In Chapter 2, neural network architectures with supervised and unsupervised learning paradigms for identification of nonlinear chemical processes are proposed. The multi-layer perceptron model and the Kohonen's Self-Organizing Feature Map are used as encoders for learning nonlinear functional mapping relationships among process states and manipulative actions. Especially, the unsupervised competitive learning paradigm is investigated and applied to training the Kohonen network as a process identifier. The estimation performances of the proposed unsupervised learning neuro-identifier network and that of a conventional multi-layer perceptron network are compared in identification of a nonlinear continuous stirred tank reactor system. The proposed neuro-identifier based on the self-organizing feature map shows the capability of mapping a huge input data space into a reduced output space in a shorter training time than required by the multi-layer perceptron network.
In Chapter 3, a neural model predictive control strategy combining the neural network for plant identification and the nonlinear programming algorithm for solving nonlinear control problems is presented. The proposed controller combines the nonlinear model predictive control approach and the robust multi-step neural model predictor network. A constrained nonlinear optimization using successive quadratic programming combined with the neural identification network is used to generate the optimum control law for complex continuous chemical reactor systems that have inherent nonlinear dynamics. The neural model predictive controller (NMPC) shows good performances and robustness.
In Chapter 4, a fuzzy dynamic learning controller is proposed and applied to control of time delayed, non-linear and unstable chemical processes. The proposed fuzzy dynamic learning controller can self-adjust its fuzzy control rules using the external dynamic information from the process during on-line control and it can create the new fuzzy control rules autonomously using its learning capability from past control trends. Thus the controller can merge both the quantitative and qualitative features of concerned process and it can provide a robust reasoning technique in generating control laws on uncertain and nonlinear processes. The proposed controller shows better performance than the conventional fuzzy logic controller and the fuzzy self organizing controller.
In Chapter 5, We present the adequate control strategies for batch reactor systems using the neural model predictive controller (NMPC) proposed in Chapter 3 and the fuzzy dynamic learning controller (FDLC) which presented in Chapter 4. Two example systems are tested in the chapter : one is a batch reactor with endothermic reactions and the other is the laboratory scale batch reactor within which only the thermal heat capacitance material (water) is contained. The endothermic reactor is tested with NMPC, FDLC, and PD-type controllers and the actual experiment of laboratory scale batch reactor system is conducted by FDLC in comparison with the FSOC and FLC.
오늘날의 화학 공정은 그 공정 단위가 매우 통합되어 있고, 생산성 증가 및 에너지 절감, 환경 규제 및 안전성 등의 내외적 변화에 따라 조작 조건이 엄격해져서 종래의 단위 공정 차원으로부터 새로운 전체 공정 시스템의 차원까지, 경제성이 큰 공정설계 및 효율적 제어가 요구되고 있다. 그런데 화학 공정 시스템은 일반 선형 시스템과는 달리 시스템 자체에 대한 수치적 모델링이 난해하고 시스템 거동의 비선형성 및 제어변수간의 강한 상호작용(interactions)을 그 기본 특징으로 한다. 실제의 화학공정은 대부분 비선형 시스템이며 공정 내부의 동적 거동을 해석적 방법으로 규명하기 위해서는 부득이하게 선형 시스템의 가-정을 도입하거나, 실제 시스템을 단순화시켜야 하는 등의 한계가 있다. 현재까지 기존의 여러 제어 기법들은 제어 대상 dynamic system을 표현하는 수학적 모델을 기술하고 여기에 해석적 기법을 적용하여 제어 법칙 (control law)을 도출해 내는 방법을 이용하여 왔으나, 실제 공정 환경에서는 dynamic system model을 얻기가 어렵거나 공정의 복잡성 및 불확실성으로 인하여, 얻어진 모델이 상당히 부정확하거나 물리적 의미가 없는 가정의 도입으로 인하여 실제 시스템으로부터의 변형 (deviation)을 피할 수 없는 경우가 일반적이다. 이러한 문제는 실험실에서 잘 개발된 제어 기법이나 최적화 기법이 실제 공정현장에서 제대로 그 기능을 발휘하지 못한다던가 부분적 향상에 그치게 하는 주요 원인이 되어 왔으며, 이 때문에 실제 시스템의 특성을 좀 더 가깝게 해석하려는 노력이 현재 활발하게 이루어지고 있다.
이러한 접근법의 하나로 본 논문에서는 인간 사고의 애매성과 인식 문제를 표현하는 퍼지 제어론 및 학습에 의한 적응성과 입출력 domain간의 비선형 mapping을 특징으로 하는 신경망 이론을 응용하여, 기존의 선형 제어 이론으로 해결하기 어려웠던 공정의 인식 (identification and estimation) 및 그 제어 문제에 대한 새로운 접근법을 제시하였다.
본 논문은 화학 공정을 크게 동적 모델링 (dynamic modeling)과 제어 관점으로 구분하여 각각의 경우에 대한 새로운 접근법을 제시하고 이 둘을 통합하여 공정의 identification과 제어 구조 설계의 체계적 방법을 제시하였다. 제 2장에서는 learning paradigm에 따른 두가지 신경망 모델에 의한 공정 identification 방법에 대해 논의하였으며, 제 3장 및 제 4장에서는 지능제어 기법의 일환으로서 신경망 모델 예측 제어 (Neural Model Predictive Control) 및 퍼지 동적 학습 제어 (Fuzzy Dynamic Learning Control)를 제안하였다. 제 5장에서는 화학공정 장치의 많은 부분을 이루고 있으나 그 제어 문제가 공정의 특성 및 조업 요구 조건으로 인해 매우 어려운 Batch Reactor System의 제어 문제를 다루었다.
먼저 제 2장에서는 해석적 기법을 적용하기가 난해하거나, 기존의 identification 방법들로 적절한 공정 규명이 어려운 공정들의 estimation을 위해, 학습 paradigm에 따른 두가지 신경망 identification network (Neuro-Identifier network)을 제안하였다.
오늘날에는 supervised learning중 error back-propagation 학습 방법을 이용한 multi-layer perceptron network (MLP network)은 learning-recall devices의 관점에서 더 이상 새로운 (그리고 놀라운) 방법이 아니게 되었으며, 그러한 MLP network 의 동특성 및 characteristics를 규명하고 error back-propagation을 대체할 수 있는 여러 supervised learning기법들에 대해 현재까지 많은 연구들이 수행되어 왔다. 반면에 unsupervised competitive learning paradigm이 적용되는 신경망 모델들은 그 응용 범위가 극히 제한적인 것이 현실이다. 실제로 공정 엔지니어들로서는 신경망을 적용하고자 할 때, 목표치 (target teaching signal)가 뚜렷한 supervised learning 방법에 더욱 호감을 갖게 되겠지만, 생물체가 물체를 인식하거나, 적자생존, 조건반사의 경우 등 실제의 biological nervous system 에서는 unsupervised competitive learning이 더욱 자연스러운 학습 체계임이 확실시되고 있다.
본 연구에서는 Teuvo Kohonen의 Self-Organizing Feature Map을 근거로 한 unsupervised learning neural network을 이용하여 불확실한 공정의 입출력 data간의 internal relationship 을 encoding 할 수 있는 신경망 모델 identifier를 구성하였다. 실제 연속 화학 반응기 (continuous stirred tank reactor)의 open-loop dynamic trend로 부터 우리가 알고자 하는 공정 state 변수의 estimation 및 prediction 실험에서, 제안된 신경망 모델은 기존 error back-propagation network에 비해 정확하고 빠른 예측 성능을 보였다.
제 3장에서는 모델예측 제어 (model predictive- or model based control)에서의 limiting factor가되는 multi-step 모델 예측 부분을 신경망 모델로 구현하고 nonlinear constrained optimization 방법으로 각각의 prediction horizon내에서 최적의 control law를 합성할 수 있는 신경망 모델예측 제어기 (Neural Model Predictive Controller; NMPC)를 제안하였다. Cutler와 Ramaker의 Dynamic Matrix Control 이후 현재까지 모델예측제 어 기법은 꾸준히 개발되어 왔지만 제어 대상 공정의 모델링만 은 여전히 mass / energy balances에 의거하였기에, model-plant mismatch를 해결하기가 어려웠다.
본 연구에서 제안한 신경망 모델 예측 제어기는 신경망의 massive parallelism이 주는 fault tolerance capability 및 우리가 원하는 입출력 domain간의 비선형 mapping 기능으로 모델예측제어 기법이 필요로 하는 공정의 dynamic한 multi-step prediction을 정확하게 제공해 줌으로써, model-plant mismatch를 해결할 수 있다. 제안된 제어기는 nominal operating state 는 물론, 신경망이 공정을 충분히 학습하지 못했을 경우에 발생되는 model-plant mismatch와, 실제 대상 공정의 dynamics가 신경망이 학습한 dynamics로부터 상당히 deviation되었을 경우 의 model-plant mismatch에 대해 공히 robust한 제어 입력을 출력해 줄 수 있다.
제 4장에서는 새로운 퍼지 추론률을 이용한 퍼지 학습 제어기 이론을 다루었다. 퍼지 제어는 인간의 상식과 경험을 집약한 heuristic한 퍼지 추론 규칙 (fuzzy inference rule)을 그 기반으로 한다. 그러나 어떠한 경우, 특히 복잡한 동적 거동을 가진 공정의 경우, 제어를 위한 적절한 퍼지 추론 규칙을 찾는다는 것이 상당히 어렵거나 불가능하기도 하다. 이렇게 비선형성과 복잡한 동적 거동으로 인해 적절한 퍼지 제어 규칙을 찾을 수 없는 경우 타당한 제어 기법을 개발하기 위해 공정의 제어 성능을 monitoring해 가면서, 퍼지 제어기가 스스로 fuzzy control rule을 설정 (creation 혹은 addition)하고 개선해 나가며, 제어하고자 하는 공정의 제어 성능을 증가시켜 나갈 수 있는 능력을 갖는 동적 학습 퍼지 제어기(Fuzzy Dynamic Learning Controller; FDLC)를 개발하여, 지연시간 (dead time)이 있는 공정, open-loop unstable 혹은 비선형성이 심한 공정 등에 적용하여, 그 제어 성능을 측정하며, 타제어기법들 (일반적 fuzzy logic controller, fuzzy self organizing controller등) 과의 비교 연구를 수행하였다.
현재 화학 공정에서 Batch process의 적용 분야는 고품질 소량 다품종 생산의 추세에 따라 널리 확산되고 있으나, 상대적으로 그 제어 문제는 상당히 어려운 경우가 많다. 실제로, Batch process에서는 정상 상태 (steady state)가 존재하지 않으며, 화학반응이 수반되는 관계로 비선형성 및 반응열에 의해 온도 제어가 어렵게 된다. 반응의 초기 단계에서 반응을 일으키기 위한 initial heat-up과 일정 temperature trajectory를 유지시키는 regulatory 제어가 순차적으로 수행되어야 한다는 점에서 비정상 상태와 반응열은 주요한 factor가 되게 된다. 이러한 Batch process의 제어에 대한 논의가 제 5장에 제시되었다. 이 장에서는 앞서 개발한 신경망 모델예측제어기 및 퍼지 동적학습제어기를 이용하여, 비선형 Batch process에 대한 simulation과 laboratory scale batch reactor system의 온도 제어를 실제 실험으로 그 유용성을 확인하였다.
