Deep Koopman Economic Model Predictive Control of a Pasteurisation Unit

Sintesi Tecnica: Controllo Predittivo del Modello Economico Deep Koopman di un'Unità di Pastorizzazione

Definizione del Problema
L'operazione efficiente di impianti ad alta intensità termica, come le unità di pastorizzazione (PU), presenta una sfida significativa a causa della necessità di bilanciare sicurezza, qualità del prodotto, spreco di materiale e consumo energetico. Le strategie di controllo convenzionali spesso si affidano a modelli basati su primi principi che faticano a gestire le forti non linearità intrinseche nel trasferimento di calore e nella dinamica dei fluidi. Sebbene il Controllo Predittivo del Modello (MPC) offra una gestione esplicita dei vincoli, le implementazioni classiche richiedono tipicamente modelli di predizione lineari, che degradano le prestazioni in sistemi altamente non lineari. Inoltre, lo standard MPC si concentra sul tracciamento di traiettorie di riferimento piuttosto che sull'ottimizzazione di obiettivi economici come l'efficienza energetica e la perdita di materiale.

Metodologia
Questo articolo propone un framework di Controllo Predittivo del Modello Economico (EMPC) basato su Deep Koopman, progettato per un'unità di pastorizzazione su scala di laboratorio. La metodologia integra tre componenti fondamentali:

1. Identificazione del Sistema Deep Koopman: Gli autori utilizzano la teoria dell'operatore di Koopman per trasformare la dinamica non lineare del sistema in una rappresentazione lineare in uno spazio elevato di osservabili. A differenza della tradizionale estensione della scomposizione dei modi dinamici (EDMD), che richiede una selezione manuale delle caratteristiche, questo approccio impiega reti neurali per apprendere direttamente dai dati sperimentali sia la funzione di lifting (encoder) che le matrici di Koopman.

   • Sono stati addestrati due modelli: un modello Deep Koopman con proiezione non lineare (utilizzato per la simulazione ad alta fedeltà e la validazione) e un modello Deep Koopman con proiezione lineare (utilizzato per il controllore MPC).
   • Il modello a proiezione lineare approssima la mappatura di output con una trasformazione lineare, consentendo l'uso dell'ottimizzazione convessa all'interno del framework MPC pur mantenendo l'accuratezza del deep learning per l'identificazione del sistema.

2. Controllo Predittivo del Modello Economico (EMPC): La formulazione del controllo sostituisce l'obiettivo standard di tracciamento quadratico con una funzione di costo economica. La funzione obiettivo minimizza esplicitamente:

   • Consumo energetico: Nello specifico, la potenza elettrica della spirale di riscaldamento.
   • Perdite di materiale: Penalizzando gli scenari in cui le temperature del prodotto scendono al di sotto dei limiti di sicurezza della pastorizzazione, rendendo necessario lo scarto del prodotto.
   • Usura degli attuatori: Penalizzando i cambiamenti rapidi negli input di controllo.
   • Violazioni dei vincoli: I vincoli soft sono implementati utilizzando variabili di slack per garantire la fattibilità durante le perturbazioni (ad esempio, guasti alle pompe o introduzione di lotti freddi).

3. Configurazione Sperimentale: Il sistema è una PU multivariabile con tre variabili manipolate (flusso del mezzo freddo, flusso del mezzo caldo e potenza del riscaldatore) e tre output controllati (temperature al tubo di mantenimento, al serbatoio di riscaldamento e all'uscita dello scambiatore di calore). I modelli sono stati identificati utilizzando dati sperimentali raccolti dal impianto fisico e validati rispetto a una baseline convenzionale di identificazione di sottospazio N4SID.

Contributi Chiave

• Integrazione di Deep Learning ed EMPC: L'articolo dimostra un framework pratico per combinare gli operatori Deep Koopman con l'ottimizzazione economica, permettendo il controllo di processi termici non lineari tramite ottimizzazione convessa.
• Architettura a Doppio Modello: Gli autori distinguono tra un modello a proiezione non lineare per una rappresentazione accurata del sistema e un modello a proiezione lineare specificamente adattato ai vincoli di un MPC lineare, affrontando i problemi di compatibilità tra deep learning e solver convessi.
• Formulazione del Costo Economico: Lo studio definisce una specifica funzione di costo economico per la pastorizzazione che quantifica la perdita di materiale e il consumo energetico in termini monetari, andando oltre il semplice tracciamento della temperatura.

Risultati
Il Deep Koopman EMPC proposto è stato validato numericamente su un modello non lineare della PU sotto perturbazioni esterne, inclusi uno scenario di "guasto alla chiusura" della pompa di alimentazione e l'introduzione di un lotto freddo. I risultati sono stati confrontati con un EMPC basato sulla baseline N4SID:

• Accuratezza della Predizione: Il modello Deep Koopman con proiezione non lineare ha ottenuto un miglioramento del 93% nell'Errore Assoluto Medio (MAE) rispetto a N4SID. Il modello a proiezione lineare utilizzato per il controllo ha comunque mostrato un miglioramento del 45% nel MAE rispetto alla baseline N4SID.
• Performance Economica: Il Deep Koopman EMPC ha ottenuto una riduzione del 32% del costo economico totale rispetto alla baseline N4SID (un fattore di miglioramento di 1,48).
  • Perdita di Materiale: Sono state osservate riduzioni significative, con i costi di perdita di materiale che sono diminuiti di fattori di 3,58 (per l'uscita T1) e 3,15 (per l'uscita T3).
  • Consumo Energetico: Il controllore basato su Koopman ha ridotto i costi energetici di un fattore di 1,11. In regime stazionario, ha richiesto il 10,2% di energia elettrica in meno rispetto all'approccio N4SID.
  • Gestione dei Vincoli: Il controllore ha dimostrato robustezza nel mantenere le temperature sopra i limiti di sicurezza durante le perturbazioni, minimizzando la necessità di scarto del prodotto.

Significatività e Rivendicazioni
L'articolo sostiene che l'integrazione di rappresentazioni Deep Koopman con l'ottimizzazione economica offre vantaggi pratici per il controllo efficiente delle risorse in impianti ad alta intensità termica. La principale significatività risiede nel dimostrare che i modelli lineari basati sui dati, appresi tramite reti neurali, possono superare i metodi convenzionali di identificazione di sottospazio sia in termini di accuratezza della predizione che di performance economica.

Gli autori sottolineano che questo approccio richiede solo dati di input-output e solver di programmazione quadratica standard, rendendolo potenzialmente implementabile in contesti industriali senza la necessità di complessi modelli basati su primi principi. I risultati evidenziano che il Deep Koopman EMPC è particolarmente efficace nel ridurre lo spreco di materiale e il consumo energetico, affrontando obiettivi economici e di sostenibilità critici. Il lavoro futuro, come notato dagli autori, si concentrerà sulla validazione hardware-in-the-loop sull'unità di pastorizzazione fisica.