Artificial Neural Networks in the Wastewater Industry. From Conventional to Data-based Industrial Control

Abstract

La incursió de la indústria 4.0 ha motivat l’adopció de metodologies basades en dades en entorns industrials. Des del desenvolupament de nous soft-sensors fins a l’adopció de processos de manteniment predictiu, aquest paradigma està canviant la manera de concebre les indústries. A més, la interconnectivitat proposada pels sistemes de comunicació de cinquena generació (5G) introdueix l’intercanvi d’enormes quantitats d’informació no només entre màquines i humans sinó també entre sistemes industrials. Tot i això, la gestió de les indústries segueix depenent de l’adopció dels sempre fiables controladors convencionals. Per això, l’objectiu principal d’aquesta tesi és proporcionar una visió sobre l’aplicació de metodologies d’aprenentatge Profund, i especialment de Xarxes Neuronals Artificials (RNN), per a l’operació d’una infraestructura industrial crítica, una Estació Depuradora d’Aigües Residuals (EDAR) . En primer lloc, es considera que les RNN donen suport als controladors convencionals en la difícil tasca de gestionar les violacions dels límits de contaminants dels efluents. Per això, es considera que les RNNs implementen un soft-sensor basat en aquest tipus de xarxes capaç de predir les concentracions dels efluents. A continuació, les prediccions s’introdueixen als controladors convencionals perquè actuïn per endavant. Aquest fet proporciona un millor rendiment de control, ja que s’eviten gairebé totes les violacions dels contaminants. A continuació, s’aborda l’ús de les RNN com a eines implementant estructures de control. En lloc de fer servir controladors convencionals recolzats en aquestes eines, tot el controlador és implementat per RNNs que realitzen totes les tasques, des del preprocessament de dades fins a l’estimació de l’actuació del control. Aquests controladors són capaços d’oferir un rendiment superior respecte del comportament de les estructures convencionals. Però el punt important és que això es pot aconseguir només considerant les mesures d’entrada i sortida del procés sota control. Això no obstant, el fet de basar-se en dades pot induir una mala gestió de l’entorn industrial si s’introdueixen no idealitats a l’estructura de control. Per això, també es proposa l’ús d’RNN per corregir aquestes no idealitats i, per tant, evitar problemes deguts a una mala gestió. Això es duu a terme mitjançant Autocodificadors d’eliminació de soroll (DAE) capaços de netejar les mesures corrompudes pel soroll i mitjançant RNN que corregeixen els retards introduïts als sistemes de control. Finalment, a l’última part d’aquesta tesi s’aborda l’ús de tècniques d’aprenentatge de transferència (TL) per dissenyar nous controladors basats en RNN, així com el desenvolupament d’una mètrica que mesuri la transferibilitat. L’objectiu principal és determinar la idoneïtat de transferència de les estructures de control basades en RNN derivades en un entorn font per transferir-les a un domini objectiu. D’aquesta manera, es poden obtenir les estructures de control del nou entorn sense recórrer al disseny i el desenvolupament de controladors des de zero. Això no sols implica la reducció de la complexitat del procés de disseny de control, sinó que també porta al desenvolupament d’un enfocament de disseny de control altament escalable.

La incursión de la Industria 4.0 ha motivado la adopción de metodologías basadas en datos en entornos industriales. Desde el desarrollo de nuevos soft-sensors hasta la adopción de procesos de mantenimiento predictivo, este paradigma está cambiando la forma de concebir las industrias. Además, la interconectividad propuesta por los sistemas de comunicación de quinta generación (5G) introduce el intercambio de enormes cantidades de información, no sólo entre máquinas y humanos, sino también entre sistemas industriales. Sin embargo, la gestión de las industrias sigue dependiendo de la adopción de los siempre fiables controladores convencionales. Por ello, el objetivo principal de esta tesis es proporcionar una visión sobre la aplicación de metodologías de Aprendizaje Profundo, y especialmente de Redes Neuronales Artificiales (RNN), para la operación de una infraestructura industrial crítica, una Estación Depuradora de Aguas Residuales (EDAR). En primer lugar, se considera que las RNN dan soporte a los controladores convencionales en la difícil tarea de gestionar las violaciones de los límites de contaminantes de los efluentes. Para ello, se considera que las RNNs implementan un soft-sensor basado en este tipo de redes capaz de predecir las concentraciones de los efluentes. A continuación, las predicciones se introducen en los controladores convencionales para que actúen de antemano. Este hecho proporciona un rendimiento de control mucho mejor, ya que se evitan casi todas las violaciones de los contaminantes. A continuación, se aborda el uso de las RNN como herramientas implementando estructuras de control. En lugar de utilizar controladores convencionales apoyados en estas herramientas, todo el controlador es implementado por RNNs que realizan todas las tareas, desde el preprocesamiento de datos hasta la estimación de la actuación del control. Estos controladores son capaces de ofrecer un rendimiento superior respecto al comportamiento de las estructuras convencionales. Pero, el punto importante es que esto se puede lograr sólo considerando las medidas de entrada y salida del proceso bajo control. No obstante, el hecho de basarse en datos puede inducir una mala gestión del entorno industrial si se introducen no idealidades en la estructura de control. Por ello, también se propone el uso de RNN para corregir dichas no idealidades y, por tanto, evitar problemas debidos a una mala gestión. Esto se lleva a cabo mediante Autocodificadores de eliminación de ruido (DAE) capaces de limpiar las medidas corrompidas por el ruido y mediante RNNs que corrigen los retardos introducidos en los sistemas de control. Finalmente, en la última parte de esta tesis se aborda el uso de técnicas de aprendizaje de transferencia (TL) para diseñar nuevos controladores basados en RNN, así como el desarrollo de una métrica que mida su transferibilidad. El objetivo principal es determinar la idoneidad de transferencia de las estructuras de control basadas en RNN derivadas en un entorno fuente para transferirlas a un dominio objetivo. De este modo, se pueden obtener las estructuras de control del nuevo entorno sin recurrir al diseño y desarrollo de controladores desde cero. Esto no sólo implica la reducción de la complejidad del proceso de diseño de control, sino que también conduce al desarrollo de un enfoque de diseño de control altamente escalable.

The incursion of the Industry 4.0 has motivated the adoption of data-driven methodologies in industrial environments. From the development of new soft-sensors to the adoption of predictive maintenance processes, this paradigm is changing the way as industries are conceived. Moreover, the interconnectivity proposed by the fifth generation communication systems (5G) introduces the exchange of huge amounts of information, not only between machines and humans, but also among industrial systems. Nevertheless, the management of industries still depend on the adoption of the always reliable conventional controllers. For that reason, this thesis main aim is to provide an insight on the application of Deep Learning methodologies, and especially Artificial Neural Networks (ANN), for the operation of a critical industrial infrastructure, a Wastewater Treatment Plant (WWTP). First, ANNs are considered to support conventional controllers in the difficult task of managing effluent pollutant limits violations. To achieve this, ANNs are considered to implement an ANN-based soft-sensor able to predict the effluent concentrations. Then, predictions are fed into conventional controllers so as to let them actuate beforehand. This fact provides a much better control performance since nearly all the effluent violations are avoided. Next, the adoption of ANNs as tools implementing control structures is addressed. Instead of using conventional controllers supported by these tools, the whole controller is implemented by ANNs performing all the tasks, from the data preprocessing to the estimation of the control actuation. Such controllers are able to offer a superior performance regarding the behaviour of conventional structures. But, the important point is that this can be achieved only considering input and output measurements of the process under control. Notwithstanding, the fact of relying on data can induce a bad management of the industrial environment if non-idealities are introduced in the control structure. For that reason, the adoption of ANN is also proposed to correct such non-idealities and therefore, avoid mismanagement issues. This is performed by means of Denoising Autoencoders (DAE) able to clean the noise-corrupted measurements and by ANNs correcting the delays introduced in the control systems. Finally, the adoption of Transfer Learning (TL) techniques to design new ANN-based controllers as well as the development of a metric measuring their transferability are addressed in the last part of this thesis. The main aim is to determine the transfer suitability of ANN-based control structures derived in a source environment to transfer them into a target domain. Thus, the control structures of the new environment can be obtained without resorting to the design and development of controllers from scratch. This not only entails the reduction of the control design process complexity, but also lead to the development of a highly scalable control design approach.