Denoising Autoencoders and LSTM-Based Artificial Neural Networks Data Processing for Its Application to Internal Model Control in Industrial Environments-The Wastewater Treatment Plant Control Case
Pisa, Ivan (Universitat Autònoma de Barcelona. Departament de Telecomunicació i Enginyeria de Sistemes)
Morell Pérez, Antoni (Universitat Autònoma de Barcelona. Departament de Telecomunicació i Enginyeria de Sistemes)
López Vicario, José (Universitat Autònoma de Barcelona. Departament de Telecomunicació i Enginyeria de Sistemes)
Vilanova i Arbós, Ramon (Universitat Autònoma de Barcelona. Departament de Telecomunicació i Enginyeria de Sistemes)

Fecha:	2020
Resumen:	The evolution of industry towards the Industry 4. 0 paradigm has become a reality where different data-driven methods are adopted to support industrial processes. One of them corresponds to Artificial Neural Networks (ANNs), which are able to model highly complex and non-linear processes. This motivates their adoption as part of new data-driven based control strategies. The ANN-based Internal Model Controller (ANN-based IMC) is an example which takes advantage of the ANNs characteristics by modelling the direct and inverse relationships of the process under control with them. This approach has been implemented in Wastewater Treatment Plants (WWTP), where results show a significant improvement on control performance metrics with respect to (w. r. t. ) the WWTP default control strategy. However, this structure is very sensible to non-desired effects in the measurements-when a real scenario showing noise-corrupted data is considered, the control performance drops. To solve this, a new ANN-based IMC approach is designed with a two-fold objective, improve the control performance and denoise the noise-corrupted measurements to reduce the performance degradation. Results show that the proposed structure improves the control metrics, (the Integrated Absolute Error (IAE) and the Integrated Squared Error (ISE)), around a 21. 25% and a 54. 64%, respectively.
Ayudas:	Agència de Gestió d'Ajuts Universitaris i de Recerca 2017/SGR-1202 Agència de Gestió d'Ajuts Universitaris i de Recerca 2017/SGR-1670 Ministerio de Economía y Competitividad TEC2017-84321-C4-4-R Ministerio de Economía y Competitividad DPI2016-77271-R
Nota:	Altres ajuts: Secretaria d'Universitats i Recerca del Departament d'Empresa i Coneixement de la Generalitat de Catalunya i del Fons Social Europeu (2020 FI_B2 000)
Derechos:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.
Lengua:	Anglès
Documento:	Article ; recerca ; Versió publicada
Materia:	Artificial neural networks ; Denoising autoencoders ; Long short-term memory cells ; Internal model control ; Wastewater treatment plants
Publicado en:	Sensors (Basel, Switzerland), Vol. 20, Núm. 13 (July 2020) , art. 3743, ISSN 1424-8220

DOI: 10.3390/s20133743
PMID: 32635419

30 p, 1.3 MB

El registro aparece en las colecciones:
Artículos > Artículos de investigación
Artículos > Artículos publicados