CONTROL ADAPTATIVO PARA ARRANQUE DE GENERADORES DE VAPOR MEDIANTE REDES NEURONALES DINÁMICAS

Aguirre, Miguel

El Ing. Miguel Aguirre León es Ingeniero de Automatización en la Planta de Briquetas de la CVG Ferrominera Orinoco, Zona Industrial, Ciudad Guayana, Venezuela, teléfono 0286-9305368, correos electrónicos miguelaguirreleon@gmail.com  y miguelaal@ferrominera.com

Resumen:

En este documento se describe el modelado y el control adaptativo mediante redes neuronales auto-recurrentes para arranque de un generador de vapor, con el fin de disminuir el tiempo de arranque y minimizar las variaciones y fallas por ajuste manual de las variables involucradas en este proceso. La variable de proceso a controlar para el arranque, es principalmente la temperatura, además se controla el oxigeno para garantizar la máxima eficiencia de la combustión en los quemadores. Ambas se controlan mediante la manipulación de la relación gas natural/aire de combustión. Los datos de entrenamiento son empíricos del proceso y son medidos cada 2 minutos. La simulación del proceso y del controlador se realizó en MATLAB. Las acciones de control resultantes concuerdan con un arranque normal del generador de vapor.

Palabras clave: Control adaptativo/ Redes neuronales/ Generadores de vapor.

STEAM GENERATORS START-UP BY MEANS OF AN ADAPTIVE CONTROL AND DYNAMIC NEURAL NETWORKS

Abstract:

In this document it will be explain the modeling and adaptive control by means of auto-recurrent neural networks for steam generators start-up with the purpose of obtain a minimum in the start-up time, the variance and the failures for manual settings of the process variables. The primary start-up process variable to control is the temperature, but in addition will be control the oxygen for guarantee the maximum performance of the burner combustion. Both variables were controlled setting the relation between the natural gas and combustion air. The training data are empiric of the process and it was sampled every 2 minutes. The process and controller simulation was realized in MATLAB. The controller actions obtained in the simulations had concordance with a normal start up of the steam generator.

Keywords: Adaptive Control/ Neural Networks/ Steam Generators

Manuscrito finalizado en Ciudad Guayana, Venezuela, el 2009/12/01, recibido el 2009/01/23, en su forma final (aceptado) el 2009/02/18.

.

I. INTRODUCCIÓN

Uno de los principales problemas de los generadores de vapor representa el proceso de arranque. Este proceso comprende desde la activación de quemadores hasta la alineación del generador de vapor al cabezal. Durante este proceso, el operador debe ir incrementando lentamente la temperatura basándose en una curva predefinida de calentamiento que permite que el impacto térmico en los tubos del generador de vapor sea menor. En la Figura No.1 se muestra una curva de calentamiento proporcionada por el fabricante de un generador de vapor, en el cual se observa que el calentamiento sugerido es de 48 horas partiendo de la caldera en frío.

En la Figura 2 se observa una curva registrada de calentamiento del generador de vapor antes mencionado. La caída abrupta de temperatura representa el apagado de uno de los dos quemadores instalados por falla de proceso de arranque.

El presente trabajo es el diseño de un controlador adaptativo que manipule el aire de combustión y el gas natural a los quemadores del generador de vapor, tomando como referencia principal del sistema de control la temperatura y como referencia secundaria el oxígeno resultado de la combustión. El sistema es adaptativo a los cambios en el sistema ejerciendo acciones de control dinámicas al sistema. El diseño de controlador se realizó mediante un software de simulación matemática MATLAB.

La estrategia utilizada es las redes neuronales que permiten un modelado tipo “caja negra” en los cuales no necesariamente se necesita conocer la función de transferencia de la planta. Esta estrategia permitiría mediante un algoritmo pequeño y sencillo, implementar un control adaptativo en cualquier microcontrolador o un sistema de tipo VHDL. Este trabajo toma como muestra de estudio el generador de vapor BF-6001 ubicado en Planta de Briquetas CVG Ferrominera Orinoco y la cantidad de muestras será 3 arranques del generador de vapor para hallar el modelo. La recolección de datos se realizará con 2 minutos por muestra con el fin de obtener la mayor cantidad de información posible del arranque. El documento está estructurado mediante un marco teórico, desarrollo, conclusiones y referencias. El marco teórico está subdividido entre un marco referencial y un marco conceptual. El desarrollo se divide primero explicando el algoritmo de control adaptativo y como está estructurado, después se explica en el diseño del sistema de control cómo se estructuró cada uno de sus elementos, a continuación se expresan los resultados de las simulación. De último se presentan las conclusiones y las referencias.

II. DESARROLLO

1. Marco teórico

1.1. Marco referencial

En el diseño de un controlador predictivo inteligente multivariable para el arranque de generadores de vapor en planta de briquetas Ferrominera Orinoco, se revisaron los trabajos escritos de modelación de procesos, control avanzado y redes neuronales. En 2003, Dionisio. A. Suárez C, José Antonio Ruz H, Evgen Shelomov y Agustín Quintero R., desarrollaron un control predictivo multivariable para la generación de Ayudas en el arranque del generador de vapor de una unidad termoeléctrica, basado en redes neuronales para centrales termo eléctricas mexicanas. El fin de trabajo fue poner una referencia de ajuste al operador mas no hacer control directo de las variables. Las variables de control son flujo de combustible y apertura del drenaje de vapor que son automáticos. Las variables a controlar son la temperatura y presión de vapor. En 2002, Edgar N. Sánchez, Moisés Moheno, Dionisio A. Suárez, Agustín Quintero [5.2], diseñaron un arranque de una caldera de una planta termo-eléctrica usando modelado difuso TAKAGI-SUGENO. La estructura de control es la misma que la anterior, sin embargo la metodología utilizado es la lógica difusa.

1.2 marco conceptual

1.2.1 Red Neuronal Auto-recurrente NNARX [5.10]

Las redes Neuronales NNARX son redes auto-recurrentes en las cuales su vector de entrada es una combinación de las entradas y salidas anteriores. Una red NNARX con orden de entrada p y orden de salida q viene dado por la ecuación (1) que señala que una red NNARX es función de las entradas, de las demoras de las entradas, y de los retardos de las salidas.

1.2.2 Control IMC [5.11]

El control de modelo interno (IMC) parte de que el control puede ser alcanzado sólo si el sistema de control, sea explicito o implícito, es alguna representación del proceso a ser controlado. En particular el esquema ha sido desarrollado de un modelo exacto del proceso. El control perfecto, si el controlador es el modelo inverso de la planta, entonces la salida será igual al setpoint. En la práctica sin embargo la discordancia del modelo del controlador es común. El modelo del proceso puede no ser invertible y el sistema es muy afectado por perturbaciones desconocidas. Entonces el modelo abierto no es factible para mantener el setpoint. Sin embargo la estrategia de control IMC como se describe en la Figura 3 es capaz de resolver el problema de las perturbaciones, donde el observador es el modelo directo de la planta y el controlador es el modelo inverso. La medida de las perturbaciones se mide en la realimentación.

2. Algoritmo de control

El algoritmo de control diseñado está basado en el esquema presentado en la Figura No.3:

 

Este esquema corresponde con un control por modelo interno IMC donde el controlador y el observador son entrenados fuera de línea con datos empíricos de la planta y son adaptados con datos en línea. El observador corresponderá con el modelo neuronal directo de la planta y el controlador con el modelo neuronal inverso de la planta. El observador es una red Neuronal tipo NNARX, cuya salida es función de sus auto-regresores, tal como se muestra en la ecuación (2):

 

3. Diseño del controlador

El observador se diseñó utilizando los datos empíricos de tres arranques del generador de vapor utilizado como muestra mediante la siguiente estructura. El vector de entrada observador está dado por la ecuación (8) que representa una red NNARX

La Figura 4 ilustra el observador diseñado mediante una red neuronal de 6 neuronas en la capa de entrada, 4 neuronas en la capa escondida y 4 neuronas en la capa de salida. La función de activación en todas las capas es lineal. El sistema de control IMC se diseñó mediante la siguiente estructura mostrada en la ecuación (10):

La estructura de la red diseñada es de la siguiente manera:

Este esquema de la Figura N.5 representa una red neuronal de 6 neuronas en la capa de entrada, 4 neuronas en la capa escondida y 2 neuronas en la capa de salida. La función de activación en todas las capas es igualmente lineal.

El entrenamiento de cada red se hace fuera de línea mediante la regla Levenberg-Marquardt (trainlm) y la herramienta nntool de MATLAB [5.9]. Las redes se entrenan off-line por 1000 épocas, utilizando en todas las redes el error cuadrático medio (MSE) como método de estimación de eficiencia. El criterio de selección de cantidad de capas, neuronas y función de activación se hizo con el criterio de obtener la mejor generalización entre los tres arranques, considerando que el menor número de neuronas y capas harán que las redes puedan ser de implementación más factible en cualquier sistema micro-controlado y además proveerán la mejor generalización. El MSE del observador durante el entrenamiento es de 6.3183 y del controlador entrenado off-line es de 239.87. Los rangos de entrenamiento de los datos utilizados se pueden ver en la Tabla número I:

4. Resultados - Discusión El observador se simula con los datos de un arranque del generador de vapor del 12 de septiembre de 2008 desde las 16:06:57 utilizando 900 datos muestreados cada 2 min. (Ver Figura 6)

 

El observador demuestra adaptarse a cambios de proceso mediante el algoritmo de aprendizaje y mediante las entradas pasadas del proceso. Esto se puede evidenciar en la Figura 8 donde se muestra el error porcentual de cada salida y en la Figura 7 donde se muestra el error cuadrático general de la red.

El sistema de control adaptativo se simuló mediante una planta (creada con una red neuronal) basada en la información del proceso como una aproximación de ella. Esta red será más sencilla que el observador ya que es creada sólo con fines de simulación. El vector de entrada del modelo de simulación es el mostrado en la ecuación (12):

Y el vector de salida será el ilustrado en la ecuación (13) siguiente: Ecuación (13) 126

En la Figura No.9 se ilustra una red neuronal de 4 neuronas en la capa de entrada, 5 neuronas en la capa escondida y 4 neuronas en la capa de salida. La función de activación en todas las capas es igualmente lineal.

Los resultados de la simulación a lazo cerrado del sistema realimentado adaptándose a los cambios de proceso es el ilustrado en la Figura 10. (La estructura es la ilustrada en la Figura No3)

III. CONCLUSIONES

1 El sistema de control adaptativo basado en un control neuronal IMC [5.11] arrojó resultados satisfactorios en simulación, donde se observa la controlabilidad y su estructura.

2 Es posible la implementación de la estructura para un sistema micro-controlado para su desempeño en la etapa de calentamiento y presurización del generador de vapor.

3 La acción de control representa resultados concordantes con un arranque normal del generador de vapor.

4 Este sistema representa una optimización del arranque, que se adaptará a cambios en la dinámica del generador y no requiere continuo reentrenamiento de los parámetros de control por cambios en el proceso.

IV. BIBLIOGRAFÍA

1) Suárez, D. A. et al., Control Predictivo Inteligente Multivariable Para la Generaciónd de Ayudas en el Arranque del Generador de Vapor de una Unidad Termoeléctrica. [Reporte de investigación en línea] Universidad Autónoma del Carmen, Facultad de Ingeniería. México. Disponible en: www.iie.org.mx/automatiza/art/1.pdf  [12/10/2008]         [ Links ]

2) Sánchez, E. N. et al., Arranque de Caldera de una Planta Termo-Eléctrica Usando Modelado Difuso Takagi- Sugeno. [Reporte de investigación en línea] Instituto de Investigaciones Eléctricas (IIE), Gerencia de Supervisión de Procesos. México. Disponible en: www.iie.org.mx/automatiza/art/4.pdf   [12/10/2008]         [ Links ]

3) Halauca, C., Lazar C., Mirea L., Modeling and Simulation of a Power Plant Drum Boiler. [Reporte de investigación en línea] Presentado por Mihail Voicu, miembro de la Academia Romana, en la sesión de Información, Ciencia y Tecnología, Enero 29, 2007. www.ear.ro/3brevist/rv7/art15copie.pdf  [22/11/2008]         [ Links ]

4) Rodríguez Borroto, M.A. et al., Control Predictivo Basado en Predoctores Borrosos. [Reporte de investigación en línea] Revista DYNA Universidad Nacional de Colombia Sede Medellín. Disponible en: http://www.scielo.org.co/scielo.php?pid=S0012-7353 2007000300034script=sci_arttext [26/10/2008]         [ Links ]

5) Annaswamy A.M., Ghoniem A.F., [2002] Active Control of combustion instability: Theory and Practice [documento 01077784.pdf]. [Reporte de investigación en línea] Disponible en: IEEE Control Systems Magazine. www.ieeexplore.ieee.org  [12/10/2008]         [ Links ]

6) Herget, Ch. J. y Park, Ch.U., Parameter Identification and Verification of Low Order Boiler Models. IEEE Transactions on Power Apparatus and Systems, Vol. PAS-95, no. 4, July/August 1976 [Reporte de investigación en línea] [Documento 01601810.pdf]. www.ieeexplore.ieee.org  [13/10/2008]         [ Links ]

7) Thompson, F.T., [1966]. A Dynamic Model of a Drum- Type Boiler System. IEEE Transactions on power apparatus and systems VOL. PAS-86, No. 5 may 1967 [Reporte de investigación en línea] [Documento: 04073325m.pdf]. Disponible en: www.ieeexplore.ieee.org  [13/10/2008]         [ Links ]

8) Ito, F., et al., [1984], A Combustion Monitoring and Evaluation System for Large Utility Boilers. [Reporte de investigacion en linea] IEEE Transactions on Power Apparatus and Systems, Vol. PAS-103, No. 5, May 1984. [Documento 04112609.pdf] Disponible en:  www.ieeexplore.ieee.org   [13/10/2008]         [ Links ]

9) Demuth, H., Beale, M., Hagan. M., Neural Network toolbox tm 6 user’s guide [Ayuda pdf del toolbox MATLAB MathWorks] [1992-2008] [10/10/2008]         [ Links ]

10) Pérez Ortiz, J.A., . Modelos predictivos basados en redes neuronales recurrentes de tiempo discreto. Tesis doctoral. Julio de 2002.Universidad de Alicante. Departamento de Lenguaje y sistemas informáticos. Disponible en: www.dlsi.ua.es/~japerez/pub/pdf/tesi2002.pdf  [4/12/2008].         [ Links ]

11) Tham., M.T., Part of a set of lectures notes on introduction to Robust Control. Chemical and Process Engineering. University of Newcastle upon tyne. 2002 Disponible en: http://lorien.ncl.ac.uk/ming/robust/imc.pdf  [5/1/2009]        [ Links ]