Multi Parametric Intelligent Identification and Robust Control Methodologies For Industrial Processes

Abstract

O foco em sistemas inteligentes aut.nomos criativos para aplicações de controlo industrial. uma notação absolutamente crucial nas últimas décadas. Existem enormes incentivos econ.micos para otimizar os processos de controlo industrial. A atração mundial de layouts tradicionais em fábrica antigas para industrias modernas aumentou a atenção da comunidade global á poluição ambiental e consumo energético. Na indústria, a elevada á preocupação da dissipação de energia aumentou a competição em técnicas de controlo aplicáveis de modo a alcançar projectos de controlo ótimo para processos industriais. Mas, normalmente a implementação de uma estratégia de controlo ótimo para o processo industrial não é uma tarefa fácil. Existem muitas características complexas tais como não linearidades, dinâmicas desconhecidas e variãvantes no tempo restriçães, perturbações e incertezas. De fato, muitas pesquisas têm sido feitas em aspectos práticos e teóricos. No entanto, no futuro próximo serão necessários níveis mais elevados de precisão, flexibilidade e confiabilidade para plantas industriais. Esta tese irá abordar ambos os problemas de identificação e controlo em processos industriais não- lineares que utilizam a teoria de lógica difusa e modelos de controlo preditivo. Adicionalmente será abordado nesta tese o projecto de uma framework de um controlo robusto de sistemas incertos. O controlo de um processo não-linear, sujeito a fatores como dificuldade de modelagem, a dinâmicas incertas, parãmetros vari.veis no tempo, restrições e a presença de perturbações são questões importantes. Nesta tese há quatro objectivos principais investigados.A primeira motivação é sugerir um algoritmo automático para identificar os parãmetros do modelo difuso de Takagi Sugeno (T-S) para processos não-lineares, utilizando um conjunto de dados numéricos, aplicados a sistemas de lógica difusa e algoritmos de optimização. São investigadas e usadas duas abordagens diferentes para identificar os parâmetros do modelo difuso T-S. Primeiro, um novo algoritmo de clusterização não-supervisionado é integrado com outro método chamado de mínimos quadrados recursivo, é proposto para construir online uma nova metodologia de identificação de um modelo difuso evolutivo online T-S. Na segunda abordagem, uma nova metodologia de identificação com base em optimização hierãrquica por enxame de partículas é apresentada para aproximar processos não-lineares desconhecidos, enquanto usa um conjunto de dados de entrada / saída para extrair automaticamente os parâmetros do sistema de lógica difusa do modelo difuso T-S. Durante a operação on-line, tanto os parãmetros consequentes do modelo difuso T-S e o peso de inércia do processo de optimização por enxame de partículas, são continuamente atualizados por um algoritmo auto-adaptativo hierárquica por enxame de partículas. O segundo objetivo desta tese, é a utilização dos modelos difusos T-S que estão disponíveis como resultado do primeiro objetivo desta tese, para construir controlos predictivos baseados em modelos difusos de sistemas não-lineares variantes no tempo, sem o conhecimento do modelo matemático da planta. A integração de cada metodologia de identificação T-S, proposta no trabalho relacionado com o primeiro objetivo, com uma metodologia de controlo, nomeadamente no controlador "Generalized Predictive Control"(GPC), resulta em uma eficiente metodologia de controlo preditivo adaptativo difusoa generalizado. O terceiro objetivo da tese é dedicado ao esenvolvimento de uma nova metodologia de controlo robusto restrito para sistemas incertos, do tipo de sistemas com parãmetros lineares variantes no tempo discreto (DT-VP), propostos com base em uma teoria de controlo sinergético (SCT). Além disso, dado um sistema incerto DTLPV conjuntamente sujeito a: perturbações aditivas condicionadas e imensuráveis, condicionantes nos estados, comandos de entrada e sinais de referência (set-points), usa-se então a teoria de conjunto invariante para encontrar uma apropriada região robusta invariante poliédrica, em que a estrutura de controlo proposta, é Garantida para estabilizar robustamente o sistema de circuito fechado. Finalmente, o quarto objectivo desta tese é o projecto de um controlador baseado num macro variável SCT tipo PI para controlar um sistema dinâmico de estado não-linear dependente variante no tempo discreto (NSDDTV). Para validar e demonstrar a robustez e eficiência das metodologias propostas, elas são aplicadas para identificar e controlar a concentraçao de oxigénio dissolvido em um reator de lodo activado, dentro de uma planta de tratamento de águas residuais, e uma configuração experimental real, composta por dois motores DC acoplados; identificar uma planta real de tratamento de águas residuais; e controlar um reactor contínuo do tipo tanque agitado simulado, e o controlo de culturas simuladas de bactérias Escherichia Coli (E. Coli).

Focus on creative autonomous intelligent systems for industrial control applications are absolutely crucial notation in the past decades. There are enormous economic incentives to optimize industrial control processes. World’s attraction from traditional old factory layouts to modern industrial designs increases global community attention to environmental pollution reduction and energy consumption reduction. In industry, high significant intention to the energy dissipation concern increased vast worldwide competition in applicable control techniques to achieve optimal control designs for industrial processes. But, normally implementation an optimal control strategy for industrial process is not an easy task. It happens a lot to see complex characteristics such as nonlinearities, unknown and time-varying dynamics, constraints, disturbances, and uncertainties. Indeed, vast amount of researches have already been investigated in both practical and control theoretical aspects. However, in near future more high levels of accuracy, flexibility, and reliability will be required for industrial plants. This thesis will address to both identification and control problems on nonlinear industrial processes using fuzzy logic theory, and model predictive control. Also, design of a robust control framework for uncertain systems will be addressed in this thesis. The control design which can deal with concerns such as modeling difficulties, uncertain dynamics, time-varying parameters, constraints, and presence of disturbances, is an important issue. Four main research as main objectives in this thesis are investigated. First motivation is to suggest an automatic algorithm to identify the Takagi- Sugeno (T-S) fuzzy model parameters for nonlinear process by using of a numerical data set and using fuzzy logic systems and optimization algorithms. Two different approaches to identify the T-S fuzzy model parameters are investigated. In the first approach, a new unsupervised fuzzy clustering algorithm (NUFCA) method integrated with the recursive least squares (RLS) is proposed to construct a novel online evolving T-S fuzzy model identification methodology. In the second approach, a novel identification methodology based on a hierarchical particle swarm optimization (HPSO) is introduced to approximate unknown nonlinear processes while uses set of input/output data to automatically extract the fuzzy logic system (FLS)’s parameters of the T-S fuzzy model. During online operation, both the consequent parameters of the T-S fuzzy model and the particle swarm optimization (PSO) inertia weight are continually updated by a self-adaptive HPSO (S-AHPSO) algorithm. The second objective of the thesis is use of the T-S fuzzy models which are available as results of the first objective of this thesis, to construct fuzzy model predictive control of nonlinear time-varying systems without knowledge about the mathematical model of the plant. The integration of each T-S identification methodology proposed in the work related to the first objective with the generalized predictive control (GPC) results in an efficient adaptive fuzzy generalized predictive control methodology (AFGPC). The third objective of the thesis is devoted to the design of a novel robust constrained control methodology for uncertain systems, in type of discrete-time linear parameter varying (DT-LPV) systems, is proposed based on a synergetic control theory (SCT) approach. Moreover, given an uncertain DT-LPV system jointly subject to unmeasured and constrained additive disturbances, and constraints in states, input commands, and reference signals (setpoints), then invariant set theory is used to find an appropriate polyhedral robust invariant region in which the proposed control framework is guaranteed to robustly stabilize the closed-loop system. Finally, the fourth objective of the thesis is to design a controller based on a PI-type of SCT macro- variable to control a non-linear state dependent discrete time varying (NSDDTV) dynamical system. To validate and demonstration of the robustness and efficiency of the the proposed methodologies, they are applied to identify and control the dissolved oxygen concentration in an activated sludge reactor within a wastewater treatment plant (WWTP), and a real experimental setup composed of two coupled DC motors; identify a real WWTP plant; and to control a simulated continuous stirred tank reactor (CSTR), and control of the simulated Escherichia Coli (E. Coli) cultures.