Contribuições para o controle preditivo não linear prático com modelos identificados por redes de estado de eco

Abstract

Abordagens de controle preditivo não linear (NMPC) são uma alternativa de controle avançado cada vez mais aplicada na indústria, com abordagens NMPC práticas (PNMPC) sendo uma opção para a redução do seu custo computacional. Um modelo que apresenta potencial para aplicação como modelo de predição em algoritmos PNMPC é a rede de estado de eco (ESN), capaz de identificar processos não lineares com algoritmos computacionalmente eficientes. Considerando este contexto, nesta tese é apresentado um estudo acerca da aplicação de modelos baseados na ESN para identificação e utilização como modelo de predição em abordagens PNMPC. É proposta uma arquitetura de modelo baseada em uma rede ESN com parcela integradora (ESNI) e uma abordagem de identificação relevante para MPC (MRI), com formulações para obtenção dos parâmetros do modelo ESNI por meio de dados obtidos do processo e estimação on-line. Foram propostas abordagens PNMPC com modelos de predição baseados no modelo ESNI. Tais algoritmos utilizam o modelo ESNI completo para obtenção da resposta livre do processo e obtêm a resposta forçada a partir dos coeficientes da resposta ao degrau do modelo ESNI, que são obtidos a cada instante de amostragem por meio de uma simulação numérica. São propostas abordagens que utilizam modelos ESNI identificados a partir de dados do processo (PNMPC-ESNI) e abordagens adaptativas (APNMPC-ESNI), nas quais o modelo ESNI é identificado on-line. Adicionalmente, é proposta uma abordagem que busca aprimorar o desempenho do controlador PNMPC-ESNI utilizando um procedimento iterativo (PNMPCI-ESNI), com o qual a importância da porção linearizada no modelo de predição é reduzida. Para avaliar as abordagens de identificação e controle propostas, foram realizados estudos de caso com processos não lineares simulados e reais. Os resultados da abordagem de identificação MRI-ESNI indicam que a utilização da abordagem MRI resultou em modelos com desempenho melhor, para a tarefa de predição de múltiplos instantes à frente, quando comparado com modelos ESNI, treinados sem a abordagem MRI. Os resultados da abordagem de controle PNMPC-ESNI evidenciaram que o controlador proposto apresenta desempenho 16% superior aos controladores com modelos identificados. Por sua vez, a avaliação da abordagem adaptativa APNMPC-ESNI mostrou que o controlador APNMPC-ESNI é capaz de se adaptar a variações paramétricas do processo, alcançando desempenho em malha fechada superior a um NMPC, quando considerado um cenário de testes em que o processo é sujeito a variação paramétrica. Os resultados do controlador PNMPCI-ESNI indicaram que a abordagem iterativa é capaz aprimorar o desempenho do controlador, com melhorias de até 17% para a métrica e o cenário testados. O custo computacional dos controladores propostos foi avaliado, com os tempos de cômputo associados ao tamanho do reservatório do modelo ESNI e também ao número de iterações do procedimento iterativo, no caso do PNMPCI-ESNI. Os tempos máximos foram compatíveis com os processos avaliados, sendo mais de uma ordem de grandeza menores que os verificados para os controladores NMPC usados como comparação.

Abstract: Nonlinear predictive control (NMPC) approaches are a type of advanced control strategy which has been increasingly applied in industry. The computational cost associated with solving the NMPC problem can be reduced by using practical NMPC (PNMPC) approaches. A model that has potential for application as a prediction model in PNMPC algorithms is the echo state network (ESN), which is capable of identifying nonlinear processes with computationally efficient algorithms. Considering this context, this thesis presents a study about the application of models based on the ESN for system identification and later use as a prediction model in PNMPC approaches. A model architecture based on an ESN network with an integrating portion (ESNI) is proposed and an MPC relevant identification approach (MRI), with formulations to obtain the parameters of the ESNI model through data obtained from the process and through on-line estimation, is considered. Additionally, PNMPC approaches with prediction models based on the ESNI model are proposed. Such algorithms use the complete ESNI model to obtain the free response of the process and obtain the forced response from the step response coefficients of the ESNI model, which are obtained at each sampling instant by means of a numerical simulation. Approaches that use ESNI models identified from process data (PNMPC-ESNI) and also adaptive approaches (APNMPC-ESNI), in which the ESNI model is identified online, are proposed. Additionally, an approach that seeks to improve the performance of the PNMPC-ESNI controller using an iterative procedure (PNMPCI-ESNI) is proposed. It relies on reducing the importance of the linearized portion in the prediction model, thus improving the prediction accuracy. To evaluate the proposed identification and control approaches, case studies were carried out with simulated and real non-linear processes. The results of the MRI-ESNI identification approach indicate that the use of the MRI strategy resulted in models that performed better for the multiple-step ahead prediction task when compared to a baseline of ESNI models trained without the MRI approach. The results of the PNMPC-ESNI control approach showed that the proposed controller presents a performance 16% better than controllers with identified models. In its way, the evaluation of the APNMPC-ESNI adaptive approach showed that the APNMPC-ESNI controller is capable to adapt to process parameter changes, achieving a better closed-loop performance than an NMPC, when a test scenario in which the process is subject to parametric variation is considered. The results of the PNMPCI-ESNI controller indicate that the iterative approach is able to improve the controller performance, with improvements of up to 17% for the tested metric and scenario. The computational cost is mainly associated with the ESNI model reservoir size and also with the number of iterations of the iterative procedure for the particular case of the PNMPCI-ESNI. The maximum computing times were compatible with the evaluated processes, being more than one order of magnitude smaller than those verified for the NMPC controllers used for comparison purposes.