Легковесный адаптивный PID-подход с метаэвристикой для регулирования уровня в коническом баке

Поддержание уровня жидкости в нестабильном мире

От питьевой воды до химического производства — множество отраслей полагаются на ёмкости для хранения и перемещения жидкостей. Когда эти ёмкости имеют форму конуса, а не цилиндра, поддерживать постоянный уровень оказывается неожиданно сложной задачей. В статье предложен новый способ автоматического управления уровнем в конических баках с помощью быстрого и лёгкого метода оптимизации, вдохновлённого стайным поведением фламинго, что делает продвинутое управление практичным даже на недорогом оборудовании.

Почему конические баки сложно контролировать

В отличие от цилиндра с прямыми стенками, конический бак сужается к дну, поэтому площадь поперечного сечения меняется с высотой. Когда бак почти пустой, небольшой приток быстро повышает уровень; когда почти полный, тот же приток меняет уровень гораздо медленнее. В результате чувствительность и устойчивость бака сильно зависят от степени заполнения. Традиционные промышленные регуляторы с фиксированными настройками пропорциональной, интегральной и дифференциальной (PID) составляющих обычно настраивают под одну рабочую точку. В коническом баке это означает, что они могут хорошо работать на одной высоте, но давать перерегулирование, медленные реакции или слабую работу при нарушениях на других высотах.

Более умный регулятор, который учится в процессе работы

Чтобы справиться с изменяющимся поведением, авторы разработали регулятор, который постоянно перенастраивается во время работы бака. В основе подхода лежит схема «модель‑эталон»: простая эталонная модель задаёт, как уровень должен идеальным образом подниматься и устанавливаться — быстро, но не слишком быстро, устойчиво и при этом отзывчиво. Реальный уровень бака непрерывно сравнивают с этой желаемой реакцией, и разница становится сигналом обучения. Вокруг этого работает PID-регулятор, корректирующий подачу насоса. Вместо фиксированных коэффициентов PID система обновляет их со временем, чтобы реальный отклик бака как можно точнее следовал эталонной модели даже при изменении условий работы.

Фламинго в кремнии: быстрая оптимизация на крошечном компьютере

Новым является способ адаптации этих PID‑настроек. Многие современные методы оптимизации — например, генетические алгоритмы или рой частиц — могут искать хорошие параметры регулятора, но часто требуют тяжёлых вычислений и множества итераций, что непрактично для небольших встроенных устройств. Авторы вместо этого используют алгоритм поиска фламинго (Flamingo Search Algorithm), относительно лёгкую метаэвристику, вдохновлённую тем, как стаи фламинго ищут пищу. В программной реализации каждое «фламинго» представляет кандидата на набор коэффициентов PID. В короткие окна адаптации эти кандидаты тестируют на математической модели бака с использованием недавних измерений и вычисляют среднеквадратичную ошибку слежения. Виртуальный рой перемещается по пространству возможных коэффициентов, балансируя между глобальным исследованием и локальной доводкой, пока не найдётся хороший набор — всё это укладывается в десятки миллисекунд.

От уравнений к рабочей лабораторной системе

Команда сначала выводит физическую формулу, описывающую, как изменяется уровень воды в коническом баке при притоке и оттоке, учитывая, как эффективная площадь и поведение потока меняются с высотой. Затем они собирают лабораторную установку: прозрачный конический бак, датчик уровня, насос и микроконтроллер ESP32, связанный с вычислителем на базе Jetson Nano. Цикл управления выполняется каждую секунду, тогда как алгоритм фламинго запускается с более длинными интервалами, используя скользящее окно последних данных. Меры безопасности, такие как ограничения насыщения насоса и ограничения скорости изменения коэффициентов PID, делают команды привода плавными и избегают резких ударов в потоке воды.

Насколько это хорошо работает на практике?

В экспериментах при различных условиях притока адаптивный регулятор на базе фламинго последовательно обеспечивал времена нарастания примерно 8–13 секунд и времена установления 30–45 секунд, удерживая перерегулирование в пределах примерно 2–5% и установившиеся ошибки ниже 0,5 см. Он также демонстрировал щедрые запасы устойчивости, то есть выдерживал неопределённости и возмущения без возбуждения колебаний. При сравнении с двумя широко используемыми рецептами настройки для фиксированных PID — Зиглера–Никольса и Коэна–Куна — адаптивный метод показал явно меньшее перерегулирование, более быстрое установление, лучшее подавление возмущений и более плотное поддержание уровня по всему рабочему диапазону бака. Статистический анализ по многократным повторным прогонам подтвердил, что эти преимущества не были случайными единичными испытаниями, а являлись устойчивыми повторяемыми тенденциями.

Что это значит для реальных систем

Для неспециалистов ключевое послание такое: продвинутое самонастраивающееся управление больше не обязано быть вычислительно тяжёлым или ограниченным крупным дорогим оборудованием. Сочетая простую эталонную модель с быстрым оптимизатором, вдохновлённым поведением стаи, авторы показывают регулятор, который способен удерживать сложный, сильно нелинейный бак отзывчивым и устойчивым и при этом работать на скромных встроенных устройствах. Это делает более реалистичным внедрение более умных, надёжных стратегий управления на реальных предприятиях — повышая безопасность, эффективность и качество продукции везде, где уровень жидкости должен поддерживаться точно.

Цитирование: Rajaram , K., Kathirvel, M. & Subburathinam, K. A lightweight metaheuristic-driven adaptive PID approach for nonlinear conical tank regulation. Sci Rep 16, 13288 (2026). https://doi.org/10.1038/s41598-026-42548-2

Ключевые слова: конический бак, адаптивное PID-управление, метаэвристическая оптимизация, встроенное управление, регулирование уровня жидкости