Προτυποποίηση και προβλεπτικός έλεγχος διεργασιών παραγωγής νανοϋλικών

Καρδαμάκη, Αργυρή; Kardamaki, Argyri

dc.contributor.author	Καρδαμάκη, Αργυρή	el
dc.contributor.author	Kardamaki, Argyri	en
dc.date.accessioned	2022-03-03T10:13:54Z
dc.date.available	2022-03-03T10:13:54Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54913
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22611
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Νανοσωματίδια Ag	el
dc.subject	Συστήματα αυτόματης ρύθμισης	el
dc.subject	Ρύθμιση προβλεπτικού μοντέλου	el
dc.subject	Μοντελοποίηση διεργασίας	el
dc.subject	Μοντέλα νευρωνικών δικτύων	el
dc.subject	Ag nanoparticles	en
dc.subject	Automatic control systems	en
dc.subject	Model predictive control	en
dc.subject	Process modeling	en
dc.subject	Neural network models	en
dc.title	Προτυποποίηση και προβλεπτικός έλεγχος διεργασιών παραγωγής νανοϋλικών	el
heal.type	bachelorThesis
heal.classification	Chemical engineering - Process Control	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-10
heal.abstract	Στα πλαίσια της διπλωματικής εργασίας επιχειρείται η ανάπτυξη ενός ρυθμιστή προβλεπτικού ελέγχου (Model Predictive Control, MPC) σε περιβάλλον Simulink-Matlab με στόχο την αυτόματη ρύθμιση μιας διεργασίας παραγωγής νανοσωματιδίων Ag διαμέτρων 50 και 100 nm σε πραγματικό χρόνο, η οποία προσομοιώνεται στο περιβάλλον Aspen Plus Dynamics. Σύμφωνα με την εσωτερική δομή του MPC, απαραίτητη προϋπόθεση για τo σχεδιασμό του ρυθμιστή είναι η ύπαρξη ενός μοντέλου που να μπορεί να περιγράψει τη δυναμική συμπεριφορά του συστήματος. Για τον λόγο αυτό, πραγματοποιείται καταρχήν εκπαίδευση νευρωνικού δικτύου σε ένα σύνολο δεδομένων που παρήχθησαν με εφαρμογή βηματικών επιβολών στις μεταβλητές εισόδου της διεργασίας. Το νευρωνικό δίκτυο που παράγεται μπορεί να περιγράψει με πολύ μεγάλη ακρίβεια την μόνιμη κατάσταση και να εκτιμήσει τη δυναμική επίδραση των μεταβλητών εισόδου στο σύστημα σε ικανοποιητικό βαθμό. Με πρότυπο το μοντέλο του νευρωνικού δικτύου, αναπτύσσονται στη συνέχεια γραμμικά δυναμικά μοντέλα γύρω από τη μόνιμη κατάσταση, τα οποία ενσωματώνονται σε δομές ρύθμισης MPC με μία η δύο ρυθμιζόμενες μεταβλητές. Στην πρώτη περίπτωση που εξετάστηκε, η ρυθμιζόμενη μεταβλητή εξόδου είναι η μαζική ροή των παραγόμενων νανοσωματιδίων διαμέτρου 50 nm και ζητούμενο είναι η διατήρηση της στην τιμή της αρχικής μόνιμης κατάστασης απορρίπτοντας την εμφάνιση πιθανών διαταραχών. Εξετάζεται ξεχωριστά η περίπτωση μετρήσιμων και μη μετρήσιμων διαταραχών και γίνεται αξιολόγηση του συστήματος ρύθμισης μέσω σύνδεσής του με την προσομοίωση του συστήματος στο Aspen Plus Dynamics. Τα αποτελέσματα δείχνουν ότι οι ρυθμιστές που παράγονται στις δύο περιπτώσεις είναι λειτουργικοί και πετυχαίνουν τον στόχο τους, υπερέχει όμως ως προς την ταχύτητα και την ευρωστία ο ρυθμιστής που θεωρεί μη μετρήσιμες τις διαταραχές. Στην περίπτωση της πολυμεταβλητής ρύθμισης μελετάται η δυνατότητα ρύθμισης της συνολικής μετατροπής του Ag σε νανοσωματίδια και της κατανομής του σε νανοσωματίδια μεγεθών 50 nm και 100nm. Εξετάζεται μόνο η περίπτωση μη μετρήσιμων διαταραχών και παράγεται ένας λειτουργικός ρυθμιστής που διακρίνεται τόσο για την ταχύτητα όσο και για την ευρωστία του.	el
heal.abstract	This diploma thesis addresses the challenge of producing an MPC controller in Simulink-Matlab software to achieve automated control of a process of silver nanoparticles (Ag NPs) synthesis with diameters of 50 and 100 nm. According to the standard structure of an MPC, a process model is required in order to describe the changes that occur in the system. To that end, a neural network is trained on a set of experimental data derived from a simulation of the process. The data is generated by a series of step tests on the input variables of Aspen Plus Dynamics dynamic model, which are set on each variable individually and then, on the entire set of variables simultaneously. The trained neural network can describe the states of the initial steady states with great precision but is constrained to work only in the area that was examined during the training. This neural network is used as a process model and is linked to a standard MPC controller in order to examine the control of one measured output individually and two measured outputs at once. In both cases, the streams of the process are linked to the network and the MPC by defining the volume flow rates as the manipulated variables and the compositions as the disturbances. The MPC uses an internal plant, linearized around an operating point describing the initial steady state and originating from the neural network. The measured output in the first instance is defined as the volume flow rate of Ag NPs with 50 nm diameter and the goal is to keep that variable to its initial steady state value in case of disturbances. Measured and unmeasured disturbances are studied separately and the final evaluation of the controller is carried out on the simulation by linking the MPC to the simulation environment in Aspen Plus Dynamics. The results of the evaluation show that the controllers created in both cases are functional and can achieve their primary goal of controlling the system but they do it in different ways depending on the type of disturbances occurring. More specifically, in the instance of unmeasured disturbances, the MPC controller seems to be faster and more robust due to wider training options whereas the MPC controller tackling measured disturbances required more time, mainly because of uncertainties in the internal plant. Finally, the case of training two measured outputs at the same time is examined and those outputs are the total conversion of Ag into nanoparticles and the size distribution of the product as defined by the amount of Ag NPs with diameter 50 nm, which is the desired product, as compared to the total amount of Ag NPs. In this case, only unmeasured disturbances are studied and the result, again, is a functional MPC that combines speed and robustness. The above analysis is accompanied by the final conclusions.	el
heal.advisorName	Σαρίμβεης, Χαράλαμπος	el
heal.committeeMemberName	Καβουσανάκης, Μιχάλης	el
heal.committeeMemberName	Τζαμτζής, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Χημικών Μηχανικών. Τομέας Ανάλυσης, Σχεδιασμού και Ανάπτυξης Διεργασιών και Συστημάτων (ΙΙ)	el
heal.academicPublisherID	ntua
heal.numberOfPages	138 σ.	el
heal.fullTextAvailability	false