Expert PID

Control PID Experto
Control basado en aprendizaje de máquina
Douglas A. Plaza Guingla, Ph.D.
Faculty of Electrical and Computing Engineering (FIEC)

Escuela Superior Politécnica del Litoral (ESPOL)
December 3, 2022
douplaza@espol.edu.ec Machine Learning Control-MACI 10 1 / 27

Outline
1 Sistemas discretos y PID discreto

Sistema de segundo orden
PID discreto
Implementación del PID discreto
2 Sistema PID Experto

Introducción
Algoritmo PID experto
Implementación del PID experto

Outline

PID discreto

Introducción

Ejemplo con planta de 2do orden
Vamos a tomar como ejemplo una planta caraceterizada por un segundo orden
en conjunto con un integrador.
523500
Gp (s) = .
s(s2 + 87.35s2 + 10470)
Para el cálculo del error deberemos discretizar la función de transferencia

Gp (s).
Discretización en Matlab
c2d(): transforma la función de transferencia continua (en el dominio de
"s") a discreto (en el dominio de "z").
tfdata():Se obtienen los coeficientes del polinomio del numerador y del
denominador.

Implementación del modelo de la planta
La discretización e implementación del modelo discreto se presenta a

continuación:
ts=0.001;
sys=tf(5.235e005,[1,87.35,1.047e004,0]); %Plant
dsys=c2d(sys,ts,'z');
[num,den]=tfdata(dsys,'v');
u_1=1;u_2=1;u_3=1;u_4=1;
y_1=0;y_2=0;y_3=0;
for k=1:1:500
time(k)=k*ts;
y(k)=-den(2)*y_1-den(3)*y_2-den(4)*y_3+num(1)*u_1+...
num(2)*u_2+num(3)*u_3+num(4)*u_4;
y_3=y_2;y_2=y_1;y_1=y(k);
end
stairs(time,y,'linewidth',2)

Gráfica de la salida en lazo abierto
La gráfica muestra el comportamiento de la variable de salida yk

Outline

PID discreto

Introducción

Controlador PID discreto
Dado la estuctura de un controlador PID ideal:
Z t
de(t )
u (t ) = kp e(t ) + ki e(t )d (t ) + kd .
0 dt
La discretización directa está dada por:
k
ek − ek −1
uk = kp ek + ki ∑ ei Ts + kd
i =0 Ts
" #
k −1
ek − ek −1
uk = kp ek + ki ∑ ei Ts + ek Ts + kd
i =0 Ts
donde:
k : índice de tiempo discreto. k = {0, 1, 2, 3, 4, . . .}
Ts : tiempo de muestreo.
vector de tiempo discreto: TimeVector = {k0 Ts , k1 Ts , k2 Ts , k3 Ts , . . .}

Outline

PID discreto

Introducción

PID discreto
El controlador PID discreto se presenta a continuación:
ei=0;
kp=0.96;ki=0.03;kd=0.01;
error_1=0;
for k=1:1:200
time(k)=k*ts;
yd(k)=1.0;
y(k)=-den(2)*y_1-den(3)*y_2-den(4)*y_3+num(1)*u_1+...
num(2)*u_2+num(3)*u_3+num(4)*u_4;
error(k)=yd(k)-y(k);% Calculating P
derror(k)=error(k)-error_1;% Calculating D
ei=ei+error(k)*ts;
u(k)=kp*error(k)+kd*derror(k)/ts+ki*ei; %PID Controller
u_4=u_3;u_3=u_2;u_2=u_1;u_1=u(k);
y_3=y_2;y_2=y_1;y_1=y(k);
error_1=error(k);
end

Gráfica de la salida controlada
La gráfica muestra el comportamiento de la variable controlada yk :

Gráfica del error
La gráfica muestra el comportamiento del error ek = yd − yk :

Gráfica del esfuerzo del controlador
La gráfica muestra el comportamiento del esfuerzo del controlador PID
discreto uk :

Outline

PID discreto

Introducción

Control PID experto (Ajuste fino)
Definición
El control PID experto está basado en el controlador PID tradicional. La parte
experta radica en un conjunto de reglas de ajuste de las ganancias del
controlador PID. Estas reglas serán definidas considerando el comportamiento
del proceso mediante el conocimiento de un operador experto en el
funcionamiento del sistema.
Consideraciones:
Generalmente la experiencia del experto coincide con el comportamiento
del error de la respuesta en lazo cerrado. Sobretodo durante el transiente.
Para modificar el valor de las ganancias es necesario poder realizar
modificaciones durante la corrida del algoritmo de control. (Algoritmo
implementado en tiempo discreto).
Experience is important in PID tuning:
https://www.controleng.com/articles/
learning-pid-loop-tuning-from-an-expert/
Comportamiento del error en lazo cerrado para un sistema
de segundo orden
La gráfica muestra el comportamiento del error típico en un sistema de
segundo orden:
De la gráfica observamos que el valor absoluto del error tiende a disminuir para
las secciones:I,III,V,...(Ajuste suave) y aumenta para: II,IV,VI,...(Ajuste fuerte).
Outline

PID discreto

Introducción

Considerando el cálculo previo de la variable manipulada u (t ) mediante un
PID tradicional procedemos con los siguientes pasos:

1 Si el valor absoluto del error es considerable entonces debemos ajustar
directa (open-loop control) y agresivamente a u (t ). Tomar en
consideración el valor máximo de u (t ).
2 Si el error tiende a crecer o experimenta los valores picos entonces
ajustar las ganancias de un controlador PID en aras de reducir el error de
manera rápida.
3 Si el error tiende a decrecer o es cero entonces sostener a la señal de
control u (t ).
4 Si el error aumenta y la pendiente del error experimenta cambios de signo
(valores pico) entonces ajustar la ganancia proporcional del error.
5 Si el error experimenta valores muy pequeños (posiblemente constante)
entonces remover el error ajustando ganancias de un controlador PI.

Outline

PID discreto

Introducción

PID experto Regla No 1
Cuando |ek | > L1 , asignar directamente un valor a uk que haga disminuir el

error. El valor de L1 y el valor asignar a uk depende del conocimiento experto.
%Expert control rule

if abs(error(k))>0.8 %Rule1:Unclosed control rule
u(k)=0.45;
elseif abs(error(k))>0.40
u(k)=0.40;
u(k)=0.12;
u(k)=0.10;
end

Considerando que ∆ek = ek − ek −1 y ∆ek −1 = ek −1 − ek −2 tenemos la

segunda regla:
Si ek ∆ek > 0 o ∆ek = 0 entonces:
Si |ek | ≥ L2 necesitamos una correción fuerte (PID, PI, P)
Si |ek | < L2 la correción es suave (PID, PI, P)
Implementación en Matlab
if error(k)*derror(k)>0|(derror(k)==0) %Rule2
if abs(error(k))>=0.05
u(k)=u_1+2*kp*error(k);
else
u(k)=u_1+0.4*kp*error(k);
end
end

Si ek ∆ek < 0 y ∆ek ∆ek −1 o ek = 0 entonces:
uk = uk .
if (error(k)*derror(k)<0&derror(k)*derror_1>0)|(error(k)==0)%Rule3
u(k)=u(k);
end

PID experto: Regla No 4
Si ek ∆ek < 0 y ∆ek ∆ek −1 < 0 entonces:

Si |ek | ≥ L2 necesitamos una correción fuerte (PID, PI, P)
Si |ek | < L2 la correción es suave (PID, PI, P)
if error(k)*derror(k)<0&derror(k)*derror_1<0 %Rule4
if abs(error(k))>=0.05
u(k)=u_1+2*kp*error(k);
else
u(k)=u_1+0.6*kp*error(k);
end
end

PID experto: Regla No 5
Si |ek | ≤ ε entonces aplicar un controlador PI para disminuir el error estático.

if abs(error(k))<=0.001 %Rule5:Integration separation PI control

u(k)=0.5*error(k)+0.010*ei;
end

Gráfica de la salida controlada
La gráfica muestra el comportamiento de la variable controlada yk :

Gráfica del error
La gráfica muestra el comportamiento del error ek = yd − yk :

Gráfica del esfuerzo del controlador
La gráfica muestra el comportamiento del esfuerzo del controlador experto uk :

Expert PID

Cargado por

Copyright:

Formatos disponibles

Expert PID

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Expert PID

Cargado por

Copyright:

Formatos disponibles

Control PID Experto

Control basado en aprendizaje de máquina

Douglas A. Plaza Guingla, Ph.D.

Faculty of Electrical and Computing Engineering (FIEC)

douplaza@espol.edu.ec Machine Learning Control-MACI 10 1 / 27

1 Sistemas discretos y PID discreto

2 Sistema PID Experto

douplaza@espol.edu.ec Machine Learning Control-MACI 10 2 / 27

1 Sistemas discretos y PID discreto

2 Sistema PID Experto

douplaza@espol.edu.ec Machine Learning Control-MACI 10 3 / 27

Para el cálculo del error deberemos discretizar la función de transferencia

douplaza@espol.edu.ec Machine Learning Control-MACI 10 4 / 27

La discretización e implementación del modelo discreto se presenta a

douplaza@espol.edu.ec Machine Learning Control-MACI 10 5 / 27

douplaza@espol.edu.ec Machine Learning Control-MACI 10 6 / 27

1 Sistemas discretos y PID discreto

2 Sistema PID Experto

douplaza@espol.edu.ec Machine Learning Control-MACI 10 7 / 27

La discretización directa está dada por:

douplaza@espol.edu.ec Machine Learning Control-MACI 10 8 / 27

1 Sistemas discretos y PID discreto

2 Sistema PID Experto

douplaza@espol.edu.ec Machine Learning Control-MACI 10 9 / 27

douplaza@espol.edu.ec Machine Learning Control-MACI 10 10 / 27

douplaza@espol.edu.ec Machine Learning Control-MACI 10 11 / 27

douplaza@espol.edu.ec Machine Learning Control-MACI 10 12 / 27

douplaza@espol.edu.ec Machine Learning Control-MACI 10 13 / 27

1 Sistemas discretos y PID discreto

2 Sistema PID Experto

douplaza@espol.edu.ec Machine Learning Control-MACI 10 14 / 27

1 Sistemas discretos y PID discreto

2 Sistema PID Experto

douplaza@espol.edu.ec Machine Learning Control-MACI 10 17 / 27

Algoritmo PID experto

douplaza@espol.edu.ec Machine Learning Control-MACI 10 18 / 27

1 Sistemas discretos y PID discreto

2 Sistema PID Experto

douplaza@espol.edu.ec Machine Learning Control-MACI 10 19 / 27

Cuando |ek | > L1 , asignar directamente un valor a uk que haga disminuir el

%Expert control rule

douplaza@espol.edu.ec Machine Learning Control-MACI 10 20 / 27

Considerando que ∆ek = ek − ek −1 y ∆ek −1 = ek −1 − ek −2 tenemos la

douplaza@espol.edu.ec Machine Learning Control-MACI 10 21 / 27

Si ek ∆ek < 0 y ∆ek ∆ek −1 o ek = 0 entonces:

douplaza@espol.edu.ec Machine Learning Control-MACI 10 22 / 27

Si ek ∆ek < 0 y ∆ek ∆ek −1 < 0 entonces:

douplaza@espol.edu.ec Machine Learning Control-MACI 10 23 / 27

Si |ek | ≤ ε entonces aplicar un controlador PI para disminuir el error estático.

if abs(error(k))<=0.001 %Rule5:Integration separation PI control

douplaza@espol.edu.ec Machine Learning Control-MACI 10 24 / 27

douplaza@espol.edu.ec Machine Learning Control-MACI 10 25 / 27

douplaza@espol.edu.ec Machine Learning Control-MACI 10 26 / 27

douplaza@espol.edu.ec Machine Learning Control-MACI 10 27 / 27

También podría gustarte