CONTROL ADAPTATIVO PARA ARRANQUE DE GENERADORES DE VAPOR MEDIANTE REDES NEURONALES DINÁMICAS

CONTROL ADAPTATIVO PARA ARRANQUE DE GENERADORES DE VAPOR MEDIANTE REDES NEURONALES DINÁMICAS

I. INTRODUCCIÓN

Uno de los principales problemas de los generadores de vapor representa el proceso de arranque. Este proceso comprende desde la activación de quemadores hasta la alineación del generador de vapor al cabezal. Durante este proceso, el operador debe ir incrementando lentamente la temperatura basándose en una curva predefinida de calentamiento que permite que el impacto térmico en los tubos del generador de vapor sea menor. En la Figura No.1 se muestra una curva de calentamiento proporcionada por el fabricante de un generador de vapor, en el cual se observa que el calentamiento sugerido es de 48 horas partiendo de la caldera en frío.

[pic 1]

En la Figura 2 se observa una curva registrada de calentamiento del generador de vapor antes mencionado. La caída abrupta de temperatura representa el apagado de uno de los dos quemadores instalados por falla de proceso de arranque.

[pic 2]

El presente trabajo es el diseño de un controlador adaptativo que manipule el aire de combustión y el gas natural a los quemadores del generador de vapor, tomando como referencia principal del sistema de control la temperatura y como referencia secundaria el oxígeno resultado de la combustión. El sistema es adaptativo a los cambios en el sistema ejerciendo acciones de control dinámicas al sistema. El diseño de controlador se realizó mediante un software de simulación matemática MATLAB.

La estrategia utilizada es las redes neuronales que permiten un modelado tipo “caja negra” en los cuales no necesariamente se necesita conocer la función de transferencia de la planta. Esta estrategia permitiría mediante un algoritmo pequeño y sencillo, implementar un control adaptativo en cualquier microcontrolador o un sistema de tipo VHDL. Este trabajo toma como muestra de estudio el generador de vapor BF-6001 ubicado en Planta de Briquetas CVG Ferrominera Orinoco y la cantidad de muestras será 3 arranques del generador de vapor para hallar el modelo. La recolección de datos se realizará con 2 minutos por muestra con el fin de obtener la mayor cantidad de información posible del arranque. El documento está estructurado mediante un marco teórico, desarrollo, conclusiones y referencias. El marco teórico está subdividido entre un marco referencial y un marco conceptual. El desarrollo se divide primero explicando el algoritmo de control adaptativo y como está estructurado, después se explica en el diseño del sistema de control cómo se estructuró cada uno de sus elementos, a continuación se expresan los resultados de las simulación. De último se presentan las conclusiones y las referencias.

II. DESARROLLO

1. Red Neuronal Auto-recurrente NNARX [5.10]

Las redes Neuronales NNARX son redes auto-recurrentes en las cuales su vector de entrada es una combinación de las entradas y salidas anteriores. Una red NNARX con orden de entrada p y orden de salida q viene dado por la ecuación (1) que señala que una red NNARX es función de las entradas, de las demoras de las entradas, y de los retardos de las salidas.

[pic 3]

El control de modelo interno (IMC) parte de que el control puede ser alcanzado sólo si el sistema de control, sea explicito o implícito, es alguna representación del proceso a ser controlado. En particular el esquema ha sido desarrollado de un modelo exacto del proceso. El control perfecto, si el controlador es el modelo inverso de la planta, entonces la salida será igual al setpoint. En la práctica sin embargo la discordancia del modelo del controlador es común. El modelo del proceso puede no ser invertible y el sistema es muy afectado por perturbaciones desconocidas. Entonces el modelo abierto no es factible para mantener el setpoint. Sin embargo la estrategia de control IMC como se describe en la Figura 3 es capaz de resolver el problema de las perturbaciones, donde el observador es el modelo directo de la planta y el controlador es el modelo inverso. La medida de las perturbaciones se mide en la realimentación.

2. Algoritmo de control

El algoritmo de control diseñado está basado en el esquema presentado en la Figura No.3:

[pic 4]

Este esquema corresponde con un control por modelo interno IMC donde el controlador y el observador son entrenados fuera de línea con datos empíricos de la planta y son adaptados con datos en línea. El observador corresponderá con el modelo neuronal directo de la planta y el controlador con el modelo neuronal inverso de la planta. El observador es una red Neuronal tipo NNARX, cuya salida es función de sus auto-regresores, tal como se muestra en la ecuación (2):

...