Control predictivo multivariable basado en Machine Learning: Aplicación de un modelo LSTM para el control por seguimiento del nivel y de la presión en un proceso real de ingeniería química

Abstract

RESUMEN : En este trabajo de grado, se investigó la viabilidad técnica de utilizar un modelo de Machine Learning basado en 500.000 datos de regulación por dos controladores con acción proporcional e integral para lograr un control predictivo multivariable por seguimiento del nivel y la presión de un tanque en un proceso real de ingeniería química. El modelo elaborado y optimizado en Python, basado en redes neuronales recurrentes con memoria a corto plazo, demostró la capacidad de capturar dependencias secuenciales en los datos y realizar predicciones precisas. El RMSE obtenido fue inferior al 2% para un rango de nivel entre 5 y 25 cm y presiones entre 0 y 100 mbar. Sin embargo, se encontraron desafíos relacionados con la falta de control óptimo para el nivel y la presión del tanque, lo que destaca la importancia de combinar el modelo de Machine Learning con estrategias de control adicionales, como sistemas de control predictivo de modelos o la elaboración de múltiples modelos de Machine Learning en conjunto con algoritmos de control adaptativo. Estas conclusiones resaltan la necesidad de seguir investigando y refinando los enfoques utilizados para lograr un control preciso y óptimo de las variables controladas en sistemas de ingeniería química.

ABSTRACT : In this undergraduate thesis project, the feasibility of using a Machine Learning model based on 500.000 regulation data by two controllers with proportional and integral action to achieve multivariable predictive control by monitoring the level and pressure of a tank in a real chemical engineering process was investigated. The elaborated and optimized model in Python, based on recurrent neural networks with short-term memory, demonstrated the ability to capture sequential dependencies in the data and make accurate predictions. The RMSE obtained was below 2% for levels between 5 and 25 cm and pressures between 0 and 200mbar. However, challenges were encountered related to the lack of optimal control for the tank level and pressure, highlighting the importance of combining the Machine Learning model with additional control strategies, such as model predictive control systems or the development of multiple Machine Learning models in conjunction with adaptive control algorithms. These findings underscore the need for further research and refinement of the approaches used to achieve accurate and optimal control of controlled variables in chemical engineering systems.