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

Resumo Técnico: Uma Abordagem PSO para o Design Ótimo de Controlador PID Multivariável para Sistemas Não Lineares

Definição do Problema
O artigo aborda o desafio de controlar sistemas não lineares de Múltiplas Entradas e Múltiplas Saídas (MIMO), que são prevalentes em processos industriais, mas inerentemente mais difíceis de gerenciar do que sistemas de Entrada Única e Saída Única (SISO). Embora os controladores Proporcional-Integral-Derivativo (PID) sejam amplamente utilizados na indústria, os métodos de sintonia convencionais, como a técnica de Ziegler-Nichols (ZN), frequentemente resultam em sobresinal (overshoot) significativo e desempenho subótimo quando aplicados a dinâmicas MIMO complexas e não lineares. Os autores postulam que abordagens heurísticas modernas são necessárias para aumentar as capacidades das técnicas de sintonia tradicionais.

Metodologia
A solução proposta integra três componentes primários: um modelo fuzzy Takagi-Sugeno (T-S) para identificação do sistema, Mínimos Quadrados Ponderados Recursivos (RWLS) para estimativa de parâmetros e Otimização por Enxame de Partículas (PSO) para sintonia de ganhos PID.

1. Modelagem do Sistema: O processo não linear MIMO é representado por um modelo fuzzy T-S. O sistema é decomposto em modelos MISO NARX (Auto-Regressivo Não Linear com entrada Exógena). A identificação desses modelos baseia-se em dados de entrada-saída.
2. Estimativa de Parâmetros: Para lidar com a não linearidade e permitir a adaptação online, os autores empregam o algoritmo de Mínimos Quadrados Ponderados Recursivos (RWLS). Este método estima os vetores de parâmetros do sistema ($\theta$) tratando o sistema como linear em relação aos seus parâmetros desconhecidos, utilizando uma matriz de covariância e um vetor de ganho do estimador para atualizar os parâmetros iterativamente.
3. Estrutura de Controle: Uma estrutura de controle PID multivariável é definida onde a matriz do controlador $C(z)$ interage com a matriz do processo $H(z)$. Os ganhos do controlador ($k_p, k_i, k_d$) são as variáveis a serem otimizadas.
4. Estratégia de Otimização (PSO): Em vez de utilizar a sintonia ZN, o artigo utiliza o algoritmo de Otimização por Enxame de Partículas (PSO). Neste framework:
   • Cada partícula representa um conjunto candidato de parâmetros PID ($k_p, k_i, k_d$) para o sistema MIMO.
   • O espaço de busca é definido pelas dimensões dos ganhos PID.
   • A função objetivo é minimizada para encontrar os ganhos ótimos. O artigo avalia três critérios de desempenho específicos: Integral do Erro Absoluto (IAE), Integral do Erro Quadrático (ISE) e Integral do Erro Quadrático Ponderado pelo Tempo (ITSE).
   • O algoritmo PSO atualiza as velocidades e posições das partículas com base nos melhores valores individuais ($pbest$) e no melhor global ($gbest$), utilizando um peso de inércia ($\omega$) que diminui linearmente ao longo das iterações para equilibrar exploração e explotação.

Principais Contribuições

• Integração de Fuzzy T-S e PSO: O artigo propõe uma arquitetura específica onde um modelo fuzzy T-S identifica a dinâmica MIMO não linear, e o PSO sintoniza o controlador PID com base neste modelo.
• Análise Comparativa de Sintonia: O estudo compara sistematicamente o desempenho de controladores PID sintonizados via o método tradicional de Ziegler-Nichols contra aqueles sintonizados via PSO utilizando diferentes funções objetivo (IAE, ISE, ITSE).
• Implementação Algorítmica: O artigo detalha a implementação passo a passo do controlador PSO-PID, incluindo a inicialização das partículas, as regras de atualização de velocidade e posição, e os critérios de parada específicos utilizados na simulação.

Resultados de Simulação
Os autores validam o método proposto utilizando um sistema não linear MIMO simulado, definido por equações de diferença específicas com duas entradas e duas saídas.

• Otimização de Parâmetros: As Tabelas III e IV demonstram que o PSO produz diferentes conjuntos de parâmetros PID em comparação com o método ZN, com variações significativas em $k_p, k_i$ e $k_d$ dependendo da função objetivo escolhida (ISE, IAE ou ITSE).
• Métricas de Desempenho: As Tabelas V e VI comparam as características da resposta ao degrau. Os resultados indicam que o controlador sintonizado por ZN produz alto sobresinal (55,3% para $y_1$ e 64,8% para $y_2$) e tempos de acomodação mais longos. Em contraste, os controladores sintonizados por PSO reduzem significativamente o sobresinal (variando de aproximadamente ~40% a 48%) e melhoram drasticamente os tempos de subida e de acomodação. Por exemplo, o tempo de acomodação para $y_2$ melhorou de 3,29s (ZN) para tão baixo quanto 0,52s (PSO-ITSE).
• Confirmação Visual: As Figuras 2 e 3 ilustram as respostas do sistema, confirmando visualmente que a abordagem baseada em PSO proporciona uma resposta mais suave e com menos oscilação em comparação com a abordagem ZN.

Significância e Alegações
O artigo conclui que o método de sintonia convencional ZN é insuficiente para o sistema MIMO não linear específico testado, pois leva a grandes sobresinais. Os autores alegam que a abordagem de otimização baseada em PSO oferece uma vantagem distinta ao sintonizar efetivamente os parâmetros PID para minimizar os índices de desempenho. O estudo afirma que o controlador PSO-PID proposto aumenta a capacidade das técnicas tradicionais, fornecendo uma solução mais robusta para o controle de processos multivariáveis não lineares. O trabalho posiciona o PSO como uma alternativa viável e computacionalmente eficiente aos algoritéticos genéticos para esta aplicação de controle específica, citando sua simplicidade e profundo background inteligente.