SEARCH

SEARCH BY CITATION

Keywords:

  • model predictive control;
  • artificial neural network;
  • external recurrent neural network;
  • distillation;
  • pH process

Abstract

Model predictive control (MPC) provides a natural framework to realize feedforward and feedback control for nonlinear systems where the effect of disturbances (DVs) cannot be separated from that of manipulated variables (MVs). This study examines the performance of MPC with measured DVs as partial inputs of the model used, which is termed as combined feedforward/feedback MPC (CMPC) in contrast to conventional MPC using a model without input of any measured DV. In the simulation of a pH process, we demonstrate the clear superiority of CMPC over MPC. In the experiment with a bench-scale ethanol and water distillation column, CMPC and MPC using artificial neural network (ANN) models are applied to the dual temperature control problem. External recurrent neural networks (ERNs) with and without a measured DV (feed rate of the column) as their partial input are built and employed in the experiment, with a result that inclusion of the measured DV in the model makes CMPC perform significantly better than MPC. To strengthen practical experience in applying ANN-based MPC, a detailed procedure of the experiment is also documented.

Le contrôle prédictif par modèles (MPC) fournit un cadre naturel pour réaliser la régulation anticipée et asservie de systèmes non linéaires dans lequel l'effet des perturbations (DV) ne peut être séparé des variables manipulées (MV). On examine dans cette étude la performance du MPC avec des DV mesurés comme entrées partielles du modèle ; on appelle ce modèle le MPC anticipé/asservi (CMPC) par contraste avec le MPC conventionnel sans entrée de DV mesuré. Dans la simulation d'un procédé de régulation du pH, nous démontrons la supériorité évidente du CMPC sur le MPC. Dans des expériences de distillation d'éthanol et d'eau menées dans un colonne de laboratoire, le CMPC et le MPC utilisant des modèles à réseaux neuronaux artificiels (ANN) sont appliqués au double problème du contrôle de la température. Des réseaux neuronaux externes récurrents (ERN) avec ou sans DV mesuré (débit d'alimentation de la colonne) comme entrée partielle sont construits et employés dans l'expérience, avec le résultat que l'introduction du DV mesuré dans le modèle permet une performance du CMPC significativement meilleure que celle du MPC. Pour renforcer l'expérience pratique quant à l'application du MPC basé sur les ANN, la description détaillée de l'expérience est également fournie.