Αξιολόγηση και βελτιστοποίηση pid ελεγκτών με μεθόδους μηχανικής μάθησης
Evaluation and optimization of PID controllers with machine learning methods
![Thumbnail](/xmlui/bitstream/handle/11400/1484/Paterakis_20190013.pdf.jpg?sequence=6&isAllowed=y)
Keywords
Τεχνικές μηχανικής μάθησης ; PID controller ; Ziegler–Nichols method ; Cohen-Coon method ; MATLAB ; Μηχανική μάθησηAbstract
Ένα από τα πλέον στοιχειώδη εξαρτήματα στην επιστήμη του αυτομάτου ελέγχου είναι ο PID ελεγκτής. Πρόκειται για έναν γενικό μηχανισμό βρόχου ανάδρασης που χρησιμοποιείται εκτεταμένα στα συστήματα αυτομάτου ελέγχου. Ο ελεγκτής προσπαθεί να ελαχιστοποιήσει το σφάλμα προσαρμόζοντας τις εισόδους της διαδικασίας ελέγχου. Ο PID ελεγκτής ακολουθεί έναν αλγόριθμο που αφορά τρεις ξεχωριστές παραμέτρους και γι’ αυτό πολλές φορές καλείται ελεγκτής τριών όρων: αναλογικό (P), ολοκληρωτικό (I) και διαφορικό (D). Η εργασία αυτή ασχολείται με την αξιολόγηση των ελεγκτών, χρησιμοποιώντας δεδομένα εισόδου/εξόδου. Τα δεδομένα αυτά μπορεί να προέρχονται από κάποια βιομηχανική διεργασία, στα πλαίσια της εργασίας αυτής όμως προέρχονται από σύστημα που δημιουργήθηκε από εμάς σε περιβάλλον Matlab. Παρόλο που οι PID ελεγκτές αποτελούν ένα πολύ διαδεδομένο είδος ελεγκτών με ευρεία χρήση σε βιομηχανικές, και όχι μόνο, εφαρμογές η ρύθμισή τους (tuning) συνήθως γίνεται εμπειρικά, απαιτεί εμπειρία από το χειριστή και συνήθως αποτελεί χρονοβόρα διαδικασία. Στα πλαίσια της εργασίας αυτής δημιουργήθηκε ένας κώδικας ο οποίος θα αξιολογεί τον ελεγκτή χρησιμοποιώντας δεδομένα εισόδου/εξόδου και θα καθοδηγεί τον μηχανικό στην ρύθμισή του ελεγκτή αν αυτό απαιτείται. Η καθοδήγηση αυτή γίνεται με τον προσδιορισμό του όρου του PID που δεν είναι βέλτιστος, καθώς και με την κατεύθυνση της προτεινόμενης κίνησης. Για να πραγματοποιηθεί αυτό χρησιμοποιήσαμε μηχανική μάθηση, ορίζοντας ένα πρόβλημα ταξινόμησης (classification) και διάφορες τεχνικές πάνω σ’ αυτή την εφαρμογή πριν καταλήξουμε στην καλύτερη τεχνική για την εργασία αυτή. Η εργασία αυτή έχει δύο μέρη: τον κλασικό έλεγχο και τη μηχανική μάθηση. Βάση αποτελεί το MATLAB, το οποίο χρησιμοποιείται αφενός για την προσομοίωση της βιομηχανικής διεργασίας με τον PID, αφετέρου για την κατασκευή του πλαισίου απόκτησης δεδομένων (data acquisition), χρήση τους για τον υπολογισμό κάποιων βασικών δεικτών απόδοσης (Key Performance Indicators, KPI) και την εξαγωγή ενός μοντέλου προσέγγισης της διεργασίας με τεχνικές αναγνώρισης μοντέλου (system identification). Το προσεγγιστικό αυτό μοντέλο χρησιμοποιείται για την εύρεση των βέλτιστων παραμέτρων του PID ελεγκτή. Στα πλαίσια της εργασίας αυτής, η προσέγγιση των αρχικών διεργασιών με προσεγγιστικά μοντέλα ήταν πολύ καλή, με ακρίβεια >90% σε όλες τις περιπτώσεις. Χρησιμοποιώντας μια βιβλιοθήκη από δεδομένα εισόδου/εξόδου και τους αντίστοιχους KPIs, ορίστηκε ένα πρόβλημα ταξινόμησης (classification), το οποίο λύθηκε με τεχνικές Μηχανικής Μάθησης. Σκοπός είναι να κατασκευαστεί ένα αυτόνομο σύστημα μηχανικής μάθησης, που λαμβάνει δεδομένα εισόδου/εξόδου χωρίς να γνωρίζει το σύστημα από το οποίο αυτά προέρχονται και να προσδιορίζει εάν ο PID ελεγκτής λειτουργεί καλά, ή χρειάζεται επιτάχυνση/επιβράδυνση κάποιος ή κάποιοι από τους όρους τους. Το σύστημα αυτό μπορεί να αναπτυχθεί αυτόνομα σε κάποια βιομηχανική διεργασία και να επιτηρεί συνεχώς τους PID ελεγκτές προτείνοντας αλλαγές όταν χρειάζεται. Από τις τεχνικές που εξετάστηκαν, τα καλύτερα αποτελέσματα έδωσε το Bootstrap Aggregation (Bagging) of Classification Trees με ακρίβεια 99.7%.
Οι βιομηχανικές μονάδες έχουν υπερβολικά πολλούς PID ελεγκτές για να μπορεί να γίνει η επιτήρησή τους από άνθρωπο αποτελεσματικά. Είναι αναγκαίο να εγκαθίστανται συστήματα επιτήρησης που να κατευθύνουν τις προσπάθειες του μηχανικού στις προβληματικές καταστάσεις (bad actors). Εκτός της επισήμανσης των καταστάσεων αυτών, είναι καλό τα συστήματα αυτά να δίνουν και μια πρώτη εικόνα του προβλήματος, εν προκειμένω του συγκεκριμένου όρου του PID που δεν είναι βέλτιστος. Ο μηχανικός δεν υλοποιεί άκριτα τις προτάσεις ενός τέτοιου συστήματος, αλλά τις συνεξετάζει σε συνδυασμό με τη δυναμική της μονάδας και τις γνώσεις/πληροφορίες του για την τρέχουσα λειτουργία. Για το λόγο αυτό, μια ποιοτική διάγνωση από κάποιο σύστημα μηχανικής μάθησης είναι πιο σημαντική από τον αριθμητικό προσδιορισμό των βέλτιστων PID παραμέτρων για την περίοδο αναφοράς. Οι τιμές αυτές των παραμέτρων δεν είναι σταθερές, καθώς οι αλλαγές στην τροφοδοσία, στις περιβαλλοντικές συνθήκες και σε περιορισμούς του εξοπλισμού οδηγούν τα βιομηχανικά συστήματα σε διαφορετικά λειτουργικά παράθυρα (operating windows).