Experimental implementation of automated iterative control tuning with set membership black-box optimization

This project is concerned with the application on an experimental setup of an automatic tuning procedure of a controller based on black-box optimization. In particular, the setup is composed by a blower, a power supply unit, a levitating disk, an infrared position sensor and an Arduino board responsible of controlling the fan speed and collecting data from the position sensor. The controller manages the fan air flow to control the disk position aiming at following the trajectory imposed by the reference. The system at hand and the sensor are not linear and affected by both measurement and process noises. The optimization algorithm chooses autonomously the controller parameters and performs the experiment. Then, based on the cost derived from the experiment itself, it selects a new point with a strategy that trades-off exploration and exploitation in the search space, exploiting Set Membership estimation methods. Several solutions to enable a reliable and efficient automated tuning are described, and implemented together with the global optimizer. The software is then interfaced with the testbench, and the obtained experimental results are discussed. In addition, to have a clear view of the capabilities of the algorithm, a comparison between the experimental and simulated cost function response surfaces of the cost function is reported. Lastly, a parallel between the proposed automatic tuning method and the Ziegler-Nichols closed loop one is drawn

Questo progetto riguarda l'applicazione di una procedura automatica di taratura di un controllore su un sistema sperimentale, basandosi su un algoritmo black-box di ottimizzazione. In particolare, il sistema è composto da un ventilatore, da un alimentatore, da un disco che levita, da un sensore di posizione ad infrarossi e da una scheda Arduino che controlla la velocità della ventola e raccoglie i dati dal sensore. Il regolatore gestisce la portata di aria al fine di controllare la posizione del disco, per inseguire la traiettoria imposta dal riferimento. Il sistema trattato e il sensore sono non lineari e sono influenzati sia da rumori di misura sia da disturbi sul processo. L'algoritmo di ottimizzazione sceglie autonomamente i parametri del controllore ed esegue un esperimento. Dopodichè, basandosi sul costo derivato da questo, seleziona un nuovo punto con una strategia che bilancia l'esplorazione e l'utilizzo dello spazio di ricerca, sfruttando metodi di stima propri del Set Membership. Vengono descritte diverse soluzioni per consentire una taratura automatica affidabile ed efficiente; queste sono implementate insieme ad un ottimizzatore. Il software, poi, è interfacciato con il banco di prova e vengono discussi i risultati sperimentali ottenuti. Inoltre, per avere una prospettiva chiara delle potenzialità dell'algoritmo, viene effettuato un paragone tra le superfici di risposta sperimentale e simulata della funzione di costo. Infine, viene tracciato un parallelo tra il metodo di taratura automatica proposto e il metodo di Ziegler-Nichols in anello chiuso.