Ajust automàtic dels paràmetres d' un controlador PID mitjançant intel·ligència artificial

Abstract

[ES] Els sistemes industrials moderns requereixen controls automàtics. El controlador PID (Proporcional, Integral, Derivatiu) és un mecanisme que permet regular una variable de qualsevol procés. Aquests controladors necessiten l obtenció d unes constants per al seu funcionament (Kp, Ki, Kd) que depenen del sistema a controlar. La configuració manual dels paràmetres PID requereix d experiència i antecedents teòrics de l operador. A més, pot ser un procés llarg i costós. En col·laboració amb l empresa Neureus Technologies S.L. desenvolupadora d una gamma de fonts d alimentació unipolars d altes prestacions per a l àmbit científic, espe- cialment orientada als acceleradors de partícules, s ha elaborat un procediment automa- titzat d obtenció de les constants de PID integrat en les aquestes fonts. L objectiu principal d aquest Treball Fi de Grau és trobar les millors constants del controlador PID d un sistema donat, en el nostre cas una font d alimentació, de forma automatitzada a través d algorismes d intel·ligència artificial. Després d un anàlisi de l estat de l art tenint en compte la forma en què s adapte, el temps d entrenament i el cost computacional, s han proposat dos algorismes candidats: optimització per eixam de partícules (PSO) i algorisme genètic (GA), així com un mètode adicional basat en l ús de xarxes neuronals. La implementació i validació dels algorismes s ha realitzat en dues parts, una primera fase consistent en una simulació en llenguatge de programació C i una segona fase en la qual s han integrat en el hardware de la font real. A més, s ha dut a terme una compara- tiva dels resultats obtinguts amb aquests algorismes, utilitzant scripts de Python, pel fet que permeten una representació de dades senzilla, amb els resultats obtinguts mitjançant ajust manual. Finalment, calcular la funció de transferència del sistema, que relaciona l entrada amb l eixida i, per tant, validar el funcionament de la xarxa entrenada i compa- rar resultats. Els algorismes implementats han superat les expectatives per a la cerca d una so- lució òptima amb bona precisió i un temps adequat. Encara que es podria millorar el rendiment dels algorismes fent servir tècniques de paral·lelització o l ús de maquinària especialitzada.

[EN] Modern industrial systems require the use of automatic controls. The PID controller (Proportional, Integral, Derivative) is a mechanism that allows to regulate a variable of any process. These controllers need to obtain a set of constants for their operation (Kp, Ki, Kd) that depend on the system to be controlled. Manual configuration of PID parameters may require operator experience and theoretical background. It can also be a long and expensive process. In collaboration with the company Neureus Technologies S.L. developer of a range of high-performance unipolar power supplies for the scientific field, especially oriented to particle accelerators, an automated procedure has been developed to obtain the constants of the PID control integrated in these power supplies. The main objective of this end of degree project is to find the best constants for the PID controller in a given system, in our case a power supply, in an automated way through artificial intelligence algorithms. After an analysis of the state of the art taking into ac- count the way in which it adapts, the training time and the computational cost, two can- didate algorithms have been proposed: particle swarm optimization (PSO) and genetic algorithm (GA), as well as a method based on the uso of neural networks. The implementation and validation of the algorithms has been carried out in two parts, a first phase consisting of a simulation in C language and a second phase in which they have been integrated into the embedded hardware of the real power supply. Finally, a comparison of the results obtained has been made, using Python scripts for its simplic- ity to represent data, with those calculated by manual adjustment. Finally, the system transfer function has been calculated, which relates the input and output, in order to validate the functioning of the trained neural network and compare results. The implemented algorithms have exceeded expectations for finding an optimal so- lution with good accuracy and adequate time. However, such as improving the perfor- mance of the algorithms using parallelization techniques or the use of specialized ma- chinery.

[ES] Los sistemas industriales modernos requieren controles automáticos. El controlador PID (Proporcional, Integral, Derivativo) es un mecanismo que permite regular una variable de cualquier proceso. Estos controladores necesitan de la obtención de constantes para su funcionamiento (Kp,Ki,Kd) que dependen del sistema que se quiere controlar. La configuración manual de los parámetros PID requiere de experiencia y antecedentes teóricos del operador. Además, puede ser un proceso largo y costoso. En colaboración con la empresa Neureus Technologies S.L. desarrolladora de una gama de fuentes de alimentación unipolares de altas prestaciones para el ámbito científico, especialmente orientada a los aceleradores de partículas, se ha elaborado un procedimiento automatizado para la obtención de las constantes del control PID integrado en estas fuentes. El objetivo principal de este trabajo fin de grado es encontrar las mejores constantes del controlador PID para un sistema dado, en nuestro caso una fuente de alimentación, de forma automatizada a través de algoritmos de inteligencia artificial. Tras un análisis del estado del arte, teniendo en cuenta la forma en que se adapte, el tiempo de entrenamiento y el coste computacional se han propuesto dos algoritmos candidatos: optimización por enjambre de partículas (PSO) y algoritmo genético (GA), así como un método basado en el uso de redes neuronales. La implementación y validación de los algoritmos se ha realizado en dos partes, una primera fase consistente en una simulación en lenguaje C y una segunda fase en la que se han integrado en el hardware de la fuente real. Finalmente se ha realizado una comparativa de los resultados obtenidos, utilizando scripts de Python, por su facilidad para la representación de datos, con los resultados obtenidos mediante ajuste manual. Finalmente se ha calculado la función de transferencia del sistema, que relaciona la entrada y salida, con el fin de validar el funcionamiento de la red neuronal entrenada y comparar resultados. Los algoritmos implementados han superado las expectativas para la búsqueda de una solución óptima con buena precisión y tiempo adecuado. No obstante, se podría mejorar el rendimiento de los algoritmos utilizando técnicas de paralelización o uso de maquinaria especializada.