A robust nonlinear predictive control strategy using a disturbance estimator is presented. The disturbance estimator is comprised of two parts: one is the disturbance model parameter adaptation and the other is future disturbance prediction. A linear discrete model is proposed as a disturbance model which is formulated by using process inputs and available process measurements. The recursive least square (RLS) method with exponential forgetting is used to determine the uncertain disturbance model parameters and for the future disturbance prediction, future disturbances projected by the future process inputs are used. Two illustrative examples: a jacketed CSTR as a SISO system; an adiabatic CSTR as a MIMO system, and experimental results of the distillation column control are presented. The results indicate that a substantial improvement in nonlinear predictive control performance is possible using the disturbance estimator.
An adaptive model predictive control (AMPC) strategy using auto-regression moving-average (ARMA) models is presented. The characteristic features of this methodology are the small computer memory requirement, high computational speed, robustness, and easy handling of nonlinear and time varying MIMO systems. Since the process dynamic behaviors are expressed by ARMA models, the model parameter adaptation is simple and fast to converge. The recursive least square (RLS) method with exponential forgetting is used to trace the process model parameters assuming the process is slowly time varying. The control performance of the AMPC is verified by both comparative simulation and experimental studies on electrolyzer and distillation column control.
An Adaptive Model Predictive Control (AMPC) scheme for multivariable unstable processes is presented. The main idea is to design the AMPC under the closed loop system which is stabilized by state or output feedback gains. The final control inputs are the summation of the feedback outputs and the control action of the AMPC. The characteristic features of this methodology are the computational efficiency, robustness and easy handling of unstable MIMO processes. The recursive least square (RLS) method with exponential forgetting is used to trace the stabilized process model parameters assuming the process is slowly time varying. The control performance of the proposed control scheme is verified by simulation studies on two jacketed stirred tank reactors in series with separator and a reactor-flasher system.
1980년 이후 화학공장에서는 에너지의 효율적 사용과 절감을 위해 효과적인 제어가 요구되었다. 이 무렵 모델예측제어 기법이 개발 되었고, DMC (Dynamic Matrix Control)과 MAC (Model Algorithmic Control)로 대표될 수 있는 이 모델예측제어는 기존의 다른 제어기법과 달리 화학공학에서 먼저 개발되었고, 많은 화학공정에 적용되었다. 이 모델예측제어의 특징은 화학공정에서 자주 볼 수 있는 시간지연이나 제어변수간의 상호작용등 기존의 제어기법으로는 잘 해결할 수 없었던 시스템을 잘 다룰 수 있고, 다변수 시스템의 제어에 적합하다. 그러나 이 기법은 기본적으로 선형 시스템에 기준 하여 개발된 것이기 때문에 비선형성이 큰 공정에서는 좋은 제어성능을 기대할 수가 없다. 이러한 비선형성을 보완하기 위해 비선형 모델 예측제어 기법이 개발되었고 공정의 동적 모델을 직접 사용하기 때문에 기존의 선형 모델예측제어 기법에 비해 비선형성을 잘 다룰 수가 있다. 그러나 이것 역시 실제 적용에는 많은 문제점을 드러냈다. 제어신호가 공정 모델 파라미터에 매우 민감하기 때문에 약간의 모델링 오차도 제어성능이 크게 떨어질 우려가 있다. 즉 다른 제어기에 비?? 강건성이 부족하다. 이 논문의 전반부에서는 이러한 비선형 모델예측제어 기법의 강건성을 높이기 위하여 외란 평가기를 도입하였다. 이 외란 평가기는 간단한 ARMA 모델을 이용하여 외란 모델을 만들고 이를 이용하여 앞으로 발생할 외란의 정도를 예측하여 제어신호를 계산하게 만듦으로써 제어성능은 물론 강건성을 높일 수 있도록 만들었다. 모사와 실험을 통하여 이 외란 평가기의 성능을 입증하였다. 이와는 다른 방법으로 비선형 시스템과 시변성 다변수 시스템을 다루기 위한 적응 모델예측제어 기법을 개발하였다. 이 방법 역시 ARMA 모델을 사용하고 있고, 모델 파라미터를 온라인으로 update함으로써 비선형성과 시변성 시스템을 잘 다룰 수 있도록 만들었고 기존의 모델예측제어 기법과 같은 예측기법 (prediction law)을 사용하므로 강건성을 보장할 수 있고, 또한 계산상의 효율성을 기함으로써 기존의 모델예측제어 기법보다 훨씬 짧은 시간 안에 제어신호를 계산해 줄 수 있고 제어성능을 한층 높였다. 이 방법을 전해조 공정과 증류탑 공정에 적용하여 좋은 제어성능을 확인하였다. 이 논문의 후반부에서는 적응 모델예측제어 기법을 불안정한 시스템으로 확대 적용하기 위하여 공정을 안정화시킬 수 있는 feedback 제어기와 결합하여 불안정 시스템에서도 좋은 제어성능을 보여줄 수 있도록 만들었다. 결론적으로 간단한 ARMA 모델을 이용하여 계산상의 효율과 제어성능을 크게 향상시킨 모델예측제어 기법을 개발하였고, 앞으로 이 모델예측제어 기법들을 다른 화학 공정에도 적용한다면 공정의 자동화 및 최적화에 크게 기여할 수 있다고 기대된다.
