Surrogate Models for Process and Controller Optimization

Abstract

Desenvolvimentos recentes em ferramentas de simulação de processos químicos baseadas em modelos complexos de primeiros princípios, têm permitido a realização de experiências simuladas avançadas, no âmbito de projeto, otimização e controlo de processos. Estas facilitam a tomada de decisões nestes domínios e permitem a redução da quantidade necessária de experiências físicas no processo, que muitas vezes são impraticáveis pela interferência com a sua operação normal e segura. Deste modo, experiências simuladas permitem elevadas poupanças económicas e ambientais, aumentando a segurança de bens e pessoas. No entanto, apesar do aumento de recursos computacionais, estas simulações continuam a ser morosas. Além disso, os modelos subjacentes a estas podem em alguns casos ser considerados como uma caixa-negra, onde apenas existe acesso a informação de entrada e saída. Estes fatores dificultam o uso destas ferramentas para tarefas como análise de sensibilidade ou otimização. Modelos substitutos baseados em técnicas de aprendizagem de máquina podem oferecer uma aproximação computacionalmente mais leve do modelo subjacente com base em dados de entrada e saída. Nesta dissertação, explora-se o uso de modelos substitutos para duas aplicações relevantes na indústria, Otimização em Tempo Real (OTR) e sintonização de controladores Proporcional-Integral-Derivativo (PID).Na primeira aplicação, foram comparados métodos de Otimização com Base em Modelos Substitutos (OBMS) com e sem uso de derivadas para OTR do reator químico Williams-Otto. Duas abordagens de otimização baseadas em amostragem sequencial, a Otimização Bayesiana (OB) e a Resposta de Superfície Estocástica (RSE), foram comparadas com o uso de diferentes tipos de modelos substitutos e planos de amostragem estáticos. Após a seleção, validação e otimização dos modelos substitutos, todos eles, tal como no caso da OB, permitiram encontrar o ponto ótimo de operação. No entanto, OB provou ser mais eficiente no que toca ao número de avaliações da função objectivo, evitando uma sobre-amostragem e fase extensa de seleção e validação de modelos. Na segunda aplicação, foi proposta uma metodologia baseada em métodos de identificação de sistemas e em OBMS multi-objectivo para sintonização de controladores PID. Esta metodologia é recomendada para ambientes de simulação, permitindo a identificação de limites dos parâmetros do controlador e diferenças de escala entre os diferentes objectivos do problema de otimização. Desta forma, reduz-se o esforço de tentativa e erro na otimização dos parâmetros do controlador. Esta metodologia, em conjunto com a OBMS, constitui uma abordagem eficiente para sintonização controladores PID quer para modelos que requerem simulações numéricas morosas ou modelos de caixa-negra. Neste estudo, um modelo dinâmico de elevada ordem e altamente não linear é usado para comparar a OB e a RSE com abordagens de afinação convencionais em dois controladores PID diferentes. No geral, OB obteve o melhor desempenho. Como esperado de uma abordagem de otimização, este método de sintonização levou a uma melhoria do desempenho do controlador quando comparado com metodologias tradicionais. No entanto, é de salientar que a metodologia proposta é simples e rápida de usar, reduzindo a quantidade de tentativa e erro necessária. Testes de simulação em ciclo fechado demonstraram uma robustez do controlador satisfatória para cenários com alterações nos parâmetros do modelo e perturbações inesperadas. No entanto, o mesmo não se verificou para mudanças nas condições operatórias.

Recent developments in chemical process simulation tools that based on complex first principle models, have enabled the use of more advanced simulated experiments in the fields of process design, optimization and control. These aid the decision making process in these domains and can reduce the amount of physical experiments on the process, which many times are infeasible because they upset normal and safe operation. This way, simulated experiments enable lower economic and environmental costs, increasing people and asset safety. However, despite the advances of computational resources, these simulations remain time consuming. Moreover, their underlying models can sometimes be considered a black-box, with access to only input and output information. Both these factors difficult their use for tasks such as sensitivity analysis or optimization. Machine learning based surrogate models can provide a computationally cheaper approximation of the underlying simulation model based on input and output data. In this dissertation, the use of surrogate models for two industrially relevant applications concerning Real Time Optimization (RTO) and Proportional-Integral-Derivative (PID) controller tuning. In the first application, surrogate-based optimization (SBO) was compared with derivative-based and derivative-free optimization algorithms for RTO of the Williams-Otto chemical reactor. Two approaches based on adaptive sampling, Bayesian Optimization (BO) and Metric Stochastic Response Surface (MSRS) were compared with different model types and static sampling plans. After model selection, validation and optimization, all surrogate models, as well as BO, allowed finding the optimum operating condition. However, BO proved to be more efficient in terms of objective function evaluations, avoiding oversampling and an extensive phase of model selection and validation. In the second application, a methodology relying on system identification and multi-objective SBO was proposed for PID controller tuning. This methodology is applicable for simulation environments, and enables the identification of bounds on the controller parameters and scaling differences between multiple objectives in the optimization problem. This way, the effort associated with trial and error in the optimization of the controller parameters is reduced. In conjunction with surrogate models, this methodology provides an efficient approach for tuning PID controllers for models that require time consuming numerical simulations or black-box models.In this study, a high order and highly non-linear model is used to compare BO and MSRS to standard tuning methods for two different PID controllers. Overall, BO displayed better performance. Although expected of an optimization-based tuning approach, this was accomplished in a highly automatic fashion, being simple and easy to use. Closed-loop simulations tests demonstrated a satisfactory controller robustness for scenarios with changing model parameters and unexpected disturbances. However, the same was not verified for changes in operating conditions.