طراحي سيستم كنترل پسخور-پيشخور و بهينه‌سازي عملكرد كوره فرآيندي نفت خام با استفاده از الگوريتم ژنتيك براي مديريت شرايط غيرعادي

Feedback-Feedforward Control System Design and Optimizing the Performance of Crude Oil Fired Heater Furnace Using Genetic Algorithm for Abnormal Conditions Management

در اين تحقيق، طراحي سيستم كنترل پسخورپيشخور و بهينه‌سازي عملكرد كوره فرآيندي نفت خام براي بازيابي از شرايط غيرعادي احتمالي، مورد بررسي قرار گرفته است. در ابتدا با توسعه يك مدل تحليلي غيرخطي دقيق، اثرات تغييرات پارامترهاي ورودي و شرايط مختلف عملكردي بر خروجي سيستم تعيين شده است. سپس به منظور حذف اثر اغتشاشات وارده به كوره، يك ساختار كنترلي پيشخورپسخور براي كنترل احتراق پيشنهاد و با استفاده از الگوريتم ژنتيك (GA) عملكرد كنترلرها، بهينه‌سازي شده است. همچنين، به منظور افزايش پايداري حرارتي سيستم و حفظ كيفيت محصول خروجي، سيستم كنترل اختلاف دما بر اساس تقسيم بار بين مسيرهاي كوره بكار گرفته شده است. به علاوه يك سيستم كنترل نظارتي براي تنظيم مقادير مطلوب آتشباري، به منظور بازيابي سيستم از شرايط غيرعادي ناشي از خرابي مشعل‌ها، ارائه شده است. با توجه به سناريوهاي مختلف خرابي، مقادير بهينه آتشباري توسط مشعلها، با اعمال الگوريتم ژنتيك به مدل سيستم، بدست آمده است. از شبكه عصبي پرسپترون چند لايه به عنوان هسته مركزي اين كنترلر و ميان‌يابي بين شرايط مختلف استفاده شده است. نتايج بدست آمده در شرايط مختلف، عملكرد مناسب سيستم‌هاي كنترلي طراحي شده را تاييد مي‌كند.

In this study, feedbackfeedforward control system design and optimizing the performance of crude oil furnace process was investigated in order to be recovered from possible abnormal conditions. First, by developing an accurate nonlinear analytical model, the effects of changes in input parameters and operating conditions on the system’s outputs were determined. Then, in order to eliminate the effects of disturbances on furnace, a feedback feedforward control system for combustion management was suggested, where its performances were optimized genetic algorithm (GA). In addition, to enhance the thermal stability and to maintain product quality, output difference temperature control system was considered for load distribution between furnace’s streams. Also, in order to recover the furnace from abnormal conditions due to burners’ failures, a supervisory system was designed to change the firing rate setpoints. With respect to different failure scenarios, the optimal burners’ firing rate were captured by applying genetic algorithms to the system model. A multilayer perceptron neural network was employed as the core of the controller to interpolate between different conditions. The obtained results indicate the superior performances of the designed control systems.