Monitorowanie stężenia w reaktorze z ciągłym mieszaniem na podstawie pomiaru temperatury przy użyciu algorytmu o zmiennym wzmocnieniu

• Autorzy: Hawro P. , Kwater T.

Identyfikatory

DOI

10.15199/13.2018.10.8

Warianty tytułu

EN

Concentration monitoring in continuous stirred-tank reactor based on temperature measurement using a gain change algorithm

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia metodę monitorowania sygnałów w reaktorze z ciągłym mieszaniem na podstawie pomiarów tylko łatwych i szybkich w realizacji. Pozostałe sygnały, dla których nie dokonuje się pomiarów uzyskuje się wykorzystując nieliniowy model matematyczny oraz podejście podobne do filtru Kalmana. Proponowany algorytm modyfikuje wzmocnienie na podstawie zdefiniowanego dla potrzeb monitorowania sygnału błędu i nie wymaga żadnych informacji o sygnałach zakłócających. Dostrajanie parametrów algorytmu umożliwia uzyskanie większych dokładności rozwiązań i może być dokonane zgodnie z wymaganiami wynikającymi z technologii produkcyjnej. Przeprowadzone eksperymenty symulacyjne zawsze generowały stabilne rozwiązanie o zadawalającej dokładności. Proponowane rozwiązanie może być wykorzystane nie tylko do systemu monitorowania pracy reaktora ale także w układzie optymalnego sterowania jako alternatywne rozwiązanie w stosunku do obserwatora, optymalnej estymacji czy sztucznych sieci neuronowych.

EN

The article presents a method of monitoring signals in a continuous stirred-tank reactor based on measurements that are only easy and quick to implement. Other signals for which no measurements are made are obtained using a non-linear mathematical model and an approach similar to the Kalman filter. The proposed algorithm modifies the gain based on the error signal defined for the purpose of monitoring and does not require any information on interfering signals. Tuning algorithm parameters allows for greater accuracy of solutions and can be made in accordance with the requirements resulting from process technology. The conducted simulation experiments always generated a stable solution with satisfactory accuracy. The proposed solution can be used not only for the reactor operation monitoring system but also in the optimal control system as an alternative solution to the observer, optimal estimation or artificial neural networks.

Słowa kluczowe

PL

model reaktora; algorytm; jakość monitorowania

EN

reactor model; algorithm; monitoring quality

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2018
• Tom: Vol. 59, nr 10
• Strony: 31--34
• Opis fizyczny: Bibliogr. 8 poz., wykr.

Twórcy

autor

Hawro P.

• Państwowa Wyższa Szkoła Techniczno-Ekonomiczna, Instytut Inżynierii Technicznej, 37-500 Jarosław, Polska

autor

Kwater T.

• Uniwersytet Rzeszowski, Wydział Matematyczno-Przyrodniczy, Katedra Inżynierii Komputerowej, 39-959 Rzeszów, Polska

Bibliografia

• [1] M. Mazzotti, (2015) Introduction to Chemical Engineering: Chemical Reaction, Engineering ETH Swiss Federal Institute of Technology Zurich Separation Processes Laboratory (SPL) July 14.
• [2] T. Rodgers, Chemical Reaction Engineering, (2013) (https:// docplayer.net/41772245-Chemical-reaction-engineering-thomas- rodgers.html).
• [3] G. Welch , G. Bishop, (2006) An Introduction to the Kalman Filter, university of North Carolina at Chapel Hill, NC.
• [4] K. Srinivasan, J. Prakash, (2006) Non-linear State Estimation for Continuous Stirred Tank Reactor using Neural Network State Filter, (Annual IEEE India Conference 2006).
• [5] R. Ranojidoss, V.P. Sandhya, V. (2014) VamsiKrishna Muvalla State Estimation of Concentration in CSTR by Extended Kalman Filter, IJAREEIE, 3, Special Issue 4.
• [6] T. Kwater, R. Pękala, P. Krutys, The approach of implementing control using an adaptive algorithm to generale an estimate for the object desrribed by partial differentia equations, Computing in Science and Technology 2012/2013, MONOGRAPHS IN APPLIED INFORMATICS, Wyd. uR, pp 121-136.
• [7] J. Michalski, P. Kozierski, J. Zienkiewicz, (2017) Porównanie metod estymacji stanu systemów dynamicznych, PAR, 4, 41-47.
• [8] R. Taormina, KW. Chau B.Sivakumar, (2015) Neural network river forecasting through baseflow separation and binary-coded swarm optimization, Journal of Hydrology, 529, 1788-1797.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).