La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

A nonlinear neural network-based model predictive control for industrial gas turbine

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Ibrahem, Ibrahem Mohamed Atia (2020). A nonlinear neural network-based model predictive control for industrial gas turbine. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

[img]
Prévisualisation
PDF
Télécharger (14MB) | Prévisualisation
[img]
Prévisualisation
PDF
Télécharger (1MB) | Prévisualisation

Résumé

Gas turbines are now extensively used in aviation, oil and gas applications and power generation. With this increasing use in a diverse range of applications, gas turbine engines are designed to operate in a wide operating envelope. Typically, the ambient temperature can vary substantially from a hot summer day to a cold winter night. In addition, different fuel types may be used. Furthermore, the performance of a turbine engine deteriorates with use because of component degradation caused by erosion and corrosion. These requirements for guaranteed high performance levels while maintaining stability and safe operation with minimum overall cost impose severe challenges on control system design. In this dissertation, new approaches for gas turbine engine modelling and multivariable advanced controller design are investigated. A nonlinear model predictive control (NMPC) approach based on an ensemble of recurrent neural networks (NN) is utilized to achieve the control objectives for a Siemens SGT-A65 three spool aeroderivative gas turbine engine used for power generation. A novel ensemble method is proposed, which results in an adaptive NN model. The simulation results show improvement in accuracy and robustness by using the proposed modelling approach. Also, another important gain is the very rapid execution time (40,5 μs), which can support many real time applications that require model based control design.

For the closed-loop control, a constrained multi-input multi-output (MIMO) nonlinear model predictive controller (NMPC) is developed based on the generalized predictive control (GPC) algorithm because of its ability to handle MIMO problems in one algorithm. In this controller, a novel trade-off approach between the usage of a non-linear model and successive linearization approaches is used in order to reduce the computation effort and at the same time increase the robustness of the controller. Estimation of the free and forced responses of the GPC are performed based on the NN model of the plant at each sampling time. In addition, the Hildreth’s Quadratic Programming (QP) procedure is utilized to solve the quadratic optimization problem of the NNGPC controller, which offers simplicity and reliability in real-time implementation. A comparison between the performance of the proposed controller (NNGPC) and the current controller of the SGT-A65 engine (min-max controller) is performed. The simulation results show that the NNGPC has demonstrated superior output responses with less oscillatory behavior and smoother control actions to sudden variations in the electric load than those observed in the existing min-max controller. Furthermore, the NNGPC controller requires less control effort than the min-max controller to achieve the desired objectives. The minimization of control effort has significant practical repercussions because it reduces the intensity of mechanical wear of the actuators, which leads to an increase in the functional safety, lifetime, and economics of the controlled process. In addition, the computation time required to solve an optimization problem was sufficiently shorter than the sampling period which makes a real-time implementation of the NNGPC controller possible.

Titre traduit

Commande prédictive non linéairebasée sur un réseau neuronal pour une turbine à gaz industrielle

Résumé traduit

Les turbines à gaz sont largement utilisées actuellement dans l’aviation, les applications pétrolières et gazières et la production d’électricité. Avec cette utilisation croissante dans une large gamme d’applications, les turbines à gaz sont conçues pour fonctionner dans une large plage de fonctionnement. Typiquement, la température ambiante peut varier considérablement d’une chaude journée d’été à une froide nuit d’hiver. Aussi, différents types de carburant peuvent être utilisés. De plus, les performances d’un turbomoteur se détériorent à l’usage en raison de la dégradation des composants provoquée par l’érosion et la corrosion. Ces exigences pour garantir des niveaux de performance élevés tout en maintenant la stabilité et un fonctionnement sûr avec un coût global minimal imposent de grands défis à la conception du système de commande. Dans cette thèse, de nouvelles approches pour la modélisation de turbines à gaz et la conception de contrôleurs avancés multivariables sont étudiées. Une approche de contrôle prédictif non linéaire (NMPC) basée sur un ensemble de réseaux neuronaux récurrents (NN) est utilisée pour atteindre les objectifs de contrôle d’un moteur à turbine à gaz aérodérivé à trois bobines Siemens SGT-A65 utilisé pour la production d’électricité. Une nouvelle méthode d’ensemble est proposée, qui aboutit à un modèle NN adaptatif. Les résultats de la simulation montrent une amélioration de la précision et de la robustesse en utilisant l’approche de modélisation proposée. En outre, un autre gain important est le temps d’exécution très faible (40,5 μs), qui peut permettre de nombreuses applications en temps réel qui nécessitent une conception de contrôle basée sur un modèle.

Pour la commande en boucle fermée, un contrôleur prédictif non linéaire (NMPC) à entrées multiples et sorties multiples (MIMO) et avec contraintes est développé sur la base de l’algorithme de contrôle prédictif généralisé (GPC) en raison de sa capacité à gérer les problèmes MIMO dans un même algorithme. Dans ce contrôleur, une nouvelle approche de compromis entre l’utilisation d’un modèle non linéaire et des approches de linéarisation successives est utilisée afin de réduire l’effort de calcul et en même temps d’augmenter la robustesse du contrôleur. L’estimation des réponses libres et forcées du GPC est réalisée sur la base du modèle NN de la turbine à chaque instant d’échantillonnage. En outre, la procédure de programmation quadratique (QP) de Hildreth est utilisée pour résoudre le problème d’optimisation quadratique du contrôleur NNGPC, qui offre simplicité et fiabilité dans la mise en oeuvre en temps réel. Une comparaison entre les performances du contrôleur proposé (NNGPC) et du contrôleur actuel du moteur SGT-A65 (le contrôleur min-max) est effectuée. Les résultats de la simulation montrent que le NNGPC donne des réponses de sortie supérieures avec moins de comportement oscillatoire et des actions de contrôle plus douces aux variations soudaines de la charge électrique que celles observées pour le contrôleur min-max existant. De plus, le contrôleur NNGPC nécessite moins d’effort de contrôle que le contrôleur min-max pour atteindre les objectifs souhaités. La minimisation de l’effort de commande a des répercussions pratiques importantes car elle réduit l’intensité de l’usure mécanique des actionneurs, ce qui conduit à une augmentation de la sécurité fonctionnelle, de la durée de vie et de l’économie du processus contrôlé. De plus, le temps de calcul nécessaire pour résoudre le problème d’optimisation était suffisamment plus rapide que la fréquence d’échantillonnage, ce qui rend possible une implémentation en temps réel du contrôleur NNGPC.

Type de document: Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires: "Thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 173-181).
Mots-clés libres: modèle NARX, turbine à gaz, modélisation, réseaux de neurones, ensemble, GPC, NMPC, NNGPC
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Akhrif, Ouassima
Codirecteur:
Codirecteur
Moustapha, Hany
Programme: Doctorat en génie > Génie
Date de dépôt: 22 mars 2021 18:07
Dernière modification: 22 mars 2021 18:07
URI: https://espace.etsmtl.ca/id/eprint/2652

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt