Deep Koopman Economic Model Predictive Control of a Pasteurisation Unit

Technische Samenvatting: Deep Koopman Economische Model Predictive Control van een Pasteurisatie-unit

Probleemstelling
De efficiënte exploitatie van thermisch intensieve installaties, zoals pasteurisatie-units (PU), vormt een aanzienlijke uitdaging vanwege de noodzaak om een balans te vinden tussen veiligheid, productkwaliteit, materiaalverlies en energieverbruik. Conventionele besturingsstrategieën vertrouwen vaak op first-principles modellen die moeite hebben met de sterke nonlineariteiten die inherent zijn aan warmteoverdracht en vloeistofdynamica. Hoewel Model Predictive Control (MPC) expliciete beperkingen (constraints) kan afhandelen, vereisen klassieke implementaties doorgaans lineaire predictiemodellen, die hun prestaties verminderen in sterk nietlineaire systemen. Bovendien richt standaard MPC zich op het volgen van referentietrajecten in plaats van op het optimaliseren van economische doelstellingen zoals energie-efficiëntie en materiaalverlies.

Methodologie
Dit artikel stelt een Deep Koopman-gebaseerd Economic Model Predictive Control (EMPC) raamwerk voor, ontworpen voor een laboratoriumschaal pasteurisatie-unit. De methodologie integreert drie kerncomponenten:

1. Deep Koopman Systeemidentificatie: De auteurs maken gebruik van de Koopman-operator Theorie om de nietlineaire systeemdynamica te transformeren naar een lineaire representatie binnen een verhoogde ruimte van observabelen (lifted space). In tegenstelling tot traditionele Extended Dynamic Mode Decomposition (EDMD), die handmatige selectie van kenmerken vereist, gebruikt deze aanpak neurale netwerken om zowel de lifting-functie (encoder) als de Koopman-matrices direct uit experimentele data te leren.

   • Er werden twee modellen getraind: een Deep Koopman-model met een nietlineaire projectie (gebruikt voor hoogwaardige simulatie en validatie) en een Deep Koopman-model met een lineaire projectie (gebruikt voor de MPC-controller).
   • Het lineaire projectiemodel benadert de output-mapping met een lineaire transformatie, wat het gebruik van convexe optimalisatie binnen het MPC-raamwerk mogelijk maakt, terwijl de nauwkeurigheid van deep learning voor systeemidentificatie behouden blijft.

2. Economic Model Predictive Control (EMPC): De besturingsformulering vervangt de standaard kwadratische tracking-doelstelling door een economische kostenfunctie. De doelfunctie minimaliseert expliciet:

   • Energieverbruik: Specifiek het elektrische vermogen van de verwarmingsspiraal.
   • Materiaalverlies: Het bestraffen van scenario's waarbij producttemperaturen onder de veilige pasteurisatielimieten vallen, wat noodzakelijk maakt dat het product wordt weggegooid.
   • Slijtage van actuatoren: Het bestraffen van snelle veranderingen in de besturingsinputs.
   • Schending van beperkingen (Constraint violations): Soft constraints worden geïmplementeerd met behulp van slack-variabelen om haalbaarheid te garanderen tijdens verstoringen (bijv. pompstoringen of de introductie van koude batches).

3. Experimentele Opstelling: Het systeem is een multivariabele PU met drie gemanipuleerde variabelen (stroom van koud medium, stroom van warm medium en verwarmingsvermogen) en drie gecontroleerde outputs (temperaturen bij de houdbuis, de verwarmingstank en de uitlaat van de warmtewisselaar). De modellen werden geïdentificeerd met behulp van experimentele data verzameld van de fysieke installatie en gevalideerd tegen een conventionele N4SID subspace identificatie baseline.

Belangrijkste Bijdragen

• Integratie van Deep Learning en EMPC: Het artikel demonstreert een praktisch raamwerk voor het combineren van deep Koopman-operatoren met economische optimalisatie, waardoor de controle van nietlineaire thermische processen via convexe optimalisatie mogelijk wordt.
• Dual-Model Architectuur: De auteurs maken onderscheid tussen een nietlineair projectiemodel voor een nauwkeurige systeemrepresentatie en een lineair projectiemodel dat specifiek is afgestemd op de beperkingen van lineaire MPC, waarmee de compatibiliteitsproblemen tussen deep learning en convexe solvers worden geadresseerd.
• Economische Kostenformulering: De studie definieert een specifieke economische kostenfunctie voor pasteurisatie die materiaalverlies en energieverbruik in monetaire termen kwantificeert, waarmee verder wordt gegaan dan eenvoudige temperatuurtracking.

Resultaten
Het voorgestelde Deep Koopman EMPC werd numeriek gevalideerd op een nietlineair model van de PU onder externe verstoringen, inclusief een "fail-to-close" scenario van een voedingspomp en de introductie van een koude batch. De resultaten werden vergeleken met een EMPC gebaseerd op de N4SID-baseline:

• Voorspellingsnauwkeurigheid: Het Deep Koopman-model met een nietlineaire projectie bereikte een verbetering van 93% in de Mean Absolute Error (MAE) ten opzichte van N4SID. Het lineaire projectiemodel dat voor de besturing wordt gebruikt, vertoonde nog steeds een verbetering van 45% in MAE ten opzichte van de N4SID-baseline.
• Economische Prestaties: De Deep Koopman EMPC bereikte een reductie van 32% in de totale economische kosten vergeleken met de N4SID-baseline (een verbeteringsfactor van 1,48).
  • Materiaalverlies: Significante reducties werden waargenomen, waarbij de kosten voor materiaalverlies met factoren 3,58 (voor uitlaat T1) en 3,15 (voor uitlaat T3) afnamen.
  • Energieverbruik: De Koopman-gebaseerde controller verminderde de energiekosten met een factor 1,11. In de stationaire fase vereiste het 10,2% minder elektrische energie dan de N4SID-aanpak.
• Constraint Handling: De controller demonstreerde robuustheid in het handhaven van temperaturen boven de veiligheidslimieten tijdens verstoringen, waardoor de noodzaak om producten weg te gooien werd geminimaliseerd.

Betekenis en Claims
Het artikel beweert dat de integratie van deep Koopman-representaties met economische optimalisatie praktische voordelen biedt voor de hulpbron-efficiënte besturing van thermisch intensieve installaties. De primaire betekenis ligt in het aantonen dat data-gedreven lineaire modellen, geleerd via neurale netwerken, conventionele subspace identificatiemethoden kunnen overtreffen in zowel voorspellingsnauwkeurigheid als economische prestaties.

De auteurs benadrukken dat deze aanpak slechts input-output data en standaard kwadratische programmeer-solvers vereist, wat het potentieel voor implementatie in industriële omgevingen maakt zonder de noodzaak voor complexe first-principles modellering. De resultaten onderstrepen dat de Deep Koopman EMPC bijzonder effectief is bij het verminderen van materiaalverspilling en energieverbruik, wat bijdraagt aan kritieke economische en duurzaamheidsdoelstellingen. Toekomstig werk, zoals door de auteurs opgemerkt, zal zich richten op hardware-in-the-loop validatie op de fysieke pasteurisatie-unit.