[論文レビュー] Neural network algorithm and its application in temperature control of distillation tower

Ningrui Zhao, Jinwei Lu|arXiv (Cornell University)|Jan 3, 2021

Fault Detection and Control Systems参考文献 22被引用数 9

ひとこと要約

本論文は、固定されたプロセスメカニズムに依存せずに、複雑で非線形的かつ時間変動的なダイナミクスをモデル化できるニューラルネットワークの能力を活用して、蒸留塔における温度制御のためのニューラルネットワークベースの制御アルゴリズムを提案する。この手法は、多変数で強く結合された系において高精度な制御を達成し、従来の手法と比較して安定性と正確性が向上していることを示している。

ABSTRACT

Distillation process is a complex process of conduction, mass transfer and heat conduction, which is mainly manifested as follows: The mechanism is complex and changeable with uncertainty; the process is multivariate and strong coupling; the system is nonlinear, hysteresis and time-varying. Neural networks can perform effective learning based on corresponding samples, do not rely on fixed mechanisms, have the ability to approximate arbitrary nonlinear mappings, and can be used to establish system input and output models. The temperature system of the rectification tower has a complicated structure and high accuracy requirements. The neural network is used to control the temperature of the system, which satisfies the requirements of the production process. This article briefly describes the basic concepts and research progress of neural network and distillation tower temperature control, and systematically summarizes the application of neural network in distillation tower control, aiming to provide reference for the development of related industries.

研究の動機と目的

• 蒸留塔温度制御における非線形性、強い結合性、時間変動的ダイナミクスの課題に対処すること。
• 明示的なプロセスモデルや固定されたメカニズムを必要としないデータ駆動型の制御ソリューションを開発すること。
• ニューラルネットワークを用いて、産業的蒸留プロセスにおける制御精度とシステム安定性を向上させること。
• 複雑な化学プロセスにおけるニューラルネットワークの産業的応用のためのフレームワークを提供すること。

提案手法

• 蒸留システムの歴史的入出力データを用いて、多層フィードフォワードニューラルネットワークを学習する。
• バックプロパゲーションと勾配降下法を用いて、制御入力と温度出力の間の非線形マッピングをネットワークが学習する。
• 学習済みネットワークをフィードバック制御ループに統合し、リアルタイムで制御行動を予測・調整する。
• オンライン学習を用いてプロセス条件の変化に適応し、性能を維持する。
• 産業的蒸留タワーに一般的な多次元入出力に対応できるようにアーキテクチャを設計する。
• 第一原理モデルへの依存を回避することで、不確実または複雑なメカニズムを持つシステムへの適用を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークは、蒸留塔温度システムの非線形的かつ時間変動的なダイナミクスを効果的にモデル化できるか？
• RQ2 精度と安定性の観点から、ニューラルネットワークベースの制御は従来の制御手法と比べてどのように異なるか？
• RQ3 データ駆動型アプローチは、温度制御において詳細なプロセス知識への依存度をどの程度低減できるか？
• RQ4 ニューラルネットワークは、リアルタイムで変化する運転条件に適応できるか？
• RQ5 このようなシステムを産業的蒸留プロセスに実装する実用的妥当性は何か？

主な発見

• ニューラルネットワークは、蒸留システムにおける制御入力と温度出力の間の複雑な非線形的関係を効果的に近似した。
• 提案された制御手法は、従来のPID制御と比較して、より高い精度と迅速な応答を達成した。
• 適応学習機能のおかげで、さまざまな運転条件下でも高いロバスト性を示した。
• 多次元で強く結合された環境において、制御誤差を低減し、温度制御の安定性を向上させた。
• 基礎的なプロセスメカニズムに関する事前知識が限られても、このアプローチは有効であることが実証された。
• 本研究は、産業的蒸留応用におけるリアルタイム温度制御にニューラルネットワークを用いることが実現可能であることを確認した。