Professional Documents
Culture Documents
D ISSERTAO
DE
P ROGRAMA
APRESENTADA AO
P S - GRADUAO
DE
DA
Q UMICOS
E SCOLA
Q UMICA DA UFRJ.
E SCOLA DE Q UMICA
U NIVERSIDADE F EDERAL DO R IO DE J ANEIRO
2008
DE
EM TECNOLOGIA
P ROCESSOS
B IOQUMICOS
M ESTRADO
E
DE
ESCOLA DE QUMICA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
OUTUBRO 2008
ii
EM
TECNOLOGIA
DE
PROCESSOS
QUMICOS
APROVADA POR:
_______________________________________________
Prof. Maurcio Bezerra de Souza Jr., D.Sc.
Orientador
_______________________________________________
Cludia Martins da Silva, D.Sc.
_______________________________________________
Mrio Csar Mello Massa de Campos, D.Sc.
_______________________________________________
Prof. Rossana Odette Mattos Folly, D.Sc.
iii
F ICHA C ATALOGRFICA
CARELLI, ALAIN C.
Avaliao de Desempenho Estocstico e Determinstico de
Controladores PID e Preditivo: Aplicao a um reator de
Hidrotratamento / Alain Cognac Carelli. Rio de Janeiro, 2008.
xxiii, 111 f.: il.
Dissertao (Mestrado em Tecnologia de Processos Qumicos e
Bioqumicos) Universidade Federal do Rio de Janeiro UFRJ,
Escola de Qumica 2008.
Orientador: Maurcio Bezerra de Souza Jnior
1. Controle de processos. 2. Deteco e diagnstico de falhas. 3.
Auditoria de controladores. 4. Refino de petrleo. I. De Souza
Jnior, Maurcio Bezerra (Orient.). II. Universidade Federal do
Rio de Janeiro. Escola de Qumica. III. Avaliao de
Desempenho Estocstico e Determinstico de Controladores PID
e Preditivo: Aplicao a um reator de Hidrotratamento.
iv
DEDICATRIA
Dedico esse trabalho...
...aos meus pais, Cesar e Rita, que moldaram minha educao e personalidade, me
direcionando no curso da vida;
...a minha famlia que foi responsvel por semear minha curiosidade por novas
descobertas, sendo meus grandes mentores;
...a todos os profissionais do ensino que de alguma forma cruzaram a minha vida,
transferindo um pouco do seu aprendizado e contribuindo para minha formao;
...a todos os amigos e amigas, que so parte da minha histria, estando junto a mim em
momentos de angstia e descontrao;
...a minha namorada, quase esposa, que me complementa, fortalece e apia como amiga,
mulher e profissional;
...e a todos que contribuem para o crescimento desse pas com tica e humanidade.
AGRADECIMENTOS
Decidi cursar o mestrado, pois sentia a necessidade de dispor de mais informaes e
estudo para decidir que profissional eu almejaria me tornar. Agradeo a uma importante
amiga, Milena Maciel, que involuntariamente foi a responsvel por me apresentar ao
grande professor que hoje o meu orientador. Digo grande professor, no apenas pela
sua incontestvel competncia e capacidade, mas tambm pelo seu carter tico,
profissional e generoso. Gnio para mim no aquele que apenas detm uma elevada
capacidade intelectual, mas sim, aquele que, apesar de sua inteligncia e renome,
mantm a humildade para enxergar o ser humano que h em cada um de ns, logo,
considero-o um gnio devido a sua habilidade em contrabalancear o intelecto e o
convvio social harmonioso. O Maurcio foi o principal responsvel por despertar em
mim esse interesse latente pela rea de controle de processo. Hoje, digo, sem dvidas,
que estou decidido a ser um profissional dessa rea.
Gostaria de agradecer tambm professora Rossana, que uma das avaliadoras da
minha defesa, e me influenciou no interesse por essa rea atravs das aulas na
graduao e do convvio em algumas bancas de avaliao de projeto final.
Sou extremamente grato tambm aos renomados profissionais que aceitaram
complementar a banca avaliadora da minha defesa, os engenheiros Mrio Csar M.
Massa de Campos da PETROBRAS e Cludia Martins da Silva da CHEMTECH. Sintome honrado de poder contar com sugestes e conselhos de profissionais to
reconhecidos na rea.
Agradeo a minha namorada pela dedicao, companheirismo, pacincia, carinho,
compreenso e outras diversas qualidades que ofuscam qualquer defeito. Grande parte
da minha dissertao foi construda vivendo junto com a Mariana, tornando-a quase
uma co-orientadora.
Agradeo a Escola Qumica da UFRJ pela excelente formao, o programa de
Tecnologia de Processos Qumicos e Bioqumicos por viabilizar meu mestrado e o
Grupo de Produo Integrada (GPI)/Escola Politcnica e COPPE/UFRJ (em especial ao
vi
vii
RESUMO
CARELLI, Alain Cognac. Avaliao de desempenho estocstico e
determinstico de controladores PID e preditivo: aplicao a um reator de
hidrotratamento. Orientador: Maurcio Bezerra de Souza Jnior. Rio de Janeiro:
UFRJ/EQ, 2008. Dissertao (Mestrado em Tecnologia de Processos Qumicos
e Bioqumicos).
Todo sistema de controle, com o passar do tempo, perde seu desempenho
se no houver um suporte e monitoramento da sua resposta, acarretando em
retornos minorados. Os controladores mais confiveis so os providos de
sistemas complementares que possibilitam identificar quedas no desempenho,
diagnostic-las e solucion-las. Tambm na fase de projeto do controlador
importante simular o processo e avaliar o maior conjunto possvel de
alternativas de controle nesta simulao, provendo um maior embasamento
deciso. Paralelamente, a adoo de especificaes mais baixas do teor de
contaminantes nos leos combustveis tem impulsionado investimentos em
refinarias de petrleo com o objetivo de garantir uma maior remoo de
compostos indesejados, como os sulfurados e os nitrogenados. Dessa forma,
unidades de hidrotratamento esto sendo aprimoradas e desenvolvidas com
novas tecnologias para o seu monitoramento e controle. Adicionalmente, o
custo operacional do hidrotratamento bastante elevado, agravando-se,
principalmente, quando no h uma otimizao no tempo de vida do catalisador,
que prejudicado por um controle ineficiente. Os objetivos deste trabalho
foram analisar a resposta de controladores de realimentao em comparao
com preditivos avaliando seus desempenhos determinstico e estocstico e,
na seqncia, proceder ao monitoramento e diagnstico de desempenho do
controlador preditivo. O estudo foi aplicado ao controle do primeiro leito de um
reator de hidrotratamento de diesel, simulado a partir de um modelo
fenomenolgico. Os controladores de realimentao foram sintonizados por
diferentes mtodos, desde heursticos at baseados em modelo interno. O
controle preditivo utilizado no estudo foi o Controle Preditivo Generalizado
(GPC), baseado em modelo interno auto-regressivo, integrado e de mdia
mvel. O desempenho determinstico foi avaliado atravs das integrais ao longo
do tempo do produto do tempo pelo erro absoluto (ITAE) e da variao
quadrtica das aes de controle; e o desempenho estocstico foi analisado com
base no ndice de desempenho normalizado, na variabilidade da varivel
controlada e na variao quadrtica das aes de controle. Em relao ao
controlador preditivo, estudou-se ainda a relao entre seus desempenhos e
variaes na trajetria de referncia e no modelo interno, procedendo-se ao
monitoramento e diagnstico de seu desempenho com dois ndices grficos:
ndice do referencial histrico e ndice de desempenho baseado no modelo.
Como resultado, constatou-se, para os cenrios estudados, que o GPC foi o
controlador que melhor contrabalanceou os desempenhos determinstico e
estocstico. Adicionalmente, redues no desempenho do controlador GPC
puderam ser identificadas, sendo suas causas discriminadas. Tais resultados se
aplicam a vrios outros processos qumicos, uma vez que a malha investigada
apresenta dinmica de 1 ordem com tempo morto, tpica desses processos.
viii
ABSTRACT
CARELLI, Alain Cognac. Stochastic and deterministic performance assessment
of PID and MPC controllers: application to a hydrotreaters reactor.
Orientadores: Maurcio Bezerra de Souza Jnior. Rio de Janeiro: UFRJ/EQ,
2008. M.Sc. Dissertation (Graduate Program on Technology of Chemical and
Biochemical Processes).
Control systems tend to lose performance over time if the control system
response is not monitored and thus there is no support information as to how to
make adjustments on the process control system. Reliable controllers have
complementary systems to identify and diagnose reductions in performance and
also to implement predetermined solutions vis--vis the desirable type of
output. When selecting the controller design and controller strategy, the
thorough simulation of the underlying process is important in order to draw a
greater number of possible alternatives of control and their application on this
simulator, thus conferring more information for the decision. Global
environmental concern has pushed the contaminants contents in fuel oils
specifications to lower levels, stimulating investments in petroleum refineries
with the goal of guaranteeing a larger removal of contaminants, such as sulfur
and nitrogen. Hydrotreating units are being improved and developed with new
process control and monitoring technologies, allowing cleaner output of fuel
oils. The hydrotreater operational cost is very high, being increased when there
is not an optimization on the catalyst life time, which is harmed by an
inefficient control. The first goal of this paper was to investigate the response
of feedback controllers in contrast with predictive controllers applied to the
first bed of diesel hydrotreating reactor, simulated using a phenomenological
model, and to asset their deterministic and stochastic performances.
Continuous and discrete feedback controllers were tuned by different heuristic
and model based methods. The predictive control used in this work was the
Generalized Predictive Control (GPC), which employs a linearized, autoregressive, integrated moving average internal model. The deterministic
performance was evaluated through the Integral of Time multiplied by Absolute
of the Error (ITAE) and the control action quadratic variation; the stochastic
performance was analyzed based in the normalized Harris index, the control
variable variability and the control action quadratic variation. With respect to
the predictive control, were also studied the relations between predictive
control performances and variations in its reference trajectory and in its
internal model. The GPC presented a better trade-off solution when stochastic
and deterministic performances were assessed. The second goal of this work
was to analyze the controller performance monitoring method and causes
diagnose method based in two indexes: historical benchmark and model based
performance measure. These methods were applied in situation of degraded
performance simulated in the hydrotreater reactors predictive control,
desiring to identify the reduction in the controller performance and to
discriminate its causes. The introduced results apply to several other chemical
processes, once that the investigated loop presents first order dynamic with
dead time, typical of these processes.
ix
NOMENCLATURA
Modelo da Unidade de Hidrotratamento
a rea superficial externa das partculas slidas de catalisador por volume total do
estgio;
C concentrao mssica;
Cs concentrao no interior dos poros da fase cataltica;
Cp calor especfico do gs;
Cps calor especfico do slido;
E energia de ativao;
g fluxo reverso;
K0 constante de Arrhenius;
Kg coeficiente de transferncia de massa na superfcie cataltica;
Kh fluxo adimensional, reverso de calor;
Km fluxo adimensional, reverso de massa;
R constante universal dos gases;
Te temperatura da fase lquida;
Tis temperatura da fase slida;
Ts temperatura do leito;
U coeficiente global de transmisso de calor entre a fase lquida e o catalisador,
baseado na rea externa das partculas;
V volume do estgio;
Vz vazo volumtrica.
Letras Gregas
(- H r ) calor de reao;
porosidade interpartculas.
k p ganho do processo;
Ku ganho ltimo;
N horizonte de predio;
NU horizonte de controle;
Pu perodo ltimo;
q0, q1 e q2 parmetros do controlador de realimentao discreto;
xi
SP set-point;
t tempo transcorrido em segundos;
T intervalo amostral;
tm tempo morto;
u varivel manipulada em varivel-desvio (entrada do processo);
w trajetria de referncia ou set-point;
y varivel controlada em varivel-desvio (sada do processo).
Letras Gregas
seqncia de pesos;
xii
y desvio do set-point;
~
i parmetros auto-regressivos;
ndice de Harris;
y2 varincia de y.
trajetria de referncia);
Jach funo de custo obtida com os valores reais;
Jdes funo de custo obtida com o modelo;
J his funo de custo do referencial histrico;
Pc horizonte mvel de dados;
Q e R matrizes de pesos representando a importncia de cada varivel controlada e
manipulada.
xiii
Letras Gregas
xiv
LISTA DE ABREVIATURAS
ANORM ndice de desempenho (Harris) normalizado;
APC advanced process control;
APCS adaptive predictive control system;
ARIMA auto-regressive and integrated moving average;
ARMA auto-regressive and moving average;
CARIMA controlled auto-regressive and integrated moving average;
CARMA controlled auto-regressive and moving average;
CC Cohen e Coon;
CHPS cold high pressure separator;
CMPC constrained model predictive control;
CPM controller performance monitoring;
DMC dynamic matrix control;
EBR ebullated-bed;
EPA Enviromental Protection Authority;
EVTE estudo de viabilidade tcnica-econmica;
FBR fixed-bed;
GMC generic model control;
GPC generalized predictive control;
HDT hidrotratamento;
HHPS hot high pressure separator;
xv
xvi
xvii
NDICE DE FIGURAS
Figura 1 Genealogia aproximada dos algoritmos de MPC linear (QIN e BADGWELL,
2003)............................................................................................................................... 13
Figura 2 Monitoramento e diagnstico do desempenho do controle preditivo ........... 33
Figura 3 Benefcios econmicos atravs da reduo da variabilidade (WHITE, p. 2,
2003)............................................................................................................................... 35
Figura 4 Valor mdio do produto ................................................................................ 36
Figura 5 Processo de hidrotratamento de diesel (MEYERS p. 8.6, 2004 adaptado)... 40
Figura 6 Modelo do reator CSTR-CLULA............................................................... 44
Figura 7 Estgio do CSTR-CLULA.......................................................................... 45
Figura 8 Diagrama PI da Unidade de Hidrotratamento de Diesel (DE SOUZA JR.,
CAMPOS e TUNALA, 2006) ........................................................................................ 50
Figura 9 Dinmica da temperatura de sada do forno em malha aberta para um degrau
unitrio na vazo de combustvel ................................................................................... 63
Figura 10 Dinmica da temperatura de sada do leito 1 em malha aberta para um
degrau unitrio na temperatura de entrada desse leito.................................................... 64
Figura 11 Dinmica em malha aberta para perturbaes na temperatura de entrada do
leito 1 .............................................................................................................................. 65
Figura 12 Dinmica em malha aberta para perturbaes na concentrao de entrada do
leito 1 .............................................................................................................................. 66
Figura 13 Dinmica em malha aberta para perturbaes na vazo de entrada do leito 1
........................................................................................................................................ 67
Figura 14 Malha de controle........................................................................................ 68
Figura 15 Discretizao do Model 1 ............................................................................ 72
xviii
xix
xx
NDICE DE TABELAS
Tabela 1: Investimento estimado para HDT (MEYERS, Tabela 8.1.6, 2004) ............... 42
Tabela 2: Custo de processamento e utilidades para produo de 70000 bbl/dia da HDT
da Chevron (MEYERS, Tabela 8.1.7, 2004 resumida) .................................................. 42
Tabela 3: Parmetros do modelo do HDT ...................................................................... 54
Tabela 4: Valores dos parmetros de sintonia de Ziegler e Nichols .............................. 69
Tabela 5: Valores dos parmetros de sintonia de Cohen e Coon ................................... 69
Tabela 6: Valores dos parmetros de sintonia pelo Mtodo Integral do Erro ................ 70
Tabela 7: Valores dos parmetros de sintonia pelo IMC................................................ 70
Tabela 8: Valores dos parmetros do controle de realimentao discreto ..................... 71
Tabela 9: Comparao entre desempenho determinstico de controladores de
realimentao e do GPC para o caso servo..................................................................... 74
Tabela 10: Comparao entre desempenho determinstico de controladores de
realimentao e do GPC para o caso regulatrio............................................................ 75
Tabela 11: Comparao entre desempenho estocstico de controladores de
realimentao e do GPC ................................................................................................. 76
Tabela 12: Comparao entre desempenho determinstico de controladores GPC para o
caso servo ....................................................................................................................... 77
Tabela 13: Comparao entre desempenho determinstico de controladores GPC para o
caso regulatrio............................................................................................................... 77
Tabela 14: Comparao entre desempenho estocstico de controladores GPC ............. 78
Tabela 15: Comparao entre desempenho determinstico de controladores de
realimentao (contnuo e discreto) e o GPC para o caso servo .................................... 78
xxi
xxii
SUMRIO
1.
INTRODUO.................................................................................................................................1
2.
FUNDAMENTOS .............................................................................................................................8
2.1.
2.1.1.
2.1.2.
2.2.
2.2.2.
2.2.3.
2.2.4.
2.3.1.
Processo do HDT................................................................................................................39
2.3.2.
2.3.3.
METODOLOGIA ...........................................................................................................................49
3.1.
3.2.
3.2.1.
3.3.
3.4.
3.4.1.
3.4.2.
3.4.3.
Controle Estocstico...........................................................................................................60
3.5.
4.
2.2.1.
2.3.
3.
RESULTADOS ...............................................................................................................................62
4.1.
4.2.
4.2.1.
Ziegler e Nichols.................................................................................................................68
4.2.2.
4.2.3.
Integral do Erro..................................................................................................................70
4.2.4.
4.2.5.
4.3.
4.4.
4.5.
xxiii
4.6.
5.
6.
REFERNCIAS..............................................................................................................................97
7.
8.
1. INTRODUO
Nos ltimos anos, o alcance do desempenho requerido das plantas de processo tornou-se
mais complicado. A elevada competitividade, os requisitos ambientais mais rigorosos,
as regulamentaes de segurana mais restritas e as rpidas mudanas nas condies
econmicas tm sido os fatores-chave responsveis pelo estreitamento das
especificaes de qualidade dos produtos. Uma complicao adicional que as plantas
modernas vm se tornando mais difceis de operar, devido tendncia em direo
complexa e elevada integrao entre os processos. Em vista da maior nfase em
segurana, natural que recentemente tenha-se atribudo uma grande importncia rea
de controle de processo. Sem sistemas de controle de processo integrados a
computadores, seria impossvel operar segura e lucrativamente plantas modernas
enquanto a qualidade do produto e os requisitos ambientais so atendidos. Portanto,
torna-se importante para a engenharia qumica ter um entendimento, tanto da teoria
quanto da prtica de controle de processos (SEBORG, EDGAR e MELLICHAMP,
2004, p. 1).
A avaliao e o monitoramento do desempenho de malhas de controle so necessrios
para assegurar a efetividade do processo de controle e a lucratividade operacional da
planta. O projeto inicial do sistema de controle vulnervel a incertezas oriundas de
aproximaes provindas da modelagem do processo, da estimao de dinmica e
magnitude dos distrbios e das premissas referentes s condies operacionais. Alm
disso, mesmo que o controlador apresente um bom desempenho inicial, muitos fatores
podem causar a abrupta ou gradual deteriorao do seu desempenho. Por volta de 60%
de todos os controladores industriais apresentam algum tipo de problema de
desempenho (SCHFER e CINAR, 2004).
Todos os controladores necessitam ser sintonizados conforme a dinmica do processo,
que pode sofrer alteraes naturais ou contnuas. Logo, o desempenho dos controladores
deve ser monitorado, pois mesmo que eles tenham sido ajustados adequadamente,
esperado que seu desempenho decaia ao longo dos anos devido a variaes nos
insumos, deteriorao da instrumentao, mudanas na planta, etc. Essa queda no
5
Categoria II controle avanado (tcnicas clssicas): gain scheduling,
compensao do tempo morto, controle por desacoplamento e controle seletivo;
Categoria III controle avanado (tcnicas utilizadas amplamente): model
predictive control (MPC), controle de qualidade estatstica, internal model
control (IMC) e controle adaptativo;
2. FUNDAMENTOS
Almeja-se neste captulo fornecer o arcabouo terico necessrio para o entendimento
dos conceitos abarcados nesta dissertao, que se estrutura em trs temas principais:
controle dinmico de processo, avaliao do desempenho de controladores e
hidrotratamento de diesel.
No primeiro tpico controle dinmico de processos apresenta-se uma breve reviso
histrica do controle preditivo, referenciando alguns dos principais trabalhos na rea.
Em seguida, descreve-se a teoria do controle de varincia mnima, que o conceito base
do ndice de Harris para avaliao do desempenho estocstico; e, demonstra-se a teoria
do controle preditivo generalizado, que o controle preditivo trabalhado nesta
dissertao.
No segundo tpico avaliao do desempenho de controladores apresenta-se alguns
ndices para avaliao do desempenho determinstico e estocstico, discutem-se as
principais contraposies desses desempenhos, descrevem-se alguns trabalhos na linha
do monitoramento e diagnstico de desempenho de controlador e refora-se o benefcio
financeiro possibilitado com a reduo da variabilidade da varivel controlada.
No terceiro tpico hidrotratamento de diesel ressaltam-se alguns aspectos atuais no
mbito desse tema, descreve-se o processo e alguns modelos para sua simulao e, por
fim, apresentam-se alguns trabalhos na mesma linha desta dissertao sobre o controle
de HDT.
2.1. CONTROLE DINMICO DE PROCESSO
Etimologicamente a palavra controle se origina do latim fiscal medieval contra rotulum,
que significa a ao medieval de verificar contas (REVISTA DO TRIBUNAL DE
CONTAS DO ESTADO DE MINAS GERAIS, 2002). Atualmente, esse termo
aplicado em vrias reas do conhecimento, como na Administrao, Psicologia e
Engenharia. Entretanto, o termo mantm sua caracterstica original de se tomar aes
com base em verificaes realizadas para se alcanar um objetivo comum.
Quando se traz o termo controle para a realidade dos processos industriais mais
conveniente denominarmos de controle dinmico, pois se estabelece um vnculo entre a
ao de controle e a dinmica do processo. CAMPOS e TEIXEIRA (2006, p.3)
definiram o termo controle de processos como sistemas que tm por objetivo manter
certas variveis de uma planta industrial entre seus limites operacionais desejveis.
A teoria de controle dinmico originalmente foi desenvolvida para se obter ferramentas
de anlise e sntese de sistemas de controle. Nos primeiros desenvolvimentos estava-se
preocupado com comandos centrfugos, simples dispositivos de regulao para
processos industriais, amplificadores eletrnicos e sistemas de controle de incndio.
Com a elaborao da teoria, constatou-se que essas ferramentas poderiam ser aplicadas
a uma variedade de diferentes sistemas. Os resultados de vrias frentes da matemtica
aplicada tm sido explorados atravs do desenvolvimento da teoria de controle. Os
problemas de controle tambm possibilitaram a emerso de novos resultados na
matemtica aplicada (STRM , 1970).
O controlador PID (proporcional/integral/derivativo) certamente o algoritmo de
controle mais tradicional na indstria, como enfatizado em STRM e HGGLUND
(2004). No entanto, o controle de processo avanado (APC advanced process
control), caracterizado pela complementao entre o controle preditivo multivarivel
GITMAN (2004, p. 339) define payback como: o tempo necessrio para que a empresa recupere o
10
11
uma gama de mtodos de controle que utilizam um modelo do processo para obter
sinais de controle a fim de minimizar uma funo objetivo.
Muitos conceitos aplicados do MPC aparecem em estudos precedentes, como o controle
Linear-Quadrtico-Gaussiano (LQG), desenvolvido por Kalman na dcada de 60, que
introduz os conceitos de variveis de estado, critrio quadrtico, horizonte de predio
infinito e estimador de estados. Contudo, LABABIDI, ALATIQI e ALI (2004, p. 1293)
consideraram o trabalho de RICHALET et al. (1978), que demonstrou o uso do IDCOM
(identification-command) para uma coluna de destilao, como o pioneiro.
RICHALET et al. (1978), relataram que, apesar do progresso tecnolgico, os
fundamentos da teoria de controle permaneceram imutveis, e se pergunta se poderia
conceber um novo tipo de sistema de controle industrial que usasse a capacidade dos
computadores, como ocorre na indstria aeroespacial desde aquele tempo. No sendo
uma aplicao anloga, pois processos industriais so completamente diferentes,
apresentando sistemas multivariveis, perturbaes que afetam a estrutura da planta,
critrios de desempenho particulares e requisitos de confiabilidade.
A estratgia do controle preditivo heurstico, no caso o IDCOM baseia-se em trs
princpios (RICHALET et al., 1978):
O processo a ser controlado representado por suas respostas a impulsos que
constitui o modelo interno;
H uma trajetria de referncia que define o comportamento desejado da planta
em malha fechada;
As aes de controle so computadas de forma a se seguir uma trajetria de
referncia, aplicando um modelo preditivo interno que induza a sada de forma a
alcanar a maior proximidade possvel em relao a essa trajetria.
Segundo RICHALET et al. (1978, p. 414), o uso da resposta ao impulso para
representar sistemas uma tcnica controversa e no nova. A resposta ao impulso
pode ser interpretada como a funo densidade de probabilidade da ocorrncia de um
efeito oriundo de uma perturbao no incio do processo. Nesse tipo de modelo interno
12
a resposta ao degrau como modelo interno, alm disso, essa tcnica introduziu o
conceito de horizonte de predio (LABABIDI, ALATIQI e ALI, 2004).
CLARKE, MOHTADI e TUFFS (1987) elaboraram o generalized predictive control
(GPC) que elimina o off-set de maneira natural devido ao modelo interno CARIMA
(controlled auto-regressive and integrated moving average). O GPC uma evoluo do
controle de varincia mnima (control minimum variance MVC), desenvolvido por
Karl J. STRM , que deriva da teoria de predio tima.
CAMACHO e BORDONS (1999, p. 51) referiram-se ao GPC como talvez um dos mais
populares mtodos de MPC. A seguir apresenta-se uma lista de mtodos que
O teste de sinais realizado perturbando-se a condio normal de operao com a menor variao
possvel que d a melhor informao do comportamento do sistema. Isso no pode ser executado sem
uma computao prvia. necessrio selecionar cuidadosamente a natureza do teste de sinais que ser
realizado no controle.
13
4 Gerao MPC
3 Gerao MPC
2 Gerao MPC
1 Gerao MPC
Figura 1 Genealogia aproximada dos algoritmos de MPC linear (QIN e BADGWELL, 2003)
14
Excesso de parametrizao muitos dos produtos comercializados utilizam o
modelo de resposta ao degrau ou ao impulso da planta, os quais apresentam
excesso de parmetros. Por exemplo, um processo de primeira ordem com tempo
morto pode ser descrito por uma funo de transferncia que apresenta somente
trs parmetros (ganho, constante de tempo e tempo morto), enquanto o modelo
de resposta ao degrau requereria mais de trinta coeficientes para descrever a
mesma dinmica. Alm disso, esses modelos no so vlidos para processos
instveis. Esse problema pode ser superado usando um modelo com parmetros
auto-regressivos;
Sintonia o procedimento de sintonizao no claramente definido, pois a
relao exata entre os parmetros de sintonia e o comportamento da malha
fechada no so generalizadamente muito claros. A sintonia na presena de
restries talvez seja at mais difcil, at para casos mais triviais, no fcil
garantir estabilidade na malha fechada, por isso, despendem-se esforos com
simulaes a priori. A exeqibilidade do problema um dos tpicos mais
desafiadores da atualidade referente a tecnologias de MPC;
Sub-timo de otimizaes dinmicas alguns pacotes prevem solues subtimas para minimizao da funo custo a fim de acelerar o processamento da
soluo. Isso normalmente aceito em aplicaes de alta velocidade, como
sistema de rastreamento, onde a soluo do problema em cada tempo de
amostragem talvez no seja vivel, mas difcil justificar sua aplicao em
controle de processo, a menos que se possa mostrar que a soluo sub-tima est
sempre prxima da tima;
Modelo de incerteza embora pacotes de identificao do modelo provejam
estimaes para as incertezas do modelo, somente um produto (RMPCT) utiliza
essa informao no projeto de controle. Todos os outros controladores podem ser
sintonizados com o objetivo de aumentar a robustez, no entanto, a relao entre o
desempenho e a robustez no muito clara;
Premissas de distrbio constante conquanto talvez a premissa mais razovel
considere que o distrbio na varivel de sada persista constante no futuro, uma
15
16
B (q 1 )
u (t d ) ou
A(q 1 )
A(q 1 ) y (t ) = q d B (q 1 )u (t 1)
(2.1)
A(q 1 ) y (t ) = q d B(q 1 )u (t 1) + C (q 1 )
e(t )
(2.2)
17
(2.3)
= 1 q 1 .
Multiplicando-se o temo E (q 1 )q j nas parcelas da equao (2.2), obtm-se a seguinte
equao:
A(q 1 )E (q 1 ) y (t + j ) = E (q 1 ) B (q 1 )u (t + j d 1) + E (q 1 )e(t + j )
(2.4)
[1 q
F (q 1 ) y (t + j ) = E (q 1 ) B (q 1 )u (t + j d 1) + E (q 1 )e(t + j )
(2.5)
(2.6)
18
F (q 1 )
u (t ) =
y(t )
B(q 1 ) E (q 1 )
(2.7)
No GPC, deve-se estimar y(t+j) a fim de chec-lo com base numa trajetria de
referncia e, com isso, calcular aes timas de controle. Como o grau do polinmio E
igual j-1, todos os termos do distrbio na equao (2.6) esto no futuro. Portanto, a
melhor predio para y(t+j) :
y (t + j ) = G (q 1 )u (t + j d 1) + F (q 1 ) y (t )
(2.8)
onde, G (q 1 ) = E (q 1 ) B (q 1 ) .
Como o sistema considera um tempo morto de d perodos de amostragem, as sadas do
sistema sero influenciadas por sinais em u(t) depois do perodo de amostragem d+1,
com isso, a equao (2.8) pode ser reescrita da seguinte forma:
y = Gu + f
Onde:
y (t + d + 1 t )
y (t + d + 2 t )
y=
;
y (t + d + N t )
(2.9)
19
g0
g
1
G=
M
g N 1
0
g0
M
g N 2
L 0
L 0
;
O M
L g0
u (t )
u (t + 1)
;
u=
u (t + N 1)
f = F (q 1 ) y (t ) + G ' (q 1 )u (t 1) ;
Gd +1 (q 1 ) g 0 q
Gd + 2 (q 1 ) g 0 g1q 1 q 2
1
;
G ' (q ) =
1
1
( N 1)
q N
Gd + N (q ) g 0 g1q ... g N 1q
Fd +1 (q 1 )
Fd + 2 (q 1 )
1
F ' (q ) =
.
Fd + N (q 1 )
Considerando a seguinte funo objetivo de custo:
J = (Gu + f w) (Gu + f w) + u T u
T
(2.10)
u = G T G + I
G T (w f )
(2.11)
20
(2.12)
y(t) ao set-point com uma dinmica igual a da planta em malha aberta. Essa lei de
controle gera aes que, geralmente, so suaves e vagarosas. Valores de NU elevados
promovem controles mais ativos. A seguir, apresenta-se a matriz G com o horizonte de
controle:
g0
g
1
g
G= 2
M
M
g N 1
0
g0
g1
g2
M
g N 1
L
0
L
0
O
M
L
g0
L
M
L g N NU
(2.13)
21
22
23
24
mse( y ) = y2 + y2
(2.14)
set-point.
Ento, o primeiro mtodo para calcular o ndice de desempenho descrito pela seguinte
equao:
mse( y )
2
MVC
(2.15)
= 1
2
MVC
mse( y )
(2.16)
onde, limitado pelo intervalo [0,1], desejando-se obt-lo o mais prximo de zero
possvel, ou seja, almeja-se obter o valor do erro quadrtico mdio o mais prximo da
varincia mnima possvel.
HARRIS, BOUDREAU e MACGREGOR (1996), estenderam o mtodo de avaliao
de desempenho apresentado em HARRIS (1989) e DESBOROUGH e HARRIS (1992)
25
ProcessDoctor
(Matrikon);
PlantTriage(ExperTune);
IT
PCT
Loop
(ABB); Loop Scout (Honeywell); EnTech Toolkit, Delta V Inspect (Emerson Process
Management); INTUNE (ControlSoft); KCL-Control-Performance Analysis (KCL); PI
ControlMonitor (OSIsoft); Aspen Watch (AspenTech); Control Monitor (Control Arts
Inc.); Loop Analyst (Invensys); Control Wizard (PAS); LoopBrowser (Metso
Automation); e, LoopMD (PAPRICAN).
O ndice de desempenho normalizado concebido por Harris, apresentado a seguir, foca
na avaliao de controladores de realimentao. Para o caso de controladores MPC,
SCHFER e CINAR (2004) apresentaram dois ndices para o monitoramento e
diagnstico de controladores baseados no clculo da funo de custo para valores de
26
y = X +e
(2.17)
Onde:
~
y~ n
~
y = y n 1
M
~
yb+m
~
yn~b
~
X = yn b 1
M
~
ym
yn b 1
~
yn b 2
M
~
ym 1
yn b m +1
~
... yn b m ;
O
M
~
...
y1
...
1
2
= , sendo i parmetros auto-regressivos;
M
m
E, e o erro.
27
~T ~
= X y X X
~ T ~
(2.18)
(2.19)
predito
2
MVC
~ ~ ~ ~
y X y X
=
(n b 2m + 1)
(2.20)
~ ~ ~ ~
y X y X
n b m +1
= 1
~
~
2
n b 2m + 1
y Ty + y
(2.21)
28
29
30
31
J ach =
1 Pc T
T
e (k + j Pc )Qe(k + j Pc ) + u (k + j Pc )Ru (k + j Pc ) (2.22)
Pc j =1
32
his (t ) =
J his
J ach (t )
(2.23)
des (t ) =
J des (t )
J ach (t )
(2.24)
33
causa recai no grupo II. Caso possam ocorrer mltiplas causas simultneas, a lgica do
diagnstico torna-se muito complexa.
Segundo CINAR, PALAZOGLU e KAYIHAN (2007, p. 244 245): subgrupos so
definidos para promover a distino entras as causas-raiz do grupo I. Considera-se que
as mudanas no controlador (parmetros de sintonia) so alteraes manuais, desde que
as aes tomadas sejam conhecidas e a causa-raiz dos efeitos no necessite ser
identificada por uma ferramenta de diagnstico (subgrupo Ia). Mudanas nos distrbios
medidos e saturao das variveis de entrada do processo compem o subgrupo Ib.
Informaes adicionais so necessrias para distingui-los. A saturao das variveis
manipuladas pode ser determinada atravs da investigao da trajetria dessas variveis.
O efeito da saturao na varivel manipulada indica a saturao nas variveis de entrada
como a causa-raiz da queda do desempenho, eliminando o aumento nos distrbios
medidos do grupo de possveis causas.
Na Figura 2, pode-se visualizar o esquema lgico para o monitoramento e o diagnstico
de desempenho do controle preditivo atravs do ndice do referencial histrico e do
ndice de desempenho baseado no modelo.
SubGrupo Ib
ndice de Desempenho
Baseado no Modelo
Grupo I
Grupo II
ndice de Desempenho
Baseado no Modelo
SubGrupo Ia
34
permite a identificao de uma queda no desempenho causado por algo inesperado, que
ento diagnosticado por intermdio do ndice de desempenho baseado no modelo do
MPC.
35
RETORNO
(R$)
Limites de especificao
Controle com
desempenho
ruim
Variabilidade
reduzida
Aumento do
ganho devido
mudana no
setpoint
36
Valor do Produto
(R$/dia)
Especificao
Valor
Mdio
Obtido
3
2
37
Petrleo bruto com alto teor de enxofre (cerca de 3% em massa de enxofre no resduo atmosfrico)
38
39
Segundo MEYERS (p. 8.6, 2004), refinarias hidrotratam resduo h mais de 25 anos.
Nesse espao de tempo, o hidrotratamento de resduo tem mudado conforme as
necessidades das refinarias, desde sua finalidade inicial de remover enxofre do leo
combustvel at a converso direta de resduo e a ampliao da rentabilidade econmica
das unidades de converso do downstream. As HDTs de leito fixo continuam a ser o
processo de converso mais popular.
Neste trabalho, considera-se apenas os reatores FBRs devido a sua ampla utilizao em
operaes de hidrotratamento comerciais, que se justifica por sua facilidade e
simplicidade operacional.
40
O efluente do segundo reator resfriado atravs da troca de calor com a carga que
alimentar o forno e em seguida o reator. Ento, aps o efluente passar pelo permutador,
este enviado para um separador a quente de alta presso (hot high pressure separator
HHPS) visando recuperao de hidrognio e uma separao aproximada entre
produtos leves e pesados. O lquido proveniente do HHPS levado a baixa presso e
enviado para um separador de baixa presso. J o vapor proveniente do HHPS
resfriado para condensar nafta e gasleo, e adiciona-se gua para absorver cido
sulfdrico e amnia produzidos no reator. A mistura com gua enviada para um
separador a frio de alta presso (cold high pressure separator CHPS), onde ocorre a
separao de vapor, gua cida e hidrocarbonetos leves. A corrente lquida de
hidrocarbonetos deixada em baixa presso e enviada para o separador de baixa presso
(low pressure separator - LPS). A gua enviada para uma unidade de recuperao de
gua cida para remoo de cido sulfdrico e amnia, e o gs rico em hidrognio segue
para o absorvedor de cido sulfdrico, que em seguida, depois de purificado, segue para
41
42
70000
335
0,92
107,2
73,3
22,5
4,8
6,6
79,3
17,9
29,8
234,2
70,3
8,8
313,3
Utilidades
Hidrognio
Catalisador
Laboratrio
Superviso
Manuteno
Taxas e seguros
Total
2.3.2.
$/dia
46337
60945
26206
1191
596
18135
9330
162740
$/bbl
0,66
0,87
0,37
0,02
0,01
0,26
0,13
2,32
Modelos do HDT
43
44
45
O modelo de HLAVCEK (1982) foi considerado nesta dissertao por ser simples,
composto de equaes diferenciais ordinrias, e representar a dinmica do processo.
46
47
48
49
3. METODOLOGIA
Como um dos objetivos desse trabalho estudar o desempenho de diferentes estratgias
e sintonias de controladores na fase de projeto, almeja-se ao seu final poder decidir qual
o controlador para o caso estudado que demonstrou ser mais robusto, apresentando um
bom desempenho tanto para cenrios determinsticos quanto estocsticos.
Devido ao foco do estudo ser a comparao do desempenho de diversos controladores,
no se foi exaustivo na aplicao desses controladores em todas as malhas da unidade
de hidrotratamento. Neste trabalho, estudou-se uma das malhas de controle apresentada
em CARNEIRO (1992), o controle cascata do leito 1 do primeiro reator, que pode ser
visualizado no canto superior esquerdo do diagrama P&I da Figura 8. A malha mestre
controla a temperatura de sada deste leito atravs da manipulao do set-point que
requerido na malha escrava. A malha escrava, por sua vez, controla a temperatura de
entrada no leito 1 atravs da manipulao da vazo de combustvel que entra no forno.
Com a definio da malha de controle a ser estudada, simulou-se a dinmica em malha
aberta da malha mestre e escrava, objetivando analisar o esforo requerido pelo
controlador e a identificao dos modelos. O mtodo utilizado para identificar os
modelos foi o Mtodo dos Momentos apresentado por ORGUNNAIKE e RAY (1994).
Com isso, calcularam-se os parmetros de sintonia dos controladores de realimentao e
projetou-se o controlador preditivo.
A seguir, neste Captulo, so apresentados o modelo do HDT considerado na simulao,
as sintonias de controle de realimentao, o projeto do controle preditivo, os cenrios
simulados e os casos trabalhados no monitoramento e diagnstico do controle preditivo.
50
dCi
V
= {VZ (1 + K m )Ci 1 + VZ .K m .Ci +1} (2 K m + 1)VZ .Ci + K g .a.V Ci CiS
dt
)}
(3.1)
51
VZ .K m .Ci +1 vazo mssica da corrente lquida que sai do estgio i+1 e entra no
estgio i;
K g .a.V Ci CiS
superfcie cataltica;
(2 K m + 1)VZ .Ci
dCi
acmulo de massa na fase lquida do estgio i.
dt
dCiS
(R.Ti S )
V (1 )
= K g .a.V Ci CiS V (1 )k0 .CiS .e
dt
)}
(3.2)
52
(R.TiS )
V (1 )k0 .CiS .e
vazo mssica da reao (consumo de reagente);
dCi
} {
dTei
.V . .CP .
= (2 K h + 1)VZ . .CP .Tei + VZ (1 + K h ) .CP .Tei 1 + VZ .K h . .CP .Tei +1 + U .a.V Tei S Tei
dt
(3.3)
onde, a massa especfica do lquido; Cp o calor especfico do lquido; Te e Ts so,
respectivamente, as temperaturas da fase lquida e do leito cataltico; Kh a constante
adimensional do fluxo reverso de calor; e, U o coeficiente global de transmisso de
calor entre a fase lquida e o catalisador, baseado na rea externa das partculas. Os
termos da equao so descritos a seguir:
{(2K
+ 1)VZ . .CP .Tei energia da fase lquida fornecida aos outros estgios;
U .a.V Tei Tei energia da fase lquida resultante da troca de calor com a fase
S
slida;
dTe
)}
53
(R.Ti S )
= U .a.V Tei Tei S + ( H r )V (1 )k0 .CiS .e
dTei
S
V (1 ) S .CPS .
dt
)}
(3.4)
{U .a.V (T
ei
Tei
lquida;
E
(R.Ti S )
( H r )V (1 )k 0 .C iS .e
energia gerada pela reao;
dTe
V (1 ) S .C PS . iS
dt
54
(-Hr)
k0
E/R
Km
Kh
Ua
Kg a
5,6 s-1
CP
s CPs
0,4
0,48 m2
12,5 m
55
integral e derivativo)6: Ziegler e Nichols (ZN), Cohen e Coon (CC), Integral do Erro
(IE) e Modelo Interno (internal model controller IMC). Com isso, foram testados dez
tipos de controladores de realimentao (P/PI/PID ZN; P/PI/PID CC; PI/PID IE;
PI/PID IMC).
Utilizou-se, na implantao do controle de realimentao, a funo de transferncia
clssica em paralelo:
1
Gc ( s ) = K 1 +
+ D s
Is
(3.5)
56
1
u (t ) = K e(t ) +
I
e( )d + D
0
de(t )
dt
(3.6)
Para tempos de amostragem pequenos (T), pode-se substituir nessa equao o termo
diferencial por uma diferena entre passos subseqentes e o termo integral por uma
soma provinda de integraes retangulares. Sendo assim, tem-se a equao reescrita da
seguinte forma:
T
u (k ) = K e(k ) +
I
i =0
(3.7)
Para tornar esse algoritmo de controle recursivo subtrai-se u(t) de u(t-1), obtendo-se o
algoritmo de controle do PID discreto:
u (k ) = u (k 1) + q0e(k ) + q1e(k 1) + q2e(k 2)
Onde:
(3.8)
57
q 0 = K 1 + D ;
T
q1 = K 1 + 2 D ;
T I
q2 = K
D
T
(3.9)
58
determinstico
quanto
estocstico,
especificaram-se
cenrios
Considerando varivel-desvio.
59
ITAE para avaliar o desempenho determinstico, computando a integral do
produto entre o tempo e o erro absoluto entre a varivel controlada e o set-point;
Mdia quadrtica da variao da varivel manipulada (Su) para avaliar a
agressividade do controlador.
A mdia quadrtica da variao da varivel manipulada (Su) pode ser calculada atravs
da seguinte frmula:
Su =
1 n
u 2 (k )
n + 1 k =0
(3.10)
60
(3.11)
61
62
4. RESULTADOS
Neste Captulo, inicialmente, apresenta-se a anlise da dinmica do processo em malha
aberta, buscando identificar quais cenrios demandariam maior esforo do controlador e
qual modelo melhor descreve os dados encontrados. Em seguida, de posse da funo de
transferncia identificada para descrever o processo SISO, exibe-se os parmetros de
cada controlador de realimentao sintonizado por diferentes mtodos. Na seqncia, os
modelos so discretizados a fim de incorpor-los no GPC para sua implantao. Enfim,
interpreta-se os ndices de desempenho obtidos, os grficos das dinmicas de controle
alcanados e os grficos das funes de custo encontrados para monitoramento e
diagnstico.
63
Figura 9 Dinmica da temperatura de sada do forno em malha aberta para um degrau unitrio na vazo
de combustvel
(4.1)
64
(4.2)
(4.3)
Figura 10 Dinmica da temperatura de sada do leito 1 em malha aberta para um degrau unitrio na
temperatura de entrada desse leito
65
Avaliando a razo entre as constantes de tempo das malhas mestre e escrava, nota-se
que seu valor prximo de vinte, ou seja, a malha escrava responde vinte vezes mais
rpido que a malha mestre a perturbaes ou aes de controle. Portanto, assumiu-se
neste trabalho que a dinmica da malha escrava influencia pouco na dinmica da malha
mestre. Com isso, a fim de simplificar a simulao, considerando que o resultado
dinmico no afetado de forma relevante, estudou-se apenas a malha mestre.
Objetivando analisar o esforo requerido pelo controlador para manter a varivel
controlada no set-point requerido, simulou-se em malha aberta a resposta da
temperatura de sada do leito 1 a perturbaes nas variveis de entrada do processo.
Primeiramente, perturbou-se a temperatura de entrada do leito 1 com degraus de 1, 5 e
10% do seu valor no estado estacionrio, obtendo as curvas de resposta mostradas na
Figura 11. Nota-se que com o aumento na temperatura de entrada, a temperatura de
sada tambm ampliada devido reao ser exotrmica, ou seja, sua taxa de reao
aumenta com a elevao da temperatura.
kp = 2,11
kp = 2,22
kp = 2,09
66
kp = 1,71
kp = 1,64
kp = 1,59
67
kp = -234,31
kp = -247,08
kp = -258,50
DOS
PARMETROS
DOS
CONTROLADORES
DE
REALIMENTAO
Conforme definido, decidiu-se estudar apenas a malha mestre, que apresentada na
Figura 14 no diagrama de blocos construdo no Simulink/ Matlab 7.0. A malha
apresenta trs entradas no processo e quatro sadas. As trs entradas no leito 1 so,
respectivamente, de cima para baixo: a temperatura de entrada (varivel manipulada),
concentrao de entrada (perturbao medida) e a vazo de entrada (perturbao
medida). As quatro sadas do leito 1 so, respectivamente, de cima para baixo:
concentrao de sada da fase lquida, concentrao de sada da fase slida (ou
cataltica), temperatura de sada da fase lquida (varivel controlada) e temperatura de
sada da fase slida (ou cataltica).
O bloco nomeado de PID representa os controladores P, PI e PID sintonizados pelos
mtodos heursticos de Ziegler e Nichols e Cohen Coon, pelo mtodo do Modelo
Interno e pelo mtodo da Integral do Erro.
68
69
Termo
proporcional (K)
Termo derivativo
(D)
0,58
_____
_____
PI
0,52
131,53
_____
PID
0,70
78,92
19,73
Termo derivativo
(D)
0,72
_____
_____
PI
0,52
272,75
_____
PID
0,84
953,22
160,96
70
Termo proporcional
Termo integral
Termo
(K)
(I)
derivativo (D)
Servo
0,31
633,30
_____
Regulatrio
0,46
776,25
_____
Servo
0,51
841,48
157,49
Regulatrio
0,72
367,64
193,64
PI
PID
PI
0,30
557
_____
PID
0,60
811
174,45
71
q0
q1
q2
Servo
0,31
-0,07
Regulatrio
0,46
-0,16
0,30
-0,03
PI/ IE
PI/IMC
10
Considerando o melhor modelo identificado e o tempo de assentamento igual ao tempo morto acrescido
de 5 vezes a constante de tempo, obtm-se o valor de 3285s. Logo, 1/10 e 1/4 desse valor correspondem,
respectivamente, a 328,5s e 821,25s.
72
Para o Model 111 da Figura 10 com tempo de amostragem de 500s12, obteve-se a
seguinte equao discreta:
y (t ) = 0,1023. y (t 1) + 1,8492.u (t 500)
(4.4)
(4.5)
11
12
13
14
73
Ento, pode-se concluir que a discretizao dos dois modelos representam bem os dados
contnuos, no sendo um fator que pudesse causar problemas ao controlador.
A funo objetivo considerada igual apresentada na equao (2.10) com igual a
zero. Os horizontes de predio (N) e controle (NU) foram mantidos respectivamente
iguais a 4 e 3 passos de amostragem para os Casos15 1 e 3; e iguais a 8 e 3 passos de
amostragem para o Caso 2. Estes valores devem ser ajustados conforme muda-se o
modelo interno.
4.4. COMPARAO DOS NDICES DE DESEMPENHO
Com todos os ndices de desempenho gerados para um horizonte de tempo de 18000s,
elaborou-se tabelas para realizar-se comparaes entre os projetos e estratgias de
controle e seus desempenhos determinstico (caso servo e regulatrio) e estocstico. Os
projetos e estratgias de controle comparados inicialmente so:
O Caso 3 do GPC (melhor modelo e trajetria mais agressiva) e os controladores
de realimentao contnuos;
15
74
Os diferentes casos do GPC;
O Caso 3 do GPC e os controladores de realimentao discretos.
75
76
ordem de 1,7516, e alcanou aes suaves como reaes aos distrbios estocsticos;
configurando-se como o melhor controlador, com larga vantagem em comparao aos
outros. Vale ainda ressaltar, a intensa agressividade dos controladores PIDs quando
submetidos a esses distrbios.
Tabela 11: Comparao entre desempenho estocstico de controladores de realimentao e do GPC
Nas Tabelas 12, 13 e 14, observam-se os ndices referentes s aes de controle e aos
desempenhos determinstico e estocstico dos controladores preditivos do tipo GPC,
com variaes no modelo interno e na trajetria. Os casos do GPC j apresentados
anteriormente condizem nas tabelas, respectivamente, de cima para baixo com os Casos
3, 1 e 2.
16
Com base na equao (3.11) que apresenta o distrbio estocstico introduzido no modelo, onde o erro
77
Tabela 13: Comparao entre desempenho determinstico de controladores GPC para o caso regulatrio
78
que o GPC com o modelo interno mais desajustado demonstrou uma menor reduo na
variabilidade da varivel controlada, talvez devido suavidade de suas aes.
Tabela 14: Comparao entre desempenho estocstico de controladores GPC
Nas Tabelas 15, 16 e 17, examinam-se os ndices obtidos com a discretizao dos
controladores PIs sintonizados pelos Mtodos do Modelo Interno e Integral do Erro.
Tabela 15: Comparao entre desempenho determinstico de controladores de realimentao (contnuo e
discreto) e o GPC para o caso servo
79
Nota-se nas Tabelas 15 e 16, que de um modo geral, a discretizao dos controladores
PIs piorou seus desempenhos determinsticos quando comparados com as respectivas
formas contnuas, pois o ITAE e a variao das aes de controle aumentaram.
Tabela 17: Comparao entre desempenho estocstico de controladores de realimentao (contnuo e
discreto) e o GPC
80
Como pode-se constatar na Tabela 18, o controlador preditivo do tipo GPC com o
parmetro igual a 0,7 e com o modelo interno que promove uma melhor
previsibilidade dos dados simulados foi o que apresentou uma melhor compensao
entre o desempenho determinstico e estocstico. Isso deve-se estratgia de controle
do GPC baseada num modelo interno para descrever o processo e numa trajetria de
referncia, concebendo aes de controle suaves que alcanam vagarosamente o setpoint desejado. Vale ainda enfatizar, que, generalizadamente, como tambm
81
82
(a)
(c)
(b)
(d)
Figura 17 (a) Comportamento da resposta servo a um degrau de 1% no set-point do controlador IEPID; (b) Comportamento da resposta servo a um degrau de 1% no set-point do controlador IE-PI; (c)
Comportamento da resposta servo a um degrau de -1% no set-point do controlador IE-PID; (d)
Comportamento da resposta servo a um degrau de -1% no set-point do controlador IE-PI
83
iniciao
(a)
(b)
Figura 18 (a) Comportamento da resposta servo a um degrau de 1% no set-point do controlador GPC
(T=500/=0,7); (b) Comportamento da resposta servo a um degrau de -1% no set-point do controlador
GPC (T=500/=0,7)
84
(a)
(c)
(b)
(d)
85
iniciao
(a)
(b)
Figura 20 (a) Comportamento da resposta regulatria do controlador GPC (T=500/=0,7) a uma
perturbao degrau de 5% na concentrao; (b) Comportamento da resposta regulatria do controlador
GPC (T=500/=0,7) a uma perturbao degrau de -5% na concentrao
86
(a)
(c)
(b)
(d)
87
iniciao
(a)
(b)
Figura 22 (a) Comportamento da resposta regulatria do controlador GPC (T=500/=0,7) a uma
perturbao degrau de 5% na vazo; (b) Comportamento da resposta regulatria do controlador GPC
(T=500/=0,7) a uma perturbao degrau de 5% na vazo
88
presena desses distrbios. Na Figura 25, a fim de comparao apresenta o terceiro caso
do controle preditivo.
89
90
DE
MONITORAMENTO
DIAGNSTICO
DO
CONTROLE PREDITIVO
A funo de custo considerada no clculo do custo alcanado pelo modelo a cada tempo
de amostragem a seguinte:
J ach
1 Pc
=
[y(k + j Pc) SP]T [y (k + j Pc) SP]
Pc j =1
(4.6)
91
Figura 27 Diagnstico da queda de desempenho do controlador gerada pelo desajuste entre o modelo e
a planta
92
93
u (C)
94
Vale ressaltar, que as situaes aplicadas neste estudo foram exacerbadas para fins
tericos, de forma a ampliar a diferenas no grfico, possibilitando a constatao visual
do que era esperado para cada caso.
95
96
possibilitem
monitorar
automaticamente
desempenho,
alarmando,
hidrotratamento;
Estudo das tcnicas de avaliao, monitoramento e diagnstico em contexto
multivarivel;
Anlise do efeito de outros parmetros de sintonia do GPC (horizontes e
97
6. REFERNCIAS
1. ANCHEYTA, J.; SPEIGHT, J. G. Hydroprocessing of heavy oils and resdua.
Estados Unidos: CRC Press, 2007. 344 p.
2. ANSARI, R. M.; GHAZZAWI, A. A. Multivariable control on Riyadh refinery
processes: applications and benefits. Saudi Aramco Journal of Technology, p. 12
19, Vero 2000.
3. _______; TAD, M. O. Shortcut approach to modeling and simulation of
catalytic reforming process. Saudi Aramco Journal of Technology, p. 13 18,
Primavera 1998.
4. STRM, K. J. Introduction to stochastic control theory. Estados Unidos:
Academic Press New York and London, 1970. 300 p.
5. _______; HGGLUND, T. Revisiting the Ziegler-Nichols step response method
for PID control. Journal of Process Control, v. 14, p. 635 650, 2004.
6. AUTOMATION RESEARCH CORPORATION. Real time process optimization
and training worldwide outlook, 2000 apud SOTOMAYOR, Oscar A. Z.;
ODLOAK, Darci. Performance Assessment of Model Predictive Control System.
In: INTERNACIONAL SYMPOSIUM ON ADVANCED CONTROL OF
CHEMICAL PROCESSES, Gramado: ADCHEM, 2006. p. 875 879.
7. BURGHARDT, A.; KOLODZIEJ, A. S.; JAROSZYNSKI, M. Experimental
studies of liquid-solid wetting efficiency in trickle-bed cocurrent reactors.
Chemical Engineering Process., v. 28, p. 35 49, 1990.
8. _______; et al. Hydrodynamics and mass transfer in a three-phase fixed-bed
reactor with cocurrent gas-liquid downflow. The Chemical Engineering Journal,
v. 58, p. 83 99, 1995
9. CAMACHO, E. F.; BORDONS, C. Model predictive control. Gr-Bretanha:
Springer, 1999. 280 p.
98
99
THE
2006
ANIPLA
INTERNATIONAL
CONGRESS
ON
100
101
102
103
Control
System.
In:
INTERNACIONAL
SYMPOSIUM
ON
104
105
STATE
ENVIRONMENTAL
PROTECTION
AGENCY
(EPA):
106
7. APNDICE
1:
RESOLUO
DA
EQUAO
DE
DIOPHANTINE
Segundo KEMPF (2003, p. 16), o termo Diophantine provm do aritmtico
Diophantus de Alexandria, que conforme exposto na enciclopdia on-line WIKIPEDIA,
desconhecida a sua data de nascimento precisa, no entanto, possvel marcar limites
temporais que permitam situar a vida deste autor entre o sculo II a.C. e o princpio do
sculo IV da nossa era.
KUERA (1993, p. 1361) ressaltou, como uma das caractersticas da teoria de controle
moderna, o crescimento da presena da lgebra. Mdulos polinomiais foram obtidos
como teis descries da dinmica e estrutura de sistemas lineares. A funo de
transferncia do sistema considerada como um elemento do campo das fraes
associado a uma aliana, que com base na sua condio de divisibilidade, aplica-se a
equao de Diophantine a luz dos resultados desejados para o sistema de controle.
Portanto, a equao de Diophantine um artifcio matemtico que possibilita inverter o
modelo do processo, calculando-se os valores futuros da varivel de entrada do processo
em funo de valores desejados da varivel de sada e dos valores passados dessas
variveis.
Neste Apndice, apresenta-se a soluo geral da equao de Diophantine e um exemplo
de sua aplicao em um modelo de 1 ordem.
Conforme apresentado na dissertao, resolve-se a seguinte equao como uma equao
de Diophantine:
C (q 1 ) = E (q 1 ) A(q 1 ) + q d * F (q 1 )
(A1.1)
E j = e j ,0 + e j ,1 q 1 + ... + e j , j 1 q ( j 1)
F j = f j ,0 + f j ,1 q 1 + ... + f j , m q m
(A1.2)
(A1.3)
107
Assumindo-se A(q-1) = ; e, a seguinte condio inicial:
E1 = 1
(A1.4)
F1 = q (1 )
(A1.5)
E j +1 = E j + e j +1, j q j e j +1, j = f j , 0
(A1.6)
f j +1,i = f j ,i +1 f j , 0 .i +1
(A1.7)
G j +1 = G j + f j , 0 .q j .B(q 1 )
(A1.8)
e(t )
(A1.9)
(A1.10)
E1 = 1
(A1.11)
F1 = 1,8 0,8q 1
(A1.12)
17
18
108
(A1.13)
F3 = 2,952 1,952q 1
(A1.14)
(A1.15)
109
8. APNDICE
2:
EQUAES
PARA
CLCULO
DOS
PARMETROS DE SINTONIA
ZIEGLER e NICHOLS
Tipo de
Controle
Termo
derivativo (D)
0,5 Ku
_____
_____
PI
0,45 Ku
Pu / 1,2
_____
PID
0,6 Ku
Pu / 2
Pu / 8
COHEN e COON
Tipo de
Controle
PI
PID
t
1,03 + 0,35 m
p
p
k t
p m
t p
0,9 + 0,083 m
p
p
m
t
1,35 + 0,25 m
p
k t
p m
Termo
derivativo (D)
_____
_____
t
0,9 + 0,083 m
tm
1,27 + 0,6 t m
_____
t
1,35 + 0,25 m
p t
m
0,54 + 0,33 t m
0,5 t m
t
1,35 + 0,25 m
110
IMC
Tipo de
Controle
c tm
tm
2
tm
c +
2
p +
PID
p +
Termo
derivativo (D)
_____
p tm
tm
2
2 p + t m
INTEGRAL DO ERRO
Tipo de
Controle
PI Servo
PI
Regulatrio
PID Servo
t
1
A m
kp
p
t
1
A m
kp
p
t
1
A m
kp
p
Termo
derivativo (D)
t
C + D m
p
_____
t
C m
t
C + D m
_____
t
E m
111
PID
Regulatrio
t
1
A m
kp
p
t
C m
t
E m
Tipo de Controle
Servo
0,586
-0,916
1,03
-0,165
_____
_____
Regulatrio
0,859
-0,977
0,674
-0,68
_____
_____
Servo
0,965
-0,85
0,796
-0,147
0,308
0,929
Regulatrio
1,357
-0,947
0,842
0,738
0,381
0,995
PI
PID