عنوان پایان‌نامه
مدیریت حسگرهای مجازی و فیزیکی در کنترل فرایند با رویکرد کنترل توجه
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E2007;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 51227;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2007
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۰
- دانشجو
- حامد جلالی بیدگلی
- استاد راهنما
- مجید نیلی احمدآبادی
- چکیده
- تولید محصول با کیفیت مطلوب و حداقل هزینه، یکی از مهم‌ترین اهداف تجاری فعالیت‌های صنعتی است. برای حفظ کیفیت و نظارت بر عملکرد فرایند‌های شیمیایی و صنعتی، می‌توان از حلقه‌های کنترل و حسگرها استفاده نمود. گاهی به علت قیمت بالای حسگرها و یا در اختیار نداشتن حسگر مناسب، استفاده‌ی دائمی از حسگر مقدور نمی‌باشد و یا در برخی موارد مانند آنالیزگرها، برای کنترل چندین حلقه، تنها از یک حسگر استفاده می‌شود. یکی از رویکرد‌های متداول در حل این مساله، استفاده از حسگرهای نرم به جای حسگرهای سخت است. حسگر نرم، مدلی از سیستم اصلی است که با توجه به ورودی‌ها، خروجی سیستم را تخمین می‌زند. همواره تخمین با خطا همراه است و خطای تخمین، می‌تواند بازدهی عملکرد حلقه‌ی کنترلی را کاهش دهد. در مواردی که بازدهی عملکرد حلقه بیش از حد کاهش یابد، باید از حسگر سخت استفاده نمود. یک رویکرد مناسب برای کاهش هزینه و خطا، استفاده از تعداد محدودی حسگر سخت در کنار تعداد بیشتری از حسگرهای نرم است. بنابراین لازم است در هر شرایطی، دانشی از این‌که حسگرهای سخت موجود، در کدامین حلقه(ها) باید جایگزین حسگر(های) نرم شود، بدست آورد. لذا، مناسب است که بهینه‌سازی بین هزینه و کیفیت محصول صورت گیرد. معیارهایی نظیر اهمیت حسگر در فرایند کنترل، ورودی و خروجی فرایند، زمان سپری شده در استفاده از حسگر و ارزش محصول، در امر بهینه‌سازی مورد توجه قرار می‌گیرند.
- Abstract
- High quality production, with minimum cost, is one of the most important goals of chemical industries. Loop controls and sensors are used to control quality and monitoring of chemical process operations to achieve that goal. However, utilization of sensors may not be available constantly, due to high price, lack of suitable sensors, or usage of one sensor in multi loop; i.e. analyzers. One common solution of this problem is using soft sensors, instead of hard sensors. Soft sensor is a model of main system that estimates the output of system corresponding to the measured data. However, estimation usually has errors, which results in performance reduction of loop control. If loop performance is reduced too much, hard sensor should be used. To reduce cost and error, a limited number of hard sensors can be used besides a set of soft sensors. In this case, we face a problem which it’s necessary to know the schedule of replacing soft sensors of control loop by available hard sensor. In such condition, problem is an optimization between cost and quality of products which is affected by many factors; i.e. importance of sensor in control process, process inputs and outputs, elapsed time using soft sensor, products value and so on. So, main problem is appropriate and reasonable devoting of hard sensors for loop controls. Main application of it is in industries which require some number of same hard sensors, but less numbers are available. In mentioned problem, perfect model of system and its constraints are not available, so it cannot be optimized by model based methods. To solve expressed problem, Option Reinforcement Learning approach is proposed. Reinforcement learning is an online, guided trial and test, model-free optimization method. In this thesis, first, learning space is created similar to soft sensor model. Then, by definition of a rewarding criterion, it’s learned that how much estimation of each soft sensor is reliable in any conditions, according to estimation and tracking error, and so in which conditions, hard sensor should be replaced. After learning, an attention based method is proposed for deciding to devote available hard sensor, especially when some number of soft sensor and one hard sensor is available. Finally, the proposed approach is simulated on nonlinear stirred tank heater benchmark to investigate performance. The results show that by using RL approach, optimized decision can be learned in each condition, as well as reducing cost and error. The applied soft sensor is linearized model of benchmark. Also, noise and measurable disturbance is considered in the model. Keywords: Soft Sensor – ReinforceMent Learning – Optimazation – Attention Control
