SEARCH

SEARCH BY CITATION

Keywords:

  • riser-type FCC unit;
  • modelling;
  • identification;
  • control;
  • feedforward neural networks

Abstract

This paper addresses the use of feedforward neural networks for the steady-state and dynamic identification and control of a riser type fluid catalytic cracking unit (FCCU). The results are compared with a conventional PI controller and a model predictive control (MPC) using a state space subspace identification algorithm. A back propagation algorithm with momentum term and adaptive learning rate is used for training the identification networks. The back propagation algorithm is also used for the neuro-control of the process. It is shown that for a noise-free system the adaptive neuro-controller and the MPC are capable of maintaining the riser temperature, the pressure difference between the reactor vessel and the regenerator, and the catalyst bed level in the reactor vessel, in the presence of set-point and disturbance changes. The MPC performs better than the neuro controller that in turn is superior to the conventional multi-loop diagonal PI controller.

On examine dans cet article l'utilisation de réseaux neuronaux à anticipation pour la détermination et la régulation en régimes dynamique et permanent d'une unité de craquage catalytique de fluide de type colonne montante (FCCU). Un algorithme de rétro-propagation avec un terme de quantité de mouvement et une vitesse d'apprentissage adaptative est utilisé pour l'entraînement des réseaux d'identification. L'algorithme de rétro-propagation est également utilisé pour le controle neuronal du procédé. On montre que pour un système non bruité le contôleur neuronal adaptatif est capable de maintenir la température de colonne, la différence de pression entre le réacteur et le régénerateur ainsi que le niveau de lit de catalyseur dans le réacteur, en présence de changements dans les point de consigne et les perturbations.