Bài viết đề xuất việc sử dụng mô hình mạng neuron thay cho mô hình tháp chưng cất trong thiết kế bộ điều khiển MPC theo nguyên tắc Receding horizon cho đối tượng nhiệt độ tháp chưng cất. Một mô hình mô phỏng tháp chưng cất được xây dựng từ các phương trình cân bằng mô tả các quá trình diễn ra trong tháp chưng cất để thu thập dữ liệu huấn luyện mạng và kiểm tra bộ điều khiển.
Điều khiển – Cơ điện tử - Truyền thông DỰ BÁO ĐẦU RA NHIỆT ĐỘ VÀ ĐIỀU KIỂN DỰ BÁO CHO THÁP CHƯNG CẤT SỬ DỤNG MƠ HÌNH MẠNG NEURON Đặng Xuân Hiếu*, Đinh Thị Lan Anh, Nguyễn Doãn Phước, Đặng Văn Mỹ Tóm tắt: Tháp chưng cất phận quan trọng nhiều trình ngành hóa chất hóa dầu Nó thường chiếm phần lớn tổng lượng tiêu thụ trình tham gia Tuy nhiên, giải pháp tiết kiệm lượng cho tháp chưng cất hạn chế Các điều khiển tối ưu không sử dụng cho tháp chưng cất mô hình tốn đối tượng phức tạp Để giải vấn đề trên, đề xuất sử dụng mơ hình mạng neuron thay cho mơ hình tháp chưng cất thiết kế điều khiển MPC theo nguyên tắc Receding horizon cho đối tượng nhiệt độ tháp chưng cất Một mơ hình mơ tháp chưng cất xây dựng từ phương trình cân mơ tả trình diễn tháp chưng cất để thu thập liệu huấn luyện mạng kiểm tra điều khiển Kết mô bước đầu cho thấy hệ kín bám theo giá trị đặt với chất lượng tốt trường hợp thay đổi tín hiệu đặt dạng bước nhảy nhiễu dạng bước nhảy Từ khóa: Mạng neuron, Receding horizon, Tháp chưng cất, MPC, Điều khiển nhiệt độ, Dự báo đầu ĐẶT VẤN ĐỀ Điều khiển dự báo một phương pháp điều khiển tối ưu sử dụng rộng rãi cho nhiều đối tượng khác thực tế Bộ điều khiển MPC cho đối tượng tuyến tính chứng minh hoàn thiện lý thuyết cho đáp ứng tốt hẳn điều khiển thông thường PID [1] Tuy nhiên, thực tế, phần lớn đối tượng phi tuyến mà việc áp dụng nguyên lý điều khiển tối ưu cho đối tượng phức tạp nhiều so với đối tượng tuyến tính Nhiều phương án áp dụng mơ hình tuyến tính mở rộng, sử dụng cửa sổ dự báo nhỏ hay tuyến tính hóa xác [1] Trong số đó, nguyên tắc Receding Horizon phương pháp đơn giản Mặc dù vậy, phương pháp yêu cầu phải biết mô hình tốn tường minh đối tượng mà nhiều trường hợp cấu trúc phức tạp đối tượng mà mơ hình hóa lý thuyết khơng thể thực Tháp chưng cất ví dụ điển hình cho đối tượng Trong năm gần đây, cấu hình điều khiển cho tháp chưng cất đề xuất Mejdell Skogestad [3] sử dụng giá trị nhiệt độ tháp chưng cất để xấp xỉ tỉ lệ thành phần sản phẩm đầu Đối với vòng điều khiển nhiệt độ cấu hình điều khiển này, ta phải bổ sung vào mơ hình tốn q trình bảo tồn lượng q trình chuyển thể lỏng khí (VLE) Các q trình có phương trình phức tạp, tính phi tuyến cao phụ thuộc nhiều vào tham số thực nghiệm Điều khiến cho mơ hình tốn đối tượng trở nên vô phức tạp việc mô hình hóa lý thuyết trở nên khó khăn [4] Một giải pháp khả thi cho vấn đề huấn luyện mạng neuron hồi quy để dự đoán đầu đối tượng [5] Do tính cấu trúc cao mơ hình mạng neuron, thuật tốn tổng qt xây dựng để áp dụng mơ hình mạng neuron vào điều khiển MPC theo nguyên tắc Receding Horizon Một ưu điểm mạng neuron sử dụng nguyên tắc hộp đen nên giúp bỏ qua trình vật lý phức tạp bên tháp chưng cất MƠ HÌNH MẠNG NEURON Để dự báo đầu tháp chưng cất, chúng tơi xây dựng mơ hình mạng neuron xấp xỉ động học tháp chưng cất Cấu trúc mạng neuron lựa chọn NARX 216 Đ X Hiếu, Đ T L Anh, …, “Dự báo đầu nhiệt độ… sử dụng mơ hình mạng neuron.” Nghiên cứu khoa học cơng nghệ có khả xấp xỉ hệ động học tốt cấu trúc mạng tương đối đơn giản [6] Để thu thập liệu huấn luyện mạng kiểm tra điều khiển mơ hình mơ tháp chưng cất xây dựng Simulink theo thuật toán sau: Bước 1: Khởi tạo giá trị ban đầu cho lượng chất lỏng tầng tháp ( ), nồng độ thành phần tầng ( ) enthalpy hỗn hợp chất lỏng tầng (ℎ ) Bước 2: Tính nhiệt độ tầng tháp ( ) theo enthalpy tỉ lệ thành phần tầng tương ứng [7] Bước 3: Tính áp xuất ( ) tỉ lệ thành phần hỗn hợp khí tầng ( ) sử dụng phương trình Antoine định luật Dalton [4] Bước 4: Tính enthalpy hỗn hợp khí ( ) [4] khối lượng riêng chất lỏng ( , ) chất khí ( , ) tầng tháp [8] Bước 5: Tính lưu lượng dòng chất lỏng ( ) sử dụng phương trình Francis [9] lưu lượng dòng khí ( ) sử dụng phương trình thủy động lực học chất khí [10] Bước 6: Thay vào phương trình bảo tồn khối lượng, bảo tồn thành phần bảo tồn lượng để tính đạo hàm , ℎ Bước 7: Tích phân theo thời gian cập nhật giá trị , ℎ Quay lại bước Hình Dữ liệu huấn luyện mạng Về mặt lý thuyết, thuật toán mơ nêu dùng để mơ tháp chưng cất có cấu trúc phức tạp Tuy nhiên, huấn luyện mạng neuron ta quan tâm tới tín hiệu vào khơng cần biết đến cấu trúc đối tượng, bước xây dựng mơ hình mạng neuron thực tương tự cho tháp chưng cất có cấu tạo phức tạp tháp chưng cất có cấu tạo đơn gian Để giảm khối lượng tính tốn, nghiên cứu chúng tơi xét tháp chưng cất quy mô nhỏ với tầng tháp (tầng cấp liệu tầng thứ nhiệt độ đo tầng thứ nhất) Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 217 Điều khiển – Cơ điện tử - Truyền thơng Hình Kết huấn luyện mạng kín Lớp đầu vào gồm đầu vào (một biến điều khiển hai nhiễu) nhiệt lượng cấp cho thiết bị đun (QB), dòng hồi lưu (RF) dòng cấp liệu (F) Để mạng neuron bám theo động học đối tượng tín hiệu đầu vào liệu huấn luyện nên tạo cách ngẫu nhiên tín hiệu đầu mẫu xây dựng từ thuật tốn mơ nêu phần Bộ liệu huấn luyện hoàn chỉnh trình bày Hình Sau thử nghiệm nhiều cấu trúc mạng khác nhau, nhận thấy cấu trúc mạng neuron có đáp ứng tốt cấu trúc mạng có lớp ẩn có neuron lớp ẩn Hàm truyền sử dụng cho lớp ẩn hàm tansig hàm truyền lớp đầu purelin Số trễ sử dụng cho lớp đầu vào tín hiệu phản hồi đầu 80 Ngưỡng sử dụng cho lớp ẩn Hình Kết kiểm tra mạng neuron Quá trình huấn luyện mạng neuron chia thành hai phần Đầu tiên, đầu mẫu sử dụng thay cho tín hiệu phản hồi từ đầu mạng neuron mạng hồi quy trở thành mạng truyền thẳng Kết huấn luyện mạng truyền thẳng sử dụng làm giá trị ban 218 Đ X Hiếu, Đ T L Anh, …, “Dự báo đầu nhiệt độ… sử dụng mơ hình mạng neuron.” Nghiên cứu khoa học công nghệ đầu để huấn luyện mạng hồi quy Luật học sử dụng để huấn luyện mạng neuron Levenberg-Marquardt cài đặt toolbox neural network Matlab Kết huấn luyện mạng trình bày Hình Để kiểm tra khả dự đốn tín hiệu đầu mạng neuron, ta sử dụng tín hiệu mẫu khác xây dựng ngẫu nhiên liệu huấn luyện mạng Kết kiểm tra Hình cho thấy mạng neuron huấn luyện có khả dự đốn đầu tháp chưng cất sử dụng để thiết kế điều khiển MPC cho tháp chưng cất THIẾT KẾ BỘ ĐIỀU KHIỂN Mạng neuron nhân tạo sử dụng để dự báo đầu đối tượng điều khiển MPC trình bày Hình Để loại bỏ sai lệch tĩnh, khâu tích phân bổ sung vào mơ hình dự báo Hình Cấu trúc điều khiển MPC sử dụng mơ hình mạng neuron Mơ hình mạng neuron biểu diễn tổng quát sau: = + , = , , , , (1) Tại chu kỳ điều khiển mơ hình mạng neuron xấp xỉ mơ hình tuyến tính: = tham số =( … , … = , ) với ⎧ ⎪ ⎪ = ⎨ ⎪ ⎪ ⎩ =( … + + … (2) tính từ tham số mạng neuron sau: = , = (2, … , ) , (3) , > ) với Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 219 Điều khiển – Cơ điện tử - Truyền thông ⎧ ⎪ ⎪ ⎪ ⎪ = = < , , ) , > , < , , ( ) + ( ) > , > > > , + − < , + − > ) với 1khi = < ⎧ ⎪ ⎪ = = + (4) ⎨ ⎪ ⎪ ⎪ ⎪ ⎩ =( ( , ⎨ ⎪ ⎪ ⎩ , + ( ( ) > < > > ) + , (5) < , (6) > đó: = − , , = , , , (7) = , , , (8) , , − , , , , (9) Do mơ hình dự báo cơng thức (2) tuyến tính, ta sử dụng phương pháp tương tự điều khiển MPC tuyến tính Thuật tốn điều khiển MPC sử dụng mơ hình mạng neuron tổng kết lại sau: Bước 1: Gán = +1, gán giá trị ban đầu cho đầu ,…, tín hiệu điều khiển khứ ,…, Chọn cửa sổ dự báo Bước 2: Đo xây dựng mơ hình dự báo tuyến tính, tức tính , , Bước 3: Tính theo cơng thức điều khiển MPC tuyến tính [11] đưa vào điều khiển Bước 4: Gán = + 1, = , = quay bước 220 Đ X Hiếu, Đ T L Anh, …, “Dự báo đầu nhiệt độ… sử dụng mơ hình mạng neuron.” Nghiên cứu khoa học cơng nghệ Hình Đáp ứng hệ kín với thay đổi giá trị đặt dạng bước nhảy Hình Đáp ứng hệ kín với nhiễu dạng bước nhảy KẾT QUẢ MÔ PHỎNG Bộ điều khiển MPC sử dụng mơ hình mạng neuron thử nghiệm trường hợp thay đổi giá trị đặt dạng bước nhảy có nhiễu dạng bước nhảy Kết mơ cho Hình với cửa sổ dự báo =70 =25 Kết mô cho thấy hệ kín bám theo giá chất lượng tốt, thời gian q độ ngắn khơng có dao động Tồn sai lệch tĩnh nhỏ vào khoảng 0.002K Nguyên nhân tượng mơ hình dự báo có sai số định so với mơ hình thực tế đối tượng Tuy nhiên, sai lệch tĩnh bỏ qua cảm biến đo nhiệt độ thơng thường khơng có cấp xác cao KẾT LUẬN Bài báo trình bày phương pháp điều khiển MPC phản hồi đầu sử dụng mơ hình mạng neuron để dự báo đầu đối tượng Bộ điều khiển MPC sử dụng mạng neuron thử nghiệm để điều khiển nhiệt độ tháp chưng cất giả định Kết mô cho thấy điều khiển giúp hệ kín ổn định bám giá trị đặt với chất lượng tốt trường hợp thay đổi giá trị đặt dạng bước nhảy nhiễu dạng bước nhảy Hướng phát triển đề tài chứng minh đáp ứng hệ kín mặt lý thuyết kết hợp huấn luyện trực tuyến để giúp hoàn thiện phương pháp TÀI LIỆU THAM KHẢO [1] E.F.Camacho and C.Bordons (1999), “Model Predictive Control”, 1st ed.London, Springer-Verlag Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san ACMEC, 07 - 2017 221 Điều khiển – Cơ điện tử - Truyền thông [2] D.Q Mayne and Michalska (1990), “Receding horizon control of nonlinear systems”, IEEE Transactions on Automatic Control [3] T Mejdell and S Skogestad, “Estimation of distillation compositions from multiple temperature measurements using partial-least-squares regression”, Ind Eng Chem Res., 1991, 30, 2543−2555 [4] Y S Choe and W L Luyben, “Rigorous Dynamic Models of distillation Columns”, Ind Eng Chem Res., 1987, 26, 2158 [5] Martin T Hagan, Howard B Demuth, Mark Beale, "Neural Network Design", PSW Publising, ISBN: 0-971732 1-0-8, 1996 [6] H.T Siegelmann, B.G Horne and C.L Giles, “Computational capabilities of recurrent NARX neural networks”, IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), Vol 27, April 1997 [7] R Lanzafame and M Messina, “A New Method For The Calculation of Gases Enthalpy,” Energy Conversion Engineering Conference and Exhibit, Vol.1, pp 318~328, July 2000 [8] K Nasrifar, M Moshfeghian, “Evaluation of saturated liquid density prediction methods for pure refrigerants”, Fluid Phase Equilibria 158-160, 1999, 437-445 [9] E.F Wijn, “Weir flow and liquid height on sieve and valve trays”, Chem Eng J 1999, 73, 191−204 [10] B D Smith, “Design of equilibrium stage process”, New York, McGraw-Hill, 1963 [11] N.D Phước, “Tối ưu hóa điều khiển điều khiển tối ưu”, Nhà xuất Bách khoa, 2015 ABSTRACT TEMPERATURE PREDICTION AND MODEL PREDICTIVE CONTROL (MPC) OF A DISTILLATION COLUMN USING AN ARTIFICIAL NEURAL NETWORK BASED MODEL Distillation column is one of the most essential processing units of many processes in chemical engineering and petroleum refining It usually uses most of the energy which is consumed by those processes However, the energy saving methods for distillation column is still quite limited The optimal controllers are rarely used for the distillation column due to the complexity of its mathematic model To solve this problem, we propose using the neural network model instead of distillation column model for designing the MPC controller with receding horizon principle A stimulated distillation column is built using the balance equations describing the process inside the distillation column in order to gather training data for neural network model and test the controller The simulation result indicate that the neural network based MPC controller is capable to track the changing set-point and changing disturbance with good performance Keywords: Neural network, Receding horizon method, Distillation column, Model predictive control (MPC), Temperature control, Output prediction Nhận ngày 20 tháng năm 2017 Hoàn thiện ngày 10 tháng 07 năm 2017 Chấp nhận đăng ngày 20 tháng 07 năm 2017 Địa chỉ: Trường Đại học Bách Khoa Hà Nội * Email: hieu.dangxuan@outlook.com.vn 222 Đ X Hiếu, Đ T L Anh, …, “Dự báo đầu nhiệt độ… sử dụng mơ hình mạng neuron.” ... Hình cho thấy mạng neuron huấn luyện có khả dự đốn đầu tháp chưng cất sử dụng để thiết kế điều khiển MPC cho tháp chưng cất THIẾT KẾ BỘ ĐIỀU KHIỂN Mạng neuron nhân tạo sử dụng để dự báo đầu đối... MPC phản hồi đầu sử dụng mơ hình mạng neuron để dự báo đầu đối tượng Bộ điều khiển MPC sử dụng mạng neuron thử nghiệm để điều khiển nhiệt độ tháp chưng cất giả định Kết mơ cho thấy điều khiển giúp... có neuron lớp ẩn Hàm truyền sử dụng cho lớp ẩn hàm tansig hàm truyền lớp đầu purelin Số trễ sử dụng cho lớp đầu vào tín hiệu phản hồi đầu 80 Ngưỡng sử dụng cho lớp ẩn Hình Kết kiểm tra mạng neuron