UM MTODO EVOLUCIONRIO PARA SINTONIA DE CONTROLADORES PI/PID EM PROCESSOS MULTIVARIVEIS

Lcia Valria R. de Arruda

lvrarruda@utfpr.edu.br

Maria Cristina Szpak Swiech

mmcrist@yahoo.com.br

Flvio Neves-Jr

Myriam Regattieri Delgado

myriamdelg@utfpr.edu.br

neves@utfpr.edu.br

Programa de Ps-Graduao em Engenharia Eltrica e Informtica Industrial Universidade Tecnolgica Federal do Paran Av. 7 de Setembro, 3165 CEP 802301-901 - Curitiba - PR

RESUMO
Em instalaes industriais, comum a existncia de processos multivariveis que possuem variveis com fortes interaes entre si, alm de no linearidades e de objetivos de controle conitantes Assim, a sintonia de diversos controladores em plantas industriais complexas constitui um desao aos engenheiros de processo e operadores. Este artigo aborda o problema de sintonizar n controladores PI/PID (Proporcional, Integral e Derivativo) em processos multivariveis como um problema de otimizao multiobjetivo. Um algoritmo gentico multiobjetivo, modicado por uma tcnica de nicho e formao de castas, proposto para resolver o problema. A otimizao realizada em dois nveis. No primeiro, uma funo local que agrupa os critrios ITSE (Integral Time Squared Error) e varincia mnima calculada para avaliar separadamente o desempenho de cada malha. Em seguida, uma funo de custo global, considerando todas as malhas usada para calcular um conjunto de solues (conjunto de parmetros do controlador PI/PID) para o problema de otimizao. A metodologia foi aplicada no controle PI de uma unidade de craqueamento cataltico e o seu desempenho foi comparado ao de um controlador preditivo por matriz dinmica. Os resultados mostram a aplicabilidade e ecincia da metodoArtigo submetido em 18/04/2006 1a. Reviso em 07/02/2007 2a. Reviso em 06/11/2007 Aceito sob recomendao do Editor Associado Prof. Ivan Nunes da Silva

logia proposta.
PALAVRAS-CHAVE:

Controle multivarivel, Controle PI/PID, Algoritmo gentico multiobjetivo, nichos, castas.

ABSTRACT
Nonlinear multiple-input multiple-output (MIMO) processes which are common in industrial plants are characterized by signicant interactions and nonlinearities among their variables. Thus, the tuning of several controllers in complex industrial plants is a challenge for process engineers and operators. This paper addresses the problem of simultaneously tuning n proportional-integral-derivative (PI/PID) controllers in a coupled multivariable process as a multi-criteria optimization problem. A multi objective genetic algorithm modied by a niching technique with castes formation is proposed to solve this problem. The optimization is carried out in two levels. In the rst level a local function that considers both the integral time squared error (ITSE) and the minimum variance criteria is computed to separately evaluate the performance of each closed loop. Thereafter, a global cost function that considers all the loops is used to compute a set of solutions (a set of PI/PID parameters) to the optimization problem. The proposed system was applied to the control of a uid catalytic cracking (FCC) unit, and its performance was compared to dynamic matrix control (DMC). The results show the applicability and effectiveness of the proposed
1

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

method.
KEYWORDS: MIMO control, PI/PID control, Multi objec-

tive genetic algorithm, niching, castes.

1 INTRODUO
O controle Proporcional-Integral-Derivativo (PID) ainda hoje predominante no meio industrial. Mais que 90% de todas as malhas existentes so do tipo PI / PID atingindo uma larga faixa de aplicaes: controle de processos, drivers para motores, indstria automobilstica, controladores de vo, pilotos automticos, instrumentao, entre outros (strom e Hagglund, 2001). Alm disso, com a migrao da tecnologia pneumtica e eltrica para digital, o controlador PID se apresenta no mercado sob diversas formas e produtos como, por exemplo, os controladores single-loop standard, os componentes de software em controladores lgicos programveis (CLP) e em sistemas digitais de controle distribudo (SDCD), os controladores embarcados em robs e veculos autnomos, cd-players, etc. Apesar desta importncia, os controladores PID apresentam desempenho insuciente em algumas aplicaes. Tem sido relatado na literatura que uma porcentagem signicante dos controladores instalados operam em modo manual e que mais de 50% dos PIDs instalados que operam em modo automtico apresentam grandes varincias (Oviedo et al. 2006). Este problema de desempenho em muitos casos resultante de uma sintonia pobre devido, principalmente, : Ausncia de conhecimentos dos operadores e engenheiros de comissionamento. Adoo de mtodos de sintonia genricos que so baseados em critrios ad hoc os quais no so compatveis com as caractersticas dos processos em anlise; Grande variedade de estruturas de controladores PIDs existentes, as quais levam a erros na aplicao das regras de sintonia. A situao se agrava na indstria de processos qumicos, que nos ltimos anos tem adotado largamente o controle preditivo como estratgia de controle avanado, a qual requer malhas PID bem sintonizadas na camada regulatria da planta. Alm disso, os processos qumicos so naturalmente multivariveis e com interaes signicantes entre as suas variveis de entrada e sada, levando o engenheiro de processos, responsvel por centenas de malhas, a necessitar de uma estratgia de sintonia de fcil implantao, mas necessariamente robusta (strom e Hagglund, 2004). Nesse contexto, este artigo prope uma tcnica baseada em algoritmos genticos para sintonia de mltiplas malhas de
2

controladores PI/PID em processos multivariveis. Cada malha de controle avaliada independentemente atravs de uma funo de desempenho que considera aspectos de robustez, rejeio de perturbao, capacidade de seguir a referncia, e variaes no sinal de controle. Em seguida, o problema da sintonia conjunta dos n controladores formulado como um problema de otimizao multiobjetivo atravs da minimizao de uma funo custo que considera todas as malhas conjuntamente. Esta funo custo construda a partir da soma ponderada de todos os objetivos individuais (desempenho de cada malha). Um algoritmo gentico (AG) baseado em nichos e formao de castas proposto para soluo do problema multiobjetivo: encontrar um conjunto de valores (mltiplas solues) para cada um dos trs parmetros de todos os controladores PI/PIDs que otimizem esta funo custo. O projeto e a sintonia de controladores PI/PID multivariveis tm sido estudados ao longo dos anos. Muitos mtodos foram desenvolvidos e vrias melhorias tm sido apresentadas. Entre estes destacam-se: Davison (1978) props uma metodologia para sintonia on-line de reguladores em um problema de controle robusto descentralizado. Luyben (1986) apresentou um mtodo de sintonia simples para controle descentralizado de PID baseado na aplicao do mtodo do rel em cada malha monovarivel. Hsu et al. (1992) desenvolveram um algoritmo para sntese automtica de reguladores auto-ajustveis para processos MIMO lineares e invariantes no tempo. Yusof e Omatu (1993) apresentaram um PID descentralizado com auto-sintonia baseada em estratgias de estimao. Wang et al (1997) propuseram um mtodo de sintonia para controladores PID em processos MIMO acoplados a partir do teste do rel descentralizado. E mais recentemente citam-se os trabalhos de Toh e Rangaiah (2002), Ayadi e Benhadj (2005) e Halaing et al (2007) que propuseram mtodos de sintonia de controladores PIDs multivariveis baseados em modelos. Por outro lado, a utilizao de mtodos evolucionrios em geral e de AG em particular nas reas de controle e modelagem tem sido objeto de vrias publicaes desde o incio dos anos 90. Fleming e Purshouse (2002) relataram vrias aplicaes de AG para projeto e sintonia de controladores PI/PID, LQG, MPC, H2 /H e controladores nebulosos e neuro-nebulosos. Segundo esses autores, apesar dos muitos trabalhos publicados, as pesquisas ainda se encontram em sua infncia e vrios problemas permanecem em aberto. No caso especial de projeto e sintonia automtica de controladores PI/PID em processos multivariveis, algumas aplicaes recentes tm sido relatadas (Herreros et al., 2002)-(Vlachos et al., 2002)-(Lewin e Parag, 2003)-(Farag e Werner, 2006)-(Chang, 2007). Com exceo do trabalho de Herreros e colaboradores (2002), todos estes autores formulam o problema do controle descentralizado multivarivel

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

como um problema de otimizao simples. E para resolvlo, propem modicaes no algoritmo gentico de Goldberg (1989). Com isto obtm-se apenas uma soluo de sintonia a qual no pode ser considerada tima uma vez que o problema de projeto/sintonia de controladores PI/PID uma problema de otimizao no-convexo (strom et al, 1998). O algoritmo gentico MRCD (Multiple-objective Robust Control Design) proposto em (Herreros et al., 2002) formulado numa abordagem multiobjetivo com seleo de Pareto, a qual ser detalhada na prxima seo. Esse algoritmo utiliza mltiplas populaes e tcnicas especiais de elitismo, mutao e cruzamento a m de assegurar a diversidade e a convergncia para um conjunto de solues. As especicaes de desempenho so dadas em termos de normas H2 /H para cada malha individual. Essa metodologia pode ser aplicada indistintamente para sntese de controladores PI / PID em processos monovarivel e multivarivel, no entanto, necessita de um modelo matemtico do processo a ser controlado. Alm disso, a sua aplicao na sintonia automtica restrita, pois como faz uso de mltiplas populaes, o tempo computacional associado ao clculo das solues, o qual j normalmente elevado para abordagens evolutivas, torna-se proibitivo em aplicaes on-line (Coello, 2000) (Fonseca e Fleming, 2002). A abordagem proposta neste artigo uma alternativa abordagem em (Herreros et al., 2002). As funes de avaliao de malha so baseadas em trs critrios: Integral do Erro Quadrtico Ponderado pelo Tempo (ITSE) e varincia mnima aplicada aos sinais de controle u(t) e de sada y (t). Estes critrios so bem aceitos na indstria e mais fceis de aplicar e calcular que critrios baseados em normas. A metodologia proposta no depende de um modelo matemtico para o processo e pode ser utilizada com outros controladores, como por exemplo, um controlador nebuloso (Swiech et al, 2005). O algoritmo gentico proposto procura mltiplas solues para o problema de otimizao multiobjetivo atravs da formao de nichos (Coello, 2000) e castas. Em cada nicho, os indivduos da populao so ordenados e posteriormente divididos e/ou agregados em grupos (castas) para o processo de reproduo. Segundo Goldberg (1989) e Mahfoud (1995), enquanto os AGs tradicionais realizam otimizaes simples, os AGs que incorporam mtodos de nichos so mais adequados para tratar problemas de otimizao de funes multimodais, simulao de sistemas complexos e adaptativos, otimizao de funes multiobjetivos, entre outros. Apesar dos nichos serem uma tcnica conhecida na rea de Computao Evolutiva, a formao de castas, na forma como aqui apresentada, se constitui uma inovao do algoritmo proposto. Alm disto, como o algoritmo proposto utiliza uma abordagem de soma ponderada para avaliao de cada soluo,

mais eciente computacionalmente, podendo ser utilizado em aplicaes que demandam menores tempos de processamento para se alcanar uma soluo (Coello, 2000) (Fonseca e Fleming, 2002). Entretanto, ao se optar por uma funo ponderada na soluo do problema multi-objetivo, a formao de um super-indivduo (soluo no-dominada nica) pode ocorrer e deve ser minimizada pela introduo das castas, as quais funcionam como uma memria do algoritmo, permitindo a manuteno de um conjunto de solues obtidas ao longo da evoluo, ao invs de uma nica soluo para o problema.

2 FORMULAO DO PROBLEMA DE OTIMIZAO MULTIOBJETIVO

Os sistemas industriais de controle envolvem, em sua maioria, o controle de mltiplas variveis de entrada e sada de processos. O uso de mltiplos controladores, um para cada varivel a ser controlada numa estrutura descentralizada, uma das estratgias utilizadas neste tipo de plantas, em substituio utilizao de um nico controlador multivarivel. Isto porque a implantao e superviso de vrias malhas de controladores independentes so tarefas mais fceis de realizar na prtica (Luyben, 1990). Nesta estratgia, considerase que o processo multivarivel composto por n sadas independentes que podem ser controladas por n controladores monovariveis, conforme ilustrado na gura 1. No entanto, a maior parte dos processos reais apresenta acoplamento entre suas variveis, o que signica que uma varivel controlada (sada do processo) sofre inuncia de diversas variveis manipuladas (entradas do processo). Neste caso, a sintonia dos n controladores, como descrito anteriormente, no uma tarefa trivial. Existe a diculdade de mensurar a contribuio de cada varivel manipulada em cada uma das variveis de sada. A modicao no parmetro de um controlador pode melhorar o desempenho de uma varivel especca, mas por outro lado, piorar sensivelmente o

Figura 1: Arquitetura de controle multivarivel descentralizado

3

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

desempenho de outras variveis. Portanto, a sistematizao de metodologias para sintonia de todos os controladores em conjunto importante para sistemas com estas caractersticas. Com este objetivo, o problema de sintonia de n controladores do tipo PI/PID modelado neste artigo como um problema de otimizao multiobjetivo. Este problema resolvido por um algoritmo gentico modicado que calcula de maneira simultnea, os diferentes parmetros de congurao de cada controlador empregado. Um problema de otimizao multiobjetivo envolve a minimizao (ou maximizao) de vrios critrios conitantes que no podem ser satisfeitos simultaneamente. Nestes casos, procura-se um conjunto de solues timas em que nenhuma soluo do conjunto pode ser considerada superior s outras quando todos os critrios so analisados separadamente. Este conjunto denominado conjunto timo de Pareto e as solues que o compem so conhecidas como solues nodominadas (Coello, 2000). Na literatura, os mtodos de resoluo de problemas de otimizao multiobjetivo baseados em algoritmos genticos podem ser classicados em trs grupos (Coello, 2000)-(Zitzter et al, 2004): Abordagem por agregao de objetivos: Os vrios objetivos so combinados em uma nica funo objetivo, e uma soluo nica obtida como um problema simples de otimizao. O mtodo do critrio global (Coello e Christiansen, 2000) e a programao orientada a objetivos (Coello, 2000) so exemplos de mtodos deste grupo. Abordagens que calculam um conjunto de solues noPareto: um conjunto de solues diferentes obtido atravs de tratamento especco de objetivos e/ou do uso de tcnicas populacionais, especiao e elitismo. A soluo nal escolhida a posteriori. O algoritmo VEGA (Vector Evaluted Genetic Algorithm) proposto por Schaffer (1984) um exemplo deste tipo de mtodo. Abordagens baseadas em conjunto de Pareto: Um conjunto de solues de Pareto obtido atravs da utilizao de uma funo objetivo de Pareto. O Mtodo MOGA (Multiobjective Genetic Algorithm) proposto por Fonseca e Fleming (1993) e mais recentemente o mtodo NSGA (Non-Dominated Sorting Genetic Algorithm) proposto por Kasat e Gupta (2003) so exemplos de mtodos deste grupo. O algoritmo MRCD (Herreros et al., 2002) citado anteriormente tambm se enquadra nesta abordagem. Como os mtodos no primeiro grupo, o mtodo desenvolvido
4

neste artigo usa uma funo objetivo nica, obtida atravs da soma ponderada dos vrios critrios envolvidos. Entretanto tcnicas especcas de nicho e formao de casta (elitismo) so utilizadas pelo AG para construir o conjunto de solues, como nos mtodos do segundo grupo. Em seguida, ao nal da evoluo, uma anlise de Pareto realizada para selecionar as solues no-dominadas deste conjunto. Estas solues podem ser avaliadas pelos operadores do processo, antes de sua utilizao na planta

2.1 Estrutura dos controladores

Uma das estruturas de controle PID mais utilizadas na literatura a proposta por strom e Hagglund (1995). Kp.TD s Kp y (s) e(s) + TI s 1 + sTD/N

u(s) = Kp.e(s) +

(1)

onde e = y r, u, y e r so respectivamente, o erro, o sinal de controle, a sada e a referncia da malha de controle. Os parmetros Kp , TI e TD so respectivamente o ganho proporcional, a constante de tempo integral e a constante de tempo derivativa do PID. O parmetro N usado para limitar o ganho de alta freqncia do termo derivativo, melhorando assim a imunidade ao rudo do controlador (strom e Hagglund, 1995). Para gerar controladores discretos no tempo, discretiza-se a equao (1) com um perodo de amostragem T , utilizando a aproximao de Tutsim para o termo integral e a aproximao para trs (backward) para o termo derivativo, gerando a seguinte funo de transferncia:

u(z ) = Kp .e(z ) +

T.Kp . (z + 1) e(z )+ 2TI (z 1) Kp.TD .N (z 1) + y (z ) TD (z 1) + N T z

(2)

Os controladores utilizados na seo 5 deste artigo so do tipo PI, compostos pelos dois primeiros termos da equao (2) e organizados em uma estrutura descentralizada. Nessa seo utiliza-se a metodologia proposta para calcular os parmetros Kp e TI das diferentes malhas de um processo multivarivel. No entanto, a extenso para o caso PID simples, bastando para isto considerar todos os termos da equao (2).

2.2 Construo da funo de avaliao de malha

Para construir a funo objetivo do problema de otimizao, o desempenho de cada malha de controle avaliado indivi-

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

dualmente. Para isto, primeiro devem ser escolhidos os pares entrada sada que formam cada malha. O mtodo RGA (Relative Gain Array) ou o ndice de Nierdelinsky (Luyben, 1990) (Campi e Morari, 1998) podem ser usados para tal objetivo. Em seguida, devem-se escolher para cada malha, os critrios de desempenho a serem atingidos em termos de sobressinal, tempo de acomodao, tempo de subida, entre outros. Neste artigo, os critrios da Integral do Erro Quadrtico Ponderado pelo Tempo (ITSE) e de varincia mnima aplicados ao sinal de controle u(t) e sada y (t) do processo so combinados em uma funo de avaliao para cada malha:

2.3

Construo da funo objetivo

Para um processo com n malhas, a funo de avaliao de malha deve ser considerada de forma independente para cada uma das malhas. O equilbrio das respostas obtidas determina o conjunto de sintonia que apresenta o melhor desempenho, considerando todas as sadas simultaneamente. Este equilbrio pode ser determinado a partir do somatrio do valor obtido para cada sada, ou a partir de qualquer outro tipo de soma ponderada. Neste trabalho, o conjunto de parmetros de sintonia escolhido para os controladores aquele que minimiza a seguinte funo objetivo:

tn

J= te2 i (t)dt] +
2 i

fi =

1 [i

t0

y [ki

2 i (y (t))]+

q1 (f1 )2 + q2 (f2 )2 + . . . + qi (fi )2 + . . . + qn (f n)2 (4)

u 2 3 (u(t))] i + i [ki

para i = 1, , n

(3)

2 onde 2 i (y (t)) e i (u(t)) so respectivamente a varincia da sada e a varincia do sinal de controle para a i-sima malha, y u ki e ki so fatores de escala permitindo que os trs termos 2 da funo tenham a mesma ordem de grandeza e 1 i , i e 3 i so fatores de ponderao, escolhidos no intervalo [0, 1], que reetem a importncia dada a cada critrio na anlise de desempenho. 3 2 A escolha destes fatores ( 1 i , i e i ) permite ao engenheiro de processo estabelecer prioridades entre os critrios, de acordo com os requisitos especcos de cada malha. Por exemplo, se o objetivo de controle manter a varivel de sada dentro de um determinado intervalo, ento um erro de regime admissvel, e o fator 1 pode ser pequeno se comparado a 2 e 3 . Desta forma, a escolha destes valores reete os compromissos de desempenho para cada malha individualmente.

Sendo fi dado pela equao (3) e qi o coeciente de ponderao para a i-sima malha. A otimizao desta funo objetivo tem assegurado bons resultados mesmo para sistemas fortemente acoplados, e pode ser utilizada em diferentes processos (Swiech, 2005). A escolha do coeciente de ponderao qi > qj para todo j = i, garante que a sada i ter maior inuncia no resultado, e a sintonia a ser implantada ser aquela que minimiza a malha i,permitindo assim uma priorizao das malhas. Este coeciente de ponderao tambm pode ser utilizado para escalonar as sadas que tenham valores de referncia de diferentes magnitudes. O processo de sintonia dos controladores PIDs em um processo multivarivel, atravs da metodologia proposta neste trabalho, feito diretamente pela busca dos melhores valores para cada um dos parmetros de cada controlador PID (ganho proporcional (KP i ), constante de tempo integral (TIi ) e constante de tempo derivativa (TDi )). Esta busca realizada por um algoritmo gentico modicado cuja funo de avaliao (tness) dada pela equao (4). Este algoritmo gentico, detalhado na seo a seguir, apresenta uma representao cromossmica simples, com poucos genes, permitindo encontrar um conjunto de solues de forma rpida e eciente. O uso de uma abordagem por agregao de objetivos para a otimizao multicritrio permite variar a importncia de cada objetivo de um modo fcil para o operador. Este procedimento no trivial em abordagens por conjuntos de Pareto. O mtodo da soma ponderada tambm bastante eciente computacionalmente (Coello, 2000) (Fonseca e Fleming, 2002). No entanto, a soluo calculada na maioria dos casos, fortemente no-dominada (super-indivduo) e dependente das ponderaes utilizadas para combinar os objetivos. Para atenuar estes problemas, a metodologia proposta neste artigo, alm de incluir a casta elitista que guarda solues obtidas em diferentes momentos da busca, realiza aps
5

A utilizao do critrio ITSE baseada nos resultados apresentados em Killinsworth e Krstic (2006) que demonstraram que o critrio ITSE possibilita desempenho em malha fechada superior em comparao com critrios mais conhecidos como o IAE (Integral of Absolute value Error) e ITAE (Integral Time of Absolute value Error). O segundo membro da funo custo procura diminuir oscilaes na sada do sistema, a partir da minimizao da varincia observada no sinal de sada y (t) do processo. Este critrio importante para a robustez do sistema em malha fechada na presena de perturbaes. O terceiro membro, relativo varincia do sinal de controle u(t), tem por objetivo a procura por uma sintonia que gere sinais de controle mais suaves (Astrm e Wittenmark, 1995).

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

a evoluo, uma anlise das solues obtidas separando-as em dominadas e no-dominadas. Para isto, considerando duas solues quaisquer x(1) e x(2) de um problema que tem mais de um objetivo, f = (f1 , f2 ,. . . , f i ), i = 1,..., n e n 2, tm-se duas possibilidades ou uma soluo domina a outra ou ningum domina ningum. Diz-se que a soluo x(1) domina x(2) se ambas as condies so verdadeiras (Coello, 2000): fi (x1 )! fi (x2 ) para i = 1, 2, ..., n (5)

elitista responsvel por assegurar a sobrevivncia dos melhores indivduos para as prximas geraes e manter uma memria do processo evolutivo atravs da preservao de indivduos obtidos anteriormente. Finalmente, na ltima gerao, um conjunto de solues potenciais para o problema de otimizao multiobjetivo est disponvel nesta casta, em adio ao melhor indivduo encontrado, que representa uma soluo nal nica. Este conjunto posteriormente analisado com base no critrio de Pareto e as solues no-dominadas so disponibilizadas. Desta forma, as tcnicas de nichos e formao de casta so combinadas nesta abordagem com um mtodo de seleo de Pareto (aplicado ao nal da evoluo) para assegurar o desempenho do algoritmo gentico e tambm garantir solues com diferentes compromissos em relao aos mltiplos critrios de otimizao. O algoritmo gentico baseado em castas detalhado a seguir: Incio

fi (x1 ) fi (x2 ) para pelo menos um i {1, 2, . . . , n} (6) Onde signica melhor, pior e ! para negao. Se alguma condio for violada, ento x(1) no domina x(2) .

3 ALGORITMO GENTICO BASEADO EM NICHOS E CASTAS

Em abordagens evolucionrias para otimizao multiobjetivo, mtodos de nicho e especiao so teis para estabilizar as mltiplas sub-populaes que surgem na fronteira tima de Pareto e assim evitar uma competio excessiva entre membros muito diferentes da populao (Goldberg, 1989). Assim, este trabalho prope um AG que utiliza quatro diferentes nichos obtidos pelo ordenamento da populao como forma de restringir a competio aos indivduos potencialmente similares. O uso de elitismo em AG garante a sobrevivncia do melhor indivduo para a prxima gerao assegurando a convergncia assinttica dos algoritmos (Villalobos-Arias et all, 2006). No entanto, existe a possibilidade de convergncia prematura do algoritmo devido reproduo preponderante de super-indivduos. Esta possibilidade reforada quando se utilizam abordagens baseadas em agregao de objetivos as quais favorecem a reproduo de solues fortemente nodominadas (Coello, 2000). Para atenuar este problema, a abordagem desenvolvida neste artigo prope o uso de nichos uma vez que os mtodos de nicho tambm so capazes de manter vrias solues diferentes por um perodo de tempo innito em relao ao tamanho da populao (Mahfoud, 1995). Alm disso, o mtodo prope a criao de um grupo especco isolado do restante da populao. Neste grupo, denominado casta elitista, so mantidas cpias de todos os melhores indivduos, obtidos desde os primeiros estgios da evoluo. Estas cpias so protegidas da ao dos operadores genticos que ocorrem em outra casta denominada casta de reproduo. Deste modo, a casta
6

Passo 1: Inicialize a populao com vetores aleatrios. Enquanto a condio de parada no for alcanada (nmero mximo de geraes) Passo 2: Para cada indivduo na populao corrente, avalie a sua funo objetivo (eq. 4) Passo 3: Ordene a populao baseado no valor desta funo objetivo. Passo 4: Divida a populao ordenada em trs nichos contendo respectivamente 20% (nicho 1), 50% (nicho 2) e 30% (nicho 3) dos indivduos. Passo 5: Construa um grupo elitista copiando 10% dos melhores indivduos (sem repetio) a partir do nicho 1 e talvez do nicho 2. Passo 6: Construa o grupo bom selecionando indivduos do nicho 1 (repeties so permitidas). Passo 7: Construa o grupo mdio copiando todos os indivduos do grupo 2. Passo 8: Construa o grupo de eliminao selecionando indivduos do grupo 3. Passo 9: Copie todos os indivduos do grupo elitista na casta elitista. Passo 10: Rena os grupos bom, mdio e eliminao formando a casta de reproduo. Passo 11: Aplique os operadores genticos de mutao e recombinao na casta de reproduo.

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

Passo 12: Forme uma nova populao reunindo as castas elitista e de reproduo. Passo 13: Atualize a populao corrente com a nova populao e incremente o contador de geraes. m enquanto . Passo 14: Aplique uma anlise de Pareto (eq. 5 e 6) s solues presentes na casta elitista para que possam ser extradas as solues no-dominadas. Fim De acordo com o algoritmo mostrado anteriormente, para formar a populao do algoritmo gentico, os indivduos so avaliados e ordenados de acordo como seu grau de aptido. Posteriormente estes so divididos em trs nichos correspondendo respectivamente a 20%, 50% e 30% do total de indivduos na populao. Estes trs nichos so organizados em 4 grupos, conforme mostrado na gura 2, que formam as duas castas a serem utilizadas para a gerao da prxima populao. O grupo 1, que forma a casta elitista composto por 10% do tamanho da populao, e abriga os melhores elementos da gerao anterior, sem que haja repetio de uma mesma soluo. O grupo 2 formado por indivduos do nicho 1 que representam os melhores elementos da populao corrente, podendo haver repeties e so selecionados pelo mtodo da roleta (Goldberg, 1989). O grupo 3 formado pela transmisso direta dos indivduos no nicho 2. Os indivduos deste grupo tm nvel de aptido intermedirio. O ltimo grupo composto pelas solues menos adequadas da populao corrente, que sofrem um processo de seleo/eliminao pelo mtodo da roleta e so transmitidas apenas em parte para a nova gerao. Convm ressaltar que a formao de grupos um mecanismo de competio restrita (Goldberg, 1989) que assegura que a competio, exceto para o grupo elitista, ocorre apenas entre indivduos de valores de aptido similares. A Figura 2 apresenta o procedimento utilizado pelo algoritmo gentico baseado em castas (passos 4 a 10) para a construo das castas descritas. A casta elitista foi projetada para guardar um nmero signicativo de bons elementos (10% da populao) durante toda a evoluo do algoritmo. Desde a primeira gerao, os melhores indivduos so guardados e s podem ser substitudos por outros de melhor desempenho comprovado. Dentro da casta elitista, no ocorrem operaes de mutao e recombinao, exatamente para no existir o risco de uma alterao mal sucedida em uma soluo boa. Na casta de reproduo so utilizados os operadores genticos de mutao e recombinao para a construo da nova gerao. A mutao sorteia genes dentro de uma populao substituindo totalmente seus valores por outros gerados de

POPULAO CORRENTE
MAIOR NVEL DE ADEQUAO

20%
Nicho 1

50%
Nicho 2

30%
Nicho 3

casta elitista

grupo 2: bons individuos

Grupo 3: individuos mdios

grupo 4: eliminao

10%

25%

50%
CASTAS DE REPRODUO

15%

PRXIMA POPULAO

Figura 2: Construo das castas

maneira aleatria. Para que exista uma segurana quanto possibilidade dos espaos de busca no terem sido bem dimensionados, o operador de mutao projetado para sortear nmeros aleatrios dentro e fora da faixa de variao pr-determinada. Para tanto, a faixa de variao aumentada arbitrariamente em trs vezes, e os sorteios ocorrem na proporo de 5 (faixa de variao original) para 1 (faixa de variao trs vezes maior). Desta maneira, o algoritmo ca aberto a solues diferentes das esperadas, mas, se algumas dessas solues apresentarem baixo nvel de aptido sero eliminadas em poucas geraes atravs do mtodo de seleo utilizado pelo AG. A operao de recombinao, alm de sortear dois cromossomos aleatoriamente dentro da populao, sorteia tambm o ponto de quebra e troca entre as duas solues, sendo este ponto, portanto, diferente em cada atuao deste operador. Em seguida, os lhos substituem os pais. Esta mistura de indivduos permite manter a diversidade da populao, impedindo que nichos isolados de bons indivduos levem a uma convergncia rpida para solues sub-timas. A utilizao de duas castas produz um bom compromisso entre a presso seletiva e a diversidade de populao, uma vez que a casta elitista mantm sempre o grupo dos melhores indivduos mesmo quando a casta de reproduo converge para um superindivduo. Alm disto, como os melhores indivduos esto salvos na casta elitista, no h problemas em misturar e substituir os elementos de nichos diferentes na casta reproduo para garantir a diversidade. Depois de formada, a nova gerao tem todos os seus indivduos avaliados, ordenados e posteriormente subdivididos nos trs nichos para continuao do ciclo de busca. No nal da evoluo, so disponveis na casta elitista, no apenas um, mas vrios indivduos que formam o conjunto das melhores solues encontradas pelo algoritmo gentico.
7

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

Para a escolha do tamanho das castas e nichos da gura 2 foram realizados vrios experimentos com processos de ordem e naturezas diferentes e com diferentes controladores. A metodologia se revelou robusta em relao a estes valores. Por exemplo, para o tamanho do nicho 1 variando entre 15% a 25% da populao, os resultados apresentados em todos os processos so muito similares (Swiech, 2005). Para a sintonia de controladores PI/PID, foi denida a utilizao de cromossomos com nmero de genes igual ao nmero de parmetros de congurao Kp, Ti, Td (Td, mantido igual a zero no caso PI) multiplicado pelo nmero de controladores existentes na planta, isto , o nmero de malhas simples a serem sintonizadas. A representao dos genes feita por ponto utuante, e a faixa de variao determinada isoladamente para cada gene que compe o cromossomo. Esta determinao realizada a partir de ensaios preliminares que visam encontrar os valores de ganho ltimo das malhas, atravs do mtodo do perodo crtico (strom e Hagglund, 1995). Os valores de amplitude de ganho encontrados so utilizados como limitador da faixa de variao de cada parmetro para a gerao da populao inicial no incio do processo evolutivo.

Figura 3: Unidade de craqueamento cataltico, conversor Orthoow F da Kellogg

4 CONTROLE DE UNIDADES DE CRAQUEAMENTO CATALTICO.

A unidade de craqueamento cataltico utilizada neste trabalho mostrada na gura 3, onde identicam-se o conversor FCC propriamente dito, a fracionadora principal e dois compressores de gases operando em paralelo, alm do forno de aquecimento da carga. O conversor do tipo Orthoow F da Kellogg. Um simulador foi desenvolvido em C++ por Prosdssimo (2003), baseado nas principais equaes de balano de massa, energia e presso para este tipo de conversor. Estas equaes so resolvidas utilizando o mtodo de RangeKutta com passo de integrao igual a 103 . Este modelo dinmico no-linear foi originalmente proposto em (Moro e Odlak, 1995). O rendimento de uma unidade FCC determinado pela quantidade de cada subproduto obtido, isto , pelo percentual volumtrico da carga (gasleo e leo desasfaltado) que convertido em cada um dos subprodutos do craqueamento (gasolina, GLP, gs combustvel, coque, entre outros). Os principais fatores que inuenciam esta converso so (Sadeghbeig, 2000): A qualidade da carga que determina diretamente as fraes de produtos obtidos, A temperatura de reao, quanto mais alta a temperatura maior a quantidade de GLP produzida em detrimento da produo de gasolina e vice-versa,
8

A atividade do catalisador que determina o tempo de reao (acelera ou retarda o craqueamento) Razo catalisador / carga que aumenta ou reduz as reaes de craqueamento. No modelo utilizado neste artigo, os fatores acima so controlados atravs de 5 malhas de controle regulatrio do tipo PI (Prosdssimo, 2003), as quais esto indicadas na gura 3: Malha de controle de temperatura de sada do riser (Trx) feita via abertura da vlvula TCV que controla a circulao de catalisador regenerado para o riser. Malha de controle de temperatura da fase densa do regenerador (Trg2) atravs da vlvula Ra que controla a vazo de ar para os dois estgios do regenerador Malha para controle do inventrio de catalisador no vaso separador (Hra), feito atravs da vlvula LCV. Malha de controle do diferencial de presso entre o vaso separador e o regenerador (DPr), via abertura da vlvula PdCV. Malha de controle da presso de suco do compressor de gs mido (Psuc), feito via controle da vlvula PCV. Para validao da metodologia proposta neste trabalho, foi simulada uma campanha de 5 horas (300 minutos) de durao, com variaes previstas dos pontos de operao de acordo

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

Tabela 1: Caractersticas operacionais da campanha Varivel (Unidade) Trx (o C ) Trg2 ( C ) Hra (ton) DPr (Kgf/cm2 ) Psuc (Kgf/cm2 ) aTCV (%) Rai (kNm3 /cm2 ) aLCV (%) aPdCV (%) aPCV (%)
o

Limite inferior 530 690 0,60 0,90 45 210 0 0 0

Limite superior 545 720 0,70 1,10 98 240 100 100 95

Valor inicial 542,20 700,89 90 0,65 1,00 82 220 62,82 72,89 71,18

Set point t=0 540 700 90 0,65 1 -

Set point t = 30 543 702 90 0,65 1 -

Set point t = 70 543 702 90 0,65 0,97 -

Set point t = 80 543 702 92 0,65 0,97 -

Set point t = 120 545 704 92 0,65 0,97 -

Set point t = 150 545 704 92 0,70 0,97 -

com a tabela 1. Alm disto, diversas variveis operacionais do processo possuem limites operacionais inferiores e superiores que devem ser respeitados durante a campanha. Para as variveis controladas, estes limites tambm foram includos na tabela 1, para as demais variveis do modelo, os limites podem ser obtidos em (Prosdssimo, 2003).

Tabela 2: Parmetros de sintonia dos controladores PIs Varivel controlada Hra DPr Psuc Ganho proporcional -0.04 -0.5 -0.8 Tempo integral 0,22 0,333 0,16 Intervalo de atuao 3,6 3,6 1,2

5 SIMULAES E RESULTADOS.
Para validao da metodologia proposta foram realizados dois casos de estudo para a campanha descrita acima. No primeiro caso, um controlador DMC multivarivel foi utilizado para manipular diretamente a abertura das vlvulas aTCV e Rai, controlando as temperaturas do riser (Trx) e do regenerador (Trg2) e para gerar as referncias para os PIs nas malhas restantes (LCV-Hra, PdCV-DPr, PCV-Psuc). Nestas malhas os parmetros de sintonia dos PIs foram obtidos utilizando as tcnicas tradicionais de Ziegler-Nichols e CohenCoon e esto mostrados na tabela 2. A arquitetura de controle mostrada na gura 4.

Figura 4: Arquitetura de controle avanado: DMC + PI Os parmetros utilizados na sintonia do controlador DMC esto na tabela 3 e foram obtidos por tentativa e erro a partir de vrios experimentos, utilizando o simulador de FCC. Estes parmetros apresentaram os melhores resultados a partir de uma anlise visual das respostas. Os resultados obtidos neste estudo de caso serviro como referncia em uma comparao com a metodologia proposta neste artigo. No segundo estudo de caso, considerou-se apenas o nvel

regulatrio (PI) em que todas as malhas foram sintonizadas conjuntamente atravs da metodologia proposta neste artigo, conforme mostra a arquitetura de controle da gura 5. Para a sintonia dos controladores PI, foi denida a utilizao de cromossomos com 10 genes, que representam diretamente os parmetros (Kp1 , Ti1 , Kp2 , Ti2 , Kp3 , Ti3 , Kp4 , Ti4 , Kp5 , Ti5 ) relativos ao ganho proporcional (Kpi ) e a constante de
9

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

Tabela 3: Parmetros de sintonia do DMC Parmetro Perodo de amostragem Horizonte de Predio Horizonte de controle Horizonte do modelo Matriz dos fatores de supresso de movimento [Trx Trg2 Psuc Dpr Hra] Matriz de ponderao da sada [Trx Trg2 Psuc Dpr Hra] Valor 1,44s 25 2 150 [2,5 0,08 10 8 1] Figura 5: Arquitetura de controle proposta: PI + AG + CASTAS [0,28 0,05 1,8 2 0,07] Tabela 4: Resultados para um conjunto de testes tempo integral (Tii ) das cinco malhas de controle (TCV-Trx, Ra-Trg2, LCV-Hra, PdCV-DPr, PCV-Psuc). Os genes tiveram espaos de busca diferenciados entre si, a faixa de variao para o ganho proporcional das malhas 1, 3 e 4 (Kp1 , Kp3 , Kp4 ) foi determinada como sendo entre [-1 e 1], a faixa variao para o ganho proporcional da malha 2 (Kp2 ) est entre [-20 e 20] e o ganho da malha 5 (Kp5 ) entre [-10 e 10] e, nalmente a faixa de variao da constante de tempo integral em todas as malhas foi determinada entre [0 e 1]. No foi estabelecida nenhuma prioridade entre as malhas (qi = 1, para i = 1,..., 5 na equao 4) e os critrios de desempenho 1 2 3 foram ponderados por i = 0,7, i = 0,2 e i = 0,1, para i = 1,..., 5 na equao 3, para todas as malhas. Isto signica que foi dada prioridade a minimizao do critrio ITSE em detrimento aos critrios de varincia mnima de sada e entrada. As conguraes adotadas para o algoritmo gentico so: populao inicial de 100 indivduos, taxa de mutao de 0,05 e taxa de recombinao de 0,10, de acordo com as recomendaes dadas em (Grefenstette, 1986). Foram executados 10 experimentos de 150 geraes cada, com populao iniciada aleatoriamente nos espaos de busca descritos acima. Os resultados estatsticos em termos de mdia, mediana, desvio padro, mximo e mnimo da funo de avaliao de malha (equao 3) e da funo objetivo (equao 4) esto mostrados na tabela 4. Outros resultados so apresentados no histograma da gura 6, em que os valores de funo de avaliao de malha so mostrados para cada um dos 10 experimentos. A partir dos resultados da tabela 4, v-se que as malhas 2 e 4 so de difcil sintonia, apresentando valores de desvio padro dez vezes maiores se comparado s malhas restantes. Analisando o histograma da gura 6, v-se que estes desvios so causados pela ocorrncia de valores altos para a funo de avaliao destas malhas nos experimentos 8 e 10. Estes
10 Funo f1 f2 f3 f4 f5 J Mnimo 3,19 2,77 1,18 1,55 0,49 9,79 Mximo 5,59 20,1 3,13 13,92 1,34 36,78 Mediana 4,21 3,69 1,31 2,43 0,95 12,08 Mdia 4,12 5,78 1,74 4,22 0,94 16,02 Desvio Padro 0,65 5,37 0.77 4,24 0,22 9,3

Resultados p/ 10 experimentos 25 Trg2 20

DPr 15 funo de Avalio

exp1 exp2 exp3 exp4 exp5 exp6 exp7 exp8 exp9 exp10

10 Trx 5 Hra PSuc

3 Malhas

Figura 6: Histograma dos resultados dos 10 experimentos

valores so causados por solues que apesar de timas para alguns critrios so muito ruins em um ou dois critrios. A melhor soluo (valor mnimo de J na tabela 4) foi obtida no experimento 2, e como pode ser observado na gura 6, esta soluo apresenta o menor valor de funo de avaliao para a malha 5 (Psuc) e valores muito prximos do timo para todas as outras malhas. Os parmetros de sintonia ob-

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

Tabela 5: Parmetros de sintonia dos controladores PIs Varivel controlada Trx (i=1) Trg2 (i=2) Hra (i=3) DPr (i=4) Psuc (i=5) Ganho proporcional Kpi 0,0449 15,07 -0.2 -0.95 -5,5 Tempo integral Tii 0,4550 0,9783 0,5161 0,4500 0,0400 Intervalo de atuao Tai 6 18 3,6 3,6 1,2

(2003) e citado anteriormente leva 48h para achar um conjunto de pareto para o controle de uma unidade de FCC com apenas dois objetivos. O algoritmo gentico com simulated anealing proposto em (Sankararao e Gupta, 2007) leva 6 horas para resolver o mesmo problema do NSGA. Em termos de controle preditivo, o controlador DMC apresentado em (Ansari e Tade, 2000) requer, para cada varivel manipulada do processo FCC, 2 a 6h a m de se gerar um modelo que possa ser utilizado pelo controlador DMC.

6 CONCLUSES.
A sintonia de diversos controladores em um processo multivarivel constitui um desao aos engenheiros de processo e operadores uma vez que ela depende de um completo conhecimento das plantas que so muitas vezes complexas, e que podem possuir variveis com fortes interaes entre si, alm de no linearidades e de objetivos de controle conitantes. Este artigo apresentou uma proposta de sintonia de controladores PI/PIDs para sistemas multivariveis atravs do uso de algoritmos genticos com nichos e formao de castas. Uma vantagem desta metodologia que um sistema de controle multivarivel com vrias malhas independentes, pode ter todos seus controladores ajustados de forma unicada e racional. Para isto o problema de sintonia de controladores foi modelado como um problema de otimizao multiobjetivo, no qual o desempenho de cada malha considerado um critrio independente a ser minimizado. A funo de avaliao de desempenho para cada malha individual agrupa os critrios ITSE e varincia mnima em uma mesma funo. Estes critrios so ponderados facilmente de acordo com a preferncia operacional do usurio. Em seguida, a funo de avaliao de cada malha agrupada numa abordagem de soma ponderada e o usurio pode atribuir prioridades entre as malhas. Esta modelagem no est restrita apenas a controladores do tipo PI/PID, uma vez que a funo objetivo do problema de otimizao independente do tipo de controlador utilizado. Uma desvantagem do mtodo que para sintonia on-line torna-se necessrio o uso de um simulador, executando em paralelo com o processo. Outra contribuio do trabalho o uso de um mtodo evolucionrio para a soluo do problema de otimizao multiobjetivo o qual baseado em um algoritmo gentico modicado pela introduo de uma tcnica de nicho e formao de casta. O mtodo de nicho adotado permitiu restringir a competio aos indivduos com aptido (tness) semelhantes, alm de possibilitar a formao de duas castas na populao: casta elitista e casta de reproduo. Ao nal da evoluo, a casta elitista que agrega 10% dos melhores indivduos da populao, forneceu no apenas a melhor sintonia para o problema
11

tidos com este experimento so dados na Tabela 5. As curvas obtidas com estes valores de sintonia sero comparadas quelas obtidas com o estudo de caso 1. Para ambos os casos, as respostas das variveis controladas esto ilustradas nas guras 7 a 11. As variveis manipuladas esto ilustradas nas guras 11 a 16. Analisando as guras 7 a 11 percebe-se que a sintonia obtida via PI+AG+Castas privilegia a velocidade de resposta e apresenta menos oscilaes na varivel controlada que as respostas do controle avanado (DMC+PI). Esta sintonia apresenta valores de sobressinal comparveis ao do controle avanado, exceto para a malha 4 (gura 10) e apresenta tambm melhor rejeio de perturbao (variao da referncia em outras malhas), exceto mais uma vez para a malha 4. Outra sintonia poderia ter sido escolhida que favorecesse um melhor desempenho para a malha 4, no entanto, esta foi escolhida por apresentar de modo geral, um resultado comparvel ou melhor do que aquele apresentado pelo controle avanado, lembrando ainda que este ltimo formado por uma camada regulatria (PI) associado a um controle DMC que tambm resultante da soluo de um problema de otimizao de desempenho. A anlise das guras 12 a 16 mostra que a sintonia por PI+AG+Castas apresenta maiores amplitudes de controle quando da variao das referncias. No entanto, os sinais calculados pela metodologia proposta (PI+AG+Castas) so menos oscilatrios (efeito ringing) que os calculados com o controle avanado (DMC+PI). Este fato notado nas guras 14 e 15, nos instantes 80 a 120 minutos e a partir do instante 150 minutos, quando no h mais variao das referncias. O tempo de execuo de um experimento (100 indivduos + 100 geraes) de aproximadamente 1 hora em um computador Athlon TM XP 2600+, 2GHz, 512 Mb RAM. No entanto, ressalva-se que o simulador de FCC foi implementado em Borland C++ e que o algoritmo gentico foi implementado em MATLAB. Este tempo inferior a outros exemplos relatados na literatura para o controle de unidades FCC. Por exemplo, o algoritmo NSGA proposto por Kasat e Gupta

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

Temperatura de sada do riser

546 545 544 543

Temperatura de sada do riser 546 545 544 543 Trx(C) 542 541 540 539
Setpoint Sada do DMC

Trx ( C)

542 541 540 539 538 0 50 100 150 200

Setpoint Saida 0 50 100 150 t(min) 200 250

250

538

t (min)

(a) Controle Avanado (DMC +PI)

(b) Metodologia Proposta (PI + AG+Castas)

Figura 7: Varivel controlada Trx

Temp. fase densa 2estgio regenerador
705

Temp. Fase densa 2 estgio renenerador 705

704

704

703

703

Trg2 ( C)

701

Trg2(C)

702

702

701

700

700

699 Setpoint Sada do DMC 0 50 100 150 200 250

699 Setpoint Sada 698 0 50 100 150 t(min) 200 250

698

t (min)

(a) Controle Avanado (DMC +PI)

(b) Metodologia Proposta (PI + AG+Castas)

Figura 8: Varivel controlada Trg2

Inventrio catalisador vaso separador
93.5 93 92.5 92

Inventrio catalisador vaso separador 93.5 93 92.5 92 Hra(ton) 91.5 91 90.5 90

Setpoint Sada do PI

Hra (ton)

91.5 91 90.5 90 89.5 0 50 100 150 200

Setpoint Sada 0 50 100 150 t(min) 200 250

250

89.5

t (min)

(a) Controle Avanado (DMC +PI)

(b) Metodologia Proposta (PI + AG+Castas)

Figura 9: Varivel controlada Hra

12

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

Diferencial presso vaso separador-regenerador

0.72 0.71 0.7

Diferencial presso vaso separador-regenerador 0.72 0.71 0.7 0.69 0.68 0.67 0.66 0.65

DPrr (kgf/cm)

0.68 0.67 0.66 0.65 0.64 0 50 100 150 200 Setpoint Sada do PI 250

DPr(Kgf/cm2)

0.69

Setpoint Sada 0 50 100 150 t(min) 200 250

0.64

t (min)

(a) Controle Avanado (DMC +PI)

(b) Metodologia Proposta (PI + AG+Castas)

Figura 10: Varivel controlada DPr

Presso suco compressor gs mido
1.02

Presso suco compressor gs mido 1.02

1.01

1.01

Psuc (kgf/cm)

1 Psuc(kgf/cm2)

0.99

0.99

0.98

0.98

0.97 Setpoint Sada do PI 0 50 100 150 200 250

0.97 Setpoint Sada 0.96 0 50 100 150 t(min) 200 250

0.96

t (min)

(a) Controle Avanado (DMC +PI)

(b) Metodologia Proposta (PI + AG+Castas)

Figura 11: Varivel controlada Psuc

Abertura da vlvula TCV
1
1 Abertura da Valvula TCV

0.95

0.95

0.9

0.9 aTCV(x100%)

aTCV (x 100 %)

0.85

0.85

0.8

0.8

0.75

0.75

0.7

0.7

0.65 0 50 100 150 200 250

0.65 0 50 100

t (min)

150 t(min)

200

250

(a) Controle Avanado (DMC +PI)

(b) Metodologia Proposta (PI + AG+Castas)

Figura 12: Varivel manipulada TCV

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

13

Vazo de ar para o regenerador

232 230 228 226
232 230 228 226 Rai(kNm3/h) 224 222 220 218 216 214

Vazo de ar para o regenerador

Rai (k Nm/h)

224 222 220 218 216 214 0 50 100 150 200 250

50

100

t (min)

150 t(min)

200

250

(a) Controle Avanado (DMC +PI)

(b) Metodologia Proposta (PI + AG+Castas)

Figura 13: Varivel manipulada Rai

Abertura da vlvula LCV
0.74 0.72 0.7 0.68
aLCV(x100%) 0.74 0.72 0.7 0.68 0.66 0.64 0.62 0.6 0.58 Abertura da Valvula LCV

aLCV (x 100 %)

0.66 0.64 0.62 0.6 0.58 0.56 0 50 100 150 200 250

50

100

t (min)

150 t(min)

200

250

(a) Controle Avanado (DMC +PI)

(b) Metodologia Proposta (PI + AG+Castas)

Figura 14: Varivel manipulada LCV

Abertura da vlvula PdCV
0.77 0.76 0.75

Abertura da Valvula aPdCV 0.77 0.76 0.75 0.74 aPdCV(x100%) 0.73 0.72 0.71 0.7 0.69 0.68

aPdCV (x 100 %)

0.74 0.73 0.72 0.71 0.7 0.69 0.68

50

100

150

200

250

50

100

t (min)

150 t(min)

200

250

(a) Controle Avanado (DMC +PI)

(b) Metodologia Proposta (PI + AG+Castas)

Figura 15: Varivel manipulada PdCV

14

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

Abertura da vlula PCV

0.79
0.79

Abertura da Valvula PCV

0.78

0.78

0.77

0.77 aPCV(x100%)

aPCV (x 100 %)

0.76

0.76

0.75

0.75

0.74

0.74

0.73

0.73

0.72 0 50 100 150 200 250

0.72

50

100

t (min)

150 t(min)

200

250

(a) Controle Avanado (DMC +PI)

(b) Metodologia Proposta (PI + AG+Castas)

Figura 16: Varivel manipulada PCV

de controle, mas um conjunto de sintonias. Este conjunto pode produzir um sub-conjunto de solues no-dominadas que sero avaliadas pelo engenheiro de processo, permitindo que ele escolha uma sintonia de acordo com suas preferncias operacionais. Por m, este artigo aplicou a tcnica proposta ao controle de uma unidade de craqueamento cataltico apresentando resultados que demonstram a ecincia da tcnica, bem como sua exibilidade e facilidade de aplicao na sintonia de vrios controladores. Como trabalho futuro, pretende-se incluir a anlise de Pareto como critrio para aceitao de indivduos na casta elitista, de forma a garantir que todos os indivduos desta casta representem solues no-dominadas.

strm, K.J. and T. Hgglund (2004). Revisiting the Ziegler Nichols step response method for PID control. Journal of Process Control, Vol. 14, n 6, pp. 635650. strm, K.J., H. Panagopoulos and T. Hgglund (1998). Design of PI controllers based on non-convex optimization. Automatica, Vol 34, n 5, pp. 585 601. strm, K.J. and B. Wittenmark (1995). Adaptive Control, 2nd ed., Addison Wesley, Reading, MA. Ayadi, B. and B.J. Benhadj (2005). MIMO PID controllers synthesis using orthogonal functions. Preprints of the 16th IFAC World Congress, Prague, Czech Republic. Campi, P.J. and M. Morari (1994). Achievable closed-loop properties of systems under decentralized control: conditions involving the steady-state gain. IEEE Transactions on Automatic Control, Vol 39, n 5, pp. 932-943. Chang, W-D. (2007). A Multi-crossover genetic approach to PID controllers tuning. Expert Systems with Applications, Vol. 33, n 3, pp. 620626. Coello, C.A.C. (2000) An updated survey of GA-based multiobjective optimization techniques. ACM Computing Surveys, Vol 32, n 2, pp.109-143. Coello, C.A. and A.D. Christiansen (2000). Multiobjective optimization of trusses using genetic algorithms. Computers & Structures, Vol. 75, n 6, pp. 647-660. Davison, E.J. (1978). Decentralized robust control of unknown systems using tuning regulators, IEEE Transactions Automatic Control, Vol. 23, n 2, pp. 276-289. Farag, A. and H. Werner (2006). Robust decentralized control of a High Voltage DC system using evolutionary
15

AGRADECIMENTOS
Os autores agradecem o apoio nanceiro da Agncia Nacional do Petrleo (ANP) atravs do CTPETRO/FINEP Financiadora de Estudos e Projetos: Programa de Recursos Humanos para o Setor de Petrleo e Gs Natural (PRH-ANP/MCT 10 UTFPR).

REFERNCIAS
Ansari, R. M. and M.O. Tad (2000). Constrained nonlinear multivariable control of a uid catalytic cracking process, Journal of Process Control, Vol. 10, n 6, pp 539 555. strm, K.J. and T. Hgglund (2001). The future of PID control. Control Engineering Practice, Vol. 9, n 11, pp. 11631175.

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

approach. Intelligent Automation and Soft Computing, Vol 12, n 1, pp. 31-39. Fleming, P.J. and R.C. Purshouse (2002). Evolutionary algorithms in control systems engineering: a survey. Control Engineering Practice, Vol. 10, n 11, pp. 1223 1241. Fonseca, C.M. and P.J. Fleming (1993) Genetic Algorithms for Multiobjective Optimization: Formulation, Discussion and Generalization. Proceedings of the Fifth International Conference on Genetic Algorithms, pp. 416423 Goldberg, D.E. (1989). Genetic algorithms in search, optimization, and machine learning. Adison-Wesley. Ann Arbor. Grefenstette, J.J. (1986). Optimization of control parameters for genetic algorithms. IEEE Transactions on Systems, Man and Cybernetics, Vol. 16, n 1, pp. 122-128. Herreros, A., E. Baeyens and J.R. Peran (2002). Design of PID-type controllers using multiobjective genetic algorithms, ISA Transactions, Vol. 41, pp. 457472. Hlaing, Y.M., M.S. Chiu, and S. Lakshminarayanan (2007). Modelling and control of multivariable process using generalized Hammerstein model, Chemical Engineering Research & Design, Vol. 85 (A4), pp. 445 454. Hsu, L., M. Chan and A. Bhaya (1992). Automated synthesis of decentralized tuning regulators for systems with measurable DC gain. Automatica, Vol. 28, n 1, pp. 185 191. Kasat R.B. and S.K. Gupta (2003). Multi-objective optimization of an industrial uidized-bed catalytic cracking unit (FCCU) using genetic algorithm (GA) with the jumping genes operator. Computers and Chemical Engineering, Vol. 27, n 12, pp. 17851800. Killingsworth N.J. and M. Krstic (2006). PID tuning using extremum seeking, IEEE Control Systems Magazine, Vol. 26, n 1, pp. 70-79. Lewin, D.R. and A. Parag (2003). A constrained genetic algorithm for decentralized control system structure selection and optimization, Automatica, Vol. 39, n 10, pp. 1801 1807. Luyben, W.L. (1986). A simple method for tuning SISO controllers in a multivariable system. Industrial & Engineering Chemistry Product Research and Development, Vol. 25, pp. 654660. Luyben, W.L (1990). Process Modeling, Simulation and Control for Chemical Engineers. 2nd edition, McGraw Hill, New York, USA.
16

Mahfoud, S.W. (1995). Niching Methods for Genetic Algorithms. Ph.D. Dissertation, University of Illinois, USA. Moro, L.F.L. and D. Odloak (1995). Constrained multivariable control of uid catalytic craking converters. Journal of Process Control, Vol. 5, n 1, pp. 29-39. Oviedo, J.J., T. Boelen and P. Van Overschee (2006). Robust Advanced PID control (RaPID): PID tuning based on engineering specications. IEEE Control Systems Magazine, Vol. 26, n 1, pp. 15-19. Prosdssimo, C. (2003). Uma contribuio ao controle preditivo multivarivel de unidades de craqueamento cataltico. Dissertao de mestrado. Programa de ps graduao em engenharia eltrica e informtica industrial. Universidade Tecnolgica Federal do Paran, CuritibaPR. Sadeghberg, R. (2000). Fluid Catalytic Cracking Handbook, 2nd Edition, GPP, Houston. Sankararao, B. and S. K. Gupta (2007). Multi-objective optimization of an industrial uidized-bed catalytic cracking unit (FCCU) using two jumping gene adaptations of simulated annealing, Computers and Chemical Engineering, Vol. 31, n 11, pp 1496-1515. Schaffer, J.D. (1984). Some experiments in machine learning using vector evaluated genetic algorithms. Doctoral dissertation, Vanderbilt University, Nashville. Swiech, M.C.S. (2005) Algoritmos genticos para sintonia simultnea de mltiplos controladores em processos de reno. Dissertao de mestrado. Programa de ps graduao em engenharia eltrica e informtica industrial. Universidade Tecnolgica Federal do Paran, CuritibaPR. Swiech, M.C.S., E. Oroski and L.V.R. Arruda (2005). Algoritmos genticos para sintonia conjunta de controladores hbridos independentes em processos multivariveis. Anais do VII Simpsio Brasileiro de Automao Inteligente, So Luis MA, pp. 1-7. Toh, W.K. and G.P. Rangaiah (2002). A methodology for autotuning of multivariable systems, Industrial & Engineering Chemistry Research, Vol. 41, n 18, pp. 4605 4615. Villalobos-Arias, M., C.A.C. Coello and O. Hernadez-Lerma (2006). Asymptotic convergence of metaheuristics for multiobjective optimization problems. Soft Computing, Vol. 10, n 11, pp. 10011005. Vlachos, C., D. Williams and J.B. Gomm (2002). Solution to the Shell standard control problem using genetically tuned PID controllers. Control Engineering Practice, Vol.10, n 2, pp. 151- 163.

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

Wang, Q.G., B. Zou, T. H. Lee and Q. Bi (1997). Auto-tuning of multivariable PID controllers from decentralized relay feedback, Automatica, Vol 3, n 3, pp. 319 -330. Zitzler, E., M. Laumanns and S. Bleuler (2004). A Tutorial on Evolutionary Multiobjective Optimization, in X. Gandibleux, M. Sevaux, K. Srensen and V. Tkindt (Ed.), Metaheuristics for Multiobjective Optimisation, Lecture Notes in Economics and Mathematical Systems Vol. 535, pp. 3-37, Springer, Berlin. Yusof, R. and S. Omatu (1993). A multivariable self-tuning PID controller. International Journal of Control, Vol 57, n 6, pp. 138714036 .

Revista Controle & Automao/Vol.19 no.1/Janeiro, Fevereiro e Maro 2008

17