过程工业必须优化调节和先进控制，以确保在保证安全运行的同时，实现利润最大化。调节控制系统的稳定性是实现上述目标的关键因素。仔细地评估工厂并进行控制回路的整定，一般可以提高系统的稳定性。
大多数控制回路由比例、积分、微分(PID)控制器来控制。工厂人员深入了解如何整定这些回路，就可以提高运行质量和效率，同时确保工厂的安全。此外，实现调节控制系统的稳定性，是构成先进过程控制应用的基础，而且能够进一步优化运行。
除了维持安全运行外，通过降低排放和能源消耗，提高设备的使用寿命，稳定的调节控制系统可以为工厂增加收益。利用自动诊断控制回路，可以降低手动运行的要求，节省人工时，提高产品的一致性。
控制回路基础
在典型的控制回路中，必然会有一个受控参数，比如温度或者压力。该参数被称之为过程参数(PV)。一般由传感器测量过程参数，被测量的变量作为反馈回传给闭环控制系统的控制器。
对过程变量的期望值，比如在温度控制系统中的40℃，被称之为设定参数(SV)。举个例子，如果过程参数只有30℃，那么控制器就会动作，调整其输出值以增加温度。
限值就是过程能够安全、高效运行的界限。比如，在某些工艺过程中，温度达到42℃时，液体中的某种化合物就会被破坏。因此在整个过程中，温度必须保持在该限值之下。但是，如果过程运行在36℃以下，则比限值低的太多，就不能保证质量，生产过程的效率也随之降低。因此，控制过程变量(PV)的目标就是在最小的波动下，尽可能的将其与设定值靠近。当波动最小化时，设定值就可更加靠近限值，从而改善运行。
PID控制器
PID控制器是过程工厂中最常用的控制器类型，在典型工厂中，超过95%以上的控制回路使用PID进行控制。在提高质量、能源利用效率和产能方面，常用的PID控制器是一个非常有效的工具。
在大多数运行环境中，PID控制器都具有优良的性能，可以以一种简单、直接的方式对其操控。PID可以是单体的，也可以是嵌入式的;可用于一个或多个控制回路。它们可以与顺控逻辑和先进控制功能结合使用，组成复杂的自动化系统。
PID运算包括三个基本部分：比例、积分和微分。任何一个基本元素的设置都可改变，以期实现最优的响应特性：在最小波动的情况下，尽可能将过程值维持在设定值附近。每个基本元素都与某个任务相关，对控制回路有特殊的影响。
PID控制器接收来自传感器的过程数据，确定过程测量值和期望设置值之间的偏差(误差)。然后基于偏差，计算出期望的控制器输出量或者操作量(MV)。操作量作用于最终控制元件(例如，蒸汽阀门)，从而影响过程，改变过程参数(见图1)。
用于计算PID控制器整定参数的技术有很多种。大多数都是基于某个数学模型，该模型专门为最终控制对象、过程和测量的组合体开发。
描述控制器的模型就是PID的算法。如果能为过程(最终的控制元件，过程和测量)确定模型，那么就建立了整个控制回路的数学模型。在这一点上，控制器的整定就变成了控制器整定参数(比例、积分和微分)和过程模型参数的匹配，优化上述三个PID常数，来实现期望的响应特性。
在现实世界中，影响系统的并不仅仅只是控制器输出信号。在环境中，经常会有一些因素会导致偏移，比如环境噪音。一般称之为扰动。尽管在控制过程工艺时，必须考虑扰动因素，但实际上，会有意识的引入临时扰动以启动控制器的整定。
PID控制器的整定
PID控制器的整定过程包括如下五个步骤：
1. 引入扰动至控制回路;
2. 匹配所得结果与数学模型;
3.利用整定关系，计算控制器参数;
4. 应用新的比例、积分和微分参数;
5.文档记录结果。
PID控制器整定的第一步包括：在回路中引入扰动，产生新的控制器输出(CO)。这称之为阶跃测试。引入控制回路的扰动必须足够大，过程参数能够产生明显的响应，而且必须能够将其从系统噪音中区分出来。不可测量的扰动能够损坏过程数据，所以能产生更大输出的阶跃会更好些(见图2)。
图2 阶跃测试应显示输入和控制器输出变化之间的动态关系。上图显示CO阶跃变化导致PV值显著变化。
自稳定过程vs.非自稳定过程
描述过程，使用多少模型类型都可以。但是在选择模型前，必须首先确定过程是自稳定类型还是非自稳定。由于不同的过程需要不同的数学模型，所以这个测定对控制器的整定十分关键，。
因为过程有其内在方法，通过过程参数整定来平衡控制器输出量的变化，所以在控制器输出引入变化后，只要输出量和扰动量保持稳定，自稳定过程最终会找到一个稳定状态。例如，在流量控制回路，如果一个阀门开度增加10%，流量会增加到一个新的数值并稳定下来，直到阀门再一次移动。大多数的过程是自稳定类型的。
但是，在非自稳定过程中，过程参数持续变化，直到输出量恢复到初始位置。对非自稳定过程，过程参数持续按照与控制器输出变化量的关系，线性增加或降低。这就意味着非自稳定过程很难控制。非自稳定过程的一个例子就是改变水箱的液位。如果更多的流体流入水箱，液位就持续增加;如果更多的流体流出，液位则持续降低。
自稳定过程的控制回路整定要比非自稳定过程要简单一些。如果非自稳定过程回路的整定不正确，很容易而且很快就会发生负面结果。在非自稳过程中，引入输出量的变化后，它很难达到新的平衡状态，这很容易导致问题。比如，液体溢出或者流干，这可能会导致设备(泵)的损坏、环境的破坏、或者重大的安全事件。
自稳定过程需要比例和积分(偶尔需要微分)控制模式，以实现良好的控制性能。尽管命名上比较类似，但是非自稳定过程对积分模式的依赖要少的多。不同的过程模型需要不同的整定规则。
使用建模
阶跃测试完成后，相关的过程类型就确定了，下一步就是模型和数据的匹配。建模是理解过程数据最好的途径之一。一般情况下，一阶加纯滞后(FOPDT)动态模型就足以描述过程响应，计算出最佳的整定参数。
在这个模型中，过程参数是被测的过程变量，输出信号是被控变量。FOPDT模型很简单(低阶、线性)，只是近似的描述了真实过程，可以由下面的公式描述：
集总参数过程模型
集总参数模型是一个FOPDT模型。该模型利用简单的线性公式描述过程响应，该公式包含三个参数：增益(Kp)，时间常数(tp )，和死区时间 (0p )。对于集总参数模型，根据过程控制回路的特性：自稳定过程(流量，温度等)和非自稳定过程(液位)，需要两种不同类型的模型。
因为非自稳定过程更难控制，必须使用不同的模型来描述这个过程，可以用以下公式来描述：
调节相互关系
有很多种调节相互关系的方法，可用于计算PID参数整定。
Ziegler-Nichols 和 Cohen-Coon是最流行的两种计算参数整定的方法。这两种技术强调响应的速度。内部模型控制(IMC)，也被称为“Lambda法则”，提供了一种替代方法，该方法可以平衡响应速度和控制器稳定性，或称之为鲁棒性之间的关系。IMC调节可用于线性和非线性过程，它的FOPDT响应要比其它技术的响应要平滑的多。
IMC调节基于这样一个概念：使用精确的过程模型，可以实现理想的控制。但是，由于外部干扰会影响过程，导致模型和实际过程之间的不匹配，会产生错误的结果。结果就是，在其它模型多有错误发生的高频领域，IMC的设计中有用于补偿扰动和模型误差的方法，包括滤波和补偿器。
和其它整定过程一样，必须对IMC进行阶跃测试来确定其过程特性。确定完集总参数过程模型后，必须为控制回路选择期望的闭环回路时间常数(tCLtaucl )。
如果闭环回路时间常数太大，控制回路就比较慢。因此，较小的值(tCL)对应较快的控制回路。但是如果设定的闭环控制回路时间常数(tCL)比FOPDT过程的时间常数(tp)小，那么IMC就会丧失其调节优势。
一般情况下，tCL值应设定为tp 值的1到3倍。很多情况下，将tCL设定为 3 倍的 tp是实现稳定控制回路的最佳选择。因此，在确定FOPDT过程模型后，IMC技术只有一个可整定参数：闭环时间常数。通过改变闭环时间常数，控制器速度可以变得更快或更慢。
由于控制器的积分时间被设置为和过程时间常数相等，IMC有一个缺陷。 如果过程时间常数较长，则意味着控制器的积分时间也比较长—长的积分时间会导致从扰动中恢复的时间比较长。
正确整定PID控制器，不是一个简单的过程，但是它是提高过程产量、质量和安全性的最好的方法之一。通过改进PID整定，实现稳定的调节控制系统，可以安全的将设定值设定在限值附近，同时降低过程值的波动，从而减少过程的低效率。
然而，采集数据和执行所有的数学模型，可能非常困难而且是耗时的。幸运的是，先进的软件能够简化PID整定，降低可能发生的错误。
不管PID回路的整定是手动，还是借助于回路整定软件，每个控制回路性能提升都会带来整个过程工厂整体性能的巨大改进。
（转载）
