Model Predictive Control in Process Control

Thumbnail Image

Files

URL

Journal Title

Journal ISSN

Volume Title

Sähkötekniikan korkeakoulu | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2024-05-02

Department

Major/Subject

Automaatio ja robotiikka

Mcode

ELEC3014

Degree programme

Sähkötekniikan kandidaattiohjelma

Language

en

Pages

19

Series

Abstract

Model predictive control (MPC) refers to a control strategy where, as the name implies, a model of the controlled process is used to assist in predicting its future behavior. The use of MPC is especially apparent in the chemical industry, where processes are often complex and constraint management is critical. Important advantages of MPC over classical control methods include its simpler applicability to multivariable process control, and its ability to impose constraints and manage measurable disturbances that occur in processes. This bachelor's thesis deals with the theory and principles of Model Predictive Control and the process industry. The historical development of MPC is examined in more detail, to develop the reader's understanding of MPC's significance. The main objective of the thesis is to determine in which situations Model Predictive Control is best suited over other control methods, such as PID. Based on the literature review in this thesis, we conclude that alongside its sophistication and high performance, MPC also presents significant limitations and challenges, particularly in demanding processes where its implementation is not straightforward. Although MPC offers numerous advantages, its implementation requires significant expertise in both process and control theory. Additionally, while modern computing power enables the use of MPC in complex processes, its implementation remains costly and time-consuming. In the future, it is expected that the popularity of MPC in the process industry will expand further as computing technology and algorithm efficiency continue to develop. Furthermore, as artificial intelligence and machine learning continue to advance, the implementation and tuning of MPC are becoming more accessible and cost-effective. This advancement also improves the scalability of MPC across different systems.

Malliprediktiivinen säätö (engl. Model Predictive Control, MPC) tarkoittaa säätöstrategiaa, jossa nimensä mukaisesti käytetään säädettävän prosessin mallia apuna sen käyttäytymisen ennustamiseen. MPC:n käyttö on huomattavissa etenkin kemian teollisuudessa, jossa prosessit ovat usein monimutkaisia ja rajoitteiden hallinta on kriittistä. Tärkeitä etuja MPC:llä klassisiin säätömenetelmiin verrattuna ovat sen yksinkertaisempi sovellus monimuuttujaprosessien säätöön, sekä sen kyky määrätä rajoitteita ja prosesseissa esiintyviä mitattavia häiriöitä. Tässä kandidaatintyössä käsitellään malliprediktiivisen säädön, sekä prosessiteollisuuden teoriaa ja periaatteita. MPC:n historiallista kehitystä tutkitaan tarkemmin, jotta lukijalle kehittyisi ymmärrys sen kehityksen tärkeydestä. Kandidaatintyön tärkein tavoite on selvittää, millaisissa tilanteissa malliprediktiivinen säätö soveltuu parhaiten muiden säätömenetelmien rinnalla. Kandidaatintyön kirjallisuusselvityksen perusteella toteamme, että MPC:n kehittyneisyyden ja korkean performanssin rinnalla kyseisellä säätöstrategialla on myös paljon rajoitteita, eikä sen implementointi vaativiinkaan prosesseihin ole aina yksiselitteinen ratkaisu. Vaikka MPC tarjoaakin monia etuja, sen toteutus vaatii kuitenkin huomattavaa asiantuntemusta sekä prosessista että säätöteoriasta. Lisäksi, vaikka nykyaikaiset laskentatehot mahdollistavatkin MPC:n käytön monimutkaisissakin prosesseissa, sen implementointi on kallista ja aikaa vievää. Tulevaisuudessa on odotettavissa, että MPC:n soveltaminen prosessiteollisuudessa laajenee entisestään laskentatekniikan ja algoritmien tehokkuuden kehityksen jatkuessa. Lisäksi tekoälyn ja koneoppimisen kehittyessä entisestään MPC:n implementointi ja viritys yksinkertaistuu entisestään. Tämä edistää myös MPC:n skaalautuvuutta eri systeemien välillä.

Description

Supervisor

Forsman, Pekka

Thesis advisor

Deng, Jifei

Keywords

MPC, process, system, model, control, comparison

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202407025013

Collections

[kand] Sähkötekniikan korkeakoulu / ELEC