Intelligent PID Control

-current and future

전북대학교 지능제어연구실

1
 Engineering
 工學 : 자연의 이치를 깨달아 인간에게 편리를 제공하는
기계,장치,도구,시스템 등을 만드는 학문, 과(科)
Research target :

로봇 사람

* 인간과 자동기계의 차이점 : 지능 – 추론과 학습기능

Intelligent Control Lab 2

 Feedback control
Open-loop systems Closed-loop systems

Intelligent Control Lab 3

 PID(Proportional Integral Derivative) control
– basic concept

l n

r e u x y
∑ PID ∑ process ∑
-

그림1. Block diagram of simple feedback loop

 de(t ) 
u (t )  K e(t )   e(t )dt  Td
1
 - - - - - - - - - (1)
 Ti dt 

K : P-term (Proportional gain)

Ti : I-term (Reset time)
Td : D-term (Rate time)

Intelligent Control Lab 4

 PID control – basic concept

Integral, Proportional and Derivative feedback is based

on the
past(I-term),
present(P-term),
future(D-term) error

P-term은 출력 y가 설정값 r에 빨리 추종하게 하려면 크게

하여야함. 다만 K가 너무 크면 load disturbance에 민감하
여 불안정 하게됨.
I-term은 정상상태의 오차를 0으로 하는 역할
D-term은
 폐루우프의 안정도를 개선하는 역할
예측된 출력에 비례한 제어신호 발생

Intelligent Control Lab 5

 PID control – characteristic
 고주파 특정 노이즈가 있는 시스템에서 매우 어려움, 따라서
Td dy
D
Td dt 형태로 변형 사용
1
N
PID 제어기는 오늘날 산업현장을 비롯한 모든 제어시스템중
95%이상을 차지함
지난 30여년 간 PID 제어기에 대한 논문 발표 수

그림 2. PID publications historical evolution in the last 30yr.

Intelligent Control Lab 6

 PID control – characteristic

 PID 제어기가 계속 널리 이용되는 이유

 단순한 구조

 현장운전자에게 익숙함

 견실함 등

 현재 PID 제어기는 original 아날로그 PID제어기와는

현저히 다름
 PID가 Digital 형태로 Microprocessor에 구현되어

anti-windup, auto-tuning, adaptive, fine-tuning

operator knowledge 등의 부가기능이 첨가됨

Intelligent Control Lab 7

 PID control - design
l n

y sp + u x y
G ff ∑ ∑ G ∑
-

Gc

그림3. A block diagram describing a typical control problem

Ki
Gc ( s )  K   Kd S
S
Ki
G ff ( s )  bK   cK d S                ( 2)
S

G 1 GG ff
y l n y        (3)
1  GGc 1  GGc 1  GGc sp

GGc Gc G ff
u l n y        ( 4)
1  GGc 1  GGc 1  GGc sp
Intelligent Control Lab 8
 Approaches to tuning - basic concepts
Tuning (design of PID control parameters) : Spec을 만족하도록
PID 제어계수 K , Ti , T를 d 조절하는 것을 의미함

Specification Features

Heuristics

Control Law

Design methods

Specification Models

그림4. Design Concepts

Intelligent Control Lab 9

 Approaches to tuning - specification
 PID 제어기설계를 위한 Spec.
 Load disturbance rejection
 Set-point tracking
 Robustness to model uncertainty
 Filtering measurement noise response
 초기 운전의 안정도 보장
 운영 모드의 선택과 smooth한 연결
 입출력 신호의 filtering 과 signal condition
 입출력 신호의 크기와 변화비 제한
 비정상운전에 대한 안전장치
 Anti-windup 대책 및 Bumpless transfer 문제
 운전자 정보제공 및 표현

t
J   t e(t ) dt
0
n m
or
t
 
J   e(t ) 2  u(t ) 2 dt
0

Intelligent Control Lab 10

 Approaches to tuning - model

 Process modeling & estimation

 Nonparametric method :

 시간영역에서의 접근법
 sL
-> 시정수와 지연시간측정 ( K p e )
1  sT
 주파수 영역에서의 접근법
-> Ziegler-Nichols방법에 의한 임계이득과 주기 측정 ( K c , tc )

 Parametric method :
불연속 전달함수로 process를 표현하고
RLS방법 등으로 파라미터 추정

Intelligent Control Lab 11

 Nonparametric method - 시간영역법
 Process model

그림5. step response 그림6. monotone response

Kp G( s)  a e sL    (6)
G(s)  e sL    (5)
1  sT sL
 PID design
controller K Ti Td
P 1/a
PI 0.9/a 3L
PID 1.2/a 2L L/2
Intelligent Control Lab 12
 Nonparametric method - 주파수영역법
 Process information

그림7. Block diagram of a process

under relay feedback

K c  4d tc  주기
a

 PID design (Ziegler-Nichols)

controller K Ti Td
P 0.5 K c
PI 0.4 K c 0.8tc
PID 0.6 K c 0.5tc 0.12tc
Intelligent Control Lab 13
 Nonparametric method
– RLS등의 parameter 측정법
K p e  sL
G(s)               (7 )
(1  sT1 )(1  sT2 )
1 2
b  b z  b z
G ( z 1 )  0 1 1 2
2
z k
           (8)
1  a1 z  a2 z

Control
Design
Parameter
Estimator

uc +
u y
Regulator Process
-

그림8. Block diagram of self-tuning regulator

Intelligent Control Lab 14

 PID control의 단점과 과제
 PID제어의 단점
 strongly nonlinear system
 delay system
 time-varying system에 성능이 급격히 저하, 재동조가 필요함.

 PID control의 단점 극복을 위한 방법

 strongly nonlinear system ← PID + gain scheduling
 delay system ← PID + smith predictor => GPC control
 time-varying system ← Self-tuning control or Adaptive control

 PID control을 이용하는 환경이 복잡하고 Multi-loop임

 Maintenance
 Tuning
 사용의 편리성이 더 요구됨

Intelligent Control Lab 15

 PID control의 단점과 과제

 제어대상과 목적이 general하게됨

ex) 기존 Motor나 단순공정 => 무인자동차, paper-machine
Mobile robot이 단순 선정 궤적추적
=> 목적지를 정하고 충돌을 회피하며 최적, 최단거리 이용

 고정된 환경에서 보다는 uncertainty한 상황에서 goal요구

 fault diagnosis
 controller reconfiguration
 adaptation & learning 등이 중요한 제어요소
 reasoning
 planning, search algorithm

 사용의 편리성을 더욱 요구

Intelligent Control Lab 16

 Intelligent PID control

PID
Maintenance Uncertainty한
LQG 환경에서 goal
사용의 편리성요구 Conventional Controller 요구

Intelligent Control

좀더 단순하고 현장운전자에
익숙한 제어기

Intelligent PID Control

Intelligent Control Lab 17

 Intelligent control – basic concept

 Definition
Intelligent controllers are envisioned emulating human mental
faculties such as adaptation and learning, reasoning, planning
under large uncertainty, coping with large amounts of data, etc,
in order to effectively control complex processor.

 일반적인 differential / difference 형태의 수학적인 방법외에

다른 방법으로 제어문제를 해결하려는 체계적인 접근법을 통
칭하여 Intelligent controller이라함.

Intelligent Control Lab 18

 Intelligent control – basic concept

Increasing
intelligence
decreasing
precision &
real-time

decreasing
intelligence
increasing
precision &
real-time

그림 9. 지능제어의 계층적 기능

Intelligent Control Lab 19

 Intelligent control – basic concept

그림 10. Saridis에 의한 지능제어의 요소

Intelligent Control Lab 20

 Intelligent control – basic concept

 제어설계는 먼저 명확한 plant 모델을 얻는게 중요?

그러나, plant는
① 더욱 복잡해지고, 입출력 변수관계가 쉽게 측정되지 않음
② 예측하지 못한 환경외란
③ 단순 선형 시불변으로는 표현되지 않음

 Intelligent control은 human operator의 장점을 유지하고

단점을 배제하면서,
① system의 불확실성에도 견실한 동작
② 외부간섭 없이도 failure 등에 대처(보상)
③ 제어 목적의 변화나 새로운 제어기능을 수행

Intelligent Control Lab 21

 Intelligent control – basic concept

 Intelligent control는 plant 및 제어환경의 급격한 변화에도

적응할수 있도록
① 상황에 따라서 적응하는 operator 모방 – Fuzzy Logic
② plant 및 환경측정(modelling)하고 그에 적절한 제어기
설계운영 – Neural network

 Approach to Intelligent control

 Neural-network : reasoning or learning (학습, 사고 능력)

 Fuzzy logic : decision-making (의사결정)

 GA (Genetic Algorithm): optimization (적자생존에 의한 최적화)

 Knowledge based systems (전문가 지식 내장)

Intelligent Control Lab 22

 Intelligent PID control
– based neural network

 Direct PID control

+ -
r y

u y
r e Neural PID Nonlinear
Controller PLANT
- y

그림11. Direct adaptive PID controller based on 그림12. structure of an neural network
neural network PID controller

u (t )  f ( K p e  K i ei  K d ed )

J
1
r (t )  y(t )2            (9)
2

Intelligent Control Lab 23

 Intelligent PID control
– based neural network

K p  K p (t  1)  1 J
K p

K i  K i (t  1)  2 J
K i

K d  K d (t  1)  3 J      (10)
K d

즉, 매 샘플마다 신경회로망 weight인 K p , K i , K값을

d
update
함으로서 실시간 신경 PID제어기를 동조한다.

Intelligent Control Lab 24

 Intelligent PID control
– based neural network

 Indirect PID control

+ -nn
r y
Neural
network

r + e PID u Nonlinear y
- controller plant
y

그림13. Indirect adaptive PID controller based on neural networks

u (t )  u (t  1)  G1e(t )  G2e(t  1)  G3e(t  2)          (11)

1
2
 nn 2

J  r (t  1)  y (t  1)                    (12)

Intelligent Control Lab 25

 Intelligent PID control
– based neural network

 
y nn (t  1)  f wLT f wLT1      f w1T x1

      (13)
단, x1   y (t ),  , u (t  n  1), u (t ),  , u (t  1  m)
T

wL , w1 는 각각 L층, 1층 연결강도 벡터이다.

따라서, 식(12)를 최소로 하는 G j ( j  1,2,는
3) 다음과 같다.

G j (t )  G j (t  1)   J
G j (t )
y nn (t  1) u (t )
 G j (t  1)  e(t  1)       (14)
u (t ) G j (t )
결국, (14)식에 의하여 표현된 제어식을 식(11)에 대입하면

u (t ) = PID + 외란, 비선형 보상항

Intelligent Control Lab 26

 Intelligent PID control
– based neural network

Harris 이론 : 모든 현대 적응제어 (MVC, GPC 등)는 결국

PID 제어에 노이즈, 지연시간 보상항을 갖는 것으로 해석됨
 Indirect PID control with compensator
+ -
r y nn
PID Neural
compensator network

+
r + PID + Nonlinear y
- controller plant
y

그림14. Nonlinear PID controller with neural network base compensator

Intelligent Control Lab 27

 Intelligent PID control
– based knowledgebase

External Files
programs input data

user Inference Engine

Rule Facts

Knowledge base

그림 15. The architecture of a typical expert system

 Expert system은 제어분야에 다음 두 가지 형태로 사용

off-line : controller design, scheduling, planning, fault diagnosis
on-line : process management and control

Intelligent Control Lab 28

 Intelligent PID control
– based knowledgebase

HP 9000
Expert object workstation
Inference Knowledgeb
Engine ase

Shared memory with

semaphore
synchronization

User interface
Numerical Routine
Man-machine IEEE 488 bus
communication
IBM AT

PID control

process

그림 16. Blackboard architecture and knowledge source

Intelligent Control Lab 29

 Intelligent PID control
 Fuzzy gain scheduling
– based fuzzy logic

Fuzzy rules and

reasoning

r + e u y
PID controller process
-

PID controller based on rules and reasoning

 Fuzzy tuner
+ Fuzzy -
tuner

r + e ∑ u process y
-
K
 dt Ki
d
dt Kd

그림 18. Fuzzy PID tuner

Intelligent Control Lab 30

 Intelligent PID control
– based fuzzy logic

그림 19. Bristol이 제안한 오차적분 구간 결정법

Step 1 :  ,  , 설정
Step 2 : T1 , T2 , T계산
3 T1  TD  TL  TL
T2  T1  TL
T3  T2  TL
Step 3 : 임의의 식에 의하여 계산
K , Ki , K d

K  f (T1 , T2 , T3 , S1 , S 2 , e)
단점, 매 샘플마다  ,  , 설정하는 문제점이 있음
Foxboro사에서 이 개념에 기초하여 EXACT 라는 제품 상품화

Intelligent Control Lab 31

 Intelligent PID control
– based fuzzy logic

 Fuzzy PI controller

Rule Data
base base
e
K
r Fuzzifi- Inference Defuzzifi- u
+ Process
- cation engine cation y
 Ki

Fuzzy PI controller

그림 20. Block diagram of a fuzzy PI controller

u  f ( Ke  ki  edt )      (15)

Intelligent Control Lab 32

 Intelligent PID control
– based fuzzy logic

 Fuzzy PD controller

Rule Data
base base

r e
+ K y
Fuzzifi- Inference Defuzzifi-
u
- process
d cation engine cation
Kd
dt

Fuzzy PD controller

그림 21. Block diagram of a fuzzy PD controller

de(t )
u  f ( Ke  kd )      (16)
dt

Intelligent Control Lab 33

 Intelligent PID control
– based fuzzy logic

 Self-tuning Fuzzy PID controller

OVd OV , RT
RTd Fuzzy Performance
Inference OSC Evaluation
OSC c

r + e Input u y
Fuzzy Process
scaling
Controller
- feature

그림 22. Schematic diagram of the fuzzy tuning procedure

Intelligent Control Lab 34

 Intelligent PID control – based GA

GA based on
system performance
for best fitness

r + e u y
PID controller Process
-

그림 23. Block diagram of GA-PID controller

Step 1 :
S : 10101011 10101000 11100111
K Ki Kd
Step 2 : new generation by roulette wheel selection
Step 3 : 교배(crossover), 돌연변이(mutation)
Step 4 : 제어계수 계산 후에 제어신호 발생

Intelligent Control Lab 35

 MPC (Model Predictive Control)
 제어 대상에 대한 적은 정보를 요구함
 Long delay-time, non-minimum phase,
unstable 시스템에 적용가능
 제어기내에 dead-time 보상기능이 있음
 Multi-loop에 확장가능
 설계단계에서 입출력 신호에 대한 제한을 둘 수 있음
 강인성을 갖음

Intelligent control의 요구를 충족, 현재

공정제어에 널리 이용되고 있음

PID 형태로 변형하면

Intelligent PID controller

Intelligent Control Lab 36

 MPC (Model Predictive Control)
 (t )
A( z 1 ) y (t )  B ( z 1 )u (t  1)  T ( z 1 )          (17)

 N2  Nu

J  E   ( y (t  j )   (t  j ))    u (t  j  1) 2     (18)
2

 J  N1 j 1 

그림 24. MPC Strategy

Intelligent Control Lab 37

 Does PID control have a future ?
 PID 제어기는 공정제어뿐만 아니라 다양한 분야에서 계속 사용
 PID dead-time control of distributed process
- temperature control of super-heaters in a 500MW power boiler
 Optimal tuning PID control for industrial systems
- rotary hydraulic speed control and MIMO gasfier of a
power plant
 Mobile robot path tracking using a robust PID controller
- path tracking in the Nomad 200 mobile robot
 Fault-tolerant PID control
- two interconnected tank process in oil-bank
 PID control for a distributed system with a smart actuator
- Combining anti-windup schemes
- Reconfigurable control system based on extra information
provided

Intelligent Control Lab 38

 Does PID control have a future ?

그림 25. Experimental setup for actuator black lash compensation

Intelligent Control Lab 39

 Does PID control have a future ?

 특히, PI제어가 주종을 이룰 것임.

 PID 제어기의 보조기능 및 대안으로 다음 제어기가 부상
 RST : Discrete-time linear MISO controller
-> poorly damped oscillatory mode를 갖는 시스템에 유용
 SFO : State feedback and observers
 MPC : Model predictive control
-> PID tuning 및 다 변수 제어,
PID 제어기의 Supervisor를 널리 이용되고
Saturation 및 windup 문제도 해결가능
 기존 PID 제어기에 인공지능기법을 이용하여 성능 개선, 동조,
maintenance등 전문가 지식을 구현하려는 노력이 계속될 것임.

Intelligent Control Lab 40