无氧消化过程的模型预测控制使用长期短期记忆网络预测器

科学领域:

• 生物化学工程 生物化学工程
• 过程控制 过程控制
• 人工智能的人工智能

背景情况:

• 无氧消化 (AD) 过程对于生物气体生产至关重要,但由于其复杂性和非线性动态,控制起来具有挑战性.
• 传统的控制方法通常依赖于详细的机械模型,这些模型需要广泛的参数化,并且可能不够强大来处理变化.
• 需要数据驱动的控制策略,可以利用随时可用的在线测量来有效地管理AD流程.

研究的目的:

• 开发和验证与长短期记忆 (LSTM) 网络集成的模型预测控制 (MPC) 战略,用于控制无氧消化 (AD) 过程.
• 通过在模拟的AD环境中使用随时可用的在线测量来评估LSTM-MPC方法的性能.
• 评估实时应用程序的拟议控制策略的计算可行性.

主要方法:

• 实施一个模型预测控制 (MPC) 框架.
• 利用长短期内存 (LSTM) 网络作为在模拟的AD数据上训练的内部预测模型.
• 在两个模拟环境中测试集成的LSTM-MPC策略:无氧模型号. 2 (AM2) 和无氧消化模型号. 1 (ADM1).1) 的情况.
• 引入随机干扰和非线性运行条件以评估稳定性.

主要成果:

• 通过成功训练LSTM网络,可以预测甲流量,即使存在随机干扰.
• 集成的LSTM-MPC框架在AM2和ADM1模拟中展示了强大的甲流速设定点跟踪.
• 控制策略在非线性运行条件和影响干扰下保持了过程稳定性.
• 计算要求被发现是可行的,在AD过程中实时实现.

结论:

• 在LSTM-MPC策略呈现了一个有希望的,数据驱动的,和计算效率高的替代方案来控制无氧消化 (AD) 过程.
• 与传统的基于机械模型的方法相比,这种方法提供了一个实际的解决方案,需要更简单的测量.
• 经过验证的策略通过有效的甲流速控制来提高AD过程的稳定性和性能.