Control de modelo predictivo (MPC) No-lineal para una columna petlyuk: Cosimulación Matlab-Aspen
En este estudio se utiliza un modelo no-lineal a base de una red neuronal artificial (RNA) en lugar de un modelo lineal, para mejorar la precisión de un controlador por modelo predictivo (MPC). Para validar el sistema de control se compara el desempeño con el de un MPC con modelo lineal. Se obtiene...
| Autores: | , |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2022 |
| País: | México |
| Institución: | Universidad Autónoma de San Luis Potosí |
| Repositorio: | Repositorio Institucional de la UASLP |
| OAI Identifier: | oai:repositorioinstitucional.uaslp.mx:i/7508 |
| Acceso en línea: | https://repositorioinstitucional.uaslp.mx/xmlui/handle/i/7508 |
| Access Level: | acceso abierto |
| Palabra clave: | Control de procesos químicos (lemb) Control por modelo predictivo Redes neuronales artificiales (bne) Columnas de destilación Petlyuk Destilación (lemb) Control of chemical processes Model predictive control Artificial neural networks Distillation Petlyuk distillation columns INGENIERÍA Y TECNOLOGÍA |
| Sumario: | En este estudio se utiliza un modelo no-lineal a base de una red neuronal artificial (RNA) en lugar de un modelo lineal, para mejorar la precisión de un controlador por modelo predictivo (MPC). Para validar el sistema de control se compara el desempeño con el de un MPC con modelo lineal. Se obtiene el diseño de dos columnas Petlyuk en Aspen Plus® , para las mezclas: M1 (n-butano, 2-metil-butano, n-pentano) y M2 (n-butano, n-pentano, n-octano). De cada columna se extraen datos de su dinámica para entrenar la RNA. El entrenamiento se realiza utilizando el método Stochastic One-Step (SOS). Se utilizan ocho variables manipulables y ocho variables a controlar. La simulación se hace en Matlab® en conjunto con Aspen Plus Dynamics® . Los pesos de la función de costo del MPC son ajustados a partir de un plan experimental y una optimización. La sintonización se realiza utilizando el tiempo de estabilidad máximo, el máximo sobretiro y el cuadrado del error total como métricas de rendimiento. Para comparar el desempeño del MPC y el tipo de modelo, a la columna se le dan múltiples perturbaciones y cambios de setpoint. Las combinaciones de las perturbaciones están basadas en un plan experimental de 20 casos de estudio. Las RNAs entrenadas logran un ajuste adecuado de los datos dinámicos de cada columna Petlyuk. Son capaces de predecir de manera adecuada el comportamiento dinámico de las columnas. Los resultados del control muestran un mejor rendimiento del MPC no-lineal frente a el MPC lineal por una diferencia significativa. La implementación de un modelo no-lineal aumenta la robustez del sistema de control. El modelo lineal a pesar de tener un rendimiento menor funciona de una manera correcta cumpliendo con los objetivos de control. Ambos controladores con diferente modelo (lineal y no-lineal) logran estabilizar la columna Petlyuk. La metodología presentada en este trabajo se puede aplicar para controlar diferentes procesos en la industria química. La elección del modelo y su complejidad estarán determinados por el tipo de proceso y por la precisión que se requiera. Una RNA se puede utilizar como modelo no-lineal y mejorar el desempeño de un MPC. |
|---|