ಲಾಭಗಳು:
- ಸರಿಯಾದ ಸಂದರ್ಭದೊಂದಿಗೆ AI ಗೆ PID ನಿಯಂತ್ರಕದ P, I, D ನಿಯಮಗಳು ಮತ್ತು ಪರಿಣಾಮಗಳನ್ನು ವಿವರಿಸುವ ಮತ್ತು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯ
- AI ಸಹಾಯದಿಂದ ಹಂತ ಹಂತವಾಗಿ Ziegler-Nichols ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಶ್ರುತಿ ವಿಧಾನಗಳನ್ನು ಕೈಗೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ
- AI ಶಿಫಾರಸುಗಳಲ್ಲಿ ಇಂಟಿಗ್ರಲ್ ವಿಂಡ್ಅಪ್, ವ್ಯುತ್ಪನ್ನ ಶಬ್ದದಂತಹ PID ಬಲೆಗಳನ್ನು ಗುರುತಿಸುವ ಮತ್ತು ತೆಗೆದುಹಾಕುವ ಸಾಮರ್ಥ್ಯ
ಓವನ್ನ ತಾಪಮಾನವನ್ನು ಸ್ಥಿರವಾಗಿರಿಸುವುದು, ಮೋಟರ್ನ ವೇಗವನ್ನು ಅಪೇಕ್ಷಿತ ಮೌಲ್ಯದಲ್ಲಿ ಚಾಲನೆ ಮಾಡುವುದು, ಡ್ರೋನ್ನ ಕೋನವನ್ನು ಸಮತೋಲನಗೊಳಿಸುವುದು; ಅವರೆಲ್ಲರ ಹೃದಯಭಾಗದಲ್ಲಿ ನಿಯಂತ್ರಣ ಅಲ್ಗಾರಿದಮ್ ಇದೆ. ಇವುಗಳಲ್ಲಿ ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾದದ್ದು PID ನಿಯಂತ್ರಕ, ಇದು ಉದ್ಯಮದ ಬೆನ್ನೆಲುಬಾಗಿದೆ. PID; ಇದು ಸರಳ, ದೃಢವಾದ ಮತ್ತು ವ್ಯಾಪಕವಾದ ಸಮಸ್ಯೆಗಳ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಆದರೆ "ಸರಳ" ಎಂದರೆ "ಟ್ಯೂನ್ ಮಾಡಲು ಸುಲಭ" ಎಂದಲ್ಲ: ತಪ್ಪಾಗಿ ಹೊಂದಿಸಲಾದ PID ಆಂದೋಲನಗೊಳ್ಳುತ್ತದೆ, ಮಿತಿಮೀರಿದ, ತಡವಾಗಿ ಕುಳಿತುಕೊಳ್ಳುತ್ತದೆ ಅಥವಾ ಸಂಪೂರ್ಣವಾಗಿ ಅಸ್ಥಿರವಾಗುತ್ತದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಇಲ್ಲಿ ಮೌಲ್ಯಯುತ ಸಹಾಯಕವಾಗಿದೆ: ಇದು PID ಪದಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ, ಶ್ರುತಿ ವಿಧಾನಗಳ ಮೂಲಕ ಮಾರ್ಗದರ್ಶನ ಮಾಡುತ್ತದೆ, ವಿಶಿಷ್ಟವಾದ ಮೋಸಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುತ್ತದೆ ಮತ್ತು ಟ್ಯೂನಿಂಗ್ ಕೋಡ್ ಅನ್ನು ಬರೆಯುತ್ತದೆ. ಆದಾಗ್ಯೂ, ನಿಮ್ಮ ಸಿಸ್ಟಮ್ನ ದೈಹಿಕ ನಡವಳಿಕೆಯನ್ನು ನೋಡುವ ಮೂಲಕ ಅಂತಿಮ ಹೊಂದಾಣಿಕೆಯನ್ನು ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಸ್ಥಿರತೆಯ ನಿರ್ಧಾರವು ಎಂಜಿನಿಯರ್ಗೆ ಸೇರಿದೆ. ಈ ಯೂನಿಟ್ನಲ್ಲಿ AI ನೊಂದಿಗೆ PID ಟ್ರ್ಯಾಪ್ಗಳನ್ನು ಹೇಗೆ ಸ್ಥಾಪಿಸುವುದು, ಟ್ಯೂನ್ ಮಾಡುವುದು ಮತ್ತು ಪರಿಶೀಲಿಸುವುದು ಎಂಬುದನ್ನು ನಾವು ಕವರ್ ಮಾಡುತ್ತೇವೆ.
PID ಯ ಮೂರು ನಿಯಮಗಳು
PID ದೋಷ ಸಂಕೇತಕ್ಕೆ (e = ಗುರಿ - ಅಳತೆ) ಮೂರು ರೀತಿಯಲ್ಲಿ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ:
ಅವಧಿ
ಅವನು ಏನು ನೋಡುತ್ತಾನೆ?
ಪರಿಣಾಮ
ತೀವ್ರವಾಗಿ
ಪಿ (ಪ್ರಮಾಣಿತ)
ಪ್ರಸ್ತುತ ದೋಷ
ವೇಗದ ಪ್ರತಿಕ್ರಿಯೆ
ಆಂದೋಲನ, ಶಾಶ್ವತ ದೋಷ
ನಾನು (ಅವಿಭಾಜ್ಯ)
ಹಿಂದಿನ ದೋಷವನ್ನು ಸಂಗ್ರಹಿಸಲಾಗಿದೆ
ಶಾಶ್ವತ ದೋಷವನ್ನು ಮರುಹೊಂದಿಸುತ್ತದೆ
ಓವರ್ಶೂಟ್, ಗಾಳಿ, ಆಂದೋಲನ
ಡಿ (ಉತ್ಪನ್ನ)
ದೋಷ ಬದಲಾವಣೆಯ ದರ
ಡ್ಯಾಂಪಿಂಗ್ ಮಿತಿಮೀರಿದ ಪ್ರಮಾಣವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ
ಶಬ್ದವನ್ನು ವರ್ಧಿಸಿ
ಮೌಖಿಕ ಸಾರಾಂಶ: "ನಾನು ಈಗ ಎಷ್ಟು ದೂರದಲ್ಲಿದ್ದೇನೆ", ನಾನು "ನಾನು ಎಷ್ಟು ಸಮಯದಿಂದ ದೂರವಿದ್ದೇನೆ", ಡಿ "ನಾನು ಎಷ್ಟು ವೇಗವಾಗಿ ಸಮೀಪಿಸುತ್ತಿದ್ದೇನೆ" ಎಂಬ ಪ್ರಶ್ನೆಗಳಿಗೆ ಪಿ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ. ಉತ್ತಮ ನಿಯಂತ್ರಕವು ಮೂರನ್ನೂ ಸಮತೋಲನಗೊಳಿಸುತ್ತದೆ.
ವರ್ಗ PID: def __init__(self, Kp, Ki, Kd, output_min=-100, output_max=100): self.Kp, self.Ki, self.Kd = Kp, Ki, Kd self.out_min, self.out_max = output_min, output_max self.0 self.0 self.prev.0 = 0 ಲೆಕ್ಕಾಚಾರ (ಸ್ವಯಂ, ಗುರಿ, ಅಳತೆ, dt): ದೋಷ = ಗುರಿ - ಅಳತೆ # P p = self.Kp * ದೋಷ # I -- self.integral ವಿಂಡ್ಅಪ್ ರಕ್ಷಣೆ += ದೋಷ * dt i = self.Ki * self.integral # D -- ವ್ಯುತ್ಪನ್ನ ಶಬ್ದ ಸಂವೇದನಾಶೀಲ d = self.Kd * (ದೋಷ ಹೊರಗಿದೆ = ಸ್ವಯಂ. ಹಿಂದಿನ / ಹಿಂದಿನದು) p + i + d # ಔಟ್ಪುಟ್ ಅನ್ನು ಸ್ಯಾಚುರೇಟ್ ಮಾಡಿ ಮತ್ತು ಔಟ್ಪುಟ್ ವೇಳೆ ವಿಂಡ್ಅಪ್ ಅನ್ನು ಮಿತಿಗೊಳಿಸಿ > self.output_max: output = self.out_max self.integral -= ದೋಷ * dt # anti-windup: ಇಂಟಿಗ್ರಲ್ ಎಲಿಫ್ ಔಟ್ಪುಟ್ ಅನ್ನು ರದ್ದುಗೊಳಿಸಿ < self.output_min: output = self.output_min self.integral -= ಔಟ್ಪುಟ್ ದೋಷ *dt return *
ಈ ಕೋಡ್ "ತರಬೇತಿ PID" ಅಲ್ಲ, ಆದರೆ ಉತ್ಪಾದನಾ ತರ್ಕಕ್ಕೆ ಹತ್ತಿರವಿರುವ ಅಸ್ಥಿಪಂಜರ: ಇದು ಔಟ್ಪುಟ್ ಸ್ಯಾಚುರೇಶನ್ ಮತ್ತು ಆಂಟಿ-ವಿಂಡಪ್ ಅನ್ನು ಒಳಗೊಂಡಿದೆ. AI ನೀಡಿದ ಅನೇಕ ಸರಳ PIDಗಳು ಈ ಎರಡು ರಕ್ಷಣೆಗಳನ್ನು ಬೈಪಾಸ್ ಮಾಡುತ್ತವೆ; ಅವುಗಳಿಲ್ಲದೆ, ಪ್ರಚೋದಕವು ಅದರ ಮಿತಿಯನ್ನು ತಲುಪಿದಾಗ, ಅವಿಭಾಜ್ಯವು ಊದಿಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಸಿಸ್ಟಮ್ ಅನಿರೀಕ್ಷಿತವಾಗಿ ಅತಿಕ್ರಮಿಸುತ್ತದೆ.
ಸಲಹೆ: PID ಗಾಗಿ AI ಅನ್ನು ಕೇಳಿದಾಗ "ಔಟ್ಪುಟ್ ಸ್ಯಾಚುರೇಶನ್ ಮತ್ತು ಆಂಟಿ-ವಿಂಡಪ್ ಅನ್ನು ಸೇರಿಸಿ, ವ್ಯುತ್ಪನ್ನ ಪದಕ್ಕೆ ಮಾಪನದ ಮೇಲೆ ವ್ಯುತ್ಪನ್ನವನ್ನು ಅನ್ವಯಿಸಿ" ಎಂದು ಹೇಳಿ. ಈ ಮೂರು ಸೇರ್ಪಡೆಗಳು ಪಠ್ಯಪುಸ್ತಕ PID ಅನ್ನು ಕ್ಷೇತ್ರ PID ಗೆ ಪರಿವರ್ತಿಸುತ್ತವೆ.
ಇಂಟಿಗ್ರಲ್ ವಿಂಡಪ್ ಮತ್ತು ಡೆರಿವೇಟಿವ್ ನಾಯ್ಸ್
PID ವೈಫಲ್ಯಕ್ಕೆ ಎರಡು ಕ್ಲಾಸಿಕ್ ಮೋಸಗಳು ಸಾಮಾನ್ಯ ಕಾರಣಗಳಾಗಿವೆ:
ಇಂಟಿಗ್ರಲ್ ವಿಂಡ್ಅಪ್: ಆಕ್ಯೂವೇಟರ್ ಸ್ಯಾಚುರೇಟ್ ಮಾಡಿದಾಗ (ಉದಾ. ಮೋಟಾರ್ ಈಗಾಗಲೇ ಪೂರ್ಣ ಶಕ್ತಿಯಲ್ಲಿದೆ) ದೋಷವು ಮುಂದುವರಿಯುತ್ತದೆ ಮತ್ತು ಅವಿಭಾಜ್ಯ ಪದವು ಬೆಳೆಯುತ್ತಲೇ ಇರುತ್ತದೆ. ವ್ಯವಸ್ಥೆಯು ಗುರಿಯನ್ನು ತಲುಪಿದಾಗ ಈ ಉಬ್ಬಿಕೊಂಡಿರುವ ಅವಿಭಾಜ್ಯವು ದೊಡ್ಡ ಓವರ್ಶೂಟ್ಗೆ ಕಾರಣವಾಗುತ್ತದೆ. ಪರಿಹಾರ: ಔಟ್ಪುಟ್ ಸ್ಯಾಚುರೇಟೆಡ್ ಆಗಿರುವಾಗ ಅವಿಭಾಜ್ಯವನ್ನು ನಿಲ್ಲಿಸುವುದು ಅಥವಾ ರೋಲಿಂಗ್ ಮಾಡುವುದು (ಆಂಟಿ-ವಿಂಡಪ್, ಮೇಲಿನ ಕೋಡ್ನಲ್ಲಿ ಪ್ರದರ್ಶಿಸಲಾಗಿದೆ).
ವ್ಯುತ್ಪನ್ನ ಶಬ್ದ: D ಪದವು ದೋಷದ ವ್ಯುತ್ಪನ್ನವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ; ಗದ್ದಲದ ಮಾಪನದ ವ್ಯುತ್ಪನ್ನವು ಹೆಚ್ಚು ಶಬ್ಧವಾಗಿರುತ್ತದೆ ಮತ್ತು ಆಕ್ಯೂವೇಟರ್ ಅನ್ನು ಕಂಪಿಸುತ್ತದೆ. ಪರಿಹಾರಗಳು: ಮಾಪನದಿಂದ ವ್ಯುತ್ಪನ್ನವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು (ದೋಷದ ಬದಲಿಗೆ ಮಾಪನದ ವ್ಯುತ್ಪನ್ನ), ವ್ಯುತ್ಪನ್ನ ಪದಕ್ಕೆ ಕಡಿಮೆ ಪಾಸ್ ಫಿಲ್ಟರ್ ಅನ್ನು ಸೇರಿಸುವುದು.
# ವ್ಯುತ್ಪನ್ನ ಶಬ್ದವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು: ಮಾಪನ ಉತ್ಪನ್ನ + ಫಿಲ್ಟರ್ಡ್_ರಾ = -(ಅಳತೆ - self.previous_measured) / dt ದೋಷದ ಬದಲಿಗೆ
ಈ ಅಪಾಯಗಳನ್ನು ಗುರುತಿಸುವಲ್ಲಿ AI ಉತ್ತಮವಾಗಿದೆ; "ನನ್ನ PID ಗುರಿಯನ್ನು ತಲುಪಿದಾಗ ಅದು ಅತಿಯಾಗಿ ಮೀರುತ್ತದೆ" ಎಂದು ನೀವು ಹೇಳಿದರೆ, ಅದು ವಿಂಡ್ಅಪ್ ಅನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತದೆ. ಆದರೆ ನಿಮ್ಮ ಸಿಸ್ಟಂನಲ್ಲಿ ಫಿಕ್ಸ್ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆಯೇ ಎಂದು ಅಳೆಯುವ ಮೂಲಕ ನೀವು ಪರಿಶೀಲಿಸುತ್ತೀರಿ.
ಝೀಗ್ಲರ್-ನಿಕೋಲ್ಸ್ ಜೊತೆ ಹೊಂದಿಸಲಾಗುತ್ತಿದೆ
ಮೊದಲಿನಿಂದಲೂ ಲಾಭಗಳನ್ನು (Kp, Ki, Kd) ಕಂಡುಹಿಡಿಯುವ ಒಂದು ಶ್ರೇಷ್ಠ ವಿಧಾನವೆಂದರೆ Ziegler-Nichols. ಇದರ ಸಾರ: P ಯಿಂದ ಮಾತ್ರ ಪ್ರಾರಂಭಿಸಿ ಮತ್ತು ವ್ಯವಸ್ಥೆಯು ನಿರಂತರ ಆಂದೋಲನಕ್ಕೆ ಹೋಗುವವರೆಗೆ Kp ಅನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ; ಈ ಹಂತದಲ್ಲಿ ನಿರ್ಣಾಯಕ ಲಾಭ Ku ಮತ್ತು ಆಂದೋಲನದ ಅವಧಿ Tu ನೊಂದಿಗೆ ಕೋಷ್ಟಕದಿಂದ Kp, Ki, Kd ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ.
ನಿಯಂತ್ರಕ
ಕೆಪಿ
ತಿ
ಟಿಡಿ
ಪಿ.
0.5·ಕು
–
–
ಪಿ.ಐ.
0.45·ಕು
ತು/1.2
–
PID
0.6·ಕು
ತು/2
ತು/8
ಝೀಗ್ಲರ್-ನಿಕೋಲ್ಸ್ ಹಂತಗಳು (AI ನಿಂದ ಮಾಡಬೇಕಾದ ಯೋಜನೆ):1. ಕಿ=0, ಕೆಡಿ=0 ತೆಗೆದುಕೊಳ್ಳಿ. P.2 ಅನ್ನು ಚಲಾಯಿಸಿ. ಸ್ಥಿರ, ನಿರಂತರ ಆಂದೋಲನ ಪ್ರಾರಂಭವಾಗುವವರೆಗೆ Kp ಅನ್ನು ನಿಧಾನವಾಗಿ ಹೆಚ್ಚಿಸಿ.3. ಈ Kp = ಕು (ನಿರ್ಣಾಯಕ ಲಾಭ), ಆಂದೋಲನದ ಅವಧಿ = Tu.4. ಕೋಷ್ಟಕದಿಂದ Kp, Ti, Td ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ; ಕಿ = Kp/Ti, Kd = Kp*Td.5. ಈ ಮೌಲ್ಯಗಳೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ, ನಂತರ ಪ್ರಾಯೋಗಿಕ ಟ್ವೀಕ್ಗಳನ್ನು ಮಾಡಿ.
ಎಚ್ಚರಿಕೆ: ಝೀಗ್ಲರ್-ನಿಕೋಲ್ಸ್ ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಸಿಸ್ಟಮ್ ಅನ್ನು ಅದರ ಸ್ಥಿರತೆಯ ಮಿತಿಗೆ ತರುತ್ತದೆ (ಸುಸ್ಥಿರ ಆಂದೋಲನ). ನೈಜ ಯಂತ್ರಾಂಶದಲ್ಲಿ ಇದನ್ನು ಮಾಡುವಾಗ ಯಾಂತ್ರಿಕ ಒತ್ತಡ, ಮಿತಿಮೀರಿದ ಮತ್ತು ಅಪಾಯದ ಅಪಾಯವಿದೆ; ಸಾಧ್ಯವಾದರೆ, ಅದನ್ನು ಮೊದಲು ಸಿಮ್ಯುಲೇಶನ್ನಲ್ಲಿ ಮಾಡಿ, ನಂತರ ಹಾರ್ಡ್ವೇರ್ನಲ್ಲಿ ಕಡಿಮೆ ವಿದ್ಯುತ್ ಮಿತಿ ಮತ್ತು ಇ-ಸ್ಟಾಪ್ನೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಿ. AI ಸೂಚಿಸಿದ Ku ಒಂದು ಆರಂಭಿಕ ಹಂತವಾಗಿದೆ, ಅದನ್ನು ನಿಮ್ಮ ಸಿಸ್ಟಂನಲ್ಲಿ ಅಳೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ.
AI-ಅಸಿಸ್ಟೆಡ್ ಡಯಾಗ್ನೋಸ್ಟಿಕ್ಸ್
AI ಗೆ ವಿವರಿಸುವ ಮೂಲಕ ನೀವು PID ನಡವಳಿಕೆಯನ್ನು ನಿರ್ಣಯಿಸಬಹುದು. ರೋಗಲಕ್ಷಣ → ಸಂಭವನೀಯ ಕಾರಣ ಮ್ಯಾಪಿಂಗ್:
ಲಕ್ಷಣ
ಸಂಭವನೀಯ ಕಾರಣ
ದಿಕ್ಕು AI ಸೂಚಿಸುತ್ತದೆ
ನಿಧಾನವಾಗಿ ಕುಳಿತುಕೊಳ್ಳುವುದು
ಕೆಪಿ/ಕಿ ಕಡಿಮೆ
ಕೆಪಿ ಹೆಚ್ಚಿಸಿ
ಶಾಶ್ವತ ದೋಷ
ನಾನು ಗೈರು ಅಥವಾ ತುಂಬಾ ಕಡಿಮೆ
ಕಿ ಸೇರಿಸಿ / ಹೆಚ್ಚಿಸಿ
ಓವರ್ಶೂಟ್ + ಆಂದೋಲನ
Kp/Ki ಹೆಚ್ಚು, D ಇಲ್ಲ
ಕೆಡಿ ಸೇರಿಸಿ, ಕಿ ಕಡಿಮೆ ಮಾಡಿ
ಆಕ್ಟಿವೇಟರ್ ಅಲುಗಾಡುತ್ತಿದೆ
ವ್ಯುತ್ಪನ್ನ ಶಬ್ದ
ಡಿ ಅನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಿ/ಕಡಿಮೆ ಮಾಡಿ
ನೀವು ದೊಡ್ಡ ಮಿತಿಯನ್ನು ತಲುಪಿದಾಗ
ಅವಿಭಾಜ್ಯ ಗಾಳಿ
ವಿರೋಧಿ ವಿಂಡಪ್ ಸೇರಿಸಿ
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ:"PID ಲಾಭಗಳನ್ನು ನೀಡಿ."(ಯಾವ ವ್ಯವಸ್ಥೆ? ನಡವಳಿಕೆ ಹೇಗಿದೆ? ಯಾವುದೇ ಅಳತೆಗಳಿವೆಯೇ? ಯಾದೃಚ್ಛಿಕ ಸಂಖ್ಯೆಗಳು ಬರುತ್ತವೆ.)STRONG:"ನಾನು DC ಮೋಟಾರ್ ವೇಗ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ PID ಅನ್ನು ಸರಿಹೊಂದಿಸುತ್ತಿದ್ದೇನೆ. ಪ್ರಸ್ತುತ, Kp=2, Ki=0.5, Kd=0. ಇದು ಸ್ಟೆಪ್ ಇನ್ಪುಟ್ನಲ್ಲಿ 35% ಅನ್ನು ಮೀರಿಸುತ್ತದೆ ಮತ್ತು ಅದು ಸ್ಟೆಪ್ ಇನ್ಪುಟ್ನಲ್ಲಿ 35% ಅನ್ನು ಮೀರಿಸುತ್ತದೆ ಮತ್ತು ಅದು ದೊಡ್ಡ ಗುರಿಯನ್ನು ತಲುಪಿದಾಗ ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. 100 Hz ಈ ರೋಗಲಕ್ಷಣಗಳಿಂದ ಸಂಭವನೀಯ ಕಾರಣಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ, "ನಾನು ಯಾವ ದಿಕ್ಕನ್ನು ಬದಲಾಯಿಸಬೇಕೆಂದು ಸೂಚಿಸಿ ಮತ್ತು ಓವರ್ಶೂಟ್ ಅವಿಭಾಜ್ಯ ವಿಂಡ್ಅಪ್ ಆಗಿದೆಯೇ ಎಂದು ನನಗೆ ತಿಳಿಸಿ."
ಮಿನಿ ಕೇಸ್
ಕಂಟ್ರೋಲ್ ಇಂಜಿನಿಯರ್ ಕೆರೆಮ್ ಎಕ್ಸ್ಟ್ರೂಡರ್ನ ತಾಪಮಾನ ನಿಯಂತ್ರಣವನ್ನು ಸರಿಹೊಂದಿಸುತ್ತದೆ. AI ಸೂಚಿಸಿದ ಲಾಭಗಳೊಂದಿಗೆ, ವ್ಯವಸ್ಥೆಯು ಗುರಿಯನ್ನು ತ್ವರಿತವಾಗಿ ತಲುಪುತ್ತದೆ, ಆದರೆ ಪ್ರತಿ ಸೆಟ್ ಬದಲಾವಣೆಯಲ್ಲಿ ಅದು ದೊಡ್ಡ ಮಿತಿಮೀರಿದ ಮತ್ತು ನಿಧಾನವಾಗಿ ನೆಲೆಗೊಳ್ಳುತ್ತದೆ. ಕೆರೆಮ್ ರೋಗಲಕ್ಷಣವನ್ನು AI ಗೆ ವಿವರಿಸುತ್ತಾನೆ; AI ಅವಿಭಾಜ್ಯ ವಿಂಡ್ಅಪ್ ಅನ್ನು ಶಂಕಿಸುತ್ತದೆ ಏಕೆಂದರೆ ಹೀಟರ್ ಸ್ವಲ್ಪ ಸಮಯದವರೆಗೆ ಪೂರ್ಣ ಶಕ್ತಿಯಲ್ಲಿ (ಸ್ಯಾಚುರೇಟೆಡ್) ಉಳಿದಿದೆ. ಕೆರೆಮ್ ಪಿಐಡಿ ಕೋಡ್ಗೆ ಆಂಟಿ-ವಿಂಡಪ್ ಅನ್ನು ಸೇರಿಸುತ್ತದೆ ಮತ್ತು ಓವರ್ಶೂಟ್ ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ. ಆದರೆ ಈಗ ಹೀಟರ್ ಔಟ್ಲೆಟ್ನಲ್ಲಿ ಸ್ವಲ್ಪ ಫ್ಲಿಕ್ಕರ್ ಇದೆ; ತಾಪಮಾನ ಸಂವೇದಕ ಶಬ್ದವನ್ನು ವರ್ಧಿಸುವ D ಪದಕ್ಕೆ ಅವರು ಇದನ್ನು ಆರೋಪಿಸುತ್ತಾರೆ ಮತ್ತು ಉತ್ಪನ್ನಕ್ಕೆ ಕಡಿಮೆ-ಪಾಸ್ ಫಿಲ್ಟರ್ ಅನ್ನು ಸೇರಿಸುತ್ತಾರೆ. ಅಂತಿಮವಾಗಿ, ಇದು ಜೀಗ್ಲರ್-ನಿಕೋಲ್ಸ್ನ ಲಾಭಗಳನ್ನು ಸರಿಸುಮಾರು ಮೌಲ್ಯೀಕರಿಸುತ್ತದೆ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ಉತ್ತಮ-ಶ್ರುತಿಯನ್ನು ನಿರ್ವಹಿಸುತ್ತದೆ. AI ವೇಗದ ರೋಗನಿರ್ಣಯವನ್ನು ಹೊಂದಿದೆ; ಆದರೆ ಕೆರೆಮ್ ಪ್ರತಿ ತಿದ್ದುಪಡಿಯನ್ನು ನಿಜವಾದ ಹಂತದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಅಳೆಯುವ ಮೂಲಕ ದೃಢಪಡಿಸಿದರು-ವಿಂಡ್ಅಪ್ ಅನ್ನು ಸರಿಪಡಿಸಲಾಗಿದೆಯೇ ಅಥವಾ ಮಿನುಗುವಿಕೆ ಹೋಗಿದೆಯೇ, ಅದನ್ನು ಚಿತ್ರಾತ್ಮಕವಾಗಿ ಮಾತ್ರ ನೋಡಬಹುದಾಗಿದೆ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- PID ಗೆ ಔಟ್ಪುಟ್ ಸ್ಯಾಚುರೇಶನ್ ಮತ್ತು ಆಂಟಿ-ವಿಂಡಪ್ ಅನ್ನು ಸೇರಿಸಲು ವಿಫಲವಾಗಿದೆ ಮತ್ತು ಆಕ್ಯೂವೇಟರ್ ಮಿತಿಯಲ್ಲಿ ದೊಡ್ಡ ಓವರ್ಶೂಟ್ ಅನ್ನು ಅನುಭವಿಸುತ್ತಿದೆ.
- ಗದ್ದಲದ ಮಾಪನದ ಉತ್ಪನ್ನದಿಂದ ವ್ಯುತ್ಪನ್ನವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು ಮತ್ತು ಪ್ರಚೋದಕವನ್ನು ಕಂಪಿಸುವುದು.
- dt ಸ್ಥಿರವಾಗಿದೆ ಎಂದು ಊಹಿಸಿ, ಆದರೆ ಮಾದರಿ ಅವಧಿಯು ಬದಲಾಗುತ್ತದೆ.
- ಸುರಕ್ಷತಾ ಮುನ್ನೆಚ್ಚರಿಕೆಗಳಿಲ್ಲದೆ ಹಾರ್ಡ್ವೇರ್ನಲ್ಲಿ ಜಿಗ್ಲರ್-ನಿಕೋಲ್ಸ್ ಆಂದೋಲನ ಪರೀಕ್ಷೆಯನ್ನು ನಡೆಸುವುದು.
- ಸಿಸ್ಟಂ-ನಿರ್ದಿಷ್ಟ ಪರಿಶೀಲನೆಯಿಲ್ಲದೆ AI-ಉತ್ಪಾದಿತ ಗಳಿಕೆಗಳನ್ನು "ಅಂತಿಮ" ಎಂದು ಸ್ವೀಕರಿಸುವುದು.
- ಅತಿ ದೊಡ್ಡ ಹಂತಗಳೊಂದಿಗೆ ಒಂದೇ ಲಾಭವನ್ನು ಬದಲಾಯಿಸುವುದು ಮತ್ತು ವ್ಯವಸ್ಥೆಯನ್ನು ಅಸ್ಥಿರತೆಗೆ ತಳ್ಳುವುದು.
ಸಾರಾಂಶದಲ್ಲಿ
- PID; ಇದು P (ಪ್ರಸ್ತುತ ದೋಷ), I (ಸಂಚಿತ ದೋಷ), D (ದೋಷ ಬದಲಾವಣೆಯ ದರ) ನೊಂದಿಗೆ ಪ್ರತಿಕ್ರಿಯಿಸುತ್ತದೆ.
- ಫೀಲ್ಡ್ ಪಿಐಡಿ ಔಟ್ಪುಟ್ ಸ್ಯಾಚುರೇಶನ್, ಆಂಟಿ-ವಿಂಡಪ್ ಮತ್ತು ಡಿರೈವೇಟಿವ್ ಫಿಲ್ಟರ್ ಅನ್ನು ಒಳಗೊಂಡಿರಬೇಕು.
- ಇಂಟಿಗ್ರಲ್ ವಿಂಡ್ಅಪ್ ದೊಡ್ಡ ಓವರ್ಶೂಟ್, ವ್ಯುತ್ಪನ್ನ ಶಬ್ದವು ಪ್ರಚೋದಕ ಕಂಪನವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ.
- ಜಿಗ್ಲರ್-ನಿಕೋಲ್ಸ್ ಲಾಭವನ್ನು ಪ್ರಾರಂಭಿಸುತ್ತಾನೆ; ಹಾರ್ಡ್ವೇರ್ನಲ್ಲಿ ಭದ್ರತಾ ಕ್ರಮಗಳೊಂದಿಗೆ ಇದನ್ನು ಅಳವಡಿಸಲಾಗಿದೆ.
- ರೋಗಲಕ್ಷಣದಿಂದ ಕಾರಣಕ್ಕೆ ರೋಗನಿರ್ಣಯದಲ್ಲಿ AI ತ್ವರಿತವಾಗಿರುತ್ತದೆ; ತಿದ್ದುಪಡಿಯನ್ನು ಮಾಪನದಿಂದ ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ.
- dt ನಿಜವಾದ ಅಳತೆ; ಗಳಿಕೆಯ ಬದಲಾವಣೆಗಳನ್ನು ಸಣ್ಣ ಹಂತಗಳಲ್ಲಿ ಮತ್ತು ವೀಕ್ಷಣೆಯಲ್ಲಿ ಮಾಡಲಾಗುತ್ತದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಸಿಸ್ಟಮ್ ಅನ್ನು ಆರಿಸಿ (ನೈಜ ಮೋಟಾರ್/ಹೀಟರ್ ಅಥವಾ ಪೈಥಾನ್ನಲ್ಲಿ ಸರಳವಾದ ಮೊದಲ/ಎರಡನೇ ಕ್ರಮಾಂಕದ ಮಾದರಿ) ಮತ್ತು AI ಅನ್ನು ಸ್ಯಾಚುರೇಶನ್ + ಆಂಟಿ-ವಿಂಡಪ್ನೊಂದಿಗೆ PID ವರ್ಗವನ್ನು ಉತ್ಪಾದಿಸುವಂತೆ ಮಾಡಿ. ನಂತರ: (1) P ಮಾತ್ರದಿಂದ ಪ್ರಾರಂಭಿಸಿ Kp ಅನ್ನು ಹೆಚ್ಚಿಸುವ ಮೂಲಕ ಆಂದೋಲನದ ನಡವಳಿಕೆಯನ್ನು ಗಮನಿಸಿ, (2) ಶಾಶ್ವತ ದೋಷವನ್ನು ತೊಡೆದುಹಾಕಲು Ki ಸೇರಿಸಿ ಮತ್ತು ಓವರ್ಶೂಟ್ ಹೇಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡಿ, (3) ಆಂಟಿ-ವಿಂಡಪ್ ಅನ್ನು ಆನ್ ಮತ್ತು ಆಫ್ ಮಾಡುವ ಮೂಲಕ ದೊಡ್ಡ ಓವರ್ಶೂಟ್ನ ಪರಿಣಾಮವನ್ನು ಹೋಲಿಕೆ ಮಾಡಿ. ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಹಂತದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ರೂಪಿಸಿ ಮತ್ತು ಯಾವ ಲಾಭವು ಯಾವ ನಡವಳಿಕೆಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ. ಝೀಗ್ಲರ್-ನಿಕೋಲ್ಸ್ ಅವರ ಲಾಭಗಳನ್ನು ನೀವೇ ಕಂಡುಕೊಂಡ ಲಾಭಗಳೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ.