PID-säätimen optimointi differentiaalievoluutiolla
Hanhila, Mika (2015)
Kuvaus
Opinnäytetyö kokotekstinä PDF-muodossa.
Tiivistelmä
Differentiaalievoluutio on uusi optimointimenetelmä, joka soveltuu erinomaisesti PID-säätimen parametrien numeeriseen optimointiin yksinkertaisuutensa ja reaaliaikaisuutensa vuoksi. Tässä tutkimuksessa PID-säädintä optimoidaan FPGA:lla. FPGA:lla ei ole aiemmin toteutettu tällaista differentiaalievoluutiomene-telmään perustuvaa PID-säädintä. Alkuperäistä differentiaalievoluutioalgoritmia parannetaan ranking-perusteisella mutaatio-operaatiolla ja itse-adaptoituvilla mutaatio- ja risteytysparametreilla. Ranking-perusteisella mutaatio-operaatiolla pystytään parantamaan ratkaisun optimoinnin onnistumis-todennäköisyyttä, laatua ja suppenemisnopeutta. Lisäksi itse-adaptoituvien ohjausparametrien ansiosta käyttäjän ei tarvitse arvioida mutaatio- ja risteytys-parametrien arvoja.
FPGA:lla optimoidaan kustannusfunktiota, joka koostuu eroarvosta, näytteenottovälistä ja derivointi-termistä. Hyvyysarvo lasketaan yritevektorin paramet-reista sukupolvittain. Hyvyyslaskennan perusteella valitaan parhaat yriteparametrit optimiparametreiksi. PID-säädinohjelma on ensin testattu Modelsimilla ja tämän jälkeen kyseiset testaustulokset on analysoitu Matlabilla. Tulosten perusteella ohjelman eri osa-alueita voidaan tulevaisuudessa kehittää sekä laajentamalla ja monimutkaistamalla satunnaisuutta että
kasvattamalla yksilöiden ja sukupolvien määrää. Edellä mainituilla toimenpiteillä vaikutettaisiin satunnaislukujen määrään ja toistuvuuteen ja lisättäisiin mutaatiolaskennan monimuotoisuutta.
FPGA:lla optimoidaan kustannusfunktiota, joka koostuu eroarvosta, näytteenottovälistä ja derivointi-termistä. Hyvyysarvo lasketaan yritevektorin paramet-reista sukupolvittain. Hyvyyslaskennan perusteella valitaan parhaat yriteparametrit optimiparametreiksi. PID-säädinohjelma on ensin testattu Modelsimilla ja tämän jälkeen kyseiset testaustulokset on analysoitu Matlabilla. Tulosten perusteella ohjelman eri osa-alueita voidaan tulevaisuudessa kehittää sekä laajentamalla ja monimutkaistamalla satunnaisuutta että
kasvattamalla yksilöiden ja sukupolvien määrää. Edellä mainituilla toimenpiteillä vaikutettaisiin satunnaislukujen määrään ja toistuvuuteen ja lisättäisiin mutaatiolaskennan monimuotoisuutta.