ДВА ВИДИ ЗАВДАНЬ ЧИСЕЛЬНОЇ ОПТИМІЗАЦІЇ РЕГУЛЯТОРА

Будемо розрізняти два різних підходи до задачі чисельної оптимізації регулятора. Безвідносно до того, автоматична, напівавтоматична або ручна процедура оптимізації виконується, завдання можуть принципово відрізнятися по тому, чи ведеться дослідження безпосередньо з об'єктом або з його моделлю. Відповідно, виділимо два класи задач.

Завдання 1. Чисельна оптимізація регулятора шляхом експериментів безпосередньо з об'єктом.

Завдання 2. Чисельна оптимізація регулятора шляхом моделювання з використанням моделі об'єкта.

При виконанні завдання 1 можуть виникати такі труднощі:

  • обмеження по режиму - неприпустимість перерегулирования або перевищення деякого наперед заданого рівня, неприпустимість коливального перехідного процесу і т.д .;
  • обмеження по кількості циклів випробувань або висока вартість кожного випробування;
  • низька повторюваність експериментів внаслідок перешкод, шумів, нестаціонарних властивостей деяких параметрів і т.д .;
  • надзвичайно мале швидкодію, внаслідок чого багаторазові експерименти утруднені або неможливі.

Ряд об'єктів не допускає експлуатацію не тільки в нестійких контурах, але навіть і при недостатню якість управління, яке призводить до шлюбу вихідний продукції або до псування об'єкта. Велика тривалість процесів в реальних об'єктах з урахуванням необхідної кількості циклів моделювання (500-10000) призводить до неприпустимо великого часу експерименту.

При вирішенні задачі 2 перерахованих вище труднощів немає, але виникають проблеми адекватності використовуваної моделі реальної моделі об'єкта.

Гострота цієї проблеми не завжди адекватно розуміється фахівцями. Справа в тому, що по відгуку на деякі конкретні дії, наприклад на поетапне вплив, можна приблизно побудувати модель об'єкта і дати оцінку його параметрів (коефіцієнтів цієї моделі). Моделювання об'єкта з таким же впливом демонструє досить близький збіг зазначених експериментальних і модельних перехідних процесів.

Однак при реалізації системи з регулятором на вигляд перехідних процесів в системі можуть впливати ті параметри реальної моделі, які при вихідних експериментах по ідентифікації надавали несуттєве вплив на їх вигляд в розімкнутому випадку. Успішність ідентифікації об'єкта слід оцінювати не за випадковим збігом відгуку об'єкта на ступеневу або інше тестове вплив при відсутності зворотного зв'язку, а за збігом відгуку системи з оптимізованим регулятором при її моделюванні і при її реальному функціонуванні при наявності зворотного зв'язку. Результати такого роду збігів рідко наводяться в статтях, що демонструє недостатню якість ідентифікації об'єктів управління в більшості практичних випадків.

Це є причиною широкого поширення методів практичного вирішення завдання 1, неефективність яких легко демонструється при вирішенні задачі 2, а саме: відомі методи незатухаючих коливань, затухаючих коливань та ін., Призначені спеціально для настройки регуляторів за результатами реальних випробувань системи. Так, метод незатухаючих коливань пропонує довести систему до стану незатухаючих коливань, визначити коефіцієнти регулятора, що призводить до таких коливань, і частоту одержуваних коливань. За цими результатами за допомогою таблиці обчислюються коефіцієнти регулятора, який пропонується використовувати для управління цим об'єктом. Подібні методи базуються на деякій спрощеній моделі об'єкта і на зв'язку перерахованих параметрів між собою. Наприклад, найчастіше передбачається, що об'єкт має модель виду аперіодичної ланки і послідовно включеного з ним ланки чистого запізнювання. Ця гіпотеза найчастіше безпідставна, тому і методи дають далеко не оптимальний результат, а нерідко результат просто непридатний. Крім того, деякі об'єкти просто не можна доводити до стану незатухаючих коливань з технологічних причин. Проте подібні методи широко поширені в практиці наукових досліджень внаслідок відсутності проблеми ідентифікації. У реальній практиці вони зустрічаються рідше.

Якщо ж результат отриманий на реальному об'єкті, проблеми перенесення його на практику не виникає. Будь-який результат, навіть далекий від оптимального, в даному випадку буде більш надійний, ніж оптимальний результат для не цілком адекватної моделі.

 
Переглянути оригінал
< Попер   ЗМІСТ   ОРИГІНАЛ   Наст >