En lo últimos años se han producido numerosos avances en la industria química en
áreas tales como: monitoreo de procesos, control basado en modelos, control estadístico
multivariable, optimización en tiempo real, diagnóstico de fallas, etc. Sin embargo,
existen aún varios tópicos claves que deben resolverse, entre ellos, el diseño de la red de
instrumentación de una planta química. Ésta proporciona un conocimiento integral del
estado actual de proceso que resulta indispensable para la toma de decisiones. En este
contexto aparece la necesidad de desarrollar estrategias sistemáticas que permitan
determinar para cada variable de proceso si será medida, y en tal caso, indicar cuántos
sensores la medirán y cuáles serán sus características, a la vez que se optimiza un criterio
de desempeño preestablecido. Este problema se conoce como Problema de Diseño de
Redes de Sensores, PDRS.
Frecuentemente es necesario satisfacer restricciones en la calidad de las
estimaciones sólo para un conjunto de variables claves. En este caso, se diseña una red de
sensores llamada General, sin conocer a priori la cardinalidad del conjunto óptimo de
instrumentos. Si bien se han utilizado diferentes modelos de selección óptima de sensores,
siempre resulta un problema de optimización combinatorial sujeto a restricciones.
En esta tesis se han desarrollado e implementado metodologías de resolución del
PDRS para plantas de proceso cuya operación se representa mediante sistemas
linealizados de ecuaciones algebraicas. Las estrategias propuestas emplean motores de
optimización híbridos con el fin de explotar las ventajas de los algoritmos estocásticos
de búsqueda global y local. Dichas metodologías, si bien no garantizan optimalidad,
ofrecen buenas soluciones en tiempos que no crecen exponencialmente con el tamaño de la entrada. Además son lo suficientemente flexibles como para ser adaptadas a otras
formulaciones del PDRS.
Inicialmente se investiga la resolución del diseño empleando nuevos algoritmos de
búsqueda local inspirados en la heurística Búsqueda Tabú (BT). Los resultados
alcanzados indican que éstos son menos robustos cuando la complejidad de las
restricciones aumenta. También se estudia el comportamiento de un algoritmo ad-hoc
híbrido basado en Búsqueda Dispersa, que combina una búsqueda global con técnicas de
inspección por entornos diferentes a las empleadas en la BT, obteniéndose una mejor
reproducibilidad de los resultados.
Además se analiza la aplicabilidad de los Algoritmos de Estimación de
Distribuciones (AEDs), de orden creciente, para la resolución del PDRS. Si bien todos
son capaces de hallar buenas soluciones, la complejidad adicional que implica considerar
un modelo gráfico probabilístico de mayor orden no produce una mejora importante en
la calidad y repetitividad de las mejores soluciones.
Por último se desarrolla una nueva metodología, denominada pPBIL-OS (Parallel
Population Based Incremental Learning – Strategic Oscillations). Ésta consiste en un
esquema de resolución híbrido que combina las ventajas del algoritmo poblacional PBIL,
de orden uno, con la técnica de búsqueda local Oscilaciones Estratégicas, que trabaja en
el marco de la BT. El procedimiento emplea un cierto número de subpoblaciones que
evolucionan de manera independiente, pudiendo intercambiar información entre ellas con
cierta probabilidad. Su desempeño, medido en función de: la calidad y reproducibilidad
de las soluciones, la capacidad de resolver problemas de tamaño incremental y los
requerimientos de cómputo, resulta muy satisfactorio. / In recent years many improvements have occurred in chemical industries in areas
such as: process monitoring, model predictive control, statistical process control, real time
optimization, etc. However there exist many key topics which should be solved, e.g., the
design of the instrumentation network of a chemical plant. It provides a comprehensive
knowledge about the current process state that is very important for the decision making
process. In this context, the development of systematic strategies which determine if a
process variable will be measured, and indicating this case the quantity of sensors and
their features, and also satisfying a performance criterion, is essential. This problem is
known as the Sensor Network Design Problem, PDRS.
Frequently it is necessary to fulfill some restrictions on the estimation quality of a
set of key variables. In this case, a General Sensor Network is designed without knowing
in advance the cardinality of the optimum set. Even though different models are used for
the optimal selection of instruments, a combinatorial optimization problem subject to
constraints always arises.
In this thesis, resolution methodologies of the PDRS are developed and
implemented for process plants whose operation is represented by a linearized system of
algebraic equations. The proposed strategies use hybrid optimization engines that take
advantage of the combined use of global and local search stochastic algorithms. Even
though these methodologies do not guarantee optimality, they provide good solutions
using computation times that do not exponentially depend on the problem size.
Furthermore they are flexible enough to be adopted for other formulations of the PDRS.
At first the research addresses the design problem using new local search algorithms
which are inspired on the Tabu Search (BT). Results indicate that their robustness decreases when the restrictions complexity increases. Furthermore the behaviour of an
ad-hoc hybrid algorithm based on Scatter Search is studied. It combines a global search
with local search techniques which are different from the ones used by BT. A better
solution reproducibility is achieved.
Also the applicability of Estimation of Distribution Algorithms (AEDs) of
incremental order for the resolution of the PDRS is analyzed. Although they are capable
to obtain good solutions, the additional complexity involved in considering a graphical
probabilistic model of high order does not improve the solutions quality and
reproducibility.
At last, a new methodology, called pPBIL-OS (Parallel Population Based
Incremental Learning – Strategic Oscillations), is developed. It is a hybrid solving scheme
than combines the advantages of the global search algorithm PBIL, of order one, with the
local search technique Strategic Oscillations. It works in the framework of the BT. The
procedure employs a certain number of subpopulations, which evolve independiently and
exchange information among them with a given probability. The strategy performance,
which is evaluated in terms of the solutions quality and reproducibility, the capability to
solve problems of incremental size and the computation time requirements, is very
satisfactory.
| Identifer | oai:union.ndltd.org:uns.edu.ar/oai:repositorio.bc.uns.edu.ar:123456789/2656 |
| Date | 18 April 2016 |
| Creators | Carnero, Mercedes del Carmen |
| Contributors | Sánchez, Mabel Cristina |
| Publisher | Universidad Nacional del Sur |
| Source Sets | Universidad Nacional del Sur |
| Language | Spanish |
| Detected Language | Spanish |
| Type | Electronic Thesis or Dissertation, Text |
| Rights | 2 |
Page generated in 0.0057 seconds