| عنوان فارسی مقاله: | کنترل پیش بینانه بر پایه ی مدل شبکه ی عصبی برای فرایند پیکلینگ فولاد |
| عنوان انگلیسی مقاله: | Neural network based model predictive control for a steel pickling process |
| دانلود مقاله انگلیسی: | برای دانلود رایگان مقاله انگلیسی با فرمت pdf اینجا کلیک نمائید |
| سال انتشار | 2009 |
| تعداد صفحات مقاله انگلیسی | 12 صفحه |
| تعداد صفحات ترجمه مقاله | 24 صفحه |
| مجله | کنترل فرآیند |
| دانشگاه | تایلند |
| کلمات کلیدی | – |
| نشریه الزویر | Elsevier |
فهرست مطالب:
چکیده
۱ مقدمه
۲ شرح فرایند
۳ مدل سازی شبکه ی عصبی
۳ ۱ روند برای بدست آوردن مدلهای شبکه ی عصبی فیدفروارد
۴ کنترل پیش بینانه مدل شبکه ی عصبی
۵ نتایج شبیه سازی
۶ نتیجه گیری
بخشی از ترجمه:
۱ مقدمه
خیلی از واحدهای صنعتی باعث مشکلات محیط زیستی به دلیل استفاده از مواد شیمیایی در خطوط تولیدشان می شوند. یکی از این واحدها، واحد پیکلینگ فولاد است که یک صنعت اصلی و بنیادین در تایلند می باشد و قدمت زیادی دارد و و تقاضای فولاد کشور را تامین می کند. فرایند پیکلینگ فولاد از مواد شیمیایی غلیظ شده در خطوط تولید استفاده می کند و آب زاید آزاد شده از فرایند، مواد شیمیایی خطرناکی دارد و معمولا باعث مشکلات محیط زیستی عمده ای می شود. بنابراین، برنامه ریزی تولید و کنترل این فرایند پیکلینگ ناچارا نیازمند این است که میزان مواد شیمیایی موجود در آب زاید آزاد شده را به حداقل برسانیم و همچنین برای نگه داشتن غلظت محلول اسید در مخازن به گونه ای که حداکثر میزان واکنش در همان زمان اتفاق بیفتد، باز هم نیازمند برنامه ریزی تولید و کنترل فرایند پیکلینگ هستیم.
فرایند پیکلینگ فولاد خیلی از چالش ها و مشکلات کنترلی را نشان می دهد از قبیل: رفتار دینامیکی غیرخطی، عکس العمل های چند متغیره ی بین متغیرهای دستکاری شده و کنترل شده و محدودیت های موجود برای متغیرهای حالت و دستکاری شده. تعدادی از دیدگاه ها و الگوریتم های کنترل که قادر به کنترل کردن برخی از مشخصه های فرایند پیکلینگ فولاد می باشند، در تاریخچه ی آکادمیک در سال های اخیر ارائه شده است. آقای بکوت یک مروری از این دیدگاه های مختلف از قبیل دیدگاه مدل درونی، دیدگاه هندسی دیفرانسیلی، تکنیک-های ترکیب سیستم مرجع، شامل مجزا کردن درونی و مدل کنترلی عمومی، مدل کنترل پیش بینانه و همچنین دیدگاه های خاص مختلف دیگر ارائه کرده است. خیلی از این دیدگاه ها قادر به کنترل مشخصه های فرایند و موارد مورد نیاز در کاربردهای صنعتی و بعضی دیگر از دیدگاه ها تنها برای دسته های خاصی از مدل ها قابل کاربرد است.
6 نتیجه گیری:
کاربرد کنترلر پیش بینانه بر پایه ی مدل شبکه ی عصبی برای فرایند شیمیایی چندمتغیره ی غیرخطی در این مقاله بررسی شده است. از آن جایی که فرایند های شیمیایی واقعی غیرخطی و چندمتغیره هستند، که باعث می شود کنترل آن ها با استفاده از کنترلرهای مرسوم سخت گردد، مدلی بر پایه ی تکنیک های کنترل پیشرفته نیاز است تا کنترل بهتر و محکم تری بدست بیاید. در هر حال، در بسیاری از حالات این امر غیرممکن است که مدل مناسب فرایند بدست بیاید و ای به پیچیدگی موجود در فرایند یا نبود دانش در رابطه با پارامترهای اصلی مدل برمی گردد. بنابراین در این مقاله، کنترل شبکه ی عصبی فیدفروارد چندلایه برای مدل کردن فرایند پیکلینگ فولاد استفاده شده است که به شدت غیرخطی است و ماهیتا دارای اثرات چندمتغیره می باشد. مدل های شبکه ی عصبی برای مدل کردن پیش بینی پاسخ فرایند آتی در الگوریتم MPC برای کنترل غلظت های پیکلینگ در فرایند پیکلینگ فولاد استفاده شده است. مشاهده شده است که کنترل پیش بینانه مدل شبکه ی عصبی می تواند متغیرهای کنترل را به مقادیر تنظیم شده آن ها بدون نوسان در همه ی حالات مطالعه شده برساند، مانند: حالت دنبال کردن مقدار تنظیم شده، حالت آشفتگی، حالت مدل عدم تطابق و حالت اختلال. مقایسه ی عملکرد با کنترلرهای مرسوم PI نشان می دهد که کنترل پیش بینانه مدل شبکه ی عصبی نسبت به کنترلر PI قوی تر می باشد و نتایج بهتری در حالاتی که با آشفتگی، عدم تطابق های مدل و اختلال درگیر است، می دهد. این نتایج قدرت کنترلر پیش بینانه مدل شبکه ی عصبی را تایید می کند که این نوع کنترلر را برای انجام اثرات سیستم های چندمتغیره ی غیرخطی فرایند هایی از قبیل پیکلینگ فولاد خیلی نوید دهنده تر می کند.
بخشی از مقاله انگلیسی:
1. Introduction
It has been known that many chemical industrial plants causeenvironmental problems due to the usage of chemicals in theirproduction lines. One such industry is the steel pickling plantwhich is a fundamental industry in Thailand and has long existedand served the country’s steel demand. The steel pickling processutilizes concentrated chemicals in the production lines and thewastewater released from the process contains hazardous materialsand usually causes major environmental problems. Therefore,production scheduling and control of this pickling process are inevitablyneeded to minimize the amount of hazardous material containedin the released wastewater and also to maintain theconcentration of acid solution in the tanks in order to obtain themaximum reaction rate at the same time.
The steel pickling process presents many challenging controlproblems, including: nonlinear dynamic behavior; multivariableinteractions between manipulated and controlled variables andconstraints on manipulated and state variables. A number of controlapproaches and algorithms that are able to handle some ofthe above process characteristics have been presented in the academicliterature in recent years. Bequette [1] gives a review ofthese various approaches such as the internal model approaches,differential geometric approaches, reference system synthesistechniques, including internal decoupling and generic model control(GMC), model predictive control (MPC) and also various specialand ad hoc approaches. Many of these approaches are not able tohandle the various process characteristics and requirements metin industrial applications and some of the approaches can onlybe applied for special classes of models.
6. Conclusions
The application of a neural network model based predictive controller to a nonlinear multivariable chemical process is investigated. Since the real chemical processes are nonlinear and multivariable interacting systems, which make them difficult to control by using conventional controllers, model based advance control techniques are then required to obtain tighter control. However, in many cases it is even impossible to obtain a suitable process model due to the complexity of the underlying processes or the lack of knowledge of critical parameters of the models. So in this work, the multi-layer feedforward neural network is used to model the steel pickling process which is highly nonlinear and involves multivariable interactions in nature. The neural network models are used to predict the future process response in the MPC algorithm for controlling the concentrations of pickling in a steel pickling process. It was observed that NNMPC can bring the control variables to their set points without oscillations in all cases studies, i.e., set point tracking case, disturbance case, model mismatch case and noise case. Comparison of performance with the conventional PI controller indicated that NNMPC was more robust than the PI controller and gave better results in cases involving disturbances, model mismatches and noise. These results validate the robustness of the NNMPC controllers which make them highly promising to be implemented in nonlinear multivariable interacting systems such as this steel pickling process.
| عنوان فارسی مقاله: | کنترل پیش بینانه بر پایه مدل شبکه عصبی برای فرایند پیکلینگ فولاد |
| عنوان انگلیسی مقاله: | Neural network based model predictive control for a steel pickling process |
خرید ترجمه فارسی مقاله با فرمت ورد