Краткая теоретическая справка о преимуществах ПИД-регулятора.
Преимущества ПИД-регулятора заключаются не только в простоте реализации функции, но и малых затратах ресурсов микропроцессора. Кроме того, при его проектировании не требуются детальные знания об управляемом процессе, и о математической модели управляемого объекта. Однако классический ПИД-регулятор, в электронной системе регулирования (ЭСУ) дизельных двигателей не применяется, поскольку параметры и характеристики двигателя изменяются как в начальный период работы, так и на протяжении всего времени его эксплуатации, более того они зависят от режима работы двигателя. Поэтому классический ПИД-регулятор, в данной ситуации, требует модификации.
В настоящее время наибольший интерес представляет адаптивное управление, т.е. такие алгоритмы работы, которые позволяют автоматически изменять характеристики системы управления (СУ) при изменении условий работы с целью оптимизации управления. Оптимизация в данном случае осуществляется по заданному критерию. Подобные системы управления содержат в себе модель процесса, либо предусматривают наличие функций настройки по эталонным сигналам. Эффективность таких систем выше, чем у классического ПИД-регулятора, но при проектировании они требуют значительных затрат для идентификации объекта управления, а также прерывания нормального процесса регулирования с целью собственной настройки по эталонному сигналу.
Этих недостатков удается избежать, применяя интеллектуальное управление. Оно может быть осуществлено в электронных системах управления, реализующих современные алгоритмы, основанные на опыте, полученном в биологических исследованиях центральной нервной системы и генетике. В основе алгоритмов лежит попытка реализации искусственного интеллекта. Данный подход применен в нечеткой логике, искусственных нейронных сетях и генетических алгоритмах оптимизации. Алгоритмы интеллектуального управления показывают высокую эффективность и способны функционировать даже в условиях, не предусмотренных при их проектировании. К недостаткам их применения следует отнести сложность реализации. Нечеткая логика требует значительных затрат времени на создание лингвистических правил и оперирует сложным математическим аппаратом. Генетические алгоритмы используют значительные ресурсы микропроцессора на поиск оптимума. Искусственные нейронные сети требуют обучения с помощью экспертных данных, подобранных таким образом, чтобы обеспечить возможность максимального их обобщения с целью выработки универсального правила работы нейронной сети.
Ввиду сложности процессов, протекающих в дизельном двигателе, для качественного управления им, оптимальным оказывается применение какого-либо из описанных выше подходов, следовательно, математической модели высокой сложности. Дизельный двигатель является чрезвычайно нелинейным объектом, так как на нормальное протекание рабочего процесса влияет целый ряд факторов, таких как:
- температура окружающей среды;
- атмосферное давление;
- влажность воздуха и др.
Внедрение адаптивных алгоритмов подстройки параметров системы управления способно частично решить проблемы, связанные с неопределенностью характеристик и отдельных параметров двигателя, включая их неидентичность, нестабильность и случайность, реально проявляющиеся как ухудшение мощностных и экологических показателей на неоптимальных режимах работы двигателя (холостой ход, работа при постоянном изменении нагрузки, либо частоты вращения коленчатого вала). Применение интеллектуальных систем, в том числе искусственных нейронных сетей (ИНС), для управления дизельным двигателем считается наиболее перспективным средством управления, так как позволяет обойтись без точного математического моделирования объекта управления, а наличие возможности самообучения, позволяет системе автоматического управления работать и в условиях, не предусмотренных на этапе проектирования (нештатные ситуации, отказы датчиков и другие неисправности) благодаря способности обобщения получаемой информации.
Для улучшения динамических показателей дизельного двигателя, входящего в состав электроагрегата или электростанции, структурно-параметрическая оптимизация системы управления должна осуществляться с учетом характеристик объекта. Расчет этих параметров может быть выполнен путем параметрической оптимизации, параметрической настройки и методом последовательного приближения.
Параметрическая оптимизация
Суть метода заключается в том, что с помощью математической модели объекта управления осуществляется подбор сочетания параметров системы с целью минимизации критерия качества. Аналитическое решение возможно лишь для объектов и регуляторов очень низкого порядка. В остальных случаях применяют численные методы.Параметрическая настройка.
Осуществляется при помощи алгоритмов параметрической настройки, позволяющих получить параметры регулятора, близкие к оптимальным для некоторого критерия. Обычно для этого необходимо оценивать либо параметры переходного процесса в системе при ступенчатом задающем воздействии, либо критическое значение коэффициента усиления и период колебаний на границе устойчивости системы.Метод последовательного приближения
Осуществляется путем последовательного увеличения значений параметров от малых начальных до такой их величины, когда процесс в замкнутой системе ни приобретет значительной колебательности. После этого, значения параметров постепенно уменьшаются.С целью выполнения строгих требований к качеству регулирования, например, если переходный процесс оказывается сложным, затянутым или существенно изменяющимся, следует применять метод параметрической оптимизации. Этот метод также пригоден для автоматизации процесса проектирования регуляторов.