Hola a todos,
Un cliente quiere saber si puede utilizar JMP para el diseño y optimización del controlador PID. Las funciones de transferencia parecen usarse para esto (transformación de tiempo a frecuencia).
¿Alguien tiene conocimiento sobre esto o incluso ejemplos?
Gracias
florián
Si bien JMP en sí no tiene funcionalidades integradas para simular sistemas de control o trabajar directamente con funciones de transferencia, puede importar datos de simulaciones (realizadas en otro software como MATLAB o Simulink) a JMP para su análisis. JMP puede ayudar a analizar los resultados y comprender el impacto de diferentes configuraciones de PID.
Aunque JMP no está diseñado específicamente para el diseño de sistemas de control, sus capacidades en:
-
Diseño de experimentos (DoE): las capacidades RSM (Metodología de superficie de respuesta) y CD (Diseño personalizado) de JMP pueden ser útiles para modelar y optimizar la relación entre los parámetros PID y las métricas de rendimiento. Esto puede ayudar a visualizar cómo los cambios en la configuración de PID afectan la respuesta del sistema y a encontrar la configuración óptima.
-
Visualización: las herramientas de visualización de JMP se pueden utilizar para trazar respuestas del sistema, señales de control y otras métricas relevantes. Esto ayuda a comprender el comportamiento del sistema de control y la efectividad de diferentes configuraciones de PID, especialmente si involucra funciones extensas en el dominio del tiempo.
lo convierten en una herramienta valiosa para optimizar los controladores PID cuando se utilizan junto con otras herramientas de diseño de sistemas de control.
Si necesita trabajar extensamente con funciones de transferencia y transformaciones de tiempo a frecuencia, puede resultar práctico y beneficioso utilizar JMP (aprovechando las capacidades para las que está diseñado) junto con software de sistemas de control especializado como MATLAB y Simulink. Estas herramientas se utilizan ampliamente en el ámbito de los dispositivos médicos y JMP puede complementarlas eficazmente en este contexto.
Como @Chandramouli_R , JMP puede resultar muy útil aquí. Los diseños que llenan el espacio y el ajuste del proceso gaussiano pueden ser muy efectivos para construir modelos sustitutos de un sistema de manera eficiente en el tiempo, y luego el perfilador se puede usar para realizar análisis hipotéticos, simulaciones adicionales de Monte Carlo y comunicar los datos reales. modelo complejo a las partes interesadas.
Tenía un ejemplo en MATLAB WP que escribí hace un tiempo, pero creo que fue eliminado. Puedo desenterrarlo.
sumando mis 2 centavos
DOE se puede utilizar para ayudar en el diseño y optimización del controlador PID. ¡Tantas cosas divertidas para considerar aquí! Creo que la forma en que el DOE puede ayudar depende de las actividades de diseño y optimización que esté realizando su cliente. Aquí hay un par de posibilidades...
Suponiendo que el cliente tenga conocimiento de la teoría de control clásica, software de simulación y equipo para probar los parámetros del controlador:
En el caso más simple, el cliente modeló el sistema físico y determinó estimaciones de ganancias proporcionales (P), integrales (I) y derivadas (D) para la función de transferencia del compensador. Las estimaciones se eligen en función de objetivos de diseño como el tiempo de respuesta, el exceso y el error de estado estable. A menudo se realizará un análisis de estabilidad para comprender los valores de las ganancias que pueden provocar inestabilidad en el sistema. El trabajo de diseño suele realizarse en software como MATLAB. Cuando las ganancias se aplican a un controlador en un sistema como una máquina, el comportamiento real suele ser diferente al esperado y es necesario ajustar los parámetros. Aquí es donde entra en juego el DOE. Un flujo de trabajo típico podría ser
Diseñe un experimento para encontrar ganancias PID óptimas.
Factores: P, I, D, + cualquier variable de proceso adicional
Límites: elija límites que contengan las ganancias PID simuladas y que eviten ganancias o combinaciones de ganancias que conducirán a la inestabilidad del sistema. Utilice restricciones si es necesario.
Respuestas: utilice objetivos de diseño como tiempo de respuesta, sobreimpulso y error ss dados como respuestas en el experimento.
Ejecute el experimento en orden aleatorio en el equipo y analice los resultados. Encuentre los parámetros PID óptimos. Adjunté un documento que da un ejemplo simple de esta idea. En este artículo y en mi vida pasada, las respuestas se basaron en resúmenes de curvas de series de tiempo que son comunes en la teoría de control para medidas como el tiempo de respuesta, el exceso, etc. No tuve acceso a FDE en mi vida pasada cuando hacía este tipo de trabajar. Desearía haber. Creo que sería mucho mejor determinar valores de ganancias de PID que logren una curva de serie de tiempo ideal. Por cierto, creo que este sería un artículo de descubrimiento fantástico si su cliente quisiera probar este enfoque.
Se podría debatir el tipo de diseño del experimento. El diseño de relleno de espacio, como mencionó Dan, puede funcionar. ¿Quizás otra posibilidad podría ser utilizar un diseño clásico (o un diseño personalizado si hay restricciones en juego) utilizando una transformada logarítmica de LaPlace de la función de transferencia como modelo? No lo he probado pero parece posible. Lo más parecido a esta idea que pude encontrar en la literatura es un artículo que Taguchi escribió donde utilizó matrices ortogonales para minimizar la relación señal-ruido de un sistema controlado por PID. Adjunté el papel. Si el cliente está puramente en modo de simulación y explora los parámetros de la función de transferencia que logran un comportamiento óptimo del sistema, entonces el enfoque de diseño de llenado de espacio que Dan mencionó definitivamente tiene sentido ya que el modelo es determinista. También esperaría que se incluyeran más parámetros ya que las ganancias de PID son solo parámetros de compensación.
El conocimiento de la teoría de control, las funciones de transferencia y el acceso al software de simulación son muy útiles para comprender cómo determinar los límites de las ganancias en un experimento. Aunque no es estrictamente necesario. Creo que esto es raro para los clientes que no están diseñando controladores sino que están ajustando un controlador en una máquina existente. En este caso, utilizar las ganancias PID existentes para establecer límites funciona. Las máquinas se comportan de manera diferente a lo largo del tiempo debido al desgaste y a diferentes factores. También puede resultar útil incluir otros factores que puedan alterar la controlabilidad de la máquina en el DOE. Mi mejor estimación es que esta es la aplicación más común de DOE en el ajuste/optimización de PID. Sin duda es lo que más he hecho.
Espero que esto ayude. Ojalá todavía tuviera máquinas con las que jugar y un conocimiento un poco más fresco de la teoría del control. ¡Creo que este es un verdadero campo de juego para el DOE!
¡Gracias a todos @Chandramouli_R @Daniel_Valente @Jason_Wiggins !
Giro interesante para mi:) Hablaré con el cliente para conocer más sobre su situación y si DoE podría ser realmente lo que necesita.
