[논문 리뷰] Neural network algorithm and its application in temperature control of distillation tower

Ningrui Zhao, Jinwei Lu|arXiv (Cornell University)|2021. 01. 03.

Fault Detection and Control Systems참고 문헌 22인용 수 9

한 줄 요약

이 논문은 고정된 공정 메커니즘에 의존하지 않고 복잡한 비선형성과 시간에 따라 변화하는 동역학을 모델링할 수 있는 신경망의 능력을 활용하여 증류탑의 온도 제어를 위한 신경망 기반 제어 알고리즘을 제안한다. 이 방법은 다변수이고 강하게 결합된 시스템에서 높은 정밀도의 제어를 달성하며 기존의 방법에 비해 향상된 안정성과 정확도를 보여준다.

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.

연구 동기 및 목표

• 증류탑 온도 제어에서 비선형성, 강한 결합성, 시간에 따라 변화하는 동역학의 과제를 해결하기 위해.
• 명시적인 공정 모델이나 고정된 메커니즘을 필요로 하지 않는 데이터 기반 제어 솔루션을 개발하기 위해.
• 신경망을 활용하여 산업적 증류 공정에서의 제어 정밀도와 시스템 안정성을 향상시키기 위해.
• 복잡한 화학공정에서 신경망의 산업적 적용을 위한 기준 프레임워크를 제공하기 위해.

제안 방법

• 증류 시스템의 역사적 입력-출력 데이터를 사용하여 다층 피드포워드 신경망을 학습시킨다.
• 역전파와 경사 하강법를 통해 제어 입력과 온도 출력 사이의 비선형 맵핑을 학습한다.
• 학습된 네트워크를 피드백 제어 루프에 통합하여 실시간으로 제어 조치를 예측하고 조정한다.
• 온라인 학습을 통해 변화하는 공정 조건에 적응하고 성능을 유지한다.
• 산업적 증류탑에서 일반적인 다변량 입력과 출력을 처리할 수 있도록 아키텍처를 설계한다.
• 제일 원리 모델에 의존하지 않아, 불확실하거나 복잡한 메커니즘이 있는 시스템에도 적용 가능하다.

실험 결과

연구 질문

• RQ1 신경망은 증류탑 온도 시스템의 비선형성과 시간에 따라 변화하는 동역학을 효과적으로 모델링할 수 있는가?
• RQ2 정밀도와 안정성 측면에서 신경망 기반 제어는 전통적 제어 방법에 비해 어떻게 비교되는가?
• RQ3 데이터 기반 접근법은 온도 제어에서 상세한 공정 지식에 대한 의존도를 어느 정도 줄일 수 있는가?
• RQ4 신경망은 실시간으로 변화하는 운영 조건에 적응할 수 있는가?
• RQ5 이러한 시스템을 산업적 증류 공정에 구현하는 데 실용성이 있는가?

주요 결과

• 신경망은 증류 시스템에서 제어 입력과 온도 출력 사이의 복잡한 비선형 관계를 성공적으로 근사하였다.
• 제안된 제어 방법은 기존의 PID 제어에 비해 더 높은 정밀도와 더 빠른 반응을 달성하였다.
• 적응형 학습 능력 덕분에 다양한 운영 조건에서도 강건성을 보였다.
• 다변수이고 강하게 결합된 환경에서 제어 오차를 감소시키고 온도 조절의 안정성을 향상시켰다.
• 기본적인 공정 메커니즘에 대한 제한된 지식이 있더라도 이 방법이 효과가 있음을 입증하였다.
• 연구는 산업적 증류 응용 분야에서 실시간 온도 제어를 위한 신경망 사용의 가능성을 확인하였다.