An artificial neural network estimator design for the inferential model predictive control of an industrial multi-component distillation column
- Global styles
- Apa
- Bibtex
- Chicago Fullnote
- Help
Abstract
Endüstriyel çok bileşeni! bir damıtma kolonunun model öngörümlü denetimi için, tahmin edici olarak Yapay Sinir Ağı (YSA) kullanan bir algısal denetim metodolojisi geliştirilmiştir. Kolonda, propan, n-butan, i-butan ve i-pentan'dan oluşan bir gaz karışımından propan %96 saflıkta, bütan ise %63 saflıkta ayrıştırılır. Ürün derişimlerinin verimli denetimi için, çok değişkenli bir model öngörümlü denetleç kullanılmalıdır. Geri-beslemeli denetim sistemleri için, denetlenen değişkenlerin bilgisi gerekir. Damıtma kolonlarında ise, tepe ve alt ürün derişimlerinin sürekli ölçülebilmesi zor olduğundan, ürün derişimlerini tahmin etmek için, sıcaklık ölçümleri kullanılmalıdır. Kolonun algısal denetimi için gerekli sıcaklık ölçüm noktaları, SVD analizi yardımı ile ve ayrıca dinamik bir benzetim programı olan `modified-DAL` ile kolonun dinamiği göz önüne alınarak seçilmiştir. Sıcaklık ölçümlerinden ürün derişimlerini bulmak için, sistemin dinamiğini de içeren bir hareketli pencereli yapay sinir ağı tahmin edicisi tasarlanmıştır. Bu çalışmada, YSA için gerekli bilgi, gerçek system yerine benzetim programı kullanılarak toplanmıştır. Ayrıca, normal bir fabrika işletmesinde; derişimler, belli zaman aralıklarında analiz için örnek alınarak ölçülebilmektedir. Bu nedenle, tahmin ediciden alınan sonuçlar, 30 dakika aralıklarla benzetimden alınan derişim değerleriyle düzeltilmiştir. Damıtma kolonunun tepe ve alt ürün derişim denetimi, geliştirilen YSA tahmin edicisiyle birlikte, bir çok girdili çok çıktılı model öngörümlü denetleç ile sağlanmıştır. Geliştirilen YSA tahmin edicisi kullanan denetim sisteminin performansı, kısıtlı ve kısıtsız durumlar için, ayar noktası değişimine ve bozan etkene karşı incelenmiştir. YSA kullanan denetleç ile doğrudan derişim değerlerini kullanan denetlecin tepkileri karşılaştırıldığında, ikisi arasında çok değişiklik olmadığı; IAE değerlerinin ve tepki eğrilerinin şekillerinin birbirine benzer olduğu görülmüştür. Anahtar Kelimeler: Damıtma Kolonu, Algısal Denetim, SVD, Yapay Sinir Ağı, Model Öngörümlü Denetleç. An inferential control methodology, that utilizes an artificial neural network (ANN) estimator for a model predictive controller, is developed for an industrial multi-component distillation column. In the column, propane and butane is separated from a mixture of propane, n-butane, i-butane, and i-pentane with a top product purity of 96% propane and a bottom product purity of 63% n- butane. Dual composition control of the column must be used in a multivariable model predictive controller for an efficient operation. Feedback control systems necessitate the knowledge of the control variables. However; in distillation columns, the on-line measurements of top and bottom product compositions are difficult. Therefore, temperature measurements must be used to predict the product compositions in an inferential way. Temperature measurement points for the inferential control of the column are selected by the help of SVD analysis and also by considering the column dynamics, using a dynamic simulation program, called modified-DAL. A moving window neural network estimator, which incorporates the system dynamics into account, is designed to find out the product compositions from temperature measurements on trays. In this study, the data for the ANN is collected using the modified-DAL instead of the real plant. Since in a normal plant operation, compositions are measured discretely by taking samples for analysis, the estimator results are further corrected in 30 minutes intervals with the composition data taken from the simulation of the column. A Multi Input Multi Output (MIMO) MPC is used with the developed ANN estimator to achieve the dual composition control of the column. The performance of the developed control system utilizing ANN estimator is tested considering set-point tracking and disturbance rejection performances for the unconstrained and constrained cases. The comparison of the responses resulting from the controller utilizing ANN estimator, with the case where direct composition values are used in the control system shows that there is not much difference between the two; IAE scores are similar and the shapes of response curves are similar. Keywords: Distillation Column, Inferential Control, SVD, Artificial Neural Networks, Model Predictive Controller.
Collections