )를 추정합니다.
제어 구조: 제어기 행렬 $C(z)$ 가 프로세스 행렬 $H(z)$ 와 상호 작용하는 다변수 PID 제어 구조가 정의됩니다. 제어 이득( $k_p, k_i, k_d$ )이 최적화 대상 변수입니다.
최적화 전략 (PSO): ZN 튜닝 대신 본 논문은 PSO 알고리즘을 활용합니다. 이 프레임워크에서:
- 각 입자(particle)는 MIMO 시스템을 위한 PID 파라미터( $k_p, k_i, k_d$ )의 후보 집합을 나타냅니다.
- 탐색 공간은 PID 이득의 차원으로 정의됩니다.
- 최적의 이득을 찾기 위해 목적 함수가 최소화됩니다. 본 논문은 세 가지 특정 성능 기준인 절대 오차 적분(IAE), 제곱 오차 적분(ISE), 시간 가중 제곱 오차 적분(ITSE)을 평가합니다.
- PSO 알고리즘은 탐색(exploration)과 개발(exploitation) 사이의 균형을 맞추기 위해 선형적으로 감소하는 관성 가중치( $\omega$ )를 사용하여, 개별 최적값($pbest $)과 전역 최적값($ gbest$)을 기반으로 입자의 속도와 위치를 업데이트합니다.

주요 기여

T-S 퍼지와 PSO의 통합: 본 논문은 T-S 퍼지 모델이 비선형 MIMO 역학을 식별하고, PSO가 이 모델을 기반으로 PID 제어기를 튜닝하는 구체적인 아키텍처를 제안합니다.
비교 튜닝 분석: 본 연구는 ZN 방식과 더불어 서로 다른 목적 함수(IAE, ISE, ITSE)를 사용하여 PSO로 튜닝된 PID 제어기의 성능을 체계적으로 비교합니다.
알고리즘 구현: 본 논문은 입자의 초기화, 속도 및 위치 업데이트 규칙, 그리고 시뮬레이션에 사용된 특정 정지 조건(stopping criteria)을 포함하여 PSO-PID 제어기의 단계별 구현 과정을 상세히 설명합니다.

시뮬레이션 결과
저자들은 두 개의 입력과 두 개의 출력을 가진 특정 차분 방정식으로 정의된 시뮬레이션된 MIMO 비선형 시스템을 사용하여 제안된 방법을 검증했습니다.

파라미터 최적화: 표 III와 IV는 PSO가 선택된 목적 함수(ISE, IAE, ITSE)에 따라 $k_p, k_i, k_d$ 에서 상당한 변화를 보이는 ZN 방식과는 다른 PID 파라미터 집합을 산출함을 보여줍니다.
성능 지표: 표 V와 VI는 계단 응답 특성을 비교합니다. 결과에 따르면 ZN 튜닝 제어기는 높은 오버슈트( $y_1$ 에 대해 55.3%, $y_2$ 에 대해 64.8%)와 긴 침강 시간(settling time)을 생성합니다. 반면, PSO 튜닝 제어기는 오버슈트를 현저히 감소시키며(약 40% ~ 48% 범위), 상승 시간(rise time)과 침강 시간을 획기적으로 개선합니다. 예를 들어, $y_2$ 의 침강 시간은 ZN의 3.29초에서 PSO-ITSE의 경우 0.52초까지 단축되었습니다.
시각적 확인: 그림 2와 3은 시스템 응답을 보여주며, PSO 기반 접근 방식이 ZN 방식에 비해 진동이 적고 더 매끄러운 응답을 제공함을 시각적으로 확인시켜 줍니다.

의의 및 주장
본 논문은 테스트된 특정 비선형 MIMO 시스템에 대해 전통적인 ZN 튜닝 방식이 큰 오버슈트를 유발하므로 불충분하다고 결론짓습니다. 저자들은 PSO 기반 최적화 접근 방식이 성능 지수를 최소화하도록 PID 파라미터를 효과적으로 튜닝함으로써 뚜렷한 이점을 제공한다고 주장합니다. 본 연구는 제안된 PSO-PID 제어기가 전통적인 기법의 능력을 강화하여 비선형 다변수 프로세스를 제어하기 위한 더 강력한 솔루션을 제공한다고 단언합니다. 이 연구는 PSO의 단순성과 깊은 지능적 배경을 인용하며, 이 특정 제어 응용 분야에서 유전 알고리즘(genetic algorithms)에 대한 계산 효율적인 대안으로서 PSO의 가치를 입증합니다.

문제점: "구식" 방식

해결책: "스마트 스웜" (PSO)

수행 방법

결과

핵심 요약

유사한 논문