Zalety i wady regulatorów PID z automatycznym doborem nastaw – część 3

Źródło: Pexels

Automatyczny dobór nastaw regulatorów PID nadal nie jest rozwiązaniem uniwersalnym. Historyczne problemy z optymalizacją nastaw jednowymiarowych regulatorów PID, ograniczony sukces regulatorów z automatycznym doborem nastaw (funkcją autotuningu) oraz obecne trudności ze sterowaniem opartym na modelu obiektu (model-based control – MBC) wynikają z tej samej przyczyny.

W ostatnich numerach Control Engineering Polska zostały opublikowane artykuły na temat automatycznego doboru nastaw regulatorów PID: „Automatyczny dobór nastaw regulatorów PID – część 1” (wydanie styczeń/luty 2019) i „Automatyczny dobór nastaw regulatorów PID – część 2” (wydanie marzec/kwiecień 2019). W artykułach tych podajemy wiele ważnych informacji. Jednak chociaż zostały w nich przedstawione ważne kwestie i wyprowadzone właściwe wnioski, to pominięto jedną z głównych implikacji. Historia automatyzacji doboru nastaw PID ujawnia pewien wniosek podstawowy.

Zgodnie z wnioskami zawartymi we wspomnianych artykułach automatyczny dobór nastaw regulatorów PID nadal nie jest panaceum na związane z tym techniczne problemy. Ponadto prawidłowo zasugerowano, że być może największym wyzwaniem jest tu nieprzewidywalność lub nieliniowość procesu. Proces nieprzewidywalny to taki, w którym rzeczywista odpowiedź procesu na sygnał z regulatora różni się od wstępnie zidentyfikowanej odpowiedzi, na której oparta jest optymalizacja nastaw regulatora lub model obiektu regulacji. Okazuje się to prawdą dla większości procesów i dlatego regulatory z funkcją automatycznego doboru nastaw osiągnęły ograniczony sukces, mimo podjęcia znaczącej liczby prób ich wykorzystania w przemyśle. Układy regulacji, w których rzeczywista odpowiedź procesu na sygnał sterujący się zmienia, stanowią fundamentalny problem i wyzwanie dla optymalizacji nastaw regulatorów i modelowania obiektów regulacji.

Wyjaśnia to, dlaczego optymalizacja nastaw regulatorów jednowymiarowych oraz modelowanie obiektów regulacji wielowymiarowej, które w teorii powinny być jednorazowymi zadaniami inżynierskimi, mają w praktyce charakter wciąż powracających okresowo prac związanych z utrzymaniem ruchu w zakładzie. Jest to zatem długookresowa praktyka optymalizacji doboru nastaw regulatorów, która obecnie okazała się również niezbędnym elementem regulacji opartej na modelu.

samolot airplane regulacja PID
Analogia pomiędzy układem regulacji w przemyśle a samolotem pasażerskim zmieniającym wysokość lotu wyjaśnia, dlaczego kryteria realizacji operacji są bardziej odpowiednie do sterowania procesem przemysłowym niż tradycyjna minimalizacja uchybu regulacji.

Niestety dwa powszechnie stosowane rozwiązania nie wydają się rozwiązywać tych problemów. Jednym z tych rozwiązań jest idea modelu uśrednionego lub uśrednionego doboru nastaw. O ile można stwierdzić, że jest to prawdopodobnie najlepsza strategia, to najwyraźniej aż do dziś nie rozwiązała ona problemu. Drugim rozwiązaniem jest automatyczny dobór nastaw albo modelowanie adaptacyjne, które są potencjalnie bardziej problematyczne od uśredniania, ponieważ zasadniczo są metodami optymalizacji nastaw, które w danym momencie mogą być wręcz idealne, jednak mogą też okazać się nieodpowiednie już po kilku chwilach, gdy w układzie regulacji zajdą zmiany parametrów.

Dotyczy to w szczególności zmian poziomów, wartości wzmocnienia procesu (process gain, wielkość wskazująca ile razy wartość zmiennej procesowej wzrosła w stosunku do wielkości wymuszenia). Wiele poziomów wzmocnień procesu zmienia się często lub nawet dynamicznie z powodu na bieżąco pojawiających się i występujących zakłóceń oraz zmian warunków realizacji procesu. Dlatego ponowne dobieranie nastaw regulatorów i ponowne modelowanie obiektów regulacji staje się zasadniczo codziennym rytuałem i koniecznością, a ograniczony sukces różnych sposobów automatyzacji doboru nastaw tylko pogłębia ten problem. Jest on bardzo dobrze znany wszystkim, którzy spędzili całe lata na rozwiązywaniu problemów w układach sterowania procesami w przemyśle. Dlatego też trzeba mieć świadomość, że automatyzacja doboru nastaw regulatorów niestety nie jest w stanie rozwiązać tych problemów do końca. A zatem użytkownicy powinni spojrzeć krytycznie na pojawienie się modelowania adaptacyjnego, które usiłuje robić to samo na znacznie większą skalę.

Nowoczesne narzędzia komputerowe nie rozwiązały tego dylematu, tak jak oczekiwało tego środowisko automatyków, lecz na domiar złego jeszcze go uwypukliły. W przyszłości optymalizacja nastaw regulatorów i modelowanie obiektów regulacji będą musiały same dostosować się do idei polegającej na tym, że ustalone modele są wyjątkiem, a nie regułą. Uśrednianie modeli pozostaje najlepszą praktyką, wraz z niezawodną regulacją w układzie zamkniętym, konserwatywnym doborem nastaw regulatorów oraz bardzo selektywnym wykorzystaniem sprzężenia wyprzedzającego (feedforward – sprzężenie w przód) – tylko tam, gdzie jest ono niezbędne dla uniknięcia poważnych ograniczeń lub zagwarantowało osiągnięcie dużych zysków – ponieważ każdy model sprzężenia wyprzedzającego oznacza zarówno zwiększoną niezawodność, jak i koszty utrzymania. Jest to najlepsza strategia pójścia naprzód – zarówno dla regulacji jednowymiarowej, jak i wielowymiarowej.


Allan Kern jest właścicielem i prezesem firmy APC Performance LLC.