(Advances in Industrial Control) Antonio Visioli - Practical Pid Control-Springer (2006) - 161-320
(Advances in Industrial Control) Antonio Visioli - Practical Pid Control-Springer (2006) - 161-320
tr
= 1,1919f + 8,0633, T (6.11)
1
T2 = tr (6.12)
1,0722f + 2,0982.
Kemudian, dengan mempertimbangkan Persamaan (6.3), (6.7), (6.11) dan (6.12), nilai f dan
T2 dapat dengan mudah ditentukan, sedangkan nilai T1 dapat dengan mudah dihitung
dengan menggunakan relasi T1 = fT2.
Berdasarkan estimasi model orde kedua, kontroler PID dalam bentuk ideal (dengan tindakan
proporsional dan derivatif yang diterapkan pada output proses) disetel secara pasti menurut
aturan penyetelan yang berasal dari minimalisasi indeks kinerja kuadratik:
21,4
Kp = 1,5 , (6.13)
K
8.417
Td = T2 0,985 ÿ f + , (6.14)
10,66
Dan
T
T1 = (6.18)
0,0165n2 + 0,5078n + 0,8387.
Kemudian, aturan penyetelan yang berbeda untuk pengontrol PID digunakan.
Hasil simulasi dan eksperimen untuk metodologi kontrol suhu self-tuning yang dirancang
telah disajikan dalam (Pfeiffer, 1999; Pfeiffer, 2000)
Machine Translated by Google
6.3.1 Metodologi
Strategi Plug&Control optimal waktu untuk proses FOPDT dan IPDT pertama kali
diusulkan dalam (Visioli, 2003b) dan kemudian dikembangkan dalam (Visioli, 2005b).
Hal ini didasarkan pada penggunaan gabungan tiga keadaan dan kontrol PID untuk
melakukan transisi dari satu nilai set-point ke yang lain, seperti yang dipersyaratkan
oleh operasi start-up proses, dan dapat diterapkan tanpa pengetahuan sebelumnya
tentang model proses. parameter, dengan pengecualian tanda perolehan proses,
yang akan dianggap positif mulai sekarang, tanpa kehilangan generalitas.
Pada dasarnya, metodologi ini terdiri dari awalnya mengatur output pengontrol
pada batas atasnya, ketika langkah pada sinyal set-point diterapkan. Setelah ward,
ketika keluaran proses meninggalkan nilai sebelumnya, waktu mati L dari proses
diperkirakan. Kemudian, mulai saat ini parameter proses diestimasi melalui prosedur
kuadrat terkecil. Setelah model proses diperkirakan, strategi kontrol optimal waktu,
berdasarkan batas saturasi aktuator, dapat dihitung dan diterapkan. Pada saat
yang sama, pengontrol PID (yang tidak diadopsi dalam fase ini) dapat disetel
dengan benar sesuai dengan aturan penyetelan yang dipilih. Jika parameter proses
diestimasi dengan sempurna, maka pada akhir kontrol optimal waktu, keluaran
proses akan tepat pada nilai keadaan tunak yang diinginkan. Namun, ketidakakuratan
estimasi tidak dapat dihindari dalam kasus praktis, terutama karena adanya noise
pengukuran dan perkiraan numerik. Oleh karena itu, pada akhir strategi optimal
waktu, ketika output proses benar-benar mendekati nilai yang diinginkan, kontroler
diatur ke mode PID. Dengan cara ini, nilai keluaran yang diinginkan benar-benar
tercapai dan kemungkinan gangguan beban selanjutnya dapat dikompensasikan.
6.3.2 Algoritma
proses FOPDT
Pertimbangkan proses yang dijelaskan oleh model orde pertama plus waktu mati:
K
P(s) = eÿLs K > 0, T> 0 (6.19)
Ts+1
1. Tetapkan umax dan umin sebagai nilai maksimum dan minimum masing-
masing dari variabel kontrol u selama kontrol tiga keadaan dan hitung u+
= umax ÿ u0 dan uÿ = umin ÿ u0.
2. Tetapkan bendera=1.
ÿ y1 u+ ÿ ÿ
Kˆ .
ts1 = t0 ÿ Tˆ ln (6.20)
u+
ÿÿÿ ÿÿÿ
e) Jika ts1 < t2 maka tetapkan ts1 = t2, flag=0 dan hitung
ÿ y1 ÿ
ÿ (uÿ)
Kˆ .
ts2 = ts1 ÿ Tˆ ln (6.21)
ÿu+ eksp ÿts1 ÿ t0 + u+ ÿ uÿ
ÿÿÿÿÿ
T ÿÿÿÿÿ
7. Jika flag=1 maka atur u = umax saat t ÿ ts1 dan u = u0+y1/Kˆ saat t>ts1, selain itu
atur u = umin saat t ÿ ts2 dan u = u0 + y1/Kˆ saat t>ts2.
8. Ketika t > Lˆ + ts1 (jika bendera=1) atau ketika t > Lˆ + ts2 (jika bendera=0) terapkan
pengontrol PI(D).
ts1 ketika nilai variabel kontrol harus dialihkan dari umax ke nilai kondisi mapan akhir
u0 + y1/Kˆ ditentukan (Persamaan (6.20) dapat dengan mudah diturunkan dalam
konteks teori kontrol optimal (Lewis, 1996) ).
Mungkin terjadi karena waktu mati proses yang besar atau karena interval waktu yang
besar yang diperlukan untuk prosedur identifikasi untuk konvergen, maka ts1 < t2 ,
yaitu variabel kontrol telah ditetapkan ke nilai maksimumnya untuk waktu yang lebih
lama dari yang diminta oleh kontrol optimal waktu (kondisi ini menentukan bendera
pengaturan=0). Ini berarti bahwa output, bahkan dalam kasus kecocokan yang
sempurna (yaitu, bahkan jika parameter proses diestimasi dengan sempurna)
menunjukkan overshoot. Oleh karena itu, variabel kontrol harus segera diatur pada
level minimumnya dan dijaga pada nilai ini untuk interval waktu yang ditentukan ts2 -
ts1 (waktu perpindahan ts2 juga diturunkan dalam konteks teori optimal). Kemudian,
variabel kontrol diatur pada nilai kondisi mapan (baru) u = u0 + y1/Kˆ . Pada akhir
strategi kontrol optimal waktu (tiga keadaan), jika model proses diestimasi dengan
sempurna, output proses mencapai nilai titik setelnya.
Karena dalam kasus praktis hal ini tidak terjadi karena ketidakakuratan estimasi yang
tidak dapat dihindari, kontroler PID diterapkan untuk membatalkan kesalahan keadaan
tunak yang tersisa dan untuk mengatasi kemungkinan gangguan beban berikutnya.
Proses IPDT
K
P(s) = eÿLs K > 0, T> 0. (6.22)
S
Algoritme ini sangat mirip dengan kasus FOPDT. Satu-satunya perbedaan adalah
rumus untuk menentukan waktu perpindahan optimal ts1 dan ts2 dan nilai keadaan
tunak akhir dari variabel kontrol. Juga di sini kasus bebas kebisingan dijelaskan demi
kejelasan, menyerahkan pembahasan kasus praktis ke Bagian 6.3.3.
1. Tetapkan umax dan umin sebagai nilai maksimum dan minimum masing-masing
dari variabel kontrol u selama kontrol tiga keadaan dan hitung u+ = umax ÿ u0 dan
uÿ = umin ÿ u0.
2. Tetapkan bendera=1.
b) Tetapkan Kˆ = Kˆ
(t2). c) Terapkan aturan penyetelan PI(D) berdasarkan model yang
teridentifikasi. d) Menghitung
y1
ts1 = t0 + (6.23)
Kuˆ +.
e) Jika ts1 < t2 maka tetapkan ts1 = t2, flag=0 dan hitung
y1
u+(ts1 ÿ t0) ÿ uÿ(ts1 ÿ t0) ÿ ts2 = ÿ
Kˆ .
(6.24)
uÿ
7. Jika flag=1 maka atur u = umax saat t ÿ ts1 dan u = 0 saat t>ts1, selain itu atur u = umin saat
t ÿ ts2 dan u = 0 saat t>ts2.
8. Ketika t > Lˆ + ts1 (jika bendera=1) atau ketika t > Lˆ + ts2 (jika bendera=0) terapkan pengontrol
PI(D).
Pertimbangan yang sama untuk kasus FOPDT dapat diterapkan juga dalam kasus ini.
Beberapa masalah teknis harus diselesaikan untuk menerapkan algoritma TOPC secara efektif
dalam kasus-kasus praktis. Pertama, karena pengukuran nyata selalu rusak dengan noise, kondisi
y>y0 pada langkah 4 (baik untuk proses IPDT dan FOPDT) telah diganti dengan y>y0 + NB di
mana NB adalah band noise yang diperkirakan (ÿAstr¨om et al ., 1993) (sebagaimana telah
disebutkan dalam Bagian 5.5.1, estimasi ini dapat dilakukan dalam interval waktu sebelum
penerapan teknik TOPC).
Perlu dicatat juga bahwa batasan kontrol umin dan umax tidak harus sesuai dengan batas fisik
aktuator yang sebenarnya. Sebenarnya, batasan yang lebih konservatif dapat dipilih untuk
berbagai alasan operasi atau untuk menjaga linearitas model.
Kemudian, algoritma kuadrat terkecil rekursif pada langkah 5 harus diinisialisasi. Hal ini dapat
dengan mudah dilakukan dengan memilih estimasi yang sangat kasar dari perolehan proses dan
konstanta waktu proses, masing-masing dilambangkan sebagai Kˆ0 dan Tˆ 0 (lihat Bagian 6.3.5).
Nilai ÿ juga harus tetap. Sebenarnya, dengan menetapkannya pada nilai yang rendah, pengguna
yakin bahwa tahap identifikasi diakhiri dengan akurasi pabrik yang memuaskan.
Kemudian, transfer bumpless (ÿAstr¨om dan H¨agglund, 1995) harus diterapkan pada langkah 8
pada saat peralihan dari tiga keadaan ke pengontrol PID.
Akhirnya, harus ditekankan bahwa metode yang diusulkan dapat diterapkan dalam konteks kontrol
umpan maju langkah-langkah set-point dengan "kekuatan penuh" plus kontrol PID (Pfeiffer, 2000).
Dengan kata lain, untuk langkah-langkah set-point yang cukup besar, zona kontrol harus
ditentukan: di dalam pita sempit di sekitar titik setel, kontrol PID loop tertutup digunakan,
sementara di luar zona kontrol, keluaran pengontrol diatur pada maksimumnya. nilai. Perhatikan
bahwa dengan strategi seperti itu, konstanta waktu integral dari pengontrol PID dapat ditingkatkan
tanpa
Machine Translated by Google
terjadinya overshoot dan menghasilkan sekaligus penolakan turban beban yang lebih
cepat. Prosedur identifikasi dapat dilewati jika parameter proses telah diestimasi atau
dapat diterapkan jika variasi parameter proses terdeteksi.
Untuk memahami algoritma TOPC dengan lebih baik dan untuk memverifikasi
keefektifannya, beberapa hasil simulasi disajikan berikut ini.
Pertama, pertimbangkan proses FOPDT
1
P1(s) = eÿ0.4s . (6.25)
1,4s + 1
T
Kp = , ÿ = maks{0,1T, ˆ 1,7Lˆ},
Kÿˆ (6.26)
ˆ
Ti = T .
Hasil penerapan strategi Plug&Control ditunjukkan pada Gambar 6.2. Dapat dilihat
bahwa kondisi y > 0 diverifikasi pada waktu t1 = Lˆ = 0.4 dan oleh karena itu Lˆ = 0.4
adalah tetap (waktu mati diperkirakan dengan benar). Kemudian, algoritma kuadrat
terkecil rekursif dimulai. Ia konvergen pada saat t2 = 1.2 dengan Kˆ = 0.98 dan Tˆ =
1.36. Konsekuensinya, strategi switching yang optimal ditentukan dengan menghitung
ts1 = 1,554 (lihat Persamaan (6.20)). Karena ts1 > t2, itu adalah flag=1 dan oleh karena
itu variabel kontrol disimpan pada level maksimum u = umax = 1.5 untuk t<ts1.
Kemudian, untuk ts1 <t<ts1 + L ditetapkan u = y1/Kˆ = 1.02. Sementara parameter
kontroler PI ditetapkan Kp = 2,04 dan Ti = 1,36. Akhirnya, pada waktu t = ts1 + L =
1,954 kontroler PI diterapkan pada sistem kontrol dan efek dari sedikit ketidaksesuaian
model dikompensasi. Untuk mengevaluasi kinerja pengontrol PI yang dirancang,
gangguan langkah satuan beban telah diterapkan pada proses pada waktu t = 10.
1
P2(s) = eÿ1.4s, (6.27)
s+1
Machine Translated by Google
1.4
1.2
0,8
variabel
proses
0,6
0,4
0,2
0
0 5 10 15 20 25
waktu
1.5
variabel
kontrol
0,5
0,5
0 2 4 6 8 10 12 14 16 18 20
kali
Gambar 6.2. Hasil penerapan strategi TOPC dengan proses FOPDT P1(s)
di mana waktu mati lebih besar dari konstanta waktu (oleh karena itu, respons cepat
tanpa overshoot sulit diperoleh dengan kontroler PID). Kondisi awal yang sama dan
parameter desain yang sama seperti sebelumnya adalah tetap. Hasil yang diperoleh
dalam hal ini ditunjukkan pada Gambar 6.3. Waktu mati Lˆ diperkirakan dengan benar
pada waktu t = t1 = 1.4. Kemudian, prosedur kuadrat terkecil rekursif dimulai dan
diakhiri pada waktu t = t2 = 1.98 dengan Kˆ = 1.008 dan Tˆ = 1.015.
Berdasarkan estimasi parameter, waktu peralihan optimal ts1 = 1.1 ditentukan.
Karena ts1 < t2, ts1 = t2 = 1.98 dan flag=0 adalah tetap .
Kemudian, variabel kontrol diatur pada nilai minimum umin = ÿ1.5 dan waktu
perpindahan optimal ts2 dihitung dengan menggunakan Persamaan (6.21). Hasilnya
ts2 = 2.093. Dengan demikian, pada saat t = ts2 = 2.093 variabel kontrol diset
menjadi u = y1/Kˆ = 0.99 dan pada saat t = ts2 +Lˆ = 3.493 kontroler PI (yang telah
ditala dengan setting Kp = 0.42 dan Ti = 1.0015) diterapkan. Gangguan beban
langkah kesatuan kemudian telah diterapkan pada waktu t = 10 untuk memverifikasi
efektivitas pengontrol PI yang dirancang melalui strategi TOPC.
Dapat dilihat bahwa sebenarnya strategi TOPC menghasilkan overshoot pada respon
transien pertama. Hal ini disebabkan fakta bahwa proses tersebut memiliki waktu
tunda yang signifikan dan oleh karena itu variabel kontrol telah disimpan pada level
maksimum untuk interval waktu yang terlalu lama ketika prosedur identifikasi konvergen.
Ini menyiratkan bahwa variabel kontrol harus diatur ke level minimum untuk interval
tertentu, tetapi ini tidak cukup untuk menghindari overshoot (yang ada di
Machine Translated by Google
1.5
variabel
proses 1
0,5
0
0 5 10 15 20 25
waktu
1.5
0,5
variabel
kontrol
0
0,5
1.5
0 5 10 15 20 25
waktu
Gambar 6.3. Hasil penerapan strategi TOPC dengan proses FOPDT P2(s)
0,1
P3(s) = eÿs. (6.28)
S
0,9259
Kp =
KˆLˆ , (6.29)
ˆ
Ti = 4L.
Hasil yang diperoleh dengan menerapkan strategi TOPC ditunjukkan pada Gambar
6.4. Ini adalah t1 = Lˆ = 1.06 dan t2 = 2.33 (parameter proses estimasi adalah Kˆ = 0.1).
Melalui Ekspresi (6.23) waktu perpindahan optimal ditentukan sebagai ts1 = 6.65, di
mana variabel kontrol diatur ke nol. Kemudian pada saat t = ts1+Lˆ = 7.71 pengendali
PI diterapkan (Kp = 8.71 dan Ti = 4.24) dan kinerjanya
Machine Translated by Google
1.4
1.2
0,8
variabel
proses
0,6
0,4
0,2
0
0 5 10 15 20 25 30 35
waktu
variabel
kontrol
0
2
0 5 10 15 20 25 30 35
waktu
Gambar 6.4. Hasil penerapan strategi TOPC dengan proses IPDT P3(s)
1
P4(s) = eÿs
S
(6.30)
2.5
2
variabel
proses
1.5
0,5
0
0 5 10 15 20 25 30 35 40 45 50
kali
1.5
0,5
variabel
kontrol
0
0,5
1.5
2
0 5 10 15 20 25 30 35 40 45 50
kali
Gambar 6.5. Hasil penerapan strategi TOPC dengan proses IPDT P4(s)
Kontrol Tingkat
Beberapa percobaan yang berkaitan dengan penerapan strategi TOPC untuk masalah
kontrol level disajikan selanjutnya. Hasil telah diperoleh dengan pengaturan laboratorium
yang dijelaskan di Bagian A.1. Dalam semua kasus telah ditetapkan ÿ = 10ÿ3 dan aturan
penyetelan berikut (Skogestad, 2003) telah dipilih:
0,3Tˆ
Kp = Ti = min{T, ˆ 8Lˆ}. (6.31)
KˆLˆ
Perhatikan bahwa, sehubungan dengan aturan penyetelan asli dalam (Skogestad, 2003),
di sini gain proporsional Kp telah dengan mudah di-detuned untuk memperhitungkan
sistem nonlinier dan dinamika unmodelled yang tidak dapat dihindari.
Pada percobaan pertama, nilai set-point telah ditetapkan pada ysp = 3 V dan telah
ditetapkan umax = 4,5 V dan umin = 0 V. Selama dua detik pertama percobaan variabel
kontrol telah ditetapkan ke nol. untuk memperkirakan pita kebisingan dan untuk mengukur
nilai y0 = 0,68 V (perhatikan bahwa u0 = 0V dan oleh karena itu u+ = umax = 4,5 V dan
uÿ = umin = 0 V). Dengan demikian, nilai y1 mudah ditentukan sebagai ysp ÿ y0 = 2.32 V.
Kemudian, pada waktu t = t0 =2s variabel kontrol diatur ke u = umax (lihat langkah 3 dari
algoritma TOPC
Machine Translated by Google
untuk proses FOPDT) dan, selanjutnya, waktu mati diperkirakan pada waktu t = t1 = 3,68
detik sebagai Lˆ = 1,68 s (lihat langkah 4).
Algoritma kuadrat terkecil rekursif (diinisialisasi dengan Kˆ0 = 1 dan Tˆ = 10) konvergen
0 pada
waktu t2 = 6,19 detik dengan gain dan konstanta waktu diperkirakan Kˆ = 0,94 dan Tˆ = 8,76
(lihat langkah 6(a) dan 6(b) algoritma TOPC).
sebagai
Nilai ts1 yang dihasilkan adalah 6,96 s (lihat Ekspresi (6.20)). Karena ts1 lebih besar dari t2,
maka tidak perlu menetapkan u = umin untuk selang waktu tertentu. Oleh karena itu, pada
waktu t = ts1 = 8.96 s ditetapkan u = y1/Kˆ = 2.47 V untuk interval waktu 1.68 s dan kemudian
pengendali PI diterapkan (menghasilkan Kp = 1.66 dan Ti = 8.76, lihat Ekspresi (6.31) )).
Output proses dan variabel kontrol yang dihasilkan diplot pada Gambar 6.6. Perhatikan
bahwa pada waktu t = 100 detik dan t = 200 sa (perangkat lunak) gangguan langkah -0,5 V
telah diterapkan pada variabel kontrol untuk menguji pengontrol yang dirancang.
Performa keseluruhan yang memuaskan muncul. Perhatikan bahwa pada waktu ts1 + Lˆ
keluaran proses belum mencapai nilai keadaan tunak yang diinginkan (sebagaimana dalam
kasus ideal) karena ketidakakuratan pemodelan yang tidak dapat dihindari. Memang,
pengontrol PI-lah yang segera mengkompensasi kesalahan sistem residual.
Sebenarnya, dapat dilihat bahwa secara praktis tidak ada overshoot dan gangguan beban
ditolak dengan settling time yang rendah, yang menunjukkan bahwa kontroler PI disetel
dengan baik.
Untuk memverifikasi apa yang terjadi dengan nilai set-point yang lebih rendah, kasus dengan
ysp = 2 V (dan umax = 4,5 V) kemudian dipertimbangkan (perhatikan bahwa u0 = 0V dan t0
= 2 s seperti sebelumnya). Dalam hal ini diperoleh y0 = 0.60 V, y1 = 1.4 V, t1 = Lˆ = 1.44 s
dan t2 = 8.85 s (dengan estimasi parameter Kˆ = 0.52 dan Tˆ = 4.64). Karena waktu switching
pertama ts1 = 6.23 s hasilnya lebih rendah dari t2, variabel kontrol segera diset ke umin = 0
sampai waktu t = ts2 = 10.03 s (lihat langkah 6(e) dari algoritma TOPC) dan kemudian diset
ke 2,69 V untuk interval waktu yang sama dengan Lˆ sebelum pengontrol PI diterapkan (Kp
= 1,84 dan Ti = 4,64). Hasilnya ditunjukkan pada Gambar 6.7. Perhatikan bahwa overshoot
hadir seperti yang diharapkan, dan penyetelan pengontrol PI kembali memuaskan, seperti
yang ditunjukkan oleh kinerja penolakan gangguan beban.
Dalam kasus apa pun, tampaknya jika batasan overshoot diperlukan, masuk akal untuk
memilih nilai umax yang lebih rendah untuk nilai ysp yang lebih rendah. Untuk alasan ini,
kasus dimana ysp = 2 V dan umax =3V(umin = 0 V) juga telah dipertimbangkan. Hasilnya
ditunjukkan pada Gambar 6.8, dimana t0 = 2 s, y0 = 0.64 V, y1 = 1.36 V, t1 = Lˆ = 1.76 s, t2
= 9.64 s, Kˆ = 0.88, Tˆ = 9.11, ts1 = 6.59 s, ts2 = 8,52 s, Kp = 1,76 dan Ti = 9,11.
Seperti yang diharapkan, tampaknya pengurangan overshoot jelas terbayar dengan waktu
naik yang lebih tinggi. Namun, sekali lagi, pengontrol PI yang dirancang (secara otomatis)
mencapai kinerja yang memuaskan.
Machine Translated by Google
3.5
2.5
2
variabel
proses
[V]
1.5
0,5
0
0 50 100 150 200 250 300
waktu]
3
variabel
kontrol
[V]
0
0 50 100 150 200 250 300
waktu]
Gambar 6.6. Hasil algoritma TOPC untuk tugas kontrol level dengan ysp = 3 V dan umax =
4,5 V
2.5
variabel
proses
[V]
1.5
0,5
0
0 50 100 150 200 250 300
waktu]
3
variabel
kontrol
[V]
0
0 50 100 150 200 250 300
waktu]
Gambar 6.7. Hasil algoritma TOPC untuk tugas kontrol level dengan ysp = 2 V dan umax =
4,5 V
Machine Translated by Google
2.5
1.5
variabel
proses
[V]
0,5
0
0 50 100 150 200 250 300
waktu]
3.5
2.5
2
variabel
kontrol
[V]
1.5
0,5
0
0 50 100 150 200 250 300
waktu]
Gambar 6.8. Hasil algoritma TOPC untuk tugas kontrol level dengan ysp = 2 V dan umax = 3V
Pengatur suhu
Strategi TOPC juga telah diterapkan pada tugas kontrol suhu melalui pengaturan
eksperimental yang dijelaskan di Bagian A.2. Seperti pada kasus kontrol level,
telah diatur ÿ = 10ÿ3 dan pengontrol PI disetel sesuai dengan aturan (6.31).
Untuk percobaan pertama dipilih nilai ysp = 3,5 V dan umax = 4 V, umin = 0V.
Adapun tugas kontrol level, dua detik pertama percobaan (yaitu, t0 = 2 s) telah
diadopsi (dengan menetapkan u0 = 0 V) untuk mengukur pita kebisingan dan
nilai y0 = 0,58 V (dengan demikian, y1 = ysp ÿ y0 = 2,92 V).
Kemudian diterapkan algoritma TOPC dengan menginisialisasi Kˆ0 = 1 0 = 100.
dan Tˆ Estimasi dead time adalah Lˆ = 26.20 s dan konvergensi algoritma
recursive least squares terjadi pada waktu t2 = 1351.7 s dengan Kˆ = 1.16 dan
Tˆ = 1308.4. Waktu peralihan ts1 menghasilkan 1300,4 detik dan karenanya
waktu peralihan kedua dihitung sebagai ts2 = 1381,0 detik. Oleh karena itu,
variabel kontrol disetel ke nol untuk periode ts2 ÿ t2 = 29,3 s, sebelum disetel
ke y1/Kˆ = 2,52 V untuk periode Lˆ = 26,20 s. Kemudian, pengontrol PI (Kp =
12,91 dan Ti = 209) diterapkan dan untuk mengujinya, gangguan langkah beban
(perangkat lunak) sebesar -0,5 V telah diterapkan pada waktu t = 2000 s. Output
proses dan variabel kontrol yang dihasilkan diplot pada Gambar 6.9. Perhatikan
bahwa prosesnya jelas-jelas dominan lag, tetapi aturan penyetelan yang
diadopsi, yang menghindari pembatalan pole-zero, menjamin penolakan beban yang agak ce
Machine Translated by Google
Untuk lebih memperjelas fakta ini, pada percobaan ketiga nilai ysp telah dinaikkan
menjadi 4 V, sedangkan nilai umax dipertahankan menjadi 4,5 V. Hasilnya dilaporkan
pada Gambar 6.11, di mana y0 = 0,49 V, y1 = 3,51 V, t1 ÿ t0 = Lˆ = Kˆ = 1,16, Tˆ =
dan Ti = 188,4. Dalam hal 1331,5, ts1 = 1485,9 s, Kp = 14,60 23,56 s, t2 = 1163,6 s,
ini tidak perlu mengatur variabel kontrol ke nol untuk periode yang ditentukan dan
keluaran proses mencapai nilai titik setelnya secara monoton. Seperti pada kasus
sebelumnya, penolakan gangguan beban efektif, menunjukkan desain kontroler PI
yang memuaskan.
variabel
proses
[V]
0
0 500 1000 1500 2000 2500 3000
waktu]
variabel
kontrol
[V]
0
0 500 1000 1500 2000 2500 3000
waktu]
Gambar 6.9. Hasil algoritma TOPC untuk tugas kontrol temperatur dengan ysp = 3,5 V
dan umax =4V
Machine Translated by Google
variabel
proses
[V]
0
0 500 1000 1500 2000 2500 3000
waktu]
3
variabel
kontrol
[V]
0
0 500 1000 1500 2000 2500 3000
waktu]
Gambar 6.10. Hasil algoritma TOPC untuk tugas kontrol suhu dengan ysp = 3 V dan umax = 4,5 V
variabel
proses
[V]
0
0 500 1000 1500 2000 2500 3000
waktu]
3
variabel
kontrol
[V]
0
0 500 1000 1500 2000 2500 3000
waktu]
Gambar 6.11. Hasil algoritma TOPC untuk tugas kontrol suhu dengan ysp = 4 V dan umax = 4,5 V
Machine Translated by Google
6.3.6 Diskusi
Dari hasil yang disajikan, tampak bahwa strategi Plug&Control optimal waktu
efektif dalam memberikan komisioning loop kontrol yang cepat ketika kinerja
yang ketat tidak diperlukan. Memang, teknik ini cocok untuk proses-proses di
mana dinamika dominan tidak berorde tinggi dan di mana kemungkinan
overshoot yang agak besar diperbolehkan (setidaknya pada fase permulaan
proses). Perlu ditekankan, bagaimanapun, bahwa dengan pilihan yang sesuai
dari parameter desain (yaitu, level maksimum dan minimum dari variabel kontrol
selama fase kontrol tiga keadaan) overshoot dapat dikurangi secara signifikan
(dengan mengorbankan waktu naik). ). Bahkan, telah ditunjukkan bahwa
parameter desain memiliki arti fisik yang jelas dan masalah teknis dapat
diselesaikan dalam konteks praktis dengan mengeksploitasi pengetahuan yang
masuk akal tentang tanaman.
Akhirnya, harus dicatat bahwa, alih-alih algoritma kuadrat terkecil rekursif,
algoritma kuadrat terkecil batch (Sung et al., 1998) dapat diterapkan untuk
tujuan identifikasi (Visioli, 2003b). Meskipun dalam hal ini metodologi lebih
mampu mengatasi dinamika orde tinggi, ia memiliki keuntungan bahwa
pengguna harus memilih bagian transien yang datanya dikumpulkan untuk
estimasi parameter. Meskipun pilihan ini memungkinkan penanganan trade-off
antara akurasi estimasi dan overshoot yang dihasilkan, ini mungkin tidak intuitif
bagi pengguna.
6.4 Kesimpulan
Dalam bab ini berbagai strategi Plug&Control telah disajikan. Telah ditunjukkan
bagaimana pendekatan ini sangat menjanjikan karena, asalkan metodologi
diterapkan dalam konteks yang sesuai, ia mampu memberikan desain loop
kontrol yang cepat dan efektif. Jelas, fitur ini lebih relevan di pabrik besar,
ketika ada banyak loop (sederhana) yang harus disetel.
Dipercaya bahwa di masa mendatang teknik-teknik baru dalam kerangka kerja
ini dapat dirancang karena masih banyak ruang untuk peningkatan kinerja,
khususnya untuk proses tingkat tinggi.
Machine Translated by Google
7.1 Pendahuluan
Dalam bab ini, masalah identifikasi sistem, dalam konteks penalaan dan kontrol
PID, dibahas. Alih-alih menyajikan tinjauan lengkap dari metodologi yang ada
untuk estimasi model proses (parametrik atau non parametrik), yang akan
menjadi tugas yang sangat besar, tujuan dari bagian berikut adalah untuk
menunjukkan kemungkinan masalah yang mungkin timbul. saat memilih
prosedur identifikasi. Untuk tujuan ini, beberapa teknik disajikan dan fitur
utamanya disorot. Khususnya, teknik yang didasarkan pada evaluasi salah satu
respons langkah loop terbuka atau uji umpan balik relai dipertimbangkan, untuk
memperkirakan parameter FOPDT atau fungsi transfer SOPDT. Pilihan ini
dimotivasi oleh fakta bahwa metode semacam ini paling banyak diadopsi dalam
kasus-kasus praktis karena kesederhanaannya. Analisis berfokus pada proses
pengaturan diri yang tidak menunjukkan dinamika osilasi.
Selain itu, masalah perancangan kontroler PID saat model orde tinggi dari
proses tersedia juga dibahas. Secara khusus, dua pendekatan dalam kerangka
Internal Model Control (IMC) (Morari dan Zafiriou, 1989) dianalisis dan
didiskusikan. Yang pertama, pengontrol (orde tinggi) yang dihasilkan dari
pertimbangan model proses orde tinggi dikurangi melalui perluasan seri
Maclaurin untuk mendapatkan pengontrol PID. Yang kedua, model proses
pertama-tama dikurangi (teknik yang berbeda dipertimbangkan untuk tujuan ini)
untuk mendapatkan pengontrol PID secara alami.
Metode Tangen
Metode tangen terdiri dari menggambar garis singgung dari respon proses pada
titik belok. Kemudian, perolehan proses dapat ditentukan secara sederhana
dengan membagi perubahan keadaan tunak dalam output proses y dengan
amplitudo langkah input A. Kemudian, waktu mati semu L ditentukan sebagai
interval waktu antara penerapan input langkah dan perpotongan garis singgung
dengan sumbu waktu. Terakhir, nilai T+L ditentukan sebagai interval waktu
antara penerapan masukan langkah dan perpotongan garis singgung dengan
garis lurus y = yÿ di mana yÿ adalah nilai keadaan tunak akhir dari keluaran
proses. Sebagai alternatif, nilai T + L dapat ditentukan sebagai interval waktu
antara penerapan masukan langkah dan waktu ketika keluaran proses mencapai
63,2% dari nilai akhirnya yÿ. Dari nilai ini konstanta waktu T dapat dengan
mudah dihitung dengan mengurangkan nilai waktu tunda L yang diperkirakan
sebelumnya. Metode ini digambarkan dalam Gambar 7.1.
Perlu ditekankan bahwa metode ini didasarkan pada fakta bahwa metode ini
memberikan hasil yang tepat untuk proses FOPDT yang sebenarnya. Kelemahan
utama dari teknik ini adalah bergantung pada satu titik kurva reaksi (yaitu, titik
belok) dan sangat masuk akal untuk kebisingan pengukuran. Faktanya, noise
pengukuran dapat menyebabkan kesalahan besar dalam estimasi titik belok
dan turunan pertama kali dari keluaran proses.
Metode Daerah
Sebuah teknik yang lebih kuat untuk pengukuran kebisingan disebut metode
area. Dengan memperhitungkan bahwa gain proses K dapat ditentukan
Machine Translated by Google
y
T
63,2%
KA
LT
Gambar 7.1. Penerapan metode tangen untuk estimasi fungsi transfer FOPDT
Adapun metode tangen terdiri dari terlebih dahulu menghitung luas antara keluaran
proses dengan garis lurus y = yÿ, yaitu:
ÿ
di mana t0 adalah waktu instan dari perubahan langkah input. Kemudian, nilai T+L
dapat ditentukan dengan persamaan berikut:
A1
L+T= . (7.3)
K
Selanjutnya, area A2 antara keluaran proses dan sumbu waktu dalam selang waktu
dari t0 hingga T+L dievaluasi, yaitu,
T +L
A2 := (y(t) ÿ y0)dt (7.4)
t0
di mana y0 adalah nilai kondisi-mapan keluaran proses awal. Akhirnya, nilai T dan L
ditentukan melalui ekspresi berikut:
eA2 A1 ÿKT
T= L= (7.5)
K K
A1
KA
A2 T
+TL
Gambar 7.2. Penerapan metode area untuk estimasi fungsi transfer FOPDT
jika proses tersebut memiliki dinamika FOPDT yang tepat. Dalam kasus apa pun
itu juga mungkin untuk menerapkannya untuk respons undershooting, overshooting
atau osilasi (sedang), asalkan bagian dari y(t) yang kurang dari y0 dipotong menjadi
y0 dan bagian dari y(t) yang lebih besar dari yÿ menjadi "cermin" terhadap yÿ (Leva
et al., 2001).
Didasarkan pada kalkulus integral, pendekatan ini lebih relevan dari sudut pandang
komputasi (hasil akhir sulit diperoleh dengan tangan) tetapi memiliki fitur luar biasa
yang jauh lebih kuat terhadap noise pengukuran daripada metode garis singgung.
Namun, ini memiliki kelemahan dalam kemungkinan penentuan nilai negatif dari
waktu tunda L ketika proses menunjukkan dinamika lag-dominan nonlinear.
1
yÿ(t) = (7.6)
16(u(t ÿ 1) ÿ 1.2 ÿy).
Tanggapan langkah kesatuan diplot pada Gambar 7.3 (perhatikan bahwa tidak ada
kebisingan pengukuran). Penerapan langsung metode luas memberikan hasil
sebagai berikut: K = 0,69, T = 18,8 dan L = ÿ0,15. Jelas, jika
Machine Translated by Google
0,7
0,6
0,5
0,4
variabel
proses
0,3
0,2
0,1
0
0 10 20 30 40 50 60 70 80 90 100
kali
Gambar 7.3. Contoh respons langkah yang penerapan metode luasnya memberikan waktu
mati negatif
prosesnya tidak dominan lag, hasil waktu mati yang diremehkan secara signifikan
dalam hal apa pun. Ini mungkin menjadi masalah dari sudut pandang penyetelan
parameter PID karena pengontrol yang lebih agresif dari yang diharapkan mungkin
dihasilkan.
Sebuah metode yang didasarkan pada estimasi dua waktu instan dari kurva reaksi
telah diusulkan dalam (Sundaresan dan Krishnaswamy, 1978) (juga dilaporkan
dalam (Seborg et al., 2004)). Ini terdiri dalam menentukan waktu instan t1 dan t2
ketika output proses masing-masing mencapai 35,3% dan 85,3% dari keadaan
tunak akhir. Kemudian, waktu mati dan konstanta waktu dihitung dengan rumus
berikut:
Teknik ini, selain masalah kepekaan terhadap kebisingan pengukuran dalam estimasi
dua kali t1 dan t2, mengalami masalah yang sama dengan metode area. Memang, jika
diterapkan pada respon transien yang sama yang diperoleh Proses (7.6) (lihat Gambar
7.3), hasilnya K = 0.69, T = 19.69 dan L = ÿ0.64. Dengan demikian, pertimbangan yang
sama untuk metode luas berlaku juga dalam kasus ini. Konsekuensinya, kehati-hatian
harus diberikan dalam memilih konteks yang tepat untuk menerapkan teknik ini.
Cara yang mungkin untuk mendapatkan model FOPDT adalah dengan mendapatkan
model orde tinggi terlebih dahulu dan kemudian mereduksinya menjadi bentuk FOPDT.
Sebuah metode yang dapat dimanfaatkan dalam konteks ini telah diusulkan dalam (Sung
et al., 1998). Langkah pertama adalah mengestimasi fungsi transfer orde tinggi yang
sewenang-wenang (dilambangkan dengan G(s)) melalui pendekatan kuadrat-terkecil.
Ketangguhan yang luar biasa sehubungan dengan noise pengukuran dicapai dengan
mempertimbangkan integral dari sinyal input dan output, bukan turunannya. Kemudian,
model orde rendah dapat diturunkan dengan menerapkan algoritma reduksi model. Fitur
yang menonjol dari metodologi ini adalah tidak memerlukan masukan khusus untuk proses,
tetapi dapat diterapkan dalam kondisi operasi yang berbeda.
Di sini kasus di mana input langkah diterapkan ke proses dan model FOPDT ditentukan
mulai dari model orde tinggi yang diperoleh dipertimbangkan. Sementara nilai gain K
dapat ditemukan seperti biasa dengan membagi perubahan keadaan tunak dalam
output proses y dengan amplitudo langkah input, sekali lagi pendekatan berbasis
kuadrat terkecil digunakan untuk menemukan konstanta waktu dari model proses (7.1)
yang meminimalkan perbedaan antara besaran respons frekuensi model orde tinggi
dan model FOPDT. Secara formal, nilai T yang memenuhi persamaan berikut
ditentukan sebagai:
K
|G(jÿi)| = 0 <...<ÿi <...<ÿu (7.8)
T 2ÿ2 + 1,
Saya
di mana ÿu adalah frekuensi ultimate dari G(s). Akhirnya, waktu mati semu dari proses
ditentukan sebagai nilai yang memberikan sudut fase yang sama (yaitu, ÿÿ) dari model
orde tinggi pada frekuensi ultimate ÿu:
ÿ ÿ arctan(T ÿu)
L= . (7.9)
ÿu
Tampaknya metode ini membutuhkan lebih banyak upaya komputasi daripada yang
sebelumnya (perhatikan bahwa ÿu harus dihitung karena tidak tersedia).
Pilihan kritis dalam konteks ini adalah pemilihan urutan (dan urutan relatif) dari fungsi
transfer rasional G(s) dan bagian dari respons langkah yang harus dipertimbangkan
(jelas tidak ada artinya menggunakan data setelah keadaan tunak). telah tercapai).
Untuk masalah pertama, dengan memperhitungkan
Machine Translated by Google
bahwa pada akhirnya model FOPDT ditentukan, pilihan yang masuk akal adalah memilih
fungsi transfer orde keempat dengan orde relatif sama dengan satu (ini berarti bahwa suku
waktu mati didekati dengan tiga nol dan tiga kutub). Untuk masalah kedua, cukup
mempertimbangkan waktu pengendapan sebesar 2% dari nilai kondisi mapan.
Perlu dicatat pada titik ini bahwa metodologi pengurangan model lainnya (yang menghasilkan
fungsi transfer rasional) akan disajikan pada Bagian 7.5.
Fungsi Laguerre adalah sekumpulan fungsi ortonormal lengkap yang didefinisikan sebagai:
l1(t) = ÿ2peÿpt
..
.
(7.10)
(2p)iÿ1 (i ÿ 1)(2p)iÿ2
li(t) = ÿ2p (ÿ1)iÿ1 tiÿ2+ (i ÿ
(i ÿ 1)!tiÿ1 + (ÿ1)i 2)!
(i ÿ 1)(i ÿ 2)(2p)iÿ3
(ÿ1)iÿ1 tiÿ3 + ··· + 1 eÿpt 2!(i ÿ 3)!
di mana p > 0 disebut faktor skala waktu. Dalam konteks identifikasi sistem, sifat bahwa
fungsi arbitrer g(t) dapat diperluas sehubungan dengan sekumpulan fungsi yang ortonormal
dan lengkap selama interval (0, ÿ) dapat dieksploitasi. Secara khusus, jika g(t) adalah unit
respon impuls dari suatu proses, maka dapat ditulis sebagai
Di mana
ÿ2p(s ÿ p)iÿ1
Li(s) = (s saya = 0, 1,... (7.13)
+ p)i sering
disebut sebagai filter Laguerre. Secara teori, perluasan yang diekspresikan dalam Persamaan
(7.11) membutuhkan jumlah suku yang tak terhingga untuk menyatu dengan respons impuls
yang sebenarnya. Namun, perkiraan yang bagus dapat diperoleh dengan memotong deret
setelah suku N. Bagaimanapun, dari Ekspresi (7.13) dapat dengan mudah disimpulkan bahwa
estimasi fungsi transfer memiliki kutub yang berhimpitan.
Machine Translated by Google
Mulai dari respons langkah terukur y(t), koefisien ekspansi dapat dihitung sebagai:
Ts
c1(t) = p 0 y(t)l1(t)dt + ¯yl1(Ts)
Ts Ts
c2(t)=2p 0 y(t)l1(t)dt + p 0 y(t)l2(t)dt + ¯yl2(Ts)
..
.
Ts Ts Ts
ci(t)=2p 0 y(t)l1(t)dt + 2p 0 y(t)l2(t)dt + ... + hal
y(t)li(t)dt + ¯yli(Ts) 0
(7.14)
di mana Ts adalah waktu di mana proses mencapai kondisi mapan dan ¯y adalah
nilai kondisi mapan. Pemilihan faktor penskalaan waktu p (yaitu, lokasi kutub sistem
yang mendekati) mempengaruhi keakuratan perkiraan, dalam artian bahwa pilihan p
yang buruk membutuhkan lebih banyak istilah untuk memberikan akurasi model yang
diinginkan. Untuk alasan ini, metodologi untuk pemilihan suara p telah diselidiki
(Wang dan Cluett, 1994). Secara khusus, diusulkan untuk mencari nilai p yang
optimal (dalam arti memberikan pendekatan terbaik untuk nilai N tertentu) dalam
interval [pmin, pmax], di mana pmmin = 4/Ts dan pmax = 5pmin jika N ÿ 4 dan pmax
= 10pmin jika N > 4. Interval ini kemudian didiskritisasi dan untuk setiap nilai p
koefisien Laguerre cN dan cN+1 ditentukan dengan menggunakan Rumus (7.14).
Nilai p dimana cN cN+1 = 0 dipilih sebagai kandidat yang memungkinkan. Di antara
mereka, salah satu yang menghasilkan nilai maksimum Analisis rinci penggunaan
fungsi Laguerre dalam konteks ini dapat Ni=1 c2 dipilih sebagai yang terbaik.
Saya
ditemukan di (Wang dan Cluett, 2000). Terlihat bahwa teknik pemodelan berdasarkan
respons langkah ini memiliki sifat statistik yang bagus: sangat kuat terhadap
kebisingan pengukuran dan strategi sederhana untuk pretreating data dapat
diimplementasikan untuk mengatasi gangguan.
Teknik lain yang patut dipertimbangkan adalah mengestimasi tiga parameter fungsi
transfer K, T dan L dengan menyelesaikan masalah optimasi berikut:
ÿ
Teknik identifikasi loop tertutup yang digunakan dalam pengaturan industri biasanya
bergantung pada percobaan umpan balik relai. Ide awal penggunaan relay-feedback
controller (ÿAstr¨om dan H¨agglund, 1984) adalah untuk mengevaluasi osilasi
keluaran proses yang diperoleh (lihat Bagian 1.3) untuk mendapatkan model non
parametrik dari proses tersebut. yaitu ultimate gain Ku dan frekuensi ultimate ÿu,
dalam analogi dengan gagasan asli dari eksperimen sensitivitas ultimate Ziegler–
Nichols (Ziegler dan Nichols, 1942), di mana sistem kontrol diarahkan ke batas
stabilitas.
Namun, baru-baru ini, teknik yang berbeda untuk penentuan model parametrik
FOPDT berdasarkan percobaan umpan balik relai juga telah dirancang. Beberapa
dari mereka disajikan selanjutnya, sekali lagi dengan tujuan menyoroti kemungkinan
masalah yang mungkin muncul ketika diterapkan dalam konteks praktis.
Eksperimen umpan balik relai asli yang diusulkan dalam (Astr¨om dan H¨agglund,
1984) melibatkan penggunaan relai simetris standar untuk menghasilkan respons
osilasi yang persisten dari keluaran proses. Dilambangkan dengan h amplitudo relai
dan dengan A amplitudo osilasi keluaran, nilai gain akhir dapat diturunkan, dengan
menerapkan teori fungsi pendeskripsian, seperti:
4 jam
Ku = (7.16)
ÿA.
Periode akhir Tu hanyalah periode osilasi output yang diperoleh.
Berdasarkan kedua nilai tersebut, banyak aturan tuning PID yang dapat diterapkan
(O'Dwyer, 2006). Hanya amplitudo h dari relai yang harus dipilih oleh pengguna. Ini
harus dilakukan untuk memberikan osilasi keluaran dengan amplitudo yang cukup
untuk dibedakan dengan baik dari kebisingan pengukuran, tetapi pada saat yang
sama tidak boleh terlalu tinggi sehingga proses terganggu sesedikit mungkin (dan
produksi normal). tidak terganggu). Memang, perlu ditekankan bahwa estimasi
osilasi output masuk akal untuk kebisingan pengukuran dan oleh karena itu beberapa
teknik penyaringan harus diterapkan (Wang et al., 1999c) (ini adalah kelemahan
sehubungan dengan open-loop least- metode berbasis kuadrat yang dipertimbangkan
di bagian sebelumnya). Selain hanya memiliki satu parameter untuk
Machine Translated by Google
dapat dipilih oleh pengguna dan dilakukan dalam loop tertutup, sehingga proses
tetap dekat dengan nilai set-point, keuntungan utama dari teknik identifikasi ini
adalah waktu yang singkat diperlukan untuk menjalankan pengujian (terkait
dengan penggunaan pseudo-random binary sequence (PBRS) (Ljung, 1996)).
Selanjutnya, kemungkinan gangguan beban yang mungkin terjadi selama
percobaan dapat dengan mudah dideteksi dengan perubahan pulsa asimetris pada variabel ko
Bagaimanapun, nilai yang diperoleh dari perolehan akhir dan periode akhir
didekati, karena penerapan teori fungsi yang menjelaskan dan estimasi mungkin
tidak cukup akurat untuk beberapa aplikasi, misalnya ketika proses menunjukkan
waktu mati yang lama (Li et al., 1991). Untuk meningkatkan estimasi nilai Ku dan
Tu yang sebenarnya, metode yang berbeda telah diusulkan dalam literatur (lihat,
misalnya, (Majhi dan Atherton, 2000; Atherton, 2000)). Bagaimanapun, jika
diinginkan untuk mengimplementasikan pengontrol berbasis model, diperlukan
pengetahuan tentang fungsi transfer.
Fungsi transfer FOPDT dapat diturunkan dengan menggunakan dua hubungan
berikut, yang dapat diturunkan dengan menghitung perolehan akhir dan periode
untuk Proses (7.1) (Luyben, 1987):
tan(ÿ ÿ Lÿu)
T= , (7.17)
ÿu
(KKu)2 ÿ 1
T= . (7.18)
ÿu
Dapat dicatat bahwa ada dua persamaan untuk tiga parameter. Dengan demikian,
perolehan proses harus diperkirakan dengan cara lain. Kemudian Persamaan
(7.18) dapat digunakan untuk memperkirakan nilai T dan selanjutnya nilai L dapat
ditentukan dengan Persamaan (7.17). Atau, waktu mati proses dapat diperkirakan
dengan cara lain (misalnya pada awal percobaan, dengan pertimbangan analog
dengan yang dibuat untuk percobaan loop terbuka) dan kemudian konstanta
waktu T dan perolehan proses K adalah selanjutnya dihitung. Namun, dalam
kasus ini konstanta waktu yang dihasilkan dan perolehan proses mungkin salah
hasilnya menjadi negatif (Vivek dan Chidambaram, 2005a) dan oleh karena itu
pendekatan ini harus dihindari.
Untuk mengatasi ketidakakuratan karena adanya pendeskripsian aproksimasi
fungsi, dalam (Yu, 1999) diusulkan untuk mengganti Persamaan (7.17) dengan
persamaan berikut:
ÿ
T= L (7.19)
ÿu ln(2e T ÿ 1).
untuk s1 = 8/ts, di mana ts adalah waktu di mana tiga siklus berulang osilasi muncul dalam
keluaran proses setelah transien awal berakhir. Analoginya, integral
ÿ
juga dievaluasi untuk s1 = 8/ts. Dengan nilai yang dihasilkan, persamaan berikut dapat
diajukan:
K y(s1)
eÿLs1 = . (7.22)
T s1 + 1 u(s1)
y(jÿu) c1 ÿjd1c2
P(jÿu) = = (7.23)
kamu(jÿu) ÿ jd2
Di mana
Tu
c1 = 0 y(t) cos(ÿut)dt
Tu
d1 = 0 y(t) sin(ÿut)dt
(7.24)
Tu
c2 = 0 u(t) cos(ÿut)dt
Tu
d2 = 0 u(t) sin(ÿut)dt
di mana ÿu adalah frekuensi osilasi yang diperoleh dalam keluaran proses dan Tu = 2ÿ/ÿu.
Nilai c1, d1, c2 dan d2 dapat dievaluasi secara numerik berdasarkan input proses dan data
output u(t) dan y(t) yang diperoleh dari uji relai. Dengan demikian, Persamaan (7.23) dapat
ditulis ulang menjadi
P(jÿu) = p + jq (7.25)
Di mana
c1c2 + d1d2 d2c1 ÿ d1c2
p= q= . (7.26)
c2 + d2
2 2 c2 + d2
2 2
K
P(jÿu) = eÿLjÿu (7.27)
Tjÿu + 1
K(cos(Lÿu) ÿ j sin(Lÿu)) p + jq
= . (7.28)
Tjÿu + 1
Jika relai bias diadopsi untuk eksperimen, perolehan proses K dapat ditentukan
dengan menggunakan input proses dan data output u(t) dan y(t) menurut ekspresi
(Shen et al., 1996):
2ÿ
e(t)d(ÿut)
K= 0
. (7.31)
2ÿ 0 kamu(t)d(ÿut)
Seperti yang telah disebutkan, uji umpan balik relai peka terhadap kebisingan
pengukuran. Cara termudah untuk mengurangi pengaruh derau adalah dengan
menggunakan relai dengan histeresis, yang lebarnya biasanya dipilih dua kali pita derau.
Dilambangkan lagi oleh A dan Tu amplitudo dan periode osilasi yang dihasilkan,
dan dengan asumsi bahwa gain proses K diketahui, konstanta waktu proses dapat
ditentukan sebagai (Wang et al., 1997):
ÿ1
1 hK + A
T= Tu ln 2 (7.32)
hK ÿ A
di mana ÿ adalah lebar histeresis. Perlu ditekankan bahwa metode ini membutuhkan
estimasi sebelumnya dari keuntungan proses.
Machine Translated by Google
Identifikasi proses FOPDT dapat dilakukan juga melalui relai bias (Wang et al., 1997)
(lihat Gambar 7.4). Dengan menunjukkan periode dan amplitudo osilasi seperti yang
ditunjukkan pada Gambar 7.5, parameter proses dapat ditentukan sebagai berikut.
Pertama, perolehan proses dihitung lagi sebagai:
Tu1+Tu2 0
y(t)dt
K= (7.34)
Tu1+Tu2 0
u(t)dt.
(h + h0)K ÿ ÿ ÿ
= ln (h (7.35)
+ h0)K ÿ Au
atau
(h ÿ h0)K ÿ ÿ ÿ
= ln (h . (7.36)
+ h0)K + Iklan
Kemudian, konstanta waktu proses dapat dihitung sebagai
ÿ1
2hKeÿ + h0K ÿ hK + ÿ
T = Tu1 pada (7.37)
h0K + hK ÿ ÿ
atau
ÿ1
2hKeÿ ÿ h0K ÿ hK + ÿ
T = Tu1 di . (7.38)
h0K ÿ hK ÿ ÿ
kamu
h+h0
hh 0
kamu
Tu1
Au
Iklan Tu2 y
Memang, telah ditunjukkan bahwa bentuk osilasi keluaran bergantung pada dinamika proses
dan ekspresi analitik yang diturunkan (Panda dan Yu, 2003). Fakta ini telah dieksploitasi
dalam (Luyben, 2001b), di mana bentuk kurva yang diperoleh oleh relai standar (tidak bias
dan tanpa histeresis) dianalisis untuk mendapatkan model FOPDT. Secara khusus, algoritma
berikut diusulkan (lihat Gambar 7.6), di mana A menunjukkan, seperti biasa, amplitudo osilasi.
1. Tentukan Ku = 4h/(ÿA), dimana h adalah amplitudo relai, dan evaluasi periode ultimate
Tu (ekuivalen, frekuensi ultimate ÿu).
2. Gambarlah garis vertikal yang melewati puncak kurva dan tandai
waktu yang sesuai sebagai t2.
3. Gambar garis horizontal pada A/2.
Machine Translated by Google
A
2
T
t
1 t2
Tu
4. Gambarlah garis vertikal yang melewati persimpangan kurva dengan garis yang
ditarik pada langkah 3 dan nyatakan waktu yang sesuai sebagai t1.
5. Tetapkan b = t2 ÿ t1.
6. Hitung faktor kelengkungan F sebagai F = 4b/Tu. Ini sebenarnya menunjukkan jika
kurva memiliki bentuk yang lebih mirip dengan segitiga (ini terjadi ketika waktu
matinya kecil sehubungan dengan konstanta waktu) atau lebih mirip dengan persegi
panjang (ketika waktu matinya besar).
7. Hitung R := L/T dengan persamaan berikut (ditentukan oleh
interpolasi hasil untuk proses yang berbeda):
L
di = ÿ5,2783 + 12,7147F ÿ 9,8974F2 + 2,6788F3 . (7.39)
T
Adapun model FOPDT, teknik yang berbeda telah dirancang untuk estimasi
fungsi transfer SOPDT dengan mengevaluasi langkah proses loop terbuka.
Machine Translated by Google
Metode yang dijelaskan dalam (ÿAstr¨om dan H¨agglund, 1995) didasarkan pada
solusi numerik dari dua persamaan yang, dalam kasus respons langkah overdamped
(monotonik), memaksakan bahwa respons langkah eksperimental dan yang
disediakan oleh Model (7.42) cocok persis ketika output proses mencapai 33% dan
67% dari nilai akhirnya. Waktu-mati (nyata) L sebelumnya ditentukan dengan
menerapkan metode tangen (yaitu, dengan mempertimbangkan perpotongan
antara garis dasar dan garis tangen dari respons di titik beloknya), sedangkan
perolehan proses K sebelumnya dihitung seperti biasa dengan membagi perubahan
keadaan tunak dalam keluaran proses dengan amplitudo langkah masukan.
Didasarkan pada pemilihan titik tunggal dalam respons langkah, metode ini peka
terhadap derau pengukuran dan beberapa teknik penyaringan mungkin diperlukan.
Kemungkinan masalah dengan teknik ini muncul ketika sebuah proses dengan dua
kutub bertepatan dan penundaan waktu dipertimbangkan. Misalnya, jika langkah
respon (bebas noise) dari proses
1
P(s) = (7.44)
(2s + 1)2eÿs
1
P(s) = (7.45)
(0,1s + 1)(0,12s + 1)(0,13s + 1)(0,14s + 1).
Dalam hal ini hasil penerapan metode tersebut adalah K = 1, T1 = 0,05, T2 = 0,05,
L = 0,01. Terlihat bahwa proses estimasi memiliki dinamika urutan kedua yang
dominan. Jelas, keefektifan metodologi identifikasi harus dievaluasi sehubungan
dengan prosedur penyetelan yang digunakan. Namun, dari pertimbangan di atas
mungkin berguna untuk menggunakan teknik ini dengan teknik lain yang
dikhususkan untuk estimasi proses FOPDT dan untuk mengevaluasi mana dari
dua fungsi transfer estimasi yang lebih cocok dengan data eksperimen. Jika
respons osilasi terdeteksi, untuk memperkirakan T dan ÿ, dua solusi dapat diadopsi.
Pada bagian pertama, parameter Model (7.43) ditentukan dengan menetapkan
bahwa respons langkah dari model yang diestimasi mencapai amplitudo puncak
yang sama yM pada waktu yang sama tM dari respons eksperimental. Konstanta
waktu T dan rasio redaman ÿ karenanya ditentukan sebagai:
Machine Translated by Google
ÿ
ÿ= (7.46)
1 + ÿ2
Dan
1 tM
T= (7.47)
ÿ 1 + ÿ2
Di mana
dalam(yM ÿ yÿ)
ÿ= (7.48)
ÿ
yM2 ÿ yM d
= , (7.49)
ym ÿ yM
log(1 ÿ d)
ÿ= , (7.50)
ÿ
ÿ
ÿ= , (7.51)
1 + ÿ2
(tM2 ÿ tM ) 1 ÿ ÿ2
T= . (7.52)
2ÿ
Perhatikan bahwa dalam kedua kasus, waktu mati ditentukan untuk respons
overdamped.
Metode Harriot
Metode yang diusulkan dalam (Harriot, 1964), dan dijelaskan juga dalam (Johnson dan
Moradi (eds.), 2005), didasarkan pada fakta bahwa hampir semua langkah tanggapan
proses dijelaskan oleh fungsi transfer (7.42) mencapai 73% dari nilai kondisi mapannya
kira-kira pada waktu 1,3(T1 + T2) dan terpisah satu sama lain paling luas pada waktu
0,5(T1 + T2). Tanggapan berosilasi tidak dibahas dalam kasus ini. Jadi, tekniknya terdiri
dari pertama-tama menentukan nilai A1 menurut Ekspresi (7.2). Kemudian, nilai waktu
mati dapat diperkirakan dari persamaan berikut
t73 L = A1 (7.53)
ÿ 1.3
Machine Translated by Google
di mana t73 adalah waktu di mana output proses mencapai 73% dari nilai akhirnya.
Kemudian, jumlah dari dua konstanta waktu T1 + T2 dapat diturunkan sebagai
T1 + T2 = A1 ÿ L. (7.54)
Pada titik ini dimungkinkan untuk mengevaluasi nilai yÿ dari respons langkah pada
waktu t = 0,5(T1 + T2). Dari plot Gambar 7.7, nilai rasio r = T1/(T1+T2) dapat
diturunkan (perhatikan bahwa plot dapat dengan mudah direkonstruksi dengan
mempertimbangkan sistem yang berbeda dengan nilai r yang berbeda). Akhirnya, nilai
T1 dan T2 ditentukan sebagai
t73 - t0
T1 = r (7.55)
1.3
Dan
t73 - t0
T2 = (1 ÿ r) . (7.56)
1.3
Meskipun metode Harriot agak kuat terhadap kebisingan pengukuran, kelemahan
utamanya adalah bahwa metode ini mungkin menghasilkan estimasi nilai waktu mati
yang kecil, sehubungan dengan metode lain. Ini mungkin menyiratkan bahwa
pengontrol yang dihasilkan lebih agresif dari yang diharapkan dan fakta ini sebenarnya
merugikan dalam kasus praktis.
Memang, dalam beberapa kasus mungkin terjadi nilai negatif dari waktu tunda
0,4
0,38
0,36
0,34
y*
0,32
0,3
0,28
0,26
0,5 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 0,95 1
T1 / (T1 +T2 )
hasil (seperti dalam kasus metode area untuk proses FOPDT). Misalnya, jika
langkah respon (bebas noise) dari proses
1
P(s) = (7.57)
(10s + 1)2eÿs
Metode Area–Tangen
Dalam teknik yang dijelaskan dalam (Sundaresan et al., 1978) respons langkah
monotonik dan osilasi dipertimbangkan dan salah satu dari dua model (7.42)–
(7.43) dipilih secara otomatis (sebagaimana telah disebutkan, ini menyiratkan
bahwa hanya Model (7.43) yang dipilih. dapat diadopsi dan jika ÿ ÿ 1 maka Model
(7.42) dapat diturunkan dengan mudah). Setelah menghitung gain proses K
seperti biasa dengan melihat nilai kondisi tunak masukan dan keluaran, prosedur
estimasi terdiri dari terlebih dahulu menentukan luas antara keluaran proses
dengan garis lurus y = yÿ, yaitu :
ÿ
di mana t0 adalah waktu instan dari perubahan langkah input. Kemudian, garis
singgung dari respon proses digambarkan pada titik belok dan kemiringannya
dilambangkan dengan Mi dan perpotongannya dengan garis lurus y = yÿ
dilambangkan dengan tm. Variabel tambahan ÿ = (tm ÿ A1)Mi dapat dengan
mudah dihitung untuk tujuan pemilihan Model (7.42) atau Model (7.43). Secara
khusus, jika ÿ<eÿ1, maka Model (7.42) dipertimbangkan dan parameternya
ditentukan melalui rumus berikut (yang diturunkan mulai dari ekspresi analitik dari
respons langkah):
ÿ ÿ 1ÿÿ
T1 = (7.59)
Mi
1
1ÿÿ ÿ
T2 = (7.60)
Mi
ÿ 1 1ÿÿ ÿ+1
L = A1 ÿ (7.61)
Mi ÿ
ÿ ÿ
ÿ = ln exp ÿ ÿ . (7.62)
ÿÿ1 ÿ1
Kasus ÿ = eÿ1 sesuai dengan sistem teredam kritis, yang persamaan sebelumnya
direduksi menjadi
Machine Translated by Google
1
T1 = T2 = (7.63)
mi
Dan
2
L = A1 ÿ . (7.64)
mi
Akhirnya, jika ÿ>eÿ1, hasil dinamika osilasi dan Model (7.43) dipilih. Parameternya
dipilih dengan menyelesaikan persamaan berikut:
cosÿ1 ÿ ÿÿ
ÿ= exp cosÿ1 ÿ , 1 ÿ (7.65)
1 ÿ ÿ2 ÿ2
1 ÿ ÿ2
T= (tm ÿ A1), (7.66)
cosÿ1 ÿ
L = A1 ÿ 2ÿT. (7.67)
Tampak bahwa teknik tersebut, yang juga didasarkan pada penggambaran garis
singgung pada titik belok, memiliki sensitivitas derau yang agak tinggi. Ini juga
membutuhkan upaya komputasi yang agak signifikan (beberapa persamaan harus
diselesaikan secara numerik). Selanjutnya, harus ditekankan bahwa Model (7.43) dapat
dihasilkan bahkan jika respon langkah monoton terjadi. Misalnya, jika langkah respon
(bebas noise) dari proses
1
P(s) = (7.68)
(s + 1)3
Dipertimbangkan, estimasi parameter yang dihasilkan adalah K = 1, T = 0,69, ÿ = 0,77
dan L = 1,94. Seperti yang telah disebutkan, fakta ini relevan terutama jika dimaksudkan
untuk menggunakan kontroler PID dalam bentuk seri (berinteraksi), karena dalam hal
ini desain sering didasarkan pada pembatalan kutub-nol.
Metodologi yang diusulkan dalam (Huang dan Huang, 1993) memberikan model SOPDT
yang dinyatakan dalam bentuk (7.43) dengan mengevaluasi empat poin dari respon
langkah proses. Algoritme dapat diringkas sebagai berikut (persamaan diturunkan
dengan menerapkan metode kuadrat terkecil).
3. Hitung ÿ sebagai
100ÿ
ÿ = 7,40898 · 10ÿ40e16.3329ÿ + + 1,79015 · 10ÿ2ÿ3 4,55048ÿ + 1,57083
dan L sebagai
2
ti f (ÿ) ÿ fi(ÿ) tifi(ÿ) (ÿ) ÿ
L= Saya
(7.72)
2
4f Saya
( fi(ÿ))2
Di mana
ti = t1 + t3 + t6 + t9, (7.73)
f i2(ÿ) = f 1 (ÿ)
2
+f 2
3 (ÿ) +f 2
6 (ÿ) +f 2
9 (ÿ), (7.75)
f9(ÿ)=0,581618+0,875726ÿ+3,64626ÿ2ÿ1,35143ÿ3+0,173916ÿ4 . (7.80)
Perlu dicatat bahwa, untuk metode area-tangen, Model (7.43) (dengan ÿ ÿ 0.707)
dapat menghasilkan bahkan jika metode tersebut hanya berurusan dengan respons
langkah monoton. Dengan demikian, tidak mungkin menerapkan aturan penyetelan
untuk pengontrol PID seri di mana aksi derivatif digunakan untuk membatalkan
kutub proses. Memang, ini sesuai dengan fakta bahwa metode berbasis empat poin
yang diusulkan dalam (Huang dan Huang, 1993) bertujuan memperkirakan fungsi
transfer SOPDT tanpa ada hubungan dengan penyetelan kontroler PID dan
diketahui bahwa jangkauan 0,707 ÿ ÿ < 1 dapat diterapkan juga untuk proses
nonosilasi.
Machine Translated by Google
Mirip dengan metode berbasis empat poin, metode berbasis tiga poin telah dikembangkan (pada
landasan yang lebih teoretis) di (Rangaiah dan Krishnaswamy, 1994). Ini terdiri dari menemukan
parameter Model (7.43) dengan menerapkan algoritma berikut:
ÿ=
t3 - t2
(7.81)
t2 - t1
dimana t1, t2 dan t3 adalah waktu dimana respon step mencapai 14%, 55%, dan 91% dari
nilai akhirnya.
3. Hitung ÿ dan ÿ sebagai
ÿ
ÿ = ln (7.82)
2,485ÿÿ
yang memiliki rentang yang dapat digunakan 1,2323 <ÿ< 2,4850 yang sesuai dengan 0,707
< ÿ < 3,0.
4. Hitung T dan L dari persamaan berikut
t2 - t1
= 0,85818ÿ0,62907ÿ+ 1,2897ÿ2ÿ0,36859ÿ3+ 0,038891ÿ4, (7,84)
T
t2 ÿ L =
1,3920 ÿ 0,52536ÿ + 1,2991ÿ2 ÿ 0,36859ÿ3 + 0,037605ÿ4 . (7.85)
T
Metode ini tampaknya lebih sederhana daripada metode berbasis empat titik tetapi pertimbangan
serupa dapat diterapkan, karena juga dalam kasus ini diasumsikan bahwa model dengan dua
kutub konjugasi kompleks (dengan faktor redaman lebih besar dari 0,707) dapat secara akurat
memodelkan proses dengan langkah overdamped
tanggapan.
Dalam metode yang diusulkan dalam (Huang et al., 2001), struktur model dipilih sesuai dengan
bentuk tanggap langkah. Secara khusus, dua struktur model dipertimbangkan, yaitu,
K(as + 1)
P(s) = eÿLs 0 < ÿ ÿ 1, (7.86)
(Ts + 1)(ÿTs + 1)
Dan
Machine Translated by Google
K(as + 1)
P(s) = eÿLs 0 <ÿ< 1. (7.87)
T 2s2 + 2ÿTs + 1
Dapat dikatakan bahwa proses dengan nol positif (yaitu, dengan respon terbalik) dan dengan
nol negatif dapat diatasi dengan metode ini. Di sini, demi kesederhanaan, analisis dibatasi
pada kasus proses dengan respons langkah monoton, yang ditetapkan a = 0. Perhatikan
bahwa dalam kasus ini adalah sepele untuk menurunkan Model (7.42) dari Model (7.86). )
dengan hanya mengatur T2 = ÿT1. Kemudian, algoritma berikut diterapkan.
t0.9 ÿ t0.7
(7.89)
di mana A1 ditentukan seperti pada Persamaan (7.58) dan tx adalah waktu ketika y(tx)/
yÿ = x (yaitu, waktu ketika output proses mencapai x% dari nilai kondisi mapannya).
3. Jika 1.5573 < R0.5 < 1.9108 dan ÿ0.303 < R0.9 < ÿ0.0736 maka pilih Model (7.86) dan
tentukan ÿ0.5 dan ÿ0.9 dengan menyelesaikan persamaan berikut:
jika tidak, pilih Model (7.87) dan tentukan ÿ0.5 dan ÿ0.9 dengan menyelesaikan
persamaan berikut:
ÿ0.5 + ÿ0.9
ÿ= . (7.95)
2
7. Hitung
(7.105)
4 4
Dalam penerapan metode ini harus diperhitungkan bahwa, meskipun struktur model
dipilih secara otomatis, model dengan dua kutub konjugasi yang kompleks mungkin
menghasilkan respons langkah yang monoton sekalipun. Selanjutnya, penundaan waktu
yang dihasilkan bisa negatif. Misalnya, jika proses yang dijelaskan oleh fungsi transfer
(7.57) dipertimbangkan lagi, nilai yang dihasilkan dari estimasi fungsi transfer SOPDT
adalah K = 1, T = 12.24, ÿ = 0.85 dan L = ÿ0.97 (catat bahwa noise- respons langkah
bebas telah dievaluasi). Sama halnya dengan metode Harriot, dapat ditarik kesimpulan
bahwa pada umumnya estimasi waktu mati cukup kecil. Ini mungkin menyiratkan bahwa
pengontrol yang dihasilkan lebih agresif dari yang diharapkan (terutama jika aturan
penyetelan berdasarkan waktu mati yang dinormalisasi dipilih).
Metode kuadrat terkecil yang menyediakan fungsi transfer SOPDT secara langsung dari
respons langkah tanpa iterasi apa pun telah disajikan di (Wang et al., 2001; Wang dan
Zhang, 2001). Memang, sehubungan dengan metode yang disajikan dalam (Sung et al.,
1998) (lihat Bagian 7.2.1), tidak memerlukan fase reduksi model, karena parameter
proses ditentukan langsung dari persamaan kuadrat terkecil. Dapat dikatakan bahwa
pendekatan ini sangat kuat terhadap kebisingan pengukuran, yang didasarkan pada
penggunaan integral keluaran proses dalam persamaan regresi.
Metode ini mengasumsikan bahwa proses tersebut dijelaskan oleh fungsi transfer
SOPDT berikut
Machine Translated by Google
b1s + b2
P(s) = eÿLs (7.106)
s2 + a1s + a2
dan oleh karena itu proses dengan nol yang stabil dan tidak stabil dipertimbangkan.
Definisi berikut diperlukan:
T T ÿ
Setelah memilih ti, i = 1, 2,...,N sehingga L ÿ t1 < t2 < ··· < tN , membiarkan
Dan
ÿ = [ÿ(t1), ÿ(t2),...,ÿ(tN )]T . (7.111)
Kemudian, persamaan
ÿ = ÿÿ (7.112)
ÿ1
a1 ÿ ÿ
ÿ ÿ ÿ
ÿ2 ÿ
ÿ
a2 ÿ ÿ ÿ
= ÿ
(7.113)
ÿ ÿ ÿ ÿ
ÿ
b1 ÿ ÿ ÿ
ÿ ÿ ÿ
ÿ5 ÿ
b2 ÿ ÿ
ÿ ÿ4 + ÿ ÿ5
ÿ
L ÿ
ÿ ÿ
Di mana
Isu-isu praktis, seperti bagaimana mengatasi kebisingan pengukuran secara efektif dan
bagaimana memilih t1, tN dan N diberikan dalam (Wang et al., 2001; Wang dan Zhang,
2001). Lebih lanjut, pengetahuan tentang perolehan proses dapat dengan mudah
dieksploitasi dengan sedikit memodifikasi teknik. Bagaimanapun, metodologi dapat dengan
mudah diterapkan juga dengan mengasumsikan model proses orde kedua tanpa nol (lihat
(7.42)). Namun, perlu ditekankan bahwa, seperti untuk teknik lainnya, tidak ada jaminan
bahwa proses dengan dua kutub nyata akan dihasilkan ketika respons langkah monoton
dipertimbangkan.
Machine Translated by Google
Secara analog dengan apa yang telah dijelaskan untuk fungsi transfer FOPDT (lihat
Bagian 7.2.1), parameter fungsi transfer K, T1, T2 dan L (atau, alternatifnya, K, T , ÿ dan
L) dapat diperoleh dengan menyelesaikan persamaan berikut masalah pengoptimalan:
Cara praktis untuk memecahkan masalah optimisasi yang diajukan adalah dengan
menggunakan algoritma genetika (Mitchell, 1998). Dengan cara ini, dapat dengan mudah
dipaksakan bahwa kutub proses yang dihasilkan adalah nyata, tetapi, bagaimanapun juga,
seperti yang telah disebutkan, upaya komputasi sangat signifikan dan ini merupakan
kelemahan utama dari metode ini.
Teknik identifikasi berdasarkan percobaan loop tertutup dapat digunakan juga untuk
estimasi fungsi transfer SOPDT. Misalnya, penggunaan eksperimen umpan balik relai
asimetris disarankan dalam (Ramakrishnan dan Chidambaram, 2003). Pendekatannya
serupa dengan yang dijelaskan dalam (Srinivasan dan Chidambaram, 2003) untuk sistem
FOPDT (lihat Bagian 7.2.2).
Ini terdiri dari asumsi bahwa proses dijelaskan oleh Model (7.42) (ekstensi ke Model
(7.43) sepele). Kemudian, periode osilasi (akhir) yang diperoleh dilambangkan dengan
Tu. Keuntungan proses dapat ditentukan dengan menghitung
t0+Tu
t0
y(t)dt
K= (7.116)
t0+Tu
t0
u(t)dt.
K y(s1)
(7.117)
(T1s1 + 1)(T2s1 + 1)eÿLs1 = kamu(s1)
di mana u(s1) dan y(s1) ditentukan seperti pada (7.20) dan (7.21). Kemudian, dua
persamaan lainnya dapat dipertimbangkan, yaitu,
Dan
q(1 ÿ T1T2ÿ2 u) + pÿu(T1 + T2) + K sin(Lÿu) = 0 (7.119)
Machine Translated by Google
di mana p dan q ditentukan seperti pada (7.26). Solusi dari sistem (nonlinier) yang diberikan
oleh Persamaan (7.116)–(7.119) menyediakan empat parameter proses.
Perlu ditekankan bahwa prosedur numerik diperlukan untuk menemukan parameter dan
oleh karena itu kompleksitas komputasi agak relevan.
Selanjutnya, dua kutub konjugat kompleks mungkin dihasilkan bahkan ketika dinamika
proses yang sebenarnya tidak berosilasi.
7.4 Diskusi
Tinjauan beberapa (berbasis langkah) loop terbuka dan (relay-umpan balik) teknik
identifikasi loop tertutup untuk fungsi transfer FOPDT dan SOPDT telah disajikan di bagian
sebelumnya dengan tujuan menyoroti pentingnya pilihan identifikasi metode dalam konteks
desain PID.
Deskripsi singkat dari masing-masing metode yang dipertimbangkan telah diberikan untuk
memahami dasar pemikiran dari pendekatan dan kompleksitasnya. Detail telah dihilangkan
(mereka dapat ditemukan di referensi).
Secara umum, telah ditunjukkan bahwa opsi yang berbeda tersedia untuk pendekatan loop
terbuka dan loop tertutup, masing-masing menunjukkan fitur yang menarik dan
kemungkinan kelemahan dalam aplikasi tertentu. Secara khusus, perlu ditekankan bahwa
ketika integral digunakan dalam konteks teknik yang didasarkan pada respons langkah,
ketahanan terhadap kebisingan pengukuran meningkat secara signifikan, tetapi mungkin
saja hasil akhirnya salah, karena negatif (atau , dalam hal apa pun, nilai penundaan waktu
yang terlalu kecil dapat terjadi. Fakta ini sebenarnya sering diabaikan dalam literatur.
Teknik yang didasarkan pada eksperimen umpan balik relai pada umumnya kurang kuat
terhadap derau pengukuran sehubungan dengan yang berbasis langkah (namun
melakukan eksperimen loop tertutup mungkin secara signifikan menguntungkan karena
titik operasi proses tidak berubah) . Secara umum, telah ditunjukkan bahwa ada berbagai
strategi dalam konteks metodologi berbasis relay-feedback dan sebenarnya sulit untuk
memilih strategi yang paling tepat dalam aplikasi tertentu. Pada titik ini perlu dicatat bahwa
teknik yang disajikan pada bagian sebelumnya umumnya memberikan fungsi transfer
proses dari nilai estimasi (perkiraan) perolehan akhir dan frekuensi proses. Prosedur
alternatif telah disajikan dalam (Friman dan Waller, 1997) di mana relai dua saluran
digunakan. Khususnya, penggunaan dua relai yang beroperasi secara paralel pada
keluaran proses dan pada integral keluaran proses memungkinkan untuk memperkirakan
titik yang dipilih pengguna di kuadran ketiga bidang kompleks. Fitur ini dapat dimanfaatkan
untuk penyetelan kontroler PID yang efektif. Bagaimanapun, model proses pada dasarnya
masih ditentukan mulai dari pengetahuan tentang satu titik respons frekuensi proses.
Jelas, identifikasi beberapa titik akan meningkatkan akurasi model yang diperoleh. Untuk
tujuan ini, berbagai teknik telah diusulkan
Machine Translated by Google
di dalam literatur. Sebagai contoh, penggunaan delay term sebagai tambahan pada
elemen relay memberikan identifikasi titik pada respon frekuensi yang berbeda dari
ultimate (Li et al., 1991; Leva, 1993). Fakta ini telah dieksploitasi dalam (Scali et al.,
1999) untuk identifikasi proses yang sama sekali tidak diketahui (urutan model yang
sesuai dipilih secara otomatis dalam prosedur yang dirancang). Kelemahan yang jelas
dari metode ini adalah bahwa beberapa eksperimen harus dijalankan. Hal ini dapat
dihindari jika teknik yang didasarkan pada Transformasi Fourier Diskrit diterapkan (Wang
et al., 1999a; Wang et al., 1999b), tetapi diperlukan upaya komputasi tambahan yang
signifikan.
Perlu dicatat lagi bahwa pada bagian sebelumnya kasus proses yang dapat dijelaskan
dengan baik oleh model FOPDT dan SOPDT (7.1) dan (7.42) telah dibahas secara
khusus. Namun, harus diperhitungkan bahwa ada juga berbagai metodologi yang
mampu menangani proses dengan dinamika osilasi (lihat, misalnya, (Huang dan Chou,
1994; Rangaiah dan Krishnaswamy, 1996; Panda, 2006) di selain karya yang dirujuk
dalam Bagian 7.3), dengan proses dengan nol stabil dan tidak stabil, dengan proses
integral (lihat, misalnya, (Kwak et al., 1997)) dan dengan proses tidak stabil (lihat,
misalnya, (Vivek dan Chidambaram, 2005b)).
Ringkasnya, dari analisis (sangat sederhana) di atas ternyata pilihan strategi identifikasi
memang merupakan isu krusial dalam konteks kontroler PID jika penyetelan parameter
didasarkan pada estimasi model plant. Berbagai aspek telah dikemukakan dan harus
dipertimbangkan untuk memberikan kinerja yang paling memuaskan dari sudut pandang
biaya/manfaat.
Dari sudut pandang lain, diakui bahwa banyak teknik identifikasi tersedia saat ini untuk
mendapatkan model orde tinggi yang akurat ketika proses menunjukkan dinamika yang
agak kompleks. Sebenarnya, harus diperhitungkan bahwa, dalam banyak kasus,
penundaan waktu yang nyata memang disebabkan oleh adanya dinamika orde tinggi
(Leva, 2005). Ini telah memotivasi minat penelitian yang signifikan dalam beberapa
tahun terakhir untuk desain pengontrol PID untuk proses orde tinggi. Disadari bahwa,
karena kontroler orde rendah relatif, reduksi model perlu dilakukan. Dalam konteks ini,
dua pendekatan sebenarnya dapat diikuti:
2. pertama-tama kurangi model proses ke bentuk urutan rendah yang sesuai sehingga a
kontroler berbasis model hasilnya langsung dalam bentuk PID.
Pada bagian ini kedua pendekatan ini dianalisis dan dibandingkan dalam kerangka kerja
Kontrol Model Internal (IMC) (Morari dan Zafiriou, 1989), yang telah diadopsi secara luas
untuk tujuan penyetelan kontroler PID, untuk menilai kelebihan dan kekurangannya dari
sudut pandang kinerja yang dapat dicapai dan kemudahan penggunaan.
Metodologi IMC telah diadopsi secara luas untuk tujuan penyetelan pengontrol PID
(walaupun, berdasarkan pendekatan pembatalan kutub-nol, metode ini tidak sesuai untuk
proses yang dominan lag yang tunduk pada gangguan beban (Scali dan Semino, 1991;
Shinskey, 1996). )). Memang, ini memberi pengguna fitur yang diinginkan sebagai
parameter penyetelan yang menangani pertukaran antara ketangguhan dan agresivitas
pengontrol.
Dalam bentuk umum, desain IMC dapat diterapkan pada sistem kontrol umpan balik
kesatuan standar (lihat Gambar 7.8). Proses (stabil) yang akan dikendalikan dapat
dijelaskan oleh model:
di mana pa(s) adalah bagian all-pass dari fungsi transfer yang berisi semua dinamika
fase nonminimum (perhatikan bahwa itu harus pa(0) = 1 untuk menambahkan aksi
integral ke pengontrol yang dihasilkan). Fungsi transfer pengontrol kemudian dipilih
sebagai
f(s)pÿ1M (s)
C(s) = (7.121)
1 ÿ f(s)pa(s)
di mana
1
f(s) = (7.122)
(ÿs + 1)n
adalah filter IMC di mana ÿ adalah konstanta waktu yang dapat disesuaikan dan n
adalah urutan yang sesuai sehingga pengontrol dapat direalisasikan. Perlu dicatat bahwa
D
R e kamu
y
C P
fungsi transfer loop tertutup nominal, yaitu, fungsi transfer dari sinyal set-point r dan keluaran
proses y, hasilnya menjadi
pa
T(s) = (7.123)
(ÿs + 1)n
dan ini membuat peran parameter desain bebas ÿ jelas dalam memilih dinamika loop
tertutup yang diinginkan (dan karena itu dalam menangani pertukaran antara ketangguhan
dan agresivitas, karena ketidaksesuaian yang tidak dapat dihindari antara dinamika proses
sebenarnya dan modelnya harus dipertimbangkan. akun).
Jelas, pada umumnya pengontrol yang dihasilkan tidak dalam bentuk PID, yaitu:
1 1
C(s) = Kp 1 + + Tds , (7.124)
Ini Tf s + 1
jika bentuk ideal output-filtered diimplementasikan. Hal ini terjadi jika model proses memiliki
satu nol positif dan dua kutub (perhatikan bahwa ini terjadi jika fungsi transfer FOPDT
dipertimbangkan dan pendekatan Pad`e orde pertama diadopsi untuk jangka waktu tunda
(Rivera et al., 1986)), sedangkan pengontrol PI menghasilkan jika plant memiliki dinamika
orde pertama yang sederhana. Jadi, jika model proses orde tinggi dipertimbangkan, ini harus
direduksi menjadi bentuk yang sesuai ini sebelum menerapkan desain IMC atau alternatifnya,
kontroler orde tinggi yang dihasilkan selanjutnya harus direduksi menjadi bentuk PID.
ÿ ÿ0/T0 untuk ÿ0 ÿ T0 ÿ L
ÿ0/L 1 untuk ÿ0 ÿ L ÿ T0
ÿ0s + 1 untuk L ÿ ÿ0 ÿ T0
ÿ
(7.125)
T0 + 1 ÿÿÿÿÿÿ
ÿ0/T0 untuk T0 ÿ ÿ0 ÿ 5L
(T˜0/T0) def
ÿÿÿÿÿÿ (T˜0ÿÿ0)s+1
untuk T˜0 = min(T0, 5L) ÿ ÿ0
di mana L adalah penundaan efektif akhir (akan ditentukan selanjutnya). Perlu dicatat bahwa
T0 biasanya dipilih sebagai konstanta waktu penyebut yang lebih besar terdekat (T0 > ÿ0),
kecuali jika konstanta waktu penyebut yang lebih besar tidak ada atau ada konstanta waktu
penyebut yang lebih kecil yang mendekati ÿ0; ini
Machine Translated by Google
benar jika rasio antara ÿ0 dan konstanta waktu penyebut yang lebih kecil lebih kecil
dari rasio antara konstanta waktu penyebut yang lebih besar dan ÿ0 dan (kedua
kondisi harus dipenuhi) kurang dari 1,6.
Setelah prosedur ini diakhiri untuk semua konstanta waktu pembilang positif, fungsi
transfer proses dalam bentuk berikut:
T30
T1 = T10, T2 = T20 + 2 , (7.128)
T30
L = L0 + + 2 Ti0 + ÿ
j0. (7.129)
iÿ4 J
Tampaknya, karena aturan (7.125) didasarkan pada waktu tunda akhir yang
tampak L, pada bagian pertama algoritme ada kebutuhan untuk menebak nilai
akhir ini dan melakukan iterasi jika pada akhirnya hasilnya salah.
Setelah model proses SOPDT diperoleh, parameter rangkaian kontroler PID
dinyatakan dengan fungsi transfer
Ini +1 Tds + 1
C(s) = Kp (7.130)
Ini Tf s + 1
T1
Kp = , Ti = T1, Td = T2, Tf = 0,01Td. (7.131)
k(ÿ + L)
Perhatikan bahwa konversi aturan penyetelan (7.131) untuk pengontrol PID dalam
bentuk ideal (7.124) sangat mudah dan pilihan yang disarankan untuk konstanta
waktu loop tertutup yang diinginkan adalah ÿ = L (Skogestad, 2003).
Meringkas, metode ini didasarkan pada aturan penyetelan yang sederhana, mudah
diingat, (memang, ini adalah salah satu fitur utama dari metode ini). Namun,
kemungkinan iterasi dalam algoritme reduksi model membuat keseluruhan prosedur
agak sulit untuk diotomatisasi.
Machine Translated by Google
Teknik yang diusulkan oleh Isaksson dan Graebe dalam (Isaksson dan Graebe, 1999)
juga didasarkan pada reduksi model proses yang sesuai sebelum menerapkan desain
IMC. Reduksi model dilakukan sebagai berikut. Biarkan model proses awal (orde
tinggi) dijelaskan oleh fungsi transfer
B(s)
P˜(s) = (7.132)
Sebagai)
1
1 (B1(s) + B2(s)) 2
P(s) = (7.133)
(A1(s) + A2(s)) 2
Dengan memilih B1(s) dan B2(s) orde pertama dan A1(s) dan A2(s) orde kedua dan
dengan selanjutnya menerapkan desain IMC (dengan filter orde pertama (7.122)),
pengontrol PID ( 7.124) muncul secara alami. Jika tidak ada nol, dua solusi dapat
diterapkan:
1. penyebut orde kedua dihitung dalam prosedur reduksi dan filter orde kedua
(7.122) diterapkan dalam desain IMC, menghasilkan kontroler PID; 2. penyebut
orde pertama
dihitung dalam prosedur reduksi dan filter orde pertama (7.122) diterapkan dalam
desain IMC, menghasilkan pengontrol PI.
Perlu dicatat bahwa, berbeda dari aturan setengah Skogestad, kasus akar konjugasi
kompleks juga dibahas di (Isaksson dan Graebe, 1999), tetapi tidak akan dibahas
selanjutnya (lihat Bagian 7.5.4).
Meringkas, metode Isaksson dan Graebe dapat dengan mudah diotomatisasi,
meskipun tidak secara eksplisit didasarkan pada rumus penyetelan.
Metode kuadrat terkecil disajikan dalam (Wang et al., 2001; Wang dan Zhang, 2001)
dan dijelaskan dalam Bagian 7.3.1 dapat digunakan juga untuk tujuan reduksi model.
Secara khusus, mengingat model proses orde tinggi, fungsi transfer SOPDT (dengan
satu nol) dapat diperoleh langsung dari respons step loop terbuka. Perhatikan bahwa
tidak diperlukan hasil eksperimen yang memakan waktu dan mahal, karena simulasi
dapat dilakukan (Huang, 2003). Dengan cara ini keseluruhan prosedur dapat dengan
mudah diotomatisasi, meskipun a
Machine Translated by Google
Metode yang dijelaskan dalam Bagian 7.5.2 didasarkan pada pengurangan model proses
sebelum menerapkan desain IMC. Sebaliknya, dimungkinkan untuk menerapkan prosedur
IMC yang dijelaskan dalam Bagian 7.5.1 dengan mempertimbangkan dinamika proses
penuh dan kemudian mereduksi pengontrol orde tinggi yang diperoleh menjadi bentuk
pengontrol PID. Untuk tujuan ini, perluasan seri Maclaurin dapat digunakan. Ekspresi dari
pengontrol yang dihasilkan dapat selalu ditulis sebagai (Lee et al., 1998b; Lee et al., 1998a):
k(s)
C(s) = (7.134)
S
1 k(0)
C(s) = k(0) + k (0)s + s2 + ··· (7.135)
S 2
Ternyata bagian pertama dari perluasan deret berisi suku proporsional, suku integral, dan
suku turunan, dan oleh karena itu, jika suku orde tinggi diabaikan, dihasilkan kontroler PID
(7.124) (filter orde pertama dapat menjadi mudah ditambahkan untuk membuat pengontrol
tepat dan konstanta waktunya dapat dipilih cukup kecil sehingga dinamikanya tidak
signifikan). Memang, hubungan berikut berlaku:
Kp = k (0)
k (0)
Ti = (7.136)
k(0)
k(0)
Td =
2k (0)
Oleh karena itu, keseluruhan prosedur dapat dengan mudah diotomatisasi, meskipun tidak
didasarkan pada rumus penyetelan dan beban komputasinya cukup besar.
Namun, harus ditekankan bahwa pemilihan parameter desain ÿ yang salah dapat
mengakibatkan sistem kontrol keseluruhan menjadi tidak stabil (lihat Bagian 7.5.5).
Meskipun ini dapat dengan mudah diperiksa sebelum menerapkan pengontrol, ini dapat
dianggap sebagai kelemahan utama dari metode ini.
Machine Translated by Google
Untuk menganalisis dan membandingkan metodologi yang berbeda, proses berikut dengan
dinamika tingkat tinggi telah dipertimbangkan:
1
P4(s) = (7.140)
(s + 1)4,
1
P5(s) = (7.141)
(s + 1)8,
1
P6(s) = (7.142)
(s + 1)20.
Karakteristik utama dari proses dirangkum dalam Tabel 7.1. Perlu dicatat bahwa fungsi
transfer P1(s) dan P3(s) telah diambil dari (Wang dan Cluett, 2000) (sebenarnya, P3(s)
telah dimodifikasi untuk mendapatkan respon invers), P2( s) dari (Skogestad, 2003) dan
P4(s)ÿ P6(s) mewakili proses industri tipikal (ÿAstr¨om dan H¨agglund, 2000a; Shinskey,
2000).
Model orde tereduksi yang telah diadopsi untuk penalaan PI(D) ditunjukkan pada Tabel
7.2. Perhatikan bahwa dua fungsi transfer mungkin terjadi untuk teknik Isaks son dan
Graebe, sedangkan dinamika proses tidak memiliki angka nol, seperti yang dijelaskan
pada Bagian 7.5.2. Memang, yang pertama menghasilkan pengontrol PID (dengan filter
IMC orde kedua), sedangkan yang kedua menghasilkan pengontrol PI (dengan filter IMC
orde pertama). Selain itu, fungsi transfer FOPDT dilaporkan untuk metode berbasis
tanggap tanggap, ini berarti bahwa model SOPDT yang dihasilkan memiliki kutub konjugat
yang kompleks dan oleh karena itu belum digunakan (lihat Bagian 7.5.2).
Untuk membuat perbandingan yang adil, untuk setiap metode dan untuk setiap proses,
nilai ÿ yang meminimalkan kesalahan absolut terintegrasi (4.23) untuk respons langkah
set-point dan gangguan beban telah dipilih (yaitu, langkah unit telah telah diterapkan pada
sinyal r dan d secara terpisah, lihat Gambar 7.8). Untuk metode yang tidak memberikan
nilai konstanta waktu filter Tf secara eksplisit, ini telah dipilih sedemikian rupa sehingga
dinamikanya dapat diabaikan. Nilai yang dihasilkan dari kesalahan absolut terintegrasi dan
nilai optimal ÿ yang sesuai ditunjukkan pada Tabel 7.3–7.8. Perhatikan lagi bahwa untuk
metode Isaksson dan Graebe, dua kasus (kontrol PID dan PI) mungkin muncul, tergantung
Machine Translated by Google
pada fakta bahwa filter IMC orde kedua atau orde pertama masing-masing telah
diadopsi (karena tidak ada angka nol dalam proses yang akan dikontrol). Secara
analogi, PID atau pengontrol PI dihasilkan dari teknik berdasarkan respons
langkah, bergantung pada penggunaan model SOPDT atau model FOPDT (yang
terakhir jika model SOPDT yang teridentifikasi memiliki kutub konjugat yang
kompleks). Akhirnya, respon langkah unit (set-point dan beban) yang dihasilkan
diplot pada Gambar 7.9–7.14. Respons proses yang diperoleh dengan pengontrol
PI yang dihasilkan dari metode Isaksson dan Graebe tidak dilaporkan.
P4 (s) Dinamika fase minimum dengan sejumlah kecil kutub yang bertepatan
P6(s) Dinamika fase minimum dengan jumlah tiang yang berhimpitan tinggi
Tabel 7.2. Menghasilkan model yang dikurangi untuk metode yang berbeda
P1(s)
(20s + 1)(15s + 1) 2642s2 + 73,25s + 1 44,46s + 1
eÿ0.77s ÿ 0,26 detik + 1 eÿ0,79s
P2(s)
(2s + 1)(1.2s + 1) 3,21 detik2 + 3,38 detik + 1 2,48s2 + 3,17s + 1
eÿ180s ÿ 42s + 1 eÿ127,7s
P3(s)
(30s + 1)(20s + 1) 8564s2 + 115,7s + 1 106.6s + 1
eÿ1.5s 1 1 eÿ1.38s
P4(s)
(1.5s + 1)(s + 1) 2,25s2 + 3s + 1 2,5 detik + 1 2,71s + 1
eÿ5.5s 1 1 eÿ3,88s
P5(s)
(1.5s + 1)(s + 1) 14,52s2 + 5,02s + 1 4,51 detik + 1 4.24s + 1
eÿ17.5s 1 1 eÿ12.72s
P6(s)
(1.5s + 1)(s + 1) 95,98 detik2 + 11,40 detik + 1 10,70 detik + 1 7,76 detik + 1
Machine Translated by Google
Tabel 7.3. IAE optimal (dan nilai ÿ yang sesuai) untuk proses P1(s)
metode Tugas
set point memuat
PI
Tabel 7.4. IAE optimal (dan nilai ÿ yang sesuai) untuk proses P2(s)
metode Tugas
set point memuat
PI
PI
Tabel 7.5. IAE optimal (dan nilai ÿ yang sesuai) untuk proses P3(s)
metode Tugas
set point memuat
PI
Tabel 7.6. IAE optimal (dan nilai ÿ yang sesuai) untuk proses P4(s)
metode Tugas
set point memuat
Tabel 7.7. IAE optimal (dan nilai ÿ yang sesuai) untuk proses P5(s)
metode Tugas
set point memuat
Tabel 7.8. IAE optimal (dan nilai ÿ yang sesuai) untuk proses P6(s)
metode Tugas
set point memuat
0,7
0,6
0,5
0,8 0,4
0,3
variabel
proses
0,6 variabel
proses
0,2
0,4 0,1
0,2
0,1
0 0,2
0 100 200 300 400 500 600 0 100 200 300 400 500 600
kali kali
Gambar 7.9. Respon langkah set-point (kiri) dan gangguan beban (kanan) yang optimal untuk
P1(s). Garis putus-putus: Skogestad; garis putus-putus: Isaksson dan Graebe; garis putus-putus:
respons langkah; garis padat: Maclaurin.
1 0,25
0,8 0,2
0,6 0,15
variabel
proses variabel
proses
0,4 0,1
0,2 0,05
0
0
0 1 2 3 4 5 6 7 8 9 10 0 2 4 6 8 10 12 14 16 18 20
waktu waktu
Gambar 7.10. Respon langkah set-point (kiri) dan gangguan beban (kanan) yang optimal untuk
P2(s). Garis putus-putus: Skogestad; garis putus-putus: Isaksson dan Graebe; garis putus-putus:
respons langkah; garis padat: Maclaurin.
0,8
0,8
0,6
0,6
variabel
proses variabel
proses
0,4
0,4
0,2
0,2
0 0
0,2 0,2
0 500 1000 1500 0 500 1000 1500
waktu waktu
Gambar 7.11. Respon langkah set-point (kiri) dan gangguan beban (kanan) yang optimal untuk
P3(s). Garis putus-putus: Skogestad; garis putus-putus: Isaksson dan Graebe; garis putus-putus:
respons langkah; garis padat: Maclaurin.
Machine Translated by Google
1.2
0,5
1
0,4
0,8
0,3
variabel
proses variabel
proses
0,6 0,2
0,1
0,4
0
0,2
0,1
0
0 2 4 6 8 10 12 14 16 18 20 0 5 10 15 20 25 30
kali kali
Gambar 7.12. Respon langkah set-point (kiri) dan gangguan beban (kanan) yang optimal untuk
P4(s). Garis putus-putus: Skogestad; garis putus-putus: Isaksson dan Graebe; garis putus-putus:
respons langkah; garis padat: Maclaurin.
0,8
1
0,7
0,6
0,8
0,5
0,4
variabel
proses
0,6 variabel
proses
0,3
0,2
0,4
0,1
0
0,2
0,1
0 0,2
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
kali kali
Gambar 7.13. Respon langkah set-point (kiri) dan gangguan beban (kanan) yang optimal untuk
P5(s). Garis putus-putus: Skogestad; garis putus-putus: Isaksson dan Graebe; garis putus-putus:
respons langkah; garis padat: Maclaurin.
1 0,8
0,8 0,6
variabel
proses
0,6 variabel
proses
0,4
0,4 0,2
0,2 0
0 0,2
0 50 100 150 0 50 100 150
waktu waktu
Gambar 7.14. Respon langkah set-point (kiri) dan gangguan beban (kanan) yang optimal untuk
P6(s). Garis putus-putus: Skogestad; garis putus-putus: Isaksson dan Graebe; garis putus-putus:
respons langkah; garis padat: Maclaurin.
Machine Translated by Google
7.5.5 Diskusi
Dari hasil yang diperoleh tampak bahwa pendekatan berdasarkan ekspansi seri
Maclau rin secara umum memberikan kinerja terbaik, baik untuk mengikuti set-point
dan tugas penolakan gangguan beban. Hal ini disebabkan kemampuannya untuk
menyediakan frekuensi crossover loop terbuka yang lebih tinggi tanpa mengurangi
batas fasa sehubungan dengan metode lain (Visioli, 2005c).
Dari sudut pandang lain, ini berarti bahwa dalam respons langkah set-point waktu
naik kecil dicapai tanpa mengganggu overshoot dan dalam respons langkah
gangguan beban hasil kesalahan puncak kecil tanpa terjadinya osilasi yang
signifikan.
Ternyata lebih baik mereduksi model pengontrol daripada model plant, karena
pendekatan yang diperkenalkan dengan mengadopsi hanya tiga suku pertama dari
ekspansi deret tidak merusak rentang frekuensi yang signifikan untuk
dipertimbangkan. sistem pengaturan. Namun ini benar hanya jika nilai ÿ yang
sesuai dipilih. Memang, pilihan ÿ yang salah mungkin menyiratkan parameter
negatif dari pengontrol PID atau, yang lebih luar biasa, itu mungkin menyebabkan
sistem menjadi tidak stabil (bahkan jika parameter PID positif). Misalnya, untuk
sistem P3(s), jika ÿ ÿ 6 atau ÿ ÿ 162 hasil sistem loop tertutup tidak stabil dan,
bagaimanapun, jika ÿ ÿ 20 setidaknya salah satu parameter PID menghasilkan
kurang dari nol . Untuk lebih memperjelas fakta ini, pertimbangkan nilai ÿ = 5.0.
Pendekatan seri Maclaurin dari kontroler IMC memberikan kontroler PID dengan
Kp = 1.09, Ti = 158.4 dan Td = 68.32 (semua parameter positif) dan sistem loop
tertutup yang dihasilkan sebenarnya tidak stabil.
Fakta ini dapat dipahami dengan melihat Gambar 7.15 dan 7.16 di mana plot Bode
dari dua kontroler dan sistem loop terbuka dengan kontroler IMC asli dan dengan
PID dilaporkan secara berurutan. Tampaknya perkiraan pengontrol IMC di sekitar
frekuensi kritis tidak cukup akurat (memang, ekspansi seri dipusatkan pada
frekuensi nol) dan oleh karena itu frekuensi crossover meningkat terlalu banyak
untuk memberikan fasa positif.
Secara umum, mungkin terjadi bahwa rentang nilai ÿ yang cukup sempit cocok
untuk proses tertentu. Terlepas dari kenyataan bahwa nilai ÿ yang tidak sesuai
dapat dengan mudah dikenali selama fase desain, ini dapat dianggap sebagai
kelemahan utama dari metode ini, yang telah diabaikan dalam literatur.
Memang, ini membuat desain keseluruhan lebih rumit dan, terutama dari sudut
pandang praktis, arti fisik dari konstanta waktu filter, yang harus menangani
pertukaran antara agresivitas dan ketahanan serta aktivitas kontrol dari sistem
kontrol, adalah benar-benar hilang (meningkatkan nilai ÿ tidak selalu sesuai lagi
dengan sistem kontrol yang lebih lamban dan stabil).
Juga harus dicatat bahwa nilai optimal ÿ berbeda secara signifikan antara
metodologi yang dipertimbangkan, meskipun tampaknya, seperti yang diharapkan,
bahwa, secara umum, filter urutan yang lebih tinggi (yaitu, untuk teknik berbasis
seri Maclaurin atau ketika pengontrol PID diadopsi sebagai pengganti pengontrol PI di Isaksson
Machine Translated by Google
40
30
20
besarnya
[dB]
10
10
103 102 101
frekuensi [rad/dtk]
300
200
[derajat]
fase
100
100
103 102 101
frekuensi [rad/dtk]
Gambar 7.15. Bode plot pengontrol IMC (garis padat) dan pengontrol PID yang mendekati
(garis putus-putus)
20
10
besarnya
[dB]
10
20
30
40
103 102 101
frekuensi [rad/dtk]
400
200
0
[derajat]
fase
200
400
600
800
103 102 101
frekuensi [rad/dtk]
Gambar 7.16. Bode plot dari fungsi transfer loop terbuka C(s)P3(s) dengan pengontrol IMC
(garis padat) dan dengan kontroler PID yang mendekati (garis putus-putus)
Machine Translated by Google
dan metode Graebe) menyiratkan nilai ÿ yang lebih kecil (dan tugas penolakan
gangguan beban membutuhkan nilai ÿ yang lebih kecil daripada tugas set-point berikut).
Dari hasil yang diperoleh, juga terlihat bahwa metode Isaksson dan Graebe secara
umum memberikan kinerja yang lebih baik daripada metode Skogestad dan, seperti
yang diharapkan, kontroler PID lebih baik daripada kontroler PI ketika teknik desain PID
analitik dari Isaksson dan Graebe dipertimbangkan. . Perhatikan, bagaimanapun, bahwa
aturan penyetelan (7.131) telah disusun dengan tujuan agar dapat diterapkan pada
berbagai proses dan agar mudah diingat.
Mengenai metode berdasarkan data respons langkah, dapat disimpulkan bahwa secara
umum memberikan kinerja yang lebih buruk daripada metode Isaksson dan Graebe,
sementara tidak ada kesimpulan umum yang dapat ditarik sehubungan dengan metode
Skogestad.
Dalam bab ini, masalah identifikasi model proses dan desain pengontrol PID ketika
model proses orde tinggi tersedia telah dibahas. Telah ditunjukkan bahwa banyak
metode untuk estimasi fungsi transfer FOPDT dan SOPDT telah dirancang, dengan
karakteristik berbeda yang harus dievaluasi dalam aplikasi tertentu untuk memberikan
desain PID yang hemat biaya. Kemungkinan masalah, sering diabaikan dalam literatur,
telah diindikasikan, terutama dengan tujuan menyoroti bahwa metode identifikasi
memang merupakan bagian integral dari keseluruhan desain kontroler dan pilihannya
sangat penting. Juga telah ditunjukkan bahwa, jika model proses orde tinggi tersedia,
baik pendekatan mereduksi terlebih dahulu model proses atau mereduksi pengontrol
pada akhirnya dapat diterapkan. Dalam kasus terakhir kinerja yang lebih baik dapat
dicapai secara umum tetapi dengan mengorbankan desain yang lebih rumit dan kurang
intuitif.
Penilaian kinerja
8.1 Pendahuluan
Untuk keamanan dan profitabilitas instalasi, penting untuk memeriksa secara terus-
menerus bahwa kinerja instalasi memenuhi tujuan operasi yang dipersyaratkan.
Dengan demikian, pemantauan proses memainkan peran kunci dalam menjalankan
pabrik secara efektif dan ekonomis (Seborg et al., 2004). Dalam konteks ini, penting
untuk memverifikasi bahwa sistem kontrol berfungsi dengan baik. Sebenarnya,
karena di pabrik besar terdapat ratusan loop kontrol, hampir tidak mungkin bagi
operator untuk memantaunya secara manual. Oleh karena itu, penting untuk memiliki
alat yang pertama-tama dapat menentukan secara otomatis jika terjadi situasi
abnormal dan kemudian membantu operator memahami alasannya dan mungkin
menyarankan cara untuk menyelesaikan masalah (misalnya, jika pengontrol yang
buruk penyetelan terdeteksi, kemudian nilai baru yang sesuai dari parameter pengontrol ditentukan
Dalam bab ini, teknik penilaian kinerja loop kontrol disajikan. Meskipun mereka
dapat dilihat di bawah kerangka yang sama (Huang dan Shah, 1999), mereka mudah
dibagi dalam dua kategori (Qin, 1998): yang terkait dengan pemantauan kinerja
stokastik, di mana kemampuan sistem kontrol untuk mengatasi stokastik gangguan
menjadi perhatian utama, dan yang terkait dengan pemantauan kinerja deterministik,
di mana kinerja terkait dengan spesifikasi desain yang lebih tradisional seperti set-
point dan penolakan beban, parameter respons langkah gangguan diperhitungkan
(Eriksson dan Isaksson, 1994). . Penekanan utama dikhususkan untuk kasus
terakhir ini, yang diyakini paling menarik dalam konteks kontrol PID. Selanjutnya,
perlu ditekankan bahwa banyak konsep dapat diterapkan secara umum, terlepas dari
jenis pengontrolnya. Namun, perhatian khusus diberikan pada kasus di mana
pengontrol PID digunakan.
Machine Translated by Google
8.2 Generalisasi
Penilaian kinerja loop kontrol merupakan tugas yang kompleks yang umumnya
harus dilakukan dengan menerapkan langkah-langkah berikut (Jelali, 2006).
1. Indeks kinerja dihitung berdasarkan data yang tersedia untuk
mengukur kinerja sistem kontrol saat ini.
2. Suatu tolok ukur, yang mewakili kinerja yang diinginkan, dipilih, sehingga
kinerja pengendalian saat ini dapat dievaluasi terhadapnya.
3. Penyimpangan kinerja pengendalian saat ini dari tolok ukur yang dipilih
ditentukan, sehingga dapat dievaluasi apakah kinerja sistem pengendalian
dapat dianggap memuaskan atau perlu ditingkatkan.
4. Jika kinerja pengendalian saat ini tidak memuaskan, alasannya didiagnosis.
Memang, ini adalah tugas yang paling sulit, karena ada berbagai penyebab
kinerja yang buruk (struktur kontrol yang tidak tepat, penyetelan kontroler
yang buruk, desain peralatan yang tidak sesuai, kerusakan peralatan).
5. Tindakan korektif disarankan untuk mengejar tolok ukur yang dipilih per
bentuk.
Dapat dengan mudah disimpulkan bahwa pendekatan yang berbeda dapat dipilih untuk
setiap langkah, dan mereka harus terintegrasi dengan baik untuk merancang strategi
keseluruhan yang konsisten.
B(qÿ1) C(qÿ1)
y(t) = w(t), qÿdu(t) + (8.1)
A(qÿ1) A(qÿ1)
di mana y(t) merepresentasikan variasi variabel proses di sekitar titik operasi
kondisi-mapan yang diberikan, u(t) adalah variabel kontrol, w(t) adalah noise putih
Gaussian rata-rata nol, qÿ1 adalah pergeseran mundur operator, yaitu
dan A(qÿ1), B(qÿ1) dan C(qÿ1) adalah polinomial orde ke-n, yaitu,
Dapat dicatat bahwa qÿd memodelkan d-step delay pada sinyal kontrol, sehingga efek
dari perubahan sinyal kontrol muncul pada proses setelah d waktu sampling. Tujuan
dari kontrol varians minimum adalah untuk menentukan sinyal kontrol u(t) yang
meminimalkan varians keluaran proses pada waktu t + d, mengingat semua informasi
tersedia pada waktu t. Dengan demikian, indeks kinerja yang akan diminimalkan adalah
Untuk pemecahan masalah, akan lebih mudah untuk menulis ulang model proses
sebagai
B(qÿ1) C(qÿ1)
y(t + d) = u(t) + w(t + d). (8.8)
A(qÿ1) A(qÿ1)
Karena variabel acak [w(t + d ÿ 1), w(t + d ÿ 2),... ] diasumsikan bergantung pada
keluaran proses [y(t), y(t ÿ 1),.. .] dan semua input kontrol di masa depan diasumsikan
nol, sinyal gangguan dapat dipisahkan menjadi bagian kausal dan nonkausal dan oleh
karena itu Persamaan (8.8) dapat ditulis ulang sebagai
B(qÿ1) F(qÿ1)
d) = u(t) + E(qÿ1) + zÿd y(t + w(t + d), (8.9)
A(qÿ1) A(qÿ1)
ÿ 2ÿ
E(qÿ1)B(qÿ1) F(qÿ1) 2
J(t) = E u(t) + y(t) + E E(qÿ1)w(t + d) ,
ÿ ÿ
C(qÿ1) C(qÿ1)
ÿ ÿ
(8.14)
di mana nilai yang diharapkan dari suku perkalian silang adalah nol karena [w(t + d),
w(t + d ÿ 1),...,w(t + 1)] bebas dari [y( t), y(t ÿ 1),..., ]. Jadi, hukum kontrol varians
minimum adalah hukum yang menetapkan nol suku pertama ruas kanan dari (8.14),
yaitu,
F(qÿ1)
u(t) = ÿ y(t). (8.15)
B(qÿ1)E(qÿ1)
Perlu dicatat bahwa, agar loop tertutup stabil, prosesnya harus fase minimum, yaitu
B(qÿ1) harus stabil (lihat (ÿAstr¨om dan Wittenmark, 1997) untuk solusi dari masalah
untuk sistem fase nonminimum).
Berdasarkan konsep yang dikemukakan pada bagian sebelumnya, kinerja yang dicapai
oleh pengontrol umpan balik yang diberikan dapat dinilai dalam arti dapat dievaluasi
seberapa jauh dari kinerja varians minimum. Secara khusus, hal ini dapat dilakukan
dengan cukup mudah jika waktu mati dari proses (dinyatakan sebagai jumlah d interval
pengambilan sampel) diketahui (lihat, misalnya, (Horch, 2000; Bj¨orklund, 2003; Ahmed
et al. , 2006) untuk teknik estimasi kawin itu). Memang, model autoregressive moving
average (ARMA) dari sistem loop tertutup yang menghubungkan noise w dengan output
proses y harus diestimasi dari periode data rutin terpilih:
ny
y(t) = aiy(t ÿ i) +nw ciw(t ÿ i) + w(t), (8.16)
saya=1 saya=1
di mana (ny, nw) adalah urutan model (yang sebenarnya dapat dipilih dengan prosedur
coba-coba). Model ARMA yang diperoleh kemudian diperluas menjadi model respons
impuls (dengan melakukan pembagian panjang) yang harus dipotong pada koefisien d
ÿ 1 pertama (perhatikan bahwa suku d pertama adalah invarian sehubungan dengan
pengontrol yang diadopsi):
d ÿ1
d ÿ1
adalah estimasi
di mana ÿ2w kemudian varian kebisingan.
dapat dibandingkan denganNilai ÿ2
perkiraan varian keluaran
MV
ÿ2 yang diberikan
oleh: y
N
1 2
ÿ2 = (y(i) ÿ y¯) (8.19)
y Nÿ1 i=1
di mana ¯ y adalah nilai rata-rata dari keluaran proses. Hal ini dapat dilakukan melalui apa
yang disebut Indeks Harris, yang dinyatakan sebagai (Harris, 1989):
ÿ2
y
HI = . (8.20)
ÿ2 MV
Dapat dengan mudah disimpulkan bahwa HI ÿ [1, +ÿ). Menentukan nilai HI mendekati satu
berarti bahwa kinerja yang dicapai oleh pengontrol yang diadopsi mendekati kinerja varians
minimum, sedangkan nilai HI yang besar dapat mengindikasikan bahwa pengontrol harus
disetel ulang. Alternatifnya, kebalikan dari Indeks Harris
ÿ2MV
ÿ= . (8.21)
ÿ2
y
ÿ2MVÿ2 ÿ2 ÿ ÿ2 MV
= y
NHI = 1 ÿ ÿ = 1 ÿ (8.22)
_ ÿ2
y y
dapat dievaluasi. Terlihat bahwa ÿ ÿ (0, 1] dan semakin kecil nilai ÿ maka kinerja semakin
buruk, sebaliknya NHI = 0 berarti tercapai kinerja optimal, sedangkan nilai NHI mendekati
satu berarti pengontrol tidak bekerja dengan baik (perhatikan bahwa NHI ÿ [0, 1)).
Dan
F(qÿ1)=0,475 ÿ 0,075qÿ1. (8.25)
0,8
0,6
0,4
0,2
variabel
proses
0
0,2
0,4
0,6
0,8
0 20 40 60 80 100 120 140 160 180 200
kali
Gambar 8.1. Variabel proses dengan pengontrol varians minimum (garis padat) dan dengan pengontrol
PI (garis putus-putus)
0,475 ÿ 0,075qÿ1
u(t) = ÿ (8.26)
1+0,4qÿ1 + 0,7qÿ2 ÿ 0,075qÿ3y(t).
Hasil percobaan dengan pengontrol varians minimum ditunjukkan pada Gambar 8.1
(varians noise telah diperbaiki menjadi 0,01). Penerapan metodologi penilaian kinerja,
di mana model ARMA orde kedua telah diperkirakan, menghasilkan ÿ = 0,98, yang
menegaskan bahwa pengontrol optimal telah diadopsi.
ÿ0,3 ÿ 0,1qÿ1
u(t) = y(t) 1 ÿ qÿ1 (8.27)
diadopsi, nilai ÿ yang dihasilkan adalah 0,29 (variabel proses yang diperoleh
ditunjukkan lagi pada Gambar 8.1), sehingga dapat disimpulkan bahwa kinerja dapat
ditingkatkan.
Sebagai metodologi alternatif, autokorelasi output dapat dihitung untuk memverifikasi
apakah ada korelasi yang signifikan di luar waktu tunda (Qin, 1998). Secara khusus,
dengan deret waktu [y(t), y(t + 1),...,y(t + N ÿ 1)], fungsi autokorelasi ditentukan dengan
menghitung
N ÿ1ÿj
1
ÿy(j) = N (y(t + i) ÿ y¯)(y(t + i + j) ÿ y¯) (8.28)
saya=0
Machine Translated by Google
di mana ¯ y lagi nilai rata-rata dari deret waktu. Kontrol kira-kira mencapai
varians minimum jika, untuk j ÿ d,
Di mana
1 d ÿ1
Meskipun menarik untuk menentukan seberapa jauh kinerja yang dicapai oleh
pengontrol yang diberikan dari pengontrol varians minimum, pendekatan
tersebut menghadirkan kelemahan serius yang mengurangi signifikansinya
dalam berbagai situasi praktis (Qin, 1998). Sebenarnya, varians minimum
teoretis
MV
ÿ2 adalah invarian terlepas dari struktur kontrolnya. Dengan demikian,
ini mewakili batas bawah yang tidak dapat dicapai oleh struktur kontrol yang
diberikan (misalnya, pengontrol PID) dan oleh karena itu tidak mudah untuk
memahami apakah penyetelan ulang pengontrol akan meningkatkan kinerja
atau jika perlu diubah. struktur pengontrol. Dengan kata lain, meskipun nilai
Indeks Harris tinggi, kinerja yang dicapai oleh pengontrol tidak dapat ditingkatkan
hanya dengan menyetelnya kembali. Hal ini terutama berlaku untuk proses
dengan waktu mati yang signifikan jika kompensator waktu mati berbasis model
tidak digunakan dalam sistem kontrol, karena kontrol varians minimum memiliki
struktur yang sama dengan prediktor Smith (Palmor, 1996). Dengan mengikuti
alasan yang sama, penilaian kinerja varians minimum tidak berlaku untuk proses
dengan waktu tunda yang bervariasi. Bagaimanapun, perlu ditekankan bahwa
adalah bijaksana untuk mengulangi perhitungan Indeks Harris dari waktu ke
waktu karena sifat gangguan dan dinamika proses yang bervariasi. Ini berarti
estimasi waktu mati proses yang akurat harus dilakukan setiap saat.
Dari sudut pandang lain, bahkan jika kinerja stokastik yang dicapai memuaskan,
ini mungkin tidak sesuai dengan kinerja deterministik yang diperlukan (misalnya
dalam tugas mengikuti titik setel dan penolakan gangguan beban) (Thornhill et
al., 2003). Perlu dicatat dalam konteks ini bahwa pengontrol varians minimum
didasarkan pada pembatalan pole-zero (lihat Persamaan (8.15)) dan bahwa
tidak ada kesempatan untuk mengatasi tugas set-point daripada tugas penolakan
gangguan beban (atau sebaliknya sebaliknya) dan untuk menangani trade-off
antara agresivitas, ketahanan dan upaya pengendalian. Konsep-konsep ini akan
dibahas lebih lanjut di Bagian 8.4.
Ringkasnya, pendekatan penilaian kinerja varians minimum paling efektif untuk
semua proses orde rendah dengan waktu mati yang dapat diabaikan (seperti
loop aliran), ketika penolakan gangguan stokastik adalah yang utama.
kekhawatiran.
Machine Translated by Google
Sebuah metode solusi iteratif untuk penentuan batas kinerja PID yang
dapat dicapai telah diusulkan dalam (Ko dan Edgar, 2004). Output
proses dijelaskan oleh model waktu-diskrit
di mana P(qÿ1)qÿd adalah model proses dengan waktu mati d dan N(qÿ1) adalah
model gangguan yang digerakkan oleh white noise rata-rata nol w(t). Pengontrol PID
dinyatakan sebagai (lihat (1.41), perhatikan bahwa di sini huruf kecil diadopsi untuk
parameter PID untuk menekankan bahwa mereka adalah besaran skalar):
k1 + k2qÿ1 + k3qÿ2
C(qÿ1) = 1 ÿ . (8.32)
qÿ1
Dengan mempertimbangkan Ekspresi (8.32), keluaran proses dapat ditulis ulang sebagai
M
y0
ÿ y1 ÿ
ÿ ÿ
ÿ1
ÿ
.. ÿ
= I + Sk1 + FSK2 + F2Sk3 nw¯ 0 (8.34)
ÿ
. ÿ
ÿ yp ÿ
0 ···
ÿ s1 0 s2 ÿ
ÿ ÿ
s1 0
S=
ÿ ÿ
ÿ ÿ
, (8.35)
ÿ
.. .. ÿ
. . ... ... ÿ
ÿ sp spÿ1 ··· s1 0 ÿ
Machine Translated by Google
n0
ÿ ÿ
n1 ÿ
n¯ =
ÿ
ÿ
.. ÿ
(8.36)
ÿ
.
ÿ np ÿ ÿ,
0 0
ÿ ÿ
ÿ
1 ... ÿ
F= ÿ
ÿ
ÿ
ÿ
. (8.37)
ÿ
... ... ÿ
ÿ0 10 ÿ
Jika kejutan acak terjadi setiap saat, respons sistem loop tertutup dapat
ditentukan sebagai
P
Di mana
ÿ0
ÿ ÿ
ÿ ÿ1 ÿ
ÿ1
ÿ
.. ÿ
= I + Sk1 + FSK2 + F2Sk3 n¯ (8.39)
ÿ
. ÿ
ÿ ÿp ÿ
mendefinisikan vektor koefisien respons impuls loop tertutup. Oleh karena itu,
varian keluaran dapat dinyatakan sebagai
ÿ1
ÿ2PID = ¯nT I + ST k1 + (FS)T k2 + (F2S)T k3
(8.40)
ÿ1
· I + Sk1 + FSK2 + F2Sk3 2 nÿ¯ w.
Perlu ditekankan bahwa model proses dijelaskan melalui koefisien respons langkahnya. Dapat dikatakan
bahwa Ekspresi (8.40) dapat digunakan untuk menentukan parameter PID optimal yang meminimalkan
varian keluaran.
Memang, parameter optimal memenuhi kondisi perlu orde pertama berikut:
ÿÿ2PID
= ÿ2¯nT (ÿ ÿ1) T Sÿ ÿ2n¯ = 0 (8.41)
ÿk1
ÿÿ2PID
= ÿ2¯nT (ÿ ÿ1) T FSÿ ÿ2n¯ = 0 (8.42)
ÿk2
ÿÿ2PID
= ÿ2¯nT (ÿ ÿ1) T F2Sÿ ÿ2n¯ = 0 (8.43)
ÿk3
Machine Translated by Google
dimana ÿ = I + Sk1 + FSK2 + F2Sk3. Turunan orde kedua dapat dinyatakan sebagai:
ÿ2ÿ2
PID
= 2¯nT (ÿ ÿ2) T ST Sÿ ÿ2n¯ + 4¯nT (ÿ ÿ1) T S2ÿ ÿ3n, ¯ (8.44)
ÿk2
1
ÿ2ÿ2
PID T T T
= 2¯nT (ÿ ÿ2) (FS) Sÿ ÿ2n¯ + 4¯nT (ÿ ÿ1) F S2ÿ ÿ3n, ¯ (8.45)
ÿk1ÿk2
ÿ2ÿ2
PID T T
= 2¯nT (ÿ ÿ2) (F2S) Sÿ ÿ2n¯ + 4¯nT (ÿ ÿ1) T F2S2ÿ ÿ3n, ¯ (8.46)
ÿk1ÿk3
ÿ2ÿ2
PID T T
= 2¯nT (ÿ ÿ2) (FS) (FS)ÿ ÿ2n¯ + 4¯nT (ÿ ÿ1) T F2S2ÿ ÿ3n, ¯ (8.47)
ÿk2
2
ÿ2ÿ2
PID T T
= 2¯nT (ÿ ÿ2) (F2S) (FS)ÿ ÿ2n¯ + 4¯nT (ÿ ÿ1) T F3S2ÿ ÿ3n, ¯ (8.48)
ÿk2ÿk3
ÿ2ÿ2
PID T T
= 2¯nT (ÿ ÿ2) (F2S) (F2S)ÿ ÿ2n¯ + 4¯nT (ÿ ÿ1) T F4S2ÿ ÿ3n. ¯ (8.49)
ÿk2
3
Ungkapan ini dapat diadopsi untuk menemukan pengaturan PID yang optimal kopt = [k1,opt, k2,opt, k3,opt] dengan
menggunakan metode iteratif Newton, yaitu dengan penanggalan parameter PID melalui ungkapan:
ÿ1
ÿ2ÿ2 ÿ2ÿ2 ÿ2ÿ2 ÿÿ2
PID PID PID PID
ÿ ÿk2 ÿ ÿ ÿ
ÿ
1
ÿk1ÿk2 ÿk1ÿk3 ÿ ÿ ÿk1 ÿ
¯ ¯ ÿ
ÿÿ2 ÿ
tahu = kopt -
ÿ
PID PID PID ÿ
· ÿ
PID ÿ
. (8.50)
ÿk2
ÿ ÿ ÿ ÿ
ÿ
ÿk1ÿk2 2
ÿk2ÿk3 ÿ ÿ ÿk2 ÿ
ÿÿ2 ÿ
Ketika konvergensi diperoleh, optimalitas parameter PID yang ditentukan dapat diperiksa dengan
memverifikasi definitifitas positif dari matriks Hessian.
Batas kinerja terbaik yang dapat dicapai kemudian dapat dihitung sebagai:
ÿ1 T ÿ1 2
(ÿ2 PID)memilih = ¯nT (ÿmemilih ) ÿ (8.51)
optnÿ¯ w,
Di mana
Perlu dicatat pada titik ini bahwa parameter PID optimal dan varians minimum yang dapat dicapai dapat
diturunkan mulai dari pengetahuan tentang koefisien respons langkah proses (yang dapat diperoleh melalui
percobaan loop terbuka sederhana standar) dan dari impuls koefisien respon gangguan. Ini dapat diperoleh
dengan mempertimbangkan hubungan berikut antara respons impuls model gangguan dan respons impuls
loop tertutup:
ÿ0
ÿ ÿ
ÿ
ÿ1 ÿ
.
ÿ ÿp ÿ ÿ.
Oleh karena itu, estimasi koefisien respons impuls gangguan nˆ¯ dapat diturunkan dari estimasi respons
impuls loop tertutup ÿˆ yang diperoleh melalui pemodelan deret waktu dari data loop tertutup:
ÿˆ0
ÿ ÿ
ÿ
ÿˆ1 ÿ
.
ÿ ÿˆp ÿ ÿ.
Dapat dikatakan bahwa metodologi yang dirancang dapat diadopsi juga untuk menilai kinerja kontrol (dan
untuk menentukan parameter PID yang optimal) dalam konteks pelacakan set-point deterministik. Memang,
diakui bahwa langkah perubahan dalam set-point dapat dimodelkan sebagai
1
(8.55)
1 ÿ qÿ1w(t)
di mana w(t) adalah nol kecuali pada saat perubahan set-point. Jadi, dalam hal ini vektor koefisien respons
impuls gangguan sederhana
1
n¯ =
ÿ .. ÿ
ÿ
. ÿ
(8.56)
ÿ 1 ÿ.
Perlu juga dicatat bahwa indeks varians minimum (8,21) dapat dihitung secara langsung sebagai (Thornhill
et al., 2003)
dÿ1
ÿ2MV y2(t)
ÿ= = saya=0
ÿ . (8.57)
ÿ2 y2(t)
y saya=0
0,8
0,6
0,4
0,2
variabel
proses
0,2
0,4
0,6
0,8
0 20 40 60 80 100 120 140 160 180 200
kali
0,22 ÿ 0,2qÿ1
C(qÿ1) = 1 (8.58)
ÿ qÿ1
awalnya diadopsi. Keluaran proses yang diperoleh dengan menetapkan varian kebisingan
0,01 ditunjukkan pada Gambar 8.2 (bandingkan dengan Gambar 8.1). Indeks kinerja
(8.21) menghasilkan ÿ = 0.90, yang menunjukkan bahwa pengontrol PI disetel dengan
baik dari sudut pandang kontrol regulasi. Namun, kinerja respons langkah set-point loop
tertutup tidak memuaskan, seperti yang terlihat dari Gambar 8.3. Dengan menjalankan
metode iteratif Newton (8.50), parameter PID optimal kemudian diturunkan sebagai
Tanggapan langkah set-point loop tertutup yang dihasilkan ditunjukkan pada Gambar 8.4,
di mana peningkatan kinerja yang masuk akal muncul.
Untuk menilai kinerja pengontrol PID, disarankan untuk membandingkan varian
sebenarnya dengan yang diperoleh oleh pengontrol PID optimal (yang ditentukan) (Ko
dan Edgar, 2004). Dengan demikian, mirip dengan indeks Harris terbalik, indeks kinerja
berikut dapat digunakan:
(ÿ2 PID)memilih
ÿ=
ÿ2
. (8.60)
y
Machine Translated by Google
0,9
0,8
0,7
0,6
variabel
proses
0,5
0,4
0,3
0,2
0,1
0
0 10 20 30 40 50 60 70 80 90 100
kali
0,8
variabel
proses
0,6
0,4
0,2
0
0 10 20 30 40 50 60 70 80 90 100
kali
Di mana
y(t)
ÿ ÿ
ÿ
y(t ÿ 1) ÿ
y¯ = ÿ
.
.
ÿ
(8.62)
ÿ
. ÿ
ÿ y(t ÿ n + 1) ÿ
yopt(t)
ÿ ÿ
ÿ
yopt(t ÿ 1) ÿ
yaopt = ÿ
. ÿ
(8.63)
.
ÿ
. ÿ
ÿ yopt(t ÿ n + 1) ÿ
adalah vektor keluaran loop tertutup yang dapat dicapai dengan pengaturan PID optimal. Setelah parameter
PID optimal ditentukan dengan menerapkan Persamaan (8.50) secara iteratif, ¯yopt dapat dihitung sebagai
1 + C(qÿ1)P(qÿ1)qÿd
yaopt = (8.64)
1 + Koptik(qÿ1)P(qÿ1)qÿdy(t)
di mana C(qÿ1) adalah pengontrol PID yang diadopsi dan Copt(qÿ1) adalah pengontrol PID dengan
pengaturan optimal.
Perlu ditekankan kembali bahwa, dalam konteks kontroler PID, penggunaan indeks kinerja (8.60) lebih masuk
akal daripada menggunakan Indeks Harris, karena terkait dengan kinerja yang dapat dicapai dalam praktik.
Untuk memahami fakta ini dengan lebih baik, perlu dipertimbangkan bahwa nilai indeks kinerja yang
dihasilkan (8,60) adalah 0,32 untuk kontroler PI (8,27) dan 0,92 untuk kontroler PI (8,58), yang menunjukkan
bahwa kontroler PI memberikan hasil yang jauh lebih baik. kinerja dari sudut pandang penolakan gangguan
stokastik.
Telah disebutkan dalam Bagian 8.3.2 bahwa mengatasi kinerja stokastik (yaitu, meminimalkan varian
keluaran) mungkin bertentangan dengan persyaratan kinerja yang memuaskan (deterministik) terkait dengan
titik setel yang mengikuti atau tugas penolakan gangguan beban. Misalnya, jika dinamika derau adalah
ARMA, maka pengontrol varians minimum tidak memiliki aksi tegral (Qin, 1998), sehingga kesalahan kondisi-
mapan nol tidak tercapai secara umum (lebih tepatnya, nilai rata-rata dari kondisi-mapan). kesalahan kontrol
negara tidak
Machine Translated by Google
batal). Memang, dalam kasus praktis persyaratan kontrol sering ditentukan dalam hal
overshoot maksimum, waktu pengendapan, dan sebagainya. Selanjutnya, kendala
ketahanan dan upaya pengendalian harus diperhitungkan. Bagaimanapun, trade-off
antara kinerja stokastik dan deterministik harus dipertimbangkan.
Dengan demikian, ada kebutuhan untuk mengintegrasikan teknik yang berbeda, masing-
masing dikhususkan untuk menghadapi situasi tertentu. Jelas, diinginkan bahwa setiap
teknik didasarkan sebanyak mungkin pada data operasi rutin dan tidak ada model
proses yang diperlukan untuk digunakan secara umum. Pada bagian berikut disajikan
berbagai fungsi yang dikhususkan untuk mendeteksi dan menganalisis situasi tertentu.
Mereka selanjutnya akan dieksploitasi dalam konteks penilaian kinerja PID.
Deteksi Osilasi
Sumber utama penurunan kualitas produk akhir diberikan oleh adanya osilasi dalam
loop kontrol, yang juga menyebabkan peningkatan konsumsi energi. Sebenarnya,
osilasi dapat disebabkan oleh alasan yang berbeda dan oleh karena itu, selain
mendeteksi terjadinya osilasi secara otomatis, penting untuk mendeteksi alasannya,
untuk mengambil koreksi yang sesuai. Aspek ini akan dibahas pada bagian berikut.
Untuk mendeteksi osilasi yang persisten, sebuah metode telah disajikan dalam
(H¨agglund, 1995) (perhatikan bahwa metode ini telah berhasil diuji di lingkungan
industri). Ini didasarkan pada prosedur pendeteksian gangguan beban yang terdiri dari
penentuan kesalahan mutlak terintegrasi antara dua penyeberangan nol berturut-turut
waktu instan tiÿ1 dan ti dari kesalahan kontrol:
ti
IA = |e(t)|dt. (8.65)
tiÿ1
Jika pengontrol tidak memiliki aksi integral, maka perbedaan antara sinyal pengukuran
dan nilai rata-ratanya harus digunakan alih-alih kontrol.
kesalahan.
Gangguan beban terdeteksi jika nilai IAE melebihi ambang batas yang diberikan IAElim.
Nilai IAElim ditetapkan sebagai
2a
IAElim = (8.66)
ÿu
di mana a adalah amplitudo osilasi yang dapat diterima, yang seharusnya tidak
terdeteksi (pilihan yang masuk akal untuk itu adalah a = 1%), dan ÿu adalah frekuensi ultimate
Machine Translated by Google
dari proses. Jika nilai ÿu tidak tersedia, dapat diganti (dengan asumsi bahwa pengontrol PI(D)
disetel dengan benar) dengan ÿi = 2ÿ/Ti di mana Ti adalah konstanta waktu integral. Dengan
demikian, jika IAE > IAElim antara dua waktu zero crossings berturut-turut, maka disimpulkan
telah terjadi gangguan beban.
Perlu dicatat pada titik ini bahwa prosedur deteksi beban alternatif telah diusulkan (Salsbury,
2005). Ini didasarkan pada prosedur deteksi perubahan statistik yang menggunakan informasi
zero crossings untuk memperhitungkan korelasi otomatis.
Setelah prosedur deteksi beban ditetapkan, prosedur deteksi osilasi dapat diturunkan dengan
memantau jika jumlah gangguan beban melebihi batas ambang nlim = 10 selama waktu
pengawasan Tsup = 50Tu, di mana Tu adalah periode akhir dari proses (atau, alternatifnya
Tsup = 50Ti). Jadi, jika setidaknya gangguan beban nlim terdeteksi selama interval terakhir dari
durasi Tsup, disimpulkan bahwa terdapat osilasi.
Untuk implementasi prosedur yang lebih praktis, disarankan untuk membuat pembobotan
eksponensial dari pendeteksian. Dengan demikian, prosedur rekursif berikut dapat diterapkan
pada setiap instan pengambilan sampel:
ÿt
ÿ=1- (8.67)
Tsup
t2i+1 t2i+2
Ai := |e(ÿ)|dÿ Bi := |e(ÿ)|dÿ i = 0, 1, . . ., N/2 (8.68)
t2i t2i+1
Dan
e(t)
A0 0 A1 1
T
t1 t B1 t4
t0 B0 2 t3
0 1
di mana S menunjukkan jumlah elemen dari himpunan S dan ÿ dan ÿ adalah parameter
penyetelan yang akan dipilih
Dapat disimpulkan bahwa metode ini memerlukan penyetelan parameter tambahan dan
hasilnya tidak selalu mudah untuk ditafsirkan. Namun, ia memiliki kemampuan untuk
mendeteksi berbagai jenis osilasi dan oleh karena itu dapat digunakan dalam kasus-kasus
praktis.
Diagnosis Osilasi
Seperti yang telah disebutkan, setelah osilasi terdeteksi, penting untuk mendiagnosis
penyebabnya untuk mengambil tindakan korektif yang diperlukan. Memang, ada beberapa
kemungkinan alasan untuk perilaku osilasi loop kontrol. Misalnya, beban osilasi mungkin
mengganggu loop yang dipantau.
Dalam hal ini, jika frekuensi osilasi rendah (sehubungan dengan bandwidth loop tertutup)
dapat ditangani secara efisien oleh sistem kontrol umpan balik, sedangkan jika tinggi, harus
disaring dengan tepat di pengontrol sehingga tidak dipindahkan ke aktuator (lihat Bab 2),
mungkin mengurangi masa pakainya.
Kasus terburuk terjadi jika frekuensi osilasi dekat dengan frekuensi kritis dari fungsi transfer
loop, karena dalam hal ini mungkin diperkuat oleh sistem kontrol. Dalam hal ini pengontrol
harus disetel ulang (atau sumber gangguan harus dihilangkan).
Sumber lain yang mungkin dari loop kontrol osilasi adalah pengontrol yang disetel terlalu
agresif. Fakta ini menyiratkan bahwa dalam banyak kasus, operator menonaktifkan
pengontrol saat mereka mendeteksi perilaku osilasi sistem kontrol.
Namun, diakui dalam literatur bahwa alasan paling umum untuk
Machine Translated by Google
osilasi adalah gesekan (statis) yang berlebihan pada katup (H¨agglund, 1995).
Dalam hal ini detuning pengontrol tidak sesuai dan perawatan katup harus dilakukan.
Untuk memberikan alat yang valid untuk diagnosis osilasi, berbagai solusi telah
diusulkan dalam literatur (lihat, misalnya, (Thornhill dan H¨agglund, 1997; Taha et
al., 1996)). Secara khusus, berdasarkan pertimbangan di atas, upaya signifikan
telah dilakukan oleh para peneliti untuk mendeteksi adanya stiction pada katup
(Choudhury et al., 2005). Berbagai pendekatan telah diikuti. Misalnya, penggunaan
indeks nonlinier, berdasarkan penentuan bikoherensi kuadrat, telah diusulkan dalam
(Choudhury et al., 2004) (perhatikan bahwa terjadinya osilasi dapat ditentukan juga
dengan adanya histeresis dan dead- pita dalam loop). Sebagai alternatif, dalam
(Horch, 1999), diusulkan untuk menganalisis korelasi silang antara keluaran
pengontrol dan keluaran proses dan dalam (Horch, 2001) disarankan untuk
mengeksploitasi distribusi probabilitas yang berbeda dari turunan pertama dari
proses osilasi. output dalam kasus kontrol agresif dan dalam kasus adanya stiction
(turunan kedua dapat digunakan jika prosesnya tidak mengatur sendiri).
Pendekatan yang sangat sederhana diusulkan dalam (Singhal dan Salsbury, 2005).
Hal ini didasarkan pada fakta bahwa kontrol yang agresif menghasilkan sinyal
kesalahan kontrol sinusoidal, sedangkan untuk katup yang macet sinyal input proses
yang terputus-putus menyebabkan sinyal kesalahan kontrol eksponensial sepotong-
sepotong. Dengan demikian, setengah periode osilasi positif (atau negatif)
dipertimbangkan dan rasio area sebelum dan sesudah puncak dihitung. Jika nilai
rasio mendekati satu maka disimpulkan bahwa kontroler bersifat agresif sedangkan
jika lebih besar dari satu maka disimpulkan terdapat stiction.
Dengan mengikuti ide yang sama untuk mengevaluasi bentuk osilasi, teknik yang
didasarkan pada perbandingan respons osilasi ke gelombang sinus, ke gelombang
tri sudut dan ke respons output dari proses FOPDT di bawah kontrol relai (lihat
Bagian 7.2.2 ) disajikan dalam (Rossi dan Scali, 2005). Perhatikan bahwa dua
kasus terakhir dikaitkan dengan adanya stiction.
Akhirnya, teknik yang didasarkan pada analisis karakteristik masukan-keluaran dari
katup, yaitu plot posisi katup versus keluaran pengontrol, diusulkan dalam
(Yamashita, 2006). Perhatikan bahwa jika posisi katup tidak tersedia, dapat diganti
dengan debit yang sesuai. Bagaimanapun, diakui bahwa tidak ada metode yang
mampu menyelesaikan masalah secara definitif dan oleh karena itu adalah bijaksana
untuk mengintegrasikan beberapa di antaranya dalam alat pemantauan (Rossi dan
Scali, 2005).
Perhatikan bahwa metode kompensasi gesekan statis katup kontrol pneumatik telah
diusulkan dalam (H¨agglund, 2002).
untuk loop kontrol. Ini menjadi perhatian khusus jika undang-undang kontrol adaptif
diterapkan (H¨agglund dan ÿAstr¨om, 2000), tetapi berguna juga dalam konteks
penilaian kinerja, seperti yang akan ditunjukkan pada bagian selanjutnya (lihat juga
Bagian 5.6 ).
Untuk mendeteksi gangguan beban tiba-tiba (yaitu, langkah-seperti), ide yang berasal
dari analisis yang disajikan dalam (H¨agglund dan ÿAstr¨om, 2000) dapat diterapkan.
Secara khusus, variabel kontrol dan sinyal variabel proses dapat difilter high-pass,
sesuai dengan ekspresi (untuk penyederhanaan, transformasi Laplace dari sinyal
digunakan):
S 1 S
Uhp = U(s)s Yhp = K s + ÿhp Y (s) (8.73)
+ ÿhp
Deteksi pengontrol agresif dapat dilakukan melalui deteksi perilaku osilasi loop kontrol
di hadapan perubahan set-point atau gangguan beban yang tiba-tiba. Untuk tujuan
ini, pendekatan berbasis statistik telah diusulkan dalam (Miao dan Seborg, 1999). Ini
terdiri dari menghitung autokorelasi baik variabel terkontrol atau kesalahan kontrol.
di mana z(t), t = 1,...,N adalah data deret waktu yang dievaluasi dan ¯z adalah rata-
rata sampel untuk N sampel. Indeks osilasi kemudian dihitung sebagai rasio peluruhan
dari fungsi autokorelasi yang diperoleh. Ini didefinisikan sebagai
A
R= , (8.75)
B
dimana a adalah jarak dari maksimum pertama ke garis lurus yang menghubungkan
dua minimum pertama dan b adalah jarak dari minimum pertama ke garis lurus yang
menghubungkan koefisien pertama dari fungsi autokorelasi ke maksimum pertama
(lihat Gambar 8.6) . Jika kurang dari dua minima ada di fungsi autokorelasi, nilai R
hanya diatur ke nol.
Perlu ditekankan bahwa algoritme memerlukan periode pengumpulan data yang
cukup lama untuk memiliki setidaknya lima siklus osilasi (teredam). Oleh
Machine Translated by Google
0,8
0,6
0,4
0,2
B
autokorelasi
Koefisien
0
A
0,2
0,4
0,6
0,8
mengingat menarik untuk mendeteksi osilasi dengan frekuensi di sekitar frekuensi akhir
dari proses (seperti yang telah disebutkan, osilasi frekuensi rendah dikompensasi oleh
pengontrol umpan balik sementara osilasi frekuensi tinggi dapat dengan mudah disaring),
periode pengumpulan data dapat awalnya diatur ke 50Ti, di mana Ti adalah konstanta
waktu integral dari pengontrol PI(D).
Jika dalam periode ini jumlah osilasi yang cukup tidak terdeteksi, maka periode tersebut
harus ditingkatkan menjadi 250Ti. Perhatikan juga bahwa data yang dikumpulkan harus
disaring dengan tepat untuk menghilangkan kebisingan pengukuran.
Indeks alternatif, yang disebut Indeks Area (AI), yang bertujuan untuk memperkirakan
indeks redaman umum dari sistem loop tertutup telah diusulkan di (Visioli, 2006). Ini
didasarkan pada analisis sinyal kontrol u(t) yang mengkompensasi gangguan beban tiba-
tiba d yang terjadi pada proses. Khususnya, nilai keadaan tunak baru yang dicapai oleh
sinyal kontrol setelah respons gangguan beban transien dinotasikan sebagai u. Waktu
instan di mana gangguan beban bertahap terjadi dinotasikan sebagai t0 (perhatikan
bahwa nilai t0 tidak perlu diketahui) dan t1,...,tnÿ1 adalah waktu instan berikutnya di
mana u(t)= ¯ u. Akhirnya, waktu instan di mana respon transien berakhir dan variabel
yang dimanipulasi mencapai nilai kondisi mapannya u dinotasikan sebagai tn. Dari sudut
pandang praktis, nilai tn dapat dipilih sebagai waktu minimum setelah sinyal kontrol u(t)
tetap berada dalam kisaran satu persen u. Area yang dibatasi oleh fungsi u(t) dan ¯u
antara dua waktu instan berturut-turut ti dan ti+1 didefinisikan sebagai:
Machine Translated by Google
kamu(t)
A
0
A2
kamu
A1 A3
T
t T1 t2 t3 t4
0
ti+1
Ai := |u(t)ÿu¯|dt. (8.76)
ti
Notasi yang diperkenalkan digambarkan pada Gambar 8.7. Indeks Area AI dihitung
dengan terlebih dahulu menghilangkan area A0, yaitu area antara instan waktu di mana
gangguan beban bertahap terjadi dan instan pertama kali di mana u(t)=¯u. Kemudian,
rasio antara nilai maksimum luasan yang ditentukan dan jumlahnya ditentukan, dengan
memperhitungkan bahwa luasan terakhir Anÿ1 harus dikeluarkan dari perhitungan luas
maksimum. Jika selama respons transien keseluruhan kita hanya memiliki sekali atau
kita tidak pernah memiliki u(t)=¯u, Indeks Area hanya diatur ke satu. Secara formal,
Indeks Area didefinisikan sebagai:
ÿ jika n < 3
AI := 1 maks{A1,...,Anÿ2} di (8.77)
ÿ nÿ1 i=1
tempat lain .
ÿ Ai
Dari Rumus (8.77) dapat disimpulkan bahwa nilai AI selalu dalam interval (0, 1).
Signifikansi indeks yang dirancang juga dapat dievaluasi dengan melakukan analisis
berikut. Pertimbangkan fungsi transfer T (s) dari sinyal gangguan beban (bekerja pada
input proses) ke variabel yang dimanipulasi (yaitu, output pengontrol) dalam sistem
kontrol umpan balik kesatuan standar:
C(s)P(s)
T (s) := ÿ (8.78)
1 + C(s)P(s)
dan asumsikan bahwa T(s) memiliki sepasang kutub dominan konjugat kompleks, yaitu,
dapat didekati dengan baik oleh fungsi transfer berikut (perhatikan bahwa ini tidak selalu
terjadi seperti yang akan dibahas pada Bagian 8.4.3):
1
T˜(s) := ÿ (8.79)
T 2 s2 + 2ÿT1s + 1.
1
Machine Translated by Google
0,8
0,6
daerah
indeks
0,4
0,2
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Perlu dicatat bahwa ketika teknik harus diterapkan dalam kasus praktis, kebisingan
harus dipertimbangkan. Karena Indeks Area ditentukan secara off-line, prosedur
penyaringan standar dapat diterapkan sebelum menghitung area yang berbeda.
Alternatifnya, cukup membuang dari analisis area Ai yang nilainya kurang dari
ambang batas yang telah ditentukan (karena sebenarnya disebabkan oleh kebisingan).
Ambang batas ini dapat ditentukan dengan mempertimbangkan sinyal kontrol untuk
interval waktu yang cukup lama ketika proses berada pada titik kesetimbangan dan
dengan menentukan luas maksimum antara dua persilangan berurutan sehubungan
dengan nilai keadaan tunaknya (yang terakhir dapat dihitung sebagai nilai rata-rata
dari sinyal kontrol itu sendiri dalam interval waktu yang dipertimbangkan).
Memang, prosedur ini sebenarnya mirip dengan yang didasarkan pada konsep noise
band (ÿAstr¨om et al., 1993). Bagaimanapun, karena prosedur keseluruhan didasarkan
pada kalkulus integral, itu secara inheren kuat terhadap kebisingan.
Perlu ditekankan lagi bahwa indeks osilasi R dan indeks area AI bergantung pada
estimasi prosedur deteksi beban mendadak seperti
Machine Translated by Google
yang dijelaskan pada bagian sebelumnya. Perhatikan bahwa dalam konteks ini
gangguan beban dianggap tiba-tiba ketika dinamikanya jauh lebih cepat daripada
dinamika sistem loop tertutup.
Sangat sering dalam kasus praktis tidak ada waktu yang cukup untuk mengoptimalkan
pengontrol selama pemasangan instalasi. Dengan demikian, parameter pengontrol
biasanya disetel dengan cara yang sangat konservatif untuk menghindari masalah
dengan kemungkinan perubahan kondisi pengoperasian.
Sebuah metodologi untuk (secara otomatis) mendeteksi putaran kontrol yang lamban
telah disajikan dalam (H¨agglund, 1999) dan dibahas lebih lanjut dalam (H¨agglund,
2005; Kuehl dan Horch, 2005). Hal ini didasarkan pada fakta bahwa, dengan adanya
gangguan beban bertahap yang tiba-tiba, respons yang lamban dicirikan oleh fakta
bahwa turunan pertama dari variabel yang dimanipulasi dan sinyal keluaran proses
memiliki tanda yang sama untuk periode yang lama. Dengan demikian, masuk akal
untuk menerapkan perhitungan berikut ke respon transien:
tpos - tneg
II = . (8.82)
tps + tneg
Idle Index juga dapat dihitung secara rekursif dengan menerapkan algoritme berikut
pada setiap pengambilan sampel instan:
jika ÿuÿy > 0 maka s = 1
selain itu jika ÿuÿy < 0 maka s = ÿ1
selain itu s = 0
jika s = 0 maka II = ÿII + (1 ÿ ÿ)s.
Parameter ÿ menentukan time horizon dalam filter dan dapat dikaitkan dengan waktu
supervisi Tsup = tpos + tneg perhitungan off-line melalui relasi berikut:
ÿt
ÿ=1ÿ . (8.83)
Tsup
Karena didasarkan pada peningkatan sinyal, prosedur ini cukup peka terhadap
kebisingan pengukuran. Untuk alasan ini perlu memfilter dua sinyal dengan tepat
(perhatikan bahwa jika prosedur off-line diterapkan noncausal
Machine Translated by Google
filter dapat diadopsi). Metode yang berbeda dalam konteks ini telah dibahas di
(Kuehl dan Horch, 2005). Misalnya, penggunaan strategi low-pass filtering dengan
reinitialization yang dipicu diusulkan. Ini terdiri dari memfilter sinyal dengan filter low-
pass standar, tetapi ketika penyimpangan antara input dan output filter melebihi
ambang batas yang diberikan ÿ, maka filter diinisialisasi ulang dengan nilai sinyal
saat ini (hal ini dilakukan untuk menghindari untuk melunakkan terlalu banyak sinyal
dan karena itu untuk menghindari perhitungan Indeks Idle yang salah).
Nilai ÿ dapat diatur dalam kisaran (0,4ÿ, 0,6ÿd), di mana ÿ menunjukkan standar
deviasi dari kebisingan dan ÿd adalah ukuran khas gangguan beban.
Sebagai alternatif, pendekatan regresi linier dapat digunakan, yaitu polinomial
dipasang ke data dalam pengertian kuadrat terkecil (urutan polinomial yang masuk
akal adalah sepuluh), dan pendekatan berdasarkan analisis wavelet (Daubechies,
1992) dapat dipertimbangkan demikian juga. Akhirnya, kuantisasi sinyal yang sudah
disaring disarankan.
Bagaimanapun, terbukti bahwa nilai II selalu dalam interval [ÿ1, +1] dan nilai positif
yang mendekati satu menunjukkan bahwa loop kontrol lamban. Masalah yang terkait
dengan penggunaan Idle Index adalah bahwa nilai negatif yang mendekati -1 dapat
diperoleh baik dari loop yang disetel dengan baik maupun dari loop osilasi. Dengan
demikian, teknik deteksi osilasi harus digunakan bersamaan dengan pendekatan
Idle Index.
Kinerja optimal yang dapat dicapai dalam hal kesalahan absolut terintegrasi (IAE)
untuk respons set-point telah diselidiki di (Huang dan Jeng, 2002). Secara khusus,
fungsi transfer pengontrol umum
J= |e(t)|dt (8.86)
0
dicari dengan menggunakan metode simpleks. Jika fungsi transfer loop orde pertama
dipertimbangkan, hasil fungsi transfer optimal menjadi:
0,76(1 + 0,47L)
Lÿ(s) = Ls (8.87)
Machine Translated by Google
Perlu dicatat bahwa fungsi transfer biproper telah dipertimbangkan karena adanya filter
tambahan (frekuensi tinggi) yang harus digunakan untuk membuat pengontrol yang tepat
tidak mempengaruhi hasil secara signifikan. Nilai optimal yang sesuai untuk kesalahan
absolut terintegrasi adalah Jÿ = 1,377L.
Demikian pula, jika fungsi transfer loop orde kedua dipertimbangkan, metode optimisasi
menghasilkan
dan nilai yang sesuai dari Jÿ adalah 1,314L. Kemudian, untuk fungsi transfer orde ketiga
adalah
dimana T adalah konstanta waktu proses. Untuk fungsi transfer SOPDT, itu adalah
di mana ÿ adalah faktor redaman, T adalah konstanta waktu proses jika Persamaan
(7.43) dipertimbangkan, T2 ÿ T1 adalah konstanta waktu proses pada Ekspresi (7.42),
dan
ÿ(ÿ)=1,1193ÿÿ0,9339 (8.93)
Sebaliknya, jika pengontrol PID dipertimbangkan, nilai berikut dihasilkan jika prosesnya
bertipe FOPDT:
Di mana
Melalui ekspresi sebelumnya, mudah untuk mengevaluasi kinerja pengontrol (PID) yang
diberikan dengan membandingkan kesalahan absolut terintegrasi yang diperoleh dengan
kesalahan optimal yang dapat dicapai.
Perlu ditekankan juga bahwa dari analisis sebelumnya, dapat disimpulkan bahwa
pengontrol PID mampu memberikan kinerja yang hampir optimal untuk proses FOPDT
(yaitu, efisiensinya sangat mendekati 100%), sedangkan untuk proses SOPDT mungkin
saja. layak untuk mempertimbangkan pengontrol struktur umum (efisiensi kontrol PID
sebagian besar sekitar 65%). Selanjutnya, tampaknya penggunaan tindakan turunan
memungkinkan untuk meningkatkan kinerja secara signifikan juga untuk proses FOPDT
(lihat Bagian 1.8).
Dalam kasus praktis, sangat berguna untuk menilai penyetelan pengontrol PI(D) untuk
memverifikasi apakah penyetelan ulang pengontrol harus dilakukan. Jelas, penilaian
harus dilakukan sehubungan dengan spesifikasi kontrol, karena, misalnya, mencapai
kinerja yang memuaskan dalam tugas penolakan gangguan beban secara umum
membutuhkan penyetelan yang berbeda dari yang diperlukan untuk mencapai kinerja
yang memuaskan dalam set-point berikut. tugas. Selanjutnya, berbagai jenis data operasi
dapat tersedia untuk menilai kinerja dan oleh karena itu diperlukan teknik yang berbeda
untuk diterapkan dalam konteks yang berbeda. Beberapa dari mereka disajikan
selanjutnya.
Metodologi yang diusulkan dalam (Swanda dan Seborg, 1999) didasarkan pada evaluasi
data respons set-point dan terkait dengan kinerja respons set-point dari kontroler PI.
Dasar pemikiran dari teknik ini adalah untuk membandingkan kinerja yang dicapai dengan
pengontrol PI yang disetel dengan aturan penyetelan Kontrol Model Internal
Machine Translated by Google
IAE
IAEd := (8.100)
|A|L
Kp(Tis + 1) K KKp
C(s)P(s) = eÿLs = eÿLs (8.101)
Ini Ts+1 Ini
Machine Translated by Google
R y
C P
Gambar 8.9. Skema untuk pendekatan berbasis umpan balik relai untuk penilaian kinerja PI
ment
di mana K, T dan L masing-masing adalah gain, konstanta waktu dan waktu mati
proses, dan Kp dan Ti adalah gain proporsional dan konstanta waktu integral dari
kontroler PI. Oleh karena itu, respons keluaran berbentuk segitiga (yaitu,
serangkaian tanjakan ke atas dan ke bawah), seperti yang ditunjukkan pada
Gambar 8.10. Setengah periode respons relai sama dengan waktu mati proses
(yaitu, L = Tu/2) dan kemiringan keluaran proses sesuai dengan K¯ := KKp/Ti (nilai
puncaknya A sama dengan KL¯ ). Sebaliknya, jika konstanta waktu proses kurang
dari konstanta waktu integral, respons umpan balik relai menunjukkan bentuk naik
turun cembung (lihat Gambar 8.11). Akhirnya, jika konstanta waktu proses lebih
besar dari konstanta waktu integral, respons umpan balik relai menunjukkan bentuk
cekung naik turun. Namun, tergantung pada ketajaman bentuknya, dua casing
dapat dengan mudah dibedakan. Jika rasio Ti/T lebih besar dari nilai kritis (Ti/T )c,
maka puncak yang tajam dapat diamati (lihat Gambar 8.12), jika tidak, akan terjadi
puncak yang membulat (lihat Gambar 8.13). Nilai (Ti/T )c yang bergantung pada
rasio L/T dapat dievaluasi melalui plot yang dilaporkan dalam (Thyagarajan et al.,
2003).
Pada titik ini, harus ditekankan bahwa kesalahan absolut terintegrasi minimum
dalam respons langkah set-point diperoleh ketika konstanta waktu integral sama
dengan
¯ konstanta waktu proses (yaitu, Ti = T ) dan nilai K/ L sama dengan 1,68.
Fakta ini, bersama dengan ekspresi analitis dari kurva keluaran yang diperoleh
dalam berbagai kasus yang disebutkan di atas, dapat dimanfaatkan untuk
menetapkan prosedur yang menilai kinerja pengontrol dan menyetel ulang
pengontrol untuk mencapai kinerja kesalahan absolut terintegrasi minimum. Jadi,
jika bentuk kurva output adalah segitiga, ini berarti sudah Ti = T dan oleh karena
itu gain proporsional dapat dioptimalkan dengan menerapkan langkah-langkah
berikut:
1. Perkirakan waktu mati proses L dengan mengukur setengah periode respons
relai dan mengukur amplitudo puncak A.
2. Hitung Kold = L/A.
3. Hitung Tahu baru = 1,68L.
4. Tetapkan nilai baru dari gain proporsional Kp,new ke Kp,oldKold/K¯new, di
mana Kp,old adalah nilai yang diadopsi sebelumnya.
Sebaliknya, jika bentuk keluaran proses mirip dengan Gambar 8.11, berarti Ti > T
dan oleh karena itu prosedur berikut harus diterapkan.
Machine Translated by Google
1. Perkirakan waktu mati L dari proses dengan mengukur interval antara pergantian relai dan
amplitudo puncak keluaran proses secara berturut-turut. Ukur juga nilai A dan periode
ultimate Tu.
2. Nilai K¯ (K¯ = K¯old) dan T dapat diturunkan dengan menyelesaikan dua persamaan berikut
(perhatikan bahwa nilai Ti diketahui):
Tu Ti ÿ T 2
ÿ
1ÿ ÿ A = 0, (8.102)
4K¯ K¯ 1 + eÿ
Tu
2T
Tu/2ÿL
Tu/4 ÿ L Ti ÿ T 2eÿ T
ÿ
1ÿ ÿ A = 0. (8.103)
K¯ K¯ 1 + eÿ
Tu
2T
(Kp,lama)(Ti,baru)(K¯lama)
.
(Ti,lama)(Tahu)
Estimasi awal untuk K¯ dan T dalam prosedur numerik yang harus diterapkan untuk
menyelesaikan Persamaan (8.102) dan (8.103) dapat diambil sebagai K¯ = L/A dan T = 0.8Ti.
Prosedur yang sama harus diterapkan jika bentuk output relai mirip dengan Gambar 8.12 (yaitu,
Ti < T ) dan oleh karena itu diketahui bahwa (Ti/T )c ÿ (Ti/T ). Satu-satunya perbedaan adalah
perkiraan awal T harus ditetapkan ke 1,2Ti.
Terakhir, jika bentuk output relai mirip dengan yang ditunjukkan pada Gambar 8.13 dan oleh
karena itu (Ti/T )c > (Ti/T ), algoritma berikut harus diterapkan.
1. Perkirakan (perkiraan) waktu mati Lÿ dari proses dengan mengukur kembali waktu yang
berlalu dari nol hingga nilai puncak keluaran proses.
Ukur juga nilai A dan periode ultimate Tu.
2. Nilai K¯ (K¯ = K¯old) dan T dapat diturunkan dengan menyelesaikan dua persamaan berikut
(perhatikan bahwa nilai Ti diketahui):
Tu T 2(T ÿ Ti) T - Ti
ÿ
ÿ
1 + ln ÿ A = 0, + (8.104)
4K¯ K¯ Tu K¯
T (1 + eÿ 2T )
Tu/2ÿL
Tu/4 ÿ L Ti ÿ T 2eÿ T
ÿ
1- ÿ A = 0. (8.105)
K¯ K¯ 1 + eÿ
Tu
2T
2(T ÿ Ti)
L = Lÿ ÿ T ln . (8.106)
Tu
T (1 + eÿ 2T )
Machine Translated by Google
0,8
0,6
0,4
0,2
0,2
0,4
0,6
0,8
Gambar 8.10. Keluaran proses (garis padat) dan keluaran relai (garis putus-putus) ketika konstanta waktu
proses sama dengan konstanta waktu integral
0,5
0,5
0 5 10 15 20 25 30
kali
Gambar 8.11. Keluaran proses (garis padat) dan keluaran relai (garis putus-putus) ketika konstanta waktu
proses kurang dari konstanta waktu integral
Machine Translated by Google
0,8
0,6
0,4
0,2
0,2
0,4
0,6
0,8
0 1 2 3 4 5 6 7
waktu
Gambar 8.12. Output proses (garis padat) dan output relai (garis putus-putus) ketika konstanta waktu
proses lebih besar dari konstanta waktu integral (dan (Ti/T) > (Ti/T)c)
0,8
0,6
0,4
0,2
0,2
0,4
0,6
0,8
0 5 10 15 20 25 30
kali
Gambar 8.13. Keluaran proses (garis padat) dan keluaran relai (garis putus-putus) ketika konstanta waktu
proses lebih besar dari konstanta waktu integral (dan (Ti/T) < (Ti/T)c)
Machine Translated by Google
(Kp,lama)(Ti,baru)(K¯lama)
.
(Ti,lama)(Tahu)
Dalam (Thyagarajan et al., 2003) telah ditunjukkan bahwa metodologi ini juga efektif
untuk proses tingkat tinggi (walaupun kinerja yang dicapai jelas kurang optimal). Namun,
berdasarkan penggunaan tes umpan balik relai, ini masuk akal untuk kebisingan
pengukuran dan oleh karena itu prosedur penyaringan kebisingan yang harus diadopsi
dalam kasus praktis harus dipilih dengan hati-hati.
Suatu pendekatan untuk menilai kinerja penolakan gangguan beban dari pengontrol PI
(dalam hal kesalahan mutlak terintegrasi IAE) telah diusulkan di (Visioli, 2006). Ini
didasarkan pada evaluasi simultan Indeks Area dan Indeks Idle ketika terjadi gangguan
beban bertahap. Akibatnya, panduan tentang cara meningkatkan penyetelan pengontrol
diberikan.
Sebenarnya, terbukti bahwa pengontrol yang disetel dengan baik memberikan nilai Idle
Index II yang rendah dan pada saat yang sama nilai menengah dari Area Index AI,
karena ini berarti loop kontrol tidak lamban atau berosilasi. Namun, mengevaluasi nilai
dari kedua indeks tersebut dapat memberikan indikasi bagaimana meningkatkan
penyetelan. Pedoman dalam konteks ini diturunkan dari analisis berbagai proses dengan
fungsi transfer FOPDT dan dengan waktu mati normal yang berbeda. Secara khusus,
setelah menerapkan metodologi yang disajikan dalam (Silva et al., 2002), rangkaian
pengontrol PI stabilisasi telah ditentukan dan untuk setiap pengontrol PI yang ditentukan
dengan cara ini, respons gangguan beban langkah satuan telah disimulasikan dan nilai
yang sesuai AI, II dan IAE telah dihitung. Berdasarkan hasil yang diperoleh, aturan yang
disajikan pada Tabel 8.2 telah dirancang untuk menilai penyetelan parameter PI. Nilai
Indeks Area dianggap rendah jika kurang dari 0,35, sedang jika 0,35 < AI < 0,7 dan
tinggi jika lebih besar dari 0,7. Nilai Idle Index dianggap rendah jika kurang dari -0,6,
sedang jika ÿ0,6 < II < 0 dan tinggi jika lebih besar dari nol.
Meskipun aturan ini mungkin tampak agak intuitif, ada baiknya membahas dua di
antaranya secara mendetail. Pertama, kasus ketika nilai AI rendah dan nilai II sedang/
tinggi diperiksa, karena ini tampaknya menjadi dua hasil yang menunjukkan loop osilasi
dari satu sisi (AI) dan loop lamban dari sisi lain (II ). Situasi dapat dievaluasi dengan
mempertimbangkan hal-hal berikut
proses
1
P(s) = eÿ5s (8.107)
10s + 1
dikendalikan oleh pengontrol PI yang parameternya adalah Kp = 1,81 dan Ti = 20
(perhatikan bahwa parameter yang memberikan IAE minimum 6,11 adalah
Machine Translated by Google
Tabel 8.2. Aturan penilaian penyetelan PI. (*): tes tambahan berguna (lihat teks).
Kp = 1.81 dan Ti = 10.36 dengan nilai AI yang sesuai = 0.61 dan II = ÿ0.71).
Tanggapan gangguan beban langkah satuan dan variabel kontrol yang sesuai
diplot pada Gambar 8.14. Nilai yang dihasilkan dari Indeks Area dan Indeks
Menganggur masing-masing adalah AI = 0,14 dan II = ÿ0,21 (sementara IAE =
11,03). Tampaknya dalam kasus ini nilai AI yang rendah tidak terkait dengan loop
osilasi tetapi dengan loop kontrol di mana dinamika fungsi sensitivitas
komplementer (lihat (8.79)) tidak didominasi oleh sepasang kutub konjugasi
kompleks.
Jadi, meskipun dalam hal ini Indeks Area tidak menunjukkan faktor redaman
sistem loop tertutup, namun memberikan informasi penting bahwa nilai konstanta
waktu integral terlalu tinggi. Perlu dicatat bahwa kesimpulan ini tidak dapat ditarik
dengan mudah jika teknik yang mengungkapkan perilaku osilasi dari variabel
yang dimanipulasi (misalnya, dengan mempertimbangkan fungsi korelasi
otomatis) hanya digunakan. Misalnya, metode yang diusulkan dalam (Miao dan
Seborg, 1999) memberikan indeks osilasi yang hampir sama R dalam dua kasus
Ti = 10,36 dan Ti = 20 (hasilnya masing-masing R = 0,37 dan R = 0,39 jika
variabel kontrol dianalisis dan R = 0,08 dan R = 0 jika output proses dianalisis,
artinya, tidak ada osilasi signifikan yang terdeteksi dalam kedua kasus).
Kasus kedua yang layak didiskusikan adalah ketika nilai AI dan II keduanya
rendah. Ini berarti bahwa loop kontrol terlalu berosilasi dan fakta ini dimotivasi
oleh nilai tinggi dari gain proporsional pengontrol dan/atau oleh nilai konstanta
waktu integral yang rendah. Untuk memberikan informasi tambahan yang mungkin
tentang nilai Ti , sangat berguna untuk menghitung indeks sederhana lain yang
terkait dengan sinyal keluaran proses. Fakta ini dijelaskan oleh hasil yang
ditunjukkan pada Gambar 8.15 dan 8.16 dimana sekali lagi proses yang
dimodelkan dengan fungsi transfer (8.107) telah dipertimbangkan. Dalam kasus
pertama parameter PI adalah Kp = 3 dan Ti = 20 dan oleh karena itu respon
osilasi disebabkan oleh nilai gain proporsional yang terlalu tinggi.
Indeks yang dihasilkan adalah AI = 0,19 dan II = ÿ0,9 (terintegrasi yang dihasilkan
Machine Translated by Google
kesalahan mutlak adalah IAE = 9,75). Dalam kasus kedua parameter PI adalah
Kp = 2.2 dan Ti = 6.5 dan oleh karena itu respon osilasi disebabkan oleh nilai
gain proporsional yang terlalu tinggi dan nilai konstanta waktu integral yang
terlalu rendah. Indeks yang dihasilkan adalah AI = 0,23 dan II = ÿ0,64
(kesalahan absolut terintegrasi yang sesuai adalah IAE = 14,02).
Tampaknya dua indeks yang dipertimbangkan tidak cukup untuk membedakan
kedua situasi tersebut. Namun, melihat fungsi output proses menyarankan
untuk menghitung indeks baru (disebut Indeks Output OI), yaitu, rasio antara
jumlah area negatif sehubungan dengan nilai kondisi-mapan akhir dan jumlah
semua area dengan pengecualian yang pertama (perhatikan bahwa gangguan
beban langkah positif telah diasumsikan di sini tanpa kehilangan keumuman).
Jika keluaran proses tidak pernah memotong nilai keadaan tunaknya, maka
harus ditetapkan hanya OI = 0. Pilihan ini dilatarbelakangi oleh fakta bahwa
ketika Kp dan Ti sama-sama tinggi, dinamika fungsi alih dari gangguan beban
untuk keluaran proses tidak didominasi oleh sepasang kutub konjugasi
kompleks saja. Nilai OI yang dihasilkan masing-masing adalah 0,26 dan 0,56
untuk kasus pertama dan kedua.
Meringkas, ketika nilai Indeks Area dan Indeks Menganggur rendah, akan lebih
mudah untuk mengevaluasi Indeks Output yang dirancang. Dalam kasus OI <
0,35 dapat disimpulkan bahwa nilai gain proporsional dan konstanta waktu
integral terlalu tinggi. Jika tidak, respon osilasi disebabkan oleh nilai Kp yang
terlalu tinggi dan/atau nilai Ti yang terlalu rendah.
0,5
0,4
0,3
variabel
proses
0,2
0,1
0
0 50 100 150
waktu
0,2
0,4
variabel
kontrol
0,6
0,8
0 50 100 150
waktu
Gambar 8.14. Contoh respons gangguan beban untuk nilai Ti yang terlalu tinggi
Machine Translated by Google
0,5
0,4
0,3
variabel
proses
0,2
0,1
0,1
0,2
0 20 40 60 80 100 120 140 160 180 200
kali
0,5
variabel
kontrol
1.5
Gambar 8.15. Contoh respon gangguan beban untuk nilai Kp dan Ti yang terlalu tinggi
0,4
0,2
variabel
proses
0,2
0,4
0 20 40 60 80 100 120 140 160 180 200
kali
0,5
variabel
kontrol
1.5
2
0 20 40 60 80 100 120 140 160 180 200
kali
Gambar 8.16. Contoh respon gangguan beban untuk nilai Kp yang terlalu tinggi dan nilai Ti yang terlalu
rendah
Machine Translated by Google
0,3
0,25
0,2
0,15
variabel
proses
0,1
0,05
0,05
0 5 10 15 20 25 30 35 40
kali
0,5
variabel
kontrol
1.5
0 5 10 15 20 25 30 35 40
kali
Gambar 8.17. Respon gangguan beban untuk P1(s) dengan Kp = 4.61 dan Ti = 6.06 (IAE = 1.42, AI =
0.61, II = ÿ0.81)
Perlu dicatat pada titik ini bahwa, dengan penurunan waktu mati yang dinormalisasi,
parameter PI yang meminimalkan nilai IAE cenderung menghasilkan variabel kontrol
yang lebih berosilasi. Aplikasi di mana variabel kontrol yang terlalu berosilasi tidak
diinginkan dapat dengan mudah ditangani dengan metodologi yang dirancang, karena
rentang nilai sedang dari Indeks Area dapat dimodifikasi sesuai untuk memenuhi
spesifikasi operator. Selanjutnya, harus diperhitungkan bahwa, sebagaimana telah
disebutkan, respons osilasi dapat disebabkan oleh parameter pengontrol yang tidak
sesuai atau oleh adanya stiction yang berlebihan pada aktuator. Jadi, sebelum
menerapkan metodologi yang dirancang, adalah bijaksana untuk menentukan apakah
katup memerlukan perawatan. Hal ini dapat dilakukan dengan menerapkan satu (atau
lebih) dari algoritma berbeda yang diusulkan untuk tujuan ini (lihat Bagian 8.4.1).
Sebagai contoh ilustrasi penggunaan gabungan Indeks Area dan Indeks Area,
pertimbangkan proses berikut:
1
P1(s) = eÿ2s (8.108)
10s + 1
Parameter PI yang meminimalkan indeks IAE adalah Kp = 4.61 dan Ti = 6.06 dan
indeks yang sesuai adalah IAE = 1.42, AI = 0.61 dan II = ÿ0.81.
Jadi, menurut Tabel 8.2, metode yang diusulkan menunjukkan dengan benar bahwa
pengontrol disetel dengan baik. Tanggapan gangguan beban step unit, bersama-sama
Machine Translated by Google
0,35
0,3
0,25
variabel
proses
0,2
0,15
0,1
0,05
0
0 5 10 15 20 25 30 35 40
kali
0,2
0,4
variabel
kontrol
0,6
0,8
1.2
0 5 10 15 20 25 30 35 40
kali
Gambar 8.18. Respon gangguan beban untuk P1(s) dengan Kp = 2 dan Ti = 6.06 (IAE = 2.02, AI = 0.97,
II = ÿ0.68)
dengan sinyal variabel yang dimanipulasi yang sesuai diplot pada Gambar 8.17.
Kemudian, telah ditetapkan Kp = 2 (tetap sama dengan nilai konstanta waktu
integral sebelumnya). Performansi yang diperoleh ditunjukkan pada Gambar 8.18
dan indeks yang dihitung adalah AI = 0,97 dan II = ÿ0,68. Dengan demikian, nilai
keuntungan proporsional yang terlalu rendah dikenali oleh teknik yang dirancang.
Sebagai contoh lain, proses urutan keempat berikut telah dipertimbangkan:
1
P2(s) = (8.109)
(s + 1)4
Perhatikan bahwa (8.109) dapat didekati dengan fungsi transfer FOPDT dengan
konstanta waktu T = 2.1 dan waktu mati L = 1.9. Penyetelan optimal adalah Kp =
1,65 dan Ti = 4,15, yang menyiratkan IAE minimum 2,79 dan AI = 0,36 dan II =
ÿ0,80.
Respons sistem kontrol terhadap gangguan beban langkah satuan diplot pada
Gambar 8.19. Dengan menurunkan kedua nilai penguatan proporsional dan
konstanta waktu integral menjadi Kp = 1,2 dan Ti = 2, diperoleh hasil yang
ditunjukkan pada Gambar 8.20. Nilai yang sesuai dari indeks yang dipertimbangkan
adalah IAE = 4.07, AI = 0.40 dan II = ÿ0.55. Dari Tabel 8.2 didapatkan bahwa
kedua parameter PI terlalu rendah.
Perlu dicatat bahwa sementara teknik yang diusulkan menegaskan bahwa
Machine Translated by Google
0,6
0,4
variabel
proses
0,2
0,2
0 5 10 15 20 25 30 35 40
kali
0,5
variabel
kontrol
1,5
0 5 10 15 20 25 30 35 40
kali
Gambar 8.19. Respon gangguan beban untuk P2(s) dengan Kp = 1.65 dan Ti = 4.15 (IAE = 2.79, AI =
0.36, II = ÿ0.80)
tuning yang baik nilai kesalahan absolut terintegrasi yang dicapai tidak jauh dari
optimal. Perhatikan juga bahwa, karena teknik keseluruhan didasarkan pada sistem
loop tertutup, efek ketidakpastian model (yaitu perbedaan antara dinamika aktual
dan model FOPDT yang menjadi dasar metode ini) berkurang.
Hasil eksperimen untuk tugas kontrol level telah diperoleh dengan menggunakan
peralatan laboratorium yang dijelaskan di Bagian A.1.
Tangki tunggal telah digunakan dan aliran masuk kedua (digerakkan oleh pompa
kedua) telah digunakan sebagai input gangguan. Secara khusus, ketika sistem
dalam keadaan tunak dengan sensor keluaran proses pada 3 V, pompa kedua
diaktifkan dengan menerapkan sinyal langkah dari 0 hingga 1,8 V. Penundaan
waktu 10 detik telah ditambahkan melalui perangkat lunak ke input pabrik untuk
meningkatkan waktu mati sistem yang dinormalisasi. Tiga percobaan disajikan di
sini setelahnya. Pada percobaan pertama, parameter PI telah ditetapkan dengan
Kp = 0,5 dan Ti = 50. Respon beban diplot pada Gambar 8.21. Metode pendeteksian
respons beban mendadak yang dijelaskan dalam Bagian 8.4.1, berdasarkan
penyaringan high-pass dari variabel proses dan variabel kontrol, telah diterapkan,
memberikan hasil yang ditunjukkan pada Gambar 8.22. Tampaknya perubahan
beban yang cukup tiba-tiba telah terdeteksi, sehingga metode yang diusulkan dapat diterapkan.
Indeks yang dihitung adalah AI = 1 dan II = 0,22 (kesalahan absolut terintegrasi
adalah 106,5) dan oleh karena itu Tabel 8.2 menyarankan untuk meningkatkan proporsi
Machine Translated by Google
0,6
0,4
0,2
variabel
proses
0,2
0,4
0 10 20 30 40 50 60
kali
0,5
variabel
kontrol
1.5
0 10 20 30 40 50 60
kali
Gambar 8.20. Respon gangguan beban untuk P2(s) dengan Kp = 1.2 dan Ti =2(IAE = 4.07, AI = 0.40, II =
ÿ0.55)
Tabel 8.3. Rangkuman hasil eksperimen untuk metode penilaian penyetelan kontroler PI
Kp Ti AI II IAE
0,5 50 1 0,22 106,5
4.2
3.8
3.6
variabel
proses
[V]
3.4
3.2
2.8
0 50 100 150 200 250 300
kali [dtk]
2.4
2.2
2
variabel
kontrol
[V]
1.8
1.6
1.4
1,2
0 50 100 150 200 250 300
waktu]
Gambar 8.21. Respon gangguan beban percobaan dengan Kp = 0.5 dan Ti = 50 (IAE = 106.5, AI = 1, II =
0.22)
0,15
0,1
0,05
0,05
0,1
0,15
0,2
0 50 100 150 200 250 300
kali [dtk]
Gambar 8.22. Hasil evaluasi perubahan beban mendadak pada kasus hasil eksperimen untuk Kp = 0,5
dan Ti = 50. Solid line: variabel proses tersaring; garis putus-putus: variabel kontrol yang difilter; garis
putus-putus: ambang batas.
Machine Translated by Google
3.5
variabel
proses
[V]
2,5
0 50 100 150 200 250
waktu]
2.5
variabel
kontrol
[V]
1.5
0,5
0 50 100 150 200 250
waktu]
Gambar 8.23. Respon gangguan beban eksperimental dengan Kp = 1 dan Ti = 25 (IAE = 49.17, AI = 0.25,
II = ÿ0.73)
3.8
3.6
variabel
proses
[V]
3.4
3.2
2.5
variabel
kontrol
[V]
1.5
Gambar 8.24. Respon gangguan beban eksperimental dengan Kp = 0.8 dan Ti = 25 (IAE = 34.83, AI =
0.40, II = ÿ0.69)
Machine Translated by Google
Diskusi
Dari analisis yang disajikan, tampak bahwa terdapat metodologi yang berbeda
untuk kebutuhan kinerja yang berbeda. Dalam konteks praktis, pengguna harus
memilih teknik yang sesuai untuk aplikasi tertentu.
Bagaimanapun, perlu disoroti bahwa hasil yang paling relevan berhubungan
dengan pengontrol PI dan mengasumsikan bahwa proses tersebut dijelaskan oleh
dinamika FOPDT (walaupun mereka kuat sehubungan dengan ketidakpastian
pemodelan). Dengan demikian, masih ada kebutuhan untuk menyusun metode
efektif yang mampu memberikan penilaian penalaan untuk pengontrol PID (di mana
tindakan turunan digunakan) dan untuk proses dengan dinamika integral dan osilasi.
Masalah bagaimana menilai kinerja sistem kontrol yang diberikan telah dibahas
dalam bab ini. Telah ditekankan bahwa metodologi yang berbeda tersedia untuk
persyaratan kinerja yang berbeda. Memang, diyakini bahwa paket penilaian kinerja
sebenarnya harus terdiri dari sekumpulan fungsi, yang masing-masing berhubungan
dengan situasi tertentu. Dengan demikian, peran masing-masing metode dalam
situasi tertentu harus diuraikan dengan jelas.
Literatur menyajikan sejumlah besar kontribusi pada masalah penilaian kinerja dan
upaya penelitian terus meningkat dalam beberapa tahun terakhir. Dalam bab ini
hanya beberapa gagasan tentang bagaimana masalah dapat diatasi dalam kasus-
kasus praktis telah disajikan. Untuk investigasi topik yang lebih dekat, ulasan yang
sangat baik dapat ditemukan di (Jelali, 2006). Tinjauan lain untuk pendekatan
varians minimum telah disajikan dalam (Qin, 1998; Harris et al., 1999). Perspektif
industri dapat ditemukan di (Kozub, 2002; Paulonis dan Cox, 2003). Metodologi
lanjutan telah disajikan dalam edisi khusus International Journal of Adaptive Control
and Signal Processing yang diterbitkan pada bulan September-November 2003.
Machine Translated by Google
Struktur Kontrol
9.1 Pendahuluan
Salah satu alasan sukses besar kontroler PID adalah bahwa mereka juga dapat
digunakan sebagai komponen dasar untuk sistem kontrol yang lebih maju
sehingga tugas kontrol yang (relatif) kompleks dapat diatasi dengan tetap
memanfaatkan pengetahuan yang tersedia. Bab ini berfokus pada dua struktur
kontrol yang banyak diterapkan di industri, yaitu (seri) kontrol kaskade dan kontrol
rasio, yang masih menjadi subjek investigasi baru untuk menemukan metodologi
yang memungkinkan peningkatan kinerja dan/atau untuk menyederhanakan
kontrol keseluruhan. desain sistem.
Tipikal sistem kontrol kaskade seri ditunjukkan pada Gambar 9.1. Demi
kesederhanaan, di sini hanya dua loop bersarang yang dipertimbangkan tetapi
pendekatannya dapat digeneralisasikan ke lebih banyak loop. Fungsi transfer
proses dilambangkan dengan P(s) = P2(s)P1(s), y1 adalah output primer, y2
adalah output sekunder, C2 adalah pengontrol sekunder (atau slave) dan C1
adalah pengontrol primer (atau master). ) controller (tampaknya sinyal output dari
master controller berfungsi sebagai set-point untuk slave controller). Secara analog, loop dalam
Machine Translated by Google
R y2 y1
C1 C2 P2 P1
dinominasikan sebagai loop sekunder, sedangkan loop luar didenominasi sebagai loop
primer.
Secara intuitif, jika P1(s) merepresentasikan dinamika lambat dari proses dan P2(s)
merepresentasikan dinamika cepat, efektivitas sistem kontrol kaskade disebabkan oleh
fakta bahwa gangguan yang mempengaruhi loop sekunder (cepat) dikompensasikan
secara efektif. sebelum mereka mempengaruhi output proses utama y1. Secara formal,
fungsi transfer dari gangguan beban d ke variabel proses y1 adalah
P1(s)P2(s)
T (s) := . (9.1)
1 + C2(s)P2(s) + C1(s)C2(s)P1(s)P2(s)
Oleh karena itu, persamaan karakteristiknya adalah
sementara, jika kontrol umpan balik konvensional (satu putaran) digunakan, persamaan
karakteristiknya adalah
1 + C(s)P1(s)P2(s)=0, di (9.3)
mana C(s) adalah kontroler loop tunggal. Ketika dinamika loop sekunder lebih cepat
daripada dinamika loop primer, sistem kontrol kaskade memiliki karakteristik stabilitas
yang lebih baik dan karenanya keuntungan yang lebih tinggi dalam loop primer dapat
diadopsi.
Berdasarkan fakta ini, terlihat bahwa peningkatan kinerja kontrol kaskade lebih signifikan
ketika gangguan bekerja di loop dalam dan ketika sensor sekunder ditempatkan untuk
memisahkan sejauh mungkin dinamika cepat dari proses yang lambat. dinamika
(Krishnaswami et al., 1990).
Sebenarnya, ketika proses sekunder menunjukkan waktu mati yang signifikan atau ada
nol (positif) yang tidak stabil, penggunaan kontrol kaskade pada umumnya tidak berguna
(memperhitungkan biaya tambahan karena sensor sekunder dan pengontrol sekunder) .
Sebagai keuntungan tambahan, ketidaklinieran proses di loop dalam ditangani oleh loop
itu dan karenanya dihapus dari loop luar yang lebih penting.
Dalam konteks ini, parameter dari keseluruhan sistem kontrol harus dipilih untuk
memberikan penyetelan yang ketat pada loop dalam (terkait dengan loop luar).
Perhatikan bahwa kehadiran integrator di loop dalam tidak sepenuhnya diperlukan
karena kesalahan keadaan tunak nol dapat dijamin oleh loop luar.
Perlu ditekankan bahwa jika tindakan integral digunakan baik di master dan
Machine Translated by Google
Suatu teknik berdasarkan umpan balik relai untuk penyetelan otomatis pengontrol
kaskade telah diusulkan dalam (Hang et al., 1994). Ini pada dasarnya terdiri dari
penerapan pendekatan umpan balik relai standar (lihat Bab 7) terlebih dahulu ke loop
sekunder (dengan loop primer ditempatkan dalam mode manual) dan kemudian ke
loop primer (dengan pengontrol umpan balik sekunder sudah disetel). Sebenarnya,
aturan penyetelan apa pun yang didasarkan pada perolehan tertinggi dan frekuensi
tertinggi dari proses dapat diterapkan dalam konteks ini.
Hebatnya, rasio frekuensi ultimate yang diperoleh dalam dua langkah ini dapat
diadopsi untuk menilai apakah pengontrol kaskade layak diterapkan (karena ini
menunjukkan rasio kecepatan loop). Lebih lanjut, penyetelan pengontrol sekunder
yang disempurnakan dapat dilakukan (dalam loop tertutup) dengan menerapkan
kembali pengontrol umpan balik relai ke loop sekunder dengan loop primer tertutup
(yaitu, dengan pengontrol PID yang sebelumnya disetel yang bertindak sebagai
pengontrol utama) . Penyempurnaan yang sama dapat dilakukan juga pada pengontrol
utama.
Metode yang disajikan pada bagian sebelumnya memiliki kelemahan yaitu sebenarnya
dilakukan penyetelan berurutan (dan karenanya memakan waktu). A
Machine Translated by Google
R r1 y2
r2 y1
C1 C2 P2 P1
teknik yang memungkinkan pencapaian penyetelan simultan dari dua pengontrol telah
diusulkan dalam (Tan et al., 2000). Di dalamnya diasumsikan bahwa kedua pengontrol
sudah (secara kasar) disetel (terutama untuk menstabilkan proses). Kemudian, skema yang
ditunjukkan pada Gambar 9.2 diterapkan untuk menyetel dua pengontrol secara online
secara bersamaan. Secara khusus, dilambangkan dengan C1,0(s) dan C2,0(s) fungsi
transfer dari dua pengontrol awal dan dengan ÿu frekuensi ultimate yang diperoleh dari
percobaan. Analisis Fourier atau Spektral, dengan jendela pembobotan yang sesuai,
kemudian diterapkan pada sinyal r2 dan y2 untuk menentukan Tr2y2,0(jÿu), di mana Tr2y2
menunjukkan fungsi transfer loop tertutup dari loop dalam. Kemudian, respon frekuensi
dari proses sekunder pada ÿ = ÿu dapat diturunkan sebagai
Tr2y2,0(jÿu)
P2(jÿu) = (9.4)
C2,0(jÿu) (1 ÿ Tr2y2,0(jÿu)).
Respons frekuensi yang diinginkan T¯r2y2 (jÿu) sekarang harus ditentukan oleh pengguna.
Ini dapat dilakukan dengan mudah dengan mempertimbangkan prototipe first-order-plus-dead-time
(FOPDT) fungsi transfer
1
T r2y2 (s) = eÿL2s. (9.5)
T2s + 1
Nilai (yang diinginkan) dari waktu mati dan konstanta waktu dapat dipilih, mulai dari
eksperimen umpan balik relai, dengan asumsi bahwa
0,5 1 ÿ ÿ2 + ÿ2
T2 = (9.7)
ÿu (ÿ2 + ÿ2)
Dan
1
L2 = ÿu arccos(ÿ ÿ ÿÿuT2). (9.8)
Setelah Tr2y2 (jÿu) telah ditentukan, respons frekuensi dari pengontrol sekunder baru pada
ÿ = ÿu dapat dihitung sebagai
T¯r2y2 (jÿu)
C2(jÿu) = . (9.9)
P2(jÿu) 1 ÿ T¯ r2y2 (jÿu)
Machine Translated by Google
Mulai dari ungkapan ini dan menyatakan C2(jÿu) sebagai ÿ2 + jÿ2, parameter pengontrol
sekunder PID (dalam bentuk ideal) kemudian ditentukan sebagai:
ÿ2
Ti2 = ÿ , (9.11)
ÿ2ÿu
Tr1y1,0(jÿu)
P1(jÿu) = (9.13)
Tr2y2,0(jÿu)C1,0(jÿu) (1 ÿ Tr1y1,0(jÿu)).
Kemudian, prototipe respon frekuensi loop primer pada ÿ = ÿu, de dicatat sebagai T¯
r1y1 (jÿu) ditentukan untuk loop sekunder (lihat (9.6)–(9.8)).
T r1y1 (jÿu)
C1(jÿu) = . (9.14)
P1(jÿu)T¯ r2y2 (jÿu) 1 ÿ T¯ r1y1 (jÿu)
ÿ1
Ti1 = ÿ , (9.16)
ÿ1ÿu
Sedangkan untuk pengontrol slave, pengontrol PI dapat diadopsi hanya dengan menetapkan
Td1 = 0.
Untuk mengilustrasikan metodologi, diberikan contoh berikut.
Pertimbangkan prosesnya
1
P1(s) = (9.18)
(5s + 1)2eÿ4s ,
1
eÿ0.2s.
P2(s) = (9.19)
s+1
Machine Translated by Google
1.4
1.2
0,8
variabel
proses
0,6
0,4
0,2
0
0 50 100 150 200 250 300 350 400 450
waktu
Gambar 9.3. Variabel proses sebelum (garis putus-putus) dan setelah (garis padat) relai memberi umpan
balik penyetelan otomatis secara bersamaan
Dan
Kp2 = 0,5, Ti2 = 4, Td2 = 0. (9.21)
Setelah penerapan metodologi, parameter pengontrol PID ditentukan sebagai
(perhatikan bahwa tindakan turunan dari pengontrol sekunder tidak diadopsi):
Dan
Kp2 = 0,56, Ti2 = 2,14, Td2 = 0. (9.23)
Variabel proses sebelum dan sesudah penyempurnaan penyetelan diplot pada
Gambar 9.3. Secara khusus, percobaan terdiri dari penerapan dalam kedua kasus
langkah unit dalam sinyal set-point pada waktu t = 0 dan langkah unit gangguan
beban pada waktu t = 250. Tampaknya kinerja telah ditingkatkan secara signifikan
baik sehubungan ke set-point berikut dan ke tugas penolakan gangguan beban.
Namun, harus ditekankan lagi bahwa penyetelan (kasar) dari kedua pengontrol
harus dilakukan sebelum menerapkan teknik tersebut.
Machine Translated by Google
Sebuah teknik berdasarkan respon langkah untuk identifikasi simultan proses primer
dan sekunder telah disajikan dalam (Visioli dan Piazzi, 2006). Ini terdiri dari
penerapan sinyal langkah ke proses P(s). Fungsi transfer FOPDT dari dinamika
cepat proses dapat diperkirakan dengan mengevaluasi respons langkah P2(s),
misalnya dengan menerapkan metode area (lihat Bagian 7.2.1).
Pada saat yang sama, model untuk dinamika lambat dari proses dapat diestimasi
dengan mempertimbangkan sinyal masukannya y2 dan sinyal keluarannya y1 dan
dengan menerapkan prosedur kuadrat terkecil, seperti yang diusulkan dalam (Sung
et al. , 1998) yang didasarkan pada sinyal input dan output terintegrasi dan oleh
karena itu secara inheren kuat untuk pengukuran kebisingan (lihat lagi Bagian
7.2.1). Model yang diperoleh (mungkin orde tinggi) kemudian dapat dikurangi jika
aturan penyetelan yang memerlukan FOPDT atau model SOPDT dari proses utama
digunakan (lihat bagian berikutnya). Perlu dicatat bahwa, karena dinamika P2 dan
P1 yang berbeda, respons langkah P2 memang merupakan sinyal yang cukup
menarik untuk diadopsi sebagai sinyal input untuk estimasi berbasis kuadrat terkecil dari P1(s).
Metodologi untuk penyetelan simultan dari dua pengontrol dalam sistem kontrol
kaskade telah diusulkan di (Lee et al., 1998a). Ini didasarkan pada metodologi
desain Internal Model Control (IMC) (Morari dan Zafiriou, 1989) dan pada
pengurangan pengontrol yang diperoleh melalui perluasan seri Maclaurin. Secara
khusus, fungsi transfer proses sekunder dapat ditulis sebagai
di mana P2a(s) adalah bagian all-pass dari fungsi transfer yang berisi semua
dinamika fase nonminimum (P2a(0) = 1). Kemudian, fungsi transfer loop dalam
yang diinginkan ditentukan sebagai
P2a(s)
T r2y2 (s) = (9.25)
(ÿ2s + 1)n2
di mana ÿ2 adalah konstanta waktu yang dipilih pengguna dari filter IMC dan nilai
n2 dipilih untuk membuat pengontrol yang dihasilkan tepat. Pengontrol sekunder
kemudian dapat ditentukan sebagai
P 2ÿ1 m
C2(s) = . (9.26)
(ÿ2s + 1)n2 ÿ P2a(s)
Untuk mendekati pengontrol yang diperoleh ke pengontrol PID, prosedur yang sama
yang telah disajikan dalam Bagian 7.5.3 dapat digunakan, yaitu, Ekspresi (9.26)
dapat ditulis ulang sebagai
Machine Translated by Google
k(s)
C2(s) = S
(9.27)
1 k(0)
C2(s) = k(0) + k (0)s + 2 s2 + ··· . (9.28)
S
Ekspresi (9.28) memang merupakan pengontrol PID dalam bentuk ideal dengan
Kp2 = k (0)
k (0)
Ti2 = (9.29)
k(0)
k(0)
Td2 =
2k (0).
P2a
P12(s) = P1(s) (9.30)
(ÿ2s + 1)n2
dan dapat ditulis ulang sebagai
di mana lagi P12m(s) berisi bagian model yang dapat dibalik dan P12a(s) berisi
bagian fase nonminimum dalam bentuk lintasan semua. Kemudian, fungsi transfer
loop luar yang diinginkan ditentukan sebagai
P12a(s)
T r1y1 (s) = (9.32)
(ÿ1s + 1)n1
dan oleh karena itu fungsi transfer pengontrol utama ditentukan sebagai
ÿ1
P 12m(s)(ÿ2s + 1)n2
C1(s) = (9.33)
P2a(s) ((ÿ1s + 1)n2 ÿ P12a(s)).
Akhirnya, fungsi transfer pengontrol dapat direduksi menjadi bentuk PID dengan
menerapkan kembali ekspansi seri Maclaurin.
Kasus menarik yang layak dianalisis adalah ketika kedua proses dideskripsikan
oleh fungsi transfer FOPDT, yaitu,
K1 K2
P1(s) = eÿL1s, P2(s) = eÿL2s. (9.34)
T1 + 1 T2s + 1
eÿL2s
T (s) = (9.35)
r2y2
ÿ2s + 1
Dan
eÿ(L1+L2)s
T (s) = . (9.36)
r1y1
ÿ1s + 1
Oleh karena itu, aturan penyetelan eksplisit dapat diturunkan untuk pengontrol
primer dan sekunder:
L22
T2 +
2(ÿ2 + L2)
Kp2 =
K2(ÿ2 + L2)
L22
Ti2 = T2 +
2(ÿ2 + L2) (9.37)
ÿ ÿ
L22 L2
Td2 =
6(ÿ2 + L2) L22
T2 +
ÿÿÿÿ 3ÿ 2(ÿ2 + L2) ÿÿÿÿ
Dan
(L1 + L2)2
T1 + ÿ2 +
2(ÿ1 + L1 + L2)
Kp1 =
K1(ÿ1 + L1 + L2)
(L1 + L2)2
Ti1 = T1 + ÿ2 +
2(ÿ1 + L1 + L2) (9.38)
(L1 + L2)3
ÿ2T1 ÿ
6(ÿ1 + L1 + L2) (L1 + L2)2
Td1 = + .
(L1 + L2)2 2(ÿ1 + L1 + L2)
T1 + ÿ2 +
2(ÿ1 + L1 + L2)
Demikian pula, aturan penyetelan dapat diturunkan juga dengan mengasumsikan bahwa
kedua proses dijelaskan oleh fungsi transfer SOPDT (Lee et al., 1998a).
Bagaimanapun, dapat disimpulkan bahwa fase desain melibatkan pemilihan dua
konstanta waktu ÿ1 dan ÿ2. Pada prinsipnya, mereka memungkinkan untuk menangani
pertukaran antara agresivitas dan ketahanan. Sebenarnya, karena perluasan deret
Maclaurin pada akhirnya diadopsi untuk menentukan dua kontroler PID, kesimpulan
yang diambil di Bagian 7.5.5 harus dipertimbangkan. Namun, berdasarkan banyak
simulasi, dalam (Lee et al., 1998a) disarankan untuk mengatur
ÿ2 = 0,5L2 (9.39)
Dan
ÿ1 = 0,5(L1 + L2). (9.40)
Machine Translated by Google
0,8
variabel
proses
0,6
0,4
0,2
0
0 50 100 150 200 250 300 350 400 450
waktu
Gambar 9.4. Variabel proses diperoleh dengan penyetelan pengontrol secara bersamaan
untuk digunakan (dan oleh karena itu filter set-point tidak digunakan). Apakah proses
yang stabil dianggap sebagai proses normal atau proses dengan kutub mendekati nol
tergantung pada pengertian desain.
Membatasi analisis lagi untuk kasus di mana kedua proses dijelaskan oleh fungsi
transfer FOPDT (9.34), aturan penyetelan eksplisit untuk hasil kontroler PID sekunder
dan primer. Mereka adalah (9.37) dan (9.38) ketika proses stabil normal dianggap,
sedangkan ketika proses stabil dengan kutub mendekati nol ditangani:
1
ÿ22 + L2ÿ -2L2
T2 + ÿÿ
2 2ÿ2 + L2 ÿ ÿ
Kp2 =
K2(2ÿ2 + L2 ÿ ÿ)
1
ÿ22 + L2ÿ -
2L2
Ti2 = T2 + ÿÿ
2 2ÿ2 + L2 ÿ ÿ (9.41)
1 ÿ
1
6L3 2 2L2 2a 1
T2ÿ ÿ22
ÿ2ÿ2 + L2 ÿ ÿÿ2 + L2ÿ - 2L2
Td2 =
ÿ
1
2 + L2ÿ - 2L2 2 2 2ÿ2 + L2 ÿ ÿ
T2 + ÿÿ
2ÿ2 + L2 ÿ ÿ
Dan
ÿ21
+ (L1 + L2)ÿÿ (L1 + L2)2
12
T1 + ÿ2 + ÿÿ
2ÿ1 + L1 + L2 ÿ ÿ
Kp1 =
K1(2ÿ1 + L1 + L2 ÿ ÿ) ÿ2
1 + (L1 + L2)ÿÿ 12 (L1 + L2)2
Ti1 = T1 + ÿ2 + ÿÿ
2ÿ1 + L1 + L2 ÿ ÿ
(L1 + L2)3ÿ2ÿ1 1 2(L1 + L2)2ÿ
16 (9.42)
ÿ2T1 + ÿ2ÿ + T1ÿ ÿ
+ L1 + L2 ÿ ÿ
Td1 =
ÿ21
+ (L1 + L2)ÿÿ (L1 + L2)2
12
T1 + ÿ2 + ÿÿ
2ÿ1 + L1 + L2 ÿ ÿ
ÿÿ2 1 + (L1 + L2)ÿÿ (L1 + L2)2
12
2ÿ1 + L1 + L2 ÿ ÿ
Di mana
2
ÿ2 ÿ L2
ÿ = T2 e T2
(9.43)
T2
ÿ ÿ1ÿ1ÿ
Dan
2
ÿ1 ÿ L1+L2
e T1 ÿ
ÿ = T1 (9.44)
T1
ÿ ÿ1ÿ1ÿ ÿ ÿ ÿ.
1
F2(s) = (9.45)
ÿs + 1
Machine Translated by Google
R
r2
y2 y1
F1 C1 F2 C2 P2 P1
0,8
0,6
variabel
proses
0,4
0,2
0
0 50 100 150 200 250 300 350 400 450
kali
Gambar 9.6. Variabel proses diperoleh dengan struktur kontrol kaskade umum
Dan
1
F1(s) = (9.46)
ÿs + 1.
Mirip dengan kasus proses normal, konstanta waktu loop tertutup ÿ1 dan ÿ2 dapat
dipilih sebagai
ÿ2 = 0,5 ÷ 1 (9.47)
L2
Dan
ÿ1 = 0,5 ÷ 1. (9.48)
L1 + L2
Proses yang sama (9.18)–(9.19) dari bagian sebelumnya digunakan untuk
mengilustrasikan metodologi. Teknik yang dijelaskan dalam Bagian 9.2.4 diterapkan
lagi untuk identifikasi simultan dari dua proses. Nilai ÿ2 = 0,75L2 = 0,16 dan ÿ1 =
0,75(L1 + L2)=5,32 dipilih. Dengan menerapkan aturan penalaan (9.41)–(9.44) kita
memperoleh ÿ = 0.43, ÿ = 7.29, Kp2 = 4.93,
Machine Translated by Google
Ti2 = 0,51, Td2 = 0,07, Kp1 = 0,93, Ti1 = 9,75, dan Td1 = 1,86. Output proses
yang diperoleh ditunjukkan pada Gambar 9.6. Tampaknya respons gangguan
beban kinerja tinggi tercapai. Sehubungan dengan metode yang disajikan di
bagian sebelumnya, seperti yang diharapkan karena adanya filter set-point,
waktu naik dalam respons langkah set-point (secara signifikan) meningkat dan
overshoot dikurangi menjadi nol.
Skema berdasarkan prediktor Smith telah diusulkan dalam (Kaya, 2001) dan
digambarkan dalam Gambar 9.7. Tampaknya skema prediktor Smith (Palmor,
1996) digunakan untuk mengkompensasi jangka waktu penundaan di pengontrol
utama. Prosedur penyetelan otomatis, berdasarkan penggunaan dua uji umpan
balik relai berurutan diusulkan. Khususnya, fungsi transfer FOPDT pertama kali
diperkirakan untuk proses sekunder dengan menggunakan, misalnya, relai
asimetris (lihat Bagian 7.2.2). Parameter pengontrol PI dipilih sesuai dengan
aturan penyetelan yang diusulkan dalam (Zhuang dan Atherton, 1993), yang
memungkinkan minimalisasi kriteria integral ISTE. Kemudian, sekali lagi dengan
mengadopsi relai asimetris, proses yang dilihat oleh pengontrol utama C1
diidentifikasi. Secara khusus, parameter fungsi transfer SOPDT diperkirakan
(lihat Bagian 7.3.2). Pada fase ini skema prediktor Smith tidak digunakan.
Kemudian, bagian bebas penundaan dari model dilambangkan dengan P12 dan
jangka waktu mati dilambangkan dengan L. Parameter pengendali utama PID
(dalam bentuk ideal) akhirnya dipilih untuk meminimalkan lagi kriteria ISTE dan
prediktor Smith skema kontrol kaskade berbasis diimplementasikan.
Untuk memverifikasi keefektifan skema yang dirancang, telah diuji pada proses
yang sama (9.18)–(9.19) seperti sebelumnya. Parameter PI/PID yang dihasilkan
adalah Kp2 = 3,17, Ti2 = 1,05, Kp1 = 1,5, Ti1 = 8,22, dan Td1 = 0,91. Output
proses yang diperoleh ditunjukkan pada Gambar 9.8. Jelas, arsitektur kontrol
lebih efektif ketika waktu mati yang dinormalisasi tinggi hadir dalam proses
sekunder, meskipun harus ditekankan bahwa ketidaksesuaian dalam estimasi
jangka waktu mati harus ditangani dengan hati-hati untuk menghindari degradasi
yang signifikan dari waktu mati. keseluruhan penampilan.
R y2 y1
C2 P2 ls
C1 P1 e
Ls
P12 e
0,8
0,6
variabel
proses
0,4
0,2
0
0 50 100 150 200 250 300 350 400 450
waktu
Gambar 9.8. Variabel proses diperoleh dengan skema kontrol kaskade berbasis prediktor
Smith
R y2 y1
C P2 P1
F Pm1
P2 m
Skema kontrol yang diusulkan telah dikembangkan lebih lanjut di (Kaya et al.,
2005) untuk proses yang stabil dan di (Kaya dan Atherton, 2005) untuk
mengintegrasikan dan proses yang tidak stabil. Penyesuaian pengontrol didasarkan
pada apa yang disebut bentuk standar (Dorf dan Bishop, 1995), yang memungkinkan
sintesis langsung pengontrol yang meminimalkan indeks kinerja integral.
Machine Translated by Google
R
y2 y1
C P2 P1
Pm
F
P2 m
Struktur kontrol kaskade dua derajat kebebasan, yang bertujuan untuk memisahkan
pelacakan set-point dan tugas penolakan gangguan beban telah diusulkan di (Liu et
al., 2005). Dua skema dapat diimplementasikan dalam konteks ini. Mereka dilaporkan
dalam Gambar 9.9 dan 9.10. Perhatikan bahwa P1m dan P2m masing-masing
menunjukkan model proses primer dan sekunder P1 dan P2 , sedangkan Pm
menunjukkan model keseluruhan proses P. Kemudian F adalah estimator gangguan
beban (memang, ia bertindak sebagai pengontrol sekunder) dan C adalah pengontrol
utama yang digunakan untuk pelacakan set-point.
Dari Gambar 9.9 dapat disimpulkan bahwa dalam kasus nominal, yaitu ketika P1m dan
P2m adalah model sempurna dari P1 dan P2, terdapat kontrol loop terbuka dari set-
point r ke output primer y1 sehingga himpunan nominal -respons titik dan respons
gangguan beban loop dalam dipisahkan. Skema Gambar 9.10 memiliki keuntungan
bahwa model eksplisit dari proses primer P1 tidak diperlukan tetapi, di sisi lain, ketika
gangguan beban d terjadi, penaksir gangguan beban F dan pengontrol utama C setuju
dalam mengkompensasinya dan oleh karena itu penurunan kinerja mungkin muncul.
Dengan kata lain, kemungkinan penurunan kinerja dalam respons gangguan beban
harus diterima untuk kemungkinan penerapan arsitektur kontrol yang lebih mudah dan
lebih efektif. Bagaimanapun, desain dua pengontrol C dan F sama untuk kedua skema.
A1+(s)A1ÿ(s)
P1(s) = K1 eÿL1s (9.49)
B1(s)
Dan
A2+(s)A2ÿ(s)
P2(s) = K2 eÿL2s (9.50)
B2(s)
Machine Translated by Google
di mana A1+(0) = A1ÿ(0) = B1(0) = 1, A2+(0) = A2ÿ(0) = B2(0) = 1, dan semua nol dari A1ÿ(s),
A2ÿ( s), B1(s) dan B2(s) terletak di setengah bidang kiri, sedangkan semua nol dari A1+(s) dan
A2+(s) terletak di setengah bidang kanan. Oleh karena itu, fungsi transfer pengontrol utama
dapat diturunkan sebagai
B1(s)B2(s)
C(s) = K2 (9.51)
K1K2Aÿ 1+(s)Aÿ 2+(s)A1ÿ(s)A2ÿ(s)(ÿcs + 1)nc
di mana Aÿ 1+(s) dan Aÿ 2+(s) masing-masing adalah konjugat kompleks dari A1+(s) dan A2+
(s) (yaitu, A1+(s)/Aÿ 1+(s) dan A2+(s )/Aÿ 2+(s) adalah filter all-pass), ÿc adalah parameter
penyetelan dan nc adalah urutan filter yang akan dipilih untuk membuat fungsi transfer
pengontrol tepat. Memang, ÿc memungkinkan penanganan trade-off antara agresivitas dan
ketahanan. Titik awal yang baik adalah memilih ÿc sama dengan waktu tunda keseluruhan dari
proses yang akan dikontrol.
Rancangan estimator gangguan beban F dilakukan dengan mengusulkan fungsi sensitivitas
komplementer yang diinginkan dari lup dalam, dilambangkan sebagai T(s).
Secara khusus, dengan mempertimbangkan kembali tujuan kinerja optimal H2 dari teori IMC,
ungkapan T(s) dipilih sebagai
1 A2+(s)
T¯(s) = eÿL2s (ÿf s + 1)nf (9.52)
Aÿ 2+(s)
di mana urutan filter nf dipilih dengan tepat. Dengan demikian, ekspresi F(s) dapat ditentukan
sebagai
F1(s)
F(s) = (9.53)
1 ÿ F1(s)P2(s)
Di mana
B2(s)
F1(s) = . (9.54)
K2Aÿ 2+(s)A2ÿ(s)(ÿf s + 1)nf
Parameter desain ÿf memungkinkan lagi penanganan trade-off antara agresivitas dan ketahanan
dan disarankan untuk memilihnya, sebagai tebakan pertama, sama dengan estimasi waktu
mati proses sekunder.
Perlu ditekankan pada titik ini bahwa metodologi sepenuhnya mengeksploitasi pemodelan
proses yang akurat (mungkin tingkat tinggi), tetapi kedua pengontrol bukan tipe PID pada
umumnya dan skema keseluruhan harus diimplementasikan dengan cara yang berbeda dengan
sehubungan dengan skema standar Gambar 9.1.
Proses yang sama (9.18)–(9.19) telah diadopsi untuk mengilustrasikan metodologi.
Berdasarkan lagi pada metode identifikasi simultan Bagian 9.2.4, model proses primer dan
sekunder dipilih masing-masing sebagai
1
P1m(s) = eÿ6,88s (9.55)
7,55s + 1
Dan
1
P2m(s) =
eÿ0,21s. (9.56)
0,99s + 1
Machine Translated by Google
0,8
0,6
variabel
proses
0,4
0,2
0
0 50 100 150 200 250 300 350 400 450
waktu
Gambar 9.11. Variabel proses diperoleh dengan struktur kendali dua derajat kebebasan
pada Gambar 9.9 (garis padat) dan Gambar 9.10 (garis padat)
Konsekuensinya, dua konstanta waktu filter dipilih sebagai ÿc = 7.09 dan ÿf = 0.21.
Hasilnya:
Kontrol rasio, yang terdiri dari menjaga rasio konstan antara dua (atau lebih)
variabel proses, terlepas dari kemungkinan perubahan set-point dan gangguan
beban yang mungkin terjadi pada instalasi, menjadi perhatian dalam berbagai
aplikasi industri seperti dosis bahan kimia. , pengolahan air, klorinasi,
Machine Translated by Google
wadah pencampur dan insinerator limbah. Misalnya, dalam sistem pembakaran, rasio
udara-ke-bahan bakar perlu dikontrol secara akurat untuk mendapatkan efisiensi yang
tinggi, dan dalam proses pencampuran, rasio aliran yang dipilih harus dipertahankan
untuk mempertahankan komposisi produk yang konstan. Dalam kasus terakhir ini,
kedua aliran dapat dikontrol atau, alternatifnya, salah satunya hanya dapat diukur
(disebut aliran liar) dan yang lainnya diatur untuk mencapai rasio yang diinginkan.
Secara formal, dilambangkan dengan rasio yang diinginkan untuk dipertahankan antara
nilai dua variabel proses y1 dan y2. Untuk tujuan ini, skema kontrol yang ditunjukkan
pada Gambar 9.12 (juga disebut kontrol meteran seri) dapat diimplementasikan. Setiap
variabel dikendalikan oleh dua pengontrol terpisah C1 dan C2 (biasanya tipe PI) dan
output y1 dari proses pertama dikalikan dengan a dan diadopsi sebagai sinyal set-point
dari sistem kontrol loop tertutup dari proses kedua, yaitu , itu adalah r2(t) = ay1(t).
Kerugian utama dari skema ini terkait dengan respons transiennya terhadap perubahan
set-point r1, karena keluaran y2 harus tertunda sehubungan dengan y1, karena dinamika
loop tertutup dari loop kedua. Secara umum, loop kedua dipilih sebagai loop dengan
dinamika tercepat. Namun, untuk menjaga agar rasio tetap dekat dengan nilai yang
diinginkan, mungkin perlu untuk men-detune loop pertama dan oleh karena itu kinerja
yang diperoleh pada tugas berikut set-point dan dalam penolakan gangguan beban d1
menurun .
Skema alternatif yang mungkin adalah yang ditunjukkan pada Gambar 9.13 (disebut
kontrol terukur paralel). Dalam hal ini, asalkan dua sistem loop tertutup memiliki
dinamika yang sama, kinerja tinggi dapat dicapai dalam tugas berikut set-point, tetapi,
jelas, gangguan yang bekerja pada proses pertama dapat menyebabkan kesalahan
rasio yang besar. nilai. Untuk alasan ini, pendekatan ini harus digunakan dalam aplikasi
dimana gangguan beban tidak mungkin terjadi.
Akhirnya, perlu diingat bahwa dalam kasus khusus kontrol pembakaran, di mana rasio
udara-ke-bahan bakar yang dipilih harus dipertahankan, seringkali penting untuk
mencegah terjadinya lingkungan yang kaya bahan bakar, karena hal ini dapat
menyebabkan ledakan tungku. Dalam konteks ini, apa yang disebut kontrol pembatas
silang (juga dikenal sebagai kontrol lead-lag) yang ditunjukkan pada Gambar 9.14 dapat
diadopsi (Gomes, 1985). Kedua loop saling bertautan dengan menggunakan pemilih
rendah dan tinggi yang memaksa bahan bakar untuk mengikuti aliran udara ketika set-
point meningkat dan yang memaksa udara untuk mengikuti bahan bakar ketika set-point menurun.
Teknik untuk peningkatan teknik standar ini telah diusulkan baru-baru ini. Mereka
disajikan di bagian berikut.
Metodologi
Seperti telah disebutkan, penggunaan skema kontrol meteran seri pada Gambar 9.12
memiliki kelemahan bahwa output y2 sebenarnya tertunda sehubungan dengan y1
karena dinamika loop tertutup dari loop kedua. Untuk
Machine Translated by Google
D1
r1 u1
C1 P1 y1
D2
r2 u2 P2 y2
C2
D1
r1 u1 y1
C1 P1
D2
r2 u2
C2
P2 y2
mengatasi masalah ini, arsitektur alternatif, yang disebut Blend Station dan
ditunjukkan pada Gambar 9.15, telah diusulkan di (H¨agglund, 2001).
Penggunaannya disarankan ketika tidak ada gangguan yang mungkin terjadi
dalam proses dan ketika dua proses menunjukkan dinamika yang berbeda
(sehingga harus dianggap sebagai alternatif yang valid untuk skema kontrol terukur paralel pada
Fitur utama dari skema ini adalah bahwa nilai set-point r2 bergantung pada nilai
keluaran proses y1 dan nilai set-point r1, menurut ekspresi
R y1 udara
maks C1 P1
1/ a
y2
bahan bakar
min A C2 P2
r1 Py
C1 11
BS
r2 P
C2 22 y
Perhatikan bahwa ÿ adalah parameter konstan yang membobot pengaruh relatif dari set-
point r1 pada r2 sehubungan dengan y1 (untuk ÿ = 0 diperoleh skema klasik Gambar
9.12). Nilai ÿ dapat dipilih sebagai rasio konstanta waktu dari dua sistem loop tertutup
(atau, jika tidak tersedia, sebagai rasio konstanta waktu integral dari dua kontroler Ti2/
Ti1) atau sebagai alternatif , dengan menerapkan prosedur adaptif yang sesuai, yaitu
dengan menerapkan rumus berikut (H¨agglund, 2001):
dÿ =
S (ay1 ÿ y2)
Ta (9.60)
dt
Metodologi di mana parameter waktu bervariasi ÿ(t) diadopsi telah diusulkan dalam
(Visioli, 2005a). Asumsikan bahwa transisi dari nilai awal ke nilai akhir yf yi diperlukan
waktu
1 untukt = t0
dilakukan
untuk variabel
pada 1proses y1 (yaitu, sinyal set-point langkah dari amplitudo yf ÿyi
diterapkan ke set-point sinyal r1(t) pada waktu t = t0). Tanpa kehilangan1 keumuman,
1
berikut ini akan diasumsikan bahwa sinyal langkah positif diterapkan, yaitu, yf Pertama,
seperti biasa, loop kedua harus dipilih sebagai salah satu dengan dinamika 1 > yi 1.
tercepat, yaitu dinamika proses P2 lebih cepat dari salah satu P1.
K1
P1(s) = 1eÿL1s , (9.61)
T1 +
K2
P2(s) = eÿL2s. (9.62)
T2s + 1
Berdasarkan model ini, dua kontroler loop tunggal C1 dan C2 dipilih sebagai kontroler PI
dengan bobot set-point, yaitu variabel manipulasi u1 dan u2 dinyatakan sebagai:
1 T
1 T
Nilai ÿ juga dipilih sebagai output dari pengontrol PI, yang inputnya adalah kesalahan
rasio arus, ditambahkan ke nilai konstan ÿÿ. Kondisi tambahan harus ditetapkan untuk
memperhitungkan kasus di mana L1 > L2, untuk menghindari bahwa pada awal respons
transien kondisi y2(t) > ay1(t), yaitu, output y2 mulai sementara sebelum y1. Secara
formal, itu adalah:
Dengan cara ini, dua output proses dipaksa untuk memulai respons transiennya pada
saat yang bersamaan.
Tampaknya adopsi parameter yang bervariasi waktu ÿ sebenarnya bertujuan untuk
"membentuk" fungsi referensi r2(t) sedemikian rupa sehingga respons sistem loop
tertutup kedua sama mungkin dengan yang pertama. , meskipun kemungkinan
dinamikanya berbeda.
Prosedur penyetelan untuk keseluruhan skema juga telah diusulkan di (Visioli,
Machine Translated by Google
2005a). Dua pengontrol PI C1 dan C2 (lihat (9.63)–(9.64)) disetel sesuai dengan rumus
Ziegler–Nichols (ÿAstr¨om dan H¨agglund, 1995) dan bobot set-point ÿ1 dan ÿ2 diatur ke
nol untuk menghindari over shoot yang signifikan. Akhirnya, ÿÿ dipilih sebagai Ti2/Ti1
dan penguatan pengontrol PI yang memberikan nilai ÿ saat ini (lihat (9.65)) dipilih sesuai
dengan rumus berikut:
L2 T1 T1 Kp = 0.5 Ti
= T2 L1 L1 Aturan, penalaan . (9.67)
keseluruhan dirangkum
dalam Tabel 9.1.
Tampaknya, berdasarkan eksperimen identifikasi sederhana dan penerapan langsung
rumus sederhana, prosedur penyetelan dapat dengan mudah dilakukan secara otomatis.
Perlu dicatat lagi bahwa, meskipun aturan Ziegler-Nichols diketahui memberikan
overshoot yang besar, penggunaan bobot set-point tetap nol mencegah fakta ini dan
memperluas rentang proses yang memberikan hasil yang memuaskan. Jelas, ini
menyiratkan juga bahwa waktu naik meningkat, tetapi ini dapat diterima dalam kerangka
kontrol rasio, di mana menjaga rasio yang diinginkan menjadi perhatian utama, daripada
memperoleh respons langkah kinerja tinggi. Namun, jika dinamika proses tidak cocok
untuk rumus Ziegler–Nichols, yaitu, waktu mati lebih besar dari konstanta waktu
dominan, maka aturan penalaan yang lebih tepat (walaupun lebih kompleks) seperti
Kappa–Tau ( ÿAstr¨om dan H¨agglund, 1995) harus digunakan untuk dua kontroler PI
C1 dan C2, sedangkan Formula (9.67) dipertahankan.
Perhatikan juga bahwa nilai ÿÿ dipilih sesuai dengan pertimbangan yang dibuat dalam
(H¨agglund, 2001), karena ÿÿ sebenarnya adalah nilai awal ÿ.
Dalam kasus apa pun, berdasarkan pengontrol PI standar (9.65), pengguna dapat
dengan mudah memodifikasi kinerja pengontrol rasio dengan menambah atau
mengurangi nilai Kp dan Ti sesuai dengan pengetahuan tipikalnya, yang oleh karena itu
dipertahankan sepenuhnya dengan nyaman. .
Hasil Simulasi
1 1
P1(s) = eÿ2s P2(s) = eÿ2s. (9.68)
6s + 1 2s + 1
Dengan menerapkan prosedur tuning, diperoleh nilai Kp1 = 2.7, Ti1 = 6, Kp2 = 0.9
dan Ti2 = 6. Blend Station asli kemudian dirancang dengan ÿ = Ti2/Ti1 = 1
(perhatikan bahwa skema Gambar 9.13 hasil alami) dan versi adaptif telah
diimplementasikan dengan pengaturan Ta = 10 · max{Ti1, Ti2} = 60. Untuk
memberikan hasil terbaik yang dapat dicapai dalam konteks ini, sejumlah besar
langkah set-point telah diterapkan pada arsitektur kontrol rasio, hingga nilai ÿ
menyatu di sekitar nilai optimalnya.
Kemudian, mengenai skema kontrol dimana nilai ÿ ditentukan dengan rumus (9.65),
dipilih nilai ÿÿ = 1, Kp = 1.5, Ti = 3.
Variabel proses yang dihasilkan untuk skema berbeda yang dipertimbangkan
ditunjukkan pada Gambar 9.16 (skema klasik Gambar 9.12 juga telah dipertimbangkan).
Variabel kontrol yang sesuai ditunjukkan pada Gambar 9.17. Perhatikan bahwa
tidak ada aspek tertentu yang muncul untuk sinyal kontrol dan karena itu mereka
tidak akan diperlihatkan untuk contoh lain demi singkatnya.
Kinerja keseluruhan yang dicapai dengan pendekatan yang berbeda dapat
dibandingkan dengan menghitung kinerja berikut:
ÿ
Nilai J = 4,44 hasil untuk Blend Station asli, J = 0,35 untuk Blend Station adaptif, J
= 2,07 untuk Blend Station yang dimodifikasi, J = 12,65 untuk pengontrol rasio
standar.
Tampaknya Blend Station adaptif memberikan kinerja terbaik, meskipun ini terjadi
setelah banyak perubahan set-point diterapkan untuk memungkinkan konvergensi
ke nilai terbaik ÿ.
Untuk memahami pendekatan yang berbeda dengan lebih baik, sinyal ÿ diplot
pada Gambar 9.18 bersama dengan sinyal referensi yang diperoleh untuk loop
kedua dalam kasus di mana Blend Station yang dimodifikasi diadopsi. Dapat dilihat
bahwa variasi ÿ untuk kasus Blend Station adaptif hampir tidak terlihat (yaitu, ÿ(t)
hampir konstan selama respon transien), dan ini menunjukkan bahwa hasil terbaik
yang dapat diperoleh dengan skema ini sudah tercapai.
1 1
P1(s) = eÿ3s P2(s) = eÿ2s. (9.70)
4s + 1 8s + 1
Prosedur penyetelan menghasilkan Kp1 = 1.2, Ti1 = 9, Kp2 = 3.6 dan Ti2 = 6.
Kemudian, untuk pendekatan Blend Station asli nilai ÿ = 0,67 dipilih dan dengan
menerapkan prosedur adaptif (dengan Ta = 90) pada urutan langkah titik setel,
nilai ÿ konvergen sekitar 0,49. Terakhir, untuk pendekatan yang dimodifikasi,
ditentukan nilai ÿÿ = 0,67, Kp = 0,17 dan Ti = 1,33 (lihat Tabel 9.1).
Machine Translated by Google
0,8
0,6
variabel
proses
0,4
0,2
0
0 10 20 30 40 50 60 70
waktu
Gambar 9.16. Variabel proses diperoleh untuk contoh pertama dari pendekatan Blend Station.
Garis padat tebal: y1; garis putus-putus: y2 dengan Blend Station asli; garis putus-putus: y2
dengan Blend Station adaptif; garis putus-putus: y2 dengan Blend Station yang dimodifikasi;
garis padat: y2 dengan pendekatan klasik (ÿ = 0).
1.5
variabel
kontrol
0,5
0
0 10 20 30 40 50 60 70
waktu
Gambar 9.17. Variabel kontrol diperoleh untuk contoh pertama dari pendekatan Blend Station.
Garis padat tebal: u1; garis putus-putus: u2 dengan Blend Station asli; garis putus-putus: u2
dengan Blend Station adaptif; garis putus-putus: u2 dengan Blend Station yang dimodifikasi;
garis padat: u2 dengan pendekatan klasik (ÿ = 0).
Machine Translated by Google
1.8
1.6
1.4
1.2
10 10 20 30 40 50 60 70
waktu
Gambar 9.18. Sinyal berbeda diperoleh untuk contoh pertama dari pendekatan Blend Station.
Garis padat: r2(t) untuk Blend Station yang dimodifikasi; garis putus-putus: ÿ(t) untuk Blend
Station yang dimodifikasi; garis putus-putus: ÿ(t) untuk Blend Station adaptif.
Variabel proses yang dihasilkan dilaporkan pada Gambar 9.19, di mana sekali
lagi pendekatan standar juga dipertimbangkan. Nilai ÿ untuk kasus Blend Station
dengan prosedur adaptif telah diplot bersama dengan ÿ(t) dan r2(t) untuk
metode modifikasi pada Gambar 9.20. Nilai indeks kinerja yang dihasilkan
adalah J = 3,33 untuk Blend Station asli, J = 1,044 untuk Blend Station adaptif,
J = 1,37 untuk pendekatan yang dimodifikasi dan J = 7,67 untuk pengontrol
rasio standar. Memang, pertimbangan yang sama yang dibuat untuk contoh
pertama dapat dibuat juga untuk yang satu ini.
Sebagai contoh ketiga, proses yang sama dari contoh sebelumnya
dipertimbangkan, tetapi posisinya telah ditukar dalam skema kontrol keseluruhan, yaitu,
1 1
P1(s) = eÿ2s P2(s) = eÿ3s. (9.71)
8s + 1 4s + 1
Dalam hal ini nilai Kp1 = 3.6, Ti1 = 6, Kp2 = 1.2, Ti2 = 9, ÿÿ = 1.5, Kp = 1.5 dan
Ti = 4 ternyata hasilnya. Hasil yang diperoleh dengan arsitektur kontrol yang
berbeda dilaporkan pada Gambar 9.21. Perhatikan bahwa dalam kasus ini
prosedur adaptif (sekali lagi dengan Ta = 90) untuk Blend Station, diterapkan
ketika serangkaian langkah set-point terjadi, konvergen di sekitar nilai ÿ = 2.12.
Nilai ini telah diadopsi sebagai kondisi awal untuk output proses y2(t) yang
diperoleh dengan Blend Station adaptif.
Adapun pada contoh sebelumnya, pada Gambar 9.22 telah diplot nilai ÿ untuk
kasus Blend Station dengan prosedur adaptif
Machine Translated by Google
0,9
0,8
0,7
0,6
variabel
proses
0,5
0,4
0,3
0,2
0,1
0
0 10 20 30 40 50 60 70 80
kali
Gambar 9.19. Variabel proses diperoleh untuk contoh kedua dari pendekatan Blend Station.
Garis padat tebal: y1; garis putus-putus: y2 dengan Blend Station asli; garis putus-putus: y2
dengan Blend Station adaptif; garis putus-putus: y2 dengan Blend Station yang dimodifikasi;
garis padat: y2 dengan pendekatan klasik (ÿ = 0).
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 10 20 30 40 50 60 70 80
kali
Gambar 9.20. Sinyal yang berbeda diperoleh untuk contoh kedua dari pendekatan Blend
Station. Garis padat: r2(t) untuk Blend Station yang dimodifikasi; garis putus-putus: ÿ(t) untuk
Blend Station yang dimodifikasi; garis putus-putus: ÿ(t) untuk Blend Station adaptif.
Machine Translated by Google
ÿ(t) dan r2(t) untuk metode di mana nilai ÿ saat ini ditentukan oleh pengontrol PI. Nilai
indeks kinerja yang dihasilkan adalah J = 5 untuk Blend Station asli, J = 2,07 untuk
Blend Station adaptif, J = 2,37 untuk Blend Station yang dimodifikasi, dan J = 16,5
untuk pengontrol rasio standar.
Dengan membandingkan hasil yang diperoleh untuk contoh ini dengan yang diperoleh
untuk yang sebelumnya, tampaknya, seperti yang telah disebutkan, lebih masuk akal
untuk memilih sebagai proses pertama yang memiliki dinamika tercepat tetapi dalam
hal apa pun kinerja diperoleh dengan rasio yang diusulkan pengontrol masih
memuaskan (memang kesimpulan yang sama dari contoh sebelumnya dapat ditarik
juga untuk contoh ini).
Akhirnya, sebagai contoh terakhir, dua proses orde tinggi telah dipertimbangkan:
1 1
P1(s) = P2(s) = . (9.72)
(s + 1)8 (0,25s + 1)8
Kedua proses tersebut dimodelkan dengan fungsi transfer FOPDT dengan parameter
sebagai berikut: K1 = 1, T1 = 2.99, L1 = 5.55, K2 = 1, T2 = 0.71, L2 = 1.82.
Menjadi waktu mati dari dua proses secara signifikan lebih besar daripada konstanta
waktu dominan yang sesuai, aturan penyetelan Kappa–Tau (ÿAstr¨om dan H¨agglund,
1995) telah diadopsi daripada aturan Ziegler–Nichols. Sehingga diperoleh: Kp1 =
0.13, Ti1 = 2.62, b1 = 2.91, Kp2 = 0.11, Ti2 = 0.71, b2 = 3.67 ÿÿ = 0.27, Kp = 0.69, Ti
= 0.54.
Variabel proses yang dihasilkan ditunjukkan pada Gambar 9.23, dimana proses out
put y2(t) untuk Blend Station adaptif telah diperoleh dengan memulai dengan nilai ÿ
sama dengan 0,32, yang dihasilkan setelah penerapan urutan langkah-langkah set-
point dengan Ta = 26,2. Pada Gambar 9.24 nilai ÿ untuk kasus Blend Station dengan
prosedur adaptif telah diplot bersama dengan ÿ(t) dan r2(t) untuk metode Blend
Station yang dimodifikasi.
Nilai indeks kinerja yang dihasilkan adalah J = 1,81 untuk Blend Station asli, J = 1,70
untuk Blend Station adaptif, J = 0,52 untuk Blend Station yang dimodifikasi dan J =
4,56 untuk pengontrol rasio standar.
Tampaknya dalam hal ini skema dengan pengontrol PI tambahan memberikan
kinerja yang bahkan lebih baik daripada Blend Station adaptif. Hal ini mungkin
dijelaskan oleh fakta bahwa ÿ(t) = 0 ketika t < 3,73 (lihat (9,65)), sehingga
memungkinkan dua keluaran proses memulai transiennya hampir bersamaan
sehingga hasil yang sangat memuaskan tercapai.
Machine Translated by Google
0,9
0,8
0,7
0,6
variabel
proses
0,5
0,4
0,3
0,2
0,1
0
0 10 20 30 40 50 60 70 80
kali
Gambar 9.21. Variabel proses diperoleh untuk contoh ketiga dari pendekatan Blend Station.
Garis padat tebal: y1; garis putus-putus: y2 dengan Blend Station asli; garis putus-putus: y2
dengan Blend Station adaptif; garis putus-putus: y2 dengan Blend Station yang dimodifikasi;
garis padat: y2 dengan pendekatan klasik (ÿ = 0).
2.5
1.5
0 10 20 30 50 60 70 80
40 kali
Gambar 9.22. Sinyal berbeda diperoleh untuk contoh ketiga dari pendekatan Blend Station.
Garis padat: r2(t) untuk Blend Station yang dimodifikasi; garis putus-putus: ÿ(t) untuk Blend
Station yang dimodifikasi; garis putus-putus: ÿ(t) untuk Blend Station adaptif.
Machine Translated by Google
0,9
0,8
0,7
0,6
variabel
proses
0,5
0,4
0,3
0,2
0,1
0
0 10 20 30 40 50 60 70
waktu
Gambar 9.23. Variabel proses diperoleh untuk contoh keempat dari pendekatan Blend Station.
Garis padat tebal: y1; garis putus-putus: y2 dengan Blend Station asli; garis putus-putus: y2
dengan Blend Station adaptif; garis putus-putus: y2 dengan Blend Station yang dimodifikasi;
garis padat: y2 dengan pendekatan klasik (ÿ = 0).
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 10 20 30 40 50 60 70
waktu
Gambar 9.24. Sinyal berbeda diperoleh untuk contoh keempat dari pendekatan Blend Station.
Garis padat: r2(t) untuk Blend Station yang dimodifikasi; garis putus-putus: ÿ(t) untuk Blend
Station yang dimodifikasi; garis putus-putus: ÿ(t) untuk Blend Station adaptif.
Machine Translated by Google
Hasil Eksperimen
Metodologi
Pada bagian sebelumnya telah ditekankan bahwa Blend Station dan versi
modifikasinya tidak boleh digunakan ketika gangguan beban mungkin terjadi di
pabrik, karena mereka tidak mampu memberikan kinerja yang memuaskan dalam
kasus ini. Untuk mengatasi juga tugas penolakan gangguan beban, arsitektur kontrol
rasio yang berbeda telah diusulkan dalam (Visioli, 2005d), yang memperluas
gagasan Blend Station asli dengan mengganti parameter konstanta ÿ dalam
Ekspresi (9.59) dengan parameter dinamis sistem F. Skema kontrol ditunjukkan
pada Gambar 9.27. Fungsi alih F(s) ditentukan sedemikian rupa sehingga fungsi
alih dari r1 ke y1 sama dengan fungsi alih dari r1 ke y2, diskalakan dengan a.
Dengan menganalisis skema kontrol yang ditunjukkan pada Gambar 9.27 dapat
disimpulkan bahwa:
Machine Translated by Google
3
y Stasiun Campuran
2
2.8
2.6
variabel
proses
[V]
2.4
y 2 pengontrol rasio standar
2.2
Modifikasi Blend Station y2
y1
2 Blend Station y
3
2.8
2.6
2.4
2.2
y1
2
pengontrol rasio standar y2
Gambar 9.26. Variabel proses diperoleh dengan peralatan tangki ganda dan waktu mati yang
dimodifikasi
Machine Translated by Google
C2P2 F + C1P1
y2 = ar1 (9.74)
1 + C2P2 1 + C1P1
Dan
C1P1
y1 = r1 (9.75)
1 + C1P1
Setelah perhitungan sepele, ternyata kedua loop memiliki respons dinamis yang identik
jika:
C1(s)P1(s)
F(s) = . (9.76)
C2(s)P2(s)
Jika kedua proses diasumsikan memiliki dinamika FOPDT dan kedua pengontrolnya
bertipe PI, ternyata agar sistem F(s) menjadi kausal, harus L1 ÿ L2 . Relasi ini memberikan
pedoman bagaimana memilih loop pertama, yaitu loop pertama harus dipilih sebagai
proses dengan waktu mati yang lebih besar.
Untuk tujuan penyetelan keseluruhan sistem kontrol, ada baiknya menentukan nol, kutub,
dan penguatan fungsi transfer F(s). Mereka dilaporkan dalam Tabel 9.2. Karena arsitektur
kontrol menjamin bahwa rasio yang diinginkan diperoleh sepanjang respon transien
keseluruhan ketika perubahan set-point diperlukan (asalkan kedua proses benar-benar
memiliki dinamika FOPDT), pemilihan parameter dari dua kontroler harus dilakukan.
sesuai dengan pedoman intuitif berikut:
• parameter C2(s) harus dipilih untuk memberikan penolakan terbaik terhadap gangguan
beban d2;
D1
r1 u1
C1 P1 y1
F F
A
d2
r2 u2 y2
C2 P2
1 1
nol - ,
ÿ
Ti1 T2
1 1
tiang - ,
ÿ
Ti2 T1
K1Kp1Ti2
memperoleh
K2Kp2Ti1
• parameter C1(s) harus dipilih untuk memberikan penolakan terbaik terhadap gangguan
beban d1; • parameter C1(s) dan C2(s)
harus dipilih agar memiliki respons frekuensi F(s) serendah mungkin. Dengan cara ini,
referensi r2 dari loop kedua ditentukan terutama oleh keluaran y1 dari loop pertama
alih-alih referensi r1 dari loop pertama (perhatikan bahwa fungsi transfer dari y1 dan
r2 adalah a(1 ÿ F(s)) ). Dengan demikian, kinerja tinggi pada rasio yang diinginkan
diperoleh saat gangguan beban bekerja pada proses pertama.
1 T1
Kp1 = Ti1 = T1. (9.77)
K1 T1 + L1
Dengan cara ini, selain tingkat kekokohan yang baik, nilai rasio Kp1/Ti1 yang rendah
tercapai, yang penting untuk memastikan respons frekuensi F(s) yang rendah (lihat Tabel
9.2).
Selanjutnya kontroler PI C2 ditala dengan terlebih dahulu memberlakukan kembali
pembatalan pole-zero pada loop kedua, yaitu dengan menetapkan Ti2 = T2. Dengan kata
lain, dengan pilihan sebelumnya, kita hanya punya
Di mana
K1Kp1Ti2
K= . (9.79)
K2Kp2Ti1
Kemudian, parameter Kp2 dipilih dengan mengikuti ide yang pada dasarnya sama dengan
yang dijelaskan dalam (ÿAstr¨om et al., 1998). Jadi, untuk mendapatkan kinerja penolakan
gangguan beban yang baik, Kp2 ditetapkan, setelah menyelesaikan masalah optimisasi,
sebagai nilai maksimum yang menjamin sistem loop tertutup stabil dan
Machine Translated by Google
Hasil Simulasi
1 1
P1(s) = eÿ3s P2(s) = eÿ2s. (9.80)
4s + 1 6s + 1
Dengan menerapkan metode yang diusulkan dan prosedur penyetelan yang diusulkan
(dengan Ms = 2,5), parameter pengontrol berikut ditentukan: Kp1 = 0,57, Ti1 = 4, Kp2
= 2,58, Ti2 = 6. Akibatnya, kami memperoleh
F(s)=0.33eÿs .
Satu unit step telah diterapkan pada sinyal set-point pada waktu t = 0 dan kemudian
pada sinyal gangguan beban d1 dan d2 pada waktu t = 30 dan t = 70 berturut-turut.
Dua keluaran proses ditunjukkan pada Gambar 9.28, sedangkan dua variabel yang
dimanipulasi diplot pada Gambar 9.29. Tampaknya kontrol rasio yang sempurna adalah
Machine Translated by Google
1.8
1.6
1.4
1.2
variabel
proses
0,8
0,6
0,4
0,2
0
0 20 40 60 80 100 120
kali
Gambar 9.28. Variabel proses diperoleh untuk contoh pertama dari pendekatan Dynamic
Blend Station. Garis padat: y1(t); garis putus-putus: y2(t).
2.5
1.5
variabel
kontrol
1
0,5
0,5
0 20 40 60 80 100 120
kali
Gambar 9.29. Variabel kontrol diperoleh untuk contoh pertama dari pendekatan Dynamic
Blend Station. Garis padat: u1(t); garis putus-putus: u2(t).
Machine Translated by Google
1.8
1.6
1.4
1.2
1
referensi
sinyal
r2
0,8
0,6
0,4
0,2
0
0 20 40 60 80 100 120
kali
Gambar 9.30. Sinyal referensi r2(t) diperoleh untuk contoh pertama Solid line: Dynamic Blend
Station; garis putus-putus: kontrol rasio standar.
teknik secara umum memberikan kinerja yang lebih baik daripada yang klasik ketika
gangguan beban terjadi pada loop pertama. Memang, dengan penyetelan yang
tepat (yaitu, dengan detuning loop kedua dengan mengorbankan kinerja dalam
tugas set-point berikut dan dalam penolakan gangguan beban yang mempengaruhi
proses P2 ) skema tipikal dapat memberikan nilai J yang lebih kecil.
Namun, dapat dicatat bahwa metode penyetelan yang diusulkan secara praktis
memberikan kinerja terbaik dengan skema kontrol pada Gambar 9.27. Jika
penguatan K dipilih untuk meminimalkan J ketika gangguan beban langkah terjadi
pada proses P1, diperoleh nilai K = 0,30 dan J = 2,44, yang sangat dekat dengan
nilai yang diperoleh dengan Rumus (9,79).
Sebagai contoh kedua, dipertimbangkan dua sistem yang bukan orde pertama:
1 1
P1(s) = P2(s) = (9.81)
(s + 1)4 (s + 1)2eÿs.
Estimasi fungsi transfer FOPDT telah diperoleh melalui metode luas (lihat Bagian
7.2.1). Hasil nilai K1 = 1, T1 = 1,84, L1 = 1,92, K2 = 1, T2 = 1,39 dan L2 = 1,57.
Tampaknya proses ini cukup sulit untuk dikendalikan karena memiliki waktu mati
normalisasi yang besar (yaitu, rasio antara waktu mati dan konstanta waktu dari
proses).
Prosedur tuning yang dijelaskan sebelumnya (sekali lagi dengan Ms = 2.5) telah
diterapkan dengan mempertimbangkan estimasi model proses, menghasilkan Kp1
= 0.51, Ti1 = 1.84, Kp2 = 0.77, Ti2 = 1.39, dan
F(s)=0.48eÿ0.35s .
Langkah unit telah diterapkan pada sinyal set-point pada waktu t = 0 detik dan
kemudian pada sinyal gangguan beban d1 dan d2 pada waktu t = 30 detik dan t =
70 detik. Dua output proses dan dua variabel kontrol masing-masing ditunjukkan
pada Gambar 9.33 dan 9.34 untuk Blend Station dinamis dan pada Gambar 9.35
dan 9.36 untuk pendekatan standar.
Ternyata, meskipun kedua proses tersebut bukan FOPDT, sehingga kontrol rasio
yang sempurna tidak dapat dicapai, kinerja yang dicapai dengan skema Dynamic
Blend Station masih sangat memuaskan.
Pada dasarnya, pertimbangan yang sama yang dibuat untuk contoh sebelumnya
berlaku juga dalam kasus ini. Memang, sehubungan dengan keseluruhan percobaan,
indeks kinerja (9,69) menghasilkan J = 5,77 untuk skema Blend Station dinamis (di
mana respons langkah set-point berkontribusi sebesar 0,51 dan respons gangguan
beban d1 untuk 2,33) , sedangkan untuk yang klasik adalah J = 9,31 (di mana
respons langkah set-point berkontribusi sebesar 2,86 dan respons gangguan beban
d1 sebesar 3,52).
Perhatikan bahwa nilai K yang meminimalkan J dengan adanya gangguan beban
step d1 saja adalah K = 0,53, yang menghasilkan J = 2,32.
Machine Translated by Google
1.8
1.6
1.4
1.2
1
variabel
proses
0,8
0,6
0,4
0,2
0
0 20 40 60 80 100 120
kali
Gambar 9.31. Variabel proses diperoleh untuk contoh pertama dengan pendekatan kontrol
rasio standar. Garis padat: y1(t); garis putus-putus: y2(t).
2.5
1.5
variabel
kontrol
0,5
0,5
0 20 40 60 80 100 120
kali
Gambar 9.32. Variabel kontrol diperoleh untuk contoh pertama dengan kontrol rasio standar.
Garis padat: u1(t); garis putus-putus: u2(t).
Machine Translated by Google
1.8
1.6
1.4
1.2
variabel
proses
0,8
0,6
0,4
0,2
0
0 10 20 30 40 50 60 70 80 90 100
kali
Gambar 9.33. Variabel proses diperoleh untuk contoh kedua dari pendekatan Dynamic Blend
Station. Garis padat: y1(t); garis putus-putus: y2(t).
1.6
1.4
1.2
0,8
variabel
kontrol
0,6
0,4
0,2
0,2
0,4
0 10 20 30 40 50 60 70 80 90 100
kali
Gambar 9.34. Variabel kontrol diperoleh untuk contoh kedua dari pendekatan Dynamic Blend
Station. Garis padat: u1(t); garis putus-putus: u2(t).
Machine Translated by Google
1.8
1.6
1.4
1.2
variabel
proses
0,8
0,6
0,4
0,2
0
0 10 20 30 40 50 60 70 80 90 100
kali
Gambar 9.35. Variabel proses diperoleh untuk contoh kedua dengan pendekatan kontrol rasio
standar. Garis padat: y1(t); garis putus-putus: y2(t).
1.5
variabel
kontrol
0,5
0,5
0 10 20 30 40 50 60 70 80 90 100
kali
Gambar 9.36. Variabel kontrol diperoleh untuk contoh kedua dengan kontrol rasio standar.
Garis padat: u1(t); garis putus-putus: u2(t).
Machine Translated by Google
Hasil Eksperimen
Seperti pada bagian sebelumnya, hasil eksperimen telah diperoleh dengan mempertimbangkan
peralatan kontrol level yang dijelaskan pada Bagian A.1. Penundaan waktu 10 detik dan 5
detik telah ditambahkan melalui perangkat lunak pada input proses pertama dan kedua, tetapi
kedua tangki telah ditukar sehubungan dengan kasus sebelumnya. Oleh karena itu, dua
model FOPDT yang diadopsi adalah
2.27 1.98
P1(s) =
eÿ11s P2(s) = eÿ6s . (9.82)
25s + 1 25s + 1
Tugas yang harus diselesaikan adalah melakukan transisi output dari 2 V ke 2,5 V untuk
tangki pertama dan juga untuk yang kedua, mempertahankan nilai rasio yang diinginkan a =
1 selama seluruh respons transien. Menurut prosedur penyetelan yang dijelaskan di atas,
kontroler PI proses pertama telah disetel dengan Kp1 = 0,31 dan Ti1 = 25, sedangkan proses
kedua dengan Kp2 = 1,82 dan Ti2 = 25. Hasil ditunjukkan pada Gambar 9.37–9.39 untuk
skema Blend Station yang dinamis dan pada Gambar 9.40–9.42 untuk yang klasik (lihat
Gambar 9.13). Nilai yang dihasilkan dari indeks kinerja (jelas hasil dalam kedua kasus bias
karena kebisingan) adalah J = 26,7 untuk Blend Station dinamis (perhatikan bahwa J = 7,4
untuk respons langkah set-point dan J = 9,5 untuk beban gangguan d1 respon) dan J = 32,7
untuk metode klasik (dalam hal ini J = 13,2 respon langkah set-point dan J = 9,9 untuk respon
gangguan beban d1 ). Dengan demikian, hasil eksperimen mengkonfirmasi keefektifan
pendekatan Blend Station dinamis.
9.4 Kesimpulan
Skema kontrol kaskade dan kontrol rasio berdasarkan kontroler PID telah dibahas dalam bab
ini. Telah ditunjukkan bahwa penerapan metodologi desain terbaru dan modifikasi arsitektur
kontrol klasik dapat menyebabkan komisioning yang lebih cepat dari keseluruhan sistem
kontrol dan peningkatan yang signifikan dalam kinerja kontrol, meskipun pengetahuan umum
dan kesederhanaan penggunaan dari algoritma kontrol PID dasar dipertahankan.
Machine Translated by Google
3.5
variabel
proses
[V]
2.5
Gambar 9.37. Variabel proses diperoleh dengan peralatan tangki ganda dan Blend Station
dinamis. Garis padat: y1(t); garis putus-putus: y2(t).
3.2
2.8
variabel
kontrol
[V]
2.6
2.4
2.2
Gambar 9.38. Variabel kontrol diperoleh dengan peralatan tangki ganda dan Blend Station
dinamis. Garis padat: u1(t); garis putus-putus: u2(t).
Machine Translated by Google
3.2
2.8
referensi
sinyal
[V]
r2
2.6
2.4
2.2
Gambar 9.39. Sinyal referensi r2(t) diperoleh dengan peralatan tangki ganda dan Blend Station dinamis
3.5
variabel
proses
[V]
2.5
Gambar 9.40. Variabel proses diperoleh dengan peralatan tangki ganda dan pengontrol rasio standar.
Garis padat: y1(t); garis putus-putus: y2(t).
Machine Translated by Google
3.5
variabel
kontrol
[V]
2.5
Gambar 9.41. Variabel kontrol diperoleh dengan alat tangki ganda dan pengontrol rasio
standar. Garis padat: u1(t); garis putus-putus: u2(t).
3.2
2.8
referensi
sinyal
[V]
r2
2.6
2.4
2.2
Gambar 9.42. Sinyal referensi r2(t) diperoleh dengan peralatan tangki ganda dan pengontrol
rasio standar
Machine Translated by Google
Pengaturan Eksperimental
Adh = Qi ÿ Qo (A.1)
dt
Qo = 2gh
di mana a adalah luas penampang lubang aliran keluar dan g adalah konstanta
gravitasi. Sistem kontrol yang digunakan diimplementasikan melalui
Machine Translated by Google
Gambar A.1. Peralatan tangki ganda digunakan untuk eksperimen kontrol level
Tugas kontrol terdiri dari mengontrol suhu pelat dengan bekerja pada daya
termal dari elemen pemanas, yaitu dengan memanipulasi tegangan melintasi
resistor. Adapun tugas kontrol level, demi kesederhanaan input dan output
dinyatakan dalam Volt (keduanya dalam kisaran 0-5 V).
Harus ditekankan bahwa tidak ada pendinginan aktif dan oleh karena itu
prosesnya asimetris (dinamikanya berbeda tergantung pada fakta bahwa
pelat harus dipanaskan atau didinginkan). Karena ketidaklinieran yang
signifikan ini, appa ratus belum diadopsi untuk metode yang bergantung pada
dinamika proses yang linier.
Referensi
Ahmed, S., B. Huang dan SL Shah (2006). Estimasi parameter dan delay model waktu
kontinu menggunakan filter linier. Jurnal Kontrol Proses 16(4), 323–331.
300 Referensi
Bequette, BW (2003). Kontrol Proses - Pemodelan, Desain, dan Simulasi. Prentic Hall.
AMERIKA SERIKAT.
Bjorklund, S. (2003). Survei dan perbandingan metode estimasi waktu tunda dalam sistem
linier. Laporan Teknis Lisensiate Thesis no. 1061. Jurusan Teknik Elektro, Linkping
University.
Bohn, C. dan DP Atherton (1995). Paket analisis yang membandingkan strategi anti
penutupan PID. Majalah Sistem Kontrol IEEE hlm. 34–40.
Chen, D. dan DE Seborg (2002). Desain kontroler PI/PID berdasarkan sintesa langsung
dan penolakan gangguan. Penelitian Kimia Industri dan Rekayasa 41, 4807–4822.
Choudhury, MAAS, NF Thornhill dan S. Shah (2005). Memodelkan stik katup. Praktek
Teknik Kontrol 13(5), 641–658.
Choudhury, MAAS, SL Shah dan NF Thornhill (2004). Deteksi dan diagnosis nonlinier
sistem menggunakan statistik orde tinggi. Otomatisa 40, 1719– 1728.
Corriou, J.-P. (2004). Kontrol Proses - Teori dan Aplikasi. Peloncat. AMERIKA SERIKAT.
Corripio, AB (2001). Penyetelan Sistem Kontrol Industri. Pers ISA. AMERIKA SERIKAT.
Daubechies, I. (1992). Sepuluh Kuliah tentang Wavelet. SIAM Press. AMERIKA SERIKAT.
Devasia, S. (2002). Haruskah input invers berbasis model digunakan sebagai umpan maju
di bawah ketidakpastian pabrik?. Transaksi IEEE pada Kontrol Otomatis 47(11), 1865–
1871.
Devasia, S., D. Chen dan B. Paden (1996). Pelacakan keluaran berbasis inversi nonlinier.
Transaksi IEEE pada Kontrol Otomatis 41, 930–943.
Dorf, RC dan RH Bishop (1995). Sistem Kontrol Modern. Addison-Wesley.
Driankov, D., H. Hellendoorn dan M. Reinfrank (1993). Pengantar Kontrol Fuzzy. Springer-
Verlag. AMERIKA SERIKAT.
Ellis, G. (2004). Panduan Perancangan Sistem Kontrol. Elsevier. AMERIKA SERIKAT.
Eriksson, P.-G. dan AJ Isaksson (1994). Beberapa aspek pemantauan kinerja loop kontrol.
Dalam: Prosiding Konferensi Internasional IEEE tentang Aplikasi Kontrol. Glasgow,
Inggris. hlm. 1029–1034.
Forsman, K. dan A. Stattin (1999). Kriteria baru untuk mendeteksi osilasi dalam loop kontrol.
Dalam: Prosiding Konferensi Kontrol Eropa ke-5. Karlsruhe, D.
Friman, M. dan KV Waller (1997). Relai dua saluran untuk penyetelan otomatis. Industri
dan Penelitian Kimia Teknik 36, 2662–2671.
Gerry, J. dan FG Shinskey (2005). Spesifikasi pengontrol PID (kertas putih).
tersedia online di www.expertune.com/PIDspec.htm.
Gomes, VG (1985). Mengontrol pemanas yang dipecat. Teknik Kimia hlm. 63–68.
H¨agglund, T. (1995). Monitor kinerja loop kontrol. Praktek Teknik Kontrol 3, 1543–1551.
H¨agglund, T. (1999). Deteksi otomatis loop kontrol yang lamban. Praktek Rekayasa Kontrol
7, 1505–1511.
H¨agglund, T. (2001). Stasiun campuran - struktur kontrol rasio baru. Praktek Teknik Kontrol
9, 1215–1220.
H¨agglund, T. (2002). Kompensator gesekan untuk katup kontrol pneumatik. Jurnal Kontrol
Proses 12, 897–904.
H¨agglund, T. (2005). Implementasi industri pemantauan kinerja on-line
alat. Praktek Teknik Kontrol 13(11), 1383–1390.
H¨agglund, T. dan KJ ÿAstr¨om (2000). Pengawasan algoritma kontrol adaptif.
Otomatisa 36(2), 1171–1180.
Machine Translated by Google
Referensi 301
Hang, CC, AP Loh dan VU Vasnani (1994). Umpan balik relai penyetelan otomatis
pengontrol kaskade. Transaksi IEEE pada Teknologi Sistem Kontrol 2, 42– 45.
Tunggu, C.-C. dan L. Cao (1996). Peningkatan respon transien melalui pembobotan titik
setel variabel. Transaksi IEEE pada Elektronik Industri 43, 477– 484.
Hang, CC, KJ ÿAstr¨om dan QG Wang (2002). Umpan balik relai penyetelan otomatis
pengontrol proses - tinjauan tutorial. Jurnal Kontrol Proses 12, 143–162.
Hang, CC, KJ ÿAstr¨om dan WK Ho (1991). Penyempurnaan formula penyetelan Ziegler–
Nichols. Prosiding IEE - Teori Kontrol dan Aplikasi 138(2), 111–118.
Hansson, A., P. Gruber dan J. Todtli (1994). Penyelesaian anti-reset fuzzy untuk PID con
troller. Praktek Teknik Kontrol 2(3), 389–396.
Hanus, R., M. Kinnaert dan J.-L. Henrotte (1987). Teknik pengkondisian, metode transfer
anti-windup dan bumpless umum. Otomatis 23(6), 729–739.
Harriot, P. (1964). Pengendalian proses. McGraw-Hill. AMERIKA SERIKAT.
Haris, TJ (1989). Penilaian kinerja loop kontrol. Jurnal Teknik Kimia Kanada 67, 856–861.
Harris, TJ, CT Seppala dan LD Desborough (1999). Tinjauan pemantauan kinerja dan
teknik penilaian untuk sistem kontrol univariat dan multivariat. Jurnal Kontrol Proses
9(1), 1–17.
Ho, WK dan W. Xu (1998). Penyetelan PID untuk proses yang tidak stabil berdasarkan
spesifikasi gain dan fasa-margin. Prosiding IEE - Teori Kontrol dan Aplikasi 145(5),
392–396.
Hodel, A. Scottedward dan CE Hall (2001). Kontrol PID struktur variabel untuk mencegah
penyelesaian integrator. Transaksi IEEE pada Elektronik Industri 48(2), 442–451.
Homaifar, A. dan E. McCormick (1995). Desain simultan dari fungsi keanggotaan dan
kumpulan aturan untuk kontroler fuzzy menggunakan algoritma genetika. Tindakan
IEEE Trans pada Sistem Fuzzy 3(2), 129–139.
Horch, A. (1999). Metode sederhana untuk mendeteksi stiction pada katup kontrol. Praktek
Teknik Kontrol 7, 1221–1231.
Horch, A. (2000). Pemantauan kondisi loop kontrol. tesis PhD. Institut Kerajaan
Teknologi. Stockholm, S.
Horch, A. (2001). Deteksi stiction katup dalam mengintegrasikan proses. Dalam: Prosiding
Konferensi Kontrol Eropa ke-6. Porto, P. hlm. 1327–1332.
Huang, B. (2003). Pendekatan pragmatis terhadap penilaian kinerja loop kontrol. Jurnal
Internasional Kontrol Adaptif dan Pemrosesan Sinyal 17, 589–608.
Huang, C.-T. dan M.-F. Huang (1993). Estimasi parameter orde kedua dari transien
proses dengan perhitungan sederhana. Penelitian Kimia Industri dan Rekayasa 32,
228–230.
Huang, H.-P. dan J.-C. Jeng (2002). Pemantauan dan penilaian kinerja kontrol untuk
sistem loop tunggal. Penelitian Kimia Industri dan Teknik 41, 1297–1309.
Machine Translated by Google
302 Referensi
Huang, H.-P., M.-W. Lee dan C.-L. Chen (2001). Suatu sistem prosedur untuk identifikasi
model sederhana dengan menggunakan respons langkah transien. Penelitian Kimia
Industri dan Teknik 40, 1903–1915.
Berburu, LR dan G. Meyer (1997). Inversi stabil untuk sistem nonlinear. Otomatisa 33(8), 1549–
1554.
Berburu, LR, G. Meyer dan R. Su (1996). Invers nonkausal untuk sistem linier.
Transaksi IEEE pada Kontrol Otomatis 41, 608–611.
Ingimundarson, A. dan T. H¨agglund (2002). Perbandingan kinerja antara PID dan pengontrol
kompensasi waktu mati. Jurnal Kontrol Proses 12, 887– 895.
Isaksson, AJ dan SF Graebe (1999). Ekspresi parameter PID analitik untuk sistem orde tinggi.
Otomatisa 35, 1121–1130.
Isaksson, AJ dan SF Graebe (2002). Filter turunan merupakan bagian integral dari desain PID.
Prosiding IEE - Teori Kontrol dan Aplikasi 149(1), 41–45.
Jalali, M. (2006). Gambaran umum tentang teknologi penilaian kinerja kontrol dan aplikasi
industri. Praktek Teknik Kontrol 14, 441–466.
Johnson, MA dan MH Moradi (eds.) (2005). Kontrol PID - Metode Identifikasi dan Desain Baru.
Springer-Verlag. London, Inggris Raya.
Katebi, MR dan AW Ordys (1996). Kontrol varians minimum. Dalam: The Control Handbook
(WS Levine ed.). CRC Tekan. Boca Raton, FL. hlm. 1089–1096.
Kaya, I. (2001). Meningkatkan kinerja menggunakan kontrol kaskade dan prediktor pandai besi.
Transaksi ISA 40, 223–234.
Kaya, I. dan DP Atherton (2005). Struktur kontrol kaskade yang ditingkatkan untuk mengontrol
proses yang tidak stabil dan mengintegrasikan. Dalam: Prosiding Konferensi Internasional
IEEE tentang Keputusan dan Kontrol - Konferensi Kontrol Eropa. Sevilla, E. hal. 7133–
7138.
Kaya, I., N. Tan dan DP Atherton (2005). Peningkatan struktur kontrol kaskade dan desain
pengontrol. Dalam: Prosiding Konferensi Internasional IEEE tentang Keputusan dan
Kontrol - Konferensi Kontrol Eropa. Sevilla, E. hal. 3055–3060.
Ko, B.-S. dan TF Edgar (2004). Penilaian kinerja kontrol PID: tunggal
kasus lingkaran. Jurnal AIChE 50, 1211–1218.
Kothare, MV, PJ Campo, M. Morari dan CN Nett (1994). Kerangka terpadu untuk studi desain
anti-windup. Otomatisa 30(12), 1869–1883.
Kozub, DJ (2002). Pemantauan dan diagnosis kinerja pengontrol: perspektif industri. Dalam:
Pracetak Kongres Dunia IFAC ke-15 tentang Kendali Otomatis. Barcelona,E.
Kristiansson, B. dan B. Lennartson (2001). Penyetelan kontroler PI dan PID yang kuat dan
optimal. Prosiding IEE - Teori Kontrol dan Aplikasi 149(1), 17– 25.
Kristiansson, B. dan B. Lennartson (2006). Evaluasi dan penyetelan sederhana pengontrol PID
dengan ketahanan frekuensi tinggi. Jurnal Kontrol Proses 16, 91– 102.
Kuehl, P. dan A. Horch (2005). Deteksi loop kontrol yang lamban - pengalaman dan
perbaikan. Praktek Teknik Kontrol 13, 1019–1025.
Kwak, HJ, SW Sung dan I.-B. Lee (1997). Identifikasi proses online dan penyetelan otomatis
untuk mengintegrasikan proses. Research Kimia Industri dan Teknik 36, 5329–5338.
Machine Translated by Google
Referensi 303
Lee, Y., S. Oh dan S. Park (2002). Kontrol yang ditingkatkan dengan struktur kontrol kaskade umum.
Penelitian Kimia Industri dan Rekayasa 41, 2679–2688.
Lee, Y., S. Park dan M. Lee (1998a). Penyetelan kontroler PID untuk mendapatkan respons loop
tertutup yang diinginkan untuk sistem kontrol kaskade. Penelitian Kimia Industri dan Rekayasa
37, 1859–1865.
Lee, Y., S. Park, M. Lee dan C. Brosilow (1998b). Penyetelan kontroler PID untuk respons loop tertutup
yang diinginkan untuk sistem SI/SO. Jurnal AIChE 44(1), 106–115.
Leva, A. (1993). Algoritma autotuning PID berdasarkan umpan balik relai. Prosiding IEE
- Teori Kontrol dan Aplikasi 140(5), 328–338.
Leva, A. (2005). Pengontrol proses penyetelan otomatis dengan penolakan gangguan beban yang
ditingkatkan. Jurnal Kontrol Proses 15, 223–234.
Leva, A. dan AM Kolombo (1999). Metode untuk mengoptimalkan bobot set-point di autotuner ISA-PID.
Prosiding IEE - Teori Kontrol dan Aplikasi 146(2), 137–146.
Leva, A. dan AM Kolombo (2001). Sintesis berbasis IMC dari blok umpan balik regulator ISA-PID.
Dalam: Prosiding Konferensi Kontrol Eropa ke-6. Porto, P. hlm. 196–201.
Leva, A., C. Cox dan A. Ruano (2001). Penalaan otomatis PID langsung: panduan untuk pemanfaatan
lebih baik. Laporan teknikal. Ringkasan Teknis IFAC, tersedia di www.ifac control.org.
Luyben, WL (1987). Derivasi model fungsi transfer untuk kolom distilasi yang sangat nonlinear.
Penelitian Kimia Industri dan Rekayasa 26, 2490– 2495.
Luyben, WL (2001a). Pengaruh algoritma turunan dan pemilihan penyetelan pada kontrol PID dari
proses waktu mati. Research Kimia Industri dan Teknik 40, 3605–3611.
Luyben, WL (2001b). Mendapatkan lebih banyak informasi dari uji umpan balik relai. Percobaan Indus
dan Penelitian Kimia Teknik 40, 4391–4402.
Macvicar-Whelan, PJ (1976). Fuzzy set untuk interaksi manusia-mesin. Jurnal Internasional Studi
Mesin Manusia 8, 687–697.
Majhi, S. dan DP Atherton (2000). Penyetelan pengontrol online untuk proses FOPDT yang tidak
stabil. Prosiding IEE - Teori Kontrol dan Aplikasi 147(4), 421–427.
Marlin, TE (2000). Kontrol Proses: Merancang Proses dan Sistem Kontrol untuk
Performa Dinamis. McGraw-Hill. AMERIKA SERIKAT.
Miao, T. dan DE Seborg (1999). Deteksi otomatis loop umpan balik berosilasi berlebihan. Dalam:
Prosiding Konferensi Internasional IEEE tentang Aplikasi Kontrol. Pantai Kohala, HW. hlm. 359–
364.
Machine Translated by Google
304 Referensi
Panda, RC (2006). Estimasi parameter proses under-damped second order plus dead time
menggunakan relay feedback. Komputer dan Teknik Kimia 30(5), 832–837.
Panda, RC dan C.-C. Yu (2003). Ekspresi analitik untuk respons umpan balik relai. Jurnal
Kontrol Proses 13, 489–501.
Panda, RC dan C.-C. Yu (2005). Shape factor kurva respon relay dan penggunaannya
dalam penyetelan otomatis. Jurnal Kontrol Proses 15, 893–906.
Panda, RC, C.-C. Yu dan H.-P. Huang (2004). Aturan penyetelan PID untuk sistem SOPDT:
ulasan dan beberapa hasil baru. Transaksi ISA 43, 283–295.
Park, HI, SW Sung, I.-B. Lee dan J. Lee (1997). Identifikasi proses on-line menggunakan seri
Laguerre untuk penyetelan otomatis kontroler proporsional-integral-derivatif. Penelitian
Kimia Industri dan Teknik 36, 101–111.
Patwardhan, RS dan SL Shah (2002). Masalah dalam diagnostik kinerja pengontrol berbasis
model. Jurnal Kontrol Proses 12, 413–417.
Paulonis, MA dan JW Cox (2003). Pendekatan praktis untuk penilaian kinerja pengontrol skala
besar, diagnosis, dan peningkatan. Jurnal Kontrol Proses 13, 155–168.
Peng, Y., D. Vrancic dan R. Hanus (1996). Teknik transfer anti-windup, bumpless, dan terkondisi
untuk kontroler PID. Majalah Sistem Kontrol IEEE hlm. 48– 57.
Perez, H. dan S. Devasia (2003). Transisi keluaran optimal untuk sistem linier.
Otomatisa 39, 181–192.
Petersson, M., K.-E. ÿArz`en dan T. H¨agglund (2001). Menilai pengukuran untuk kontrol
feedforward. Dalam: Prosiding Konferensi Kontrol Eropa ke-6.
Porto, P.
Petersson, M., K.-E. Arzen dan T.H¨agglund (2003). Perbandingan dua metode penilaian
struktur kontrol umpan untuk lingkungan. Jurnal Internasional Kontrol Adaptif dan
Pemrosesan Sinyal 17, 609–624.
Pfeiffer, B.-M. (1999). Menuju Plug & Control: pengontrol suhu selftuning untuk plc. Dalam:
Prosiding Konferensi Kontrol Eropa ke-5. Karlsruhe, D.
Pfeiffer, B.-M. (2000). Menuju 'plug and control': pengatur suhu self-tuning untuk PLC. Jurnal
Internasional Kontrol Adaptif dan Pemrosesan Sinyal 14, 519–532.
Piazzi, A. dan A. Visioli (2000). Perencanaan gerak berbasis inversi sistem waktu minimum
untuk pengurangan getaran residual. Transaksi IEEE/ASME pada Mechatron ics 5(1), 12–
22.
Piazzi, A. dan A. Visioli (2001a). Kontrol berbasis inversi yang optimal untuk regulasi set-point
sistem skalar tak pasti fase nonminimum. Transaksi IEEE pada Kontrol Otomatis 46, 1654–
1659.
Machine Translated by Google
Referensi 305
Piazzi, A. dan A. Visioli (2001b). Regulasi set-point noncausal yang optimal dari sistem
skalar. Otomatis 37(1), 121–127.
Piazzi, A. dan A. Visioli (2001c). Regulasi terkendala set-point yang kuat melalui inversi
dinamis. Jurnal Internasional Kontrol Kuat dan Nonlinier 11, 1– 22.
Piazzi, A. dan A. Visioli (2005). Menggunakan inversi input-output yang stabil untuk regulasi
sistem skalar terbatas feedforward dengan waktu minimum. Otomatis ica 41(2), 305–
313.
Piazzi, A. dan A. Visioli (2006). Pendekatan noncausal untuk kontrol PID. Jurnal dari
Kontrol Proses 16, 831–843.
Press, WH, SA Teukolsky, WT Vetterling dan BP Flannery (1995). Resep Numerikal: Seni
Komputasi Ilmiah. Pers Universitas Cambridge.
Cambridge, Inggris.
Qin, SJ (1998). Kontrol pemantauan kinerja - review dan penilaian. Kom
puter dan Teknik Kimia 23, 173–186.
Ramakrishnan, V. dan M. Chidambaram (2003). Estimasi model fungsi transfer SOPDT
menggunakan tes umpan balik relai asimetris tunggal. Komputer dan Teknik Kimia 27,
1779–1784.
Rangaiah, GP dan PR Krishnaswamy (1994). Memperkirakan parameter model orde kedua
plus waktu mati. Penelitian Kimia Industri dan Teknik 33, 1867–1871.
Rivera, DE, S. Skogestad dan M. Morari (1986). Kontrol model internal. 4. Desain pengontrol
PID. Desain dan Pengembangan Proses Kimia Industri dan Rekayasa 25(1), 252–265.
Rossi, M. dan C. Scali (2005). Perbandingan teknik untuk deteksi stiction otomatis: simulasi
dan aplikasi untuk data industri. Jurnal Kontrol Proses 15(5), 505–514.
Salsbury, TI (2005). Metode praktis untuk menilai kinerja loop kontrol yang tunduk pada
perubahan beban acak. Jurnal Kontrol Proses 15(4), 393– 405.
Scali, C. dan D. Semino (1991). Performa pengendali optimal dan standar untuk penolakan
gangguan pada proses industri. Dalam: Prosiding Konferensi Internasional IEEE tentang
Industri Elektronika, Kontrol, dan Instrumentasi. Kobe, J. hal. 2033–2038.
Scali, C., G. Marchetti dan D. Semino (1999). Relai dengan penundaan tambahan untuk
identifikasi dan penyetelan otomatis proses yang sama sekali tidak dikenal. Penelitian
Kimia Industri dan Rekayasa 38, 1987–1997.
Seborg, DE, TE Edgar dan DA Mellichamp (2004). Dinamika Proses dan Kontrol - edisi ke-2.
Wiley. AMERIKA SERIKAT.
Shen, S.-H., J.-S. Wu dan C.-C. Yu (1996). Penggunaan umpan balik relai bias untuk
identifikasi sistem. Jurnal Institut Teknik Kimia Amerika 42, 1174– 1180.
Shinskey, FG (1994). Pengontrol Umpan Balik untuk Industri Proses. Bukit McGraw. New
York.
Shinskey, FG (1996). Sistem Kontrol Proses - Aplikasi, Desain, dan Penyetelan.
McGraw-Hill. New York, AS.
Machine Translated by Google
306 Referensi
Swanda, AP dan DE Seborg (1999). Penilaian kinerja pengontrol berdasarkan data respons
set-point. Dalam: Prosiding Konferensi Kontrol Amerika. San Diego, CA. hlm. 3863–
3867.
Taha, O., GA Dumont dan MS Davies (1996). Deteksi dan diagnosis osilasi dalam loop
kontrol. Dalam: Prosiding Konferensi Internasional IEEE tentang Keputusan dan Kontrol.
Kobe, J. hal. 2432–2437.
Tan, KK, Q.-G. Wang, CC Hang dan T.H¨agglund (1999). Kemajuan dalam kontrol PID.
Springer-Verlag. London, Inggris Raya.
Tan, KK, TH Lee dan R. Ferdous (2000). Penyetelan otomatis kontrol kaskade online secara
simultan untuk proses stabil loop terbuka. Transaksi ISA 39, 233–242.
Thornhill, NF dan T. H¨agglund (1997). Deteksi dan diagnosis osilasi dalam loop kontrol.
Praktek Teknik Kontrol 5(10), 1343–1354.
Thornhill, NF, B. Huang dan SL Shah (2003). Penilaian kinerja pengontrol dalam pelacakan
titik setel dan kontrol regulasi. Jurnal Internasional Kontrol Adaptif dan Pemrosesan
Sinyal 17, 709–727.
Thyagarajan, T. dan C.-C. Yu (2003). Penyetelan otomatis yang ditingkatkan menggunakan
faktor bentuk dari umpan balik relai. Riset Kimia Industri dan Rekayasa 42, 4425– 4440.
Thyagarajan, T., C.-C. Yu dan H.-P. Huang (2003). Penilaian kinerja pengontrol: pendekatan
umpan balik relai. Ilmu Teknik Kimia 58, 497–512.
Tzafestas, SG (1994). Sistem fuzzy dan kontrol ahli fuzzy: gambaran umum. Itu
Tinjauan Rekayasa Pengetahuan 9(3), 229–268.
Visioli, A. (1999). Penyesuaian bobot set-point berbasis logika fuzzy dari pengontrol PID.
Transaksi IEEE pada Sistem, Manusia, dan Sibernetika - Bagian A 29, 587–592.
Visioli, A. (2000). Penyesuaian adaptif pembobotan set-point fuzzy untuk pengontrol PID.
Dalam: Lokakarya IFAC Pracetak tentang Kontrol Digital PID'00. Terrassa, E. hal. 513–
518.
Visioli, A. (2001a). Penyetelan kontroler PID yang optimal untuk proses integral dan tidak
stabil. Prosiding IEE - Teori Kontrol dan Aplikasi 148(2), 180–184.
Machine Translated by Google
Referensi 307
Visioli, A. (2001b). Tuning kontroler PID dengan logika fuzzy. Proses IEE -
Teori Kontrol dan Aplikasi 148(1), 1–8.
Visioli, A. (2003a). Skema anti-penyelesaian yang dimodifikasi untuk pengontrol PID. IEE Lanjutkan
ings - Teori Kontrol dan Aplikasi 150(1), 49–54.
Visioli, A. (2003b). Steker & kontrol optimal waktu untuk mengintegrasikan dan proses
FOPDT. Jurnal Kontrol Proses 13, 195–202.
Visioli, A. (2004). Desain baru untuk kontroler PID plus feedforward. Jurnal dari
Kontrol Proses 14, 455–461.
Visioli, A. (2005a). Desain dan penyetelan pengontrol rasio. Praktek Teknik Kontrol 13, 485–
497.
Visioli, A. (2005b). Evaluasi eksperimental dari strategi Plug&Control untuk kontrol level.
Dalam: Pracetak Kongres Dunia IFAC ke-16 tentang Kontrol Otomatis. Praha, CZ.
Visioli, A. (2005c). Penyetelan PID berbasis model untuk proses tingkat tinggi: kapan harus
mendekati. Dalam: Prosiding Konferensi Internasional IEEE tentang Keputusan dan
Kontrol - Konferensi Kontrol Eropa. Sevilla, E. hal. 7127–7132.
Visioli, A. (2005d). Arsitektur kontrol rasio baru. Penelitian Kimia Industri dan Teknik 44,
4617–4624.
Visioli, A. (2006). Metode penilaian penyetelan kontroler proporsional-integral.
Penelitian Kimia Industri dan Teknik 45, 2741–2747.
Visioli, A. dan A. Piazzi (2003). Meningkatkan set-point mengikuti kinerja pengontrol
industri dengan algoritme inversi dinamis cepat. Penelitian Kimia Industri dan
Rekayasa 42, 1357–1362.
Visioli, A. dan A. Piazzi (2005). Tentang penggunaan inversi dinamis untuk peningkatan
kontrol PID. Dalam: Pracetak Kongres Dunia IFAC ke-16 tentang Kontrol Otomatis.
Praha, CZ.
Visioli, A. dan A. Piazzi (2006). Metode penyetelan otomatis untuk sistem kontrol kaskade.
Dalam: Prosiding Konferensi Internasional IEEE tentang Aplikasi Kontrol. Munich, D.
Visioli, A. dan M. Veronesi (1999). Nuove funzionalita' per controllori PID (in ital ian).
Automazione e Strumentazione (Oktober), 149–155.
Vivek, S. dan M. Chidambaram (2005a). Identifikasi menggunakan uji umpan balik relai
simetris tunggal. Komputer dan Teknik Kimia 29, 1625–1630.
Vivek, S. dan M. Chidambaram (2005b). Penyetelan otomatis relai pengontrol PID yang
lebih baik untuk sistem FOPDT yang tidak stabil. Komputer dan Teknik Kimia 29, 2060–
2068.
Vrancic, D. (1997). Desain perlindungan transfer anti-windup dan bumpless. PhD
tesis. Universitas Ljubljana. Ljubljana, SLO.
Walgama, KS dan J. Sternby (1990). Properti pengamat yang melekat dalam kelas
kompensator anti-penyelesaian. Jurnal Kontrol Internasional 52(3), 705–724.
Walgama, KS, S. Ronnback dan J. Sternby (1991). Generalisasi teknik pengkondisian
untuk kompensator anti-windup. Prosiding IEE - Teori Kontrol dan Aplikasi 139(2), 109–
118.
Wallen, A. (2000). Alat untuk kontrol proses otonom. tesis PhD. Institut Teknologi Lund.
Lund, S.
Wallen, A. dan KJ ÿAstr¨om (2002). Kontrol langkah pulsa. Dalam: Pracetak tanggal 15
Kongres Dunia IFAC tentang Kontrol Otomatis. Barcelona,E.
Wang, L. dan WR Cluett (1994). Pilihan faktor penskalaan waktu yang optimal untuk
pendekatan sistem linier menggunakan model laguerre. Transaksi IEEE pada Kontrol
Otomatis 39(7), 1463–1467.
Machine Translated by Google
308 Referensi
Wang, L. dan WR Cluett (2000). Dari Data Pabrik ke Kontrol Proses. Trevor dan Francis.
London (Inggris).
Wang, Q.-G. dan Y.Zhang (2001). Identifikasi yang kuat dari sistem kontinu dengan
waktu mati dari respons langkah. Otomatisa 37, 377–390.
Wang, Q.-G., C.-C. Hang dan B.Zou (1997). Pemodelan tingkat rendah dari umpan balik
relai. Penelitian Kimia Industri dan Rekayasa 36, 375–381.
Wang, Q.-G., C.-C. Hang dan Q.Bi (1999a). Sebuah teknik untuk identifikasi respon frekuensi
dari umpan balik relai. Transaksi IEEE pada Teknologi Sistem Kontrol 7(1), 122–128.
Wang, Q.-G., C.-C. Hang, S.-A. Zhu dan Q.Bi (1999b). Implementasi dan pengujian
dari penala otomatis estafet tingkat lanjut. Jurnal Kontrol Proses 9, 291–300.
Wang, Q.-G., H.-W. Fung dan Y.Zhang (1999c). Estimasi respons frekuensi proses yang kuat
dari umpan balik relai. Transaksi ISA 38, 3–9.
Wang, Q.-G., TH Lee dan C. Lin (2003). Umpan Balik Relai: Analisis, Identifikasi
dan Kontrol. Peloncat. Inggris.
Wang, Q.-G., X. Guo dan Y. Zhang (2001). Identifikasi langsung sistem tunda waktu kontinu
dari respons langkah. Jurnal Kontrol Proses 11, 531–542.
Yamashita, Y. (2006). Metode otomatis untuk mendeteksi stiksi katup dalam loop kontrol
proses. Praktek Teknik Kontrol 14, 503–510.
Yu, CC (1999). Penyetelan Otomatis Pengontrol PID. Springer-Verlag. London, Hebat
Britania.
Zheng, L. (1992). Panduan praktis untuk menyetel kontroler proporsional dan integral (pi)
seperti fuzzy. Dalam: Prosiding Konferensi Internasional IEEE tentang Sistem Fuzzy.
hlm. 633–640.
Zhuang, M. dan DP Atherton (1993). Penyetelan otomatis pengontrol PID optimal. Prosiding
IEE - Teori Kontrol dan Aplikasi 140(3), 216–224.
Ziegler, JG dan NB Nichols (1942). Pengaturan optimal untuk pengontrol otomatis.
Transaksi ASME hlm. 759–768.
Zou, Q. dan S. Devasia (1999). inversi stabil berbasis pratinjau untuk pelacakan keluaran
sistem linier. Jurnal ASME Sistem Dinamis, Pengukuran, dan Kontrol 121, 625–630.
Machine Translated by Google
Indeks
310 Indeks
noise band, 42, 152, 230 Prediktor Smith, 16, 215, 263
bentuk tidak berinteraksi, 7 Sistem SOPDT, 180, 233 bentuk
standar, 264 kesalahan
kontrol on-off, 3
kondisi tunak, 4, 5, 15, 38 stiction, 225
optimisasi, 149, 172, 191, 199, 232, 236, 240,
263 deteksi
osilasi, 223, 227 diagnosis osilasi, metode tangen, 166, 184 kontrol
indeks output 225, waktu suhu, 55, 85, 107, 145, 160
transisi output 242,
96, 100, 111, 115, 124 , 132 pengontrol tiga keadaan, 3, 149
mode pelacakan, 40
konstanta waktu pelacakan, 39
Pad`e approximation, 110, 112, 195 bentuk
polinomial transisi, 111, 131 penyetelan,
paralel, 8, 9 kontrol
16, 33, 46, 61, 149, 234, 253, 282 aturan penyetelan
meteran paralel, 268 estimasi
parameter, lihat penilaian kinerja identifikasi, 209 Kappa–Tau, 28, 277
deterministik, 222 stokastik, 210
halus Ziegler–Nichols, 66
plug&kontrol, 145 Ziegler–Nichols, 17, 20, 27, 272 kontrol
penempatan kutub,
dua derajat kebebasan, 11, 61, 265
22 pembatalan kutub-
nol, 33, 146 algoritma
posisi, 14 postaktuasi, 114 pra-aksi, perolehan akhir, 65, 173
6 praaktuasi, 114 preloading, periode akhir, 65, 170, 173, 191, 254 sistem
38, 42, 44, 50 underdamped, 180