Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/4880
Título: | Gaussian Adaptive PID control with robust parameters considering plant parameter variation with optimization based on bioinspired metaheuristics |
Título(s) alternativo(s): | Controle PID Adaptativo Gaussiano com parâmetros robustos considerando variação dos parâmetros da planta com otimização baseada em metaheurísticas bioinspiradas |
Autor(es): | Borges, Fabio Galvão |
Orientador(es): | Kaster, Mauricio dos Santos |
Palavras-chave: | Sistemas de controle ajustável Algorítmos genéticos Partículas (Física, química, etc.) Adaptive control systems Genetic algorithms Particles |
Data do documento: | 30-Mai-2019 |
Editor: | Universidade Tecnológica Federal do Paraná |
Câmpus: | Ponta Grossa |
Citação: | BORGES, Fabio Galvão. Gaussian Adaptive PID control with robust parameters considering plant parameter variation with optimization based on bioinspired metaheuristics. 2019. Dissertação (Mestrado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2019. |
Resumo: | O objetivo deste trabalho é comparar um PID linear ao controle PID Adaptativo Gaussiano (GAPID) quanto à sua robustez a mudanças e variações em duas plantas diferentes. A primeira é o conversor DC-DC Buck de segunda ordem utilizado como planta de estudo e analisado por simulação. A segunda planta é um motor de corrente contínua com uma viga ligada a ele. Um protótipo experimental foi construído para esta segunda planta para testar o GAPID em um experimento real. A função gaussiana tem ganhos de limite inferior e superior e concavidade como parâmetros. É uma função suave com derivadas suaves. Como resultado, ajuda a evitar problemas relacionados à transição abrupta de ganhos, comumente encontrados em outros métodos adaptativos. Como não há metodologia matemática para definir esses parâmetros, foram utilizados dois algoritmos de otimização bio-inspirados, o Algoritmo Genético (GA) e o por Enxame de Partículas (PSO). Funções para avaliar os resultados, chamadas de funções de adequação (fitness), são necessárias para os algoritmos e também foram usadas como comparação de desempenho. Uma nova variação para a função fitness é proposta e os resultados provam uma melhoria em relação ao overshoot. Os resultados também comprovam a robustez do GAPID em relação ao PID linear por testes de varredura de carga e ganho, obtendo resposta rápida (baixo tempo de estabilização) e variação mínima, o que não é possível atingir usando o PID linear. |
Abstract: | The purpose of this work is to compare a linear PID to the Gaussian Adaptive PID control (GAPID) regarding their robustness to changes and variation on two different plants. The first one is the second order plant DC-DC Buck converter used as a study plant an analyzed through simulation. The second plant is a DC motor with a beam attached to it. An experimental prototype was built for this second plant to test the GAPID in a a real experiment. The Gaussian function has as adjustment parameters its convavity and the lower and upper bound of the gains. It is a smooth function with smooth derivatives. As a result, it helps avoid problems related to abrupt gains transition, commonly found in other adaptive methods. Because there is no mathematical methodology to set these parameters, two bio-inspired optimization algorithms were used, the Genetic Algorithm (GA) and the Particle Swarm Optimization (PSO). Functions to evaluate the results, called fitness functions, are necessary for the algorithms and were also used as performance comparison. A new variation to the fitness is proposed and the results demonstrate an improvement regarding the overshoot. Results also prove the robustness of the GAPID compared to the linear PID by load and gain sweep tests, achieving fast response (low settling time) and minimal variation, which is not possible to achieve when using the linear PID. |
URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/4880 |
Aparece nas coleções: | PG - Programa de Pós-Graduação em Engenharia Elétrica |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
PG_PPGEE_M_Borges, Fabio Galvão_2019.pdf | 1,88 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.