Model Predictive Control (Mpc) and Its Current Issues in Chemical Engineering

Kumar, Ashwani; Ahmad, Zainal Arifin

doi:10.1080/00986445.2011.592446

Cited by 48 publications

(20 citation statements)

References 85 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…En lo que se refiere a estrategias de control, existen numerosos trabajos en la literatura a escala de laboratorio (donde es más sencillo conseguir un ambiente controlado) y menos en fotobioreactores industriales. En esteúltimo caso, que es el de interés en este trabajo, la mayor parte se centran en el control de pH, donde es posible encontrar todo tipo de estrategias de control tales como control todo/nada, que es el más extendido (Wang et al, 2018;Mehar et al, 2019), control PID (Fernández et al, 2010), control con compensación de retardo (Romero-García et al, 2012), control predictivo basado en modelo (Berenguel et al, 2004;Lazar et al, 2007;Oblak and Skrjanc, 2010;Senthil-Kumar and Ahmad, 2012), control basado en eventos (Pawlowski et al, 2014) o control en modo deslizante (de Andrade et al, 2016b), entre otros. En el caso del oxígeno disuelto, a pesar de ser otra variable de extrema importancia para el crecimiento de las microalgas, no existen demasiadas estrategias de control en la literatura.…”

Section: Introductionunclassified

Modelado y control de la producción de microalgas en fotobiorreactores industriales

Guzmán

Acién

Berenguel

2020

Rev. iberoam. autom. inform. ind.

View full text Add to dashboard Cite

<p>Este artículo presenta una visión general sobre el proceso de producción de microalgas desde un punto de vista de modelado y control de procesos. En primer lugar se exponen las ventajas y el potencial de este tipo de microorganismos, así como los distintos tipos de reactores que se suelen utilizar para su producción. Posteriormente, se analiza el comportamiento dinámico de este tipo de procesos, el cual es muy complejo y cambiante debido a variaciones en las condiciones ambientales tanto diarias como anuales, y se presentan los distintos balances que permiten describir la evolución de las principales variables del sistema. Se exponen distintos tipos de modelos a nivel biológico y a nivel estructural que han sido validados a escala industrial. Tras analizar su comportamiento dinámico, se motivan los distintos problemas de control existentes en este tipo de sistemas y se resume una amplia batería de estrategias de control que han sido evaluadas con éxito en fotobiorreactores industriales. Finalmente, se concluye el trabajo con un balance de los aspectos más importantes expuestos a lo largo del mismo.</p>

show abstract

Section: Introductionunclassified

Modelado y control de la producción de microalgas en fotobiorreactores industriales

Guzmán

Acién

Berenguel

2020

Rev. iberoam. autom. inform. ind.

View full text Add to dashboard Cite

show abstract

“…Future work in MBPC will focus on stability analysis, the development of data-driven techniques to perform the plant decomposition and feasibility of the computational feature 17 . The objective of this paper was to find optimum tuning parameters for DMC for the boiling process to meet robust control design at the implication of different levels of model uncertainty.…”

Section: Introductionmentioning

confidence: 99%

Optimizing Model Base Predictive Control for Combustion Boiler Process at High Model Uncertainty

Osman¹

2017

Chem.Biochem.Eng.Q.

View full text Add to dashboard Cite

This paper proposes a multi-objective evolutionary algorithm for optimizing model base predictive control (MBPC) tuning parameters applied to the boiling process. The multi-objective evolutionary algorithms are able to incorporate many objective functions that can simultaneously meet robust stability and performance that can satisfy control design objective functions. These promising techniques are successfully implemented to stabilise MBPC at the implications of different levels of model uncertainties.The Pareto optimum technique is able to overcome the problem of trapping the standard genetic algorithms (SGAs) in the local optimum when using the LQ as the objective functions at the price of high model uncertainty. Introducing robust stability and performance objective functions has successfully improved the search procedure for MBPC tuning variables at high model uncertainty.

show abstract

“…At the next sampling time, the output measurement is updated and the prediction horizon is shifted one step forward, and then the optimization problem is repeated. Due to its ability to handle the systems with hard constraints, it has attracted many researchers' attention, from both academic community and industrial society, for example, [1][2][3][4]. However, in real processes, the precise model parameters are seldomly available.…”

Section: Introductionmentioning

confidence: 99%

Dynamic Output Feedback Robust Model Predictive Control via Zonotopic Set-Membership Estimation for Constrained Quasi-LPV Systems

Ping

Sun

2015

Journal of Applied Mathematics

View full text Add to dashboard Cite

For the quasi-linear parameter varying (quasi-LPV) system with bounded disturbance, a synthesis approach of dynamic output feedback robust model predictive control (OFRMPC) is investigated. The estimation error set is represented by a zonotope and refreshed by the zonotopic set-membership estimation method. By properly refreshing the estimation error set online, the bounds of true state at the next sampling time can be obtained. Furthermore, the feasibility of the main optimization problem at the next sampling time can be determined at the current time. A numerical example is given to illustrate the effectiveness of the approach.

show abstract

Model Predictive Control (Mpc) and Its Current Issues in Chemical Engineering

Cited by 48 publications

References 85 publications

Modelado y control de la producción de microalgas en fotobiorreactores industriales

Modelado y control de la producción de microalgas en fotobiorreactores industriales

Optimizing Model Base Predictive Control for Combustion Boiler Process at High Model Uncertainty

Dynamic Output Feedback Robust Model Predictive Control via Zonotopic Set-Membership Estimation for Constrained Quasi-LPV Systems

Contact Info

Product

Resources

About