Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/267030
Type: TESE
Title: Desenvolvimento de controlador digital baseado em um modelo neural e um otimizador de uma planilha eletronica
Title Alternative: Development of a digital controller based on a neural model and an optimizer of an electronic worksheet
Author: Fujiki, Tatiana Lie
Advisor: Fileti, Ana Maria Frattini, 1965-
Abstract: Resumo: A demanda de mercado com relação à qualidade dos produtos, à produtividade e lucratividade dos processos e à questão ambiental tem forçado as indústrias a buscar melhorias nos processos. Com esta finalidade, os engenheiros têm buscado no Controle de Processos soluções para sistemas não lineares e/ou transientes. Sistemas de controle avançados, baseados em Redes Neurais Artificiais (RNA), por serem adequados para modelar relações não lineares, podem ser indicados como soluções para estes casos. Neste trabalho, as equações algébricas de um modelo neural foram implementadas numa planilha do Microsoft Excel. O modelo neural foi treinado com o algoritmo de Levenberg- Marquardt, utilizando o toolbox de redes neurais do MATLAB e os pesos e bias encontrados foram inseridos na planilha. O monitoramento do sistema foi feito através de uma rede digital Fieldbus, configurada através do software Syscon. O sistema supervisório utilizado foi o Indusoft Web Studio, sendo a comunicação entre estes dois programas feita através do protocolo Ole for Process Control (OPC). A atualização das variáveis de entrada do modelo neural foi realizada através do sistema Open Data Base Connectivity (ODBC), responsável pela troca de informações entre o Indusoft e o Excel. A variável controlada um instante de amostragem à frente é automaticamente calculada a cada instante de amostragem e usada como função-objetivo no Solver do Excel (minimizar o erro quadrático). Restrições foram adicionadas ao método do gradiente descendente generalizado para que uma solução adequada fosse encontrada dentro de uma faixa de valores da variável manipulada. Como caso-estudo, este sistema de controle alternativo foi utilizado para controlar a temperatura interna de um tanque de precipitação de bromelina com etanol a frio, para evitar desnaturação da enzima. O processo de precipitação a partir de caldo de abacaxi foi realizado num tanque encamisado operando em regime de batelada alimentada, com agitação constante. O controle da temperatura do meio precipitante é feito através da manipulação da rotação da bomba de fluido refrigerante (propilenoglicol). Dados experimentais (75% do banco de dados de ensaios em malha aberta) foram utilizados para treinar a rede feed forward multicamadas. As variáveis de entrada da RNA, atualizadas a cada 4 segundos, são: temperatura do etanol, temperatura do meio precipitante (variável controlada), temperaturas de entrada e de saída do propilenoglicol, nível de líquido, rotação da bomba de propilenoglicol (variável manipulada) e degrau na bomba de propilenoglicol. Na camada intermediária, a função de ativação tangente hiperbólica foi aplicada a 14 neurônios. A variável de saída da rede é a temperatura do meio um instante de amostragem à frente, com a função de ativação linear. Testes offline com dados não vistos no treinamento mostraram que a RNA foi capaz de prever a temperatura do tanque, já que os coeficientes angular e linear dos gráficos de dispersão (saída calculada versus saída real) aproximavam-se de um e zero, respectivamente. O controlador alternativo foi implementado e os resultados experimentais mostraram sua efetividade em manter a temperatura do meio em torno do set-point (5°C).

Abstract: Intelligent systems, based on Artificial Neural Networks (ANN) have been studied as alternative solutions for ill-defined plants or nonlinear and transient systems, due to the worldwide market requirements for high standard products and safe and environmentally friendly processes. In this work, the algebraic equations of a neural model were implemented in a Microsoft Excel worksheet. This ANN was previously trained with Levenberg-Marquardt algorithm, using the ANN toolbox of MATLAB and the optimized weights and biases were inserted in the worksheet as well. By means of a digital Fieldbus network architecture, configured by Syscon Software, the data acquisition and process control were performed. The Indusoft Web Studio was employed as supervisory software and the communication between these two softwares was achieved through Ole for Process Control protocol. Since the data acquisition system is supposed to update the ANN input variables in the worksheet, information is exported from Indusoft to Excel through Open Data Base Connectivity system, which was properly configured. The onestep-ahead controlled variable is automatically predicted every sample time and then used in the objective function of the Excel Solver (quadratic error minimization), implemented via Visual Basic programming. Restrictions were added to the quasi-Newton optimization method so that a smooth solution could be found inside a suitable range of the manipulated variable. As a case-study, this alternative system was implemented to control the temperature of a bromelain precipitation tank. The bromelain recovery from pineapple juice was carried out in a fed-batch stirred tank, using precipitation with ethanol at low temperature to avoid protein denaturation. The coolant (propylene glycol) flow rate was manipulated through a variable speed pump. Experimental data (75% of the database from open-loop tests) was used to train a multi-layered feed forward ANN. The ANN input layer variables, updated every 4 seconds, were chosen as follows: ethanol temperature, bulk temperature (controlled variable), coolant inlet temperature and coolant outlet temperature, liquid volume, pump flow rate (manipulated variable) and pump flow rate variation. In the hidden layer a hyperbolic tangent function was applied to 14 neurons. The output variable was the one-step-ahead bulk temperature, using the linear activation function. Offline tests with unseen data proved that the ANN successfully predicted the tank temperature, as the linear fitting slope coefficient of the dispersion plots (network output versus target vector) was close to the unity and the interception coefficient was around zero. The alternative controller was implemented and experimental results showed its effectiveness in maintaining the bulk temperature around the set-point (5°C). From the present results it was clearly shown that this methodology is a promising new way to face complex process control problems and the tendency is to increase their range of applicability in industrial processes.
Subject: Redes neurais (Computação)
Comunicação digital - Inovações tecnológicas
Controle de processos químicos
Planilhas eletrônicas
Language: Português
Editor: [s.n.]
Date Issue: 2009
Appears in Collections:FEQ - Dissertação e Tese

Files in This Item:
File SizeFormat 
Fujiki_TatianaLie_M.pdf4.07 MBAdobe PDFView/Open


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