⚡ electrical engineering

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

本文提出了一种粒子群优化（PSO）算法，用于为非线性多变量 MIMO Takagi-Sugeno 模糊系统调节多变量 PID 控制器，通过显著降低超调量，证明了其性能优于 Ziegler-Nichols 等传统方法。

原作者： Adel Taeib, Ali Ltaeif, Abdelkader Chaari

发布于 2026-06-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Adel Taeib, Ali Ltaeif, Abdelkader Chaari

原始论文采用 CC BY 3.0 许可（http://creativecommons.org/licenses/by/3.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图驾驶一艘非常复杂、摇摇晃晃的小船（一个非线性 MIMO 系统）穿过一场风暴。这艘船有两个方向盘和两个舵，它们之间会以一种令人困惑的方式相互影响。如果你转动其中一个方向盘，另一个舵可能会发生意想不到的剧烈抖动。你的目标是让小船保持在一条通往特定目的地的直线路径上。

为了做到这一点，你需要一个 PID 控制器。可以将 PID 控制器想象成“自动驾驶仪”或“智能手”，它会不断调整转向轮。它有三个可以调节的参数（增益）：

比例 (P)： 根据当前偏离航线的距离，决定现在要多用力推动。
积分 (I)： 根据偏离航线持续的时间，决定要多用力推动。
微分 (D)： 根据偏离航线的速度，决定要多用力推动。

问题所在：“老派”做法

传统上，工程师们使用一本名为 Ziegler-Nichols (Z-N) 的规则手册来调试这些设置。论文将此比作使用一张通用的、千篇一律的地图。作者发现，虽然这张地图能让你动起来，但它经常会导致小船在最终稳定下来之前产生剧烈的摆动（高超调）。这就像一个司机猛踩刹车，导致车辆打滑，然后又过度修正，使得行驶过程颠簸且不安全。

解决方案：“智能集群” (PSO)

他们没有使用静态的规则手册，而是使用了一种方法——粒子群优化算法 (PSO)。

类比：
想象一群鸟正在寻找在田野中着陆的最佳位置。

每只鸟都是一个“粒子”，代表一组不同的 PID 设置（一种不同的操纵小船的方式）。
起初，鸟群会随机地四处飞翔。
每当一只鸟着陆时，它都会检查着陆是否平稳（这就是适应度函数）。
如果一只鸟找到了一个着陆平稳的位置，它就会记住它。
鸟儿们也会互相交流。如果一只鸟找到了一个完美的位置，整个鸟群都会调整飞行路径，向那个位置移动。
随着时间的推移，整个鸟群会收敛到那唯一最佳的着陆点。

在这篇论文中，“鸟”是测试了数千种不同 PID 设置的计算机模拟。它们正在寻找能够使误差最小化（例如减少超调目标或耗时过长）的最佳组合。

他们是如何做的

为小船建模： 首先，他们使用了一个“模糊逻辑”系统创建了这个摇晃小船的数字孪生体。这使得他们能够在不实际撞毁真实小船的情况下，预测小船对转向输入的反应。
搜寻： 他们让“集群”中的虚拟鸟群寻找完美的 PID 数值。他们测试了三种不同的衡量“平稳度”的方法：
- IAE： 总偏离航线的距离。
- ISE： 误差平方（对大错误进行更严厉的惩罚）。
- ITSE： 误差平方，但如果错误发生在飞行后期，也会进行惩罚。
结果： 鸟群找到了一组比旧有的“规则手册”(Z-N) 方法更好的设置。

结果

当他们将这种“集群调优”的自动驾驶仪与旧有的“规则手册”自动驾驶仪进行对比测试时：

老方法： 小船剧烈摆动，在稳定下来之前超调目标达 55% 到 65%。它需要很长时间才能稳定下来。
新方法： 小船要平稳得多。超调量降至约 40% 或更低，并且稳定到正确路径的速度快得多（用时不到原来的一半）。

核心结论

论文声称，通过使用这种“鸟群算法”（PSO）来调试自动驾驶仪，我们可以让复杂的、摇晃的机器比使用传统的、手动调试方法运行得更加平稳和安全。这种“智能搜索”找到了旧规则所忽略的更佳平衡设置。

技术摘要：一种用于非线性系统多变量 PID 控制器最优设计的 PSO 方法

问题陈述
本文解决了控制多输入多输出（MIMO）非线性系统的挑战，这类系统在工业过程中广泛存在，但其管理难度本质上高于单输入单输出（SISO）系统。虽然比例-积分-微分（PID）控制器在工业中被广泛使用，但传统的调优方法（如 Ziegler-Nichols (ZN) 技术）在应用于复杂的非线性 MIMO 动力学时，往往会导致显著的超调和次优性能。作者认为，为了增强传统调优技术的能力，必须采用现代启发式方法。

方法论
所提出的解决方案集成了三个主要组件：用于系统辨识的 Takagi-Sugeno (T-S) 模糊模型、用于参数估计的递归加权最小二乘法 (RWLS) 以及用于 PID 增益调优的粒子群优化算法 (PSO)。

系统建模： 使用 T-S 模糊模型对 MIMO 非线性过程进行表示。该系统被分解为多个单输入多输出（MISO）的非线性自回归外生输入（NARX）模型。这些模型的辨识依赖于输入-输出数据。
参数估计： 为了处理非线性和实现在线自适应，作者采用了递归加权最小二乘法 (RWLS) 算法。该方法通过将系统视为相对于未知参数的线性系统来估计系统参数向量 ( $\theta$ )，利用协方差矩阵和估计器增益向量来迭代更新参数。
控制结构： 定义了一个多变量 PID 控制结构，其中控制器矩阵 $C(z)$ 与过程矩阵 $H(z)$ 相互作用。控制器增益 ( $k_p, k_i, k_d$ ) 是待优化的变量。
优化策略 (PSO)： 本文没有使用 ZN 调优，而是利用了粒子群优化 (PSO) 算法。在该框架下：
- 每个粒子代表一组候选的 PID 参数 ( $k_p, k_i, k_d$ )，用于 MIMO 系统。
- 搜索空间由 PID 增益的维度定义。
- 通过最小化目标函数来寻找最优增益。本文评估了三个特定的性能指标：绝对误差积分 (IAE)、平方误差积分 (ISE) 和时间权重平方误差积分 (ITSE)。
- PSO 算法根据个体最优 ($pbest $) 和全局最优 ($ gbest $) 值更新粒子的速度和位置，并利用随迭代次数线性递减的惯性权重 ($ \omega$) 来平衡探索与开发。

核心贡献

集成 T-S 模糊与 PSO： 本文提出了一种特定的架构，其中 T-S 模糊模型识别非线性 MIMO 动力学，而 PSO 根据该模型对 PID 控制器进行调优。
对比调优分析： 研究系统地比较了通过传统 Ziegler-Nichols 方法调优的 PID 控制器与通过 PSO 使用不同目标函数（IAE、ISE、ITSE）调优的 PID 控制器的性能。
算法实现： 本文详细介绍了 PSO-PID 控制器的逐步实现过程，包括粒子的初始化、速度和位置的更新规则以及仿真中使用的特定停止准则。

仿真结果
作者使用由特定差分方程定义的双输入双输出模拟 MIMO 非线性系统验证了所提方法。

参数优化： 表 III 和 IV 表明，与 ZN 方法相比，PSO 产生了不同的 PID 参数集，且 $k_p, k_i$ 和 $k_d$ 的变化因所选目标函数（ISE、IAE 或 ITSE）的不同而显著。
性能指标： 表 V 和 VI 比较了阶跃响应特性。结果表明，ZN 调优的控制器产生了高超调（ $y_1$ 为 55.3%， $y_2$ 为 64.8%）和较长的调节时间。相比之下，PSO 调优的控制器显著降低了超调（范围约为 40% 至 48%），并大幅改善了上升时间和调节时间。例如， $y_2$ 的调节时间从 ZN 的 3.29s 缩短至 PSO-ITSE 的 0.52s。
视觉确认： 图 2 和图 3 展示了系统响应，直观地证实了与 ZN 方法相比，基于 PSO 的方法提供了更平滑、振荡更小的响应。

重要性与主张
本文得出结论，传统的 ZN 调优方法不足以应对所测试的特定非线性 MIMO 系统，因为它会导致巨大的超调。作者声称，基于 PSO 的优化方法通过有效地调优 PID 参数以最小化性能指数，提供了明显的优势。研究断言，所提出的 PSO-PID 控制器增强了传统技术的能力，为控制非线性多变量过程提供了更稳健的解决方案。该工作将 PSO 定位为针对此类特定控制应用的一种可行且计算高效的遗传算法替代方案，理由是其简洁性和深厚的智能背景。

问题所在：“老派”做法

解决方案：“智能集群” (PSO)

他们是如何做的

结果

核心结论

类似论文