⚡ electrical engineering

PID Parameters Optimization by Using Genetic Algorithm

Dit artikel stelt het gebruik van een genetisch algoritme voor om PID-regelaarparameters te optimaliseren voor First Order Lag plus Time Delay-systemen om tijdsvertragingen te compenseren, waarbij de effectiviteit wordt aangetoond door de resultaten te vergelijken met de Iterative Method en de Ziegler-Nichols rule-benaderingen.

Oorspronkelijke auteurs: Andri Mirzal, Shinichiro Yoshii, Masashi Furukawa

Gepubliceerd 2026-06-03

📖 5 min leestijd🧠 Diepgaand

CC BY 3.0

Oorspronkelijke auteurs: Andri Mirzal, Shinichiro Yoshii, Masashi Furukawa

Oorspronkelijk artikel gelicentieerd onder CC BY 3.0 (http://creativecommons.org/licenses/by/3.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een auto probeert te besturen, maar er zit een vreemde vertraging tussen het moment dat je het stuur draait en het moment dat de auto daadwerkelijk afslaat. Misschien is het een zware vrachtwagen, of misschien is het een trage computer die je commando's verwerkt. In de wereld van de techniek wordt dit een "tijdvertraging" (time delay) genoemd. Het maakt systemen traag en instabiel, zoals proberen te sturen met een boot waarbij er 10 seconden vertraging zit.

Om dit op te lossen, gebruiken ingenieurs een "PID-controller", wat in essentie een slimme autopilot is die constant de besturing aanpast om de auto op koers te houden. De grote vraag is: hoe stem je deze autopilot zo af dat hij perfect werkt?

Dit artikel gaat over een team van onderzoekers dat drie verschillende manieren heeft geprobeerd om de perfecte instellingen voor deze autopilot te vinden. Hier is de uiteenzetting van hun reis:

1. De Drie Concurrenten

De onderzoekers organiseerden een race tussen drie verschillende methoden om de controller af te stemmen:

Het Receptboek (Ziegler-Nichols): Dit is alsof je een recept uit een kookboek volgt. Je meet de vertraging, voert het getal in een standaardformule in en krijgt je instellingen. Het is snel en gemakkelijk, maar het is een "one-size-fits-all"-aanpak.
De Trial-and-Error (Iteratieve Methode): Dit is als een monteur die de motor met de hand bijstelt, test, aanpast en weer test, totdat het goed voelt. Het is voorzichtiger dan het receptboek, maar vereist nog steeds dat het systeem offline wordt stilgelegd en getest.
De Evolutionaire Solver (Genetic Algorithm - GA): Dit is de ster van de show. Stel je een virtuele broedplaats voor waar je 80 tot 100 verschillende "kampioenen" (sets van instellingen) creëert. Je laat ze "racen" (de auto simuleren tijdens het rijden). De kampioenen die het soepst rijden, mogen zich "voortplanten" en mengen hun beste eigenschappen om een nieuwe generatie te creëren. Over 30ers generaties evolueert de populatie om de absolute beste instellingen te vinden.

2. Het Doel: Wat Meten We?

De onderzoekers wilden zien welke methode de auto het beste liet rijden. Ze keken naar twee hoofdzaken:

De "Rijkwaliteit" (Standaardmaten):
- Overshoot: Sloeg de auto wild door de bocht heen voordat hij corrigeerde? (Het doel is om zo min mogelijk door te slaan).
- Settling Time (Inregeltijd): Hoe lang duurde het voordat de auto stopte met wiebelen en weer rechtuit reed?
- Rise Time (Stijgtijd): Hoe snel reageerde de auto op de bocht?
- Stability Margin (Stabiliteitsmarge): Hoe dicht kwam de auto bij een crash voordat hij instabiel werd?
De "Foutscore" (Prestatie-indices):
- Denk aan dit als een scorekaart voor hoeveel de auto afweek van het perfecte pad. Hoe lager de score, hoe beter. Ze gebruikten vijf verschillende manieren om deze score te berekenen (zoals MSE, IAE, ITAE, enz.).

3. De Resultaten: Wie Heeft Er Gewonnen?

De Grote Overwinning: Soepelere Ritten
De Genetic Algorithm was de duidelijke winnaar wat betreat het soepel laten verlopen van de rit.

Het verminderde de "uitslag" (overshoot) met meer dan 70% vergeleken met het Receptboek en met 30% vergeleken met de Trial-and-Error methode.
Het hielp de auto ook sneller te stoppen met wiebelen (settling time).
Het Keerzijde: Om deze soepele rit te krijgen, werd de auto iets minder "stabiel" in termen van hoeveel hij kon verdragen voordat hij kantelde. Het is een afweging: een soepelere rit, maar een iets smallere foutmarge.

De Scorekaart: Lagere Fouten
Wanneer gekeken werd naar de "Foutscores", scoorde de Genetic Algorithm consequent lager dan de andere twee methoden. Het vond instellingen die de afwijking van het pad beter minimaliseerden dan de Receptboek- of de Trial-and-Error-methode.

De Verrassing: Sommige Zaken Bleven Gelijk
Interessant genoeg zorgde de Genetic Algorithm er niet voor dat de auto sneller reageerde (Rise Time) of haar topsnelheid sneller bereikte (Peak Time) dan de andere methoden. Het maakte de rit alleen maar soepeler en gecontroleerder.

4. De Hobbels (Beperkingen)

De onderzoekers merkten twee belangrijke problemen op bij het gebruik van de Genetic Algorithm:

Het is niet altijd perfect: Soms komt de "evolutie" vast te zitten en vindt het niet de beste oplossing, zelfs na vele pogingen. In hun tests vond het ongeveer 4% van de tijd geen oplossing.
Het is beperkt door zijn startpunt: Om de algoritme te laten werken, moesten ze het opdracht geven om alleen te zoeken naar instellingen binnen een specifiek bereik (gebaseerd op de andere twee methoden). Dit betekent dat ze een "super-optimale" oplossing die buiten dit bereik bestond, mogelijk gemist hebben.

De Conclusie

Het artikel concludeert dat het gebruik van een Genetic Algorithm een krachtige manier is om controllers af te stemmen voor systemen met tijdvertragingen. Het produceert een veel soepeler, gecontroleerder reactievermogen met minder fouten dan traditionele methoden. Echter, het vereist meer rekenkracht, duurt langer om uit te voeren en vereist een zorgvuldige setup om er zeker van te zijn dat het daadwerkelijk een oplossing vindt. Het is een hoogtechnologische, evolutionaire aanpak die de oude recepten verslaat, maar het is geen toverstaf die elk probleem direct oplost.

Technische Samenvatting: Optimalisatie van PID-parameters door gebruik van een Genetisch Algoritme

Probleemstelling
Tijdvertragingen zijn inherente componenten in fysieke, chemische, biologische en economische systemen, evenals in meet- en computerprocessen. Deze vertragingen introduceren tijdlaggen die de stabiliteit van minimumfase-systemen aanzienlijk kunnen verminderen. Hoewel eerder werk van de auteurs aantoonde dat de Iteratieve Methode en de Ziegler-Nichols-regel effectief PID-regelaars konden afstemmen voor First Order Lag plus Time Delay (FOLPD) systemen, hebben deze methoden beperkingen. Specifiek vereisen ze dat het systeem offline wordt genomen voor herafstemming, wat ze ongeschikt maakt voor dynamische installaties waarbij parameters constant veranderen en real-time herafstemming noodzakelijk is. Dit artikel behandelt de uitdaging van het optimaliseren van PID-regelaarparameters om tijdvertragingen in FOLPD-systemen te compenseren met behulp van een methode die in staat is complexe, niet-lineaire zoekruimtes aan te pakken zonder dat offline systeemonderbrekingen nodig zijn.

Methodologie
De auteurs stellen de implementatie van een Genetisch Algoritme (GA) voor om de optimale PID-regelaarparameters ( $K_p, K_i, K_d$ ) te bepalen. De studie maakt gebruik van de Matlab Genetic Algorithm Toolbox en volgt een gestructureerde aanpak:

Systeemmodellering: De tijdvertragingcomponent wordt benaderd met behulp van een tweede-orde Direct Frequency Response (DFR) reeks. De auteurs kozen voor DFR boven de standaard Pade-approximatie (gebruikt in de Matlab Control Systems Toolbox) omdat DFR in eerdere vergelijkingen de kleinste gemiddelde fout demonstreerde en een polynoomreeksrepresentatie mogelijk maakt die geschikt is voor de transferfunctieconstructie van de GA.
Doelfuncties: Om de fitness van elk chromosoom te evalueren, gebruikt de studie vijf prestatie-indices: de gemiddelde kwadratische fout (MSE), de integraal van de absolute grootte van de fout (IAE), de integraal van de kwadratische fout (ISE), de integraal van de tijd vermenigvuldigd met de absolute fout (ITAE) en de integraal van de tijd vermenigvuldigd met de kwadratische fout (ITSE). De fitnesswaarde wordt gedefinieerd als de reciproque van de waarde van de prestatie-index.
GA-configuratie:
- Codering: Real number encoding wordt gebruikt voor de drie PID-parameters om precisieverlies te voorkomen dat geassocieerd wordt met binaire codering.
- Populatie: Een populatiegrootte van 80 tot 100 chromosomen wordt gebruikt, waarbij elk chromosoom $K_d, K_p, K_i$ waarden en een fitnesswaarde bevat.
- Grenzen: De grenzen voor parameterwaarden zijn niet willekeurig ingesteld, maar zijn beperkt op basis van de bereiken gevonden in de resultaten van de Iteratieve Methode en de Ziegler-Nichols-regel om convergentie te waarborgen.
- Operatoren: Normalized Geometric Selection wordt gebruikt voor ouderselectie. Arithmetic crossover wordt toegepast met vier kruispunten om de drie allelen te accommoderen. De mutatiekans is laag (0,1%) om te voorkomen dat het zoekproces vervalt in een willekeurig proces.
- Terminatie: Het algoritme draait voor een maximaal aantal van 300 generaties, een limiet die is bepaald door te observeren dat er na dit punt geen zichtbare verbetering meer optreedt.

Belangrijkste Resultaten
De GA-geoptimaliseerde PID-regelaars werden vergeleken met de Iteratieve Methode en de Ziegler-Nichols-regel over verschillende tijdvertragingen (0,01 tot 1 seconde). De resultaten werden geanalyseerd met behulp van standaard prestatie-maten en prestatie-indices.

Standaard Prestatie-maten:
- Percentage Overshoot: GA-methoden verminderden het percentage overshoot aanzienlijk vergeleken met de andere twee methoden. De gemiddelde overshoot voor GA was ongeveer 10%, vergeleken met 38% voor Ziegler-Nichols en 15% voor de Iteratieve Methode. Optimalisatie door het IAE-criterium leverde de beste resultaten op (6%).
- Settling Time (Insteltijd): GA-optimalisatie door ITAE en IAE toonde verbeteringen (0,745s en 1,01s, respectievelijk) vergeleken met de andere methoden (ongeveer 1,5s). Echter, andere GA-variaties vertoonden geen significante verbetering ten opzichte van de afstemregels.
- Rise Time (Stijgtijd) en Peak Time (Piektijd): GA-methoden produceerden resultaten die vergelijkbaar waren met de Ziegler-Nichols-regel en waren over het algemeen slechter dan de Iteratieve Methode wat betreft stijgtijd. De Iteratieve Methode vertoonde de slechtste piektijd (3,43s), terwijl GA en Ziegler-Nichols vergelijkbaar waren (ongeveer 0,57s–0,83s).
- Stabiliteitsmarge: GA-methoden resulteerden in een licht verminderde stabiliteitsmarge vergeleken met de afstemmethoden, wat wijst op een potentiële trade-off waarbij een verbeterde transiënte respons ten koste gaat van de stabiliteitsmarges.
Prestatie-indices:
- Zoals verwacht produceerden de GA-methoden de kleinste gemiddelde waarden voor alle vijf de prestatie-indices (MSE, IAE, ISE, ITAE, ITSE) over het geteste vertragingsbereik.
- De Ziegler-Nichols-regel produceerde over het algemeen kleinere prestatie-indexwaarden dan de Iteratieve Methode.
- Hoewel GA consistent de foutcriteria minimaliseerde, was de omvang van de verbetering ten opzichte van de afstemregels niet altijd "indrukwekkend", behalve in het geval van de ITAE-doelfunctie waar het verschil toenam met de tijdvertraging.

Betekenis en Claims
Het artikel concludeert dat het toepassen van Genetische Algoritmen op PID-regelaarafstemming voor FOLPD-systemen duidelijke voordelen biedt in de transiënte respons, specificaat het bereiken van een reductie in percentage overshoot van meer dan 70% vergeleken met de Ziegler-Nichols-regel en meer dan 30% vergeleken met de Iteratieve Methode. De GA-aanpak behoudt een stijgtijd en piektijd die vergelijkbaar zijn met de beste traditionele methoden, terwijl het de insteltijd in specifieke configuraties verbetert.

De auteurs nemen echter een bescheiden standpunt in met betrekking tot de algehele superioriteit van GA. Ze merken op dat hoewel GA de foutcriteria effectief minimaliseert, de verschillen in prestatie-indices vergeleken met traditionele afstemregels niet altijd substantieel genoeg zijn om definitief te claimen dat GA op alle aspecten "veel beter" is. Bovendien benadrukt de studie een kritische beperking: convergentieproblemen. In de experimenten slaagden 2 van de 45 gevallen er niet in om te convergeren. De auteurs erkennen dat het instellen van waardegrenzen op basis van bestaande afstemmethoden de convergentiekans weliswaar verbetert, maar inherent de zoekruimte beperkt, waardoor de mogelijkheid om optimale resultaten buiten die gevestigde bereiken te vinden, wordt uitgesloten. Zo is GA weliswaar een levensvatbaar hulpmiddel voor real-time herafstemming in dynamische systemen waar offline methoden falen, maar de toepassing ervan vereist een zorgvuldige overweging van de betrouwbaarheid van convergentie en de trade-off tussen transiënte prestaties en stabiliteitsmarges.

1. De Drie Concurrenten

2. Het Doel: Wat Meten We?

3. De Resultaten: Wie Heeft Er Gewonnen?

4. De Hobbels (Beperkingen)

De Conclusie

Meer zoals dit