GA ve PSO ile Kontrol Parametrelerinin Optimizasyonu

Endüstüride en yaygın kullanılan kontrolcü türü PID kontrolcüdür. PID kontrolcünün parametreleri, kontrolcü karakteristiğini doğrudan etkilemektedir ve iyi bir kontrol için optimum parametrelerin ayarlanması gerekir. Günümüzde bu amaçla geliştirilmiş birçok optimizaasyon algoritması kullanılmaktadır. Bu sayede kontrolcü parametreleri için optimum değerler daha kısa zamanda ve daha az tecrübeyle ayarlanabilmektedir. Bu çalışmada Genetik Algoritma (GA) ve Parçacık Sürüsü Optimizasyonu (PSO) kullanılarak PID kontrolcünün parametreleri için optimum değerler belirlenmiştir. PID kontrolcü ile Sabit Mıknatıslı DC Motorun hız kontrolü yapılmış ve simülasyon ortamında incelenmiştir. Her iki yöntem de klasik yöntemlerden daha iyi sonuç vermiştir. GA ve PSO iki farklı amaç fonksiyon ile denenmiş ve karşılaştırmalı olarak sonuçları verilmiştir. PSO ile daha yüksek performans elde edilmiştir.

Control Parameters Optimization with GA and PSO

PID controllers are popular in industry. The characteristic of PID controller is effected the controller coefficients and optimum parameters must be tuned for a good control. Today, there are a lot of optimization algorithms to tune controller parameters. Optimum controller parameters can be found with less experience in a short time by using the optimization algorithms. In this study, optimum parameters are determined for a PID controller using Genetic Algorithm (GA) and Particle Swarm Optimization (PSO). The PID controller is designed as speed controller for Permanent Magnet DC Motor and simulated. Both of the optimization methods give better results than classical methods. Two different objective functions are used with GA and PSO for comparison. It is achieved more effective results with PSO.

Kaynakça

Basilio, JC., Matos, SR. 2002. Design of PI and PID Controllers With Transient Performance Specification. IEEE Trans. Edu., 45(4): 364–370.

Campo, AB. 2012. PID Control Design. In MATLAB - A Fundamental Tool for Scientific Computing and Engineering Applications, Intech, 1: 3–18.

Coello Coello, CA., Reyes-Sierra, M. 2006. Multi-Objective Particle Swarm Optimizers: A Survey of the State-of-the-Art. Int. J. Comput. Int. Sys., 2(3): 287–308.

El-Gammal Adel, AA., El-Samahy Adel, A. 2009. A Modified Design of PID Controller for DC Motor Drives Using Particle Swarm Optimization PSO. International Conference on Power Engineering, Energy and Electrical Drives, s 419–424, Lisbon.

Goldberg, D., Holland, J. 1988. Genetic Algorithms and Machine Learning. Mach. Learn., 3(2-3): 95–99.

Huang, HC. 2015. Intelligent Motion Control for Four-Wheeled Holonomic Mobile Robots Using FPGA-Based Artificial Immune System Algorithm. Adv. Mech. Eng., 5: 589510– 589510.

Huang, HC. 2013. Intelligent Motion Control For Omnidirectional Mobıle Robots Using Ant Colony Optımızatıon. Appl. Artificial Intell., 27(3): 151–169.

Kishnani, M., Pareek, S., Gupta, R. 2014. Optimal tuning of DC Motor Via Simulated Annealing. IEEE International Conference on Advances in Engineering and Technology Research, s. 1–5, Unnao.

Maiti, D., Acharya, A., Chakraborty, M., Konar, A., Janarthanan, R. 2008. Tuning PID and Fractional PID Controllers using the Integral Time Absolute Error Criterion. 4th IEE International Conference on Information and Automation for Sustainability, s. 457–462, Sri Lanka.

Marini, F., Walczak, B. 2015. Particle Swarm Optimization (PSO) A tutorial. Chemometric. Intell. Lab. Syst., 149:153–165.

Mohanta, RK., Sethi, B. 2007. A Review of Genetic Algorithm application for Image Segmentation. Int.J.Comput. Tech. App., 3(2): 720–723.

Montiel, O., Sepúlveda, R., Melin, P., Castillo, O., Porta, M. 2007. Performance of a Simple Tuned Fuzzy Controller and a PID Controller on a DC Motor. IEEE Symposium on Foundations of Computational Intelligence, s..531–537, Oahu.

Panda, R.C., Yu, C., Huang, H. 2004. PID Tuning Rules for SOPDT Systems: Review and Some New Results. ISA Trans., 43(2): 283–295.

Tasan, SO., Tunali, S. 2008. A Review of The Current Applications of Genetic Algorithms in Assembly Line Balancing. J. Intell. Manuf., 19(1): 49–69.

Tavakolpour, A., R., Mat Darus, IZ., Tokhi, O., Mailah, M. 2010. Genetic Algorithm-Based Identification of Transfer Function Parameters for a Rectangular Flexible Plate System. Eng. Appl. Artif. Intel., 23(8): 1388–1397.

Weile, DS., Michielssen, E. 1997. Genetic Algorithm Optimization Applied to Electromagnetics: A Review. IEEE Trans. Antennas Propag., 45(3): 343–353.

Ziegler, JG., Nichols, NB. 1993. Optimum Settings for Automatic Controllers. Journal of Dynamic Systems, Measurement and Control, 115(2B): 759-765.

Kaynak Göster