We propose a new feedforward control scheme combining neural network with Model Predictive Control (MPC), and review the theories of neural network, DMC and feedforward DMC briefly. The disturbance error learning techniques is proposed for on-line training of the neural network. Dynamic Matrix Control(DMC) is chosen as an example MPC. The proposed control scheme is efficient to the systems where the disturbance dynamics and complex and uncertain. The neural feedforward controller is implemented on a pilot scale distillation column in order to disturbance rejection. The performance of the neural controller is compared with that of DMC and feedforward DMC. The neural feedforward controller shows good performance. Also the controller appears to be relatively robust in the face of process/model mismatch in DMC. The results show that the neural controller can perform well even in situation with significant nonlinearities, strong interactions, and complex dynamics. results of implementation show good possibilities to industrial applications of the neural controller. We believe the possibility of the neural feedforward controller in industrial applications.
대부분의 화학공정은 비선형성이 강하며, 다변수제어의 경우 조작변수간의 상호작용이 심하며, 공정의 특성이 시간에 따라 변하고, 간단한 수학적 모델링으로는 표현하기 힘들다. 기존의 선형제어기법은 이러한 화학공정을 제어하는데는 근본적인 한계성을 갖았다. 또한 기존의 선형제어기법을 이용하여 좋은 제어성능을 얻으려면 더욱 정확한 공정의 모사를 요구하지만, 이는 화학공정에서 매우 힘든 과정이며 시간과 비용이 많이 소모된다.
본 연구에서는 이러한 화학공정 제어의 어려움을 해결하기 위하여, 최근 여러 분야에서 각광을 받는 인공신경망을 이용하여 새로운 제어전략을 제시하였다. 인공신경망은 인간의 신경체계를 모사한 것으로 기존의 알고리즘으로는 이룰 수 없었던 문제에 대하여 좋은 장점을 갖고 있고(많은 정보의 처리, 병렬식 계산, 비선형 Mapping, 학습 능력, 등), 이러한 특성은 제어분야에 있어서 강한 잠재력을 시사한다. 본 연구에서 제시된 제어전략은 Feedforward 제어기로, MPC의 일종인 DMC를 이용하여 설정치 추적을 하고 인공신경망으로 외란제거를 하도록 DMC와 인공신경망가 연결되었다. 다른 제어분야와는 달리 인공신경망을 화학공정에 이용하는데는 몇 가지 어려움이 있다. 첫째로 공장이 지어지기 전에 미리 인공신경망을 학습시킬 수 없고, 둘째로 인공신경망을 학습하기위한 정확한 학습정보를 얻을수 없다. 이러한 어려움을 해소하기 위하여 "외란 오차를 이용한 학습법(Disturbance Error Learning)"을 도입하여 on-line 학습을 하였다. 이러한 인공신경망을 이용한 제어기법은 이미 모사를 통하여 성능이 입증되었다[Lee and Park, 1991].
본 연구에서는 이러한 인공신경망을 이용한 제어기를 Pilot Scale 증류탑에 직접 구현하였다. 증류탑에서의 다변수 제어는 심한 비선형성과 상호작용 의 특성을 갖는다. 또한 다른 반응기나 증류탑과의 연결로인한 Feed Flow Rate의 변화는 빈번히 일어나게 된다. 이러한 상황에서 측정가능한 외란에 대한 Feedforward 제어기는 필수불가결하다.
본 연구에서 제안된 인공신경망을 이용한 Feedforward 제어기는 기존의 다른 DMC나 Feedforward DMC에 비하여 더욱 좋은 제어성능을 보였다. 이러한 본 연구의 결과는 인공신경망의 이용이 미비한 화학공정 제어에 있어서 하나의 좋은 가능성을 제시하였으며, 실제 공장에서의 구현의 가능성을 확신시켜주었다.