Ventil 3 / 2025 • Letnik 31 156 PROCESNA AVTOMATIZACIJA 1 Uvod Hitremu razvoju tehnologij in prehodom industrij- skih nivojev običajno sledijo tudi prilagoditve učnih vsebin na področju tehniškega izobraževanja. Pre- hod v industrijo 4.0 je zajel celovito avtomatizacijo procesov z medsebojno povezljivostjo naprav na lokalnem in oblačnem nivoju in postopno vključe- vanje orodij umetne inteligence (ang. artificial intel- ligence, AI). Prehod v industrijo 5.0 razširja obsto- ječi nivo s ključno spremembo, da v ospredje vrača človeka pri odločanju in upravljanju z modernimi orodji (tudi UI). Združevanje izkušenj, spretnosti in človeku prilagojenih naprednih orodij s ciljem dose- ganja boljšega sodelovanja med stroji in ljudmi. Pri tem so prepoznane ključne tehnologije za prehod, kot so generativna umetna inteligenca, razširjena resničnost, digitalni dvojčki in tehnologije veriženja blokov. Pojav orodij (generativne) umetne inteligence spre- minja način pridobivanja informacij, kot smo ga bili vajeni do nedavnega. Tudi na področju terciarne- ga izobraževanja že leta tiskane knjige in skripte zamenjujemo s spletnimi vsebinami, interaktivnimi nalogami, kvizi, projekti, alternativnimi metodami učenja, kjer študenti preko različnih metod pouče- vanja samostojno pridobivajo in iščejo rešitve. Pri pedagoškem delu na nižji stopnji študente elektro- tehnike smeri avtomatike in robotike poučujemo vsebine klasične avtomatizacije, kot so: gradniki sistemov vodenja, programiranje programabilnih logičnih krmilnikov (PLK), integracija komponent, komunikacije v avtomatiki, regulacijski algoritmi, vmesniki človek-stroj (HMI), nadzorni (SKADA) sis- temi itd. Te vsebine so že desetletja bistven del in se sprotno dopolnjujejo glede na razvoj in pojav no- vih tehnologij. S pridobljenim predznanjem si zato lahko na višji stopnji privoščimo bolj napredne vse- bine, ki jih zaradi hitrega razvoja tehnologij in orodij Dr. Božidar Bratina, univ. dipl. inž., doc. dr. Nenad Muškinja, univ. dipl. inž., Milan Rotovnik, izr. prof. dr. Marjan Golob, univ. dipl. inž., vsi Univerza v Mariboru, Fakulteta za elektrotehniko, računalništvo in informatiko © The Authors 2025. CC-BY 4.0 https:/ /doi.org/10.5545/Ventil-31-2025-3.02 n astavitev pid z alg Oritm Om di Feren Cialne ev Olu Cije v plk na primeru regula Cije pret Oka zraka Božidar Bratina, Nenad Muškinja, Milan Rotovnik, Marjan Golob Izvleček: Prispevek predstavlja primer izvedbe naprednih algoritmov v PLK višjenivojskem programskem jeziku SCL za potrebe nastavitev parametrov PID na primeru procesne avtomatizacije. Z razvojem strojne opreme je možno napredne algoritme izvajati tudi direktno v PLK, še posebno zanimive pa so vgradnje algoritmov umetne inteligence in strojnega učenja. V okviru zaključnih del smo s študenti izvedli več prenosov napre- dnih algoritmov v PLK in jih primerjali s teoretičnimi metodami in praktičnimi orodji v industriji. Na podro- čju uporabe optimizacijskih algoritmov v procesni industriji smo za namen demonstracije nastavitev para- metrov PID izvedli z uporabo algoritma diferencialne evolucije na PLK na učnem laboratorijskem modelu regulacije pretoka zraka. Zaradi specifičnosti in omejenosti programskih jezikov so bile rešitve namenoma deloma izvedene tudi s pomočjo orodij generativne umetne inteligence, da se lahko ovrednoti kvaliteta podanih rešitev. Pojav generativnih modelov, kot so chatGPT, Copilot, Gemini, DeepSeek itd., nezadržno vpliva tudi na pedagoški proces in nove priložnosti podajanja učnih vsebin na vseh stopnjah izobraževanja. Izkušnje z različnimi projekti študentov avtomatike in robotike kažejo, da orodja umetne inteligence (UI) še ne zmorejo podati celovitih rešitev, lahko pa služijo kot dobra podpora. Ključne besede: procesna avtomatizacija, algoritmi vodenja, optimizacija parametrov PID, izobraževanje, orodja umetne inteligence Ventil 3 / 2025 • Letnik 31 težje direktno vključujemo v posodabljanje vsebin, saj se tehnologije hitro spreminjajo. Z leti opažamo spremembe v prid vse večje upora- be in zanašanja na informacije iz modelov UI kot pa na iskanje rešitev iz predhodnega znanja, literature, mentorstva itd. Tako smo vplive uporabe orodij UI zaznali tudi pri študentskih projektih ali zaključnih delih, kjer so potrebni teoretično predznanje, inte- gracija vsebin različnih predmetov in celovit pri- stop k reševanju problema[1, 2]. Uporabo seveda vzpodbujamo kot pripomoček pri raziskovalnem delu študentov na magistrski stopnji elektrotehnike smeri avtomatike in robotike v okviru Laboratorija za procesno avtomatizacijo (LPA) na Fakulteti za elektrotehniko, računalništvo in informatiko v sklo- pu Univerze v Mariboru. Pri delu so običajno zelo samostojni in iznajdljivi, na UM pa jim je omogoče- no vključevanje tako v raziskovalno kot projektno delo v sklopu laboratorijev in inštitutov [3]. V nadaljevanju bo predstavljen en primer takšnega zaključnega dela, kjer je bilo pri delu uporabljeno predhodno znanje študenta, dopolnjeno z orodji umetne inteligence pri razvoju končne rešitve. Za nalogo je bil izveden algoritem diferencialne evolu- cije v PLK za potrebe nastavitve parametrov PID na učnem laboratorijskem modelu regulacije pretoka zraka. Prenos znanstvenih metod in algoritmov iz simulacijskih okolij, izvajanih na osebnih računalni- kih, v industrijsko opremo ni enostaven, zato pred- stavljena rešitev lahko služi kot dober primer za in- dustrijo 5.0, kjer se vse več naprednih algoritmov integrira v majhne vgrajene naprave. 2 Vgradnja diferencialne evolucije v PLK za nastavitev parametrov regu- latorja PID Regulatorji PID (proporcionalno-integrirno-diferen- cirni) so široko uporabljani v industrijskih regulacij- skih sistemih zaradi svoje učinkovitosti in relativne preprostosti. Ključen izziv je določitev dobrih, če že ne optimalnih parametrov (Kp, Ti, in Td), saj neu- strezne nastavitve vodijo do nestabilnosti ali slabe regulacije. Enačba 1 predstavlja zapis idealne (para- lelne) strukture regulatorja PID. 𝑃𝑃𝑃𝑃𝑃𝑃 ( 𝑆𝑆 ) = 𝐾𝐾 𝑝𝑝 ( 1 + 1 𝑇𝑇 𝑖𝑖 𝑠𝑠 + 𝑇𝑇 𝑑𝑑 𝑠𝑠 ) (1) Metode nastavitve parametrov PID v industriji, kot so Ziegler-Nicholsova metoda, Chien-Hrones-Ro- swick, Cohen-Coon in druge, pogosto ne zagota- vljajo optimalnega delovanja pri kompleksnih ali nelinearnih sistemih. Zato se vse pogosteje upora- bljajo inteligentni in metahevristični optimizacijski algoritmi, ki omogočajo iskanje optimalnih nasta- vitev parametrov PID. Optimizacijski algoritmi, od numeričnih, biomimetičnih do evolucijskih, so v praksi najbolj pogosti genetski algoritmi (GA), al- goritmi na osnovi rojev delcev (PSO), diferencialna evolucija (DE) in v zadnjem času algoritmi na osno- vi umetne inteligence (globoke mreže), metode strojnega učenja (učenje z okrepitvijo) itd. Optimizacijski algoritmi omogočajo iskanje op- timalnih parametrov PID s pomočjo cenilne funk- cije, ki lahko zajema različne regulacijske zahteve: prenihaj (ang. overshoot), ustalitev (ang. settling time), pogrešek v ustaljenem stanju (ang. steady- -state error), čas zakasnitve (ang. delay time), čas vzpona (ang. rise time), čas vrha prenihaja (ang. peak time), in se posamično ali v kombinaciji ovre- dnotijo preko integralnega kvadratičnega pogreška (ISE), integralnega absolutnega pogreška (IAE) in podobno (slika 1). V zadnjem desetletju se je pojavilo ogromno pri- merov optimizacije parametrov PID z različnimi al- goritmi optimizacije in kombinacijami, redko pa se zaradi kompleksnosti implementirajo v industrijske naprave. [4–6] Na splošno se je uporaba diferenci- alne evolucije pri optimizaciji parametrov PID izka- zala za izjemno uspešno, saj nudi:  stabilno konvergenco: DE-algoritmi so znani po svoji sposobnosti stabilnega iskanja optimalnih rešitev, tudi v prisotnosti šuma in nestabilnosti sistema;  robustnost: DE-algoritmi so manj občutljivi na začetne pogoje in lahko učinkovito obravnavajo nelinearnosti in večdimenzionalne iskalne pro- store;  prilagodljivost: Sodobne različice DE-algoritmov vključujejo kombinacije z ostalimi algoritmi ali mo- difikacije za prilagodljive parametre, ki izboljšajo učinkovitost optimizacije v realnih aplikacijah. Velika prednost pa je tudi nastavitev parametrov PID brez potrebe po modeliranju sistema. 2.1 Diferencialna evolucija Diferencialna evolucija (DE) je populacijski, meta- hevristični optimizacijski algoritem. Primeren je za reševanje problemov z neznanimi ali kompleksnimi funkcijami in deluje na principih evolucije, podobno kot genetski algoritmi. Od njih se razlikuje z upora- bo diferencialne mutacije za generiranje novih kan- PROCESNA AVTOMATIZACIJA 157 Slika 1 : Regulacijske zahteve za zaprtozančni odziv Ventil 3 / 2025 • Letnik 31 158 PROCESNA AVTOMATIZACIJA didatov oziroma rešitev in je bil v osnovi zasnovan za iskanje globalnega optimuma. Deluje brez po- trebe po gradnji modela ali izračunavanja odvodov, zato je DE hitro prodrla na številna področja, kot so strojništvo, ekonomija, biomedicina, nastavitve PID, načrtovanje omrežij, načrtovanje poti itd. Delovanje algoritma je predstavljeno z naslednjimi koraki, tudi predstavljenimi s psevdokodo v tabeli 1:  inicializacija populacije naključnih rešitev zno- traj določenih mej;  mutacija: za vsakega člana populacije se ustvari mutirana rešitev z uporabo linearne kombinaci- je razlik med naključnimi člani populacije;  križanje (rekombinacija): kombinacija mutirane in obstoječe rešitve za ustvarjanje nove rešitve;  izbor: če ima nova rešitev boljšo ocenjeno vre- dnost, ta nadomesti obstoječo. Algoritem DE za svoje delovanje uporablja različne matematične funkcije, kot so generator naključnih števil, permutacije, matrični izračuni in podobno. Izvedba algoritma v višjenivojskih jezikih tako ne predstavlja problema, kar pa ne velja za okorno oko- lje PLK in strojno opremo. Z razvojem vedno moč- nejših serij PLK pa se umika tudi ta ovira. Tako se je za pripravo algoritma DE v PLK najprej celotna koda pripravila in testirala v Matlab okolju v simulacijah. Sprva se je testiralo delovanje algoritma DE na pro- blemu iskanja minimuma nekaj različnih matematič- nih funkcij z vnaprej znanim minimumom (Kowalik, Himmelblau, Rastrigin). Nato pa se je delovanje DE testiralo še na primeru nastavitve parametrov regu- latorja PID s pomočjo matematičnih modelov siste- ma višjega reda z mrtvim časom. Zaprtozančni odzi- vi so pokazali, da je z ustrezno omejitvijo naključno generiranih parametrov PID z algoritmom DE ta konvergiral proti optimalni rešitvi. Kot smo omenili, se je v PLK algoritem uporabil za nastavitev parametrov PID na učnem laboratorij- skem modelu regulacije pretoka zraka. Pri tem je uporabljen klasični krmilnik Siemens serije S7-1500, sprogramiran z lestvično logiko za vodenje proce- sa in uporabo osnovnega funkcijskega bloka PID. Funkcija algoritma DE je, da z različnimi generira- nimi parametri PID testira in izvaja različne skočne spremembe želene vrednosti in na podlagi zajetega zaprtozančnega odziva ponastavi parametre PID za novo iteracijo. Tako se na podlagi obnašanja sistema z regulatorjem iščejo optimalni parametri PID za do- seganje želenega zaprtozančnega obnašanja siste- ma oziroma dinamike. Vključevanje orodij umetne inteligence se je priče- lo s pripravo kode algoritma diferencialne evolucije v PLK, ki je bil sprogramiran v programskem jeziku SCL. Prav zaradi okrnjenosti programskih jezikov PLK in specifik programiranja je določene algoritme in funkcije težje izvesti. Problem predstavljajo mate- matične funkcije, ki so običajno zajete v knjižnicah višjih programskih jezikov (npr. RAND, RANDI, RAN- DPERM, FLOOR, MOD, TRUNC itd.), v SCL pa jih je običajno potrebno pripraviti lastnoročno. Pri razvoju smo tako identificirali več načinov kako hitro prido- biti parcialne rešitve – od UI orodij, namenskih pre- vajalnikov ali lastnega kodiranja, a je končno rešitev dalo šele človeško delo. 2.2 Učni laboratorijski model Za testiranje smo izbrali učni laboratorijski model z regulacijo pretoka zraka, ki je zaradi uporabljenih pnevmatskih gradnikov nelinearen (sistem višjega reda, pnevmatski ventil, meritev pretoka na podlagi razlike tlakov) in v različnih delovnih točkah zahteva drugačne parametre PID. Proces na sliki 2 večkrat uporabljamo pri laboratorijskih vajah za demonstra- cijo različnih vsebin avtomatizacije (gradniki, pre- tvorbe, programiranje). Regulacija pretoka zraka se izvaja v območju med 0–16 m 3 /h, s pomočjo krmilje- nja pnevmatskega ventila v območju med 0,2–1 bar (odprtost med 0–100 %). S pomočjo tokovnih pretvornikov so vsi signali pre- tvorjeni v območje med 4–20 mA in v krmilniku nato normirani in skalirani v območje 0–100 %. Običajno študenti problem regulacije in nastavitev parame- trov PID rešujejo parcialno z določanjem stabilnih parametrov PID v nekaj delovnih območjih. Nato pa sprogramirajo posodobitev parametrov PID med delovanjem procesa glede na želeno delovno točko. V primeru nastavitve parametrov PID z optimizacijo DE pa se je želelo poiskati parametre avtomatsko v več izbranih delovnih točkah na podlagi zahtevane- ga stabilnega zaprtozančnega odziva. 2.3 Izvedba algoritma DE s funkcijskim blokom v PLK Celotna koda, napisana v jeziku SCL, je bila pred- hodno testirana v simulaciji na PLK z razvitim dis- Tabela 1 : Psevdokoda algoritma diferencialne evolucije 1. Nastavi parametre algoritma DE:  velikost populacije (NP),  dimenzija problema (število parametrov, 3 za PID),  faktor mutacije (npr. 0,5–0,9),  stopnja križanja (npr. 0,7–0,9),  največje število generacij,  spodnje in zgornje meje parametrov. 2. Inicializiraj populacijo P z NP osebki:  za vsak i ∈ [1, NP]:  x i = naključni vektor znotraj mej (dimenzije D). 3. Oceni s cenilno funkcijo f(xi) za celo populacijo. 4. Izvajaj DE, dokler niso izpolnjeni pogoji za ustavitev  za vsak osebek xi v populaciji: a) izberi tri različne posameznike xr 1 , xr 2 , xr 3 ≠ x i , b) izvedi mutacijo in križanje, c) izberi najboljše, d) oceni s cenilno funkcijo nove osebke, e) prestavi najboljše osebke v novo generacijo. 5. Vrni najboljšo rešitev iz končne populacije. Ventil 3 / 2025 • Letnik 31 kretnim modelom sistema 2. reda z zakasnitvijo v zaprti regulacijski zanki, s podobno dinamiko kot kasnejši realen učni model regulacije pretoka zraka. Slika 3 prikazuje razvit blok algoritma DE [7]. Pred delovanjem je v algoritmu DE potrebno do- ločiti različne parametre: končna vrednost, ki jo algoritem doseže, da se optimizacija zaključi; šte- vilo parametrov, ki jih iščemo, v našem primeru tri parametre PID; število osebkov oziroma populacije; maksimalno število iteracij; verjetnost za križanje (rekombinacijo) parametrov med različnimi osebki; stopnjo mutacije, ki določa velikost koraka spre- membe parametrov; ter spodnje in zgornje meje parametrov populacije. Cenilno funkcijo smo po potrebi omejili zgolj na nekaj regulacijskih zahtev, kot so: vrednost prenihaja, čas umiritve ter mini- malno regulacijsko odstopanje v ustaljenem stanju. Končni parametri regulatorja PID so bili pridobljeni na podlagi skočnih sprememb referenčne vrednosti glede na različne parametre DE (število osebkov, iteracij, cilj, faktorje križanja in mutacije), izvedba v PLK (računanje) pa je zaradi počasnega odziva procesa in zajetnih meritev v vektorjih zahtevala daljše čase obdelave (trajanje nekaj ur). Program- ska koda in izvedba v jeziku SCL je pravilno delova- la, optimizacija pa je vzela kar nekaj časa za dose- ganje stabilnih rešitev parametrov PID. Pred vsakim generiranim setom parametrov PID se je te preve- rilo in v testiranje vključilo le tiste, ki so bili smiselni oziroma znotraj dovoljenih mej. S tem se je zagoto- vilo doseganje stabilnega zaprtozančnega odziva, na podlagi katerega je bilo moč oceniti rezultat. Pri testiranju smo zaradi nelinearnosti procesa iz- brali tri območja delovanja procesa: pri spremembi pretoka v območju 10 % in 30 %, 40 % in 60 % in med 70 % in 90 %. Pri vsakem testu novih parame- trov PID, ki jih je nastavila DE, se je zajelo meritve krmilne in procesne spremenljivke v vektor 100 se- PROCESNA AVTOMATIZACIJA 159 Slika 2 : Laboratorijski učni model regulacije pretoka zraka Slika 3 : Funkcijski blok algoritma diferencialne evolu- cije za optimizacijo parametrov regulatorja PID Ventil 3 / 2025 • Letnik 31 kund z vzorčenjem 0,1 sekunde. Skočna spremem- ba navzgor z osveženimi parametri PID je trajala fi- ksnih 60 sekund, navzdol s stabilnimi parametri PID pa 40 sekund (slika 4). Parametri algoritma diferencialne evolucije so bili nastavljeni: 3 parametri, 9 osebkov, maksimalno število iteracij 20, končna vrednost cenitve 5, faktor križanja 0,8 in mutacije 0,8. V cenilni funkciji smo upoštevali minimalni pogrešek v ustaljenem stanju 0, vrednost prenihaja 10 % in čas nastavitve 30 se- kund (slika 5). Vrednosti so bile izbrane izkustveno glede na dinamiko in nelinearnost procesa. Če je bilo v cenilno funkcijo zajetih preveč kriterijev, al- goritem DE ni našel ustreznih parametrov PID, ki bi zadostili vsem kriterijem. 2.4 Analiza rezultatov Dobljene parametre PID z algoritmom DE v več de- lovnih točkah se je primerjalo z nastavitvijo v por- talu TIA, ki jo omogoča osnovni funkcijski blok PID. Izkazalo se je, da so nastavljeni parametri v bloku PID vedno izračunali preveliko ojačenje Kp glede na delovno točko, kar je povzročalo nihanje pro- cesne vrednosti okoli delovne točke. Pri določanju časovnih konstant ni bilo hujših odstopanj. V tabeli 2 so prikazane regulacijske zahteve, v tabeli 3 pa nastavljeni parametri PID pred izvedbo optimizaci- je in dobljeni z blokom DE in PID. Začetni parametri PID so bili omejeni glede na znanje o dinamiki in nelinearnosti procesa in pridobljeni po izkustveni metodi CHR (Chien-Hrones-Reswick), da so zago- tavljali delovanje v delovni točki brez oscilacij. To je bil namreč predpogoj za izračun cenilne funkcije in postopek optimizacije z diferencialno evolucijo. 3 Vstop orodij UI v orodja avtomatizacije Predstavljeni primer potrjuje možnost dokaj hitre integracije naprednih algoritmov v vgrajene napra- ve, kot je PLK že danes. Z mnogimi primeri smo s kolegi v okviru zaključnih nalog izvedli še več za- nimivih algoritmov seveda tudi s pomočjo orodij UI. Tako smo od konceptov industrije 4.0 in preho- dom v industrijo 5.0 na pragu nove revolucije UI. Pristop glavnih proizvajalcev industrijske opreme se že nagiba k vključevanju teh orodij v razvojna okolja za doseganje višje učinkovitosti pri razvoju proizvodnje. S pomočjo generativnih modelov UI se bo dalo lažje avtomatizirati kompleksne naloge na področju vodenja sistemov, analitika, temelječa na podatkih, bo dala boljši vpogled v delovanje in Slika 4 : Graf poteka izvajanja skočnih zaprtozančnih odzivov na delovnem območju med 40 % in 60 % vrednosti pretoka, zajetih v portalu TIA Slika 5 : Izsek kode SCL izračuna cenilne funkcije gle- de na izbrane zahteve odziva. Tabela 2 : Regulacijske zahteve za optimizacijo različnih območij delovanja procesa Kriterij Območje Zahteva za odziv Najboljši odziv Prenihaj (%) Čas umiritve (s) 10–30 % 10 30 3,6 31,4 Prenihaj (%) Čas umiritve (s) 40–60 % 10 30 8,9 27,5 Prenihaj (%) Čas umiritve (s) 70–90 % 10 30 5,3 27,6 Tabela 3 : Primerjava parametrov PID za različna območja delovanja procesa Območje Parametri PID K p T i T d 10–30 % začetni stabilni parametri diferencialna evolucija samonastavitev PID v TIA 0,2 0,23 0,7 2,2 3,0 2,4 0,6 0,4 0,5 40–60 % začetni stabilni parametri diferencialna evolucija samonastavitev PID v TIA 0,4 0,6 0,9 2,2 5,0 3,0 0,6 0,1 0,4 70–90 % začetni stabilni parametri diferencialna evolucija samonastavitev PID v TIA 1 0,78 1,3 2,2 3,0 2,5 0,6 0,3 0,7 160 PROCESNA AVTOMATIZACIJA Ventil 3 / 2025 • Letnik 31 generirala odločitve, ki vodijo k višji učinkovitosti in natančnosti. Generativna umetna inteligenca lahko obdeluje ogromne količine podatkov, prepoznava vzorce in optimizira procese v realnem času, zaradi česar bodo podjetja in panoge, ki želijo z inovaci- jami ostati konkurenčna, morala vlagati v znanje, orodja UI in kadre, ki znajo uporabljati in izkoristi- ti njihov potencial. Pri izobraževanju kot podajalci klasičnih in/ali naprednih vsebin študentom s po- dročja avtomatizacije smo primorani slediti tren- dom in omogočati študentom pridobitev čim več znanja, kompetenc in izkušenj. Soočeni z izzivi kako akademsko pridobljena znanja približati potrebam v industriji poskušamo poleg osnovnih znanj štu- dente spoznavati tudi s koncepti industrije 4.0 in 5.0, ki jih bodo prenesli, uporabljali in razvijali na- prej (IIoT, digitalni dvojčki, razširjena resničnost …). Vedno več podjetij na trgu že ponuja lastna orod- ja za razvoj digitalnih dvojčkov za boljšo analizo in optimizacijo delovanja. Po drugi strani se področje programiranja krmilnikov in razvoj kode približujeta kombiniranim konceptom z znanimi programskimi jeziki, kot sta C++ in Python. Tako se z višjega nivoja orodja UI lažje vključujejo v okolja avtomatizacije in programiranje PLK. Večja podjetja, kot npr. Siemens, vključujejo v svoje produkte MS Copilot in s tem po- sodabljajo koncept portala TI. Prav tako podjetje B & R svoje okolje Automation Studio Code nadgrajuje z MS Copilotom, s čimer želi povišati produktivnost in izboljšati timsko delo pri razvoju programske opre- me v smeri industrije 5.0 s poudarkom na človeških odločitvah. Z združevanjem domenskega znanja av- tomatizacije in izkušenj v različnih panogah lahko pričakujemo hitrejše obvladovanje strogih zahtev v proizvodnji in avtomatizaciji. Testiranje in spremlja- nje napredka velikih jezikovnih modelov (chatGPT, Gemini, DeepSeek itd.) pri razvoju različnih algorit- mov kaže na hiter razvoj na področju avtomatizacije. Če ta orodja še pred letom dni niso podala konkre- tnih rešitev, na primer kode SCL diskretnega regula- torja PID, je danes slika že drugačna. Le vprašanje je potrebno pravilno formulirati. Nazadnje sledi še zahvala vsem študentom zaključ- nih del, ki so vztrajno razvijali in testirali različne algoritme v kodi SCL [7], ki jih z ustreznimi dopol- nitvami že vključujemo v pedagoške vaje na smeri avtomatika in robotika. Viri [1] Francis, J. N. et al.: Generative AI in Higher Edu- cation: Balancing Innovation and Integrity, Briti- sh Journal of Biomedical Science, 81/ 2024. [2] Sengar, S. S. et al.: Generative artificial intelli- gence: a systematic review and applications¸ Multimed Tools Appl, 2024. [3] Vključevanje študentov v raziskovalno in projek- tno delo, UM, 2022. [4] Fayti, M., Mjahed, M., Ayad, H., & El Kari, A. (2023). "Recent Metaheuristic-Based Optimi- zation for System Modeling and PID Controllers Tuning." Studies in Informatics and Control, 32. [5] Hasanien, H. M., & El-Fergany, A. A. (2021). "A novel hybrid GWO–PSO algorithm for optimal PID tuning of nonlinear systems." Applied Soft Computing, 102, 107099. [6] Nasir, Mohannad & Saloumi, Majd & Nassif, Ali. (2022). Review of Various Metaheuristics Te- chniques for Tuning Parameters of PID/FOPID Controllers. ITM Web of Conferences. 43. 01002. [7] Grm, A.: Uporaba optimizacijskih algoritmov za samodejno nastavitev PID parametrov v PLK, magistrsko delo. Maribor, 2024. Slika 6 : Končni odziv z dobljenimi parametri PID po DE v delovnem območju med 40–60 % vrednosti pretoka PROCESNA AVTOMATIZACIJA 161 PID tuning based on differential evolution algorithm in PLC for airflow control Abstract: The paper presents implementation of advanced algorithms in PLC using the higher-level programming langu- age SCL for PID parameter tuning in process automation. Nowadays advanced algorithms can also be imple- mented directly in PLCs, whereas implementation of artificial intelligence and machine learning algorithms is particularly interesting. In scope of the master thesis and student projects we implemented several advanced algorithms in PLCs and compared them with theoretical methods and practical industry tools. In the study case we implemented differential evolution algorithm optimization algorithm in the process industry control scheme for PID parameter tuning into PLC for task of airflow control. Due to the specificity and limitations of programming languages, the solutions were partially developed using tools of generative artificial intelligence, to evaluate the quality of obtained solutions. Generative models such as chatGPT, Copilot, Gemini, DeepSeek, etc., also have an impact on the teaching part, bringing new opportunities for teaching content at all levels of education. Experience through various student projects by students of automation and robotics shows that AI tools are not yet able to provide comprehensive solutions, but they can serve as good support. Keywords: process automation, control algorithms, PID parameter optimization, education, artificial intelligence tools.