skoge@chembio.ntnu.no
4 Jun 1999 09:09:23 +0200
-------------------------------------------------------------------
Reiserapport fra workshopen
"Model Predictive Control: Techniques and Applications",
London, 28.-29. april 1999,
Arrangert av: IEE (The Institution of Electrical Engineers, UK)
-------------------------------------------------------------------
Skrevet av: Marius Støre Govatsmark og Audun Faanes
Fra Norge deltok Marius Støre Govatsmark og Audun Faanes fra Skogestads
gruppe og sistnevnte også fra Norsk Hydro Forskningssenter i Porsgrunn.
Arrangementet ble avholdt i IEE's lokaler sentralt i London.
Lokalene brukes foruten til møter og seminarer som
klubblokaler for IEEs medlemmer. Så medlemmene kan dra hit for å lese i
biblioteket, ta en drink i baren, eller spise middag - slik som
Woodehouses Bertram Wooster gjør i sin Droneklubb. Møterommet var forøvrig
tidsriktig, og med en egen lyd og lysteknikker fungerte det tekniske (nesten)
knirkefritt.
Workshopen var i stor grad internt for MPC-folk fra De britiske øyer. Av
foredragsholderne var det bare Manfred Morari som kom utenfra, og bare en
til fra tilhørerne. En liten minus var at mange av deltakerne ikke fikk
firma/unviersitet på navnelapp og navneliste så det ble vanskeligere å
plassere folk. I alt var det litt over 40 deltagere begge dager: Flest
fra universitet, men også endel fra MPC-firmaene/andre
automatiseringsfirmaer og prosessindustrien.
Abstracts finnes hos Audun Faanes i Norsk Hydro, Porsgrunn og i
Prosessreguleringsgruppens bibliotek i Kjemiblokk IV, NTNU.
Programmet:
Første dag handlet mest om "Techniques" og andre dag om "Applications".
-------------
Første dag:
-------------
---------------------------------------------------------------------
P.D Roberts (City Univ., London): "Chairmans intoduction: A Brief
Overview of Model Predictive Control"
---------------------------------------------------------------------
Beskrev basisprinsippet i MPC, og at hovedfordelene er at det er et
intuitivt konsept, prosessbegrensinger kan håndteres enkelt og at det kan
brukes i et bredt spekter av prosesser. Hovedulempen er at en trenger
modell av prosessen. Han gav noen referanser til lærebøker og reviews.
Noe av det nyeste er en bok fra Maciejowski som kommer om ca. 1/2 aar.
En historisk oppsummering: DMC, QDMC, MAC, EPSAC og GPC, og han påpekte
at det på begynnelsen av 90-tallet kom teknikker for å sikre stabilitet.
For ulineær MPC henviste han til Balchen, Ljungquist og Strand (1992).
Eksempler på tilgjengelige produkter er: Connoisseur fra Predictive
Control, DMCPlus fra AspenTech, SMOC fra MDC og RMPCT fra Honeywell.
(De første holdt presentasjoner 2. dag, og MDC hadde en med. Honeywell kunne
ikke komme siden de var på Rafnes.)
---------------------------------------------------------------------
M. Morari (ETH, Zurich): "Model Predictive Control - Ideas for the Next
Generation"
---------------------------------------------------------------------
Startet med litt tilbakeblikk og obersvasjoner av trender. Påpekte at PLC
og DCS - teknologiene er i ferd med å smelte sammen, og at det har vært
tendenser til at de ulike nivåene i reguleringshierarkiet får mindre klare
grenser eller smelter sammen (særlig pga. utviling i IT). En annen ting
han hadde merket seg var at MPC gjør det mulig å regulere prosesser som er
så kompliserte at de ikke kan analyseres. I motsetning til tidligere kan
det altså være lettere å designe en regulator enn å analysere prosessen.
Hovedideen i presentasjonen var å utvide MPC -formuleringen til også å ta
med logikk og erfaringsbaserte regler. Han kalte det nye systemet for MLD:
Mixed Logical Dynamical. Ved å innføre binære/heltalls-variable og nye
kontinuerlige variable viste han at problemene kunne formuleres som QMIP
(quadratic mixed-integer problems). En rekke motiverende eksempler fra
ulike områder ble presentert: Vannkraftverk (damstyring), styring av
hydraulikk i støtdempere for bil (komplisert logikk), valsing (ønsker å
bruke erfaring).
---------------------------------------------------------------------
D.H. Owens (Univ. of Exeter): "The Benefits of Prediction in Learning
Control Algorithms"
---------------------------------------------------------------------
I "learning control" er målet å lære inngangen å generere ønskede
utganger i et dynamisk system. Det ble her sett på forholdet mellom
lærende algoritmer (learning algorithms) og strukturen til systemet
som skulle reguleres. Prediksjon er viktig for å bedre ytelsen i det
lukkete sløyfesystem samt for å kompensere for strukturelle effekter.
Dette ble forsøkt demonstrert ved å bruke ideer fra iterativ
learning control.
(Men hva hadde dette å gjøre på denn workshopen?)
---------------------------------------------------------------------
S.M. Veres (Univ. of Birmingham): "Synergy of Predictive Control and
Identification"
---------------------------------------------------------------------
For reguleringsformål har det vist seg (for minimum variansregulering og
polplasseringsregulering) at lukket-sløyfe modellidentifikasjon
gir bedre resultater enn åpen-sløyfe modellidentifikasjon når
reguleringen allerede er rimelig god, slik at en ikke trenger å gjøre større
pådragsendringer for modellidentifikasjon. Synergieffekten er at ikke bare
gir bedre modeller bedre regulering, men også bedre regulering gir bedre
modeller. Veres har studert tilsvarende for MPC og fått tilsvarende
resultater. Ved større dynamiske endringer bør en enten bruke en
dual prediktiv regulator til å finne en pådragssekvens til bruk i
lukket-sløyfe identifikasjon on-line eller gjøre åpen-sløyfe
identifikasjon off-line.
---------------------------------------------------------------------
G.W. Irwin, S. Towsend (The Queen's University og Belfast): " Predictive
Control Using Multiple Model Networks"
---------------------------------------------------------------------
MPC for multiple-modeller slik som Tor Arne Johansen har jobbet med, dvs.
en sammensetning av flere modeller som er gyldige i hvert sitt området.
Overgangen mellom modellene skjer ved å vekte med spesielle funksjoner slik
at den totale modellen er en veiet sum av de lokale modellene. Som
regulator ble DMC benyttet. Demonstrerte to angrepsmetoder for DMC :
Local Model DMC (LM-DMC) og Local Controller DMC (LC--DMC). LM-DMC:
Den totale modellen blir en sprangresponsmodell som brukes på
vanlig måte i en DMC-regulator. LC-DMC: Har en regulator til
hver lokal modell. Den totale regulatorutgangen er en veiet sum
av de lokale regulatorene. LM-DMC må tunes mer forsiktig siden det
bare er en regulator for alle modellene. For LC-DMC kan en tune
regulatorene hver for seg og få bedre respons, men det er
vanskeligere/mer arbeid siden det bli mer å tune og vektefunksjonene
er kompliserende. Benyttet pH regulering over en stor pH skala (4-10) som
eksempel. Begge metodene gav bedre respons enn global DMC. Har ikke
begrensninger.
---------------------------------------------------------------------
D.Q. Mayne (Imperial College, London): "Model Predictive Control: The
Challenge of Uncertainty"
---------------------------------------------------------------------
Bruker Lyapynov-funksjonen som stabilitetskriterium (standard for MPC).
Modellerer usikkerhet som x(k+1) = f(x(k),u(k))+d(k). Poenget er å legge
inn tilleggsbetingelser slik at regulatoren blir robust stabil.
Baserer seg ikke på open-loop MPC, dvs. at pådraget er en sekvens (u(0),
u(1), ..., u(N-1)), men på feedback MPC, dvs. at pådraget i hvert skritt er
avhengig av tilstanden, u=h(x), slik at sekvensen blir (u0, h1(), h2(),
...hN-1()).
---------------------------------------------------------------------
P.D. Roberts and V.M. Becerra (City Univ., London): "Model Predictive
Control using Dynamic Integrated System Optimisation and Parameter
Estimation
(DISOPE)"
---------------------------------------------------------------------
DISOPE er en teknikk for å løse optimalreguleringsproblem, der en
har betydelig avvik i modellstruktur og parameterverdier i modellen i
forhold til virkeligheten. Dette kan være forårsaket av at modellen er
tilnærmet til en form der en har kjente optimalreguleringsløsninger.
Hovedegenskapen til prosedyren er at ved å iterere på en tilnærmet
/ modifisert modell oppnår en korrekt optimal løsning til tross for
modellavvik. På denne måten kan en finne optimal løsning til
ulinear MPC ved å bruke DISOPE på et forenklet MPC-problem, f.eks.
med kvadratisk objektfunksjon og lineare beskrankninger.
---------------------------------------------------------------------
J.A. Rossiter (Loughborough Universtity) "Reducing the Computational
Burden in Predictive Control"
---------------------------------------------------------------------
Motivasjonen er å kunne anvende MPC der hvor samplingsraten er begrenset av
regnetiden. Beskriver to metoder: En basert på invariante mengder og en
annen på å veie mellom to regulatorer. Den første metoden går på å
forhåndsdefinere et antall regulatorer som virker innenfor hver sitt område
rundt settpunkt. Det ene området ligger innenfor det forrige. Langt fra
settpunkt velges den regulatoren som gjelder for det største området, og
til sist den som bare gjelder et kort stykke fra settpunkt. Den andre
metoden er en variant av den første og benytter to regulatorer: en
regulator som tilfredsstiller begrensningene og konvergerer i et stor
område, mens den andre "virker" i et mindre område, men gir raskere
respons. Pådraget er en veiet sum av de to, så en optimaliserer bare
veiefaktoren. I begge tilfeller kan regulatorene beregnes på forhånd
slik at tabelloppslag benyttes under kjøring.
--------------
Andre dag:
-------------
---------------------------------------------------------------------
J. Maciejowski (Univ. of Cambridge): "Fault-tolerant Aspects of MPC"
---------------------------------------------------------------------
Poenget med foredraget var å illustrere at MPC egner seg for å takle
systemer med redundante pådrag som kan feile. Dersom antar at en feil kan
oppdages (med et eget feildeteksjonssystem), at modellen kan oppdateres,
kan MPC algoritmen regne ut optimale pådrag også hvis ett eller flere
pådrag svikter. Han viser at også uten feildeteksjon får en ikke
stasjonært avvik dersom en modellerer utgangsforstyrrelser (det forutsetter
selvsagt også at settpunkt kan oppnås med de gjenværende pådrag).
---------------------------------------------------------------------
D.L. Yu, D. Williams and J.B. Brown (Liverpool John Moores Univ.):
"On-line Implementation of a Model Predictive Controller on a Multivariable
Chemical Process"
---------------------------------------------------------------------
MPC basert på neurale nettverk ble bekrevet og ble anvendt på en
kjemisk reaktor (laboratorium) for å regulere temperatur, pH og løst
oksygen. Sterke ulinearieteter, kobling mellom variable og lang dødtid i
varmeveksler ble brukt som begrunnelse for å bruke denne type MPC.
Parallell neurale modeller ble tilpasset ved hjelp av virkelige data og
brukt i simulering for å finne initielle reguleringsparametre
off-line, før de ble fintunet on-line. På grunn av problemer med å utvikle
nøyaktige multi-imput, multi-output modeller for hele prosessen ble det
utviklet individuelle sub-system neurale modeller for hver utgang.
---------------------------------------------------------------------
V.M. Becerra, Z.H. Abu-el-zeet and P.D. Roberts (City Univ., London):
"Integrating Predictive Control and Economic Optimisation"
---------------------------------------------------------------------
En metode for å integrere økonomisk optimalisering og modell prediktiv
regulering ved å legge inn de økonomiske målene som et settpunkt i den
prediktive regulatoren ble presentert. Metoden er testet ut på Tennessee
Eastman-prosessen. Tilsvarende er gjort for multiobjektiv MPC
(integrasjon av økonomisk optimalisering og MPC med en felles vektet
objektfunksjon) og standard løsning der stasjonær optimalisering gir
settpunktene til MPC. Sammenlikning av resultatene for denne prosessen
viste at denne metoden i dette tilfellet ikke lå tilbake for de andre.
Dette skapte noe debatt blant tilhørerene: Kan LP-optimaliseringen
erstattes med et ekstra settpunkt i MPC?
---------------------------------------------------------------------
M. Mahfouf, D.A.Linkens og S.Kandiah (univ. of Sheffield):
"Fuzzy Takagi-Sugeno-Kang Model Predictive Control for Process Engineering"
---------------------------------------------------------------------
En metode for å anvende fuzzy prosessmodeller, her eksemplifisert ved TSK
modell i MPC. Fuzzy TSK-modellen erstatter en en kompleks ikke-lineær modell
med et sett av enklere lineære modeller som gjelder i ulike operasjonsområder.
Fuzzy-TSK metoden involverer et iterativ søk etter beste modellstruktur
(optimum fuzzy partitioning) og parameterestimering for å minimere minste
kvadratsum prediksjonsfeil basert på input-output testdata.
I MPC oppdateres fuzzy modellen on-line og brukes til å tilpasse en standard
ARX-modell som brukes til prediksjon. Metoden er testet ut ved simulering
på en CSTR.
---------------------------------------------------------------------
D.J. Sandoz (Predictive Control Ltd og Univ. of Manchester), P.J. Thorpe
(The Foxboro Company), T. Kurth (Siebe Intelligent Automation), M.J.
Desforges and I.S. Wolley (Control Technology Centre Ltd):
"Innovation in Industrial Model Predictive Control"
---------------------------------------------------------------------
Sandoz snakket om hvordan en kunne legge forholdene til rette for at MPC
skal kunne anvendes i større grad i andre industrier enn bare i olje- og
petrokjemisk industri.
Tiltak for å oppnå dette er:
1.Få frem relevante eksempler som viser fordelene / potensialet med MPC.
Han viste til eksempler på suksessfulle anvendelser
av MPC i elkraft-anlegg, papirindustri og bergdrift.
2.Få frem software som forenkler utviklingen av MPC, for eksempel ved
å minimere arbeidet med konfigureringen, slik at en kan konsentrere
seg mer om selve reguleringen.
3.Fleksibel tilnærming til reguleringsteknologi ved å utvide
MPC-verktøyet til å kunne anvendes på sterkt ulineare prosesser.
---------------------------------------------------------------------
S.G. Goodhart (AspenTech): "DMCplus Model Predictive Control Applications"
---------------------------------------------------------------------
En kort gjennomgang av DMCplus multivariable regulerings software.
og dets historie ble kjapt gjennomgått. Ifølge Godhart er det laget
nærmere 2000 DMCplus-applikasjoner verden over. To av MPC-applikasjonene
ble det sett nærmere på: En fluidisert katalytisk cracking enhet (FCCU) og
en luftseparajonsenhet (ASU).
Han påpekte viktigheten av å tilpasse MPC-applikasjonen godt til
problemet samt å gi operatørene god opplæring for å sikre at MPC'en
blir brukt på riktig måte. Eksempler på fordeler med å bruke MPC
ble nevnt:
-økt gjennomstrømning
-økt gjennvinning av produkt
-bedret produktkvalitet.
-redusert energiforbruk
-stabilere drift
-økt kjøretid mellom hver driftsstans
-økt sikkerhet
-økt prosessforståelse
---------------------------------------------------------------------
S. Bassett (BP Oil Grangemouth Refinery Ltd) and M van Wijck (Honeywell
Hi-Spec Solution Ltd): " Application of Predictive Control Technology at
BP's crude Oil Terminal at Grangemout"
---------------------------------------------------------------------
Innført RMPCT for råoljemottak/separatorer. Oljen kommer i rør fra flere
plattformer i Nordsjøen. Startet med å bygge om basisregulering, noe som
gav stor gevinst. MPCen hjelper blant annet med å fordele belstning mellom
flere parallelle separatortog. En av hovedgevinstene er i redusere
sjansen for å få kapasitetsproblemer.
- Marius Støre Govatsmark og Audun Faanes
This archive was generated by hypermail 2.0b3 on Sat Jan 22 2000 - 09:52:39 MET