Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/266884
Type: TESE
Title: Desenvolvimento de um controlador preditivo baseado em redes neurais para aplicação em uma planta de polimerização de estireno
Title Alternative: Development of a predictive controller based on neural networks for use in a polymerization plant of styrene
Author: Santos, Brunno Ferreira dos, 1986-
Advisor: Fileti, Ana Maria Frattini, 1965-
Abstract: Resumo: Indústrias de polimerização, em geral, utilizam diferentes sistemas reacionais para obter polímeros com diferentes características. Os processos de polimerização de estireno em batelada podem a apresentar um perfil de temperatura transiente, por causa de efeitos de viscosidade no meio reacional, são chamados de efeitos difusionais. Com a finalidade de controlar a temperatura destes tipos de sistema, engenheiros têm se voltado à busca de modelos que descrevam com fidelidade os processos nãolineares. Controle preditivo baseado em um modelo (MPC) de Redes Neurais Artificiais (RNAs) é uma opção para estes casos. Neste trabalho foram implementadas as equações algébricas e os parâmetros ajustados no treinamento de um modelo neural em uma planilha do Microsoft Excel. A atualização das variáveis do modelo se deu através da comunicação entre o Indusoft Web Studio (IWS) e a planilha via driver DDE (Dynamics Data Exchange). O treinamento do modelo neural aconteceu com algoritmo de Levenberg-Marquardt com regularização bayesiana utilizando o toolbox do MATLAB (comando trainbr). A validação do modelo foi realizada online, para garantir o uso do mesmo. Num primeiro momento, foram estudadas as condições para aplicação de controle fixando a proporção da mistura reacional em 50-50% em volume para monômero e solvente (estireno e tolueno, respectivamente) e a modelagem com RNA mostrou bons resultados. Em outro momento, realizou-se um controle em cascata da temperatura do reator manipulando a potência da resistência (variável manipulada) através da passagem de um fluido pela camisa do reator. Foi utilizado o simulink do MATLAB para fazer a malha de controle em cascata, através de um diagrama de blocos e sua atualização aconteceu via protocolo OPC (OLE for Process Control) de dados do Indusoft. Em paralelo, um modelo fenomenológico validado para processos poliméricos, envolvendo equações e parâmetros relacionados à polimerização de estireno, foi utilizado para estimar valores de conversão, massa molar média numérica (Mn) e massa molar média ponderal (Mw). Observou-se o sucesso da aplicação da estratégia de controle cascata adotada para a planta real, permitindo assim estabelecer uma comparação com as predições do modelo. Para o funcionamento do MPC, foram enviadas, a cada 5 segundos, as informações das variáveis de entrada (temperatura do reator, temperatura do fluido e a variação de potência) para o modelo neural na planilha, calculando automaticamente a temperatura do reator em um instante de amostragem à frente usando-a na função-objetivo do Solver no Excel (minimizar erro quadrático). O valor do Solver foi, então, mandado para o processo através de uma programação em VBA (Visual Basic Applications). Foram analisados os desempenhos dos controladores através do oveshoot, tempo de acomodação, IAE e ITAE. E realizou-se a utilização do controlador Híbrido (controle em cascata e MPC) o que melhorou a performance do sistema

Abstract: Chemical processes are included in several types of industries and demand precise control to reach the final product with quality. Because of the viscosity effects of reactor bulk (diffusional effects), the batch styrene polymerization processes present transient temperature behavior. Aiming at controlling the temperature of these systems, rigorous first principles models that describe nonlinearities precisely have been developed by engineers. The model predictive control (MPC) based on neural network modeling is one of the most approppriate techniques for these processes. In this work, the algebraic equations of a neural network and its adjusted parameters from the training step were implemented in an electronic worksheet (Excel software). The communication from the supervisory software (Indusoft Web Studio - IWS) and the worksheet were done through driver DDE (Dynamics Data Exchange), allowing the update of measured variables. The Bayesian Regularization Levenberg-Marquardt algorithm (trainbr function in the software MATLAB) was employed in network training. The model validation was on line performed in order to prove its suitability to the actual process. Initially, a 50/50 % volume ratio of solvent (Toluene) and monomer (styrene) was used for the control application studies, obtaining precise results using the neural network. Afterwards, a temperature cascade control loop was implemented by manipulating the resistance power inverter of the heating thermal fluid tank. This fluid circulates at the reactor jacket. The cascade control diagram was developed in the Simulink/MATLAB software. Updating measurements occurred by means of the OLE for Process Control protocol (OPC). A validated first principles model, using parameters related to the polymerization of styrene, was used to estimate conversion rates, number average molecular weight (Mn) and weight average molecular weight (Mw). The successful application of the control strategy allowed the comparison to the rigorous model predictions. The neural model input variables (reactor temperature, thermal fluid temperature and power inverter position) were captured from sensors every 5 seconds. At this time, the model in the worksheet calculated automatically the one-step-ahead temperature value, using this prediction in the objective function (squared error minimization) implemented in the solver of the Excel software. Using VBA (Visual Basic Applications) programming, the manipulated variable action was calculated and then sent to the process. The overshoot, settling time, IAE and ITAE were used as controller performance indexes. A hybrid controller (cascade feedback and MPC) was also tested, improving the performance of the system
Subject: Controle de processos químicos
Redes neurais (Computação)
Inteligência artificial
Polimerização
Language: Português
Editor: [s.n.]
Date Issue: 2011
Appears in Collections:FEQ - Dissertação e Tese

Files in This Item:
File SizeFormat 
Santos_BrunnoFerreirados_M.pdf1.36 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.