Diseño de un sistema de control para reactores químicos utilizando técnicas de aprendizaje automático

Abstract

[ES] El control de temperaturas, presiones y caudales es crítico para asegurar que las reacciones químicas progresan y son completadas según lo planificado. Actualmente, utilizar controladores PID es el estándar industrial para controlar las condiciones de operación en los reactores químicos. Un enfoque más vanguardista es la utilización de algoritmos basados en aprendizaje automático, como las redes neuronales (NN), para realizar las tareas de control.

En este proyecto, se implementó un control PID en un reactor y se pretendió implementar un control basado en redes neuronales. Un modelo de un reactor (modelo NN - basado en una red neuronal) se entrenó con el objetivo de, posteriormente, diseñar un controlador NN (basado en otra red neuronal) y evaluar su rendimiento comparándolo con el control PID en un proceso de control de temperatura.

Los grados de libertad fueron limitados al simplificar el proceso dentro del reactor a un flujo de aire constante y un sistema de calefacción de encendido / apagado (on-off). La adquisición de datos (DAQ), la acción de control y la transferencia de señales tuvieron lugar en un ordenador (programa desarrollado en LabVIEWTM). El control fue diseñado para seguir una señal de referencia. La variable controlada fue la temperatura interna del reactor y la variable de control fue el estado on/off del sistema de calefacción.

El control PD (Proporcional - Derivado) fue implementado en un bucle con retroalimentación. Logró una acción de control razonable pero el rendimiento podría mejorarse con un mejor ajuste del PID y con la introducción de acción integral.

El modelo NN fue diseñado con el objetivo de entrenar una segunda red neuronal (controlador NN) que luego pudiera utilizarse para realizar la acción de control en el sistema real. El modelo fue entrenado a través de retropropagación (back-propagation) como una red neuronal prealimentada (feed-forward NN) utilizando un conjunto de datos discreto. Posteriormente, la red fue cerrada para crear una red neuronal recurrente y pudo modelar el reactor utilizando como entrada solamente la señal de control. El modelo logró un ajuste R2 del 97% al conjunto de datos de validación. La presencia de ondas de ruido en la predicción del modelo evita que éste sea adecuado para ser utilizado en el entrenamiento del controlador NN. Como trabajo futuro sería incluido: entrenar el controlador NN, poner en funcionamiento el control basado en redes neuronales y comparar ambos métodos de control.

[EN] Controlling reactor temperatures is critical to ensure chemical reactions progress and complete to the planned extent. Currently, the industry standard is to utilise PID controllers to control operating conditions in chemical reactors. A newer approach is to utilise machine learning ¿ based algorithms such as neural networks (NN) to perform controlling duties.

In this project, PID control is implemented in a reactor and NN control is aimed to be implemented. A NN model of a reactor is trained with sights to design a NN controller and evaluate its performance on a temperature-only control process by comparing it to PID control.

The degrees of freedom are limited by simplifying the process within the reactor to a constant air flow and an on/off heating system. DAQ, control action and signal transferring take place in a computer (developed LabVIEWTM programme). Control is designed to follow a reference signal. The controlled variable is the reactor¿s inner temperature and the control variable is the on/off state of the heating system.

PD (Proportional ¿ Derivative) control is enabled within a feedback loop. Reasonable control action is achieved but performance could be improved with better PID tuning and introduction of integral action.

A NN model is designed with sights to train a second neural network (controller) that can later be utilised to perform control action on the real system. The model is trained through back-propagation as a feed-forward NN with discretized training data and later, closed to create a recurrent NN that models the reactor with only the control signal as input. The model achieves an R2 fitting of 97 % to the validation data set but the presence of noise waves in the prediction prevents it from being suitable to train the NN controller. Future work would include training the NN controller and compare both methods.