Riassunto analitico
In questo progetto di tesi viene proposto un nuovo sistema PID basato su rete neurale per il controllo del processo di tostatura di impianti di torrefazione del caffè. La sua progettazione e sviluppo partono dalla comprensione dello schema di controllo già installato sulle macchine tostatrici, basato su logica PID tradizionale. Il PID neurale si è dimostrato estremamente pratico ed efficace nel test di simulazione.Questo nuovo controllore, infatti, presenta dei vantaggi rispetto al PID tradizionale: più conveniente nella regolazione dei parametri, aumentata robustezza, forte abilità di approssimazione non lineare, maggiore indipendenza e adattabilità sull'impianto. Nella prima fase del progetto è stato definito e costruito un sistema capace di emulare il comportamento dell’impianto di torrefazione: questo ha permesso di generare nuovi dati portando a una estensione delle dimensioni del dataset di partenza fornito dal cliente. Gli effetti della data augmentation sono stati evidenziati nella seconda parte del lavoro: l’incremento della quantità di dati ha consentito, infatti, di ottenere prestazioni migliorate nell'addestramento del PID neurale.Vengono quindi discussi gli algoritmi di apprendimento e i metodi di realizzazione dei modelli per entrambe le fasi del progetto. In particolare vengono confrontati risultati ottenuti nei test, sia per modelli predittivi di tipologia feedforward che per quelli ricorrenti Long-Short Term Memory (LSTM).
|
Abstract
In this thesis project a new neural network-based PID system is proposed for the control of the roasting process of coffee roasting plants. Its design and development start from the understanding of the control scheme already installed on the roasting machines, based on traditional PID logic. Neural PID proved extremely practical and effective in the simulation test. This new controller, in fact, has advantages over the traditional PID: more convenient in adjusting the parameters, increased robustness, strong non-linear approximation ability, greater independence and adaptability on the system. In the first phase of the project it was finalized and built a system capable of emulating the behavior of the roasting plant: this allowed to generate new data leading to an extension of the size of the starting dataset provided by the customer. The effects of the data augmentation were highlighted in the second part of the work: the increase in the amount of data allowed, in fact, to obtain improved performance in the training of the neural PID. The learning algorithms and the methods of realization of the models, for both phases of the project, are then discussed. In particular, the results obtained in the tests are compared, both for predictive models of the feedforward type and for the recurrent Long-Short Term Memory (LSTM).
|