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

Résumé

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.

Date	22 oct. 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Ouassima Akhrif (Directeur(-trice)) & Saïd Hany Moustapha (Codirecteur(-trice))