008240612s2023      us  |||||||||||||||c||eng  d
■001000016934663
■00520240214101640
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380100694
■035    ▼a(MiAaPQ)AAI30632410
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a660
■1001  ▼aLin,  Kuan-Han.
■24510▼aAdvances  in  Nonlinear  Model  Predictive  Control  and  Their  Applications  in  Chemical  Engineering▼h[electronic  resource]
■260    ▼a[S.l.]:▼bCarnegie  Mellon  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(174  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-02,  Section:  B.
■500    ▼aAdvisor:  Biegler,  Lorenz.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aModel  Predictive  Control  (MPC)  has  emerged  as  a  promising  optimization-based  controller  in  various  industrial  applications  because  of  its  nature  of  coping  with  variable  bounds  and  multiple-input-multiple-output  (MIMO)  dynamic  processes.  Nonlinear  MPC  (NMPC)  is  the  nonlinear  branch  of  MPC  that  makes  use  of  the  nonlinear  model  and  constraints  to  achieve  higher  accuracy  for  systems  with  complicated  dynamics.  However,  the  performance  of  NMPC  is  influenced  by  process  uncertainty  and  computational  delays.  In  addition,  it  faces  stability  challenges  when  considering  economically  oriented  objectives.  This  thesis  aims  to  enhance  the  performance  of  NMPC  by  developing  advanced  features  that  improve  robustness,  stability,  and  economic  efficiency  while  maintaining  reasonable  online  computation  by  leveraging  both  control  and  optimization  theory.First,  we  consider  the  well  pumping  period  in  hydraulic  fracturing  and  propose  a  robust  control  strategy  aimed  at  addressing  the  constraint  violations  on  operating  pressure  and  terminal  requirements  resulted  from  the  uncertainty  in  the  rock  layer.  A  comprehensive  dynamic  model  that  captures  the  process  is  constructed  and  incorporated  into  the  predictive  model  of  the  robust  multistage  NMPC,  which  uses  a  scenario  tree  to  depict  the  evolution  of  states  with  respect  to  uncertain  parameters.  The  results  demonstrate  the  promising  robustness  of  the  controller,  as  it  satisfies  all  constraints  in  the  face  of  the  rock  uncertainty  that  changes  in  time.  Next,  we  develop  a  strategy  to  alleviate  the  online  computational  burden  associated  with  solving  Moving  Horizon  Estimation  (MHE)  problems,  which  is  essential  for  NMPC  when  the  process  information  is  incomplete.  We  propose  to  solve  an  extended  horizon  MHE  within  a  specified  number  of  delayed  sampling  steps.  This  approach  uses  predicted  future  measurements  in  background  and  nonlinear  programming  (NLP)  sensitivity  to  execute  online  corrections  once  the  true  measurements  are  available.  The  proposed  algorithm  is  applied  to  a  large-scale  distillation  column  to  show  satisfactory  estimation  performance  with  negligible  online  computational  effort.Finally,  we  propose  two  stable  economic  NMPC  (eNMPC)  formulations  that  achieve  dual  objectives  of  optimizing  the  economic  goal  and  ensuring  closed-loop  stability.  The  proposed  formulations  track  the  optimality  conditions  of  the  real-time  optimization  problem  instead  of  the  exact  setpoint,  which  eliminates  the  requirement  of  solving  for  the  new  setpoint  when  updating  parameters  related  to  the  economic  objective  or  system.  We  demonstrate  the  developed  controllers  on  benchmark  examples  from  the  literature,  including  a  continuous  stirred-tank  reactor  and  the  aforementioned  distillation  column  with  improved  economic  results  and  guaranteed  stability.
■590    ▼aSchool  code:  0041.
■650  4▼aChemical  engineering.
■650  4▼aComputer  engineering.
■650  4▼aComputer  science.
■653    ▼aModel  Predictive  Control
■653    ▼aNonlinear  programming
■653    ▼aProcess  control
■653    ▼aNonlinear  MPC
■653    ▼aMultiple-input-multiple-output
■653    ▼aOnline  computation
■690    ▼a0542
■690    ▼a0984
■690    ▼a0464
■71020▼aCarnegie  Mellon  University▼bChemical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-02B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16934663▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024