طراحي كنترل‌كنندۀ PID تطبيقي با استفاده از الگوريتم تقريبات تصادفي انحرافات هم‌زمان و آموزش شبكۀ عصبي

Adaptive (PID) controller design using simultaneous perturbation stochastic approximation algorithm and neural network training

در اين مقاله، روش جديد طراحي كنترل‌كنندۀ داده‌ محور، با استفاده از الگوريتم تقريبات تصادفي انحرافات هم‌زمان (SPSA) و آموزش شبكۀ عصبي ارائه شده است. در روش پيشنهادي، الگوريتم تقريبات تصادفي انحرافات هم‌زمان با استفاده از آموزش شبكۀ عصبي، مقداردهي مي‌شود كه اين امر باعث افزايش سرعت همگرايي و همچنين بهبود عملكرد الگوريتم در برابر تغييرات سيگنال مرجع مي‌شود. در SPSA فرض بر اين است كه كنترل‌كننده داراي ساختاري ثابت است. پارامتر‌هاي اين كنترل‌كننده به‌صورت برخط تخمين زده مي‌شوند. در اين مقاله، كنترل‌كننده به‌كاررفته، كنترل‌كنندۀ تناسبي، انتگرالي و مشتق‌گير (PID) است. شبيه‌سازي‌هاي انجام‌شده روي پروسۀ توزيع اندازۀ ذرات سنگ‌زني سيمان و كنترل زاويۀ پيچ هواپيما نشان‌دهندۀ مؤثربودن روش پيشنهادي در بهبود عملكرد سيستم است.

In this paper, a new method of data-driven controller (DDC) design using Simultaneous Perturbation Stochastic Approximation Algorithm (SPSA) and Neural Network (NN) training is presented. This method can be used to control a variety of linear and nonlinear systems. In the simultaneous perturbation stochastic approximation algorithm, the controller is assumed to have a fixed structure and its parameters must be estimated. In this paper, a Proportional, Integral, and Derivative controller (PID) is considered and the parameters that should be estimated by the proposed algorithm are proportional, integral and derivative terms of this controller. In the proposed method, the simultaneous perturbation stochastic approximation algorithm is quantified by using neural network training which increases the convergence speed and also improves the performance of the algorithm against system input changes. Simulations performed on cement grinding particle size distribution process and pitch angle control of aircraft show the high efficiency and potential of the proposed method.