Циклы управления на основе ПИД контролируют большинство автоматизированных процессов на промышленных предприятиях. Алгоритм пропорционально-интегрально-дифференциального (ПИД) регулирования прост, надёжен и за последние 50 лет применялся в сотнях тысяч систем управления.
Однако не все промышленные процессы можно контролировать с помощью ПИД-регуляторов. Многофакторные, нелинейные и случайные процессы, например, требуют более продвинутых методов управления. Раньше подобные технологии были доступны только в академических лабораториях и в аэрокосмической отрасли, но с появлением доступных вычислительных платформ даже самые сложные алгоритмы стали доступны промышленным пользователям.
ПИД-регулирование — это алгоритм управления, который корректирует сигнал на основе трех составляющих: пропорциональной (сейчас), интегральной (накопленной ошибки) и дифференциальной (скорости изменения ошибки).
Модельно-прогнозирующее управление
Одной из первых коммерциализированных продвинутых техник управления стало модельно-прогнозирующее управление, которое учитывает взаимодействия процессов, преодолевает возмущения и прогнозирует будущую работу с помощью модели процесса. Первый программный пакет, основанный на технологии модельно-прогнозирующего управления, был IDentification and COMmand controller (IDCOM), разработанный компанией Adersa.
Adersa теперь предлагает пакет управления второго поколения на основе модельно прогнозирующего управления, известный как Predictive Functional Control (PFC). PFC предназначен для того, чтобы поддерживать значение процесса в пределах заданного диапазона вокруг установленной точки. Он использует модель процесса для определения текущих усилий управления, необходимых для того, чтобы будущие значения процесса оставались в предписанных пределах.
Predictive Functional Control (PFC) — это алгоритм предиктивного управления, который использует динамическую модель процесса для прогнозирования его будущего поведения и вычисления оптимального управляющего воздействия. Основная идея PFC заключается в том, чтобы на каждом шаге минимизировать функционал, отражающий отклонения выходного сигнала от заданного значения с учетом затрат на изменения управляющих воздействий.
По словам директора Adersa, доктора Жака Ришале, «PFC предназначен для пользователей классических ПИД. Он ориентирован на сложные процессы (с переменной во времени динамикой, нелинейные, нестабильные, с обратной реакцией, с раздельным диапазоном и т.д.), а также на медленные процессы, такие как химические реакторы, и на быстрые процессы, например, прокатные станы и механические сервомеханизмы, где алгоритм ПИД оказывается недостаточно эффективным.»
Dynamic Matrix Control (DMC) — это еще один пример передовой технологии управления, перенесенной из академической среды в промышленность. Чарли Катлер, пионер в области многопараметрического управления, использовал результаты своей докторской диссертации для создания собственного модельно прогнозирующего контроллера на основе технологии DMC. Последняя версия DMC, известная как DMCPlus, теперь доступна от Aspen Technology, где доктор Катлер работает в качестве старшего советника.
Dynamic Matrix Control (DMC) — это алгоритм предиктивного регулирования, использующий динамическую модель процесса (обычно в виде отклика на единичный скачок) для прогнозирования будущего поведения системы и оптимизации управляющих воздействий. Основная идея DMC заключается в минимизации заранее заданной функции стоимости, которая учитывает отклонения выходного сигнала от желаемого и величину управляющих действий, при этом могут учитываться ограничения на переменные регулирования.
Больше методов, основанных на модели
В компании ControlSoft технология управления на основе моделей приняла форму Modular Multivariable Controller (MMC). MMC включает в себя метод внутреннего управления на основе модели (IMC), который использует модель процесса не для прогнозирования его будущего поведения, а для нейтрализации нежелательной динамики процесса. ControlSoft была основана группой выпускников и преподавателей, принимавших участие в разработке технологии IMC в Университете Case Western Reserve.
Разумеется, не все новейшие методы управления были разработаны в академической среде. Дэвид Колфилд, разработчик программного обеспечения в отделе Chlor-Alkali компании Olin Chemical, создал алгоритм модельно прогнозирующего управления для регулирования химических и нефтехимических процессов Olin. Результаты теперь доступны в коммерческом продукте – Olin Modular Network and Control System (OMNX) от OMNX Open Control. По словам господина Колфилда, OMNX представляет собой «самонастраивающуюся замену ПИД, которую можно просто «вставить» вместо него».
Независимое мышление, легшее в основу разработки OMNX, привело к появлению нескольких отличительных особенностей. Прежде всего, программное обеспечение чрезвычайно эффективно рассчитывает необходимые усилия управления. По словам Колфилда, OMNX работает со скоростью, превосходящей традиционные методы управления на основе моделей на несколько порядков.
Компании Fisher-Rosemount и Honeywell Industrial Automation & Control также разработали собственные пакеты управления на основе моделей, каждый из которых имеет свои отличительные черты. Переменный горизонтовый предиктивный контроллер от Fisher-Rosemount включает технологию модельно прогнозирующего управления таким образом, что интерфейс и ощущение от работы с ним намного ближе к привычному ПИД-управлению. Надёжная технология модельно прогнозирующего управления от Honeywell специально разработана с учетом высокой устойчивости к неопределённости модели.
Устойчивость является также целью нового программного обеспечения для многопараметрического предиктивного управления от Fisher-Rosemount под названием MVP Control. По словам Лори Бен, менеджера программы по продвинутым решениям управления в Fisher-Rosemount, в программное обеспечение MVP Control будут внедрены методики разработки и настройки контроллера таким образом, чтобы снизить его чувствительность к расхождениям между моделью и реальным поведением процесса.
Еще нечеткой логики
Компания Fisher-Rosemount также интегрировала нечеткую логику в свой Intelligent Fuzzy Logic Controller. Это программное обеспечение позволяет пользователям применять нечеткую логику к существующим контурам управления. Его цель – обеспечить более быстрый и точный отклик процесса, чем может обеспечить обычный ПИД-регулятор. По словам Лори Бен из Fisher-Rosemount, пользователи отмечают особую полезность нечеткого управления при применении в системах температурного контроля.
Компания Inform Software Corp. применила нечеткую логику для систем управления на базе ПЛК и DCS (РСУ) с использованием своего программного обеспечения fuzzy Tech. В сотрудничестве с Klöckner-Moeller Inform разработала «fuzzyPLC», которая интегрирует традиционные методы управления с нечеткой логикой. Программное обеспечение доступно в виде чисто софтверного решения для нескольких платформ ПЛК и DCS, что позволяет пользователям осуществлять мониторинг систем нечеткой логики в режиме реального времени и вносить изменения в стратегию управления «на лету».
По словам директора по нечетким технологиям Inform, Константина фон Альтрока, «Нечеткая логика позволяет разработчикам реализовывать стратегии супервизорного управления, основываясь непосредственно на опыте оператора и экспериментальных данных. Во многих приложениях это сокращает время проектирования до небольшой его части». Для случаев, когда опыта оператора нет, Inform предоставляет дополнительный модуль NeuroFuzzy, который автоматически генерирует правила нечеткого управления на основе выборочных данных.
Нейронные сети помогают в анализе поведения процесса
Иногда сложность управления трудным контуром заключается не столько в неопределенности поведения процесса, сколько в недостаточно точных данных о нем. В таких случаях нейронные сети могут помочь, определяя текущее значение управляемой переменной на основе набора связанных переменных. Используя исторические данные, нейронную сеть можно «обучить», чтобы она «выучила» часто сложные взаимосвязи между измеряемыми переменными и переменной, представляющей интерес. После установления этих связей текущее значение вычисляемой переменной можно рассчитать по текущим значениям фактически измеряемых переменных.
Fisher-Rosemount предлагает Intelligent Sensor Toolkit для создания таких виртуальных датчиков. По словам Лори Бен, данный инструмент находит и другие применения. «Клиенты также используют его для анализа процессов и обнаружения знаний, чтобы определить части своей модели процесса для различных систем управления», — отмечает она.
Такой анализ часто сводится к выявлению причинно-следственных связей между входами и выходами процесса. Нейронные сети особенно полезны для анализа процессов, которые не могут быть охарактеризованы традиционными линейными моделями. Продукт NeuCOP II от NeuralWare объединяет нейронные сети, статистику и методы многопараметричного моделирования для создания динамических, нелинейных моделей на основе данных о процессе.
Оптимальное управление с учетом ограничений
Контроллер NeuCOP II включает эти нелинейные модели в стратегию модельно прогнозирующего управления с встроенным оптимизатором. Он способен вычислять оптимальные управляющие воздействия, не нарушая эксплуатационных ограничений. Результаты могут быть выведены оператору для ручного внедрения или переданы в систему управления в режиме реального времени, например, в DMCPlus, для автоматического исполнения. «Такое сочетание нейронных сетей с нашими существующими технологиями управления создает мощное решение», — говорит Ларри Эванс, председатель правления и генеральный директор AspenTech. «Например, нейронные сети можно установить в существующие системы многопараметрического управления для повышения точности вычисления косвенных параметров и обеспечения более жесткого контроля за сильно нелинейными процессами.»
Продукт Process Perfector от Pavilion Technologies также объединяет нейронные сети с технологией модельно прогнозирующего управления. Однако в отличие от традиционных модельно прогнозирующих контроллеров, Process Perfector использует нелинейную модель, применимую к более широкому спектру процессов. Нейронная сеть применяется для инверсии модели, позволяя определить необходимые усилия управления для достижения требуемого отклика процесса в будущем. Разработчик Грег Мартин утверждает, что благодаря нейронной сети операция инверсии выполняется гораздо быстрее, чем традиционными методами. В результате Process Perfector может применяться в процессах, которые ранее считались слишком быстрыми для управления с помощью традиционных методов, основанных на моделях.
Преимущества адаптивного управления
Многие передовые методы управления, использующие нечеткую логику и технологии нейронных сетей, разработаны для учета изменений в поведении процесса. Такие контроллеры называются адаптивными, поскольку они способны корректировать свои стратегии управления, адаптируясь к новым условиям работы.
Одним из первых адаптивных контроллеров, доступных для коммерческого применения, был Foxboro’s Exact. Многопараметрическая версия Exact MV обладает онлайн-адаптивными возможностями как для прямых (feedforward), так и для обратных (feedback) компонентов системы управления. Контроллер Exact MV может обрабатывать до четырех прямых входов, что позволяет ему эффективно выполнять функцию многоканального декуплера. Кроме того, он способен работать в режиме предиктора Смита с постоянно обновляемой оценкой времени задержки. «Это делает его особенно полезным для процессов с доминирующей или изменяющейся задержкой, которые трудно поддаются управлению», — отмечает Том Кинни, директор по системным технологиям Foxboro.
Компания ControlSoft предлагает адаптивный пакет ПИД-управления под названием InTune. Он непрерывно мониторит работу контура и обновляет параметры настройки П, И и Д коэффициентов для улучшения динамики замкнутой системы. InTune работает как опытный инженер по управлению, корректируя параметры на основе сложного набора эмпирических правил.
Продукт BrainWave от Universal Dynamics Technologies сочетает технологии адаптивного управления с модельно-прогнозирующим управлением. Он использует динамическую методику моделирования для автоматического построения математических моделей процесса и их онлайн-адаптации, продолжая управление самим процессом. Используя актуальные модели, BrainWave может прогнозировать влияние изменений управления и возмущений прямого воздействия, что позволяет плавно и быстро достигать заданной точки без колебаний. Постоянно обновляя свои модели, BrainWave стремится учитывать неожиданные или изменяющиеся во времени характеристики процесса.
«BrainWave продемонстрировал снижение отклонения от заданной точки на 30–50% по сравнению с заменяемыми ПИД-регуляторами в реальных заводских приложениях. Он обеспечивает значительно лучшее управление в случаях, когда отношение времени задержки к постоянной времени превышает единицу, что не может быть эффективно обработано ПИД-управлением», — говорит Билл Гау, менеджер по продукту. Он также отмечает, что BrainWave, как и Exact MV от Foxboro, наиболее эффективен в приложениях с длительной или переменной задержкой и постоянными времени.
Немного всего сразу
Продукт Connoisseur от Predictive Control Ltd. объединяет лучшие элементы нескольких передовых методов управления. Подобно BrainWave, он использует модельно прогнозирующий контроллер, который может адаптироваться к текущим условиям процесса в режиме онлайн. Connoisseur также применяет нейронные сети для компенсации нелинейных процессов и нечеткую логику для корректировки задач управления, когда традиционные методы не дают желаемых результатов.
У Connoisseur есть и свои отличительные особенности. Его возможность работы с несколькими моделями рассчитана как на непрерывные, так и на пакетные процессы. Кроме того, он использует нестандартную структуру управления в системе модельно прогнозирующего контроля. По словам Тома Кинни из Foxboro, «этот подход обеспечивает значительное улучшение в реальных условиях, когда контроллер подвергается воздействию неизмеренных нагрузочных возмущений.»
Насколько хорошо эти передовые стратегии управления будут приняты в отрасли, где доминируют ПИД-контуры, и какое сложное программное обеспечение для управления появится в будущем – остаётся лишь догадываться. Одно можно сказать с уверенностью: благодаря доступности недорогих вычислительных мощностей на всех уровнях иерархии систем управления, ПИД-регуляторы надолго уже не останутся единственным решением.
