In questa sezione si confrontano i target di alcune variabili manipolate sig- nificative calcolati sia con l’ottimizzazione di tipo lineare che con quella di tipo quadratico in conseguenza di uno switch di grezzo.
15 20 25 30 128 128.5 129 129.5 130 130.5 131 time (hr) T (°C) TIC−TESTA Figura 7.16: variazione TIC-TEST A dop o uno switc h di
15 20 25 30 35 40 130 132 134 136 138 140 142 144 146 148 150 152 time (hr) M (tonne/hr) FIC−KERO LP QP Figura 7.17: variazione FIC-KER O dop o uno switc h di grezzo.
15 20 25 30 160 165 170 175 180 185 190 time (hr) M (tonne/hr) FIC−LGO Figura 7.18: variazione FIC-LGO dop o uno switc h di grezzo.
15 20 25 30 35 40 5 10 15 20 25 30 35 time (hr) M (tonne/hr) FIC−HGO LP QP Figura 7.19: variazione FIC-HGO dop o uno switc h di grezzo.
Conclusioni
Gli obiettivi della tesi sono stati i seguenti:
• sviluppare un controllore avanzato di tipo predittivo in variabili di sta- to (SSMPC, dall’inglese State-Space Model Predictive Control) che racchiudesse al suo interno molte delle caratteristiche possedute dai controllori commerciali;
• testarne la sua efficacia applicandolo ad un processo multivariabile di grandi dimensioni come l’unit`a di distillazione del grezzo. In partico- lare si `e analizzato il comportamento del controllore prendendo come riferimento il controllore commerciale DMCplus.
Nella prima parte del testo `e stata descritta l’evoluzione del controllo predit- tivo, dai primi anni ’70 fino ad oggi; in questo modo `e possibile farsi un’idea di quante risorse siano state impiegate nell’ottimizzazione dei processi nel corso di questi anni. Attraverso la panoramica fatta nel capitolo 2 si pu`o constatare facilmente che il controllore progettato in questo lavoro racchi- ude molte delle caratteristiche dei controllori commerciali attualmente in uso nonch´e dei recenti sviluppi teorici proposti in letteratura. In particolare la formulazione in variabili di stato permette di adottare orizzonti infiniti, modello del disturbo e stimatori pi`u generali e una gestione pi`u flessibile e razionale dei vincoli. Vista la sua generalit`a, tale strumento risulta partico- larmente utile per i nuovi utenti che si affacciano al controllo predittivo. Nonostante si sia cercato di realizzare un software non molto complesso dal punto di vista dell’interfacciamento con l’utente, il suo utilizzo richiede una conoscenza di base del controllo multivariabile non indifferente, al fine di comprendere in maniera completa quale ruolo giocano i vari parametri di tuning che devono essere definiti.
e simulazione di disturbi; l’utente ha la possibilit`a di generare disturbi di qualsiasi natura, con o senza rumore (bianco e/o filtrato) con visualizzazione degli stessi anche in anello aperto.
Volendo prendere in esame il controllore vero e proprio, si `e visto che il modulo di ottimizzazione di stazionario racchiude al suo interno due funzioni principali: l’ottimizzazione lineare e quella quadratica, con la possibilit`a, me- diante apposita specifica, di fare un confronto diretto tra i due approcci. In particolare, facendo riferimento al processo di topping, si `e osservato che la conduzione del processo da parte del controllore SSMPC, sia che esso utilizzi una ottimizzazione di stazionario di tipo LP o di di tipo QP, non si discosta molto da quella del DMCplus.
Nel confronto fra i due tipi di ottimizzazione di stazionario, in corrispondenza di uno switch di grezzo, si `e osservato che l’ottimizzazione di tipo QP riesce a specificare dei target che massimizzano la produzione di benzina leggera, a differenza dell’ottimizzazione LP e del DMCplus (che usa anche esso una ottimizzazione LP).
Certamente, da quanto si evince nel capitolo 5, il tuning pi`u complesso `e quello associato al modulo di ottimizzazione dinamica, all’interno del quale l’utente deve specificare un numero elevato di parametri. In particolare, facendo riferimento al caso studiato, si nota che il controllore in variabili di stato risulta molto pi`u aggressivo anche se sono stati utilizzati gli stessi parametri di tuning. Questo lascia presupporre che all’interno del controllore DMCplus vi siano dei fattori di scaling non trasparenti.
Si pu`o quindi concludere affermando che il software di simulazione e controllo sviluppato in questo lavoro di tesi pu`o essere considerato un valido strumen- to di supporto per future attivit`a di ricerca volte a caratterizzare gli aspetti dinamici dei processi complessi controllati da regolatori MPC.
Cutler, C. R. and Ramaker, B. L. (1979), ‘Dynamic matrix control a computer control algorithm’, AICHE national meeting .
Cutler, C. R. and Ramaker, B. L. (1980), ‘Dynamic matrix control a com- puter control algorithm’, Proceedings of the joint automatic control
conference .
Cutler, C. R. and Yocum, F. H. (1991), ‘Experience with the dmc inverse for identification’, Chemical Process Control 4, 297–317.
Gabriele Pannochia, J. B. R. and Wright, S. J. (2006), ‘A partial enumeration strategy for fast large-scale linear model predictive control’, Chemical
Process Control .
Gallinelli, L. (2005), Studio della dinamica e delle problematiche di controllo di colonne di distillazione complesse mediante l’utilizzo di simulatori rigorosi, Master’s thesis, Chemical Engineering University of Pisa. Garc´`ıa, C. E. and Morari, M. (1989), ‘Model predictive control: Theory and
practice’, Automatica 25(3), 335–348.
Garc´`ıa, C. E. and Morshedi, A. M. (1986), ‘Quadratic programming solution of dynamic matrix control (qdmc)’, Chemical Engineering
Communications of Pisa 46, 73–87.
Giavarini, C. and Girelli, A. (1991), La raffinazione del petrolio, ESA. J. B. Rawlings, E. S. M. and Muske, K. (1994), ‘Nonlinear model predictive
control: a tutorial and survey’, Proceedings of IFAC ADCHEM .
J. Richalet, A. Rault, J. L. T. and Papon, J. (1976), ‘Algorithmic con- trol of industrial processes’, Proceedings of the 4th IFAC symposium
on identification and system parameter estimation pp. 1119–1167.
.
Muske, K. R. (1995), Linear model predictive control of chemical processes, Master’s thesis, University of Texas at Austin.
Muske, K. R. and Rawlings, J. B. (1993), ‘Model predictive control with linear models’, AIChE Journal 39(2), 262–287.
Pannocchia, G. (2004), ‘Lezioni di laboratorio di automazione dei processi chimici’, Chemical Engineering University of Pisa .
Pannocchia, G. and Bemporad, A. (2006), ‘Combined design of disturbance model and observer for offset-free model predictive control’, AIChE
Journal .
Pannocchia, G. and Brambilla, A. (2005), ‘How to use simplified dynamics in model predictive control of superfractionators’, Ind. Eng. Chem. Res. pp. 2687–2696.
Pannocchia, G. and Rawlings, J. B. (2003), ‘Disturbance models for offset- free model-predictive control’, AIChE Journal 49(2).
Prett, D. M. and Garc´`ıa, C. E. (1988), ‘Fundamental process control’,
Butterworths .
Prett, D. M. and Gillette, R. D. (1980), ‘Optimization and constrained mul- tivariable control of a catalytic cracking unit’, Proceedings of the joint
automatic control conference .
Qin, S. J. and Badgwell, T. A. (2003a), ‘A survey of industrial mod- el predictive control technology’, Control Engineering Practice 11 pp. 733–764.
Qin, S. J. and Badgwell, T. A. (2003b), ‘A survey of industrial model predictive control technology’, Control Engineering Practice 11, 733–764.
Rao, C. V. and Rawlings, J. B. (2000), ‘Linear programming and model predictive control’, Journal of Process Control pp. 283–289.
Rawlings, J. B. (1999), ‘Tutorial: Model predictive control technology’, MPC
Survey .
Scokaert, P. O. M. and Rawlings, J. B. (1999), ‘Feasibility issues in linear model predictive control’, AIChE Journal 45(8).
Springer and Verlag (1999), Numerical Optimization, New York, Inc.
Van Overschee, P. and De Moor, B. (1994), ‘N4SID: Subspace algorithms for the identification of combined deterministic stochastic systems’, 30, 75– 93.
Verhaegen, M. (1994), ‘Identification of the deterministic part of MIMO state space models given in innovation form from input-output data’, 30, 61– 74.
Zafiriou (1994), ‘Robust model predictive control of processes with hard constraints’, Computers in Chemical Enguneering 14(4/5), 359–371.