Control de modelo predictivo (MPC) No-lineal para una columna petlyuk: Cosimulación Matlab-Aspen

Abstract

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.

In this study, a non-linear model based on an artificial neural network (ANN) is used instead of a linear model to improve the accuracy of an model predictive controller (MPC). The performance is compared with an MPC with a linear model to validate the control system The design of two Petlyuk columns in Aspen Plus® is obtained for the mixtures: M1 (n-butane, 2-methyl-butane, n-pentane) and M2 (n-butane, n-pentane, n-octane). Data of its dynamics are extracted from each column to train the ANN. Training is done using the Stochastic One-Step (SOS) method. Eight manipulable variables and eight variables to be controlled are used. The simulation is done inMatlab® in conjunction with Aspen Plus Dynamics®. The weights of the MPC cost function are adjusted from an experimental plan and by optimization. The tuning is done using the maximum stability time, the maximum overshoot, and the total error square as performance metrics. The column is given multiple perturbations and setpoint changes to compare the performance of the MPC and the model type. The disturbance combinations are based on an experimental plan of 20 case studies. The trained ANNs achieved an adequate fit of the dynamic data of each Petlyuk column. They are capable of adequately predicting the dynamic behavior of the columns. The control results show a better performance of the nonlinear MPC versus the linear MPC by a significant di¤erence. The implementation of a nonlinear model increases the robustness of the control system. Despite having lower performance, the linear model works correctly, fulfilling the control objectives. Both controllers with diferent models (linear and nonlinear) stabilized the Petlyuk column. The methodology presented in this work can be applied to control diferent processes in the chemical industry. The process type and precision required are determinating in the model choice and complexity. An ANN can be used as a nonlinear model and improve the performance of an MPC.