Identificação de sistemas "on-line", otimização e controle avançado com o filtro de Kalman estendido
Ramon Scheffer
TESE
Português
(Broch.)
T/UNICAMP Sch23i
[On line system identification, advanced control and optimization with the (Extended) Kalman filter]
Campinas, SP : [s.n.], 2006.
147p. : il.
Orientador: Rubens Maciel Filho
Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Quimica
Resumo: O processamento dos dados e a otimização dos processos químicos em tempo real ficarão mais importante com a competição crescente entres os produtores. Vários itens devem ser considerados para possibilitar a otimização em tempo real, como a medição, a confiança da medida e a predição do...
Ver mais
Resumo: O processamento dos dados e a otimização dos processos químicos em tempo real ficarão mais importante com a competição crescente entres os produtores. Vários itens devem ser considerados para possibilitar a otimização em tempo real, como a medição, a confiança da medida e a predição do comportamento do processo. Neste trabalho considera-se vários aspectos de um esquema de controle avançado destes, quais são a monitorização de medida, identificação de sistema não linear e em tempo real (redes neuronais recorrentes) e otimização não linear com restrições. Um requisito é que este sistema é capaz de funcionar em condições severas com ruído da medição, perturbações não medidas e mudanças de processo, como a desativação de um catalisador. Todas estas ferramentas foram desenvolvidas na linguagem de programação FORTRAN e são disponíveis no laboratório LOPCA/UNICAMP. Utilizaram-se modelos validados para simular os processos, porém em alguns casos utilizaram-se dados industriais
e dados de planta piloto para estudar os algoritmos desenvolvidos nesta tese. O ruído Gaussiano fracionário (fGn = fractional Gaussian noise) e o movimento Browniano fracionário (fBm = fractional Brownian motion) foram considerados de ser modelos adequados para monitorização de medida e foram aplicados nos dados de um piloto de um reator air-lift, cujo sinal de pressão demonstra um comportamento complexo e não branco (não aleatório). Demonstrou-se que o fGn descreve parcialmente os sinais da pressão e é capaz de prever os series temporais, porém, o parte que não era previsto bem pode ser previsto por um modelo (4,3) auto-regressivo e media móvel (ARMA = auto-regressive and moving average). Os modelos de fGn e fBm hão falta número de parâmetros ajustáveis e
necessários para poderem ser utilizados em previsão de series temporais que tem uma função de auto-correlação de tipo senoidal. Portanto, recomenda-se o estudo da extensão do modelo ARMA que conhece-se por o modelo ARMA fracionário como algoritmo para
monitorização da medida e por este via desenvolver uma ferramenta de diagnostica geral da confiança da medição. O algoritmo de treinamento de redes neurais baseado no filtro de Kalman (MEKA) mostrou se bastante rápido para o ajuste dos parâmetros da rede neural recorrente em casos distantes, tanto em casos teóricos tanto em casos práticos de dados industriais. Alem disto, as características de generalização das redes neuronais treinados são melhores dos que as obtidas com os algoritmos comuns de treinamento de rede neural como standard backpropagation (com momentum). Demonstrou-se com bastante sucesso que o filtro de Kalman pode ser utilizado em otimização com e sem restrições. A otimização sem restrições da função de Rosenbrock mostrou que o algoritmo pode ser muito rápido se a matriz de covarianca de ruído do processo é manipulada. A otimização com restrições demonstrou se em um escala grande de problemas de testes colecionados por Trvzka de Gouvêa e Odloak (), onde em quase todos os casos o ponto mínimo global foi encontrado. Alem disto utilizou se o algoritmo em um problema industrial que demonstrou que o custo computacional é alto demais ainda e que o algoritmo deveria ser modificado para ficar útil em aplicações reais Ver menos
e dados de planta piloto para estudar os algoritmos desenvolvidos nesta tese. O ruído Gaussiano fracionário (fGn = fractional Gaussian noise) e o movimento Browniano fracionário (fBm = fractional Brownian motion) foram considerados de ser modelos adequados para monitorização de medida e foram aplicados nos dados de um piloto de um reator air-lift, cujo sinal de pressão demonstra um comportamento complexo e não branco (não aleatório). Demonstrou-se que o fGn descreve parcialmente os sinais da pressão e é capaz de prever os series temporais, porém, o parte que não era previsto bem pode ser previsto por um modelo (4,3) auto-regressivo e media móvel (ARMA = auto-regressive and moving average). Os modelos de fGn e fBm hão falta número de parâmetros ajustáveis e
necessários para poderem ser utilizados em previsão de series temporais que tem uma função de auto-correlação de tipo senoidal. Portanto, recomenda-se o estudo da extensão do modelo ARMA que conhece-se por o modelo ARMA fracionário como algoritmo para
monitorização da medida e por este via desenvolver uma ferramenta de diagnostica geral da confiança da medição. O algoritmo de treinamento de redes neurais baseado no filtro de Kalman (MEKA) mostrou se bastante rápido para o ajuste dos parâmetros da rede neural recorrente em casos distantes, tanto em casos teóricos tanto em casos práticos de dados industriais. Alem disto, as características de generalização das redes neuronais treinados são melhores dos que as obtidas com os algoritmos comuns de treinamento de rede neural como standard backpropagation (com momentum). Demonstrou-se com bastante sucesso que o filtro de Kalman pode ser utilizado em otimização com e sem restrições. A otimização sem restrições da função de Rosenbrock mostrou que o algoritmo pode ser muito rápido se a matriz de covarianca de ruído do processo é manipulada. A otimização com restrições demonstrou se em um escala grande de problemas de testes colecionados por Trvzka de Gouvêa e Odloak (), onde em quase todos os casos o ponto mínimo global foi encontrado. Alem disto utilizou se o algoritmo em um problema industrial que demonstrou que o custo computacional é alto demais ainda e que o algoritmo deveria ser modificado para ficar útil em aplicações reais Ver menos
Abstract: In the continuing competition between it will be more and more necessary to optimize current chemical processes in real time. To be able to optimize a plant in real time, there have to be various aspects to be fulfilled, such as measurement, reliability of the
measurement and prediction of... Ver mais Abstract: In the continuing competition between it will be more and more necessary to optimize current chemical processes in real time. To be able to optimize a plant in real time, there have to be various aspects to be fulfilled, such as measurement, reliability of the
measurement and prediction of the process behaviour. In this work some of the aspects of such an advanced control are studied and are measurement monitoring, on-line non-linear system identification (recurrent neural networks) and constrained non-linear optimisation. It is wanted that this system can work under measurement noise, unmeasured disturbance and process changes such as a catalyst deactivation. All these tools were developed in the FORTRAN programming language and are available at the laboratory LOPCA/UNICAMP. Validated models were used to simulate the processes, but in some cases real industrial and pilot-plant data were used to study the algorithms developed. The fractional Gaussian noise (fGn) and fractional Brownian motion (fBm) were thought to be models suitable as measurement predictors, and applied to pilot plant data of an airlift reactor, whose pressure signal presents a complex non-white behaviour. It was shown that the fGn does describe part of the measured signals and is able to do some prediction of the time series, but the other part could be explained well by a (4,3) Auto-Regressive and Moving Average (ARMA) model. It was noted that the fGn and fBm lack parameters to be adjusted and cannot be used for processes having a sinus type of autocorrelation
function (ACF). Therefore an extension of ARMA models known as the fractional ARMA (FARMA) models can be used as a measurement monitoring tool, allowing the possibility to develop a general diagnostic tool. It is shown a various cases (from theoretical to practical industrial data) that the MEKA Kalman filter algorithm is a quite fast training algorithm for recurrent neural
network training, but especially results in better generalisation properties of the neural network trained than the other sequential training algorithms (standard backpropagation (with momentum)). It was shown that the Kalman filter can be successfully used in unconstrained and constrained optimisation. The unconstrained optimisation of the Rosenbrock function demonstrates that a very fast optimisation can be obtained by manipulating the process noise covariance matrix. The applicability to constrained optimisation was shown in a large scope of different test problems and one real industrial problem Ver menos
measurement and prediction of... Ver mais Abstract: In the continuing competition between it will be more and more necessary to optimize current chemical processes in real time. To be able to optimize a plant in real time, there have to be various aspects to be fulfilled, such as measurement, reliability of the
measurement and prediction of the process behaviour. In this work some of the aspects of such an advanced control are studied and are measurement monitoring, on-line non-linear system identification (recurrent neural networks) and constrained non-linear optimisation. It is wanted that this system can work under measurement noise, unmeasured disturbance and process changes such as a catalyst deactivation. All these tools were developed in the FORTRAN programming language and are available at the laboratory LOPCA/UNICAMP. Validated models were used to simulate the processes, but in some cases real industrial and pilot-plant data were used to study the algorithms developed. The fractional Gaussian noise (fGn) and fractional Brownian motion (fBm) were thought to be models suitable as measurement predictors, and applied to pilot plant data of an airlift reactor, whose pressure signal presents a complex non-white behaviour. It was shown that the fGn does describe part of the measured signals and is able to do some prediction of the time series, but the other part could be explained well by a (4,3) Auto-Regressive and Moving Average (ARMA) model. It was noted that the fGn and fBm lack parameters to be adjusted and cannot be used for processes having a sinus type of autocorrelation
function (ACF). Therefore an extension of ARMA models known as the fractional ARMA (FARMA) models can be used as a measurement monitoring tool, allowing the possibility to develop a general diagnostic tool. It is shown a various cases (from theoretical to practical industrial data) that the MEKA Kalman filter algorithm is a quite fast training algorithm for recurrent neural
network training, but especially results in better generalisation properties of the neural network trained than the other sequential training algorithms (standard backpropagation (with momentum)). It was shown that the Kalman filter can be successfully used in unconstrained and constrained optimisation. The unconstrained optimisation of the Rosenbrock function demonstrates that a very fast optimisation can be obtained by manipulating the process noise covariance matrix. The applicability to constrained optimisation was shown in a large scope of different test problems and one real industrial problem Ver menos
Maciel Filho, Rubens, 1958-
Orientador
Odloak, Darci
Avaliador
Amaral, Wagner Caradori do, 1952-
Avaliador
Freitas, Valdir Apolinário de
Avaliador
Tresmondi, Alexandre
Avaliador
Identificação de sistemas "on-line", otimização e controle avançado com o filtro de Kalman estendido
Ramon Scheffer
Identificação de sistemas "on-line", otimização e controle avançado com o filtro de Kalman estendido
Ramon Scheffer
Exemplares
Nº de exemplares: 2
Não existem reservas para esta obra