Deep Koopman Economic Model Predictive Control of a Pasteurisation Unit

Resumo Técnico: Controle Preditivo Econômico de Koopman Profundo de uma Unidade de Pasteurização

Definição do Problema
A operação eficiente de plantas com alta intensidade térmica, como unidades de pasteurização (UP), apresenta um desafio significativo devido à necessidade de equilibrar segurança, qualidade do produto, desperdício de material e consumo de energia. Estratégias de controle convencionais frequentemente dependem de modelos baseados em princípios físicos que lutam para lidar com as fortes não linearidades inerentes à transferência de calor e à dinâmica de fluidos. Embora o Controle Preditivo Baseado em Modelo (MPC) ofereça tratamento explícito de restrições, as implementações clássicas tipicamente exigem modelos de predição lineares, que degradam o desempenho em sistemas altamente não lineares. Além disso, o MPC padrão foca no rastreamento de trajetórias de referência em vez de otimizar objetivos econômicos, como eficiência energética e perda de material.

Metodologia
Este artigo propõe uma estrutura de Controle Preditivo Econômico (EMPC) baseada em Deep Koopman para uma unidade de pasteurização em escala laboratorial. A metodologia integra três componentes principais:

1. Identificação de Sistema via Deep Koopman: Os autores utilizam a teoria do operador de Koopman para transformar a dinâmica não linear do sistema em uma representação linear em um espaço elevado de observáveis. Diferente da Decomposição de Modos Dinâmicos Estendida (EDMD) tradicional, que exige seleção manual de características, esta abordagem utiliza redes neurais para aprender tanto a função de elevação (encoder) quanto as matrizes de Koopman diretamente a partir de dados experimentais.

   • Dois modelos foram treinados: um modelo Deep Koopman com projeção não linear (usado para simulação de alta fidelidade e validação) e um modelo Deep Koopman com projeção linear (usado para o controlador MPC).
   • O modelo de projeção linear aproxima o mapeamento de saída com uma transformação linear, permitendo o uso de otimização convexa dentro da estrutura do MPC, mantendo a precisidade do aprendizado profundo para a identificação do sistema.

2. Controle Preditivo Econômico (EMPC): A formulação de controle substitui o objetivo padrão de rastreamento quadrático por uma função de custo econômico. A função objetivo minimiza explicitamente:

   • Consumo de energia: Especificamente a potência elétrica da espiral de aquecimento.
   • Perdas de material: Penalizando cenários onde as temperaturas do produto caem abaixo dos limites seguros de pasteurização, o que exige o descarte do produto.
   • Desgaste de atuadores: Penalizando mudanças rápidas nos inputs de controle.
   • Violações de restrições: Restrições suaves (soft constraints) são implementadas usando variáveis de folga (slack variables) para garantir a viabilidade durante distúrbios (ex: falhas de bomba ou introdução de lotes frios).

3. Configuração Experimental: O sistema é uma UP multivariável com três variáveis manipuladas (fluxo do meio frio, fluxo do meio quente e potência do aquecedor) e três saídas controladas (temperaturas no tubo de retenção, tanque de aquecimento e saída do trocador de calor). Os modelos foram identificados usando dados experimentais coletados da planta física e validados contra uma linha de base convencional de identificação de subespaço N4SID.

Principais Contribuições

• Integração de Deep Learning e EMPC: O artigo demonstra uma estrutura prática para combinar operadores de Koopman profundos com otimização econômica, permitindo o controle de processos térmicos não lineares via otimização convexa.
• Arquitetura de Modelo Duplo: Os autores distinguem um modelo de projeção não linear para representação precisa do sistema e um modelo de projeção linear especificamente adaptado para as restrições de um MPC linear, abordando os problemas de compatibilidade entre aprendizado profundo e solvers convexos.
• Formulação de Custo Econômico: O estudo define uma função de custo econômico específica para a pasteurização que quantifica a perda de material e o consumo de energia em termos monetários, indo além do simples rastreamento de temperatura.

Resultados
O Deep Koopman EMPC proposto foi validado numericamente em um modelo não linear da UP sob distúrbios externos, incluindo um cenário de "falha ao fechar" da bomba de alimentação e a introdução de um lote frio. Os resultados foram comparados contra um EMPC baseado na linha de base N4SID:

• Precisão de Predição: O modelo Deep Koopman com projeção não linear alcançou uma melhoria de 93% no Erro Médio Absoluto (MAE) sobre o N4SID. O modelo de projeção linear usado para controle ainda mostrou uma melhoria de 45% no MAE em relação à linha de base N4SID.
• Desempenho Econômico: O Deep Koopman EMPC alcançou uma redução de 32% no custo econômico total em comparação com a linha de base N4SID (um fator de melhoria de 1,48).
  • Perda de Material: Reduções significativas foram observadas, com os custos de perda de material diminuindo por fatores de 3,58 (para T1 de saída) e 3,15 (para T3 de saída).
  • Consumo de Energia: O controlador baseado em Koopman reduziu os custos de energia por um fator de 1,11. Em operação de estado estacionário, ele exigiu 10,2% menos energia elétrica do que a abordagem N4SID.
  • Tratamento de Restrições: O controlador demonstrou robustez em manter as temperaturas acima dos limites de segurança durante distúrbios, minimizando a necessidade de descarte de produto.

Significância e Alegações
O artigo alega que integrar representações de Koopman profundo com otimização econômica oferece vantagens práticas para o controle de recursos em plantas de alta intensidade térmica. A principal significância reside em demonstrar que modelos lineares baseados em dados, aprendidos via redes neurais, podem superar os métodos convencionais de identificação de subespaço tanto em precisão de predição quanto em desempenho econômico.

Os autores enfatizam que esta abordagem requer apenas dados de entrada-saída e solvers de programação quadrática padrão, tornando-a potencialmente implantável em ambientes industriais sem a necessidade de modelagem complexa baseada em princípios físicos. Os resultados destacam que o Deep Koopman EMPC é particularmente eficaz na redução do desperdício de material e do consumo de energia, abordando objetivos econômicos e de sustentabilidade críticos. O trabalho futuro, conforme observado pelos autores, focará na validação hardware-in-the-loop na unidade de pasteurização física.