Non linear model predictive schemes based on neural networks for ethylene oxide recovery unit

Ethylene glycol (EO) demand is growing rapidly in the recent years. The production of EO consists of several different sub units, among which Ethylene-Oxide recovery unit plays a major role in terms of efficiency and productability of the plant. To this end, the estimation and prediction of the dynamic of the process variables are extremely important to enforce efficiency, but it is also a very challenging task, due to the strong depen dency of the performance on disturbances and operating conditions. In this thesis, we tackle the problem to develop and properly tune an equiv alent control-oriented model for the system, i.e. EO recovery unit, under variable operational conditions on both up and down stream units. In particular, we focus on a black box identification technique based on nonlinear autoregressive with exogenous inputs neural networks. For this purpose, a detailed reference model is first developed in Aspen-Plus simulation envi ronment, which is used as data generator. A neural network model of the plant is then trained for an acceptable operating points around normal operating condition. The thesis also proposes an innovative hierarchical neural network model predictive control to tackle the system nonlinearities, to preserve good prediction capabilities of the neural network model and to overcome the practical limitations and operational constraints of the plant. In fact, in the upper level control hierarchy, the trained neural network is fed into a neural network MPC to calculate the optimal control sequences fulfilling the cost functions requirements. In the lower level control hierarchy, the local PI controllers are properly tuned to track perfectly the optimal set points calculated by the neural network MPC. Results definitely showthat the innovative model and control architecture provide fast and accurate performance, where we could obtain up to 7% energy saving, while preserving the same production rate.

La domanda di glicole etilenico e’ in rapida crescita negli ultimi anni. L’impianto di produzione di glicole etilenico e’ costituito da diverse sot tounita’, tra le quali il recuperatore di ossido di etilene (EO) gioca un ruolo di primo piano in termini di efficienza e produttivita’ dell’impianto. A tal fine, la stima e la previsione della dinamica delle variabili di processo sono estremamente importanti per rafforzare l’efficienza, ma e’ anche un com pito molto impegnativo, a causa della forte dipendenza delle prestazioni dai disturbi e dalle condizioni operative. In questa tesi, affrontiamo il problema di sviluppare e mettere a punto un modello orientato al controllo equivalente per il sistema, ovvero dell’unita’ di recupero di ossido di etilene, in condizioni operative variabili su grandezze sia a monte che a valle. In particolare, ci concentriamo su una tecnica di identificazione a scatola nera basata su reti neurali autoregressive non lineari con input esogeni. A tal fine, un modello di riferimento dettagliato viene prima sviluppato nell’ambiente di simulazione Aspen-Plus, che viene utilizzato come gener atore di dati. Un modello basato sulla precedente rete neurale dell’impianto viene quindi addestrato per punti di lavoro accettabili in condizioni opera tive normali. La tesi propone anche un innovativo controllo predittivo ger archico basato sul modello della rete neurale, per affrontare le non linearita’ del sistema, per preservare buone capacita’ di previsione e per superare i limiti pratici e i vincoli operativi dell’impianto. Infatti, nella gerarchia di controllo di livello superiore, la rete neurale addestrata viene utilizzata in una rete neurale MPC, per calcolare le sequenze di controllo ottimali che soddisfano i requisiti delle funzioni di costo. Nella gerarchia di controllo di livello inferiore, i controllori PI locali sono adeguatamente sintonizzati per tracciare perfettamente i set point ottimali calcolati dalla rete neurale MPC. I risultati dimostrano sicuramente che il modello innovativo e l’architettura di controllo forniscono prestazioni rapide e precise, dove e’ stato possibile ottenere un risparmio energetico fino al 7%, mantenendo la stessa velocita’ di produzione.