Process control utilizing data based multivariate statistical models

Authors


Abstract

A process control approach using steady state multivariate statistical models is presented. The goal of this control approach is to improve product quality when the quality measurements are not available on line, or they have long time delays. Principal Component Analysis (PCA) is used to compress information from the process measurements down to a lower dimensional score space, where a control goal is specified using the approach of Piovoso and Kosanovich (1992). A new statistical controller is designed to control the equivalent score space representation of the process. The issue of how to account for the correlation structure of input variables when closing a feedback loop around the PCA model is specifically addressed. A binary distillation column and the Tennessee Eastman process are used for demonstrating the new control approach.

Abstract

On présente une méthode de régulation de procédé à l'aide de modèles statistiques multivariées. Le but de cette méthode de régulation est d'améliorer la qualité des produits lorsque les mesures de qualité ne sont pas directement disponibles en ligne ou en cas de longs délais. L'analyse des composants principaux (PCA) permet de condenser l'information issues des mesures de procédé dans une espace qui contient un plus petit nombre de paramètres, en spécifiant un objectif de contrǒle au moyen de la méthode de Piovoso et Kosanovich (1922). Un nouveau contrǒleur statistique est conçu pour le contrǒle équivalent du procédé par la représentation par cet espace réduit. On traite également de la question de savoir comment prendre en compte la structure des corrélations des variables d'entrée lorsqu'une boucle de retroaction est fermée autour du modèle PCA. On utilise une colonne de distillation binaire et le procédé Tennessee Eastman afin de démontrer cette nouvelle méthode de contrǒle.

Ancillary