Универзитет у Нишу

Машински факулет

Оптимално подешавање параметара

PID контролера
применом генетских алгоритама

Кандидат: Ментор:
Милица З. Јовановић 1540/14 Доц. др Иван Ћирић
 Садржај
 Увод
 PID контролери
• начини подешавања PID контролера
 Генетски алгоритми (ГА)
 реално кодирани ГА
 оптимизација параметара комплексног мултиваријабилног система PID
контролера применом реално кодираних генетских алгоритама
 одзив процеса управљаног генетски оптимизованим PID контролерима

 Закључак
Завршни (дипломски) рад 2
Увод

• Oсновна идеја PID контролера јесте коришћење повратних информација система за

тачну и оптималну контролу процеса.

• Постоји много метода избора параметара контролера у ситуацијама када није могуће
користити конвенционалне начине подешавања, једна од њих јесте метода
подешавања параметара PID контролера применом генетских алгоритама.

Завршни (дипломски) рад 3

 PID контролери
• PID контролери налазе примену у разним сферама индустрије, великим фабрикама, у неким
инструментима kao и лабораторијској опреми.
• Препознатљива карактеристика PID контролера је могућност коришћења три контролна
фактора пропорционалног, интегралног и диференцијалног утицаја на излаз регулатора.
• PID контрола континуирано израчунава вредност грешке e(t) као разлику између жељене r(t) и
измерене y(t) варијабле процеса, а примењује корекцију засновану на пропорционалном,
интегралном и диференцијалном појачању.

Завршни (дипломски) рад 4

• За израчунавање излаза PID контролера пропорционални (Кр), интегрални (Кi) и
диференцијални (Кd) коефицијенти појачања се сабирају, па управљачка функција има облик:
𝑡
𝑑𝑒(𝑡)
𝑢 𝑡 = 𝐾𝑝 𝑒 𝑡 + 𝐾𝑖 න 𝑒 𝜏 𝑑𝜏 + 𝐾𝑑 ,
0 𝑑𝑡
записано у Лапласовом домену:
𝐾𝑖
𝐿 𝑠 = 𝐾𝑝 + + 𝐾𝑑 𝑠
𝑠

Блок дијаграм PID

контролера у
повратној петљи
Завршни (дипломски) рад 5
Начини подешавања
PID контролера
• Најефикаснији методи
подешавања PID контролера
најчешће укључују развој
неког облика процесног
модела.
• Постоје неколико начина
подешавања контролера, од
којих сваки има своје
предности и мане, табела 1.
Завршни (дипломски) рад
Метода Предности Мане
Мануелно
Не захтева математику; онлајн Захтева искусно особље.
подешавање
„Ziegler - Nichols“ Узнемиреност процеса, пробне
(Ki и Kd=0, Kp расте до Доказани метод; онлајн грешка, врло агресивно
Ku)
„Tyreus Luyben“
подешавање.
Узнемиреност процеса, пробне
Доказани метод; онлајн грешка, врло агресивно
подешавање.
Конзистентно подешавање; онлајн или
офлајн - могу да користе технике
рачунарског аутоматизованог система
Софтверски алати контроле (CАutоD); могу укључити Неки трошкови укључени или
анализу вентила и сензора; омогућава обука укључена.
симулацију пре преузимања; може
подржати нестабилно стање (NSS)
подешавање
„Cohen–Coon“
(мала промена доводи до
Мало математике; офлајн;
настабилности система
Добри процесни модели једино добро за процесе првог
затворене петље) реда
„Åström-Hägglund“ –
преносни метод Може се користити за аутоматско
(променљива процеса нижа подешавање; амплитуда је минимална, Сам процес је суштински
од задате вредности =>
контролни излаз подешен на тако да је овај метод најмањи осцилаторан
вишу вредност и обрнуто) узнемирујући процес 6
Генетски алгоритми (ГА)
• Генетски алгоритам је хеуристичка метода случајног и
усмереног претраживања простора решења која
имитира природни еволутивни процес.

• За еволутивни процес важи да:

– постоји популација јединки
– неке јединке су боље
– боље јединке имају већу вероватноћу преживљавања и
репродукције
– својства једински су записана у хромозомима помоћу
генетског кода
– потомци наслеђују својства родитеља
– над јединском може деловати мутација

Завршни (дипломски) рад 7

 Реално кодирани ГА
• Реално кодирани генетски алгоритми се примењују у случајевима када се при претраживању
континуалног простора за оптималним решењем бинарно кодираних ГА јављају разне
потешкоће.
• Употреба реално кодираних променљивих у ГА доноси бројне предности у односу на бинарно
кодиране, јер је тиме повећана ефективност ГА (нема додатне конверзије променљивих у
бинарне бројеве и брнуто), мање меморије је потребно за прорачун, постиже се већа
прецизност.
• Основни појмови у реалном кодирању ГА су:
– Фитнес функција
– Јединка
– Популација
– Разноликост

Завршни (дипломски) рад 8

Структура генетског алгоритма
• Иницијализација популације, чије се јединке називају хромозоми;
• Одређивање фитнес функције која рачуна квалитет јединки;
• Селекција – формирање нове нове популације издвајањем бољих јединки из старе генерације;
• Укрштање – преношење својства родитеља на потомке;
• Мутација – стварање нове јединке мењањем мањег дела генетског материјала;
• Заустављање задовољавањем услова, после неког броја генерација – најбољи члан представља решење
приближно оптималном решењу.

Генерисање иницијалне Да ли је задовољен услов

Најбоље
популације Процена функције циља завршетка еволуционог процеса
јединке
потенцијалног решења (критеријум оптимизације)?

Селекција Резултат
Генерисање
Старт нове
популације
Укрштање

Мутација

Завршни (дипломски) рад 9

Критеријуми заустављања
генетских алгоритама

Број генерација

Временско ограничење

Гранична вредност фитнес

функције
Параметри прекида
генетских алгоритама
Стагнирање генерација

Временско стагнирање

Толеранција функције
Завршни (дипломски) рад 10
Оптимизација параметара комплексног мултиваријабилног
система PID контролера применом реално
кодираних генетских алгоритама

 Дат је мултиваријабилни модел система (слика 1.)

који има 3 улаза и 4 излаза и састоји се од два
паралелна PID контролера.
 За нумеричко одређивање оптималних
параметара PID контролера, коришћено је реално
кодирање генетских алгоритама.
 На шеми генетске оптимизације параметара PID
контролера (слика 2.) , yd представља жељену
вредност излаза, u је излаз система, и u је излаз из
PID контролера, односно управљачки улаз. Грешка
е једнака је разлици жељеног и стварног излаза.
 Основне генетске операције помоћу којих настаје Слика 1.
нова генерација и које обезбеђују минимизацију
фитнес функције без тестирања свих могућих
решења су селекција, укрштање и мутација.
• Селекција – одређивање најбољих (елитних)
елемената популације
• Укрштање – одабрани хормозоми родитеља Слика 2.
• Мутација – извршена над случајно изабраним
хромозомима деце, чиме је формирана нова
популација

Завршни (дипломски) рад 11

• Структура контролера у систему управљања

𝑈1 1
𝑠 = 𝐾𝑃1 + 𝐾𝐼1 + 𝑠𝐾𝐷1
𝐸1 𝑠
односно,

𝑈2 1
𝑠 = 𝐾𝑃2 + 𝐾𝐼2 + 𝑠𝐾𝐷2
𝐸2 𝑠
• Фитнес функција је дефинисана као збир сума апсолутних вредности релативних грешака ( кисеоник, снага
током симулације):
𝑀 𝑀
𝑦𝑂2 − 𝑦ො𝑂2 𝑦𝑃 − 𝑦ො𝑃
𝑓 𝜃 =𝑘∙෍ +෍
𝑦ෞ
𝑂2 𝑦ෞ𝑃
1 1

- Θ- хромозом
- к – тежински фактор
Завршни (дипломски) рад 12
• Оптимизација је трајала 100 генерација и добијени су
следећи резултати, табела 2.
Бр. Почетна Добијена
Подешавање f(θ)
генерација вредност θ вредност θ
популацију чини 20 хромозома;
селекцијом изабрана 2 елитна
хромозома из сваке генерације [21.59, 27.60,
[0, 0, 0, 0, 0,
1 који ће даље учествовати у 100 6.66, 6.37, 13.47
укрштању; 0] 0.17, 21.09]
мутација извршена над случајно
избараним хромозомима деце;

популацију чини 30 хромозома; [0, 0, 0, 0, 0, [18.55, 19.84,

2 селекцијом изабрана 3 елитна 100 0] 13.53, 5.97, 10.76
хромозома 0.0039, 9.30]

[18.55,
хромозом почетних вредности 19.84, 13.53, [35.89, 40.93,
дефинисан као вектор са
3 елементима резултата предходне 100 5.87, 0.0039, 7.43, 5.93, 6.84
оптимизације 9.30] 0.0039, 9.05]

Завршни (дипломски) рад 13

1. Оптимизација 2. Оптимизација 3. Оптимизација
KP1=21.59; Ki1=27.60; Kd1=6.66; KP1=18.55; Ki1=19.84; Kd1=13.53; KP1=35.89; Ki1=40.93; Kd1=7.43;
Kp2=6.37; Ki2=0.17; Kd2=21.09, Kp2=5.87; Ki2=0.0039; Kd2=9.30, Kp2=5.93; Ki2=0.0039; Kd2=9.05,
f (θ) = 13.47 f (θ) = 10.76 f (θ) = 6.84

Завршни (дипломски) рад 14

Одзив процеса управљаног
генетски оптимизованим PID контролерима

I. oптимизацијa
II. Оптимизацијa
III. Oптимизација

Закључак: III генерација даје најмањи прескок,

најмање време успона и време смирења, јер је и
f(θ) најмања.

Завршни (дипломски) рад 15

Одзив процеса управљаног
генетски оптимизованим PID контролерима

• Одступање излазне снаге:

I. oптимизацијa
II. Оптимизацијa
III. Oптимизација

Закључак: одзиви система са параметрима PID

контролера добијених другом и трећом
оптимизацијом се готово поклапају

Завршни (дипломски) рад 16

Закључак
• Помоћу PID контролера можемо измерити грешку процеса као разлику жељене и измерене
вредности, а коју такође можемо контролисати разним подешавањима излаза.

• Постоје бројне методе за подешавање параметара PID контролера, од којих су, генерално,
најтачније оне које укључују математички модел објекта управљања. У пракси, то често није случај
па се примењују мање прецизне али такође прихватљиве методе, као што је у нашем случају
примена генетских алгоритама.

• Генетски алгоритми су нам служили да нам покажу колика је способност (фитнес функција)
појединих јединки успешна у испуњавању циљева преживљавања и размножавања.

• Закључили смо да, да би то било могуће прецизно одредити, неопходно је да излаз система буде
мерљив и коначан у сваком тренутку као и да сваки параметар мора бити у корелацији са излазом.

Завршни (дипломски) рад 17

 Хвала на пажњи!

Завршни (дипломски) рад 18