Model predictive control in manufacturing plants

Over the years manufacturing industries have become more and more demanding due to the complexity of production processes and to tighter rules and regulations. In the global market, enhancing the efficiency and productivity of manufacturing systems is mandatory to maintain high levels of competitiveness. Moreover the energy efficiency of manufacturing production systems is becoming a topic of paramount interest for many reasons, such as the need to minimize the energy consumption of industrial plants, to resize the factory energy supply infrastructures and to limit the CO2 emissions. Among the main issues in these fields, the development of advanced control strategies, such as Model Predictive Control (MPC), has an important role for the solution of many significant problems such as lotsizing, scheduling, packing, inventory, resource allocation, energy efficiency. MPC is a control method nowadays widely used in the process industry in view of its capability of dealing with complex systems. This is due to the possibility with MPC to enable reformulation of control problems in to optimisation ones, which gives the opportunity to explicitly add constraints on the control inputs and the controlled variables. Nevertheless, model predictive controllers are mostly used with continuously varying systems, while they are less frequently applied to discrete-event systems, typical of the manufacturing field. The scarce use of MPC for discrete-event systems can be explained by the fact that they are characterised by integer or Boolean decision variables, so that the use of MPC could lead to large combinatorial optimisation problems to be solved on-line, which is seen as a computational bottleneck. In this thesis, in order to prove the applicability of MPC to control problems typical of manufacturing systems, different industrial applications have been taken into account and the adequacy of MPC in terms of "easy to design and use" and performances has been proven. Firstly, in Chapter 2 the efficient routing of the pallets in networks made by machines and transportation lines is studied in order to avoid bottlenecks, starvation, congestion, and to maximize throughputs. However, the design of optimal routing strategies is difficult due to the combinatorial nature of the problem and the implemented control laws are often based on heuristic logic rules tuned by means of simulation studies. In this scenario, MPC has been applied to a de-manufacturing transport line in which a multi-pallet, dynamic multi-target problem has to be solved. The dynamic system of the transport line has been formulated as a Mixed Logical Dynamical (MLD) system. Then, a performance index has been defined and the optimal control sequence has been recursively computed and applied according to a receding horizon approach. The MPC algorithm developed has been used to control the transport line placed at the Institute of Industrial Technology and Automation - National Research Council (ITIA−CNR). Secondly, in Chapter 3 the problem of optimizing on-line the production scheduling and the buffer management of a multiple-line production plant composed by L machines Mi, i = 1,...,L, which can operate at different speeds corresponding to different energy demands, has been considered. The path from a common source node, where the part to be processed is assumed to be always available, to each machine may differ in the number of buffer nodes and the energy required to move the part along these transportation lines must be suitably considered in the computation of the overall energy consumption. Therefore, the control problem consists of computing, at each sampling instant, the sequence of commands to be applied to the transportation lines and the processing speed of the machines in order to optimize the throughput of the system and to limit the overall energy consumption. In Chapter 4 a laboratory stacker crane, a specific type of Automated Storage / Retrieval System (AS/RS), has been considered. The AS/RS system has been modeled in terms of MLD system and the control problem has been reformulated as an integer linear programming problem. Finally, in order to be able to compute the energy consumption for a manufacturing plant, in Chapter 5 a specific new energy consumption computation method has been defined and validated, named aCtuatorS Methodology (CSM), based on the Discrete Event System (DES) approach for the computation of the energy consumption of discrete systems, i.e. systems where the energy consumption is mainly due to the on/off switching of the actuators governed by the control logic. In order to evaluate the MPC performances in the considered applications, many experiments have been performed. Concerning the de-manufacturing transport line, the experimental results show the very satisfactory behavior of the proposed algorithm when applied both to the discrete event simulation model and to the real system. In the problem related to the multiple-line production plant, the simulation results show that the algorithm is highly flexible and its performance can be easily adapted to obtain different behaviours by means of the tuning of simple and easy-to-understand parameters of the cost function. Moreover, the proposed method allows to cope with dynamic changes of the minimum production and maximum absorbed power and to choose the constraints to be violated in case of infeasibility, features that are very difficult to be achieved with standard scheduling techniques based on the solution of MILP problems or on heuristics. Finally, the laboratory stacker crane example witness the potentialities of this control method also for this class of problems. According to the considered manufacturing applications, future research activity could be respectively aimed at: • customizing the algorithm described in Chapter 2 to production lines with operating machines whose working function settings can be dynamically changed in order to further optimize the production line efficiency; • including constraints on the early production of parts or considering non deterministic behaviours of the machines described in Chapter 3; • improving the modelling phase by reducing the complexity of the AS/RS model considered in Chapter 4 and decreasing the required computation time. The focus hereby should be on the reduction of the number of integer variables, since these determine the complexity of an integer linear programming problem. The current model can easily be extended, e.g. to a form with multiple final storage nodes. Next to these improvements and extensions it would be interesting to compare the MPC method to other control methods such as time instant optimisation MPC and heuristics.

Negli anni le industrie manifatturiere sono diventate sempre più esigenti a causa della complessità dei processi produttivi e delle normative più severe. Nel mercato globale, migliorare l'efficienza e la produttività dei sistemi di produzione è obbligatorio per mantenere elevati livelli di competitività. Inoltre l'efficienza energetica dei sistemi di produzione per la fabbricazione sta diventando un argomento di estremo interesse per molte ragioni, quali la necessità di ridurre al minimo il consumo energetico degli impianti industriali, per ridimensionare le infrastrutture di approvvigionamento di energia fabbrica e limitare le emissioni di CO2. Tra le principali questioni in questi campi, lo sviluppo di strategie di controllo avanzate, come Model Predictive Control (MPC), ha un ruolo importante per la soluzione di molti problemi signicativi quali lotsizing, la schedulazione, l'imballaggio, l'inventario, l'allocazione delle risorse, l’efficienza energetica. MPC è un metodo di controllo oggi ampiamente utilizzato nell'industria di processo in vista della sua capacità di gestione di sistemi complessi. Ciò è dovuto alla possibilità dell’MPC di consentire la riformulazione di problemi di controllo in problemi di ottimizzazione, il che dà la possibilità di aggiungere esplicitamente vincoli sugli ingressi di controllo e variabili controllate. Tuttavia, i controllori predittivi vengono per lo più utilizzati con i sistemi a variabili continue, mentre sono meno frequentemente applicati ai sistemi ad eventi discreti, tipici del settore manifatturiero. Lo scarso utilizzo dell’MPC per sistemi ad eventi discreti può essere spiegato dal fatto che sono caratterizzati da variabili intere o booleane, tali che l'uso dell’MPC potrebbe portare a grandi problemi di ottimizzazione combinatoria da risolvere on-line, che rappresentano un collo di bottiglia computazionale. In questa tesi, al fine di dimostrare l'applicabilità dell’MPC per controllare problemi tipici dei sistemi di produzione, sono state prese in considerazione diverse applicazioni industriali ed è stata dimostrata l'adeguatezza dell’MPC in termini di "facilità di progettazione e utilizzo". In primo luogo, nel capitolo 2, viene studiato l’instradamento efficiente dei pallet nelle reti costituite da macchine e linee di trasporto in modo da evitare colli di bottiglia, mancata alimentazione, congestione e per massimizzare il throughput. Tuttavia, la progettazione di strategie di routing ottimale è difficile, a causa della natura combinatoria del problema e le leggi di controllo messe in atto sono spesso basate su regole logiche euristiche, sintonizzate mediante studi di simulazione. In questo scenario, MPC è stato applicato a una linea di trasporto de-manufacturing in cui un problema multi-pallet, dinamico e multi-target deve essere risolto. Il sistema dinamico della linea di trasporto è stato formulato come un sistema Mixed Logical Dynamical (MLD). Poi, è stata definita una cifra di merito e calcolata la sequenza di controllo ottimale in modo ricorsivo, e applicata secondo un approccio orizzonte predittivo. L'algoritmo MPC sviluppato è stato utilizzato per il controllo della linea di trasporto collocato presso l'Istituto di Tecnologie Industriali e Automazione - Consiglio Nazionale delle Ricerche (ITIA-CNR). In secondo luogo, nel Capitolo 3, è stato considerato il problema di ottimizzare on-line la programmazione della produzione e la gestione di buffer di un impianto di produzione a più linee composto da L macchine Mi, i = 1, ..., L, che può funzionare a velocità diverse corrispondenti a diverse esigenze di energia. Il percorso da un nodo sorgente comune, in cui le parti da lavorare vengono considerate sempre disponibili, a ogni macchina, può variare nel numero di nodi buffer, nonchè l'energia necessaria per spostare la parte lungo queste linee di trasporto, fattori che devono essere opportunamente considerati nel calcolo del consumo energetico complessivo. Pertanto, il problema di controllo consiste nel calcolo, in ogni istante di campionamento, della sequenza di comandi da applicare alle linee di trasporto nonchè la velocità di elaborazione delle macchine, al fine di ottimizzare il rendimento del sistema e di limitare il consumo energetico complessivo. Nel capitolo 4 è stato considerato un sistema di stoccaggio, uno specifico tipo di Automated Storage / Retrieval System (AS / RS). Il sistema RS / AS è stato modellato in termini di sistema MLD e il problema di controllo è stato riformulato come un problema di programmazione intera lineare. Infine, al fine di poter calcolare il consumo di energia per un impianto di produzione, nel Capitolo 5 è stato definito e validato un nuovo specifico metodo di calcolo per il consumo di energia, denominato aCtuatorS Methodology (CSM), basato su sistemi a eventi discreti, ossia sistemi in cui il consumo di energia è principalmente dovuto alla accensione / spegnimento degli attuatori governati dalla logica di controllo. Per valutare le prestazioni dell’MPC nelle applicazioni considerate, sono stati effettuati molti esperimenti. Per quanto riguarda la linea di trasporto de-manufacturing, i risultati sperimentali mostrano il comportamento molto soddisfacente dell'algoritmo proposto, quando applicato sia al modello di simulazione a eventi discreti che al sistema reale. Nel problema relativo all'impianto di produzione a più linee, i risultati della simulazione indicano che l'algoritmo è altamente flessibili e le sue prestazioni possono essere facilmente adattate per avere comportamenti differenti mediante la messa a punto dei parametri della funzione di costo. Inoltre, il metodo proposto consente di far fronte a cambiamenti dinamici della produzione minima e massima e della potenza assorbita nonchè di scegliere i vincoli da violare in caso di infeasibility, caratteristiche che sono molto difficili da raggiungere con le tecniche di pianificazione standard basate sulla soluzione di problemi MILP o su euristiche. Infine, l'esempio del magazzino testimonia le potenzialità di questo metodo di controllo anche per questa classe di problemi. Secondo le applicazioni considerate, future attività di ricerca potrebbero essere rispettivamente: • personalizzare l'algoritmo descritto nel Capitolo 2 per le linee di produzione con l'uso di macchinari le cui impostazioni di lavoro possono essere modificate in modo dinamico, al fine di ottimizzare ulteriormente l’efficienza della linea di produzione; • includere vincoli sulla produzione di parti o considerare i comportamenti non deterministici delle macchine descritte nel C3; • migliorare la fase di modellazione, riducendo la complessità del modello RS / AS considerato nel Capitolo 4 e diminuendo il tempo di calcolo richiesto. L'attenzione dovrebbe essere presente sulla riduzione del numero di variabili intere, poiché esse determinano la complessità di un problema di programmazione lineare intero. Il modello attuale può essere facilmente esteso, ad esempio ad un modulo con i nodi di storage finale multipla. Accanto a questi miglioramenti ed estensioni, sarebbe interessante confrontare il metodo MPC con altri metodi di controllo, quali time instant optimisation MPC ed euristiche.