Podstawy teoretyczne i zastosowanie metodologii sterowania B-BAC

• Autorzy: Czeczot J.

Warianty tytułu

EN

Theory and application of the B-BAC control methodology

• Języki publikacji: PL

Abstrakty

PL

Tematem pracy jest metodologia adaptacyjnego sterowania procesami przemysłowymi B-BAC (Balance-Based Adaptive Control). W tej metodologii dużą wagę przywiązuje się do postaci uproszczonego modelu obiektu sterowania, zapisanego w postaci równania dynamiki pierwszego rzędu i opisującego zmiany wielkości sterowanej. Model ten uzyskuje się na podstawie ogólnych praw zachowania masy lub energii, a wszystkie nieznane nieliniowości i niedokładności modelowania są w nim reprezentowany przez jeden zmienny parametr, który może także obejmować niemierzalne lub trudno mierzalne człony części bilansowej modelu, co pozwala na zmniejszenie liczby wymaganych sygnałów pomiarowych dla zakłóceń (działanie feedforward) i uzyskanie tym samym minimalnej realizacji regulatora B-BAC. Wartość tego parametru pozostaje nieznana i dlatego musi być ona estymowana na bieżąco. W tym celu wykorzystuje się ważoną rekurencyjną metodę najmniejszych kwadratów, i względu na fakt, iż zawsze estymowany jest tylko jeden parametr, metoda estymacji zapisana jest w postaci skalarnej, co sprawia, iż wartość estymowana jest zawsze zbieżna z wartością rzeczywistą, z dynamiką pierwszego rzędu o stałej czasowej zależnej od współczynnika zapominania. W szczególności nie wymaga się stosowania żadnych wejściowych sygnałów nieustannie pobudzających, a wielkość estymowana jest zbieżna nawet wtedy, gdy obiekt pracuje w stanie ustalonym bez żadnych wymuszeń. Takie podejście do modelowania pozwala na ujednolicenie postaci uproszczonego modelu i decyduje o jego ogólności pomimo tego, iż postać ta jest dość mocno sformalizowana. Dotyczy to szczególnie znanej części bilansowej, która musi zawierać w sobie wielkość sterującą. Nie stanowi to jednak istotnego ograniczenia, a zapewnia, iż model ten ma postać afiniczną, co jest pomocne przy wyprowadzaniu prawa sterowania. Drugie ograniczenie jest już bardziej restrykcyjne - wszystkie składowe ujęte w znanej części bilansowej muszą być mierzalne lub znane. Pozwala to na uzyskanie działania feedforward w prawie sterowania w naturalny sposób, wynikający z postaci modelu uproszczonego, ale wymaga wykorzystania większej liczby czujników pomiarowych. Regulator B-BAC uzyskuje się przez zastosowanie metodologii linearyzującej w postaci przeznaczonej do sterowania obiektami pierwszego rzędu do uproszczonego modelu procesu. Po wskazaniu wielkości sterującej możliwe jest wyprowadzenie ostatecznej i jawnej postaci prawa sterowania. Zaimplementowanie go wraz z procedurą estymacji nieznanego parametru reprezentującego nieliniowości i niedokładności modelowania pozwala na efektywne sterowania szeroką gamą procesów przemysłowych. Adaptacyjne własności tego regulatora wynikają z wykorzystania procedury estymacji, która nie wymaga żadnych dodatkowych sygnałów pomiarowych ponad te, które są konieczne do obliczania prawa sterowania. Przedstawione w pracy rezultaty pozwalają uznać, iż metodologia B-BAC jest uniwersalną metodologią sterowania. Przy zachowaniu pewnych ograniczeń jej uniwersalność może być porównywana z uniwersalnością konwencjonalnego regulatora PI. Uzyskuje się więc metodologię syntezy prawa sterowania typu model-based, która, dzięki zunifikowanej postaci modelu bazowego, wykazuje uniwersalność przewyższającą takie metody syntezy regulatora na podstawie fenomenologicznego modelu procesu, jak: PMBC i sterowań linearyzujące i pozwalającą na poprawę jakości sterowania szeroką klasą obiektów przemysłowych. Rozdział pierwszy przedstawia aktualny stan wiedzy na temat sterowania procesami przemysłowymi na podstawie ich uproszczonych modeli fizykalnych. Prezentuje się w nim także ogólną charakterystykę metodologii B-BAC oraz omawia się metody badawcze wykorzystywane w pracy (badania symulacyjne, eksperymenty praktyczne, kryteria oceny przebiegów). Rozdział drugi poświęcony jest podstawom teoretycznym omawianej metodologii. Przedstawia się w nim sposób tworzenia uproszczonego modelu procesu, a następnie wyprowadzenie ogólnej postaci prawa sterowania B-BAC wraz z procedurą estymacji nieznanego parametru. Dalej dyskutowane są podstawowe własności uzyskanego regulatora, takie jak stabilność i analiza zbieżności wartości estymowanej. Omawiane zagadnienia przedstawia się na przykładzie prostego mieszalnika wody zimnej i ciepłej. Wprowadza się także pojęcie minimalnej realizacji regulatora B-BAC, pozwalające na zmniejszenie liczby wymaganych czujników pomiarowych. Zakończenie rozdziału stanowi analiza porównawcza metodologii B-BAC z jednokrokową i wielokrokową regulacją predykcyjną. Dyskutuje się możliwość wykorzystania uproszczonego modelu procesu do wyprowadzenia odpowiednich regulatorów predykcyjnych. W rozdziale trzecim zawarto wyniki symulacyjnej weryfikacji regulatora B-BAC w zastosowaniu do sterowania wybranymi procesami przemysłowymi. Pod uwagę wzięto procesy biotechnologiczne (bioreaktory o parametrach skupionych i rozłożonych), proces neutralizacji, nieizotermiczny reaktor chemiczny z płaszczem chłodzącym oraz przepływowy piec elektryczny. Działanie regulatora B-BAC w pełnej i minimalnej realizacji porównywano z regulatorem PI z programową zmianą nastaw. Tak duża różnorodność rozpatrywanych procesów wskazuje na ogólność proponowanego podejścia, gdyż metodologia B-BAC może być zastosowana do sterowania każdym z obiektów, bez żadnych znaczących modyfikacji. W każdym z rozpatrywanych przypadków wykazano, iż zastosowanie pełnej lub minimalnej realizacji regulatora B-BAC pozwala na znaczącą poprawę jakości sterowania w porównaniu do regulatora PI o stałych lub programowo zmienianych nastawach. Poprawę tę uzyskuje się nawet wówczas, gdy wprowadza się znaczący błąd pomiarowy dla sygnałów zakłócających, uwzględnionych w końcowej postaci prawa sterowania B-BAC i procedury estymacji, co wynika z kompensacyjnych właściwości tej procedury. Rozdział czwarty przedstawia wyniki praktycznej weryfikacji metodologii B-BAC. Dla potrzeb pracy zaimplementowano i przebadano układy sterowania elektrycznym piecem przepływowym oraz zaworem stałoprocentowym. Wyniki badań pozwalają na porównanie działania regulatora B-BAC z konwencjonalnym regulatorem PI i dowodzą, iż omawiana metodologia sterowania nie tylko nadaje się do praktycznej implementacji, ale także, w przypadku elektrycznego pieca przepływowego, pozwala na znaczącą poprawę jakości sterowania. Zakończenie zawiera krótkie podsumowanie uzyskanych wyników oraz najważniejsze wnioski.

EN

This work deals with the B-BAC (Balance-Based Adaptive Control) methodology that is dedicated to control a wide range of technological processes. In this methodology, the most important role plays the simplified model of a process written in the form of the first-order dynamic equation describing a controlled variable. The final form of this model is derived on the basis of the general mass or energy conservation law. All the unknown nonlinearities and modelling inaccuracy are represented in the model by the only one time varying parameter. This parameter can also represent non measurable terms of the known balance part of the model, which allows for limiting the number of necessary sensors for disturbances (feedforward action) and results in the minimum form of the B-BAC controller. The value of this parameter is unknown and thus it has to be estimated on-line. The estimation procedure is based on the weighted least-squares method, which can be written in the scalar form due to the fact that there is always the only one unknown parameter that is to be estimated. This scalar form results in very good accuracy of the estimation procedure - the estimate always converges to its real value according to the first-order dynamics with the time constant depending on the value of the forgetting factor. Moreover, there is no need to apply any additional external excitation signals because the estimate converges even if a process works at the steady state. Such a modelling approach allows for the unification of the form of the simplified model and ensures its generality, even if this form is strictly defined. Especially, a manipulated variable must be included in the known balance part of the model. This limitation is not very restrictive and it results in the affine form of the simplified model, which is a very desirable feature for any model-based approach to the controller synthesis. The second limitation is much more restrictive - all terms of the known balance part of the model must be measurable on-line or known by choice of the user. It ensures that the feedforward action is very easy to implement but it requires the additional sensors for measurable disturbances. The B-BAC control law is derived by applying the linearization technique in the form dedicated for first-order systems to the simplified model of a process. Once a manipulated variable has been chosen, it is possible to obtain the final and explicit form of the controller. The implementation of the B-BAC controller (the final form of the control law together with the estimation procedure for the unknown parameter representing nonlinearities and modelling inaccuracy) allows for the effective control of a wide range of industrial processes. The adaptability of this approach results from the application of the estimation procedure and this procedure requires exactly the same measurement data that is necessary for computing the final form of the control law. The presented results show that the B-BAC methodology can be considered as the general control methodology. In fact, this generality is comparable with the generality of the conventional PI controller with some limitations. It ensures that the suggested methodology can be classified as the model-based approach with the unified form of the simplified model of a process, which ensures that it can be an attractive alternative for the other model-based strategies, such as PMBC or linearizing control, especially because it allows for significant improvement of the control properties. Section 1 presents the state-of-the-art in the field of process control that is based on the simplified physical models. It also introduces the general features of the B-BAC methodology and presents the materials and methods applied in the work (simulation experiments, practical experiments, criteria of the control performance). In section 2, the theoretical approach to the considered methodology is given. It is presented how to derive the simplified model of a process and then how to use this model as a basis for the synthesis of the B-BAC controller and of the estimation procedure for the unknown parameter. The most important properties of this controller are also discussed, such as stability and convergence of the estimation procedure. The simple example of the mixer of cold and hot water illustrates the considered problems. Additionally, the minimum form of the B-BAC controller is introduced, which allows for significant limitation of the necessary number of measurement sensors for disturbances. Finally, the B-BAC methodology is compared with one-step and multi-step predictive controllers. It is discussed if the suggested simplified model of a process can be applied for the synthesis of these predictive controllers. Section 3 consists of the simulation results for the application of the B-BAC controller to the control of the example processes, such as the biotechnological processes (lumped and distributed parameter bioreactors), the neutralization process, the nonisothermal chemical reactor with the cooling jacket and the electric flow heater. The control performance of the minimum form and of the complete form of the B-BAC controller is compared with the conventional PI controller and, if possible, with the PI controller with gain scheduling. The variety of the considered processes proves the generality of the suggested B-BAC methodology because it can be applied to the control of each process without any significant modifications. For every process it is shown that the application of the minimum form or of the complete form of the B-BAC controller allows for the significant improvement of the control performance in comparison to the conventional PI controller or to the PI controller with gain scheduling. This improvement takes place even if the constant measurement bias for disturbing signal is applied to the closed-loop system, which results from the compensating properties of the estimation procedure. In section 4 the results of the practical experiments of the B-BAC methodology are presented. Two cases are considered; the control of the electric flow heater and of the equal percentage valve. The results allow for comparison of the B-BAC controller with the conventional PI controller. They also prove that the suggested control methodology not only can be applied in the practice but also, in the case of the electric flow heater, it allows for the significant improvement of the control performance. Concluding remarks and the short summary complete the work.

Słowa kluczowe

PL

sterowanie adaptacyjne; regulacja predykcyjna; proces przemysłowy; B-BAC; algorytm sterowania

EN

adaptive control; predictive control; industrial process; B-BAC; control algorithm

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Zeszyty Naukowe. Automatyka / Politechnika Śląska
• Rocznik: 2007
• Tom: z. 149
• Strony: 3--124
• Opis fizyczny: Bibliogr. 154 poz.

Twórcy

autor

Czeczot J.

• Instytut Automatyki Politechniki Śląskiej, 44-100 Gliwice, ul.Akademicka 16, tel. [phone],

Bibliografia

• 1. Aris R. (1969). Elementary chemical reactor analysis, Englewood Cliffs, NJ, Prentice Hall, 1969.
• 2. Aris R., Amundson N.R. (1958). An analysis of chemical reactor stability and control, cz. I-III Chemical Engineering Science, 7, 121-155.
• 3. Aström K.J., Wittenmark B. (1989). Adaptive Control. Reading: Addison-Wesley Publishing Company.
• 4. Aström K.J., Hägglund T., Hang C.C., Ho W.K. (1993). Automatic tuning and adaptation for PID controllers - a survey. Control Engng. Practice, 1(4), 699-714.
• 5. Babary J.P., Damak T., Tali-Maamar N. (1991). On simulation of distributed parameter bioreactors. 13th IMACS’91 World Congress on Computation and Applied Mathematics, Trinity College, Dublin, Ireland.
• 6. Babary J.P., Bourrel S. (1999). Sliding mode control of a denitrifying biofilter. Applied Mathematical Modelling, 23, 609 - 620.
• 7. Babary J.P., Julien S., Nihtila M.T., Czeczot J., Metzger M. (1999). New boundary conditions and adaptive control of fixed-bed bioreactors. Chem. Engng. and Processing, 38, 35-44.
• 8. Bailey J.E., Ollis D.F., (1986). Biochemical Engineering Fundamentals. Mac-Graw Hill Kogakusha, Tokyo, 2nd edition.
• 9. Bastin G., Dochain D. (1990). On-line Estimation and Adaptive Control of Bioreactors. Elsevier Science Publishers B.V. 1990, ISBN 0 444 88430 0.
• 10. Bastin G. (1991). Nonliaear and adaptive control in biotechnology. A tutorial. European Control Conference ECC’91, Grenoble, France, July 2-5.
• 11. Bastin G. (1992). Adaptive non-linear control of a fed-batch stirred tank reactors. Int. J. Adaptive Control Signal Process., 6, 273-284.
• 12. Bequette B.W. (1989). A one-step-ahead approach to nonlinear process control. Proc. of ISA/89 International Conference. Filadelfia, 711-717.
• 13. Bequette B.W. (1991) Nonlinear Control of Chemical Processes: A Review. Ind. Eng. Chem.Res.,30,1391-1413.
• 14. Bhat J., Chidambaram M., Madhavan K.P. (1990). Robust control of batch reactors. Chem. Eng Commun., 87, 195-204.
• 15. Bourrel S. (1996). Estimation et commande d’un procédé à paramètres répartis utilisé pour le traitement biologique de l’eau à potabiliser. Doctoral dissertation, Université Paul Sabatier, Toulouse, France.
• 16. Bourrel S., Dochain D., Babary J.P., Queinnec I. (2000). Modelling, identification and control of a denitrifying biofilter. Journal of Process Control, 10(1), 73-91.
• 17. Bucholt F., Kümmel M., (1979). Self-tuning control of a pH-neutralization process. Automatica, 15, 665-671.
• 18. Camacho E.F., Bordons C. (1999). Model Predictive Control. Springer-Verlag, ISBN 3-540-76241-8.
• 19. Carver M.B., Hinds H.W (1978). The method of lines and advective equation. Simulation, 31, 59 - 69.
• 20. Contois D. (1959). Kinetics of bacterial growth relationship between population density and specific growth rate of continuous cultures. Jour, of Gen. Microb. 21, 40-50.
• 21. Costello D.J., (1994). Evaluation of model based control techniques for buffered acid base reaction system. Trans. IChemE., 72(A).
• 22. Cutler C.R., Ramaker B.C. (1980). Dynamic Matrix Control - A Computer Control Algorithm. Automatic Control Conference, San Francisco, USA.
• 23. Czeczot J. (1994). Modelling and simulation of distributed parameter bioreactor including the influence of temperature on dynamic properties. Proc. of ESM’94, eds. A. Guash and R. Huber, Simulation Councils Inc., Barcelona, Spain, 714-717.
• 24. Czeczot J. (1995). Substrate consumption rate - new concept of measuring and monitoring in the activated sludge process. Proc. of 6th International Conference on Computer Applications in Biotechnology, Garmisch-Partenkirchen, Germany, IFAC Publication, Elsevier, 205-208.
• 25. Czeczot J. (1995a). Control of the non-linear distributed parameter bioreactor in the presence of temperature changes. SAMS, 18-19, 321-324.
• 26. Czeczot J. (1996). The Lab View-Based Virtual Simulator of the Substrate Consumption Rate Measurement System in the Activated Sludge Process. Proc. of ESM’96, ed. A. Javor, A. Lehmann and I. Molnar, Simulation Councils Inc., Budapest, Hungary.
• 27. Czeczot J. (1997). Zastosowanie wskaźnika pochłaniania substratu do monitorowania i sterowania biologicznymi procesami oczyszczania wody. Praca doktorska. Politechnika Śląska, Gliwice.
• 28. Czeczot J. (1998). Model-based Adaptive Predictive Control of Fed-Batch Fermentation Process with the Substrate Consumption Rate Application. IF AC Workshop on Adaptive Systems in Control and Signal Processing, University of Strathclyde, Glasgow, Scotland, UK, 357 - 362.
• 29. Czeczot J. (1998a). Substrate Consumption Rate Application to the Minimal-Cost Model-Based Adaptive Control of the Activated Sludge Process. Wat. Sci. Tech., 37(12), 335-342.
• 30. Czeczot J. (1998b). Application of the Recursive Least-Square Method to the Estimation of the Substrate Consumption Rate in the Activated Sludge Process. Proceedings of the 9th International Symposium on „System-Modelling-Control”, ed. P.S. Szczepaniak, Zakopane, Poland, 1998.
• 31. Czeczot J. (1998c). Monitoring of the distributed parameter chemical reactor basing on the estimation of the reaction rate. Proceedings of the 9th International Symposium on „System-Modelling-Control”, ed. P.S. Szczepaniak, Zakopane, Poland.
• 32. Czeczot J., Babary J.P., Nihtila M.T. (1998). Adaptive control of a distributed parameter bioreactor based on the substrate consumption rate estimation. International Workshop on Decision and Control on Wastes Bioprocessing, Narboime, France.
• 33. Czeczot J. (1999). Substrate Consumption Rate Application for Adaptive Control of Continuous Bioreactor - Noisy Case Study, Archive of Control Sciences, 9(3/4), 33-52.
• 34. Czeczot J. (1999a). Simulation Evaluation of the Reaction Rate Estimation and its Application to the Monitoring of a CSTR. Proc. of 11th European Simulation Symposium ESS’99, ed. G. Horton, D. Muller and U. Rude, Erlangen, Germany, 384-388.
• 35. Czeczot J. (1999b). Optimal sensor location for the ODE approximation of the distributed parameter chemical reactor - simulation evaluation. Proc. of 11th European Simulation Symposium ESS’99, ed. G. Horton, D. Muller and U. Rude, Erlangen, Germany, 417-420.
• 36. Czeczot J., Metzger M., Nihtila M.T., Babary J.P. (1999). Substrate consumption rate in adaptive control of a distributed parameter bioreactor for noisy measurements. FirstConference on Modelling and Simulation in Biology, Medicine and Biomedical Engineering, BioMedSim’99, Noisy-le-Grand, France, 74-78.
• 37. Czeczot J. (2000). Heat Transfer Rate Application to the Adaptive Control of Non-isothermal Chemical Reactor - Simulation Evaluation, 16th IMACS World Congress, Lousanne, Switzerland.
• 38. Czeczot J., Metzger M., Babary J.P., Nihtila M. (2000). Filtering in adaptive control of distributed parameter bioreactors in the presence of noisy measurements. Simulation Practice and Theory, 8, 39-56.
• 39. Czeczot J., Metzger M., Babary J.P., Nihtila M. (2000a). Substrate consumption rate application to the adaptive control of a distributed parameter bioreactor. Process Control and Instrumentation 2000, Glasgow, United Kingdom.
• 40. Czeczot J. (2001). Balance-Based Adaptive Control of the Heat Exchange Process. Proceedings of 7th IEEE International Conference on Methods and Models in Automation and Robotics MMAR 2001, Międzyzdroje, Poland, 853-858.
• 41. Czeczot J. (2001a). New Approach to the Adaptive Control of a Class of Distributed Parameter Bioreactors. Proceedings of 7th IEEE International Conference on Methods and Models in Automation and Robotics MMAR 2001, Międzyzdroje, Poland, 811-816.
• 42. Czeczot J. (2001b). On Possibilities of Application of B-BAC Methodology to Lab View-based Virtual Controller. 13th European Simulation Symposium, Marseille, France, 197-201.
• 43. Czeczot J., Metzger M., Babary J.P., Nihtila M. (2001). Application of the Substrate Consumption Rate to the Monitoring of Distributed Parameter Bioreactors. Control and Cybernetics, 30(1), 81-98.
• 44. Czeczot J., Metzger M., Babary J.P., Nihtila M. (2001a). Monitoring and control of a class of distributed parameter bioreactors with application of the substrate consumption rate. Archives of Control Sciences, 11(1-2), 5-22.
• 45. Czeczot J. (2002). Robust Balance-Based Adaptive Control of the CSTR. 8th IEEE International Conference on Methods and Models in Automation and Robotics MMAR 2002, Szczecin, Poland, 327-332.
• 46. Czeczot J. (2002a). Comparison between PI and B-BAC Controllers in the AppUcation to the Control of the Continuous Fermentation Process. Proceedings of 8th IEEE International Conference on Methods and Models in Automation and Robotics MMAR 2002, Szczecin, Poland, 1245-1250.
• 47. Czeczot J. (2002b). Balance_based Adaptive Control of a Denitrifying Biofilter. 1st IFAC International Scientific and Technical Conference on Technology, Automation and Control of Wastewater and Drinking Water Systems TiASWiK’02, Gdansk-Sobieszewo, Poland, June 19-21, 205-210.
• 48. Czeczot J. (2002c). On Possibilities of the B-BAC Implementation on Programmable Logic Controllers. Proceedings of the IF AC Workshop on Programmable Devices and Systems PDS2001, Ed. Ciążyński, Hrynkiewicz and Kłosowski, Elsevier, 2002.
• 49. Czeczot J., Metzger M., Babary J.P. (2002). Adaptive Control of a Denitrifying Biofilter with application of the Substrate Consumption Rate. 15th IFAC World Congress, Barcelona, Spain, July 21-26.
• 50. Czeczot J. (2003). General methodology for the adaptive control of a class of distributed parameter reactors. Proceedings of 9th IEEE International Conference on Methods and Models in Automation and Robotics MMAR 2003, Międzyzdroje, Poland.
• 51. Czeczot J. (2003a). B-BAC: The robust approach to the nonlinear adaptive control of industrial processes. IFAC Conference on Control Systems Design, Bratislava, Slovakia, September 7-10.
• 52. Czeczot J. (2003b). LabView-based Configurable Virtual Controller for Distributed Parameter Bioreactor. IF AC Workshop on Programmable Devices and Systems, PDS 2003, Ostrava, Czech Republic.
• 53. Czeczot J. (2003c). Robust control of pH process on the basis of the B-BAC methodology. IF AC Conference on Control Systems Design, Bratislava, Slovakia, September 7-10.
• 54. Czeczot J. (2003d). Comparison between PI controller and B-BAC methodology in the application to the control of the neutralization process. Proc. of 9th IEEE International Conference on Methods and Models in Automation and Robotics MMAR 2003, Międzyzdroje, Poland.
• 55. Czeczot J. (2004a). Balance-Based Adaptive Control Methodology and its Application for Biological 7lov/ Reactors. IFAC Symposium on Nonlinear Control Systems NOLCOS 2004, Stuttgart, Germany.
• 56. Czeczot J. (2004b). On the Bumpless Switching in the Practical Implementation of the B-BAC Methodology. Proc. Of IFAC Workshop on Programmable Devices and Systems PDS 2004, Cracow, Poland.
• 57. Czeczot J. (2005). Balance-Based Adaptive Control of the Electric Flow Heater. Proc. of the 16th IFAC World Congress, Prague, Czech Republic.
• 58. Czeczot J. (2005b). Zasady tworzenia fizykalnego uproszczonego modelu procesu dla potrzeb sterowania adaptacyjnego. XV Krajowa Konferencja Automatyki, Warszawa.
• 59. Czeczot J. (2006). Balance-Based Adaptive Control Methodology and its Application to the Nonlinear CSTR. Chemical Eng. and Processing, 45(5), 359-371.
• 60. Czeczot J. (2006a). Balance-Based Adaptive Control of a Neutralization Process. International Journal of Control, 79(12), 1581-1600.
• 61. Czeczot J. (2007). On Possibilities of the Practical Implementation of B-BAC Methodology. Control and Cybernetics, (w druku).
• 62. Dahhou B., Lakrori M., Queinnec I., Ferret E., Cheruy A. (1992) Control of a Continuous Fermentation Process. J. Proc. Cant, 2, 103-111.
• 63. Dochain D. (1991). Design of adaptive controllers for non-linear stirred tank bioreactors: extension to the MIMO situation. J. Proc. Cont., 1.
• 64. Dochain D. (1992). Adaptive control algorithms for non-minimum phase nonlinear bioreactors. Computers Chem. Engng., 16(5), 449-469.
• 65. Dochain D. (1994). Design of adaptive linearizing controllers for non-isothermal reactors.J. Control, 59(3), 689-710.
• 66. Dochain D., Babary J.P., Tali-Maamar N. (1992). Modelling and adaptive control of nonlinear distributed parameter bioreactors via orthogonal collocation. Automatica, 28(5), 873-883.
• 67. Duvall M., Riggs J.B., Lee P. (2001). Multi-model decoupled Generic Model Control. Control Engineering Practice, 9, 471-481.
• 68. Franks R.G.E. (1972). Modeling and simulation in chemical engineering. Wiley-Interscience.
• 69. Garcia C.E., Morari M. (1982). Internal model control 1. An unifying review and some new results. Ind. Engng. Chem. Process. Des. Dev., 21, 308.
• 70. Garcia C.E., Prett D.M., Morari M. (1989). Model Predictive Control: Theory and Practice - a Survey. Automatica, 25(3), 335-348.
• 71. Gernaey K., Maffei D., Vanrolleghem P., Verstraete W. (1999). A new pH-based procedure to model toxic effects on nitrifiers in activated sludge. J. Chem. Technol. Biotechnol, 74, 679-687.
• 72. Gessing R. (2005). Uwagi podsumowujące wygłaszany referat problemowy pt. „Fascynujące własności układu z pochodnymi wyższego rzędu w regulatorze”, XV Krajowa Konferencja Automatyki, Warszawa.
• 73. Gustafsson T.K., Waller K.V. (1983). Dynamic modelling and reaction invariant control of pH. Chemical Engineering Science, 18(1), 389-398.
• 74. Gustafsson T.K., Waller K.V. (1992). Nonlinear and adaptive control of pH. Ind Eng. Chem. Res., 31, 2681-2693.
• 75. Gustafsson T.K., Skrifvars B.O., Sandström K.V., Waller K.V. (1995). Modelling of pH for control. Ind. Eng. Chem. Res., 34, 820-827.
• 76. Gutenbaum J. (1987). Modelowanie matematyczne systemów. PWN, Warszawa-Łódź.
• 77. Haber R., Keviczky L. (1999). Nonlinear System Identification-Input-Output Modelling Approach. Dorchrecht. The Netherlands: Kluwer.
• 78. Harris T.J., MacGregor J.F., Wright J.D., (1980). Self-tuning and adaptive controllers: an application to catalytic reactor control. Technometrics, 22,153-164.
• 79. Henson M.A., Seborg D.E., (1990). Iput-output linearisation of general nonlinear processes. AIChE Journal, 36(11), 1753-1757.
• 80. Henson M.A., Seborg D.E., (1992). Nonlinear adaptive control of a pH neutralization process. ACC/FA 1.
• 81. Henson M.A., Seborg D.E., (1994). Adaptive nonlinear control of a pH neutralization process. IEEE Trans, control Systems Technol., 2(3), 169-182.
• 82. Henson M.A., Seborg D.E., (1997). Adaptive input-output linearization of a pH neutralization process. Int J. Adaptive Control Signal Process., 11, 171-200.
• 83. Henson M.A., Seborg D.E. (1997a). Nonlinear Process Control. Prentice Hall PTR.
• 84. Hobler T. (1968). Ruch ciepła i wymienniki. PWN, Warszawa.
• 85. Isaacs. S.H., Soeberg H., Kummel M. (1992) Monitoring and Control of a Biological Nutrient Removal Processes: Rate Data as a Source of Information. IFAC Modelling and Control of Biotechnological Processes. Colorado, USA, 239-242.
• 86. Isidori A. (1989). Nonlinear Control Systems: An Introduction. 2nd edition. Springer Verlag.
• 87. Iyer N.M., Farell A.E., (1995). Adaptive input-output linearizing control of a continuous stirred tank reactor. Computers Chem. Engng., 19(5), 575-579.
• 88. Jacob J., Pingaud. H, Le Lann J.M., Bourrel S., Babary J.P., Capdeville B. (1996). Dynamic simulation of biofilters. Simulation Practice and Theory, 4, 335 - 348.
• 89. Joshi N.V., Murugan P., Rhinehart R.R. (1997). Experimental Comparison of Control Strategies. Control Eng. Practice, 5(7), 885-896.
• 90. Jutila P., Visala A. (1984). Pilot plant testing of an adaptive pH-control algorithms based on physico-chemical modelling. Methematics and Computers in Simulation, XXVI, 523-533.
• 91. Jutila P., Hyötyniemi H., Y. J.P., (1999). The practices and typical problems of pH process modelling and control in stirred tank reactors. Archives of Control Science, 9(3/4).
• 92. Kalafatis A.D., Wang L., Cluett W.R. (2005). Linearizing feedforward-feedback control of pH processes based on the Wiener model. Journal of Process Control, 15,103-112.
• 93. Kayihan A., Doyle III F.J., (2000). Friction compensation for a process control valve. Control Engineering Practice, 8, 799-812.
• 94. Kazantzis N., Kravaris C, (2000). Synthesis of state feedback regulators for nonlinear process. Chemical Engineering Science, 55, 3437-3449.
• 95. Kosanovich K.A., Piovoso M.J., Rokhlenko V., Guez A. (1995). Nonlinear adaptive control with parameter estimation of a CSTR. J. Proc. Cont, 5(3), 137-148.
• 96. Kravaris C, Kantor J.C. (1990). Geometric methods for nonlinear process control. II. Controller synthesis. Ind. Eng. Chem. Res., 29, 2310-2324.
• 97. Krzekotowski Ł. (2003). Predykcyjny algorytm sterowania procesami technologicznymi bazujący na modelu fenomenologicznym. Praca magisterska. Politechnika Śląska, Wydział Automatyki, Elektroniki i Informatyki, Gliwice, promotor dr inż. Jacek Czeczot.
• 98. Kumar A.A., Chidambaram M., Rac V.S.R., (2004). Nonlinear PI controller for pH process. Chem. Eng. Comm., 191, 241-261.
• 99. Kuźnik J. (2002). Regulatory i układy regulacji. Wydawnictwo Politechniki Śląskiej, Gliwice.
• 100. Lee S.D., Lee J., Park S., (1994). Nonlinear self-tuning regulator for pH systems. Automatica. 30(10), 1579-1586.
• 101. Lee P.L., Sullivan G.R. (1988). Generic model control (GMC). Computers Chem. Engng., 12(6), 573-580.
• 102. Luyben W.L. (1973). Process modeling, simulation and control for chemical engineers. McGraw-Hill Book Company.
• 103. Laszczyk P., Pasek K., (1995). Modelling and Simulation of the Pilot Heat Distribution Plant. System Analysis, Modellling, Simulation, 18-19, 245-248.
• 104. Laszczyk P., Richalet J. (1999). Application of predictive control to a heat exchanger. Dynamic Control and Management Systems in Manufacturing Processes - Techniques for Supervisory Management Systems, (preprints, ed. D. Matko i G. Music).
• 105. Laszczyk P., (2000). PDE/ODE Model of Electric Kettle in Experimental Installation. 16th IMACS World Congress, Lousanne, Switzerland.
• 106. Laszczyk P. (2000a). Analiza własności dynamicznych sieci rzeczywistych wymienników ciepła wspomagana wer5rfikacją ich modelu. Praca doktorska, Instytut Automatyki Politechniki Śląskiej, Gliwice 2000.
• 107. Laszczyk P. (2001). Simulative comparison of PI and PFC control for electric heater. Proceedings of 7th IEEE International Conference on Methods and Models in Automation and Robotics MMAR 2001, Międzyzdroje, Poland, 891-896.
• 108. Laszczyk P. (2002). Hybrid SCADA system with embedded programmable controllers. Programmable Devices and Systems PDS 2001, (ed. Ciazynski, Hrynkiewicz and Kłosowski) EFAC Publications, Elsevier, Science Ltd. 155-159
• 109. Mahuli S.K., Rhinehart R.R., Riggs J.B., (1992). Experimental demonstration of nonlinear model-based in-line control of pH. J. Proc. Cont, 2(3), 145-153.
• 110. McAvoy T.J. (1972). Dynamic models for pH and other fast equilibrium systems. Int. Eng. Chem. Process Des. Develop., 11, 630-631.
• 111. McLain R.B., Henson M.A., Pottmaim M. (1999). Direct adaptive control of partially known nonlinear systems. IEEE Transactions on Neural Networks, 10(3), 714-721.
• 112. Metzger M. (1988). Wybrane problemy modelowania i symulacji ciągłych procesów przemysłowych. Praca habilitacyjna. Zeszyty Naukowe Politechniki Śląskiej, nr 955.
• 113. Metzger M. (1994). Modelling and simulation of time-delay element via advective equation. Proc. of ESM’94, eds A. Guash and R. Huber, Simulation Councils Inc., Barcelona, Spain.
• 114. Metzger, M., Laszczyk P.Pasek K. (1997). Industrial-scale heat distribution pilot plant. In: Institute of Automatic Control - Activity Report 1995-1996. Edition I&D Gebka, Gliwice, 32-36.
• 115. Metzger M. (2000). Modelling, simulation and control of continuous processes. Edycja: Jacek Skalmierski Computer Studio, Gliwice.
• 116. Metzger M. (2001) Easy programmable MAPI controller based on simplified process model. Proceedings of the IFAC Workshop on Programmable Devices and Systems (PDS 2001 ), Gliwice, Elsevier, 166-170.
• 117. Metzger M. (2001 a) Modelling of imperfect mixing for real-time simulation and process model-based control of CSTR. Proceedings of the 7th IEEE International Conference on Methods and Models in Automation and Robotics, Międzyzdroje 2001, 421-426.
• 118. Metzger M. (2005). Virtual controllers improve Internet-based experiments on semi industrial pilot plants. Proceedings of the 16th IFAC Triennal World Congress, Prague, CD Edition, Elsevier.
• 119. Monod J. (1949). The growth of bacterial cultures. Am. Rev. Microbial, 3, 371-394.
• 120. Moser A. (1988). Bioprocess Technology. Kinetics and Reactors. Springer Verlag. New York.
• 121. Niederliński (1985). Systemy komputerowe automatyki przemysłowej. Zastosowania. Tom 2, Warszawa, WNT.
• 122. Niederliński A., Mościński J., Ogonowski Z. (1995). Regulacja adaptacyjna. Wydawnictwo Naukowe PWN, Warszawa 1995. ISBN 83-01-11859-8.
• 123. Nihtilä M.T., Jutila P. (1982). Dynamic models and state-linear filtering schema for pH processes. Symposium on Application of Multivariable Systems Theory, Playmouth, England, 185-194.
• 124. Nihtilä M.T., Julien S., Babary J.P., Czeczot J. (1998). Simulation of two adaptive control schemes of a distributed parameter bioreactor. EUROSIM 18, Vol. 3, 530-534.
• 125. Pajunen G.A. (1992). Adaptive control of Wiener type nonlinear systems. Automatica, 29(4), 781-785.
• 126. Preuss H.P. (1991). Robuste Adaption in Prozessreglem. Automatisierungstechnische Praxis, 33(4), 178-187.
• 127. Qin S.J., Badgwell T.A. (1997). An Overview of Industrial Model Predictive Control Technology In Chemical Process Control: Assessment and New Directions for Researchy. AIChE Symposium Series 316, 93. Jeffrey C Kantor, Carlos E. Garcia and Brice Carnahan Eds., 232-256.
• 128. Qin S.J., Badgwell T.A. (2003). A Survey of Industrail Model Predictive Control Technology. Control Eng. Practice, 11, 733-765.
• 129. Ray W.H., (1981). New approach to the dynamics of nonlinear systems with implications for process and control system design. Proc. of the Conference on Chemical Process Control (CPCII), Capri, Italy.
• 130. Rhinehart R.R., Riggs J.B. (1990). Process Control through Nonlinear Modeling. Control. 3(7), 86.
• 131. Rhinehart R.R., Riggs J.B. (1991). Two simple methods for on-line incremental model parametrization. Computers Chem. Engng., 15(3), 181-189.
• 132. Richalet J., Rault A., Testud J.L., Papon J. (1976). Algorithmic Control of Industrial Processes. 4th IFAC Symposium on Identification and System Parameter Estimation. Tbilisi, USRR.
• 133. Richalet J., Rault A., Testud J.L., Papon J. (1978). Model Predictive Heuristic Control: Application to Industrial Processes. Automatica. 14(2), 413-428.
• 134. Richalet J. (1993). Pratique de la commande predictive, Hermes, Paris.
• 135. Richalet J., Ruget Y. (1996). Commande Paramétrique Predictive des Processes Enthalpiques. Adersa.
• 136. Richalet J., Lavielle G., Mallet J. (2005). La commande predictive, Eyrolles, Paris.
• 137. Riggs J.B., Rhinehart R.R. (1990). Comparison Between Two Nonlinear Process-Model Based Controllers. Computers Chem. Engng., 14(10), 1075-1081.
• 138. Schiesser W.E.(1991). The numerical method of lines. Academic Press. San Diego.
• 139. Seborg D.E., (1999). A perspective on advanced strategies for process control. ATP, 41(11), 13-31.
• 140. Sistu P.B., Bequette B.W. (1991). Nonlinear predictive control of uncertain processes: application to a CSTR, AIChE Journal, 37, 1711-1723.
• 141. Smith C.A., Corripio A.B. (1997). Principles and Practice of Automatic Process Control. John Wiley & Sons, Inc. 1997, second edition.
• 142. Stebel K. (2001). Input-Output Linearization and PI Control Algorithms Applied for pH Process. Proceedings of 7th IEEE International Conference on Methods and Models in Automation and Robotics MMAR 2001, Międzyzdroje, Poland, 885-890.
• 143. Stebel K., (2002). Polynomial approximation approach to modelling and control of pH process. Proc. of XV IFAC Congress, Barcelona, Spain.
• 144. Stebel K. (2002a). Comparative Evaluation of PI amd GMC Algorithms on Neutralization Pilot Plant Installation. Proceedings of 8th IEEE International Conference on Methods and Models in Automation and Robotics MMAR 2002, Szczecin, Poland, 1169-1175.
• 145. Subawalla H., Paruchuri V.P., Gupta A., Pandit H.G., Rhinehart R.R. (1996). Comparison of model-based and conventional control: a summary of experimental results. Ind. Eng. Chem. Res., 35, 3547-3559.
• 146. Tali-Maamar N. (1994). Modélisation, analyse et commande d’un procédé biotechnologique a gradient spatial de concentration. Doctoral dissertation. Université Paul Sabatier, Toulouse, France.
• 147. Tatjewski P. (2002). Sterowanie zaawansowane obiektów przemysłowych. Struktury i algorytmy. Akademicka Oficyna Wydawnicza EXIT, Warszawa.
• 148. Trybus L. (1992). Regulatory wielofunkcyjne. WNT, Warszawa.
• 149. Uppal A., Ray W.H., Poore A.B., (1974). On the dynamic behavior of continuous stirred tan reactors. Chemical Engineering Science, 29, 967-985.
• 150. Uppal A., Ray W.H., Poore A.B., (1976). The classification of the dynamic behavior of continuous stirred tank reactors - influence of reactor residence time. Ibid., 31, 205-214.
• 151. Van der Gast Ch., Thompson LP. (2005). Effects of pH Amendment on Metal Working Fluid Wastewater Biological Treatment Using a Defined Bacterial Consortium. Biotechnology and Bioengineering, 89(3), 358-366.
• 152. VanDoren V.J. (2004). PID: wciąż najlepszy. Control Engineering Polska, nr 1/2, luty 2004.
• 153. Van Impre J.F., Bastin G. (1995). Optimal adaptive control of fed-batch fermentation processes. Control Eng. Practice, 3(7), 939-954.
• 154. Villadsen J.V., Michelsen M.L. (1978). Solution of differential equation models by polynomial approximation. Prentice Hall, Englewood Cliffs, NJ.