Orientador: Ana Maria Frattini Fileti

Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química

Resumo: O desempenho do controlador preditivo baseado em modelo (MPC) está diretamente ligado à capacidade do modelo em descrever o processo. Um dos desafios dessa classe de controladores é manter o bom funcionamento do processo quando há mudanças de condições operacionais ou distúrbios não...

Resumo: O desempenho do controlador preditivo baseado em modelo (MPC) está diretamente ligado à capacidade do modelo em descrever o processo. Um dos desafios dessa classe de controladores é manter o bom funcionamento do processo quando há mudanças de condições operacionais ou distúrbios não modelados. Nesse sentido, esse trabalho propõe o uso de redes neurais artificiais (RNA) como modelo de predição do MPC utilizando um algoritmo de aprendizado em tempo real, baseado no algoritmo de filtro de Kalman estendido (FKE), para ajustar o modelo neural ao processo e manter o controle quando houver mudanças de condições operacionais e distúrbios não modelados. O MPC neural de modelo adaptativo desenvolvido foi avaliado em dois processos distintos não lineares: controle de nível em uma planta de tanques comunicantes e controle de pH em um tanque de mistura. Para ambos os processos foi realizada a modelagem fenomenológica, usada para desenvolver e testar a lógica de controle, e posteriormente foram realizados experimentos nos protótipos reais. Nestes experimentos, o controlador de modelo adaptativo apresentou redução de até 93% do somatório do erro quadrático, comparado à mesma lógica de controle sem adaptação do modelo. Além disso, a adaptação do modelo foi capaz de reduzir o esforço de controle, corrigir falhas da modelagem neural, eliminar desvios de setpoint e manter o controle do processo após mudanças de condições operacionais e aplicação de distúrbios. O MPC neural de modelo adaptativo se mostrou uma estratégia promissora para o controle de processos multivariáveis não lineares

Abstract: The performance of model predictive controller (MPC) are related to the suitable fit between model response and actual process behavior. One of the challenges in MPC application is to keep the process control performance while operating conditions change or when unmodeled disturbances...

Abstract: The performance of model predictive controller (MPC) are related to the suitable fit between model response and actual process behavior. One of the challenges in MPC application is to keep the process control performance while operating conditions change or when unmodeled disturbances happen. In this context, the present work proposes the use of artificial neural network (ANN) as a prediction model into MPC strategy. While MPC is working, this ANN model is updated by an algorithm based on extended Kalman filter (FKE) logic. The updates are crucial to keep MPC working properly in case of changes in process operating conditions or when unmodeled disturbances happen. The developed adaptive neural MPC was applied to two nonlinear processes: level control of communicant tanks and pH control of a mixing tank. The first principles modeling of both processes were implemented for computational simulation in order to help the control development and previously testing of the control logic, before actual closed loop experiments. From actual prototype experiments, the adaptive neural MPC reduced the sum of square error in 93% compared to nonadaptive neural MPC. The adaptation of the model was able to reduce the control effort, correcting neural modeling mismatches, reducing setpoint deviations and keeping the MPC working properly in different process operating conditions and while unmodeled disturbance was induced. The adaptive neural MPC proved to be a promising control strategy for multivariable nonlinear processes

Requisitos do sistema: Software para leitura de arquivo em PDF