Zezwala się na korzystanie z artykułu na warunkach licencji Creative Commons Uznanie autorstwa 3.0
WprowadzenieW związku z postępującym rozwojem techniki i rosnącą w wyniku globalizacji konkurencją coraz większą uwagę zwraca się na dokładne sterowanie procesami ciągłymi, które stanowią podstawę wielu gałęzi przemysłu. Przejawia się to rosnącą popularnością zaawansowanych algorytmów regulacji, takich jak sterowanie predykcyjne [22], jednak jego stosowalność ma swoje praktyczne ograniczenia [19] i najczęściej stosowanym rozwiązaniem pozostaje występujący w różnych formach regulator PID [12]. Regulacja z wykorzystaniem tego algorytmu ma wiele zalet, które przyczyniły się do jego popularności w przemyśle. Regulatory tego rodzaju nie wymagają modelu obiektu do działania, nie wymagają dużego nakładu obliczeń ze strony sterowników, a często mimo swojej prostoty zapewniają w zupełności wystarczającą dokładność i szybkość regulacji [11].W celu zapewnienia poprawnego działania układu regulacji, nastawy (parametry) regulatora PID powinny zostać odpowiednio dobrane pod kątem właściwości obiektu sterowania. Poprawne dostrojenie poprawia jakość produktu, ogranicza koszty eksploatacji, a także podnosi bezpieczeństwo obiektu.Trafny dobór nastaw regulatora ma istotny wpływ na wiele aspektów procesu, ale przede wszystkim prowadzi do zwiększenia zysków i ograniczenia kosztów, co powinno być wystarczającym argumentem za tym, że jest to istotny problem, który nie powinien być lekceważony [5,13]. W literaturze temat ten rozpatrywany jest od wielu lat. Pierwsze raportowane prace pojawiają się w latach 60. wraz z ocenami pracy układów sterowania w papiernictwie dokonanymi przez Åströma [1]. Badania były kontynuowane w kolejnych dziesięcioleciach [23,26]. Znaczne przyspieszenie nastąpiło w 1989 r. wraz z pracami Harrisa [9] na temat metod minimalno-wariacyjnych. Obecne rozwiązania pozwalają na zastosowanie dla różnych przypadków oraz zjawisk, jak na przykład nieliniowości [10], układów wielkiej skali [14], regulacji predykcyjnej [16], systemów wielowymiarowych [27], uwzględniając wpływ tarcia w urządzeniach wykonawczych [4], zjawiska oscylacji [20] i wiele innych [8]. Owe badania znalazły również przełożenie komercyjne, jako że istnieje wiele rozwiązań informatycznych automatyzujących proces [3]. Ponieważ opracowano wiele różnych wskaźników, można wydzielić kilka grup podejść [8, 11, 21]: − rozwiązania w dziedzinie czasu wykorzystujące odpowiedź skokową: uchyb ustalony, przeregulowanie, czas regulacji, dojścia, osiągnięcia maksimum, wskaźniki: Area Index, Output Index, R-index, Idle Index, − wskaźniki bazujące na przebiegach czasowych zmiennych biorących udział w sterowaniu (sygnał sterujący, uchyb regulacji, wyjście procesu), najczęściej w postaciach całkowych: średni błąd kwadratowy MSE (Mean Square Error), średnia całka z modułu IAE (Integral of Absolute Error), ale i innych jak wskaźnik amplitudowy AMP (Amplitude Index), − miary statystyczne: odchylenie standardowe, wariancja, skośność, kurtoza, współczynniki skali, kształtu, statyst...