Universidad de Málaga. Malaga (Spain)
September 21st, 2011
Original summary:
Muchos procesos industriales en Ingeniería química son difíciles de controlar dado quela dinámica de los procesos es no lineal, multivariable y la composición de los productos es difícil de medir de forma rápida y precisa. Un posible acercamiento a solucionar este tipo de problemas es el uso de control basado en redes neuronales artificiales, usando un estimador para inferir composiciones a partir de otras medidas secundarias, controlando el proceso en función de dicha estimación. La presente tesis doctoral propone el uso de redes neuronales artificiales tanto para la estimación de la composición de productos, como modelo de la dinámica de la planta y como esquema de control mediante la técnica de la propagación hacia atrás del error. Por otro lado la incorporación de elementos de Índole borroso a una Identificación permite incluir en la misma conocimiento que se tenga a príorl del sistema. La principal dificultad de la aplicación directa de esquemas puramente borrosos en la Identificación es la dificultad para el entrenamiento con datos reales, dificultad que se puede superar mediante el uso de estructuras neuro-borrosas que tratan de aprovechar las principales características de cada uno de ios paradigmas. Si se dispone de un modelo preciso de la dinámica del sistema a controlar con el que se pueden predecir con un grado de exactitud aceptable las salidas futuras en función de valores actuales y anteriores de salidas, estados y entradas, el problema del control se puede plantear como un problema de optimización en el que se desee encontrar las señales de control que minimicen la diferencia entre las salidas futuras y las referencias a seguir. Una dificultad al enfrentamos al control desde esta perspectiva es que los modelos suelen ser complejos o presentan no linealidades de difícil tratameniento, circunstancia que se acentúa a medida que aumenta la complejidad del sistema que modelizan. Esto dificulta la aplicación de las técnicas habituales de optimización. Una metodología de optimización planteada para sortear dichos problemas es la basada en algoritmos genéticos, que son capaces de tratar con funciones con altas no linealidades o de muy difícil diferenciación. Por tanto, se plantea a su vez el uso de algoritmos genéticos para la obtención de la ley de control pseudo-óptima para el control de la planta, basándose en el modelo neuro-borroso de la misma.
English summary:
Many industrial processes in chemical engineering are difficult to control because the dynamics of the processes are non-linear, multivariable and the composition of the products is difficult to measure quickly and accurately.
A potnetial approach to solve this kind of problems is the use of control based on artificial neural networks, using an estimator to infer compositions from other secondary measurements and controlling the process according to this estimation. This doctoral thesis proposes the use of artificial neural networks both for the estimation of product composition, as a model of plant dynamics and as a control scheme using the error back propagation technique.
On the other hand, the incorporation of fuzzy elements into an identification of a dynamical system allows the inclusion of a priori knowledge of it. The main difficulty of the direct application of purely fuzzy schemes in identification is the difficulty of training with real data, a difficulty that can be overcome by using neuro-fuzzy structures that try to take advantage of the main features of each of the paradigms.
If an accurate model of the dynamics of the system to be controlled is available in a way future outputs can be predicted with a relatively high degree of accuracy based on current and past values of outputs, states and inputs, the control problem can be posed as an optimization problem in which it is desired to find the control signals that minimize the difference between future outputs and the references to be followed.
One difficulty when dealing with control following this approach consist in the highly non-linear nature of the models, a circumstance that is accentuated as the complexity of the system they model increases. This makes it difficult to apply the usual optimization techniques.
One optimization methodology proposed to overcome the presented problems is based on genetic algorithms, which are capable of dealing with functions with high non-linearities or very difficult differentiation. Therefore, the present thesis proposes the use of genetic algorithms to obtain the pseudo-optimal control law for the control of the plant, based on the neuro-fuzzy model of the plant.
Descriptors: Artificial intelligence, Automated manufacturing systems, Automation technology, Control engineering
Citation:
P.C. del Saz-Orozco Huang (2011), Contribuciones al control neuroborroso en Ingeniería de procesos industriales. Universidad de Málaga. Malaga (Spain).
