Um modelo híbrido de modelo auto-regressivo não linear com entrada exógena e modelo de média móvel autorregressivo para previsão de longo prazo do estado da máquina Este artigo apresenta uma melhoria do modelo de modelo auto-regressivo não-linear com modelo de entrada exógena (NARX) e AMDA modelo autoregressivo para longo prazo Previsão do estado da máquina com base em dados de vibração. Neste estudo, os dados de vibração são considerados como uma combinação de dois componentes que são dados deterministas e erros. O componente determinista pode descrever o índice de degradação da máquina, enquanto o componente de erro pode representar a aparência de partes incertas. Um modelo de previsão híbrida melhorado, ou seja, o modelo NARXndashARMA, é realizado para obter os resultados de previsão em que o modelo de rede NARX que é adequado para problemas não-lineares é usado para prever o componente determinista eo modelo ARMA são usados para prever o componente de erro devido a capacidade apropriada Em previsão linear. Os resultados finais de previsão são a soma dos resultados obtidos a partir desses modelos únicos. O desempenho do modelo NARXndashARMA é então avaliado usando os dados do compressor de metano baixo adquirido da rotina de monitoramento de condições. Para corroborar os avanços do método proposto, também é realizado um estudo comparativo dos resultados de previsão obtidos no modelo NARXndashARMA e nos modelos tradicionais. Os resultados comparativos mostram que o modelo NARXndashARMA é excelente e pode ser usado como uma ferramenta potencial para a previsão do estado da máquina. Média móvel autorregressiva (ARMA) Autoregressiva não linear com entrada exógena (NARX) Previsão a longo prazo Previsão do estado da máquina Autor correspondente. Tel. 82 51 629 6152 fax: 82 51 629 6150. Copyright copy 2009 Elsevier Ltd. Todos os direitos reservados. Os cookies são usados por este site. Para mais informações, visite a página de cookies. Copyright 2017 Elsevier B. V. ou seus licenciadores ou contribuidores. ScienceDirect é uma marca registrada de Elsevier B. V. Um modelo de rede neural dinâmico não-linear baseado em wavelets com padrões de entrada exógena (WNARX) para previsão de inundações em tempo real usando produtos de precipitação por satélite Trushnamayee Nanda a, 1. Bhabagrahi Sahoo b. Harsh Beria a. Chandranath Chatterjee a, 2. Departamento de Engenharia Agrícola e de Alimentos, Instituto Indiana de Tecnologia Kharagpur, Índia b Escola de Recursos Hídricos, Instituto Indiana de Tecnologia Kharagpur, Índia Recebido em 30 de dezembro de 2015. Revisado em 3 de maio de 2016. Aceito em 5 de maio de 2016. Disponível em linha 10 de maio de 2016. Este manuscrito Foi tratado por Andras Bardossy, editor-chefe, com a ajuda de Fi-John Chang, editor associado Destaques Previsão de tendência de TRMM e produtos de precipitação por satélite TRMM-RT. Modelo WNARX desenvolvido com ANN dinâmico, transformada wavelet e entradas exógenas. Comparou WNARX com modelos ARMAX, ANN, WANN e NARX para previsão de inundações. O acoplamento do WNARX com TRMM-RT resolve os problemas de previsão de inundações em tempo real. Embora o sistema de previsão e alerta de inundações seja uma medida não estrutural muito importante em bacias de rios propensas a inundações, a rede de raingauge pobre, bem como a indisponibilidade de dados de precipitação em tempo real, podem dificultar sua precisão em diferentes prazos. Por outro lado, uma vez que os produtos de precipitação em tempo real baseados em satélites estão agora disponíveis para as regiões escassas de dados, sua integração com os modelos orientados por dados pode ser efetivamente usada para a previsão de inundações em tempo real. Para abordar estas questões na previsão de fluxos operacionais, é proposto e avaliado um novo modelo orientado por dados, a saber, a autoregressiva não lineal baseada em wavelets com entradas exógenas (WNARX), em comparação com outros quatro modelos orientados a dados, ou seja, A média móvel autoadressiva linear com insumos exógenos (ARMAX), a rede neural artificial estática (ANN), a ANN com base em wavelet (WANN) e os modelos dinâmicos não-lineares autoregressivos com insumos exógenos (NARX). Primeiro, a qualidade dos produtos de precipitação de insumos da Análise de Precipitação Multi-Satélite da Estação de Medição de Precipitação Tropical (TMPA), viz. Os produtos TRMM e TRMM em tempo real (RT) são avaliados através de avaliação estatística. Os resultados revelam que os produtos de precipitação de satélites se correlacionam moderadamente com a precipitação observada, com o produto TRMM ajustado a calibre superando o produto TRMM-RT em tempo real. O produto de precipitação TRMM captura melhor as observações do solo até 95 percentil (30.11 mmday), embora a taxa de acerto diminua para a intensidade de precipitação elevada. O efeito do produto de temperatura de precipitação prévia (AR) e de reanálise do sistema de previsão climática (CFSR) na resposta da captação é testado em todos os modelos desenvolvidos. Os resultados revelam que, durante a simulação de fluxo em tempo real, os produtos de chuva baseados em satélites geralmente apresentam um desempenho pior do que a precipitação baseada em bitola. Além disso, em comparação com os modelos existentes, a previsão de fluxo pelo modelo WNARX é muito melhor do que os outros quatro modelos estudados aqui com as chuvas TRMM e TRMM-RT aos 13 dias de prazos. Os resultados confirmam a robustez do modelo WNARX com apenas a precipitação por satélite (TRMM-RT) (sem uso de dados de medição) para fornecer previsões de enchentes em tempo real razoavelmente boas. A utilidade do TRMM-RT resolve os problemas de previsão de inundações em tempo real, pois este é o único produto de precipitação disseminado em tempo real. Assim, o modelo WNARX com os produtos de precipitação TMPA pode oferecer um horizonte novo e emocionante para fornecer previsão de inundações e alerta precoz nas bacias hidrográficas propensas a inundações. Tabela 1. Fig. 2. Fig. 3. Fig. 4a. FIG. 4b. FIG. 5. Fig. 6. Fig. 7. Tabela 2. Fig. 8. Fig. 9. Fig. 10.Capítulo 13 Autoregressivo não-linear com controle predispositivo modelo baseado em entradas exógenas para o Reator de Esterificação de Laurate de Citronellyl em Lote Figura 7. Erro gráfico de identificação para o treinamento e validação do modelo NARX estimado Figura 8. Resposta de controle de controladores NARX-MPC e IMC-PID para Rastreamento de set-point com suas respectivas ações variáveis manipuladas. Figura 9. Perfil da conversão éster para controladores NARX-MPC, IMC-PID-Unconstraint e IMC-PIC. Figura 10. Resposta de controle dos controladores NARX-MPC e IMC-PID para mudança de ponto de ajuste com sua respectiva ação variável manipulada. Figura 11. Resposta de controle dos controladores NARX-MPC e IMC-PID para troca de carga com suas respectivas ações variáveis manipuladas. Figura 12. Resposta de controle dos controladores NARX-MPC e IMC-PID para a robustez Teste 1 com sua respectiva ação variável manipulada. Figura 13. Resposta de controle dos controladores NARX-MPC e IMC-PID para a robustez Teste 2 com suas respectivas ações variáveis manipuladas. Figura 14. Resposta de controle dos controladores NARX-MPC e IMC-PID para robustez Teste 3 com suas respectivas ações variáveis manipuladas. Figura 15. Resposta de controle dos controladores NARX-MPC e IMC-PID para a robustez Teste 4 com suas respectivas ações variáveis manipuladas. Autoregressivo não-linear com controle de predisposição modelo baseado em insumos exógenos para o Reator de Esterificação de Laurate de Citronellyl em lote 1 Escola de Engenharia Química, Campus de Engenharia, Universiti Sains Malaysia, Seri Ampangan, 14300 Nibong Tebal, Seberang Perai Selatan, Penang, Malásia 1. Introdução A esterificação é amplamente empregada Reação na indústria de processos orgânicos. Os ésteres orgânicos são mais utilizados como plastificantes, solventes, perfumaria, como produtos químicos saborosos e também como precursores em produtos farmacêuticos. Um dos ésteres importantes é Citronellyl laurate, um componente versátil em sabores e fragrâncias, que são amplamente utilizados nas indústrias de alimentos, bebidas, cosméticos e farmacêuticos. Na indústria, as produções de ésteres mais comuns são realizadas em reatores em lotes, porque este tipo de reator é bastante flexível e pode ser adaptado para acomodar pequenos volumes de produção (Barbosa-Pvoa, 2007). O modo de operação para um reactor de esterificação por lotes é semelhante a outros processos de reator em lotes onde não há fluxo de entrada ou saída de reagentes ou produtos enquanto a reação está sendo realizada. No sistema de esterificação do lote, existem vários parâmetros que afetam a taxa de reação do éster, tais como diferentes catalisadores, solventes, velocidade de agitação, carga do catalisador, temperatura, razão molar, peneira molecular e atividade da água (Yadav e Lathi, 2005). O controle deste reator é muito importante para alcançar altos rendimentos, taxas e reduzir produtos laterais. Devido à sua estrutura simples e fácil implementação, 95 de loops de controle em indústrias químicas ainda utilizam controladores lineares, como os controladores de derivação Proporcional, Integral de derivação (PID). No entanto, os controladores lineares produzem um desempenho satisfatório apenas se o processo for operado perto de um estado estável nominal ou se o processo for bastante linear (Liu amp Macchietto, 1995). Por outro lado, os processos em lote são caracterizados por duração de reação limitada e por condições operacionais não estacionárias, e as não-linearidades podem ter um impacto importante no problema de controle (Hua et al., 2004). Além disso, o sistema de controle deve lidar com as variáveis do processo, além de enfrentar condições de operação em mudança, na presença de distúrbios não medidos. Devido a estas dificuldades, estudos da estratégia de controle avançado receberam grandes interesses durante a última década. Entre as estratégias de controle avançadas disponíveis, o Modelo de Controle Preditivo (MPC) provou ser um bom controle para processos de reator em lote (Foss et al., 1995 Dowd et al., 2001 Costa et al., 2002 Bouhenchir et al., 2006 ). O MPC tem influenciado as práticas de controle de processos desde o final da década de 1970. Eaton e Rawlings (1992) definiram o MPC como um esquema de controle no qual o algoritmo de controle otimiza o perfil variável manipulado em um horizonte temporal futuro finito para maximizar uma função objetiva submetida a modelos e restrições de plantas. Devido a esses recursos, esses algoritmos de controle baseados em modelo podem ser estendidos para incluir sistemas multivariáveis e podem ser formulados para lidar explicitamente com as restrições do processo. A maioria das melhorias nos algoritmos MPC baseia-se na reconstrução do desenvolvimento dos elementos básicos do MPC que incluem o modelo de predição, a função objetiva eo algoritmo de otimização. Existem várias pesquisas técnicas abrangentes sobre teorias e direção de exploração futura do MPC por Henson, 1998. Morari amp Lee, 1999. Mayne et al. . 2000 e Bequette, 2007. O desenvolvimento precoce deste tipo de estratégia de controle, as técnicas de Controle Preditivo de Modelo Linear (LMPC), como o Dynamic Matrix Control (DMC) (Gattu e Zafiriou, 1992) foram implementadas com sucesso em uma grande quantidade de processos. Uma limitação para os métodos LMPC é que eles são baseados na teoria do sistema linear e podem não funcionar bem no sistema altamente não-linear. Devido a isso, um Controle Preditivo de Modelo Não-Linear (NMPC) que é uma extensão do LMPC é muito necessário. NMPC é conceitualmente semelhante à sua contrapartida linear, exceto que os modelos dinâmicos não-lineares são usados para a predição e otimização do processo. Embora o NMPC tenha sido implementado com sucesso em várias aplicações (Braun et al., 2002, Msahli et al. 2002 Ozkan et al., 2006 Nagy et al., 2007 Shafiee et al., 2008 Deshpande et al., 2009) Não é um controlador comum ou padrão para todos os processos. Em outras palavras, o NMPC é um controlador exclusivo que se destina apenas para o processo específico em consideração. Entre os principais problemas no desenvolvimento da NMPC estão, em primeiro lugar, o desenvolvimento de um modelo adequado que pode representar o processo real e, em segundo lugar, a escolha da melhor técnica de otimização. Recentemente, uma série de técnicas de modelagem ganharam destaque. Na maioria dos sistemas, os modelos lineares, como os mínimos quadrados parciais (PLS), Auto Regressivo com Entradas Exógenas (ARX) e Média de Mudança Automática Regressiva com Entradas Exógenas (ARMAX), só funcionam bem em uma pequena região de operações. Por estas razões, muita atenção tem sido direcionada para a identificação de modelos não-lineares, como redes neurais, modelo Volterra, Hammerstein, Wiener e NARX. Entre esses modelos, o modelo NARX pode ser considerado como uma excelente opção para representar o processo de esterificação do lote, pois é mais fácil verificar os parâmetros do modelo usando o grau de matriz de informação, matrizes de covariância ou avaliar o erro de predição do modelo usando uma previsão final dada Critério de erro. O modelo NARX oferece uma representação poderosa para a análise, modelagem e previsão de séries temporais devido à sua força em acomodar a natureza dinâmica, complexa e não linear de aplicações em séries em tempo real (Harris amp Yu, 2007 Mu et al., 2005). Portanto, neste trabalho, um modelo NARX foi desenvolvido e incorporado no NMPC com algoritmo de otimização adequado e eficiente e, portanto, atualmente, este modelo é conhecido como NARX-MPC. O laurato de citronelila é sintetizado a partir de DL-citronellol e ácido láurico utilizando lipase de Candida Rugosa imobilizada (Serri et al., 2006). Este processo foi escolhido principalmente porque é um processo muito comum e importante na indústria, mas ainda não adotou o sistema de controle avançado, como o MPC na operação da planta. De acordo com Petersson et al. (2005), a temperatura tem uma forte influência no processo de esterificação enzimática. A temperatura deve preferencialmente estar acima dos pontos de fusão dos substratos e do produto, mas não muito alto, à medida que a atividade e a estabilidade das enzimas diminuem a temperaturas elevadas. Portanto, o controle de temperatura é importante no processo de esterificação, a fim de alcançar a produção máxima de ésteres. Neste trabalho, a temperatura dos reatores é controlada pela manipulação do fluxo de água de refrigeração no revestimento do reator. Os desempenhos do NARX-MPC foram avaliados com base em seu seguimento de set-point, mudança de ponto de ajuste e mudança de carga. Além disso, a robustez do NARX-MPC é estudada usando quatro testes, isto é, aumentando o coeficiente de transferência de calor, aumentando o calor de reação, diminuindo a energia de ativação de inibição e uma mudança simultânea de todos os parâmetros mencionados. Finalmente, o desempenho do NARX-MPC é comparado com um controlador PID que é sintonizado usando a técnica interna de controle do modelo (IMC-PID). 2. Reator de esterificação em lotes A síntese de laurato de citronelada envolveu um processo exotérmico em que Citronellol reagiu com ácido láurico para produzir Citronellyl Laurate e água. Esquema representam a esterificação de laurato de citronelada em que C A c. C A l. CE s e CW são concentrações (molL) de ácido láurico, Citronellol, Citronellyl laurate e água respectivamente r max (mol l -1 min -1 g -1 de enzima) é a taxa máxima de reação, K Ac (mol l -1 G -1 de enzima), KA l (mol l -1 g -1 de enzima) e K i (mol l -1 g -1 de enzima) são a constante de Michealis para ácido laurico, Citronellol e inibição respectivamente A i. A A c e A A l são os fatores pré-exponenciais (L mols) para inibição, ácido láurico e Citronellol, respectivamente, E i. E A c e E A l são a energia de ativação (J molK) para inibição, ácido laurico e Citronellol, respectivamente R é a constante de gás (Jmol K). O reator pode ser descrito pelos seguintes balanços térmicos (Aziz et al., 2000): d T rdt H rxnr A c VQV (CA c C p A c CA l C p A l CE s C p E s CWC p W) Onde u (t) e y (t) representam a entrada e a saída do modelo no tempo t em que a saída atual y (t) depende inteiramente da entrada atual u (t). Aqui, você e n são as ordens de entrada e saída do modelo dinâmico que são n u 0. n y 1. A função f é uma função não-linear. X y (t 1) y (t n y) u (t 1) u (t n u) T indica o vetor de entrada do sistema com uma dimensão conhecida n n y n u. Uma vez que a função f é desconhecida, é aproximada pelo modelo de regressão da forma: y (t) i 0 n u a (i). U (t i) j 1 n y b (j). Y (t j) i 0 n u j i n u a (i. J). U (t i). U (t j) i 1 n y j i n y b (i. J). Y (t i). Y (t j) i 0 n u j 1 n y c (i. J). U (t i). Y (tj) e (t) onde a (i) e a (i. J) são os coeficientes de linear e não-linear para os termos exógenos de origem b (i) andb (i. J) são os coeficientes do autorregressivo linear e não-linear Termos c (i. J) são os coeficientes dos termos cruzados não-lineares. Eq. 12 podem ser escritos em matriz: y (t) y (t 1) y (t n y) a. U t b. Y T A. U T B. Y T C. X T Procedimento de identificação do modelo NARX Pré-teste de identificação: Este estudo é muito importante para escolher as importantes variáveis controladas, manipuladas e perturbadoras. Um estudo preliminar das parcelas de resposta também pode dar uma idéia do tempo de resposta e do ganho de processo. Seleção do sinal de entrada: o estudo da faixa de entrada deve ser feito, para calcular os valores máximos possíveis de todos os sinais de entrada para que ambas as entradas e saídas estejam dentro do intervalo de condições de operação desejado. A seleção do sinal de entrada permitiria a incorporação de objetivos e restrições adicionais, isto é, separações de eventos de entrada mínima ou máxima que são desejáveis para os sinais de entrada e o comportamento do processo resultante. Seleção da ordem do modelo: o passo importante na estimativa dos modelos NARX é escolher a ordem do modelo. O desempenho do modelo foi avaliado pelo Means Squared Error (MSE) e Sum Squared Error (SSE). Validação do modelo: Finalmente, o modelo foi validado com dois conjuntos de dados de validação que foram conjuntos de dados independentes não vistos que não são usados na estimativa de parâmetros do modelo NARX. Os detalhes da identificação do modelo NARX para a esterificação do lote podem ser encontrados no Zulkeflee amp Aziz (2008). 4. Algoritmo MPC A estrutura conceitual de MPC é representada na Fig. 4. A concepção de MPC é obter a ação de controle atual, resolvendo, em cada instante de amostragem, um problema de controle ótimo em horizonte nite de horizonte aberto, usando o estado atual da planta como o estado inicial. A função objetiva desejada é minimizada dentro do método de otimização e relacionada a uma função de erro com base nas diferenças entre as respostas de saída desejadas e reais. A primeira entrada ideal foi realmente aplicada à planta no instante t e as demais entradas otimizadas foram descartadas. Enquanto isso, no tempo t1. Uma nova medida de problema de controle ótimo foi resolvida e o mecanismo do horizonte recuando forneceu ao controlador o mecanismo de feedback desejado (Morari amp Lee, 1999 Qin amp Badgwell, 2003 Allgower, Findeisen amp Nagy, 2004). Estrutura básica do controle preditivo do modelo Uma formulação da otimização on-line do MPC pode ser a seguinte: O problema de otimização acima é uma programação não-linear (PNL) que pode ser resolvida a cada tempo t. Embora a trajetória de entrada tenha sido calculada até os tempos de amostragem M-1 no futuro, somente o primeiro movimento calculado foi implementado para um intervalo de amostragem e a otimização acima foi repetida no próximo tempo de amostragem. A estrutura do NARX-MPC proposto é mostrada na Fig. 5. Neste trabalho, o problema de otimização foi resolvido usando a função de programação de otimização não-linear restrita (fmincon) no MATLAB. Um limite de fluxo inferior de 0 Lmin e um limite superior de 0,2 Lmin e um limite de temperatura inferior de 300K e limite superior de 320K foram escolhidos para as variáveis de entrada e saída, respectivamente. Para avaliar o desempenho do controlador NARX-MPC, o NARX-MPC foi usado para rastrear o set-point de temperatura em 310K. Para a mudança de set-point, uma mudança de passo de 310K para 315K foi introduzida no processo em t25 min. Para a mudança de carga, uma perturbação foi implementada com uma mudança de passo (10) para a temperatura do revestimento de 294K a 309K. Finalmente, o desempenho do NARX-MPC é comparado com o desempenho do controlador PID. Os parâmetros do controlador PID foram estimados usando o controlador baseado no modelo interno. Os detalhes da implementação do controlador IMC-PID podem ser encontrados no Zulkeflee amp Aziz (2009). A estrutura do NARX-MPC 5. Resultados 5.1. Identificação do modelo NARX Os dados de entrada e saída para a identificação de um modelo NARX foram gerados a partir do modelo de primeiro princípio validado. Os dados de entrada e saída usados para identificação não-linear são mostrados na Fig. 6. A entrada de alcance mínimo-máximo (0 a 0,2 Lmin) sob a restrição de amplitude foi selecionada para alcançar o parâmetro mais preciso para determinar a proporção do parâmetro de saída. Para dados de treinamento, o sinal de entrada para o fluxo de revestimento foi escolhido como sinal multinível. Foram testados diferentes pedidos de modelos NARX que foi um mapeamento de passagens passadas (n u) e os termos de saída (n y) para saídas futuras e o melhor foi selecionado de acordo com o critério MSE e SSE. Os resultados foram resumidos na Tabela 2. A partir dos resultados, o valor MSE e SSE diminuiu aumentando a ordem do modelo até o modelo NARX com nu 1 e ny 2. Portanto, o modelo NARX com nu 1 e ny 2 foi selecionado como o melhor Modelo com MSE e SSE igual a 0,0025 e 0,7152, respectivamente. O respectivo erro gráfico de identificação para treinamento e validação do modelo NARX estimado é representado na Fig. 7. 5.2. NARX-MPC O modelo NARX identificado do processo foi implementado no algoritmo MPC. Agachi et al. . (2007) propuseram alguns critérios para selecionar os parâmetros de afinação significativos (horizonte de previsão, horizonte de controle P, matrizes de peso de penalidade M w k e r k) para o controlador MPC. Em muitos casos, a predição (P) e os horizontes de controle (M) são introduzidos como PgtMgt1 devido ao fato de que ele permite o controle conseqüente sobre as variáveis para os próximos ciclos futuros. O valor da ponderação (w k e r k) das variáveis controladas deve ser suficientemente grande para minimizar as violações de restrições na função objetiva. Os parâmetros de sintonização e os valores SSE do controlador NARX-MPC são mostrados na Tabela 3. Com base nesses resultados, o efeito da alteração do horizonte de controle, M para M: 2, 3, 4 e 5 indicou que o M2 deu o menor erro de saída Resposta com o valor SSE424.04. A partir da influência do horizonte de predição, os resultados de P, o valor de SSE diminuiu aumentando o horizonte de predição até P11 com o menor valor de SSE 404.94. Os valores de SSE mostrados na Tabela 3 demonstram que o ajuste dos elementos da matriz de ponderação w k e r k pode melhorar o desempenho do controle. O valor de w k 0,1 e r k 1 resultou no menor erro com SSE386.45. Portanto, os melhores parâmetros de ajuste para o controlador NARX-MPC foram P11 M2 wk 0.1 e rk 1. Dados de saída de entrada para a identificação do modelo NARX Parâmetros de sintonização e critérios SSE para controladores aplicados no seguimento de set-point As respostas obtidas do NARX-MPC e Os controladores IMC-PID com ajuste de parâmetros, Kc 8.3 TI 10.2 TD 2.55 (Zulkeflee amp Aziz, 2009) durante o seguimento do set-point são mostrados na Fig. 8. Os resultados mostram que o controlador NARX-MPC conduziu a saída do processo para o ponto de ajuste desejado com um tempo de resposta rápido (10 minutos) e sem overshoot ou resposta oscilatória com o valor SSE 386.45. Em comparação, a resposta de saída para o controlador IMC-PID sem restrições atingiu apenas o ponto de ajuste após 25 minutos e mostrou uma resposta lisa e sem overshoot com o valor SSE 402.24. No entanto, em termos de variável de entrada, a resposta de saída para o controlador IMC-PID mostrou grandes desvios em comparação com o NARX-MPC. Normalmente, a saturação do atuador é um dos problemas mais convencionais e notáveis em projetos de sistemas de controle e o controlador IMC-PID não tomou isso em consideração. No que diz respeito a este assunto, foi desenvolvida uma alternativa para definir um valor de restrição para a variável manipulada IMC-PID. Como resultado, a nova variável de controle IMC-PID com restrição resultou em um overshoot maior com um tempo de estabilização de cerca de 18 minutos com o SSE457.12. Resposta de controle dos controladores NARX-MPC e IMC-PID para o rastreamento de set-point com suas respectivas ações variáveis manipuladas. Com respeito à conversão de éster, a implementação do controlador NARX-MPC levou a uma maior conversão de Citronellyl laurate (95 conversões) em relação ao IMC-PID, com 90 no tempo150min (veja a Fig. 9). Por isso, ele Provou-se que o NARX-MPC é muito melhor que o esquema de controle IMC-PID. Perfil de conversão de éster para controladores NARX-MPC, IMC-PID-Unconstraint e IMC-PIC. Com uma visão para a mudança de ponto de ajuste (veja a Fig. 10), as respostas do NARX-MPC e IMC-PID para a mudança de set-point foram variadas de 310K a 315K em t25min. Verificou-se que o NARX-MPC conduz a resposta de saída mais rápido do que o controlador IMC-PID com tempo de estabilização, t 45min e não mostrou resposta de excesso com o valor SSE 352.17.Por outro lado, a limitação de restrições de entrada para IMC-PID foi Evidenciado na má resposta de saída com algum excesso e tempo de estabilização mais longo, t 60min (SSE391.78). Esses resultados mostraram que o controlador de resposta NARX-MPC conseguiu lidar com a mudança de ponto de ajuste melhor do que os controladores IMC-PID. FIG. 11 mostra as respostas NARX-MPC e IMC-PID para 10 mudanças de carga (temperatura do revestimento) do valor nominal em t25min. O NARX-MPC foi encontrado para direcionar a resposta de saída mais rápido que o controlador IMC-PID. Como pode ser visto nos eixos inferiores da Fig. 9., a resposta da variável de entrada para o IMC-PID variou extremamente em comparação com a variável de entrada de NARX-MPC. A partir dos resultados, concluiu-se que o controlador NARX-MPC com SSE10.80 foi capaz de rejeitar o efeito de perturbação melhor do que o IMC-PID com SSE32.94. Figura 10. Resposta de controle dos controladores NARX-MPC e IMC-PID para mudança de ponto de ajuste com sua respectiva ação variável manipulada. O desempenho dos controladores NARX-MPC e IMC-PID também foi avaliado sob um teste de robustez associado a uma condição de incompatibilidade do parâmetro do modelo. Os testes foram Test 1: A 30 aumento para o calor de reação, de 16,73 KJ a 21,75 KJ. Isso representou uma alteração nas condições operacionais que poderiam ser causadas por uma fase comportamental do sistema. Teste 2: Redução do coeficiente de transferência de calor de 2.857 Js m 2 K para 2.143 Js m 2 K, que foi uma diminuição de 25. Este teste simulou uma mudança na transferência de calor que poderia ser esperada devido à incrustação das superfícies de transferência de calor. Teste 3: diminuição de 50 da energia de ativação de inibição, de 249,94 J molK para 124,97 J molK. Este teste representa uma mudança na taxa de reação que poderia ser esperada devido à desativação do catalisador. Teste 4: alterações simultâneas no calor de reação, coeficiente de transferência de calor e energia de ativação de inibição com base em testes anteriores. Este teste representou a operação realista de um processo de reator reativo reativo real que envolveria mais de uma variação de variável de entrada ao mesmo tempo. Figura 11. Resposta de controle dos controladores NARX-MPC e IMC-PID para troca de carga com suas respectivas ações variáveis manipuladas. Fig. 12 - A Fig. 15 mostrou a comparação da resposta dos esquemas de controle IMC-PID e NARX-MPC para a temperatura do reator e suas respectivas ações variáveis manipuladas para o teste de robustez 1 para testar 4 separadamente. Como pode ser visto na Fig. 12 - Fig. 15. Em todos os testes, o tempo necessário para que os controladores IMC-PID rastreiem o ponto de ajuste é maior em comparação com o controlador NARX-MPC. No entanto, o NARX-MPC ainda mostra um bom perfil de variável manipulada, mantendo seu bom desempenho. Os valores de SSE para todo o teste de robustez estão resumidos na Tabela 4. Esses valores de SSE mostram que ambos os controladores conseguem compensar com a robustez. No entanto, os valores de erro indicaram que o NARX-MPC ainda oferece melhor desempenho em comparação com os dois controladores IMC-PID.
No comments:
Post a Comment