L’importanza del controllo
La modellizzazione di un processo permette simulazioni di tipo ‘What-If’, ovvero come reagisce un sistema rispetto ai dati d’ingresso correnti. Questo approccio è utile soprattutto in applicazioni che riguardano la sicurezza e nella formazione degli operatori, non è invece adatto ad applicazioni di controllo automatico real-time. In tal caso, si adotta il metodo del problema inverso, ovvero dato lo stato corrente del sistema quali azioni devono essere intraprese per ottenere le specifiche richieste. Si può impostare lo sviluppo di un processo di controllo adottando il modello rappresentato in figura 1: se la modellizzazione del processo è sufficientemente precisa e se esiste una soluzione al processo inverso, la progettazione di un sistema di controllo modellizzata in questo modo può potenzialmente fornire un controllo perfetto del processo. Evidentemente occorre considerare alcuni vincoli: esistono operazioni di processo limitate o comunque estremamente complesse da modellizzare; tutti i modelli contengono comunque un certo grado di errore e non tutti i processi ammettono il modello inverso; il controllo perfetto, dunque, è assai difficile da raggiungere. Nei processi industriali lo sviluppo di modelli meccanici è molto costoso, per cui si ricorre più frequentemente a modellizzazioni definite ‘a scatola chiusa’.
I controllori PID
L’80% dei dispositivi automatizzati di controllo installati nelle industrie di processo è rappresentato da controllori PID. In passato questi dispositivi erano tarati utilizzando tecniche con risposta di frequenza, oppure criteri empirici; oggi ci si basa invece sul modello del processo e i parametri impostati garantiscono la risposta secondo le specifiche. La tecnica PID è ottimale per processi lineari al secondo ordine e senza tempi di ritardo (in pratica le caratteristiche del processo sono non lineari e variano nel tempo); un controllore proporzionale e integrale, invece, è adatto a processi lineari al primo ordine senza tempi di ritardo, ma non è applicabile quando variano le condizioni di processo, oppure quando quest’ultimo è operativo in un’altra regione. Si può in parte risolvere il problema memorizzando una combinazione di parametri per ogni zona operativa del processo e rendendo attiva la combinazione di competenza non appena è rilevata la variazione dello stesso, ma questa tecnica non è evidentemente valida per applicazioni di sistemi continui. Una soluzione più elegante consiste nell’implementare un controllore all’interno di una struttura adattativa. In questo caso i parametri del modello lineare sono aggiornati regolarmente secondo le caratteristiche correnti del processo (questi dispositivi sono denominati controllori autoadattativi). In alcune applicazioni il meccanismo adattativo non è sufficientemente veloce per cogliere le modifiche del processo come, ad esempio, quando in esso sono presenti alcuni elementi non lineari. In questi casi per la progettazione di un controllore PID si utilizzano un modello non lineare, le serie temporali non lineari o le reti neurali. Nei processi con dinamiche non lineari variabili nel tempo si adotta solitamente un controllore PID non lineare tarato automaticamente attraverso la risoluzione di un problema di ottimizzazione. La strategia, ancora una volta, consiste nell’impiegare la combinazione di parametri più appropriata alle caratteristiche del processo controllato.
Il controllo predittivo
La tecnica più nota per il controllo di sistemi che presentano ritardi di risposta è il predittore di Smith: i problemi dovuti alla risposta ritardata sono affrontati prevedendo gli stati futuri dell’uscita, quindi dove si troverà il sistema.
Un controllore predittivo può essere implementato in una struttura adattativa come accade con il controllore GMV (Generalised Minimum Variance). Questo minimizza il quadrato ponderato della differenza tra il valore di uscita desiderato e quello previsto; l’orizzonte previsionale, in questo caso, è costituito proprio dal tempo di ritardo del sistema, un parametro fisso. Il GMV cade in difetto quando il tempo di ritardo non è più rappresentato da un valore fisso ma da uno variabile: è necessario allora ricorrere a controllori predittivi a lungo raggio come i GPC (Generalised Predictive Controller). In questo caso, la formulazione del problema di controllo è simile a quella impostata con il GMV, con la differenza che l’orizzonte temporale considerato da questo modello è compreso tra i valori di ritardo minimo e massimo attesi. Il calcolo del segnale di controllo si riduce così a un problema di ottimizzazione in cui si possono includere fattori di tipo economico, come i costi, o di natura tecnica, come i limiti del processo quali temperatura, pressione, portata dei fluidi, ecc. Quando si parla di controllo predittivo solitamente ci si riferisce a controllori predittivi a lungo raggio.
Il controllo multivariabile
I modelli finora considerati controllano la variabile di uscita del processo intervenendo su un’unica variabile d’ingresso e si chiamano SISO (Single Input Single Output). La maggior parte dei processi, però, richiede la regolazione di più variabili per gestire quella di uscita. Un esempio tipico consiste in un reattore chimico in cui il livello, la temperatura e la pressione di un fluido devono essere impostati a valori ben precisi; in questo caso si devono prevedere almeno tre anelli di controllo. Quando l’azione di un controllore interferisce con altri anelli presenti nel sistema si dice che esiste interazione tra gli anelli di controllo. Se ciascun controllore è stato tarato in modo da massimizzare la prestazione del sistema, le interazioni con altri anelli di controllo possono rendere lo stesso sistema instabile; in tal caso non si può utilizzare alcun tipo di controllore SISO (lineare, non lineare o adattativo). I dispositivi multivariabile prendono in considerazione le interazioni tra gli anelli di controllo e il loro effetto destabilizzante: le interazioni tra anelli sono considerate come disturbi e sono facilmente inglobate nella descrizione del modello. In alternativa si possono impiegare delle reti neurali non lineari basate su algoritmi di controllo multivariabile.