Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Cristóbal Mancilla D.
Profesor guía: Dr. Daniel Navia
Universidad Técnica Federico Santa María
24 de Agosto de 2018
Contenido
• Introducción
• Objetivos
• Metodología
• Resultados
• Conclusiones
2
Introducción (1)
• Esquema de capas de
control de Procesos
RTO
Real Time
Optimization (RTO)
(2)
MPC
Control
Tabla 1. Variables y parámetros del problema.
Básico Variables de entrada
Variables de salida
Proceso Restricciones
Parámetros de modelo
Figura 1. Esquema de Control.
Función costo
(Fuente: Tatjewski, 2008)
3
Introducción
Tabla 2. Incertidumbre presente. (Zhang, et al., 2001)
Variables Fuente de error Clasificación
Parámetros Incertidumbre de modelado
paramétrica
Mapeo de salidas Incertidumbre de modelado
respecto a entradas estructural
Perturbaciones Incertidumbre de proceso
MODIFICACIÓN DE ADAPTADORES
Utiliza medidas del proceso y estimaciones
del modelo, para sobreponerse a la
incertidumbre de modelado
4
Modificación de Adaptadores
Formalizado por Chachuat, Srinivasan, & Bonvin (2009) y Marchetti, Chachuat, & Bonvin (2009)
a partir de trabajos por Roberts (1979), Tatjewski (2002)y Gao & Engell (2005)
𝚽𝑷 𝒖∗𝒌−𝟏 , 𝑮𝑷 𝒖∗𝒌−𝟏
k=k+1
Método de estimación
SI (3)
¿Estacionario y criterio
Cálculo-filtro de tolerancia?
modificadores Donde:
NO
𝝀𝒌 , 𝜸𝒌 , 𝜺𝒌 (4)
PROCESO
Optimización
económica modificada (5)
𝒖∗𝒌
Figura 2. Ciclo iterativo de MA. (6)
(Chachuat, et al., 2009;Marchetti, et al., 2009)
5
Objetivo General
• Estudiar desempeño de un algoritmo de optimización en tiempo real cuando
existen perturbaciones.
• Objetivos Específicos
• Implementar un algoritmo libre de derivada en la capa superior de la RTO tomando en
cuenta el efecto de las perturbaciones.
• Caracterizar el comportamiento del algoritmo en la capa superior.
6
Metodología
Reactor de Otto-Williams (Williams & Otto, 1960; Forbes & Marlin, 1996)
7
Metodología
Modificación de Adaptadores
Optimización económica
(9)
8
Metodología
Perturbaciones:
• Escalón: 5%
• ARIMA (1,0,2): 10 caminos
50 iteraciones c/u
Figura 7. NMA con perturbación en escalón cada Figura 8. Dual MA con perturbación en escalón
ciclo. Elaboración propia cada ciclo. Elaboración propia
Figura 9. Respuesta Flujo B mediante NMA con Figura 10. Respuesta Temperatura mediante NMA
perturbación cada ciclo. Elaboración propia con perturbación cada ciclo. Elaboración propia
10
Resultados 1 ciclo
Figura 7. NMA con perturbación en escalón cada Figura 8. Dual MA con perturbación en escalón
ciclo. Elaboración propia cada ciclo. Elaboración propia
3 ciclos
Figura 11. NMA con perturbación en escalón cada 3 Figura 12. Dual MA con perturbación en escalón cada 3
ciclos. Elaboración propia ciclos. Elaboración propia
11
Resultados ARIMA 1 ciclo
Figura 13. NMA con perturbación ARIMA cada ciclo. Figura 14. Dual MA con perturbación ARIMA cada
Elaboración propia ciclo. Elaboración propia
Figura 15. Respuesta Flujo B mediante NMA con Figura 16. Respuesta Temperatura mediante NMA
perturbación cada ciclo. Elaboración propia con perturbación cada ciclo. Elaboración propia
12
Resultados ARIMA 1 ciclo
Figura 13. NMA con perturbación ARIMA cada ciclo. Figura 14. Dual MA con perturbación ARIMA cada
Elaboración propia ciclo. Elaboración propia
3 ciclos
Figura 17. NMA con perturbación ARIMA cada 3 Figura 18. Dual MA con perturbación ARIMA cada 3
ciclos. Elaboración propia ciclos. Elaboración propia
13
Resultados
25
20
15
% error Func Obj
10
% error Flujo B
5 % error Temp.
0
Escalón Escalón ARIMA ARIMA Escalón Escalón ARIMA ARIMA
1 ciclo 3 ciclos 1 ciclo 3 ciclos 1 ciclo 3 ciclos 1 ciclo 3 ciclos
NMA Dual MA
Errores en
23 55 18 36 20 51 20 93
Restricciónes
• Nota: La planificación original incluía una fase de validación a escala laboratorio que
no pudo ser realizada.
15
Agradecimientos
• Fondecyt de iniciación 11160203 por los recursos
• Profesor Daniel Navia por guiar este trabajo
• Paulina Quintanilla, Javier Barros, Félix González y Eduardo Gallardo por su
apoyo y ayuda
16
Referencias
• George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel, G. M. L. (2015). Time Series Analysis: Forecasting and Control
(5th ed.).
• Marchetti, A. (2013). A new dual modifier-adaptation approach for iterative process optimization with inaccurate
models. Computers and Chemical Engineering, 59, 89–100. https://doi.org/10.1016/j.compchemeng.2013.03.019
• Marchetti, A., Chachuat, B., & Bonvin, D. (2010). A Dual Modifier-Adaptation Approach for Real-Time Optimization.
Journal of Process Control, 20, 1027–1037.
• Navia, D., Briceño, L., Gutiérrez, G., & De Prada, C. (2015). Modifier-Adaptation Methodology for Real-Time
Optimization Reformulated as a Nested Optimization Problem. Industrial and Engineering Chemistry Research,
54(48), 12054–12071. https://doi.org/10.1021/acs.iecr.5b01946
• Nelder, J. A., & Mead, R. (1965). A Simplex Method for Function Minimization. The Computer Journal, 7(4), 308–313.
https://doi.org/10.1093/comjnl/7.4.308
• Rios, L. M., & Sahinidis, N. V. (2013). Derivative-free optimization: A review of algorithms and comparison of software
implementations. Journal of Global Optimization, 56(3), 1247–1293. https://doi.org/10.1007/s10898-012-9951-y
• The MathWorks Inc. (s. f.). fminsearch Algorithm. Recuperado 20 de agosto de 2016, de
https://la.mathworks.com/help/matlab/math/optimizing-nonlinear-functions.html#bsgpq6p-11
• Zhang, Y., Nadler, D., & Forbes, J. F. (2001). Results analysis for trust constrained real-time optimization. Journal of
Process Control, 11(3), 329–341. https://doi.org/10.1016/S0959-1524(99)00072-4
17
Implementación de Modificación
de Adaptadores Anidada para RTO
bajo efecto de perturbaciones
Cristóbal Mancilla D.
Profesor guía: Dr. Daniel Navia
Universidad Técnica Federico Santa María
24 de Agosto de 2018
ANEXO - Optimización libre de derivada
Algoritmo de Nelder-Mead (Nelder & Mead, 1965)
1. Simplex de n+1 puntos
2. Evaluar los puntos
3. Ordenar de mejor a peor
4. Reemplazo
1. Reflexión (r)
2. Expansión (s)
3. Contracción (c)
4. Encogimiento (cc) e ir a paso 1
5. Reiniciar e ir a paso 2
19
NMA escalon
20
NMA ARIMA
21
Dual MA escalon
22
Dual MA ARIMA
23