Você está na página 1de 183

LUIS ANTONIO REZENDE MUNIZ

CONTROLE PREDITIVO ADAPTATIVO APLICADO A UM


REATOR DE PIRLISE OPERANDO EM REGIME SEMI BATELADA

Tese submetida ao Programa de Ps-Graduao em


Engenharia

Qumica,

Departamento

de

Engenharia

Qumica e Engenharia de Alimentos, Universidade Federal


de Santa Catarina, como requisito final obteno do ttulo
de Doutor em Cincias da Engenharia Qumica.

Orientador: Prof. Ariovaldo Bolzan, Dr.

Florianpolis, 2004

Controle Preditivo Adaptativo Aplicado a um Reator de Pirlise


Operando em Regime Semi - Batelada
Por

Luis Antonio Rezende Muniz

Tese julgada para obteno do ttulo de Doutor em Engenharia Qumica, rea de concentrao
Desenvolvimento de Processos Qumicos e Biotecnolgicos e aprovada em sua forma final pelo
Programa de Ps-Graduao em Engenharia Qumica da Universidade Federal de Santa Catarina.

___________________________
Prof. Dr. Ariovaldo Bolzan
Orientador
___________________________
Prof. Dr. Agenor Furigo Junior
Coordenador do CPGENQ

Banca Examinadora:

__________________________
Prof. Dr. Ariovaldo Bolzan
__________________________
Prof. Dra. Ana Maria Frattini Fileti
_________________________
Prof. Dr. Larcio Ender
_________________________
Prof. Dr. Leonel Teixeira Pinto
_________________________
Prof. Dr. Humberto Jorge Jos

Florianpolis, 16 de julho de 2004

iii

Um Samurai, um Guardio, uma Gurreira

Este trabalho dedicado a Rafael Costa Muniz, meu filho,que me presenteou com um olhar que
vai estar para sempre em minhas memrias;
a meu pai Joo de Queiroz Muniz Filho pelo orgulho incontido frente ao filho doutorando, mas
que no pode ver o desfecho deste trabalho;
e a minha esposa Ana Rosa Costa Muniz pelo exemplo de uma guerreira numa luta firme e
obstinada pela vida.

iv

AGRADECIMENTOS
Desejo expressar minha sincera e profunda gratido para as seguintes pessoas e instituies que
contriburam para a realizao deste trabalho:
Ao professor Ariovaldo Bolzan pela compreenso e ao firme apoio durante a caminhada.
A minha av Antonia pela inocncia, minha me pela esperana e aos meus irmos Joo, Patrcia e
Ana Cludia pela tranqilidade de poder contar com eles a qualquer momento.
A Ana Rosa e Evandro, companheiros de viagens, disciplinas e camares.
A Marcos Mazzucco pelas discusses inicias sobre redes neurais e aquisio de dados.
A Caio e Jaime pela amizade e discusses sobre controle preditivo e redes neurais.
A Universidade de Caxias do Sul pelo apoio prestado no meu processo de qualificao.

RESUMO
MUNIZ, Luis Antonio Rezende. Controle Preditivo Adaptativo Aplicado a um Reator de
Pirlise Operando em Regime Semibatelada. Florianpolis, 2004. 133p. Tese (Doutorado em
Engenharia Qumica) Curso de Ps-Graduao em Engenharia Qumica, Universidade Federal
de Santa Catarina.

Orientador: Ariovado Bolzan


Defesa: 16/07/2004

Neste trabalho implementado um algoritmo de controle preditivo com modelo adaptativo em um


reator de pirlise operando em regime semibatelada. Um reator de 8L e mais um sistema de
separao foram desenvolvidos para este propsito. A temperatura do reator controlada atravs
de um sistema de controle digital implementado para este processo. O modelo utilizado para
inferir sobre o processo uma rede neural multicamada completamente recursiva. Inicialmente um
controlador preditivo implementado, notando-se um problema de desvio permanente da varivel
controlada em relao ao set point. Para evitar problemas de offset um algoritmo adaptativo
adotado, efetuando on-line a atualizao dos pesos da rede. A rede neural utilizada para predizer
explicitamente a sada do processo (temperatura do reator) atravs de um horizonte de predio
pr-definido. Esse vetor de sada do processo usado para estimar, atravs de otimizao, as
entradas do processo (potncia de aquecimento). O Controlador preditivo adaptativo apresentou
desempenho superior aos controladores clssicos do tipo retroalimentao, estabilizando a
temperatura sem overshoots significativos, sem offset e conseguindo compensar os fortes
distrbios ocasionados pelo alvio da presso do reator atravs da liberao parcial dos produtos da
pirlise de borra de tinta.
Palavras-chave: Controle Preditivo; Controle Adaptativo, Redes Neurais; Pirlise, Reator Batelada

vi

ABSTRACT
In the present work it was developed a Self-Tuning Adaptive Model Predictive Control Algorithm
to control a semi batch pyrolysis reactor. An 8L reactor and a separation system were assembled
for this purpose. The reactor temperature control was carried out through a digital control system
implemented for this process. The model used to infer about the process was a multilayered neural
network completely recursive. Firstly, a model predictive control was implemented and an offset
can be seen. To avoid offset problems an adaptive algorithm was applied, performing on-line
weights actualization. The neural network was used to explicitly predict the process output
(reactor temperature) through a pre-defined prediction horizon. Through optimization, this output
vector was used to estimate the process input (heat power supply). The adaptive model process
control shown a performance superior to a classic feedback controller. The temperature stabilizes
without overshoots and offsets. The developed control algorithm was able to compensate the
strong disturbances that occurs during the partial discharge of pyrolysis products, due to reactor
pressure relief.

Key-Words: Model Predictive Control, Adaptive Control, Neural Networks, Pyrolysis, Semi Batch
Reactor

vii

SUMRIO
LISTA DE FIGURAS ..................................................................................................................... xi
LISTA DE TABELAS ................................................................................................................... xv
NOMENCLATURA ..................................................................................................................... xvi
Captulo 1............................................................................................................................................. 1
1

Introduo ................................................................................................................................... 1

Captulo 2............................................................................................................................................. 5
2

Objetivo ....................................................................................................................................... 5
2.1 Objetivo Geral ............................................................................................................................ 5
2.2 Objetivos Especficos ................................................................................................................. 5

Captulo 3............................................................................................................................................. 7
3

O Estado da Arte ........................................................................................................................ 7


3.1 O Processo de Pirlise................................................................................................................ 7
3.2 Controle Preditivo .................................................................................................................... 15
3.2.1

Controle LQG ................................................................................................................ 16

3.2.2

IDCOM Identificao e Comando ............................................................................. 19

3.2.3

DMC Controle por Matriz Dinmica ......................................................................... 19

3.2.4

QDMC Controle por Matriz Dinmica com Programao Quadrtica..................... 21

3.2.5

Terceira Gerao............................................................................................................ 22

3.2.6

Quarta Gerao .............................................................................................................. 22

3.2.7

Modelos do Processo ..................................................................................................... 23

3.2.7.1

Modelos Fenomenolgicos No Lineares ............................................................ 24

3.2.7.2

Modelos Empricos Lineares................................................................................. 24

3.2.7.3

Modelos Empricos No Lineares......................................................................... 25

3.2.8

Aplicaes de Controladores Preditivos ....................................................................... 27

3.3 Controle Adaptativo ................................................................................................................. 32


Captulo 4........................................................................................................................................... 42
4

Fundamentao Terica.......................................................................................................... 42

viii

4.1 O Controle Preditivo ................................................................................................................ 42


4.1.1

A Estratgia do MPC ..................................................................................................... 44

4.1.2

A Funo Objetivo......................................................................................................... 46

4.1.2.1

Parmetros ............................................................................................................. 47

4.1.2.2

Trajetria de Referncia ........................................................................................ 48

4.1.2.3

Restries............................................................................................................... 49

4.1.2.4

Restries de Sobre Elevao ............................................................................... 50

4.1.2.5

Comportamento Monotnico ................................................................................ 50

4.1.3

Obteno da Lei de Controle......................................................................................... 50

4.1.4

Modelos para o MPC ..................................................................................................... 51

4.1.4.1

Linear ou No Linear............................................................................................. 51

4.1.4.2

Contnuo ou Discreto............................................................................................. 52

4.1.4.3

Parmetros Distribudos ou Parmetros Agrupados............................................. 52

4.1.4.4

Determinstico ou Estocstico............................................................................... 53

4.1.4.5

Entrada-Sada ou Espao de Estado...................................................................... 53

4.1.4.6

Fenomenolgicos ou Caixa Preta ...................................................................... 54

4.2 Controlador Adaptativo............................................................................................................ 55


4.2.1

Adaptao Programada.................................................................................................. 56

4.2.2

Controlador Auto-Ajustvel .......................................................................................... 57

Captulo 5........................................................................................................................................... 61
5

Metodologia............................................................................................................................... 61
5.1 Local de Trabalho: Laboratrio de Reatores ........................................................................... 61
5.2 Aparato Experimental .............................................................................................................. 63
5.2.1

Sistema Operacional I: Retorta...................................................................................... 64

5.2.2

Sistema Operacional II: Reator de Pirlise ................................................................... 66

5.2.3

Operao dos Aparatos Experimentais ......................................................................... 67

5.3 Os Algoritmos de Controle ...................................................................................................... 67


5.3.1

O Modelo do Processo................................................................................................... 68

5.3.2

O Controlador Proporcional Integral Derivativo (PID).......................................... 68

5.3.3

O Controlador Preditivo ................................................................................................ 71

5.3.4

O Controlador Preditivo Adaptativo ............................................................................. 73

ix

5.4 O Cdigo Computacional para o Sistema de Controle Digital ............................................... 75


Captulo 6: ......................................................................................................................................... 80
6

Resultados e Discusses ........................................................................................................... 80


6.1 Controle da Retorta .................................................................................................................. 81
6.1.1

Controlador do Tipo Retroalimentao......................................................................... 81

6.1.1.1

Identificao do Sistema ....................................................................................... 81

6.1.1.2

Sintonia do Controlador ........................................................................................ 83

6.1.1.3

Teste do Controlador do Tipo Retroalimentao ................................................. 84

6.1.2

Controlador Preditivo .................................................................................................... 85

6.1.2.1

Treinamento da Rede Neural ................................................................................ 86

6.1.2.2

Sintonia do Controlador ........................................................................................ 86

6.1.3

Comparao Entre os Controladores............................................................................. 88

6.2 Controle do Reator de Pirlise ................................................................................................. 92


6.2.1

Reduo dos Rudos....................................................................................................... 92

6.2.2

Identificao do Sistema................................................................................................ 94

6.2.3

Ajuste do Controlador do Tipo Retroalimentao........................................................ 98

6.3 Ajuste do Controlador Preditivo ............................................................................................ 106


6.4 Ajuste do Controlador Preditivo e do Controlador Preditivo Adaptativo ............................ 113
6.5 Comparao dos Algoritmos de Controle ............................................................................. 118
Captulo 7......................................................................................................................................... 122
7

Concluses ............................................................................................................................... 122

Captulo 8......................................................................................................................................... 126


8

Bibliografia.............................................................................................................................. 126

Anexo A 1......................................................................................................................................... 135


Efeito da Massa de Resduo Sobre o Calor Fornecido ao Reator de Pirlise ......................... 135
Anexo A 2......................................................................................................................................... 136
Cdigo Computacional do Controlador Preditivo Adaptativo................................................. 136
Anexo A 3......................................................................................................................................... 163

Influncia Qualitativa da Temperatura e do Tempo de Reao nos Produtos Gasosos da


Pirlise de Borra de Tinta.............................................................................................................. 163
Anexo A 4......................................................................................................................................... 164
Influncia Qualitativa da Temperatura e do Tempo de Reao nos Produtos Lquidos da
Pirlise de Borra de Tinta.............................................................................................................. 164
Anexo A 5......................................................................................................................................... 165
Caracterizao Fsica do leo Obtido pela Pirlise da Borra de Tinta .................................. 165
Anexo A 6......................................................................................................................................... 166
Influncia da Temperatura e Tempo de Batelada Sobre o Rendimento do leo de Pirlise da
Borra de Tinta................................................................................................................................. 166

xi

LISTA DE FIGURAS
Figura 3-1 - Diferenciao na estrutura qumica entre molculas de dioxina e furano.......... 9
Figura 3-2 - Formao de dioxinas e furanos a partir de reaes superficiais catalticas. ...10
Figura 3-3 - Balano para o cloro para trs reatores agitados em seqncia. A mistura contm uma
proporo de 1:6:3 em peso de PVC, poliestireno e polietileno. .......................................... 11
Figura 3-4 - Graus de converso calculadas para decomposio batelada de uma mistura de PVC,
PS e PE (1:1:1 em peso) a vrias temperaturas em uma pirlise em degraus a baixa temperatura. 14
Figura 3-5 - Evoluo aproximada dos algoritmos lineares MPC.

Adaptada de QIN e

BADGWELL, 2003................................................................................................................ 21
Figura 4-1 - Estratgia do controlador preditivo (MPC). ..................................................... 45
Figura 4-2 - Estrutura bsica de um algoritmo de controle preditivo. ..................................46
Figura 4-3 - Diagrama de blocos representando a estrutura do algoritmo de controle com adaptao
programada. ............................................................................................................................ 57
Figura 4-4 - Diagrama de blocos representando o algoritmo de controle adaptativo auto-ajustvel.
................................................................................................................................................. 58
Figura 4-5 - Diagrama de blocos representando a estrutura do algoritmo de controle adaptativo
com modelo de referncia. .....................................................................................................59
Figura 5-1 - Vista parcial do sistema de pirlise de 0.5 L do Laboratrio de Reatores do
Departamento de Engenharia Qumica da Universidade de Caxias do Sul..........................62
Figura 5-2 - Foto do sistema de pirlise com reator de 8 L. .................................................63
Figura 5-3 - Fluxograma do processo de pirlise. .................................................................65
Figura 5-4 - Diagrama de blocos do sistema de controle de temperatura do reatot de pirlise. 66
Figura 5-5 - Representao esquemtica de uma rede neural completamente recorrente... 73
Figura 5-6 - Definio do padro de treinamento utilizando o procedimento da janela mvel. 74
Figura 5-7 - Fluxograma do algoritmo do controlador preditivo e adaptativo. ....................75

xii

Figura 5-8 - Mdulo de configurao da placa de aquisio de dados. ................................ 76


Figura 5-9 - Cdigo computacional para o controle digital operando em malha aberta. .....77
Figura 5-10 - Seleo do algoritmo de controle a ser usado. ...............................................78
Figura 6-1 - Validao do modelo de primeira ordem mais tempo morto para a retorta. ....83
Figura 6-2 - Comportamento dinmico do controldador do tipo retroalimentao a uma
perturbao no set point........................................................................................................ 84
Figura 6-3 - Esforo do controlador do tipo retroalimentao para condizir o processo de pirlise a
um novo set point.................................................................................................................... 85
Figura 6-4 - Comparao da performance do controlador preditivo para diferentes horizontes de
predio e controle.................................................................................................................. 87
Figura 6-5 - Esforo do controlador preditivo para diferentes horizontes de predio e controle. 88
Figura 6-6 - Comparao entre o algoritmo de controle do tipo retroalimentao e o Controlador
preditivo com horizontes de controle e predio iguais a 30. ............................................... 89
Figura 6-7 - Comparao do esforo dos controladores do tipo retroalimentao e preditivo para
conduizir a temperatura do reator da temperatura ambiente at 320C................................ 90
Figura 6-8 - Comparao da performance dos algoritmos de controle, quando o processo
submetido a uma perturbao.................................................................................................90
Figura 6-9 - Esforo de diferentes controladores para suprimir o efeito de distrbios no processo. 91
Figura 6-10 - Anlise dos efeitos do curto-circuito nos canais analgicos de leitura no utilizados e
do filtro sobre os rudos, na leitura da temperatura do reator................................................93
Figura 6-11 - Comparao dos resultados obtidos com o teste a degrau no reator de pirlise com o
modelo de primeira ordem mais tempo morto. Os parmetros obtidos foram K P = 116.5

C
,
V

P = 51.0 min e = 13.3 min................................................................................................. 95


Figura 6-12 - Comparao dos resultados obtidos com o teste a degrau no reator de pirlise com o
modelo de primeira ordem mais tempo morto. Os parmetros obtidos foram K P = 189.3

P = 30.3 min e = 6.5 min . ................................................................................................ 96

C
,
V

xiii

Figura 6-13 - Comparao dos resultados obtidos com o teste a degrau no reator de pirlise com o
modelo de primeira ordem mais tempo morto. Os parmetros obtidos foram K P = 183.4

C
,
V

P = 40.4 min e = 3.6 min ................................................................................................. 97


Figura 6-14 - Comparao dos resultados obtidos com o teste a degrau no reator de pirlise com o
modelo de primeira ordem mais tempo morto. Os parmetros obtidos foram K P = 140.3

C
,
V

P = 31.2 min e = 12.7 min . .............................................................................................. 98


Figura 6-15 - Resultado de um sistema servo com controlador PID. K C = 0.015

V
, I = 42.26
C

min, D = 4.17 min e = 0.9 . ...........................................................................................100


Figura 6-16 - Esforo do controlador PID para conduzir o processo da temperatura ambiente at
250C e em seguida, at 400C............................................................................................101
Figura 6-17 - Comparao da performance do controlador PID para diferentes filtros na ao
derivativa...............................................................................................................................102
Figura 6-18 - Esforo do controlador PID para diferentes filtros na ao derivativa........102
Figura 6-19 - Comportamento da temperatura do reator perturbaes degrau no set point, para um
controlador PI. ......................................................................................................................103
Figura 6-20 - Esforo do controlador PI para conduzir o processo da temperatura ambiente at
250C e em seguida, at 400C............................................................................................104
Figura 6-21 - Comparao da dinmica do processo ao ser conduzido para diferentes set points por
controladores PI e PID..........................................................................................................105
Figura 6-22 - Esforo dos controladores PI e PID frente a problemas servo. ....................106
Figura 6-23 - Desempenho do controlador para diferentes fatores de penalizao no esforo do
controlador. Horizonte de Predio igual a 10 e de controle igual a 1. ..............................107
Figura 6-24 - Esforo do controlador para diferentes penalizaes impostas nas variaes da ao
de controle. Horizonte de Predio igual a 10 e de controle igual a 1. ..............................108
Figura 6-25 - Desempenho do controlador preditivo com horizonte de controle igual a 1 e
diferentes horizontes de predio.........................................................................................109

xiv

Figura 6-26 - Esforo do controlador preditivo para horizonte de controle igual a 1 e diferentes
horizontes de predio. .........................................................................................................110
Figura 6-27 - Eliminao do offset mediante alterao dos pesos da rede neural atravs do
treinamento on-line...............................................................................................................112
Figura 6-28- Aes do controlador submetido a trocas dos pesos para eliminao do offset.112
Figura 6-29 - Influncia do tamanho da janela mvel no desempenho do controlador preditivo
com horizonte de controle igual a 1 e de predio igual a 18. ............................................114
Figura 6-30 - Influncia do tamanho da janela mvel no esforo do controlador preditivo com
horizonte de controle igual a 1 e horizonte de predio igual a 18. ....................................115
Figura 6-31- Efeito do esquema de adaptao na eliminao do kickback. Controladores preditivos
e adaptativos com horizonte de predio igual a 45 e horizonte de controle igual a 1. .....117
Figura 6-32 - Esforo do controlador com diferentes esquemas de adaptao, na tentativa de
elimnar o kickback. ...............................................................................................................117
Figura 6-33 - Evoluo da presso sujeita a pulsos ao longo da reao de pirlise de borra de tinta.
...............................................................................................................................................119
Figura 6-34 - Comparao dos algoritmos de controle durante uma reao de pirlise de borra de
tinta sujeita a pulsos na presso............................................................................................120
Figura 6-35 - Esforo dos controladores durante uma reao de pirlise de borra de tinta sujeita a
pulsos na presso. .................................................................................................................120

xv

LISTA DE TABELAS
Tabela 5-1 - Frmulas para sintonia de controladores PID pelo mtodo ITAE submetidos a
mudanas no set point............................................................................................................. 70
Tabela 5-2 - Frmulas para sintonia de controladores PID pelo mtodo ITAE submetidos um
problema regulador.................................................................................................................71
Tabela 5-3 - frmulas para a sintonia de controladores PI pelo mtodo ITAE submetidos a um
problema servo........................................................................................................................71
Tabela 6-1 - Parmetros do modelo do processo (primeira ordem mais tempo morto) obtidos pelo
DigestTM...................................................................................................................................83
Tabela 6-2 - Parmetros do controlador obtidos pelo mtodo IAE (Integral of Absolute Error). 84
Tabela 6-3 - Parmetros do controlador preditivo................................................................. 87
Tabela 6-4 - Comparao entre os critrios de desempenho relativos para os algoritmos de
controle....................................................................................................................................89
Tabela 6-5 - Compilao dos parmetros do modelo de primeira ordem mais tempo morto para os
diversos testes a degrau implementados. ...............................................................................98
Tabela 6-6 - Sintonia do controlador PID pelo mtodo ITAE para perturbaes no set point.
Clculos efetuados para os diversos modelos da seo anterior. ........................................100
Tabela 6-7 - Indices de performance ITAE relativos entre os controladores PI e PID no controle da
temperatura de um reator de pirlise....................................................................................105
Tabela 6-8 - Anlise comparativa dos critrios de desempenho (ITAE) do controlador preditivo
com diferentes tamanhos de janelas mveis. .......................................................................114
Tabela 6-9 - Indices de performance ITAE relativos entre os controladores preditivo e adaptativo e
PI no controle da temperatura de um reator de pirlise.......................................................121

NOMENCLATURA
c

Sada do controlador

Distrbio medidos

Erro no domnio de Laplace

Coeficientes do modelo obtido a partir de uma resposta a impulso

Funo objetivo a ser minimizada

K C Ganho do controlador PID


K f Ganho do filtro de Kalman
K P Ganho do processo
N 1 Valor mnimo do horizonte de predio
N 2 Valor mximo do horizonte de predio

N u Valor do horizonte de controle

Fluxo de calor

Evoluo futura da referncia

Referncia no domnio de Laplace

Coeficientes do modelo linear obtido a partir de uma resposta a degrau

Tempo

Temperatura do reator

Tm

Medida da temperatura

Varivel manipulada

varivel manipulada no domnio de Laplace

Distrbios no medidos

Estimativa da varivel controlada

Varivel controlada

y ref trajetria de referncia


x

Estimativa dos estados do processo

xvii

Estados do processo a ser controlado

Fator de correo para a trajetria

Fator de ponderao para a penalizao do erro

Constante do filtro para a ao derivativa do controlador PID

Fator de penalizao do erro

u Esforo do controlador

Fator de penalizao do esforo do controlador

Constante do filtro da ao derivativa do controlador PID

Retardo dinmico do processo

Tempo derivativo do controlador PID

Tempo integral do controlador PID

Constante de tempo dominante do processo

Rudo

Captulo 1
1 Introduo

aumento contnuo dos resduos industriais e a necessidade de


fornecer um destino adequado para os mesmos tm estimulado a

pesquisa por processos que eliminem ou ao menos reduzam estes rejeitos. A pirlise um
processo de tratamento trmico que vem sendo bastante utilizado no aproveitamento
desses materiais. Este processo tem sido aplicado para o tratamento de resduos plsticos,
borra de tinta, resduos domsticos e hospitalares, areia de fundio, entre outros.
A temperatura de reao do processo de pirlise uma varivel importante, a qual
ir determinar, juntamente com o tempo de residncia do material a ser pirolisado, as
caractersticas do produto final obtido. A pirlise aparece como uma alternativa aos
processos de incinerao que produzem dioxinas e furanos, compostos qumicos
altamente nocivos sade humana. Estes compostos formam-se a temperaturas elevadas e
na presena de cloro e oxignio. O controle da temperatura da reao torna-se uma tarefa
primordial na determinao do rendimento do processo e qualidade dos produtos obtidos.
Qualquer que seja a estratgia de controle adotada, o conhecimento da dinmica
do processo um dos primeiros passos na busca da estratgia e sintonia do controlador.
Devido s inmeras reaes que ocorrem no reator de pirlise, o desenvolvimento de um
modelo matemtico, a partir de balanos de massa e energia, torna-se uma tarefa
extremamente complexa, alm do que, o nmero de equaes necessrias inviabiliza a sua

2
soluo para aplicaes em controle on-line. Existem modelos simplificados que analisam
apenas o rendimento da pirlise, no fazendo o estudo por componente. Entretanto,
existem muitas divergncias quanto representatividade destes modelos.
Diversos trabalhos apresentados na literatura mostram que as redes neurais podem
reduzir consideravelmente o esforo necessrio para a obteno de um modelo
matemtico, principalmente quando se trata de sistemas no lineares, com parmetros
fsico-qumicos de difcil/custosa determinao.
Sob o ponto de vista do controle, processos em batelada ou semibatelada carecem
de um melhor estudo, visto que tais processos sofrem uma grande variao no seu ponto
de operao. Desta forma, o controle clssico, baseado em modelos lineares, tem sua
performance prejudicada, uma vez que essa tcnica apresenta bom desempenho apenas
prximo ao ponto de linearizao. Algumas alternativas so apontadas na literatura
especializada, destacando-se entre elas o controle preditivo e o controle adaptativo.
O controle preditivo apontado na literatura moderna como uma ferramenta de
grande potencial para aplicaes em processos no lineares e que so submetidos a
grandes variaes durante a sua operao. Esta tcnica utiliza um modelo interno, o qual
ir estimar os estados futuros do processo num intervalo (horizonte de predio) prdefinido. Estas estimativas sero utilizadas para o clculo das aes de controle.
Neste trabalho prope-se um sistema de controle para um reator de pirlise que
opera em regime semibatelada. A estratgia proposta utiliza uma filosofia de controle
preditivo e adaptativo, auto - ajustvel, utilizando as redes neurais artificiais como modelo
do processo. Foi utilizado um reator de bancada disponvel na Universidade de Caxias do
Sul. Devido s caractersticas construtivas do reator, o sistema apresenta grande retardo
dinmico (cerca de 12 minutos), sendo o mesmo varivel, dependendo do ponto de
operao. Alm disto, a modelagem fenomenolgica do reator torna-se uma tarefa

3
complexa devido grande quantidade de reaes que ocorrem durante o processo de
pirlise. As redes neurais artificiais tm sido aplicadas com xito para descrever o
comportamento de sistemas estticos ou dinmicos e no lineares. A estrutura da rede
mais empregada em processos qumicos tem sido a feedforward, com o algoritmo de
treinamento backpropagation. Entretanto, um elevado nmero de iteraes necessrio
para o ajuste dos parmetros da rede neural, sendo apontadas algumas dificuldades para
sua aplicao em tempo real, como em controle adaptativo de processos, devido
necessidade de um elevado tempo de processamento computacional para o seu
treinamento. Atravs da tcnica da janela mvel o tempo de aprendizagem da rede
pode ser consideravelmente reduzido, diminuindo-se o padro de treinamento.
O controlador proposto baseia-se na minimizao de um critrio de desempenho
quadrtico, onde a rede neural o modelo do processo. levada em considerao, na
funo objetivo, tanto a diferena entre a trajetria proposta para a temperatura do reator e
o valor predito pelo modelo, quanto um fator de penalizao para oscilaes na varivel
manipulada. A rede neural utilizada tem uma estrutura recorrente, de forma a melhorar o
desempenho da mesma na predio do comportamento dinmico do sistema. Esta
estrutura foi utilizada desde o treinamento da rede, onde o horizonte de predio definia o
nmero de pontos futuros que a rede tinha que prever, sendo estes valores confrontados
com o padro de treinamento. Apesar da boa predio do comportamento dinmico do
sistema, a rede apresentou dificuldades na representao do estado estacionrio, gerando

offsets significativos. Estes, por sua vez, puderam ser eliminados atravs do treinamento
on-line da rede.

Foram realizados testes comparativos analisando a influncia dos

parmetros do controlador no seu desempenho, sendo estes resultados confrontados com


o controlador clssico do tipo retroalimentao.

4
O trabalho est dividido em sete captulos. Os objetivos traados para este
trabalho so apresentados no captulo 2. O captulo 3 traz uma reviso bibliogrfica
apresentando o estado da arte para o processo de pirlise, e principalmente, o estado da
arte do controle de preditivo e adaptativo. O captulo 4 apresenta os fundamentos tericos
do controle preditivo e do controle adaptativo, os quais foram empregados no
desenvolvimento deste trabalho. O captulo 5 descreve a metodologia utilizada para o
desenvolvimento do trabalho. O processo com o reator e o sistema de separao, alm da
instrumentao, apresentado. O mtodo usado para a sintonia do controlador do tipo
retroalimentao descrito. O algoritmo do controlador proposto, alm do algoritmo de
adaptao on-line tambm discutido. O capitulo 6 traz uma aplicao das estratgias de
controle feedback e dos controladores preditivo e proeditivo adaptativo discutidos no
controle da temperatura da pirlise de borra de tinta. O ndice de performance ITAE
(Integral of the Time-Weighted Absolute Value of the Error) usado como critrio de
desempenho, o mesmo usado na sintonia do controlador do tipo retroalimentao. Por
fim, o captulo 7 apresenta as principais concluses obtidas com o desenvolvimento deste
trabalho e aponta alguns desdobramentos que merecem um estudo futuro.

Captulo 2
2 Objetivo
2.1 Objetivo Geral
Desenvolver um algoritmo de controle para controlar a temperatura de um reator
de pirlise operando em regime semibatelada.

2.2 Objetivos Especficos


a) Desenvolver um cdigo computacional para o controle digital do reator de
pirlise.
b)- Estudar os algoritmos de controle propostos: Realizar uma profunda reviso
bibliogrfica sobre os algoritmos de controle propostos, buscando suas caractersticas
positivas e procurando solues para suas deficincias, gerando assim um algoritmo de
controle simples e eficiente.

c) Estudar a performance das Redes Neurais Recursivas como modelo dinmico


para o reator de pirlise: Analisar o poder de predio das redes neurais para diferentes
horizontes de predio e sua capacidade de predizer o comportamento dinmico do reator
de pirlise.

d) Avaliar o algoritmo de controle proposto: implementar o algoritmo de controle


em um reator de pirlise operando com diferentes resduos e avaliar o efeito de seus

6
parmetros na performance do controlador.

Comparar seu desempenho com o do

controlador do tipo retroalimentao.


Os captulos seguintes apresentam as etapas percorridas para se atingir os
objetivos propostos, iniciando, no prximo captulo, com o estudo do estado da arte do
processo de pirlise, indicando as dificuldades de uma modelagem fenomenolgica.
feito ainda, um estudo mais detalhado das aplicaes de controladores preditivos e
adaptativos em processos qumicos.

Captulo 3
3 O Estado da Arte

inteno deste captulo apresentar um panorama das principais


publicaes sobre aplicaes da pirlise no aproveitamento de resduos

industriais, os esforos envidados na tentativa de modelar este processo, assim como o


atual estado de desenvolvimento e aplicaes do controle preditivo e do controle
adaptativo em processos qumicos, foco principal deste trabalho.

3.1 O Processo de Pirlise


A pirlise um mtodo de reciclagem terciria, que consiste numa reao de
degradao trmica na ausncia, ou com uma mnima quantidade de oxignio, de forma a
obter produtos de valor no mercado. A decomposio de uma substncia por ao
exclusiva do calor denomina-se pirlise (MORRISON e BOYD, 1993). Esta palavra, que
deriva do grego (pyr = fogo e lysis = desprendimento) tem para os qumicos o significado
de decomposio pelo calor, fazendo uma analogia com a hidrlise que a decomposio
pela gua.
A crescente quantidade de resduos industriais tem incentivado o desenvolvimento
de processos de reuso. Dentre estes processo destacam-se a incinerao, a degradao
qumica, moagem e reutilizao e a pirlise (FIGUEREDO, 1991). Dentre os processo

8
trmicos as principais vantagens da pirlise sobre a combusto ou incinerao que de
cinco a vinte vezes menos gs produzido, significando que podem ser feitas
considerveis economias na lavagem de gases e, alm disto, o fato de se trabalhar na
ausncia de oxignio, evita a formao de compostos oxigenados, como dioxinas e
furanos, compostos extremamente txicos (LIMA, 1998).
As dibenzo-para-dioxinas policloradas (PCDD) e os dibenzofuranos policlorados
(PCDF), ou simplesmente dioxinas e furanos, so duas sries de compostos com ligaes
tricclicas

aromatizadas,

involuntariamente

sintetizadas

de

forma

plana,

com

caractersticas fsicas, biolgicas, qumicas e ultratxicas semelhantes. Os tomos de


cloro se ligam nestes compostos criando possibilidades de um grande nmero de ismeros
75 para as dioxinas e 135 para os furanos.

Estes ismeros, tambm chamados

congneres, so compostos derivados de uma mesma classe qumica, possuindo igual


frmula, mas tomos em posies diferentes.
A diferena entre dioxinas e furanos, como pode ser visto na Figura 3-1, que as
primeiras com dois oxignios, contra s um dos furanos correspondem a molculas
mais fixas.
O principal precursor na formao de dioxinas e furanos a presena de cloretos,
devendo-se inibir a sua presena nos produtos obtidos. As dioxinas derivam de reaes
em molculas de cloro expostas grande presso e temperaturas em ambientes fartos de
matria orgnica. Estudos sugerem um mecanismo para a formao das dioxinas e dos
furanos (EDULJEE e CAINS, 1997). Em se tratando de processos pirolticos o problema
apareceria na queima do leo combustvel. Uma ilustrao do mecanismo pode ser
visualizada na Figura 3-2. O mecanismo poderia ser subdivido em:

Figura 3-1 - Diferenciao na estrutura qumica entre molculas de dioxina e furano.

a) A combusto incompleta da matria orgnica leva formao de


fragmentos orgnicos, que serviriam como precursores das molculas de
dioxinas e furanos;
b) A existncia de cloro (liberado do resduo durante a pirlise) e metais
fator imprescindvel para a formao das dioxinas e furanos;
c) O precursor orgnico adsorve na superfcie metlica e seguindo uma
seqncia complexa de reaes leva a formao dos componentes
indesejados.
Na pirlise em estgios o teor de cloro eventualmente presente no resduo pode ser
significativamente reduzido, evitando a possibilidade de formao de dioxinas e furanos
(BOCKHORN et al., 1999). A Figura 3-3 apresenta o balano de cloro durante a pirlise
de uma mistura de polmeros (PVC, PS e PE) atravs de trs reatores. O resduo do
primeiro e segundo reator transportado para o terceiro reator. A quantidade de cloro no
resduo do terceiro reator cerca de 0.2% em peso. Uma pequena quantidade de cloro foi
detectada no gs de pirlise do segundo e terceiro reator.

10
As primeiras experincias com reatores pirolticos tiveram origem na Alemanha
(LIMA, 1991). No final da Segunda Guerra Mundial, os alemes, utilizando estudos de
Winkler, produziram gases combustveis (metano e isobutano) a partir de resduos
domsticos auxiliando na movimentao da sua frota.

Figura 3-2 - Formao de dioxinas e furanos a partir de reaes superficiais catalticas.

Nos Estados Unidos as pesquisas com reatores pirolticos comearam em 1929


com o desenvolvimento de um prottipo para carbonizao de carvo. Aproveitando a
experincia, foram introduzidos no reator resduos de pneus, sendo estes os primeiros
resduos industriais a serem pirolisados. Um gs com alto poder calorfico, leos e

11
resduos slidos foram obtidos nestas corridas. Com resultados iniciais proveitosos novos
resduos foram introduzidos no reator como plsticos e resduos de curtumes (LIMA,
1991).

Figura 3-3 - Balano para o cloro para trs reatores agitados em seqncia. A mistura contm uma
proporo de 1:6:3 em peso de PVC, poliestireno e polietileno.

No Brasil, a utilizao da pirlise de resduos industriais concentra-se na Petrobrs


do Paran (PETROSIX), que realiza o processo de pirlise de pneus, reaproveitando a
fase gasosa e parte da fase lquida da reao como combustvel e a parte mais pesada do
lquido aplicada como aditivo em asfaltos (NOVICKI, 2000).

12
O aproveitamento de diferentes resduos por meio da pirlise tem sido estudado
por diversos autores: (BALLICE et al., 1998; LIN et al., 1999; ISLAM et al., 1999; KIM
e KIM, 2000) no aproveitamento de leos; (BOCKHORN et al., 1999; DOMINGUEZ, et
al., 2001; MOUSQUES, et al., 2001; ARENA e MASTELLONE, 2001; MASTELLONE
e ARENA, 2002) analisaram o reaproveitamento de resduos plsticos; (KAMINSKI,
1991, LOVETT et al., 1997, JANSE et al., 2000; ISLAM e ANI, 2000, DI BLASI, 2002,
WURZENBERGER et al., 2002) testaram a pirlise como alternativa para o
reaproveitamento de madeira e biomassa; (SEBASTIAN e DOBOSZ, 1988; ERDMAN e
JOHNSON, 1989; MITCHELL e SCHWEERS, 1989; KIM et al., 1996; KIM et al., 1997;
NAKOUZI, et al., 1998) verificaram a viabilidade tcnica da pirlise da borra de tinta.
Na pirlise formam-se trs fases, buscando-se uma fase gasosa atxica e com alto poder
calorfico, uma fase lquida que pode ser aproveitada como leo combustvel e uma
quantidade mnima de slidos. As propores entre as fases e a qualidade das mesmas
so determinadas, principalmente, pela temperatura da reao de pirlise (MUNIZ et al.
2003).
Para que estas metas sejam atingidas primordial um bom conhecimento dos
possveis componentes formados durante a reao de pirlise, assim como os mecanismos
de formao dos produtos. Os diferentes componentes do resduo orgnico atingem suas
temperaturas de decomposio e comeam a liberar uma ou mais das seguintes
substncias:
a) Gases combustveis como alcanos, alcenos, formaldedo e monxido de
carbono;
b) Gases no combustveis como vapor de gua e dixido de carbono;
c) Gases corrosivos como cloreto de hidrognio e brometo de hidrognio;
d) Lquidos, geralmente fragmentos da cadeia polimrica;

13
e) Partculas slidas como fuligem, fibra de vidro e cargas minerais;
f) Radicais livres.
A descrio matemtica da fenomenologia envolvida nas reaes de pirlise tem
sido assunto de ampla discusso na literatura cientfica, sendo sem sombra de dvidas, um
problema que ainda permanece em aberto. Diversos so os fatores que contribuem para
fazer com que este processo seja extremamente complexo.

Primeiramente, diversas

simplificaes devem ser assumidas de forma a se obter um modelo geral. Alm disto,
diversos esforos tm sido feito para a representao de aspectos qumicos. Existe uma
grande dificuldade em se encontrar um conjunto de dados completos de um material e os
seus produtos de pirlise, englobando fenmenos trmicos, qumicos e fsicos.
Finalmente, a transferncia de calor deve ser precisamente descrita de forma a representar
adequadamente as vrias condies de operao e tamanhos de partculas, fator de
extrema importncia para a determinao da cintica da reao.
A cintica da pirlise importante para predizer a formao dos compostos a
partir dos resduos industriais. Um mtodo comum para a determinao de parmetros
cinticos ajustar um modelo a uma curva de converso obtida a partir de experimentos
isotrmicos ou dinmicos.

Entretanto, estudos tentando determinar as cinticas das

reaes de pirlise revelaram grandes discrepncias entre os modelos cinticos, quando os


parmetros foram obtidos a partir de experimentos isotrmicos e dinmicos
(BOCKHORN et al, 1999). As explicaes para estas discrepncias so embasadas pelas
limitaes transferncia de calor ou por mecanismos complexos de degradao que no
podem ser representados por modelos simplificados. Dados cinticos confirmam, ainda,
que estruturas moleculares diferentes so representadas por diferentes mecanismos de
decomposio trmica, diferentes taxas de reao e diferentes dependncias da taxa de
decomposio com a temperatura.

Alm disto, os dados revelam que as taxas de

14
decomposio dos plsticos so fortemente influenciadas por interaes entre os
diferentes plsticos presentes na mistura (Figura 3-4).

Figura 3-4 - Graus de converso calculadas para decomposio batelada de uma mistura de PVC, PS e
PE (1:1:1 em peso) a vrias temperaturas em uma pirlise em degraus a baixa temperatura.

A determinao exata da temperatura da amostra de grande importncia para a


avaliao dos dados cinticos. Entretanto, na maioria dos experimentos a temperatura
obtida por um termopar prximo da amostra e nenhuma informao a respeito do perfil de
temperatura dentro da amostra est disponvel. Desde que os resduos utilizados para
pirlise (plsticos e madeira) so pssimos condutores de calor, a dinmica de
aquecimento do resduo gera gradientes de temperaturas no desprezveis dentro do
material.

Outro fator que influencia o perfil de temperatura que as reaes de

degradao do compostos orgnicos so tipicamente endotrmicas. Alm disto, os efeitos


so acoplados atravs da dependncia da taxa de reao com a temperatura, acentuando
ainda mais estes gradientes. Apesar de existir um grande nmero de trabalhos avaliando a
distribuio da temperatura em partculas slidas submetidas a reaes qumicas (DI
BLASI, 1996), o mesmo no pode ser dito para a avaliao do efeito de temperaturas no
uniformes na obteno de parmetros cinticos a partir de experimentos dinmicos.

15
Fica evidente que a temperatura de reao uma varivel de grande importncia
no processo de pirlise. essa varivel que ir determinar a taxa de calor que deve ser
suprida ao processo para atender a demanda das reaes de degradao, a quantidade de
gs e lquido gerados no processo, assim como a qualidade dos mesmos (MUNIZ et al.,
1999). Grande parte dos processos de pirlise conduzida em reatores semibatelada ou
batelada. A automao e o controle destes processos uma tarefa bastante complexa,
onde no possvel se utilizar os procedimentos padres de projetos de controladores
(CANCELIER, 1998).

O desenvolvimento da teoria de controle automtico tem

motivado o desenvolvimento e a adaptao de algumas tcnicas de controle para


processos qumicos. Algumas estratgias baseadas em controle no linear, preditivo e
adaptativo tm sido motivo de estudo na literatura especializada, sendo o prximo tpico
deste captulo.

3.2 Controle Preditivo


Entre as estratgias de controle avanado uma que tem recebido muitas
contribuies na literatura o controlador preditivo com modelo interno, principalmente
devido aos avanos de hardware nos computadores digitais, o que tem permitido que esta
tcnica possa ser implementada em tempo real. Apesar disto, a grande maioria dos
trabalhos apresentados na literatura testam os algoritmos de controle propostos atravs de
simulaes.
O controlador preditivo (MPC) refere-se a uma classe de algoritmos de controle
computacionais que utilizam explicitamente um modelo do processo para predizer a
resposta futura de uma planta (QIN e BADGWELL, 2003). A cada intervalo de tempo,
um algoritmo MPC tenta otimizar o comportamento futuro da planta atravs do clculo de
uma seqncia futura de ajustes na varivel manipulada.

A primeira entrada, na

16
seqncia tima, ento enviada planta e todo o clculo repetido entre cada intervalo
de amostragem.
Esta seo apresenta uma breve reviso da histria do MPC, descrevendo as idias
chaves dos algoritmos de controle propostos. Originalmente proposto para atender a
necessidades especficas de controle de plantas de gerao de energia e refinarias de
petrleo, a tecnologia MPC pode ser encontrada atualmente em uma vasta gama de
aplicaes incluindo as reas qumica, processamento de alimentos, automotiva e
aeroespacial.

3.2.1

Controle LQG

O desenvolvimento dos conceitos do controle moderno pode ser encontrado no


trabalho de Kalman, no incio da dcada de 60 (KALMAN, 1960).
O processo considerado por Kalman pode ser descrito na forma de variveis de
estado de acordo com as equaes a seguir:

x k +1 = Ax k + Bu k + Gd k

( 3-1 )

y k = Cx k + k

( 3-2 )

Onde o vetor u representa a varivel manipulada e o vetor y descreve a varivel


medida. O vetor x representa os estados do processo a ser controlado. O distrbio d k
e o rudo k .
A funo objetivo a ser minimizada, J , deve penalizar desvios da varivel
controlada em relao a uma trajetria especificada, e tambm, mudanas da varivel
manipulada (esforo do controlador). A funo objetivo proposta quadrtica na forma
da equao , ou alguma variao da mesma

17

J=

(y
N2

k = N1

ref k

y k

) + u
2

Nu

k =1

2
k

( 3-3 )

A soluo do problema conhecido como controlador LQG (Linear Quadratic


Gaussian) envolve dois passos distintos. No intervalo de tempo t, a sada medida y k
usada para obter uma estimativa tima dos estados x k :
x k 1 = Ax k 1 + Bu k 1

( 3-4 )

x k = x k 1 + K f ( y k Cx k 1 )

( 3-5 )

Ento, a entrada tima u k computada usando um controlador de estado


proporcional timo:
u k = K C x k

( 3-6 )

Este algoritmo utiliza um horizonte de predio infinito e proporciona ao


algoritmo propriedades estveis (QIN e BADGWELL, 2003). Entretanto, o algoritmo
no permite restries na entrada, nos estados e sadas do processo.
As principais limitaes ao uso do controlador LQG so (MORARI e ZAFIRIOU,
1989):
a) Restries;
b) Processos no lineares;
c) Incertezas do modelo (robustez);
d) Critrio de performance nico;
e) Razes culturais;
Segundo QUIN e BADGWELL (QIN e BADGWELL, 2003) um controlador
deve ser capaz de manter o processo o mais prximo possvel dos nveis operacionais

18
exigidos, sem violar restries, as quais muitas vezes esto nas vizinhanas destes nveis.
Em adio, as unidades de processo so tipicamente complexas, no lineares, com
restries multivariveis e cuja dinmica varia com o tempo, devido a mudanas nas
condies operacionais, ao de catalisadores, etc. As unidades de processo podem ter
critrios de performance nicos que so difceis de expressar na estrutura LQG.
Entretanto, a falha da teoria LQG, ainda segundo os autores supracitados, esta relacionada
com a cultura da comunidade de controle de processos industriais, a qual no foi exposta
aos conceitos do LQG ou o consideravam impraticveis.
Este ambiente levou ao desenvolvimento de uma metodologia de controle baseada
em modelos mais gerais, na qual o problema de otimizao dinmica resolvido on-line a
cada execuo do controle. As entradas do processo so calculadas de forma a otimizar o
comportamento futuro da planta atravs de um intervalo de tempo conhecido como
horizonte de predio. No caso geral, qualquer funo objetivo pode ser usada. A
dinmica da planta descrita por um modelo do processo explcito, que pode, a princpio,
ter qualquer forma matemtica. As restries para as entradas e sadas do processo so
includas diretamente na formulao do problema, tal que, violaes futuras so
antecipadas e prevenidas. A primeira entrada da seqncia tima obtida injetada na
planta e o problema repetido novamente, no prximo intervalo de amostragem, usando
medidas atualizadas do processo. Em adio ao desenvolvimento de uma tecnologia de
controle mais flexvel, novas tcnicas de identificao foram desenvolvidas, para permitir
estimativas mais rpidas dos modelos dinmicos empricos a partir de dados de testes,
reduzindo consideravelmente o custo de desenvolvimento do modelo.

Esta nova

metodologia para modelagem e controle de processos industriais o que se define na


atualidade como tecnologia MPC.

19
3.2.2

IDCOM Identificao e Comando

A primeira descrio de aplicaes do controle preditivo foi em 1978, num


trabalho publicado por Richalet e colaboradores (RICHALET ET AL., 1978). Eles
denominaram o controlador desenvolvido como MPHC (Model Predictive Heuristic
Control). O cdigo computacional usado para soluo do problema foi denominado de

IDCOM (Identification and Command).


Richalet e colaboradores escolheram uma representao entrada-sada, um modelo
discreto da resposta a impulso finito (FIR Finite Impulse Response). Para o caso SISO
o modelo FIR pode ser escrito como:
N

y k + j = hi u k + j i

( 3-7 )

i =1

Este modelo prediz que a sada a um dado tempo depende de uma combinao
linear de valores passados da entrada. Os pesos hi do somatrio so os coeficientes da
resposta a impulso. O somatrio truncado no ponto em que as entradas passadas no
influenciam mais a sada.
A natureza iterativa do algoritmo de controle permite que as restries de entrada
e sada sejam verificadas medida que o algoritmo prossegue. Como a lei de controle
no linear e no pode ser expressa como uma funo de transferncia, o algoritmo foi
considerado como heurstico. No contexto atual o algoritmo poderia ser referido como
um MPC linear.

3.2.3

DMC Controle por Matriz Dinmica

Engenheiros da Shell desenvolveram sua prpria tecnologia MPC, no incio da


dcada de 70, com uma aplicao inicial apresentada em 1973 (CUTLER e RAMAKER,
1979).

20
O modelo linear da resposta a degrau, usado no algoritmo DMC (Dynamic Matrix
Control), relaciona mudanas na sada do processo a um somatrio ponderado de valores
passados das mudanas na entrada. Para o caso SISO o modelo do processo do tipo:
N

y k + j = S i u k + j i + S N u k + j N

( 3-8 )

i =1

Os pesos mveis S i so os coeficientes da resposta a degrau. Usando o modelo


da resposta a degrau pode-se escrever as variaes preditas para a sada como uma
combinao linear das variaes das entradas futuras. A matriz que as conectam
chamada de Matriz Dinmica. Esta representao permite que o vetor timo possa ser
computado analiticamente como a soluo de um problema de mnimos quadrados. Na
prtica, a matriz inversa necessria pode ser computada off-line para reduzir o tempo
computacional. Apenas a primeira linha da matriz ganho do controlador precisa ser salva
porque apenas a primeira variao precisa ser calculada.
O objetivo do controlador DMC conduzir a sada do processo o mais prximo
possvel do set point e com uma restrio no movimento das variveis manipuladas. Isto
resulta em menores variaes nas entradas e uma resposta menos agressiva. Assim como
no IDCOM, esta tcnica fornece uma maior robustez a erros na modelagem (QIN e
BADGWELL, 2003).
Os algoritmos de controle IDCOM e DMC representam a primeira gerao da
tecnologia MPC. Elas tiveram enorme impacto no controle de processos industriais e
serviu como marco para o paradigma do MPC industrial. A Figura 3-5 apresenta uma
representao da evoluo do MPC.

21

Figura 3-5 - Evoluo aproximada dos algoritmos lineares MPC. Adaptada de QIN e BADGWELL,
2003.

3.2.4

QDMC Controle por Matriz Dinmica com Programao Quadrtica

Os algoritmos IDCOM e DMC forneceram um excelente controlador para


processo multivariveis sem restries. O problema das restries persistia. Engenheiros
da Shell buscaram uma melhoria no algoritmo incrementando no algoritmo DMC uma
programao quadrtica, na qual as restries nas entradas e sadas aparecem
explicitamente. (GARCA E MORSHEDI, 1986). As suas principais caractersticas so:
a) Modelo linear a uma resposta a degrau para a planta;
b) Objetivo de performance quadrtico atravs de um horizonte de predio
finito;
c) Comportamento para a sada futura da planta especificado, seguindo o set
point o mais prximo possvel;

22
d) Entradas timas computadas como a soluo de uma programao
quadrtica.
O algoritmo QDMC (Quadratic Program Dynamic Matrix Control) representa a
segunda gerao da tecnologia MPC, compreendendo os algoritmos que fornecem um
procedimento sistemtico para implementar restries nas entradas e sadas do processo.

3.2.5

Terceira Gerao

medida que a tecnologia MPC foi ganhando aceitao, os problemas cobertos


por essa estratgia de controle tornaram-se mais complexos e os engenheiros que
utilizavam a segunda gerao da tecnologia MPC caram em outros problemas de ordem
prtica. O algoritmo QDMC forneceu uma estratgia para incorporar restries, mas no
havia uma forma clara para tratar com solues impossveis. Tornou-se difcil incorporar
requerimentos de controle atravs de pesos relativos em uma nica funo custo. A
combinao de mltiplos objetivos em uma funo objetivo no permite que o projetista
reflita os verdadeiros critrios de performance (PRETT e GARCA, 1988).
O IDCOM-M (Identification and Command Multiple), HIECON (Hierarchical
Constraint Control), SMCA (Setpoint Multivariable Control Architecture), SMOC (Shell
Multivariable Optimizing Controller) representam a terceira gerao da tecnologia MPC.
Esta gerao distingue diversos nveis de restries, fornece mecanismo para recuperar
solues impossveis, alm de tratar com uma grande faixa de dinmicas de processos
(estveis e instveis).

3.2.6

Quarta Gerao

Pode-se sumarizar o ganho da quarta gerao como sendo o fornecimento de uma


maior gama de tcnicas, como nveis de otimizaes mltiplas para os objetivos de

23
controle prioritrios, incluso de objetivos econmicos, considerao direta de incertezas
no modelo e melhorias nas tcnicas de identificao de modelos.

3.2.7

Modelos do Processo

O controlador preditivo fundamentalmente definido pela forma do modelo


utilizado para descrever o processo, tendo esse modelo um papel decisivo na performance
do controlador. Modelos lineares e no lineares tm sido empregados na tecnologia
MPC. Estes podem ser empricos, os quais so derivados exclusivamente de dados do
processo. Como os parmetros dos modelos empricos so obtidos atravs de um ajuste
do modelo a um conjunto de dados, geralmente eles no podem predizer precisamente o
comportamento do processo fora da faixa dos dados utilizados para o seu
desenvolvimento. Os modelos baseados em balanos de massa e energia so mais caros
para serem desenvolvidos, mas so capazes de predizer o comportamento atravs de uma
maior faixa de operao. Os modelos fenomenolgicos, em geral, acabam tornando-se
semi-empricos uma vez que parmetros chaves do modelo so usados para calibra-lo. Os
modelos empregados em controladores preditivos caem, predominantemente, em trs
quadrantes: modelos fenomenolgicos no lineares, modelos empricos no lineares e
modelos empricos lineares (QIN e BADGWELL, 2003). As vrias formas podem ser
visualizadas como casos especiais de um modelo em espao de estado no linear contnuo
no tempo, como representado nas equaes (3.9) e 3-10), a seguir:
x& = f ( x, u , d , v )

( 3-9 )

y = g ( x, u ) +

( 3-10 )

Onde u o vetor das variveis manipuladas, y o vetor das variveis


controladas, x o vetor das variveis de estado, d o vetor dos distrbios medidos, v

24
o vetor dos distrbios no medidos ou rudos de processo e o vetor dos rudos
medidos. As prximas sees descrevem cada modelo com um pouco mais de detalhes.

3.2.7.1 Modelos Fenomenolgicos No Lineares


Os modelos fenomenolgicos no lineares so derivados a partir dos princpios de
conservao da massa e da energia, podendo ser facilmente escritos na forma das
equaes ( 3-9 ) e ( 3-10 ). Os parmetros desconhecidos, como os coeficientes de
transferncia de calor e constantes cinticas, so, em geral, estimados off-line a partir de
dados do processo ou on-line usando um filtro estendido de Kalman. Tipicamente, o
modelo do processo tem entre 10 e 100 equaes lgebro-diferenciais.
A integrao do modelo entre instantes de amostragens gera um modelo discreto
com a forma geral:
x k +1 = f ( x k , u k , v k , wk )

( 3-11 )

y k = g ( xk , u k ) + k

( 3-12 )

3.2.7.2 Modelos Empricos Lineares


Os modelos lineares empricos tm sido os mais usados em aplicaes MPC.
Uma grande variedade de formas de modelos tem sido usada, podendo ser derivada das
equaes ( 3-11 ) e ( 3-12 ), linearizando-as em torno de um ponto de operao,
fornecendo:
x k +1 = Ax k + Bu u k + Bv d k + Bw v k

( 3-13 )

y k = Cx k + Du k + k

( 3-14 )

25
Um modelo discreto na forma de funo de transferncia escrito na forma
matricial conhecido como ARX Autoregressive Model with Exogenous Inputs
(KAILATH, 1980) pode ser representado como:

( )

( )

( )

( )

y k = y q 1 y k + u q 1 u k + v q 1 d k + w q 1 v k + k

( 3-15 )

Onde:

k = [I y (q 1 )] k

( 3-16 )

Para um sistema estvel, um modelo FIR (Finite Impulse Response) pode ser
obtido como:
Nu

Nv

Nw

i =1

i =1

y k = h u k i + hiv d k i + hiw v k i + k
i =1

u
i

( 3-17 )

Uma forma alternativa o FSR (Finite Step Response) (CLUTER et al., 1983)
dada por:
yk =

N u 1

N v 1

i =1

i =1

S iu u k i + S Nu u u k Nu +

Nw 1

S
i =1

w
i

S iv d k i + S Nv v d k Nv +

( 3-18 )

v k i + S Nww v k N w + k

3.2.7.3 Modelos Empricos No Lineares

Dois tipos bsicos de modelos empricos no lineares so utilizados nas aplicaes


MPC. Um desse tipos compreende um modelo linear para os estados dinmicos, com
uma equao para a sada que inclui um termo linear somado com um termo no linear:
x k +1 = Ax k + Bu u k + Bv d k + Bw v k

( 3-19 )

26
y k = Cx k + Du k + N ( x k , u k ) + k

( 3-20 )

A funo no linear N obtida a partir de uma rede neural.


bem conhecido que uma rede neural no est apta para extrapolaes fora da
faixa dos dados de treinamento. Alguns algoritmos contornam este problema calculando
um ndice de confiana do modelo (MCI Model Confidence Index) on-line. medida
em que o MCI vai se deteriorando a rede vai gradualmente sendo desligada e o modelo
vai tornando-se apenas linear.

Uma variao deste algoritmo utilizar um Filtro

Estendido de Kalman (EKF) para corrigir erros na modelagem e distrbios no medidos


(ZHAO et al., 1998). O EKF faz uma correo do bias e do ganho do modelo on-line.
O outro tipo de modelo um modelo no linear esttico, o qual simplifica a tarefa
de identificao do modelo. A sua representao da forma SISO, mas o conceito pode
ser estendido para processos multivariveis (PICHE et al., 2000). Assume-se que a
entrada e a sada do processo pode ser decomposta em um termo estacionrio que obedece
a um modelo no linear esttico e um termo de desvio que segue um modelo dinmico
linear. Para qualquer entrada u k e sada y k , as variveis desvios so calculadas como
segue:

u k = u k u s

( 3-21 )

y k = y k y s

( 3-22 )

Onde u s e y s so os valores para entrada e sada no estado estacionrio, os quais


seguem um relao no linear:
y s = hs (u s )

As variveis desvio seguem uma relao dinmica linear de segunda ordem:

( 3-23 )

27
2

y k = ai y k i + bi u k i

( 3-24 )

i =1

A identificao do modelo dinmico linear baseada em dados de teste a partir de


pulsos, enquanto o modelo esttico no linear uma rede neural construda a partir de
histricos da planta.
A seguir so apresentadas algumas aplicaes do controle MPC em processo
qumicos.

3.2.8

Aplicaes de Controladores Preditivos

NAHAS et al.., 1992 propuseram um controle preditivo com modelo baseado em


redes neurais para controlar processos no lineares. Foi utilizada uma rede com estrutura
feedforward com trs camadas, utilizando o algoritmo do gradiente conjugado para o

treinamento. O controlador era provido com um modelo inverso (uma rede neural treinada
para aprender o comportamento inverso do sistema) e um filtro robusto com um
parmetro para sintonia. A estratgia proposta inclua ainda uma compensao para tempo
morto na forma de um preditor de Smith. O controlador foi testado atravs da simulao
de um reator CSTR no isotrmico com trs estados estacionrios (dois estveis e um
instvel) e tambm no controle de pH de um processo de neutralizao (tambm por
simulao). Os dois processos apresentam grandes no linearidades e a estratgia proposta
confrontada com o controle clssico PID. Enquanto o controle clssico apresentou
overshoot, o controlador com modelo interno, baseado em redes neurais, apresentou uma

resposta mais rpida e muito mais estvel, tanto em problemas servo como para
problemas reguladores.

Entretanto, o algoritmo foi testado apenas em problemas

simulados e com dinmica constante. A avaliao do controlador proposto em processos


bateladas tambm no foi efetuada.

28
RITA, 1995 implementou uma rede neural artificial no controle de um tanque
simples e para tanques acoplados. A ao de controle era obtida a partir de uma funo
custo quadrtica para horizonte de predio e horizonte de controle igual a um. Desta
forma, evita-se o problema de otimizao on-line, sendo vlido para sistemas sem retardo
dinmico.
MAZZUCCO, 1996 aplicou uma rede neural com estrutura feedforward como
modelo de um controlador quadrtico no controle de um sistema de nvel e outro de
temperatura. Em ambos os casos duas foram as redes utilizadas, a fim de separar a
dinmica do sistema. No caso do controlador de nvel, o tanque possua duas sees
diferentes, uma cilndrica e outra cnica. No controle de temperatura, as dinmicas de
aquecimento e resfriamento eram diferentes. Neste ltimo caso foi desenvolvido um
sistema para o treinamento e utilizao de uma rede neural para um processo com tempo
morto. Entretanto, o mtodo s eficiente para sistemas com tempo morto muito bem
definido. Os horizontes de controle e predio eram iguais a um, evitando tambm o
problema de otimizao on-line.
TURNER et al., 1996 descreveram um procedimento para implementao de
controle timo baseado em redes neurais recursivas. Como a rede deve possuir
caractersticas necessariamente dinmicas para ser aplicada na predio da varivel
controlada e subseqente clculo da ao de controle, foi adotada uma rede com filtros
(WILLIS et al., 1991), a qual oferecem uma eficiente capacidade de modelagem do
comportamento dinmico do processo. Foi utilizado o mtodo de otimizao de
Levenburg-Marquardt para treinamento da rede neural. O algoritmo foi testado na
simulao do controle de presso de uma coluna de destilao em operao na Austrlia,
a qual apresenta uma complexa no linearidade, e a performance do controlador
comparada com um controlador PI e um controle timo baseado em um modelo linear. O

29
controle timo linear tem uma performance superior ao controle clssico, enquanto o
controle baseado em redes tem um desempenho melhor do que o do controle timo linear.
Mais uma vez o trabalho apresenta apenas os resultados obtidos por simulao e
evidencia a necessidade do uso de filtros para a representao dinmica do processo
atravs do uso de modelo baseado em redes neurais.
CANCELIER, 1998 prope um sistema de controle para um reator em regime
batelada e batelada alimentada, onde ocorre uma reao altamente exotrmica. O sistema
tinha duas variveis manipuladas (a taxa de aquecimento e a vazo da gua de
refrigerao) e uma varivel controlada (temperatura do reator). A estratgia proposta
utiliza uma filosofia de controle preditivo, utilizando redes neurais artificiais como
modelo de processo. O algoritmo de controle proposto possua uma lei de controle para o
aquecimento e uma outra para o resfriamento. Foi proposto um algoritmo para ajuste da
trajetria de referncia do controlador baseado na magnitude de variao do set point e do
estado do sistema.
MORARI e LEE, 1999 publicaram uma reviso sobre o controle preditivo,
fornecendo uma viso geral da origem do controle preditivo (MPC), sendo dada uma
maior nfase ao futuro do MPC do que ao seu passado. Segundo os autores, o que limita
a performance e aplicao da tecnologia MPC no so as deficincias do algoritmo de
controle, mas as dificuldades na modelagem, sensoriamento e estimativa de estados.
Reforam ainda, que o escasso nmero de aplicaes MPC em processos bateladas devese fundamentalmente ao fato de que durante o curso de uma batelada, as variveis de
processo percorrem uma grande faixa de operao e ento, a dinmica do processo sofre
mudanas significativas devido s suas no linearidades, tornando a tarefa de encontrar
um modelo preciso para o processo muito difcil.

30
LANOUETTE ET AL., 1999 apresentaram um trabalho para melhoria na
modelagem de processos complexos quando apenas um pequeno conjunto de dados
experimentais est disponvel. Vrias estratgias de solues foram testadas incluindo
redes neurais feedforward e RBF (radial basis function) em trs problemas, entre eles,
duas aplicaes em polpa de madeira. Os dados experimentais, obtidos atravs de um
projeto timo e a partir de seleo randmica de dados experimentais, foram comparados
no que se refere s suas habilidades de obteno de modelos realistas. Estudou-se ainda a
influncia da funo de ativao, do nmero de nveis e da composio dos dados de
treinamento. O estudo mostrou que os dados obtidos a partir de um projeto apresentam
melhores resultados do que aqueles obtidos de forma randmica, devido sua alta
ortogonalidade. Entretanto, o trabalho limita-se modelagem no estado estacionrio.
Um trabalho com uma extensiva reviso de diversas aplicaes utilizando redes
neurais em controle de processos qumicos, tanto por simulao como para aplicaes online apresentado (HUSSAIN, 1999). Estas aplicaes foram classificadas em trs

categorias principais: Controle Preditivo, Controle Baseado em Modelo Inverso, e


mtodos de Controle Adaptativo. O artigo mostra que a rede neural multicamada a mais
popular em aplicaes para controle e que existem poucas aplicaes on-line com
sucesso, at o presente, abrindo espao para um maior nmero de trabalhos em planta
piloto.
Um controlador com modelo interno no linear usando redes neurais para sistemas
com retardo dinmico foi proposto (RIVALS e PERSONNAZ, 2000). O controlador
emprega um modelo interno baseado numa rede neural feedforward e o inverso do
modelo com a eliminao do retardo. O modelo inverso pode ser obtido atravs de um
treinamento da rede ou atravs da explicitao da entrada de controle em funo das
entradas, das sadas e referncias passadas. O controlador construdo com um modelo

31
neural inverso, um modelo projetado para eliminar o retardo do modelo (suas entradas so
o set point corrigido e as sadas passadas do modelo sem retardo). Os clculos efetuados
pelo controlador no tempo k so:
a) A diferena entre a sada do processo e a do modelo interno;
b) O set point corrigido para o modelo interno;
c) A sada do modelo projetado;
d) O valor de controle, sada do modelo inverso;
e) A sada do modelo com eliminao do retardo, a qual ser necessrio para
os clculos seguintes.
A vantagem do modelo interno a sua robustez com respeito a erros do modelo e
a distrbios. Entretanto, esta propriedade s obtida se o modelo de referncia do
controlador for perfeito.
KWONG, 2000 props uma modificao no algoritmo de controle preditivo
conhecido como SMPC (Simplified Model Predictive Control) utilizando a estrutura do
controlador com modelo interno.

O algoritmo foi testado atravs de simulaes,

entretanto sua performance foi boa apenas para desvios moderados no set point.
O desenvolvimento de um controlador preditivo robusto foi apresentado, aplicvel
para sistemas estveis em malha aberta (RODRIGUES e ODLOAK, 2002).

estabilidade da malha fechada garantida usando um controlador preditivo com horizonte


infinito e um observador de estado estvel. A performance e o esforo computacional
desta abordagem foram comparados ao controlador robusto apresentado por Badgwell
(BADGWELL, 1997). O controlador proposto mais genrico uma vez que elimina o
offset de problemas servo e regulador, enquanto o algoritmo utilizado para comparao

garante comportamento livre de offset apenas para problemas reguladores. As incertezas


da modelagem so aproximadas por um conjunto finito de modelos lineares desacoplados.

32
SARKAR e MODAK, 2003 introduziram uma tcnica numrica para resolver
problemas de controle timo no linear. Eles utilizaram uma rede neural com trs
camadas combinada com o algoritmo simulated annealing para desenvolver um algoritmo
hbrido de otimizao para determinar o perfil de controle timo. A aplicabilidade da
tcnica testada por simulao e comparado com estudos apresentados na literatura.
Pode-se observar, a partir desta compilao de artigos na rea de controle
preditivo, um nmero restrito de aplicaes em tempo real, sendo a maioria delas
estudadas atravs de simulaes. Alm disto, fica evidente que o modelo no linear mais
adotado a rede neural, a qual, para uma representao satisfatria do comportamento
dinmico do processo, exige o uso de filtros, sendo o mais empregado o EKF (Filtro
Estendido de Kalman)
Para manter a performance do controlador preditivo atravs de uma faixa de
operao mais ampla estratgias de controle adaptativas tm sido propostas
(DOUGHERTY e COOPER, 2003). Na prxima seo sero apresentadas algumas
importantes aplicaes na rea de controle adaptativo.

3.3 Controle Adaptativo


Sistemas de controle adaptativos tm sido tema de pesquisa desde a dcada de 60.
Inicialmente, estas pesquisas eram restritas a modelos lineares (ROVITHAKIS e
CHRISTODOULOU, 1994). Os avanos na teoria de controle no linear, e em particular
as tcnicas de linearizao, motivou o desenvolvimento de esquemas de controle
adaptativo para plantas no lineares (KANELLAKOPOULOS et al., 1991). A partir da
dcada passada as redes neurais surgiram como uma poderosa ferramenta para o
aprendizado esttico e dinmico de sistemas no lineares. Devido sua caracterstica de
paralelismo, rpida adaptabilidade e a inerente capacidade de aproximao, boa parte das

33
pesquisas envolvendo as redes neurais concentraram-se na rea de identificao e controle
(ROVITHAKIS e CHRISTODOULOU, 1994).
O problema foi formulado originalmente no incio da dcada de 90 (NARENDRA
et al., 1990).

Ele props um esquema provido de uma rede neural esttica

backpropagation conectada em srie ou em paralelo com um sistema dinmico linear.

Este trabalho deu desdobramento a uma srie de aplicaes de controladores adaptativos


baseados em redes neurais.
Bolzan (BOLZAN, 1991) estudou o uso de controladores adaptativos, mas
especificamente o STC (Controlador Auto-Ajustvel), para o controle da temperatura de
um reator semibatelada, processando uma reao altamente exotrmica. Os testes foram
validados experimentalmente em uma unidade piloto, mostrando a superioridade deste
controlador quando comparado ao GPC e o PID clssico, em todo o ciclo de operao.
LEE e PARK (LEE e PARK, 1992) propuseram um esquema de controle
utilizando um controle preditivo. Uma rede neural, treinada on-line, utilizada em
paralelo com o controlador preditivo DMC (Dynamic Matrix Control). O objetivo de
treinar a rede encontrar os pesos que produzem uma ao de controle que minimizem o
quadrado do erro entre o valor do set point e o da varivel controlada. A ao de controle
um somatrio das aes de controle calculadas pelo controle DMC (resultantes de
efeitos modelados e no modelados) e a ao de controle obtido pela rede neural.
Entretanto, o padro de sada para o treinamento da rede neural no est disponvel (ao
de controle que minimiza o quadrado do erro). O procedimento proposto, ento, utilizar
como padro a sada da rede, no instante anterior, e a sada do controlador DMC devido a
efeitos no modelados. O controlador testado em uma coluna de destilao e em um
reator no isotrmico, ambos atravs de simulao. Foi testada a performance do mtodo
frente falhas, fixando randomicamente, metade dos pesos da rede com o valor zero.

34
Apesar desta severa falha a performance do controlador foi satisfatria. Foi testado
tambm o desempenho do controlador frente a erros de modelagem. Estes erros referemse sempre s relaes entre as variveis controladas e as variveis manipulveis e nunca
entre as variveis controladas e os distrbios. Mais uma vez o controlador apresentou um
bom desempenho, melhor que o controlador DMC.
Um outro trabalho apresentando a aplicao de um controlador neural para a
temperatura de um reator batelada foi apresentado (DIRION et al., 1996). Nele, uma rede
neural multicamada calcula a ao de controle a ser aplicada no processo. Dois mtodos
para adaptao on-line dos pesos da rede so apresentados: um deles a tcnica de
treinamento especializado, enquanto outro utiliza mais uma rede para modelar a dinmica
do reator. O reator utilizado representado por um modelo com diversas idealizaes. O
reator encamisado e a temperatura da camisa definida atravs da mistura de uma
corrente fria a 10C com uma outra corrente quente a 70C. Assume-se como conhecidas
apenas a temperatura da mistura reagente e as temperaturas de entrada e sada da camisa.
O objetivo do controlador manter a temperatura do reator dentro de um perfil estipulado.
Para isto a abertura da vlvula que alimenta a corrente de gua quente deve ser calculada.
Era desejado encontrar uma rede neural que fosse capaz de calcular a abertura adequada
para a vlvula. O critrio a ser minimizado:
tb

J = y ref (t ) y C (t )

( 3-25 )

i =1

Uma das formas de satisfazer este critrio, conhecido como mtodo indireto,
consiste em comparar o valor calculado pela rede com o valor ideal que permite que
y ref (t ) = y C (t ) e minimizar:

35
tb

J = u rn (t ) u * (t )

( 3-26 )

i =1

O grande problema que apesar dos valores de y C (t ) serem conhecidos, j que


so fixados pelo usurio, os alvos u * (t ) da rede so desconhecidos.
Diversos mtodos foram propostos para solucionar este problema. Um deles
utiliza um controlador clssico para gerar este valor da ao de controle ideal. Segundo
os autores do trabalho (DIRON et al, 1996) qualquer controlador pode ser usado para
fornecer estes valores, gerando assim os dados para o treinamento. Entretanto, se as aes
de controle ideal so gerados por qualquer algoritmo de controle, no se pode esperar um
avano de um controlador que foi treinado sob estas condies.
Um controlador adaptativo STC (MACHADO, 1996), ajustado com os parmetros
de um PI clssico, foi empregado no controle de temperatura de um reator encamisado,
onde a reao de polimerizao do estireno em suspenso foi processada. O reator foi
operado em batelada. Apesar do grande nmero de perturbaes introduzidas no sistema,
o controlador STC mostrou-se robusto para controlar processos desta natureza.
MINZGZHONG e FULI, 1997 apresentaram um mtodo de controle adaptativo
para sistemas no lineares. A lei de controle derivada atravs da minimizao de um
ndice de performance e sua implementao requer apenas o clculo da sensitividade entre
a entrada do sistema controlado e a sada, alm da sada do sistema em uma predio um
passo a frente (quase-one-step-ahead). A sensitividade da planta estimada utilizando um
algoritmo de mnimos quadrados com janela recursiva (recursive rectangular window
least square algorithm) e a sada predita obtida atravs de redes neurais recorrentes. A

sensitividade poderia ser obtida diretamente da derivada da rede neural em relao s


aes de controle, porm os autores ponderam que do ponto de vista matemtico, um bom

36
aproximador de alguma funo no necessariamente um bom aproximador para a
derivada da mesma.
FILETI e PEREIRA, 1997 apresentaram duas estratgias de controle, uma
estratgia adaptativa e outra preditiva, para o controle de uma coluna de destilao
operando em batelada, com o objetivo de controlar a pureza do produto de topo atravs da
razo de refluxo. O controlador foi testado em uma planta piloto. Na primeira estratgia
implementada, a composio do refervedor utilizada como varivel auxiliar para
determinar as condies operacionais da coluna. Os parmetros de um controlador PI so
ajustados em funo deste ponto. Para o controle preditivo foi proposta uma rede neural
para representar o processo. A rede foi treinada usando o mtodo GDR (Generalized
Delta-Rule) ou tcnica do momentum. A rede neural era treinada on-line e determinava a

sada do processo atravs do horizonte de predio determinado. As predies da rede


eram submetidas a uma rotina de otimizao para minimizar a funo objetivo, gerando
uma seqncia de aes para o controle timo.
FOLLY et al., 1997 propuseram uma estratgia de controle adaptativo para um
fermentador em batelada alimentada (fed-batch). Os estudos foram realizados em uma
planta piloto contendo quatro unidades: uma seo de fermentao, uma unidade de
destilao, o setor de utilidades e a sala de controle. A varivel controlada era a densidade
do mosto e a mesma era ajustada atravs de manipulaes na alimentao de entrada do
fermentador. Foi utilizado como estratgia de controle um controlador PI com adaptao
dos parmetros.
BRDYS et al., 1998 apresentaram uma tcnica de controle adaptativo para
processos no lineares com estado no medido, baseada em uma rede neural recorrente
como o modelo dinmico da planta. Usando este modelo dinmico um controle feedback

37
linearizado implementado, sendo os parmetros da rede atualizados on-line. A estratgia
testada atravs de simulaes.
SILVA et al., 1999 apresentaram mais uma aplicao de controle adaptativo em
processos biotecnolgicos. O trabalho descreve o uso de dois algoritmos de controle
preditivo e um controle adaptativo para um processo de fermentao contnua, onde a
produtividade a varivel controlada e a concentrao de substrato na alimentao a
varivel manipulada. Estes trs algoritmos so comparados com o controle por matriz
dinmica tradicional (DMC Dynamic Matrix Control). As estratgias so comparadas
por simulao. Os dois controladores preditivos propostos diferem entre si na forma de
resoluo do modelo. O primeiro controlador utiliza colocao ortogonal em elementos
finitos como mtodo de soluo para o sistema de equaes diferencias que descreve o
processo, enquanto o segundo utiliza colocao ortogonal com pontos eqidistantes,
resultando em um problema de dimenso menor e conseqentemente exigindo um esforo
computacional tambm menor, o que se torna um fator importante para aplicaes online.

BELTRAN e JACKSON, 1999 usaram uma rede neural adaptativa para modelar e
controlar o pH numa aplicao industrial. Foi utilizado o algoritmo de Levenberg
Marquardt para treinamento da rede. Foi utilizada uma estratgia de controle timo,
utilizando o mtodo de Hooke e Jeeves para obteno da seqncia de controle timo.
Foi desenvolvido um controlador adaptativo indireto baseado em uma rede neural
multicamada (ZHANG et al., 1999).

O esquema proposto evita o problema de

singularidade que os controladores adaptativos diretos esto sujeitos.


eliminao do erro converge para uma vizinhana

O sistema de

prxima de zero (no o evita

efetivamente), enquanto a estabilidade do sistema garantida. A performance transiente


do sistema adaptativo resultante quantificada analiticamente e um exemplo, por

38
simulao, apresentado. A ao de controle expressa atravs de uma rede neural e a
ao de controle ideal obtida por
u=

&

1
[a(x ) + v] 1 b(2x ) es
b( x )
2b ( x )

( 3-27 )

Com v sendo uma nova varivel controlvel, b( x ) independente do estado x n ,

> 0 e lim es = 0 .
t

Como esta ao de controle proposta evita o problema de

singularidade a rede assim treinada, tambm o evitar.


PEREIRA et al., 2000 apresentaram um trabalho prtico avaliando duas
abordagens para modelagem paramtrica linear e no linear (redes neurais) para controle
adaptativo automtico. O controle neural adaptativo baseado em uma tcnica de
aprendizagem hbrida usando uma taxa de aprendizagem adaptativa on-line para uma rede
neural radial. O controle linear auto ajustado por alocao de plos. Um mtodo com
fator de esquecimento seletivo foi aplicado em ambos os casos: no caso neural para
estimar on-line os pesos da segunda camada e no caso linear para estimar os parmetros
do modelo. Estas duas tcnicas foram aplicadas a uma unidade de laboratrio com
possibilidade de modificaes dinmicas e diferentes tipos de perturbaes. Verificou-se
uma performance superior do controle neural, principalmente quando o processo era
submetido a mudanas na sua dinmica.
A aplicao da estratgia de controle adaptativo na produo de cido ltico em
um reator CSTR com dois estgios foi apresentada (YOUSSEF et al, 2000). proposto
um modelo fenomenolgico obtido para o processo de fermentao do cido ltico,
levando em conta o efeito da limitao nutricional no crescimento celular e na produo
do cido. Uma estratgia de controle foi investigada com objetivos baseados em critrios
tcnico-econmicos. As necessidades econmicas caem principalmente na relao entre

39
o esvaziamento total do substrato e a produtividade mxima e o compromisso entre o
transbordamento do fator nutricional e condies propcias de crescimento. Aproveitando
as informaes obtidas a partir do modelo, uma anlise no estado estacionrio foi feita de
modo a especificar o ponto timo de operao, ou ao menos uma boa aproximao, na
configurao da planta em dois estgios. Um controle adaptativo com complexidade
reduzida, cujo objetivo era regular a concentrao de substrato atravs das taxas de
diluio em cada estgio, foi escolhido devido necessidade de se propor um algoritmo
vivel. O algoritmo de controle foi eficiente para rejeitar distrbios internos (mudanas
de set point e variaes na carga de nutrientes). Apesar da calibrao e validao do
modelo ter feito uso de dados experimentais, o teste do algoritmo de controle proposto foi
implementado atravs de simulaes.
ENDER e MACIEL FILHO, 2000 apresentaram uma estratgia de controle
multivarivel utilizando redes neurais. A estratgia de controle proposta utiliza
informaes passadas e presentes do processo para projetar o melhor controlador, assim
como gerar novas aes de controle. A cada instante de amostragem o controlador
otimizado, usando o erro futuro da malha fechada, gerada por uma rede neural que
representa a dinmica do processo. O erro desse controlador treinado on-line comparado
com o controlador treinado off-line. S haver mudana no controlador caso o erro seja
menor para o controlador treinado on-line. Caso contrrio mantm-se o controlador
treinado off-line. O algoritmo de controle proposto foi testado pela simulao de um
reator cataltico de leito fixo, o qual tem um comportamento dinmico complexo,
apresentando resposta inversa. Esta estratgia foi aplicada tambm na simulao de um
processo fermentativo para a produo de penicilina (ENDER e MACIEL FILHO, 2001).
CHEN e NARENDRA, 2001 propuseram um controle adaptativo o qual, baseado
numa lei estabelecida, escolhe entre um controlador adaptativo linear ou um controlador

40
adaptativo baseado em redes neurais. O controlador linear tem estabilidade garantida, mas
uma performance nem sempre satisfatria, enquanto o controlador baseado em redes tem
uma melhor performance, mas no possui critrios que garantam a estabilidade. A
estratgia que permite uma escolha on-line entre os dois tipos de controladores apresentou
uma melhora tanto na performance quanto na estabilidade.
Um estudo sobre uso de redes neurais adaptativas para controlar a temperatura do
ar na sada de um trocador de calor compacto foi apresentado (DAZ et al., 2001). O
controlador, baseado na estratgia IMC foi adaptado on-line com base em diferentes
critrios de performance.
Uma nova estratgia de controle adaptativa para um controlador preditivo linear
foi proposta (DOUGHERTY e COOPER, 2003). O mtodo proposto projetar mltiplos
controladores lineares DMC. Os parmetros ajustveis so obtidos usando uma nova
expresso analtica. A sada do controlador adaptativo DMC uma mdia ponderada dos
mltiplos controladores lineares DMC.
Segundo o que foi exposto no texto apresentado neste captulo, o controle de
processos em batelada uma tarefa complexa e apesar do grande nmero de trabalhos
envolvendo algoritmos de controle preditivo, poucos trabalhos abordando o controle deste
tipo de processo foram apresentados na literatura. A grande dificuldade encontrar um
modelo que represente com preciso o comportamento dinmico do processo atravs de
toda a faixa de operao. Uma alternativa plausvel atualizar o modelo on-line, de
forma a que ele consiga representar adequadamente o processo, em todos os pontos de
operao.
Neste trabalho estudou-se um algoritmo de controle preditivo e adaptativo para o
controle de um reator de pirlise, com um regime de operao semibatelada. Fica
evidente, a partir da reviso bibliogrfica apresentada, que o controle da temperatura do

41
reator essencial para a determinao do rendimento e da qualidade dos produtos obtidos
nas reaes pirolticas. Para evitar a perigosa formao de dioxinas e furanos, a reao
deve ser conduzida em estgios, reduzindo a nveis baixssimos a quantidade de cloro nos
produtos de pirlise. O modelo utilizado para representar o processo foi uma rede neural
feedforward totalmente recorrente. Com isto, reduz-se consideravelmente o custo de

obteno do modelo, quando comparado com o modelo fenomenolgico. Para que o


modelo fosse fidedigno em toda a faixa de operao, um esquema de controle adaptativo
foi adotado. Os pesos da rede foram atualizados on-line utilizando a janela mvel para a
limitao do tamanho do padro de treinamento. Assim, pode-se treinar a rede entre cada
instante de amostragem. Para evitar a necessidade do acoplamento de um outro algoritmo
de controle para gerar os padres de treinamento on-line, as aes de controle so
calculadas atravs de otimizao da funo objetivo geralmente usadas nos controladores
preditivos.
O prximo captulo traz uma breve explicao sobre a teoria do algoritmo de
controle preditivo e adaptativo, assuntos nos quais o trabalho encontra-se fundamentado.

Captulo 4
4 Fundamentao Terica

objetivo deste captulo fornecer uma base terica para os


principais temas necessrios implementao do algoritmo de controle

utilizado neste trabalho. A filosofia do controlador preditivo apresentada de forma


geral, passando pela funo custo e seus parmetros, at a obteno da lei de controle.
Este tpico , basicamente, uma traduo livre de trechos do livro Model Predictive
Control in the Process Industry, (CAMACHO e BORDONS, 1995). Na seqncia, faz-se
uma descrio do controlador adaptativo e suas classificaes.

4.1 O Controle Preditivo


O controle preditivo (MPC) no uma estratgia de controle especfica, mas um
grande espectro de mtodos de controle desenvolvidos em torno de certas idias comuns.
Estes mtodos de projeto competem com os controladores lineares, os quais tm
praticamente a mesma estrutura e apresentam graus de liberdade semelhantes. As idias
que aparecem em maior ou menor intensidade em toda a famlia de controladores
preditivos so:
1. Usar explicitamente um modelo para produzir a sada do processo para
instantes de tempos futuros (horizonte de predio);

43
2. Calcular uma seqncia de aes de controle que minimizam uma certa
funo objetivo;
3. Estratgia retrocedente, tal que, a cada instante, o horizonte deslocado
para o futuro, envolvendo a aplicao do primeiro sinal de controle da
seqncia calculada, a cada passo de tempo.
Os vrios algoritmos MPC diferem entre si apenas no modelo usado para
representar o processo e os rudos e a funo custo a ser minimizada. Este tipo de
controlador de natureza to ampla que muitos trabalhos tm sido desenvolvidos, tendo
ampla aceitao no mundo acadmico e na industria.
O MPC apresenta uma srie de vantagens sobre outros mtodos, como por
exemplo:
a) atrativo para equipes tcnicas com conhecimentos limitados em controle
de processos, por apresentar conceitos intuitivos, alm da sua sintonia ser
relativamente simples;
b) Pode ser usado para controlar uma grande variedade de processos, desde
aqueles com dinmica relativamente simples at as mais complicadas,
incluindo sistemas com grande tempo morto ou fases no uniformes ou
instveis;
c) So facilmente extendidos a problemas multivariveis;
d) Tem compensao intrnseca para o tempo morto;
e) Introduz o controle feedforward de uma forma natural para compensar
distrbios medidos;
f) Aplica-se bem quando as referncias futuras so conhecidas;
g) uma metodologia totalmente aberta baseada em certos princpios
bsicos, permitindo futuras extenses.

44
Apesar da lei de controle resultante ser de implementao relativamente fcil e
requerer pouco esforo computacional, sua derivao mais complexa do que a dos
controladores clssicos PID. Se a dinmica do processo no se modifica ao longo da
operao, a derivao do controlador pode ser feita a priori, mas no caso do controlador
adaptativo, todo o clculo computacional deve ser efetuado a cada intervalo de
amostragem. Apesar disto, com a capacidade de processamento dos computadores atuais,
este no o principal problema para aplicaes industriais. O grande esforo em
conseguir obter um modelo que represente apropriadamente a dinmica do processo. O
projeto do algoritmo baseado em um conhecimento prvio do modelo. bvio que os
benefcios do controlador iro depender diretamente das discrepncias existentes entre o
processo real e o modelo adotado.

4.1.1 A Estratgia do MPC

A metodologia de todos os controladores pertencentes famlia MPC


caracterizada pela seguinte estratgia, representada na Figura 4-1.
a) As sadas futuras para um determinado horizonte de predio N 2 , chamado
de horizonte de predio, so estimadas a cada instante de tempo t usando
o modelo do processo.
b) O conjunto de sinais das aes futuras do controlador calculado por
otimizao, atendendo a um determinado critrio, de forma a manter o
processo o mais perto possvel da trajetria de referncia y ref (k ) (a qual
pode ser o prprio set point ou uma aproximao do mesmo). Este critrio
toma, em geral, a forma de uma funo quadrtica do erro entre o valor
predito para a sada do processo e a trajetria de referncia proposta. O
esforo do controlador , muitas vezes, includo na funo objetivo. Uma

45
soluo explicita pode ser obtida se o critrio quadrtico, o modelo
linear e no existem restries; caso contrrio um mtodo de otimizao
iterativo tem que ser usado.

Figura 4-1 - Estratgia do controlador preditivo (MPC).

c) O primeiro sinal da seqncia das aes de controle u (k ) enviado ao


processo, enquanto o restante da seqncia descartada.
Para implementar esta estratgia, a estrutura bsica apresentada na Figura 4-2
usada. Um modelo usado para predizer as sadas futuras da planta, baseado nos seus
valores presente e passado e nas aes de controle futuras propostas pela otimizao.
Estas aes so calculadas pelo otimizador tomando em considerao a funo custo,
assim como as restries impostas ao sistema.

46

Figura 4-2 - Estrutura bsica de um algoritmo de controle preditivo.

O modelo do processo tem um papel decisivo no desempenho do controlador. O


modelo escolhido deve ser capaz de capturar a dinmica do processo de forma a predizer
precisamente as sadas futuras, assim como ser simples na sua implementao e
entendimento. Como o MPC no uma tcnica nica, mas um conjunto de diferentes
metodologias, existem vrios tipos de modelos usados, nas mais diferentes formulaes.

4.1.2

A Funo Objetivo

Os vrios algoritmos MPC propem diferentes funes custo para obter a lei de
controle. O objetivo principal que a sada futura ( y ) no horizonte considerado deve
seguir um determinado sinal de referncia ( y ref

e, ao mesmo tempo, o esforo do

controlador (u ) necessrio para isto deve ser penalizado. A expresso geral para tal
funo objetivo deve ser:

47
Nu
N2
2
2
J ( N 1 , N 2 ,K , N u ) = E (k ) y (k ) y ref (k ) + (k )[u (k 1)]
j =1

k = N1

( 4-1)

Em alguns algoritmos, o segundo termo, que considera o esforo do controlador,


no levado em conta, enquanto que em outros (UPC Unified Predictive Control) os
valores do sinal do controlador, e no o seu incremento, tambm aparece diretamente na
formulao da funo custo. As consideraes que podem ser efetuadas na funo custo
so apontadas nos sub-itens a seguir.

4.1.2.1 Parmetros
N1 e N2 so o valor mnimo e o valor mximo do horizonte de predio da funo
custo e Nu o horizonte de controle, o qual no necessariamente coincidente com o
horizonte mximo, como ser visto depois. O significado de N1 e N2 intuitivo. Eles
marcam os limites dos instantes no qual desejado que a sada do processo siga a
referncia. Ento, se um valor muito alto para N1 for adotado porque no importante
que existam erros nos primeiros instantes, o que ir provocar uma resposta suave para o
processo. Nota-se que em processos com um tempo morto d no existe razo para N1 ser
menor do que d , porque a sada no comear a evoluir at o instante t + d . Alm disto,
se o processo possui resposta inversa este parmetro ir permitir que os primeiros
instantes da resposta inversa sejam eliminados da funo objetivo. Os coeficientes (k ) e

(k ) so seqncias que consideram o comportamento futuro. Usualmente valores


constantes ou seqncias exponenciais so considerados. Por exemplo, possvel obter
um peso exponencial para (k ) no horizonte usando:

(k ) = N

( 4-2)

48
Se est entre 0 e 1 significa que os erros mais distantes do instante atual t
sofrero uma penalizao maior do que os mais prximos, resultando em um controlador
mais suave e com menos esforo. Por outro lado, se > 1 , os primeiros erros estaro
sujeitos a uma maior penalizao, gerando um controlador mais instvel. Em PFC
(Predictive Funcional Control) o erro contado apenas em certos pontos (coincidence
point); pode-se obter facilmente este comportamento para a funo estabelecendo valores

iguais a um aos elementos da seqncia (k ) , nos pontos desejados e zero para os outros.
Todos estes valores podem ser usados como parmetros de ajuste do controlador para
cobrir uma vasta gama de opes.

4.1.2.2 Trajetria de Referncia

Uma das vantagens do controle preditivo que se a trajetria de referncia for


conhecida a priori, o sistema pode reagir antes que as mudanas sejam efetivamente
implementadas, evitando-se com isto os efeitos do retardo na resposta do processo. A
evoluo futura da referncia r (k ) conhecida em muitas aplicaes como robtica,
processos servo ou bateladas. Na minimizao, a maioria dos mtodos usa uma trajetria
de referncia que no coincide necessariamente com a referncia real.

Ela ,

normalmente, uma aproximao suave do valor atual da sada y (t ) em direo


referncia conhecida por meio de um sistema de primeira ordem:
y ref (t ) = y (t )
y ref (k ) = y ref (k 1) + (1 )r (k )

( 4-3)
k = 1,K, N

( 4-4)

um parmetro entre 0 e 1 (quanto mais prximo de 1 mais suave ser a


aproximao), sendo um valor ajustvel e que ir influenciar na resposta dinmica do
sistema.

49
Uma outra estratgia usada no PFC, muito aplicada para set point varivel:
y ref (k ) = r (k ) k ( y (k ) r (k ))

( 4-5)

4.1.2.3 Restries

Na prtica todos os processos esto sujeitos a restries. Os atuadores tm um


campo limitado de ao, assim como uma determinada taxa de variao, como por
exemplo, as vlvulas que esto limitadas por sua posio totalmente aberta ou fechada e
pela taxa de resposta, que o tempo para a sua abertura ou fechamento.

Razes

construtivas, de segurana ou ambientais ou at mesmo faixa de leitura dos sensores


podem impor limites nas variaes do processo, como por exemplo, nveis de tanque,
vazes em tubulaes, valores mximos para presses ou temperaturas. Faz-se necessrio
ento, a introduo destas possveis restries na funo objetivo a ser minimizada.
Muitos algoritmos de controle preditivo trazem, intrinsecamente, restries (MAC
Model Algorithmic Control, DMC Dinamic Matrix Control) e tm vasta aplicao

industrial. Normalmente, os limites na amplitude e na taxa de variao do sinal de


controle e os limites na sada do processo so considerados:
u min u (t ) u max
du min u (t ) u (t 1) du max
y min y (t ) y max

( 4-6)

( 4-7)

( 4-8)

A adio destas restries na funo objetivo torna a minimizao mais complexa,


tal que a soluo no pode ser obtida explicitamente como nos casos sem restries.

50
4.1.2.4 Restries de Sobre Elevao

Em alguns processos a sobre elevao (overshoot) no desejvel por diferentes


razes.
Restries para a sobre elevao so de fcil implementao. Sempre que uma
mudana produzida no set point, e o mesmo se mantm constante por um perodo de
tempo suficientemente longo, as seguintes restries so adicionadas ao sistema de
controle:
y (k ) y ref (k )

k = N 01 , K, N 02

( 4-9)

Onde N 01 e N 02 definem o horizonte onde a sobre elevao no pode ocorrer.

4.1.2.5 Comportamento Monotnico

Alguns sistemas de controle tendem a exibir oscilaes no desejveis na varivel


controlada antes de atingir o set point, conhecidas como kickback. Pode-se adicionar
restries ao sistema de controle para evitar este tipo de comportamento, impondo um
comportamento monotnico varivel de sada. Cada vez que o set point muda, novas
restries so adicionadas ao sistema de controle, como as que seguem:

4.1.3

u (k ) u (k + 1)

se

y (k ) < y ref (k )

( 4-10)

u (k ) u (k + 1)

se

y (k ) > y ref (k )

( 4-11)

Obteno da Lei de Controle

Os valores de u (k ) so obtidos atravs da minimizao da equao funcional J ,


equao ( 4-1). Para isto, as sadas preditas y (k ) so calculadas em funo dos valores
passados das entradas e sadas e dos sinais de controle futuros, fazendo uso do modelo

51
escolhido e substituindo-as na funo custo, obtendo assim um expresso cuja
minimizao leva aos valores procurados. Uma soluo analtica pode ser obtida pelo
critrio quadrtico se o modelo for linear e no existirem restries. De outra forma, um
mtodo de otimizao iterativo deve ser usado.

4.1.4

Modelos para o MPC

Pelo que foi apresentado, at ento, percebe-se que o ponto mais importante do
controle preditivo o modelo do processo. Os modelos podem ser subdivididos em
funo de suas vrias caractersticas. Como o MPC requer a soluo de um modelo para
predizer as sadas futuras do processo, a forma do modelo selecionado vai repercutir
tambm no desempenho do mtodo. Algumas categorias de modelos sero discutidas nos
prximos sub-itens.

4.1.4.1 Linear ou No Linear

A resposta de sistemas dinmicos lineares obedece ao princpio da superposio,


isto , a resposta do sistema a uma combinao linear de entradas igual a uma
combinao linear de suas respostas a cada entrada separadamente. Muitos sistemas de
engenharia aproximam-se deste comportamento para pequenos desvios na entrada. As
tcnicas de controle linear so as primeiras a serem testadas na maioria das aplicaes de
controle, sendo satisfatrias para a maior parte delas, principalmente aquelas que
envolvem manter o processo no estado estacionrio em um ponto de operao. Modelos
lineares so extensivamente usados nas aplicaes industriais do MPC.
Modelos no lineares no tm caractersticas especficas, exceto a de no se
inclurem no caso linear. Isto torna difcil a sua generalizao, j que os modelos no
lineares podem ter qualquer caracterstica. Em contraposio s aplicaes dos modelos

52
lineares, os modelos no lineares so utilizados em processos que envolvem grandes
variaes nas condies de operao e em processos com acentuadas no linearidades
(HENSON e SEBORG, 1997).

4.1.4.2 Contnuo ou Discreto

A maioria das leis fsicas usadas pelos engenheiros no desenvolvimento dos


modelos apresentada na forma de equaes diferenciais, tendo o tempo como varivel
independente. Uma representao tpica da forma:
y& = f ( y, u )

( 4-12 )

Antes do uso difundido dos computadores digitais, modelos em equaes


diferenciais eram as ferramentas centrais dos pesquisadores e engenheiros de controle
para o estudo da dinmica de sistemas.
Com o advento dos computadores digitais o estudo de equaes diferenas
assumiu um novo significado. Pode-se escrever uma equao diferena no linear como
y k +1 = f ( y k , u k ) .

Como o MPC tem sido implementado atravs de computadores

digitais, as equaes diferenas tm sido preferidas em relao s equaes diferenciais.


Modelos em equaes diferenciais tm sido discretizados para permitir a sua soluo
computacional.

4.1.4.3 Parmetros Distribudos ou Parmetros Agrupados

Um modelo com parmetros distribudos envolve equaes diferenciais parciais,


ao invs de equaes diferenciais ordinrias.

Um exemplo de um modelo com

parmetros distribudos pode ser o de um reator com escoamento empistonado, no qual as


mudanas das concentraes das espcies qumicas no reator esto sujeitas a variaes

53
espaciais e no tempo.

Os conceitos bsicos do MPC permitem que o mesmo seja

perfeitamente aplicvel a modelos com parmetros distribudos, apesar da sua


complexidade de soluo.

4.1.4.4 Determinstico ou Estocstico

Todos os processos fsicos esto sujeitos a distrbios no preditos.

Estes

distrbios podem afetar o projeto e operao do MPC de, ao menos, duas formas distintas:
a) Na identificao do modelo do processo um modelo selecionado baseado
em resultados experimentais. O processo de seleo usa consideraes
(implcitas ou explcitas) sobre os distrbios para selecionar e avaliar o
modelo.

Estas consideraes tm um impacto direto sobre o modelo

selecionado.
b) Depois que a fase de identificao do modelo est completa, as
consideraes sobre os distrbios so as vezes descartadas e o projeto do
controlador pode ser baseada no seu modelo nominal. Se o modelo do
processo nos permite predizer as variaes estatsticas do processo
baseadas em consideraes sobre os efeitos randmicos no modelo,
dizemos que o modelo estocstico.

4.1.4.5 Entrada-Sada ou Espao de Estado

Como indicado pelo nome, modelos entrada-sada fornecem uma relao entre a
entrada e a sada do processo sem referncias s variveis internas do processo. Como a
maioria dos modelos estado de espao baseada em balanos de calor, massa e momento,
cada estado tem um significado fsico. Os estados tambm podem ser encontrados com
um modelo entrada-sada atravs de manipulaes matemticas e variveis intermedirias.

54
Um caso especial do modelo entrada-sada a rede neural artificial, a qual tem
sido usada em diversas aplicaes de engenharia, incluindo o controle preditivo.

4.1.4.6 Fenomenolgicos ou Caixa Preta

Modelos que so derivados a partir de balanos de calor, massa e momento so,


geralmente, chamados de fenomenolgicos ou fundamentais, em contraste com outro
esquema de modelagem que ajusta um conjunto de dados a uma funo arbitrria. Ambas
as abordagens tm sido usadas em aplicaes de controle preditivo.
As diferenas nesta classe de modelos, fenomenolgicos ou caixa preta, esto na
sua capacidade de extrapolao e no seu custo de obteno. Um modelo fenomenolgico,
a princpio, pode ser usado em uma ampla faixa de aplicao, mesmo sem experincias
operacionais anteriores, desde que as consideraes assumidas no seu desenvolvimento
permaneam vlidas. Por outro lado, modelos do tipo caixa preta no tm a capacidade
de extrapolar com segurana na obteno de valores fora das condies operacionais em
que os dados foram coletados. Porm, a calibrao e validao de modelos do tipo caixa
preta so muito mais simples e menos custosos de se atingir do que os modelos
fenomenolgicos.
As diversas classes de modelos apresentados dificilmente conseguem representar
o comportamento do processo atravs de uma vasta faixa de operao. Alm disto,
alteraes no processo como inscrustrao em trocadores de calor, perda de
seletividade/atividade de catalisadores, usualmente requerem ajustes nos parmetros do
modelo para garantir a sua fidedignidade.

As tcnicas de adaptao so as mais

recomendadas para estas situaes e ser o assunto da prxima seo.

55

4.2 Controlador Adaptativo


Os controladores adaptativos so sistemas de controle que automaticamente
ajustam seus parmetros de modo a compensar mudanas no processo ou ambiente. Os
algoritmos dos controladores adaptativos diferenciam-se no modo como a adaptao
feita (Scheduling ou otimizao on-line) e quais parmetros so adaptados.
Os esquemas de controle adaptativo fornecem abordagens sistemticas e flexveis
para lidar com incertezas, no linearidades e parmetros de processo variveis com o
tempo.

Conseqentemente, sistemas de controle adaptativo oferecem potencial de

melhoria para controle de processos difceis, onde o processo pouco entendido ou


mudam de forma no preditvel.
O incio das pesquisas nesta rea data dos anos 50. As principais dificuldades
para o seu desenvolvimento eram a falta de uma teoria e limitaes de hardware (muito
entusiasmo, pouco hardware e teoria no existente) (STROM, 1983). A dcada de 60,
nesta rea, caracterizou-se pelo desenvolvimento de estratgias de projeto para controle
adaptativo sustentadas por uma base terica slida, estruturada pela introduo de
conceitos de controle moderno, especialmente da teoria de estabilidade. A dcada de 70
trouxe mais alguns incrementos tericos para o controlador adaptativo como sistemas
auto-ajustveis e a disponibilidade de hardwares baratos para o controle digital.
conveniente distinguir entre duas categorias gerais de aplicaes de controle
adaptativo. A primeira categoria consiste em situaes onde as mudanas no processo
podem ser antecipadas ou medidas diretamente. Se o processo razoavelmente bem
conhecido, ento possvel ajustar os parmetros do controlador de uma forma
sistemtica (chamada de adaptao programada ou gain schedulling), medida que as
condies do processo mudam ou distrbios entram no sistema. A segunda categoria
consiste de situaes onde as mudanas no processo podem ser medidas ou preditas.

56
Nesta situao mais difcil, a estratgia de controle adaptativo deve ser implementada de
uma forma feedback, desde que existe pouca oportunidade para estratgias do tipo
feedforward, como na adaptao programada. Muitos destes controladores so referidos

como controladores auto-ajustveis;

eles so geralmente implementados atravs de

controle por computador digital.


Os subitens seguintes iro tratar destas subclasses do algoritmo de controle
adaptativo.

4.2.1

Adaptao Programada

Se um processo opera dentro de uma faixa de condies, melhorias no controle


podem ser obtidas utilizando-se diferentes conjuntos de parmetros para o controlador,
para cada condio de operao. Alternativamente, uma relao pode ser desenvolvida
entre os parmetros do controlador e as variveis do processo. A adaptao programada
limitada a aplicaes onde a dinmica do processo depende de medidas. O tipo mais
comum de adaptao programada o Gain Schedulling, onde o ganho do controlador
ajustado tal que o ganho da malha aberta permanea constante.
Neste algoritmo existe um conhecimento a priori e uma fcil quantificao das
variveis responsveis pelas mudanas nas caractersticas do processo. As mudanas
requeridas para os parmetros do controlador so pr-programadas.

Este tipo de

controlador adaptativo ilustrado na Figura 4-3. Nele, medida que as variveis de


entrada/sada do processo mudam significativamente, as informaes so enviadas ao
controlador e seus parmetros so ajustados de acordo com a programao. Na prtica, o
procedimento reduz-se a uma tabela de parmetros que dependem da faixa de operao do
processo.

57
4.2.2

Controlador Auto-Ajustvel

Se a medida do processo no pode ser medida nem antecipada, a adaptao


programada no pode ser usada. Uma aproximao alternativa atualizar os parmetros
do modelo do processo medida que novos dados so adquiridos (estimativa on-line) e
ento, basear os clculos de controle no modelo atualizado. Por exemplo, os parmetros
do controlador podem ser expressos como uma funo dos parmetros do modelo do
processo e atualiza estes parmetros on-line, quando os dados de entrada/sada do
processo so obtidos. Este tipo de controlador referido como auto-ajustvel ou autoadaptativo. Controladores auto-ajustveis so implementados, geralmente, conforme a
Figura 4-4.

Figura 4-3 - Diagrama de blocos representando a estrutura do algoritmo de controle com adaptao
programada.

Na Figura 4-4 trs conjuntos de clculos so empregados: estimativa dos


parmetros do modelo do processo, clculo dos parmetros do controlador e
implementao dos parmetros na malha de controle.

A maioria das tcnicas para

estimativa de parmetros em tempo real requer que um sinal externo seja ocasionalmente
introduzido para permitir uma estimativa precisa dos parmetros do modelo. Tal sinal de

58
entrada pode ser deliberadamente introduzido no set point ou adicionado na sada do
controlador.
O primeiro tipo de controlador adaptativo auto-ajustvel, chamado de Self-Tuning
Regulator, foi proposto em 1973 por strm e Wittenmark e desde ento tem sido

implementado em diversas aplicaes industriais (SEBORG et al, 1989). Modificaes


subseqentes, como o Self-Tuning Controller e o Generalized Predictive Controller
tambm tm sido usados.

Figura 4-4 - Diagrama de blocos representando o algoritmo de controle adaptativo auto-ajustvel.

A estratgia de controle adaptativa conhecida como MARC, Model Refernce


Adaptive Control, tenta obter uma resposta em malha fechada que seja o mais prximo

possvel de uma resposta desejada (referncia). Esta estrutura de controle est ilustrada na
Figura 4-5. O componente chave do algoritmo MRAC o modelo de referncia que
consiste em um modelo em malha fechada representando como o processo deve
responder a uma mudana no set point. O modelo pode ser uma simples trajetria ou um
modelo mais sofisticado. A sada do modelo comparada com a sada do processo e o
erro observado utilizado para promover algum esquema de adaptao, fazendo com que

59
os parmetros do controlador sejam ajustados de modo a reduzir este erro a zero. O
esquema adaptativo pode ser algum algoritmo de otimizao dos parmetros do
controlador que reduz a integral dos quadrados dos erros ou algum outro procedimento
semelhante.

Figura 4-5 - Diagrama de blocos representando a estrutura do algoritmo de controle adaptativo com
modelo de referncia.

A diferena bsica entre o controlador adaptativo com modelo de referncia e o


controlador adaptativo auto-ajustvel que este ltimo usa a entrada e a sada do processo
para estimar, recursivamente, on-line, os parmetros do modelo do processo. Ento,
medida que o processo muda as suas caractersticas com o ponto de operao ou com o
tempo, os parmetros do modelo so continuamente atualizados. O modelo atualizado
utilizado para recalcular os parmetros do controlador. O controlador pode ser um PID
ou um modelo preditivo (MPC).
Desde que o modelo estimado determina a eficcia do controlador, a caracterstica
essencial para o controlador auto-ajustvel a sua robustez na identificao do modelo.
Isto requer um bom algoritmo para a estimativa dos parmetros.

60
O tema controle adaptativo de grande interesse na atualidade, como pode ser
comprovado pela reviso bibliogrfica apresentada no captulo 3. Muitos algoritmos
novos esto em desenvolvimento, mas necessitam de testes em campo para que possam
ter aceitao industrial. Est claro, ainda, que as tcnicas digitais so necessrias para a
implementao de controladores auto-ajustveis devido sua complexidade.
No prximo captulo ser apresentada a metodologia adota neste trabalho, onde
um controlador preditivo auto-ajustvel implementado para o controle de um reator de
pirlise. O modelo no linear adotado uma rede neural, a qual tem os seus parmetros
ajustados on-line para que a mesma consiga predizer com fidelidade toda a faixa de
operao do processo, sem offset e de forma estvel.

Captulo 5
5 Metodologia

niciou-se este trabalho atravs da montagem do aparato experimental.


Foram montados dois reatores de pirlise, em escalas diferentes. No primeiro

deles, de 0.5 L, foram realizadas as calibraes dos sensores e testes iniciais de pirlise.
Entretanto, devido s suas dimenses reduzidas, os efeitos trmicos gerados pelas reaes
que ocorriam no reator no foram significativos. A sua capacidade de processamento de
resduos era reduzida e, portanto, o calor absorvido pela reao era insignificante frente ao
calor fornecido para manter a temperatura do reator nos valores especificados. Assim
sendo, um reator de 8 L, processando 1000 g de resduo foi implementado, garantindo que
os efeitos trmicos e cinticos fossem perceptveis no sistema reacional (Anexo A1).
Neste captulo, faz-se a apresentao do sistema desenvolvido, a disposio e
calibrao da instrumentao utilizada no sistema de controle digital, os procedimentos
adotados nas corridas experimentais, alm do algoritmo de controle proposto e sua
sintonia.

5.1 Local de Trabalho: Laboratrio de Reatores


O Laboratrio de Reatores est instalado no Departamento de Engenharia
Qumica, integrando o Centro de Cincias Exatas e Tecnologia da Universidade de Caxias

62
do Sul. Neste laboratrio vem sendo desenvolvido, em especial, um processo para
pirlise de resduos industriais. O grupo de pesquisa vinculado a este laboratrio iniciou
as pesquisas no ano de 1997.
A Figura 5-1 apresenta uma viso parcial do laboratrio, constando de reator de
pirlise de 0.5 L, separador flash, mdulo de potncia, um computador, capela,
cromatgrafo a gs e integrador.

Figura 5-1 - Vista parcial do sistema de pirlise de 0.5 L do Laboratrio de Reatores do Departamento de
Engenharia Qumica da Universidade de Caxias do Sul.

O novo sistema desenvolvido, com um reator de 8 L, pode ser visto na Figura 5-2.
Fazendo uma comparao com o sistema menor, a instrumentao e os equipamentos de
anlise so os mesmos, mas toda a tubulao, reator e separador flash foram
redimensionados para a nova escala de processamento.

63

Figura 5-2 - Foto do sistema de pirlise com reator de 8 L.

5.2 Aparato Experimental


Nessa etapa foram desenvolvidos o projeto, montagem e entendimento dos
princpios de funcionamento de cada equipamento pertencente aos sistemas de reao e de
anlise. O sistema reacional foi desenvolvido em escala de bancada, consistindo de reator,
separador flash e sistema de aquisio de dados usado para coletar on-line valores de
temperatura, presso e manipular a taxa de aquecimento do reator. Dois reatores de
pirlise foram construdos. O primeiro em menor escala opera em alta presso, sendo
denominado de retorta, foi utilizado na primeira etapa deste trabalho. A implementao
de um algoritmo de controle preditivo baseado em redes neurais foi desenvolvido
utilizando este reator.

Um segundo reator piroltico foi construdo com volume

aproximadamente 10 vezes maior que o primeiro e utilizado em testes mais consistentes,

64
uma vez que a retorta no foi sensvel energia de reao, devido pequena quantidade
de resduo que o mesmo comportava, funcionando praticamente como um forno.
Os dois sistemas utilizados nos experimentos sero descritos em detalhes a seguir,
fazendo uma descrio pormenorizada dos itens que o compe, assim como o
procedimento operacional adotado em ambos os casos.

5.2.1

Sistema Operacional I: Retorta

Uma vista parcial deste processo j foi anteriormente apresentado na Figura 5-1.
Um fluxograma do processo pode ser visualizado na Figura 5-3.
Os principais equipamentos utilizados neste sistema esto listados abaixo:
1. Reator de 0.5 L;
2. Separador Flash;
3. Resistncia eltrica de 14 ;
4. Vlvulas e tubulaes de in.
A instrumentao necessria para o monitoramento e controle do processo de
pirlise :
a) Termopar tipo J;
b) Condicionador de sinal Ultra Slimpack G428 transformando o sinal do
sensor de temperatura para a faixa de tenso entre 0 e 5 V.;
c) Transdutor de presso com leitura mnima de 0 bar e um span igual a 15
bar. A sada do transdutor era em corrente, variando de 4 a 20 mA;
d) Transdutor corrente/tenso para o sinal do transdutor de presso,
condicionando o sinal para uma faixa de 0 a 5 V;
e) Mdulo de potncia com entrada de 0-5 V e sada de 0-110V;

65
f) Placa de aquisio de dados CIO-DAS Jr 08, com oito entradas analgicas
e duas sadas analgicas de 5 V;
g) Computador com processador Pentium 100 MHz.

Figura 5-3 - Fluxograma do processo de pirlise.

O fluxo de informaes entre as variveis do processo, instrumentao e


controlador melhor visualizado no diagrama de blocos exibido na Figura 5-4. A
temperatura do processo (T) lida atravs de um termopar inserido em um poo lateral do
reator. O sinal do termopar amplificado a valores adequados para a placa de aquisio
de dados (Tm). Este sinal enviado para a placa, onde o sinal analgico convertido em
digital. O algoritmo de controle calcula a ao de controle (C) baseado no estado do
processo. O valor calculado pelo controlador um sinal digital, sendo este convertido na
placa de aquisio de dados para valores que variam entre 0 e 5 V. Entretanto, este sinal
precisa ser amplificado para que a taxa de calor fornecida ao processo seja suficiente para

66
manipular a temperatura do reator. Um mdulo de potncia amplifica linearmente a
tenso de sada emitida pelo controlador para uma faixa de 0 a 110 V. Esta tenso eltrica
aplicada na resistncia que envolve o reator, fornecendo o fluxo de calor (Q) necessrio
para conduzir a temperatura do reator aos valores especificados.

Figura 5-4 - Diagrama de blocos do sistema de controle de temperatura do reatot de pirlise.

5.2.2

Sistema Operacional II: Reator de Pirlise

Dois itens diferenciam basicamente o sistema reacional I do sistema reacional II:


suas dimenses e suas resistncias presso. O reator aqui utilizado tem um volume de 8
L e conseqentemente, todos os equipamentos a jusante tm que atender demanda
devido ao aumento da capacidade de processamento.

O separador flash desta vez

necessita de um sistema de refrigerao. Uma serpentina de cobre, com dimetro de 3/4


in, com circulao interna de gua, possibilita a condensao do leo combustvel
produzido.
A instrumentao a mesma, sendo que o poo para leitura de temperatura
agora localizado na tampa superior do reator, a tenso eltrica na resistncia varia de 0 a
220 V e o processador do computador foi um Pentium II 300 MHz.

67
5.2.3

Operao dos Aparatos Experimentais

A diferena fundamental entre o modo de operao dos dois sistemas operacionais


que o primeiro opera em modo batelada e o segundo em modo semibatelada.
Em ambos os casos, o resduo a ser pirolisado foi alimentado por sua abertura
superior. Os testes foram realizados com 20 g de resduo na retorta e 1000 g no reator de
pirlise. Aps o carregamento, o reator fechado e alimentado com nitrognio por dois
motivos: verificar possveis vazamentos no sistema e criar uma atmosfera isenta de
oxignio, evitando-se a formao de dioxinas e furanos. Em seguida, abre-se a vlvula de
sada de gases, eliminando o nitrognio presente. Neste momento a reao est pronta
para ser iniciada.
Na retorta o reator permanece fechado e medida que a reao evolui, os gases
produzidos vo provocando a pressurizao do reator. Ao final do processo o reator
aberto e os produtos so recolhidos, configurando-se em uma operao em batelada.
No reator de pirlise medida que a reao evolui e os gases so produzidos
provocando a pressurizao do reator, abre-se a vlvula de sada dos gases para aliviar a
presso do reator, configurando-se em uma operao semibatelada.
O prosseguimento das reaes de pirlise passa a ser conduzido pelo algoritmo de
controle. Os algoritmos de controle implementados, juntamente com uma descrio
detalhada dos cdigos computacionais, sero apresentados nos itens seguintes.

5.3 Os Algoritmos de Controle


Trs algoritmos de controle foram implementados: um controlador do tipo
retroalimentao digital, utilizado para efeito de comparao, um algoritmo de controle
preditivo e um algoritmo de controle preditivo adaptativo. O mtodo de otimizao

68
backpropagation foi empregado tanto para o clculo das aes de controle como para o

treinamento on-line da rede neural (modelo do processo).

Os controladores MPC

utilizaram como modelo do processo uma rede neural feedforward com trs camadas e
com 3 neurnios na camada de entrada, 5 na camada intermediria e 1 na camada de
sada.

Uma descrio mais completa do modelo e dos algoritmos de controle

implementados o assunto dos prximos tpicos.

5.3.1

O Modelo do Processo

O modelo do processo foi expresso atravs de redes neurais multicamadas. A rede


adotada possua trs neurnios na camada de entrada, cinco neurnios na camada
intermediria e um neurnio na camada de sada.
No primeiro caso estudado, o reator de 0.5 L, a rede tinha pesos fixos, os quais
eram determinados off-line.
No segundo caso, o reator de 8 L, os pesos iniciais da rede eram obtidos off-line,
mas dois procedimentos distintos foram adotados: no primeiro deles os pesos foram
mantidos

constantes,

configurando-se

um

controlador

preditivo;

no

segundo

procedimento os pesos eram ajustados on-line atravs do treinamento da rede com


padres obtidos durante as corridas. O nmero de elementos do padro era fixo, porm
tinham seus valores alterados a cada instante de amostragem pela tcnica da Janela
Mvel, que ser discutida mais a frente.

5.3.2

O Controlador Proporcional Integral Derivativo (PID)

O algoritmo de controle digital com realimentao uma emulao do algoritmo


de controle PID (proporcional integral derivativo).

Este assunto est bem

fundamentado e descrito na literatura, podendo ser encontrado em diversos livros sobre

69
controle de processo (SMITH e CORRIPIO, 1997).

Nesta seo ser feita uma

apresentao sucinta do algoritmo de controle digital feedback e do mtodo para a sua


sintonia adotado neste trabalho. O algoritmo de controle adotado contm um filtro para
atenuar rudos no termo derivativo.
O algoritmo baseado na funo de transferncia de um controlador clssico PID,
o qual segue a equao ( 5-1).

Ds
1
U (s )
= K C 1 +
+

E (s )
I s D s + 1

( 5-1)

Onde U (s ) a sada do controlador, E (s ) o erro, calculado como o valor do set


point menos a varivel controlada, de acordo com a equao ( 5-2) e o termo

D s + 1

uma funo de transferncia primeira ordem com ganho unitrio e constante de tempo

D . Este termo age como um filtro, o qual no afeta a performance do controlador,


desde que a sua constante de tempo D seja pequena. Valores tpicos para oscilam na
faixa de 0.05 a 0.2.
E (s ) = R (s ) Y (s )

( 5-2)

A equao ( 5-1) pode ser escrita em uma forma discreta, de acordo com as
equaes ( 5-3) e ( 5-4).
Yn =

D
D
(E n 2 E n 1 + E n 2 )
Yn 1 +
D + T
D + T

T
E n + Yn
U n = K C E n E n 1 +
I

A sada do controlador ento calculada por um acumulador padro:

( 5-3)

( 5-4)

70
U n = U n 1 + U

( 5-5)

Na equao ( 5-4) o termo Yn o termo derivativo com o filtro, calculado pela


equao ( 5-3).
O parmetro deve ser obtido por tentativa e erro, iniciando-o com um valor
igual a um dcimo do tempo derivativo D .

Para o ajuste dos outros parmetros

(K C , I , e D ) utilizou-se o mtodo ITAE (Integral of the Time-Weighted Absolute Value


of the Error), para controladores analgicos. Est aproximao vlida para sistemas

com amostragens rpidas, ou seja, menor que um dcimo da constante de tempo


dominante do sistema e a faixa de 0.1

1.0 (LOPEZ et al., 1967). Os parmetros


P

estimados para o controlador PID so obtidos em funo do tipo de distrbio a que o


processo est submetido (problema servo ou regulador). As equaes para o sistema
submetido aos problemas do tipo servo e regulador so apresentadas nas Tabela 5-1 e
Tabela 5-2.
Tabela 5-1 - Frmulas para sintonia de controladores PID pelo mtodo ITAE submetidos a mudanas no
set point.

0.965

KC =
K P P

I =

0.855

( 5-6)

P
0.796 0.147

D = 0.308 P
P

( 5-7)

0.9292

( 5-8)

71
Tabela 5-2 - Frmulas para sintonia de controladores PID pelo mtodo ITAE submetidos um problema
regulador.

1.357

KC =
K P P

0.947


I = P
0.842 P

0.738

D = 0.381 P
P

( 5-9)

( 5-10)

0.995

( 5-11)

A sintonia do controlador com aes proporcional e integral so dadas na Tabela


5-3.
Tabela 5-3 - frmulas para a sintonia de controladores PI pelo mtodo ITAE submetidos a um problema
servo.

0.965

KC =
K P P

I =

0.855

P
0.796 0.147

( 5-12)

( 5-13 )

Foram utilizados os parmetros obtidos para o problema servo, equaes ( 5-6), (


5-7) e ( 5-8) para o controlador PID e as equaes ( 5-12) e ( 5-13) para o controlador PI.

5.3.3

O Controlador Preditivo

O algoritmo de controle preditivo adotou uma rede neural recursiva como modelo
para descrever o comportamento dinmico do processo (Figura 5-5). A rede treinada
off-line e utilizada explicitamente para predizer o comportamento dinmico do sistema,

atravs de um horizonte de predio estipulado.

Foi desenvolvido um cdigo

computacional, em linguagem Delphi, para o treinamento offline. A cada intervalo de


amostragem o algoritmo deve encontrar uma seqncia de aes de controle timas

72
(dentro de um horizonte de controle determinado) atravs da minimizao da funo
objetivo:
N2

J = Tref k Tk
k =1

Nu

+ u k2

( 5-14 )

k =1

A trajetria de referncia definida pela equao ( 5-15 ):


Tref k +1 = Tref k + (1 )TSP

( 5-15 )

Onde o valor de Tref 1 o valor da temperatura no instante k .


O valor de , o qual est na faixa de 0 a 1, determina a velocidade de transio
entre a temperatura atual e a temperatura do set point. Valores de prximos a um faz
com que a transio seja conservativa, enquanto valores prximos a zero aproximam a
referncia de uma perturbao tipo degrau.
Foi adotado como modelo para o processo uma rede neural multicamada
conforme esquematizado na Figura 5-5. A camada de entrada da rede composta por trs
neurnios. A variveis associadas a estes neurnios so a temperatura do reator nos
instantes k e k 1 , e a tenso de sada do controlador no instante k 1 . Foi adotada
como funo de ativao dos neurnios a funo sigmoidal.
A camada intermediria possui cinco neurnios e a camada de sada apenas um.
A sada da rede a temperatura predita para o instante k + 1 . Como a rede dinmica,
poder estimar as temperaturas futuras atravs de um intervalo de tempo pr-definido.
Para isto, utiliza a sua estrutura recursiva e ao realimentar a sada da rede posio que
entrava a temperatura do reator no instante k , e deslocando esta para a posio da
temperatura em k 1 . A entrada do processo passa a ser U k . Ento, ocorre um
deslocamento da rede no tempo e a sada ser a temperatura estimada para o instante
k + 2 . Este procedimento pode ser repetido at completar o horizonte de predio

73
desejado. Entretanto, deve-se ter uma estimativa para as seqncias de controle dentro
deste intervalo de tempo.

Figura 5-5 - Representao esquemtica de uma rede neural completamente recorrente.

O mtodo empregado para resolver o problema de encontrar o mnimo para a


equao (5-14) iterativo, uma vez que para obter a seqncia tima das aes de
controle faz-se necessrio o conhecimento prvio das temperaturas futuras preditas pela
rede neural. Entretanto, a estimativa destas temperaturas exige o conhecimento das aes
de controle futuras, objetivo do problema. Assim, inicia-se o clculo com a seqncia de
controle obtida na amostragem anterior, prosseguindo, iterativamente, para obter as aes
de controle timas.

O mtodo de otimizao adotado foi o mtodo do gradiente

(backpropagation).

5.3.4

O Controlador Preditivo Adaptativo

Uma outra estratgia de controle foi proposta, de forma a eliminar problemas de


offset encontrados no controlador preditivo. A rede neural foi treinada on-line com o

intuito de conseguir representar adequadamente o comportamento do processo no estado

74
estacionrio, uma vez que o treinamento capta bem a dinmica do processo, mas no
representa de forma precisa o estado estacionrio, gerando os offsets.
O modelo inicial a rede treinada off-line. Para o treinamento on-line utilizado
um conjunto com dimenso a ser definida.

Este padro de treinamento vai sendo

renovado a cada instante de amostragem, atravs do procedimento conhecido como janela


mvel (BREUSEGEM et al., 1991), mantendo a sua dimenso constante. Uma ilustrao
do procedimento pode ser visto na Figura 5-6. No instante k, temos um padro de
treinamento composto por 5 conjuntos de amostragens (entende-se por conjunto de
amostragem como os dados de entrada e sada da rede, obtidos num tempo especfico).
Este padro ser chamado de janela de treinamento. Como o tamanho da janela fixo, no
instante de amostragem seguinte, esta janela apenas se desloca, descartando o conjunto de
amostragem mais antigo e adicionando o mais recente.

Assim, a cada instante de

amostragem a rede treinada com um padro diferente. Uma taxa de aprendizagem baixa
usada. O objetivo desse procedimento que a atualizao dos pesos se d de forma
lenta e com isso uma condio favorvel estabilidade do sistema seja mantida. O
algoritmo do controlador preditivo adaptativo apresentado na Figura 5-7.

Figura 5-6 - Definio do padro de treinamento utilizando o procedimento da janela mvel.

75

Figura 5-7 - Fluxograma do algoritmo do controlador preditivo e adaptativo.

Na prxima seo ser feita uma breve descrio do cdigo computacional,


desenvolvido neste trabalho,para o sistema de controle digital.

5.4 O Cdigo Computacional para o Sistema de Controle


Digital
Os dois reatores utilizados neste trabalho foram controlados por meio de um
software de controle digital desenvolvido neste trabalho.

Foi adicionado o mdulo

76
adaptativo para o segundo reator, com o intuito de, principalmente, eliminar o offset
observado em todas as corridas conduzidas pelo controlador preditivo.
O programa desenvolvido possui um mdulo para configurao do sistema de
aquisio de dados, conforme pode ser visto na Figura 5-8, com especificao dos canais
analgicos de leitura, a seleo da varivel lida em cada canal, a unidade da varivel e a
curva de calibrao (linear). Neste mesmo mdulo realizada a seleo dos canais de
sada, definindo-se tambm o canal analgico de sada, a varivel manipulada e a curva de
calibrao. Por fim, seleciona-se qual o tipo de placa utilizada.
No modo de execuo do programa, pode ser definido ainda, se o sistema est em
malha aberta ou malha fechada. Em malha aberta (Figura 5-9), a entrada do sistema deve
ser definida manualmente, estabelecendo-se o valor da tenso eltrica na sada da placa de
aquisio de dados (0 a 5 V).

Figura 5-8 - Mdulo de configurao da placa de aquisio de dados.

77
Quando operando em malha fechada, deve-se especificar qual o modo de controle
a ser utilizado: Controlador PID, Controlador Preditivo ou Controlador Preditivo e
Adaptativo (Figura 5-10). Para o controlador PID, deve ser especificado os valores dos
seus parmetros ( K C , I e D ), alm do set point.

Figura 5-9 - Cdigo computacional para o controle digital operando em malha aberta.

Outras duas opes esto disponveis para o usurio: o controlador preditivo e o


controlador preditivo adaptativo. As informaes necessrias para o controlador preditivo
adaptativo so aquelas que aparecem na Figura 5-10: set point, horizonte de predio,
tamanho da janela mvel, fator de ajuste da trajetria ( ), fatores de penalizao para a
varivel manipulada e para o erro.

Os mesmos parmetros so necessrios para o

controlador preditivo, exceo feita ao tamanho da janela mvel. utilizado o mesmo


mtodo de otimizao, seja para o clculo das aes de controle, seja para o treinamento

78
on-line da rede neural. Deve-se selecionar ento, o mtodo de otimizao a ser utilizado,

estando implementado apenas o mtodo do gradiente. Os pesos iniciais da rede tambm


devem ser fornecidos atravs de um arquivo de dados.

Existe ainda, a opo de

armazenar os resultados em um arquivo a ser definido pelo usurio.


A adaptao dos pesos da rede no iniciada logo que o programa entra em
execuo. Deve-se esperar que seja gerado um nmero mnimo de dados para o padro
de treinamento. Este nmero deve ser, no mnimo, igual ao tamanho da janela mvel.

Figura 5-10 - Seleo do algoritmo de controle a ser usado.

Existem duas opes no programa: colocar o controlador em modo sempre


adaptativo, ou seja, uma vez atingido o nmero de pontos definidos para iniciar a
adaptao o controlador permanece sempre em modo adaptativo. A outra alternativa
que sempre que ocorre uma alterao no set point o controlador retoma os pesos iniciais,

79
reiniciando a adaptao apenas quando um nmero de pontos, aps a alterao do set
point, for igual ao nmero de pontos definidos.

O cdigo computacional, desenvolvido em linguagem Delphi, pode ser visto no


Anexo A 2.
Os algoritmos de controle PID, preditivo e preditivo adaptativo descritos neste
captulo foram aplicados nos reatores de pirlise de resduos industriais operando em
modo semibatelada. O controlador PID serviu como parmetro de comparao, uma vez
que o mesmo o controlador mais empregado em aplicaes industrias. Utilizou-se
como critrio de performance, para esta comparao, o ITAE Integral of the TimeWeighted Absolute Value of the Error, o mesmo critrio adotado na sintonia do

controlador PID. Os resultados experimentais obtidos so apresentados e discutidos no


prximo captulo.

O captulo 7 traz as principais concluses obtidas com o

desenvolvimento deste trabalho, alm de apontar oportunidades para trabalhos futuros.

Captulo 6:
6 Resultados e Discusses

este captulo so apresentados os resultados da aplicao do


algoritmo de controle preditivo e preditivo adaptativo, comparando-os

com o controlador clssico. Os resultados so apresentados para os dois sistemas: a


retorta e o reator de pirlise descritos no captulo anterior. Para a retorta apenas um
estudo preliminar foi realizado, uma vez que os efeitos trmicos da reao no foram
perceptveis no sistema, devido sua pequena capacidade de processamento, associada a
elevada massa do reator, dotando-o de uma grande capacidade para acmulo de calor.
Para o reator de pirlise so apresentados os resultados da identificao do sistema,
caracterizando-o como um sistema de primeira ordem com tempo morto, mas com
parmetros variveis de acordo com o ponto de operao, destacando assim a sua no
linearidade.

Sero apresentados alguns testes realizados para determinao dos

parmetros dos controladores do tipo retroalimentao, preditivo e preditivo adaptativo.


Finaliza-se o captulo apresentando testes comparativos dos controladores durante a
pirlise de borra de tinta. O processamento foi em regime semibatelada. O controlador
conduziu a temperatura do reator para dois nveis, sendo que, durante esse perodo a
presso do reator foi suscessivamente reduzida, atravs da liberao parcial dos produtos
obtidos, acarretando fortes distrbios no processo.

81

6.1 Controle da Retorta


O trabalho foi inicialmente desenvolvido em uma retorta de 0.5 L. Foi proposto
um algoritmo de controle preditivo para este sistema e o controlador do tipo
retroalimentao foi usado como parmetro de comparao. Foi utilizado nestes testes
um intervalo de amostragem de 10 segundos.

6.1.1

Controlador do Tipo Retroalimentao

O algortimo de controle clssico do tipo retroalimentao, na sua verso digital,


foi testado na retorta. Os testes realizados no apresentaram diferenas significativas para
o reator com ou sem resduo, devido grande capacitncia trmica do reator.

Os

resultados sero apresentados a seguir.

6.1.1.1 Identificao do Sistema

A etapa de identificao do sistema de suma importncia no projeto de


controladores, seja para o controle clssico, seja para algoritmos de controle avanado.
Uma boa determinao do modelo do sistema permite o uso das tcnicas de sintonia de
controladores vistas brevemente na seo 5.3.4.

A importncia de um modelo que

represente a dinmica do processo com fidedignidade, quando utilizando um algoritmo de


controle preditivo, j foi discutido no captulo 4.
Uma das formas mais utilizadas para a identificao de modelos o teste a degrau,
o qual consiste em dar uma perturbao degrau conhecida no processo e verificar a
resposta do mesmo.

Existem diversas formas de resolver o problema de ajuste do

modelo, variando de procedimentos grficos at cdigos sofisticados de regresso. Um

82
software que realiza bem a tarefa de ajuste de modelos o DigestTM1 (COOPER e

BIESZCZAD, 1994). Este software pode importar arquivos ASCII contendo os dados
dinmicos. Estes dados devem estar na forma tabular com as variveis em colunas
separadas por tabulaes, espaos ou virgulas. Em seguida deve-se fazer a seleo das
variveis classificadas em tempo, varivel manipulada e a varivel medida. Os modelos
lineares disponveis no DigestTM incluem sistemas de primeira ordem, primeira ordem
mais tempo morto, segunda ordem e segunda ordem mais tempo morto.
O DigestTM ento, ajusta o ganho do processo, a(s) constante(s) de tempo e o
tempo morto (se aplicvel) aos dados, atravs da minimizao do somatrio do quadrado
dos erros entre a sada do processo e a resposta predita pelo modelo. O DigestTM opera de
acordo com as seguintes consideraes:
1. O processo est no estado estacionrio antes de ser submetido
perturbao;
2. O primeiro dado no arquivo uma boa media do valor da varivel medida
no estado estacionrio inicial;
3. O incremento de tempo entre os dados deve ser constante.
A Figura 6-1 apresenta os resultados de um teste a degrau implementado na
potncia de aquecimento da retorta, atravs da variao da tenso eltrica aplicada na sua
resistncia. O degrau teve uma amplitude de 0.3 V, passando inicialmente de 0.7 V para
1.0 V. A temperatura do reator a varivel de resposta. O ajuste dos parmetros
efetivado no DigestTM, forneceu um ganho do processo de 201.4 C/V, uma constante de
tempo de 69.1 minutos e um retardo dinmico de 12.0 minutos. Estes resultados so
apresentados na Tabela 6-1.

Copyright 1994, 1992 Douglas J. Cooper All Rights Reserved.

83
6.1.1.2 Sintonia do Controlador

O prximo passo usar os parmetros do modelo dinmico encontrados, nas


correlaes apresentadas na captulo anterior, afim de obter o ajuste do controlador. O
DigestTM contm um bom nmero de correlaes, incluindo IMC (Internal Model
Control), Cohen-Coon, IAE (Integral of Absolute Error) e o ITAE (Integral of Time
Weighted Absolute Error). Os ajustes fornecidos para este teste a degrau foram: ganho do

controlador igual a 0.08, tempo integral igual a 62.0 minutos e tempo derivativo igual a
1.2 minutos. Estes resultados so sumarizados na Tabela 6-2.

Figura 6-1 - Validao do modelo de primeira ordem mais tempo morto para a retorta.

Tabela 6-1 - Parmetros do modelo do processo (primeira ordem mais tempo morto) obtidos pelo
DigestTM.

K P (C/V)

P (min)

(min)

201.4

69.1

12.0

84
Tabela 6-2 - Parmetros do controlador obtidos pelo mtodo IAE (Integral of Absolute Error).

KC

I (min)

0.08

62.0

D (min)
1.2

6.1.1.3 Teste do Controlador do Tipo Retroalimentao

Foi realizado um teste em planta, para analisar a performance do controlador do


tipo retroalimentao obtido em um problema do tipo servo. A Figura 6-2 e a Figura 6-3
apresentam os resultados. A retorta, inicialmente a temperatura ambiente, deveria ter sua
temperatura conduzida pelo controlador at 320C.

Figura 6-2 - Comportamento dinmico do controldador do tipo retroalimentao a uma perturbao no


set point.

Foi observado um acentuado overshoot, onde a temperatura atinge um mximo de


360C, 40C acima do set point (overshoot de 12.5%). Pode ser observado ainda, que o
controlador no apresenta offset, estabilizando a temperatura no valor do set point em
pouco mais de uma hora.

85

Figura 6-3 - Esforo do controlador do tipo retroalimentao para condizir o processo de pirlise a um
novo set point.

Com o intuito de melhorar o desempenho do controlador foi proposto o algoritmo


de controle preditivo, descrito no Captulo 5. A seo seguinte apresenta o desempenho
deste algoritmo em um teste semelhante ao aplicado para o controlador do tipo
retroalimentao.

6.1.2

Controlador Preditivo

A estratgia de controle adotada consiste em utilizar um modelo para o processo


que prediga o comportamento da temperatura do reator num horizonte de controle prdefinido e obtenha uma seqncia de aes de controle que minimizem a funo custo:
N2

J = Tref k Tk
k =1

Com a trajetria definida por:

Nu

+ u k2
k =1

( 6-1 )

86
Tref k +1 = Tref k + (1 )TSP

( 6-2 )

Foi adotado um modelo emprico. Uma rede neural com 3 neurnios na entrada, 5
neurnios na camada intermediria e 1 neurnio na sada foi empregado como modelo
para o processo. Para que a rede atuasse de forma preditiva, a rede era recursiva, sendo a
rede realimentada pela sua sada, de forma sucessiva, at que todo o horizonte de predio
fosse coberto.

6.1.2.1 Treinamento da Rede Neural

Na fase de treinamento realizou-se experimentos variando a potncia de


aquecimento do reator de forma que a rede pudesse captar a relao existente entre a
temperatura do reator e a sada do controlador.

Como foi empregado uma funo

sigmoidal como funo de ativao, a temperatura do reator, assim como a sada do


controlador, foram normalizadas entre 0.2 e 0.8.

Nos treinamentos, a cada padro

apresentado, a sada da rede era alimentada recursivamente mesma, de forma a fora-la


a ter um comportamento preditivo. A temperatura normalizada predita pela rede era
comparada com os valores experimentais.

Para cada padro este procedimento era

repetido por um nmero de vezes igual ao horizonte de predio, ao final do qual, um


novo padro era apresentado. Desta forma, a rede era treinada de forma a minimizar o
erro entre os valores preditos e o padro de treinamento.

6.1.2.2 Sintonia do Controlador

O objetivo do controlador era atingir e permanecer no set point, de forma rpida,


estvel, sem offset e com o menor esforo do controlador possvel. Desta forma, os
parmetros de ajustes possveis no controlador eram (penalizao do erro),

87
(penalizao do esforo do controlador) e (definio da trajetria de referncia), alm
dos horizontes de predio e controle. Os parmetros utilizados neste trabalho esto
sumarizados na Tabela 6-3. O valor do horizonte de predio foi sempre igual ao do
horizonte de controle.

Entretanto, uma anlise da sua influncia na resposta do

controlador foi realizada.


Tabela 6-3 - Parmetros do controlador preditivo.

2.5

0.1

0.9

As Figuras 6-4 e 6-5 apresentam o desempenho do controlador preditivo ao


conduzir o processo da temperatura ambiente at 320C, para diferentes horizontes de
predio e controle.

Figura 6-4 - Comparao da performance do controlador preditivo para diferentes horizontes de


predio e controle.

Observa-se claramente que para um horizonte de predio e controle de 30


instantes de amostragem, o sistema apresenta melhor performance, com pouco overshoot,

88
estvel e sem offset. Para um horizonte de predio e controle igual a 20 instantes de
amostragem a resposta muito lenta, gerando um offset no processo. Foi utilizado como
ndice de performance, o critrio adotado na sintonia do controlador do tipo
retroalimentao, ou seja, a integral dos erros absolutos (IAE). Os ndices relativos (razo
entre o ndice obtido no algoritmo de controle em questo e o ndice obtido pelo
controlador preditivo com horizontes de predio e controle iguais a 30) so apresentados
na Tabela 6-4. Para o problema servo o controlador com horizontes iguais a 30 foi
superior a todas as outras alternativas.

Figura 6-5 - Esforo do controlador preditivo para diferentes horizontes de predio e controle.

6.1.3

Comparao Entre os Controladores

A Figura 6-6 e a Figura 6-7 apresentam uma comparao da dinmica dos


controladores a uma perturbao degrau no set point. Fica evidente, nestas figuras, a
melhor performance do controlador preditivo, o qual apresenta overshoot desprezvel
frente aos apresentados pelo controlador do tipo retroalimentao. Alm disto, o tempo

89
para estabilizar a temperatura no valor do set point tambm foi reduzido
significativamente. A Tabela 6-4 aponta que o ndice de performance do controlador do
tipo retroalimentao 10 % maior do que o do controlador preditivo, com horizontes de
predio e controle iguais a 30, quantificando assim a superioridade deste ltimo.

Figura 6-6 - Comparao entre o algoritmo de controle do tipo retroalimentao e o Controlador


preditivo com horizontes de controle e predio iguais a 30.

Tabela 6-4 - Comparao entre os critrios de desempenho relativos para os algoritmos de controle.

Critrio de Desempenho
Algoritmo de Controle
Retroalimentao
Preditivo (horizontes iguais 20)
Preditivo (horizontes iguais 30)

IAE
Problema Servo
Problema Regulador
1.10
0.86
1.31
8.06
1.00
1.00

Um outro teste foi implementado, agora atravs de um problema regulador. O


processo foi submetido a uma perturbao que consistiu em, durante 10 minutos,
submeter a retorta a uma jato de ar comprimido. A Figura 6-8 e a Figura 6-9 apresentam
uma comparao entre as estratgias de controle utilizadas. Com o intuito de qualificar o
efeito do distrbio apresentada tambm a resposta do processo em malha aberta.

90

Figura 6-7 - Comparao do esforo dos controladores do tipo retroalimentao e preditivo para
conduizir a temperatura do reator da temperatura ambiente at 320C.

Figura 6-8 - Comparao da performance dos algoritmos de controle, quando o processo submetido a
uma perturbao.

91
Observa-se, mais uma vez, o bom desempenho do controlador preditivo com
horizontes iguais a 30.

O sistema de controle conseguiu minimizar os efeitos do

distrbio, os quais foram prontamente eliminados.

Entretanto, est no uma

particularidade do controlador preditivo uma vez que o controlador do tipo


retroalimentao tambm apresentou, sob o ponto de vista qualitativo, uma performance
semelhante. A Tabela 6-4 compara os ndices de performance relativos, apontando uma
pequena superioridade do controlador do tipo retroalimentao.

Figura 6-9 - Esforo de diferentes controladores para suprimir o efeito de distrbios no processo.

Entretanto, a anlise do desempenho dos controladores ficou prejudicada em


funo dos rudos na varivel medida e da ausncia de efeitos trmicos devidos reao
de pirlise. Um reator com dimenses ampliadas foi implementado com o objetivo de
amplificar este ltimo efeito e algumas correes foram adotadas para reduzir o rudo,
conforme ser apresentado na prxima seo.

92

6.2 Controle do Reator de Pirlise


Um novo sistema foi desenvolvido, conforme apresentado no Captulo 5. Um
reator de 8 L foi utilizado. Nesta etapa do trabalho, foi desenvolvido um controlador
preditivo e adaptativo e o controlador do tipo retroalimentao foi adotado como
parmetro de comparao para a performance do controlador proposto. Foram utilizados
nesses testes, intervalos de amostragens de 60 segundos.

6.2.1 Reduo dos Rudos

A eliminao de rudos importante, tanto no processo de identificao do


sistema como na anlise do desempenho dos controladores. O fabricante da placa de
aquisio de dados utilizada sugere que os canais de leitura analgica no utilizados
estejam aterrados. A Figura 6-10 apresenta a diferena de comportamento na leitura da
temperatura do reator para trs configuraes distintas: os canais abertos e sem filtro para
a temperatura lida, os canais aterrados e sem filtro para a temperatura e os canais
aterrados e com filtro. Foi utilizado como filtro a mdia mvel, cuja descrio pode ser
encontrada em diversos livros de controle de processos (SEBORG et al., 1989). A leitura
foi realizada no reator a temperatura ambiente.
Observa-se pelo grfico que a medida da temperatura apresenta rudos muito
fortes. bem verdade que o ganho do condicionador de sinal utilizado muito pequeno
(0.00714 V/C), haja visto que a faixa de leitura de temperatura muito grande. A faixa
de temperatura na entrada do condicionador de sinal varia de 0 a 700C. O sinal de sada
da mesma varia de 0 a 5V. Assim, o valor da temperatura medida muito sensvel ao
sinal de entrada da placa, conforme indicado pelo ganho do condicionador, ou seja, uma
variao de 0.00714 V corresponde a uma variao de 1C na temperatura lida. Fica
evidente, que o comportamento apresentado na Figura 6-10 para os canais aterrados e

93
com filtro tem um timo desempenho frente s restries impostas. Vale ressaltar que a
faixa para a leitura da temperatura no poderia ser outra em face da grande variabilidade
das condies operacionais.

Figura 6-10 - Anlise dos efeitos do curto-circuito nos canais analgicos de leitura no utilizados e do
filtro sobre os rudos, na leitura da temperatura do reator.

Ao trabalhar com os canais no utilizados sem terra e sem filtro para a temperatura
lida, a temperatura apresentou uma variao de 6C entre o mximo e o mnimo valor
lido, no intervalo de tempo considerado. Com a colocao do aterramento dos canias no
utilizados, observa-se uma diminuio discreta da variabilidade de leitura e a temperatura
passa a oscilar com uma variao de 5.3C. Entretanto, com a adio do filtro para a
temperatura houve uma significativa reduo do rudo, limitando sua variao a 0.8C.
Obviamente esta ltima foi a configurao adotada no trabalho.

94
6.2.2

Identificao do Sistema

A etapa de identificao do sistema foi iniciada atravs de testes a degrau. Com o


sistema inicialmente em um estado estacionrio, perturbou-se o sistema atravs de uma
variao degrau no sinal de sada da placa de aquisio de dados, utilizado para o
aquecimento do reator.
Entretanto, foram realizados quatro testes para comprovar a no linearidade do
processo. Observa-se a variao de todos os parmetros em funo do ponto de operao,
incluindo o tempo morto. O primeiro teste pode ser visto na Figura 6-11. O reator,
inicialmente temperatura ambiente, sofre uma perturbao na varivel manipulada,
alterando-se a tenso de sada da placa de aquisio de dados de 0 para 1.7 V.
Mais outros trs degraus foram efetuados no reator de pirlise, com o objetivo de
verificar as alteraes na dinmica do processo, para pontos de operao e at mesmo
caminhos diferentes (aquecimento ou resfriamento).

Com o processo no estado

estacionrio e uma tenso na sada do controlador igual a 1.7 V, perturbou-se o sistema,


alternado este sinal de 1.7 V para 2.7 V. Os resultados so vistos na Figura 6-12. O
ajuste destes dados a um modelo de primeira ordem mais tempo morto resultou num
ganho do processo de 189.3 C/V, uma constante de tempo de 30.3 minutos e um tempo
morto de 6.5 minutos. Fica evidente a no linearidade do processo. O ganho resultante
mais que 60% maior que o obtido no ajuste anterior, apresentado na Figura 6-11. A
constante de tempo sofre uma reduo da mesma ordem, sendo o tempo morto reduzido
para menos da metade.

95

Figura 6-11 - Comparao dos resultados obtidos com o teste a degrau no reator de pirlise com o
modelo de primeira ordem mais tempo morto. Os parmetros obtidos foram K P = 116.5

P = 51.0 min e = 13.3 min

C
,
V

Um terceiro degrau, modificando a sada do controlador de 2.7 para 1.7 V foi


realizado. O objetivo deste ensaio era verificar as alteraes na dinmica do sistema
devido rota ao qual o processo conduzido. Nota-se que o processo realiza o sentido
inverso daquele apresentado na Figura 6-12. Como o resfriamento do processo atravs
de conveco livre, em um reator semi isolado, o esperado era que a dinmica desta rota
fosse mais lenta do que a de aquecimento, o que foi comprovado comparando os
resultados da Figura 6-12 e da Figura 6-13. O ganho no alterado, havendo um pequeno
acrscimo na constante de tempo, passando de 30.3 minutos na etapa de aquecimento para
40.4 minutos no resfriamento. O parmetro mais sensvel o tempo morto, que foi
reduzido para praticamente a metade. Isto torna-se mais gritante quando faz-se uma

96
comparao e do aquecimento de 0 para 1.7 V (Figura 6-11) com o resfriamento. O
tempo morto desta ltima rota praticamente a quarta parte do primeiro teste.

Figura 6-12 - Comparao dos resultados obtidos com o teste a degrau no reator de pirlise com o
modelo de primeira ordem mais tempo morto. Os parmetros obtidos foram K P = 189.3

P = 30.3 min e = 6.5 min .

C
,
V

Um ltimo ensaio foi realizado com o intuito de verificar a dinmica do processo


em todo o intervalo, ou seja, da temperatura ambiente at algo em torno de 400C. Para
isto, o processo foi submetido a uma perturbao degrau na sada do controlador,
alterando-a de 0 para 2.7 V. Conforme pode ser visto na Figura 6-14, o ganho do
controlador ficou em 140.3 C/V, um valor intermedirio, quando comparado com os
degraus de 0 a 1.7 V e de 1.7 a 2.7 V. A constante de tempo do processo (31.2 minutos)
parece estar fortemente relacionada com a tenso final, a qual o processo submetido,
pois apresenta praticamente o mesmo valor do que o obtido no teste em que a perturbao
degrau modificou a tenso de 1.7 para 2.7 V. O tempo morto encontrado foi 12.7

97
minutos, praticamente o mesmo que o obtido no primeiro ensaio, quando aquecendo o
reator da temperatura ambiente atravs de um degrau de 1.7 V na tenso de sada do
controlador. O que se pode concluir que o tempo morto obtido no modelo na verdade
uma aproximao de vrios sistemas em srie. Como na partida todo o sistema tem que
ser aquecido (resistncia, l de rocha, paredes do reator, etc.) o retardo dinmico fica mais
acentuado, resultando num tempo morto aproximado tambm maior.

Figura 6-13 - Comparao dos resultados obtidos com o teste a degrau no reator de pirlise com o
modelo de primeira ordem mais tempo morto. Os parmetros obtidos foram K P = 183.4

P = 40.4 min e = 3.6 min .

C
,
V

Um resumo dos parmetros ajustados para os testes efetuados podem ser vistos na
Tabela 6-5. Como foi visto, a funo de transferncia muda em funo do ponto de
operao, assim como devido a rota do processo. Isto ir afetar diretamente a sintonia do
controlador do tipo retroalimentao, haja visto que a mesma depende dos parmetros do
modelo adotado. Este assunto ser discutido no prximo tpico.

98

Figura 6-14 - Comparao dos resultados obtidos com o teste a degrau no reator de pirlise com o
modelo de primeira ordem mais tempo morto. Os parmetros obtidos foram K P = 140.3

P = 31.2 min e = 12.7 min .

C
,
V

Tabela 6-5 - Compilao dos parmetros do modelo de primeira ordem mais tempo morto para os
diversos testes a degrau implementados.

Faixa de Temperatura (C)

Degrau (V)

KP (C/V)

P (min)

(min.)

25 225

0.0 1.7

116.5

51.0

13.3

225 400

1.7 2.7

189.3

30.3

6.5

225 400

2.7 1.7

183.4

40.4

3.6

25 400

0.0 2.7

140.3

31.2

12.7

6.2.3

Ajuste do Controlador do Tipo Retroalimentao

O controlador do tipo retroalimentao sem dvida o algoritmo de controle mais


utilizado nos processos qumicos industriais, por sua versatilidade e facilidade de
implementao e ajuste, alm de existir uma slida teoria disponvel sobre o mesmo.
Pode ser encontrado comercialmente em verses analgicas. S justificvel a sua

99
substituio por algoritmos de controle avanado, quando a performance do controlador
do tipo retroalimentao no adequada. Por isso, o controlador do tipo retroalimentao
empregado aqui como um comparativo para a performance do algoritmo proposto.
Neste trabalho optou-se por ajustar o controlador do tipo retroalimentao pelo
mtodo ITAE (Integral of the Time-Weighted Absolute Value of the Error), uma vez que
o mesmo apontado como um dos mais indicados para o propsito. As equaes usadas
para a sintonia do controlador PID, quando o processo submetido a mudanas no set
point esto na Tabela 5.1.

A Tabela 6-6 traz os parmetros do controlador PID para os diversos modelos


apresentados na seo anterior. Observa-se uma grande variao dos parmetros do
controlador. O ganho varia de 0.15 a 0.42, sendo o ltimo portanto, praticamente trs
vezes maior que o primeiro. O tempo integral tambm apresenta variaes significativas,
passando por valores que vo de 39.64 at 67.31, um acrscimo de cerca de 70%. J a
constante de tempo derivativo tem uma faixa que vai de 1.32 a 4.51, ou seja, um
acrscimo por um fator maior do que trs.

Optou-se pelo o controlador com os

parmetros que esto na faixa da temperatura ambiente at 400C, uma vez que os
parmetros do modelo so os valores intermdio para os diferentes testes.
O primeiro teste foi realizado dando partida ao processo temperatura ambiente e
submetendo-o a um problema servo. Assim, o set point alterado, na forma de uma
funo degrau, inicialmente para 250C. Aps a estabilizao da temperatura no valor do
set point promove-se uma nova perturbao para 400C e aguarda-se at que o processo

estabilize novamente.
K C = 0.015

Os parmetros usados para controlador PID foram

V
, I = 42.26 min e D = 4.17 min. O parmetro utilizado no filtro da
C

ao derivativa (equao 5-1) foi igual a 0.9. Os resultados esto plotados na Figura 6-15
e Figura 6-16.

100
Tabela 6-6 - Sintonia do controlador PID pelo mtodo ITAE para perturbaes no set point. Clculos
efetuados para os diversos modelos da seo anterior.

Faixa de

Processo

Controlador PID

Temperatura (C)

K P (C/V)

P (min)

(min)

K C (V/C)

I (min)

D (min)

25 225

116.5

51.0

13.3

0.026

67.31

4.51

225 400

189.3

30.3

6.5

0.019

39.64

2.23

400 225

183.4

40.4

3.6

0.042

51.60

1.32

25 400

140.3

31.2

12.7

0.015

42.26

4.17

Figura 6-15 - Resultado de um sistema servo com controlador PID. K C = 0.015


min,

D = 4.17

min e

= 0 .9 .

V
, I = 42.26
C

Apesar da boa estabilidade apresentada pelo controlador PID, a sua ao foi


extremamente conservativa e com isto a resposta do processo foi muito lenta, levando um
tempo excessivo para atingir o valor do set point, em ambas as perturbaes (da
temperatura ambiente at 250C e de 250C para 400C). O tempo para atingir o set

101
point inicial (um degrau de 225C) foi de cerca de 200 minutos, aproximadamente o

mesmo valor obtido para o degrau seguinte, com amplitude de 150C.

Figura 6-16 - Esforo do controlador PID para conduzir o processo da temperatura ambiente at 250C e
em seguida, at 400C.

A presena do filtro na ao derivativa um fator importante na performance do


controlador PID. Um teste para comprovar sua influncia na ao do controlador PID
tambm foi implementado. Utilizou-se o mesmo controlador do teste anterior, isto , com
K C = 0.015

V
, I = 42.26 min e D = 4.17 min, porm com o valor de igual a 0.1.
C

Como pode ser visto na Figura 6-17 ao reduzir a ao do filtro na ao derivativa ( igual
a 0.1) o controlador apresentou um comportamento muito inferior ao controlador com um
filtro com ao mais acentuada ( igual a 0.9). Para o controlador com menor filtro
possvel observar um kickback nas duas perturbaes, sendo que no degrau em que o set
point passa de 250C para 400C este fenmeno foi mais acentuado.

102

Figura 6-17 - Comparao da performance do controlador PID para diferentes filtros na ao derivativa.

Figura 6-18 - Esforo do controlador PID para diferentes filtros na ao derivativa.

103
A literatura sugere valores para a constate de tempo do filtro entre 0.20 e 0.05.
Nos testes implementados, o melhor valor obtido ficou em 0.90, um valor bem acima do
limite sugerido.
Devido ao extremamente conservativa do controlador PID, optou-se por
avaliar a performance de um controlador PI frente as mesmas perturbaes que incidiram
sobre o controlador PID. De acordo com as tcnicas de projeto de controladores clssicos
apresentadas no Captulo 5 os parmetros do controlador PI para o sistema em questo
so K C = 0.010 e I = 32.40 min. Os testes realizados so apresentados na Figura 6-19 e
Figura 6-20.

Figura 6-19 - Comportamento da temperatura do reator perturbaes degrau no set point, para um
controlador PI.

Observa-se claramente que o controlador PI mostrou uma resposta dinmica


superior ao controlador PID na tentativa de fazer com o processo passe da sua condio
incial (temperatura ambiente) para 250C e ali permanea, sendo submetido em seguida a

104
uma nova alterao do set point (Figura 6-21 e Figura 6-22). Para que a anlise da
performance fique evidenciada de forma quantitativa, foi adotado o ndice de performance
ITAE, o mesmo empregado no clculo dos parmetros do controlador.
t

I = t e(t ) dt

( 6-3 )

Figura 6-20 - Esforo do controlador PI para conduzir o processo da temperatura ambiente at 250C e
em seguida, at 400C.

O ndice de performance foi normalizado em funo do valor obtido para o


controlador PI, de forma a que os valores apresentados indiquem a relao entre as
performances. A Tabela 6-7 confronta os valores obtidos pelo controlador PI e o PID,
para as alteraes no set point da temperatura ambiente para 250C e de 250C para
400C. Fica evidente a superioridade do controlador PI frente ao PID, este ltimo
atingindo um ndice de performance superior a duas vezes o ndice do controlador PI.

105
Tabela 6-7 - Indices de performance ITAE relativos entre os controladores PI e PID no controle da
temperatura de um reator de pirlise.

250C

400C

Controlador PI

1.00

1.00

Controlador PID

2.24

2.40

Set Point

Diante destes resultados, o controlador PI, com K C = 0.010 e I = 32.40 min, foi
adotado como controlador a ser utilizado para efeito de comparao com os algoritmos
propostos.
A seguir apresentado os resultados obtidos para o ajuste do controlador preditivo
e os motivos que justificam o uso de uma estratgia adaptitva.

Figura 6-21 - Comparao da dinmica do processo ao ser conduzido para diferentes set points por
controladores PI e PID.

106

Figura 6-22 - Esforo dos controladores PI e PID frente a problemas servo.

6.3 Ajuste do Controlador Preditivo


De acordo com o algoritmo do controlador preditivo apresentado no captulo 5, os
graus de liberdade presentes neste controlador so , N u , N 2 e . Para a sintonia do
controlador uma anlise da sensibilidade desses parmetros foram implementadas, tendo
em conta os efeitos esperados para cada um deles.
O parmetro responsvel pela penalizao da varivel manipulada e assim,
quanto maior o valor de mais suave deve ser as variaes da ao de controle. A
Figura 6-23 e a Figura 6-24 apresentam o comportamento do controlador para = 1 e

=0.
Uma anlise qualitativa da resposta do sistema de controle s perturbaes
submetidas ao set point indica que a penalizao acabou gerando um comportamento

107
mais oscilatrio da varivel controlada do que quando foi anulada a penalizao do
esforo do controlador.

Figura 6-23 - Desempenho do controlador para diferentes fatores de penalizao no esforo do


controlador. Horizonte de Predio igual a 10 e de controle igual a 1.

Observando o comportamento da ao de controle foi possvel perceber que a


penalizao suavizou excessivamente a ao de controle, fazendo com que a mesma
obtenha este indesejvel comportamento oscilatrio. Adotou-se, assim, um controlador
com igual a zero, ou seja, sem penalizaes na variao da ao do controlador. Na
verdade, ao se adotar uma estratgia de controle preditiva em que as aes de controle so
obtidas por otimizao, j era esperado que as penalizaes para este termo da funo
objetivo fossem pequenos (QUIN e BADGWELL, 2003).

108

Figura 6-24 - Esforo do controlador para diferentes penalizaes impostas nas variaes da ao de
controle. Horizonte de Predio igual a 10 e de controle igual a 1.

O parmetro , responsvel pela penalizao do erro, foi variado de 1 at 50, para


avaliar o efeito deste parmetro na resposta do controlador. Com apenas este fator de
penalizao na funo objetiva, e com um algoritmo de controle que obtm a seqncia
tima de controle, a qual minimiza esta funo custo, o valor de no apresentou efeito
significativo na resposta do controlador. Adotou-se um fator de penalizao igual a 50.
Neste trabalho o horizonte de controle foi inicialmente fixado em N u = 1 , e
apenas no caso de no haver uma resposta dinmica do controlador satisfatria, este
parmetro seria alterado.
O horizonte de predio foi outra varivel estudada. Como a rede utilizada foi
completamente recursiva, o horizonte de predio deve ser previamente definido, pois
esse um dos parmetros necessrios para o treinamento da rede neural, uma vez que a
mesma passa por um treinamento recurssivo.

Utilizou-se, na fase de treinamento,

109
horizontes de predio iguais a 5, 10, 15 e 20. Desta forma, os pesos a serem utilizados
nos testes dos controladores so escolhidos entre estes conjuntos. Para horizontes de
predio menor ou igual a 5 utilizou-se os pesos obtidos no treinamento com horizonte de
predio igual a 5. Para horizontes de predio entre 5 e 10 empregou-se os pesos obtidos
no treinamento com horizonte de predio igual a 10 e assim sucessivamente. Os testes
realizados para diferentes horizontes de predio so apresentados na Figura 6-25 e
Figura 6-26.

Figura 6-25 - Desempenho do controlador preditivo com horizonte de controle igual a 1 e diferentes
horizontes de predio.

Uma anlise qualitativa das Figura 6-25 e Figura 6-26 indica uma melhor
performance do controlador com horizonte de predio igual 18, apesar do acentuado
kickback apresentado, quando o controlador est conduzindo o processo para o set point

de 400C. O problema do kickback ser discutido posteriormente.

110

Figura 6-26 - Esforo do controlador preditivo para horizonte de controle igual a 1 e diferentes
horizontes de predio.

Em relao ao valor de , o qual ir definir a trajetria de referncia, existem


diversas propostas na literatura especializada, onde apresentado como uma funo do
tamanho do degrau provocado no set point, algumas vezes funo da constante de tempo
dominante do processo, ou ainda, uma funo especfica do tempo. Neste trabalho optouse por trabalhar com dois valores para . Um valor inicial igual a 0.90, quando o
processo encontra-se ainda bem afastado do set point e um outro valor, mais conservativo,
igual a 0.94 quando a temperatura do processo se aproxima do valor desejado. O objetivo
do acrscimo no valor de permitir uma aproximao mais suave, quando o processo
encontra-se prximo ao set point, reduzindo assim o overshoot. Os valores aplicados para

forneceram uma trajetria de referncia aceitvel para o processo de pirlise.


Aps terem sido definidos os valores dos parmetros do controlador preditivo
realizaram-se testes, ainda com o reator vazio, para observar o comportamento dinmico

111
destes controlador.

A Figura 6-27 e Figura 6-28 apresentam um dos resultados,

mostrando claramente um indesejvel offset no processo.


Pode-se concluir que o controlador preditivo com redes neurais como modelo para
o processo apresenta offset. Conforme foi visto no Captulo 3, a rede neural dinmica,
apesar de representar de forma adequada o comportamento dinmico do sistema, tem
dificuldades na representao do estado estacionrio. Esta caracterstica que impe ao
controlador um desvio permante em relao ao set point. A insero de uma ao integral
para eliminar o offset no obteve sucesso, pois medida em esta ao conduzia o
processo ao valor do set point, a rede neural deslocava o processo do valor desejado.
Desta forma, o resultado obtido foi um sistema com oscilao imposta por estas duas
aes conflitantes. Alguns trabalhos na literatura sugerem o desligamento progressivo
do controlador baseado em redes neurais em situaes semelhantes a esta (CHEN e
NARENDRA, 2001).
A comprovao de que o problema do offset devido dificuldade da rede neural
em predizer o comportamento do estado estacionrio do processo verificada na Figura
6-27 e Figura 6-28. Uma rede neural foi treinada on-line sendo utilizado como padro um
conjunto de dados do processo quando o controlador tentava mante-lo em 350C. A
alterao dos pesos fez com que o controlador conduzisse a temperatura do reator a 350C
(valor especificado para o set point).
Apesar do sucesso na eliminao do offset, o controlador apresentou um
comportamento oscilatrio e para que o controlador preditivo e adaptativo tivesse um
desempenho mais favorvel uma anlise de sensibilidade paramtrica foi imprescindvel.
Esta anlise e o ajuste do controlador preditivo e adaptativo auto-ajustvel assunto do
prximo tpico.

112

Figura 6-27 - Eliminao do offset mediante alterao dos pesos da rede neural atravs do treinamento
on-line.

Figura 6-28- Aes do controlador submetido a trocas dos pesos para eliminao do offset.

113

6.4 Ajuste do Controlador Preditivo e do Controlador


Preditivo Adaptativo
Como pde ser visto na seo anterior, uma adaptao on-line dos pesos da rede
neural, utilizando como padro de treinamento dados do processo prximos ao set point,
conseguiu eliminar o offset, apesar de trazer alguma instabilidade para o processo.
Frente a este panorama foi proposta um algoritmo de controle preditivo
adaptativo, onde os pesos da rede neural so treinados on-line e o padro de treinamento
um conjunto dos ltimos dados do processo. O nmero de elementos do padro um
valor pr-fixado pelo tamanho da janela mvel.
O tamanho da janela mvel um fator importante para o desempenho do
controlador preditivo adaptativo. Com poucos dados disponveis para o treinamento, a
rede neural no consegue prever o comportamento futuro da sada do processo,
comprometendo o algoritmo de controle. Valores muito grandes tendem a fazer com que
a rede neural continue a captar valores passados do processo, prejudicando a performance
do controlador frente a distrbios. Alm disto, o nmero de pocas de treinamentos deve
ser reduzido de forma a implementa-lo dentro do intervalo de amostragem. A Figura 6-29
e Figura 6-30 ilustram a anlise deste comportamento.
Como no possvel fazer apenas uma anlise qualitativa para os resultados
obtidos, principalmente para janelas mveis com tamanhos 35 e 30, o ITAE ser usado
para quantificar a performance do controlador nos testes realizados. Os resultados so
apresentados na Tabela 6-8.
Observa-se uma pequena variao nos valores obtidos para o critrio de
desempenho adotado (ITAE).

Os valores relativos apresentados esto baseados nos

valores obtidos para uma janela mvel com tamanho igual a 35. O pssimo desempenho
do controlador que utiliza um padro para treinamento on-line composto por 50 pontos

114
deve-se sobretudo, ao elevado tempo necessrio para iniciar o treinamento da rede. Isto
porque, para iniciar o treinamento deve-se esperar que ao menos um nmero de pontos
iguais ao tamanho da janela tenha sido armazenado.

Figura 6-29 - Influncia do tamanho da janela mvel no desempenho do controlador preditivo com
horizonte de controle igual a 1 e de predio igual a 18.

Tabela 6-8 - Anlise comparativa dos critrios de desempenho (ITAE) do controlador preditivo com
diferentes tamanhos de janelas mveis.

Tamanho da Janela Mvel


Set Point (C)

50

45

40

35

30

250

1.70

0.97

1.04

1.00

1.05

400

1.86

1.30

1.03

1.00

0.65

Com uma variao no tamanho da janela de 45 at 30 no se observa variaes


significativas nos valores do critrio de desempenho, ao menos para o caso do controlador

115
estar conduzindo o processo at 250C.

Observa-se uma performance ligeiramente

superior para um tamanho de janela igual a 45. Uma anlise qualitativa do esforo do
controlador indica, entretanto, que o controlador com janela igual a 30 apresenta uma
indesejvel oscilao. Ao adotar um nmero menor de pontos para o treinamento, o
controlador torna-se mais instvel devido maior variabilidade dos pesos. Pode-se notar
que mesmo quando analisando a tarefa do controlador de conduzir o processo at 400C,
o esforo do controlador com tamanho de janela igual a 30 maior, apresentando uma
maior oscilao. Isto entretanto, no contabilizado no critrio de desempenho ITAE e o
seu ndice de desempenho significativamente menor. Uma quantificao do esforo do
controlador efetuado atravs do clculo do somatrio do quadrado da sua variao indica
que o controlador com janela igual a 30 apresenta um esforo de cerca de 20% maior do
que o controlador com tamanhos de janela 35 e 40 (desempenho muito prximos em
todos os critrios).

Figura 6-30 - Influncia do tamanho da janela mvel no esforo do controlador preditivo com horizonte
de controle igual a 1 e horizonte de predio igual a 18.

116
Com base nos resultados apresentados at ento, foi adotado um controlador
preditivo e adaptativo auto-ajustvel com os seguintes parmetros: = 50 , = 0 N u = 1 ,
N 2 = 18 , = 0.90 e tamanho da janela igual a 35. Apesar dos desempenhos dos

controladores com tamanhos de janela iguais a 35 e 40 terem sido muito semelhantes,


adotou-se o controlador com janela igual a 35 com a inteno de obter um melhor
desempenho frente a distrbios do processo, uma vez que com um menor padro de
treinamento o modelo pode ser adaptado mais rapidamente dinmica do sistema,
enquanto padres maiores carregam consigo um maior histrico do processo, dificultando
a adaptao a distrbios.
Um problema observado nos resultados apresentados um kickback, quando o
processo aproxima-se de 400C. Suspeitou-se que este problema era oriundo do esquema
de adaptao. Ao iniciar um teste do controlador, o algoritmo de adaptao s entrava em
operao quando passava um perodo de tempo igual a 1.25 vezes o tamanho da janela
mvel. A idia era que houvesse um nmero suficiente de dados aramazenados para
preencher o padro de treinamento. Adotou-se um tempo ligeiramente maior para que
fossem descartados os dados iniciais, quando o processo ainda no respondeu s aes de
controle, devido ao seu elevado retardo dinmico.

A partir da duas opes se

descortinam: continuar, indefinidamente com o processo de adaptao, ou parar de


adaptar quando uma nova perturbao induzida no set point. O kickback ocorria quando
se esolhia a primeira opo. As Figuras apresentam uma comparao da performance do
controlador com estas duas estratgias de adaptao. Nota-se que parando de adaptar o
modelo quando o set point alterado, e s retomando a adaptao quando for transcorrido
um tempo igual a 1.25 vezes o tamanho da janela mvel, o problema do kickback
eliminado.

117

Figura 6-31- Efeito do esquema de adaptao na eliminao do kickback. Controladores preditivos e


adaptativos com horizonte de predio igual a 45 e horizonte de controle igual a 1.

Figura 6-32 - Esforo do controlador com diferentes esquemas de adaptao, na tentativa de elimnar o
kickback.

118

6.5 Comparao dos Algoritmos de Controle


Esta seo mostra o desempenho dos algoritmos de controle do tipo
retroalimentao, projetado na seo 6.2, e do algoritmo de controle preditivo adaptativo
apresentado na seo 6.4. Os resultados aqui apresentados referem-se ao controlador
conduzindo a temperatura de reao de pirlse de borra de tinta para os set points de
250C e em seguida para 400C. Durante este processo a reao de pirlise vai ocorrendo
e gases so produzidos no reator, elevando a sua presso.

Diversos pulsos foram

submetidos ao processo, abrindo-se-se a vlvula de sada do reator para aliviar a presso


do mesmo. Este procedimento acarretou um distrbio no medido no processo, que a
sada de produtos, acarretando uma diminuio da temperatura. O efeito deste distrbio
vai depender da temperatura reacional no momento da perturbao e da composio dos
gases presentes, uma vez que a quantidade de energia perdida ser funo da capacidade
calorfica da mistura (dependente da composio da mistura), da temperatura de reao e
da quantidade de gs que efetivamente deixa o reator.
A Figura 6-33 apresenta um caso tpico dos distrbios que assolam o processo
durante a reao de pirlise de borra de tinta.
O algoritmo de controle preditivo adaptativo discutido nesta seo foi avaliado e
teve sua performance comparada com um controlador do tipo retroalimentao, durante
uma reao de pirlise da borra de tinta. A Figura 6-34 e 6-35 apresentam estes
resultados.
Nota-se claramente um desempenho superior do controlador preditivo adaptativo
na primeira etapa do processo. Ambos os controladores conseguem eliminar os distrbios
nesta etapa, porm o controlador preditivo e adaptativo tem uma resposta muito mais
rpida ao levar a temperatura do reator at o set point. Nenhum dos controladores
apresentou offset e os overshoots foram desprezveis.

119

Figura 6-33 - Evoluo da presso sujeita a pulsos ao longo da reao de pirlise de borra de tinta.

Na segunda etapa, o set point foi alterado de 250C para 400C. Apesar de
apresentar um maior overshoot (overshoot de apenas 1%), o controlador preditivo
apresentou mais uma vez um desempenho superior ao controlador do tipo
retroalimentao. Como nesta etapa a reao ocorre de forma mais intensa, a produo de
gs incrementada e os distrbios ocorrem com maior freqncia e intensidade. O
controlador do tipo retroalimentao apresenta dificuldades para conduzir a temperatura
at o valor do set point, problema no repetido no controlador preditivo e adaptativo.
Analisando o comportamento da ao de controle, nota-se uma resposta mais
nervosa do controlador preditivo. Estas aes entretanto, devem-se fundamentalmente
tentativa do controlador em eliminar os distrbios que assolam o processo.

120

Figura 6-34 - Comparao dos algoritmos de controle durante uma reao de pirlise de borra de tinta
sujeita a pulsos na presso.

Figura 6-35 - Esforo dos controladores durante uma reao de pirlise de borra de tinta sujeita a pulsos
na presso.

121
A quantiticao da performance dos controladores foi baseada no mtodo ITAE e
seus resultados so apresentados na Tabela 6-9.
Tabela 6-9 - Indices de performance ITAE relativos entre os controladores preditivo e adaptativo e PI no
controle da temperatura de um reator de pirlise.

250C

400C

Controlador Preditivo Adaptativo

1.00

1.00

Controlador do Tipo Retroalimentao

4.90

1.70

Set Point

Em vista do que foi apresentado neste captulo, o algoritmo de controle preditivo


adaptativo apresentou um comporatamento muito superior ao do controlador clssico do
tipo retroalimentao, no controle da temperatura de um reator de pirlise operando em
regime semibatelada. O captulo 8 traz as principais concluses sobre os resultados
apresentados neste captulo, alm de sugestes para estudos futuros.

Captulo 7
7 Concluses

sse captulo aponta as principais concluses obtidas a partir do


trabalho apresentado nesta obra.

Foi desenvolvido um algoritmo de

controle preditivo adaptativo com o objetivo de controlar a temperatura de um reator de


pirlise operando em regime semibatelada. O controlador comportou-se de forma estvel
e sem offset, conseguindo conduzir a temperatura de reao aos valores estabelecidos pelo
set point, alm de compensar os fortes distrbios a que o processo foi submetido, quando

a vlvula de sada do reator era aberta, com o intuito de diminuir a presso formada pelos
gases produzidos pela reao.
O controlador preditivo adaptativo proposto, quando comparado ao controlador
clssico do tipo retroalimentao, apresentou um desempenho superior. Ao conduzir a
temperatura do reator ao valor do set point, conseguiu reduzir significativamente o tempo
de processamento. Para manter o processo, durante 10 minutos, no valor estabelecido
pelo set point, valor sugerido por Costa-Muniz (Costa-Muniz, 2004), o tempo de batelada
para o controlador do tipo retroalimentao foi de 290 minutos (160 minutos para atingir
e manter-se em 250C e 130 minutos para estabilizar e permanecer por 10 minutos em
400C), enquanto o controlador preditivo e adaptativo proposto necessitou de apenas 140
minutos (sendo 60 minutos para o primeiro patamar e 80 minutos para o segundo). Esta

123
reduo superior a 50% no tempo de processamento, ao optar pelo controlador preditivo e
adaptativo, um forte indicativo do ganho obtido por esse controlador.
Alm do ganho no tempo de processamento do resduo, essa conduo mais
rpida ao valor estabelecido para o processamento garante um melhor controle sobre a
qualidade do produto obtido, a qual sofre grande influncia do tempo e da temperatura
de operao do reator (Anexos A3, A4, A5 e A6).
A rede neural recursiva utilizada como modelo do processo, apesar de representar
de forma satisfatria o comportamento dinmico do processo, apresenta dificuldades na
representao do estado estacionrio. De fato, os dados obtidos para o treinamento
representam o comportamento dinmico do processo e no o estado estacionrio. Como a
rede aprende sobre o processo a partir do padro de treinamento, este desempenho
justificvel. Como o desempenho dos controladores MPC est intrinsecamente ligado
qualidade do modelo usado para representar o processo, essa dificuldade de representao
do estado estacionrio faz com que o controlador preditivo baseado em redes neurais
apresente offsets. Uma estratgia de adaptao on-line, quando o processo est operando
prximo ao ponto de estabilizao garante a eliminao do offset.
A estratgia adaptativa empregada neste trabalho era baseada na tcnica da janela
mvel, a qual reduz o tamanho do padro de treinamento, permitindo um treinamento da
rede on-line. O mtodo de otimizao empregado para o treinamento da rede foi o
mtodo do gradiente, o qual forneceu, em conjunto com a tcnica da janela mvel, uma
adaptao robusta. Deve-se ressaltar que esse procedimento foi implementado em um
computador Pentium II 300 MHz, evidenciando que para a implementao de estratgias
de controle digitais no necessrio o uso de computadores com grande capacidade de
processamento.

124
O tamanho do padro gerado para o treinamento on-line afeta o desempenho do
controlador. O nmero de parmetros a serem determinados para modelo 26 (20 pesos e
6 bias). Assim, um nmero reduzido de pontos no padro de treinamento no garante
fidedignidade rede, prejudicando a robustez do controlador. Um nmero muito grande
de pontos no padro de treinamento aumentar o tempo de treinamento, obtendo-se assim
valores longe do timo para os pesos da rede. Alm disto, este padro carrega consigo
um histrico muito grande do processo, dificultando a adaptao do modelo a distrbios
no medidos. Neste trabalho, um tamanho de janela mvel igual a 35 foi adotado.
A estratgia de adaptao tambm tem papel decisivo no desempenho do
controlador. A questo aqui saber quando o modelo deve sofrer uma adaptao. Um
nmero de pontos, ao menos igual ao tamanho da janela mvel foi adotado como critrio
para iniciar a adaptao. Assim um treinamento offline deve ser efetuado de forma a
fornecer pesos iniciais para a rede, antes da adaptao.

Entretanto, ao se produzir

perturbaes no set point, a rede adaptativa comea a fazer predies para pontos onde ela
no tem informaes, realizando clculos de extrapolao no recomendados. Portanto,
neste trabalho, foi implementada no algoritmo uma condio de que ao ocorrer uma
perturbao no set point o modelo para de sofrer adaptaes por um perodo, pelo menos
igual ao da janela mvel, e os pesos retornam aos valores iniciais, obtidos no treinamento
offline.

Alguns aspectos merecem uma anlise futura. Por exemplo, recomenda-se uma
anlise comparativa da performance do controlador proposto com um controlador
preditivo com um modelo semi-emprico.

Um balano de massa e energia com

parmetros agrupados poderia ser proposto. A cintica da reao de pirlise, fonte de


controvrsias na literatura especializada e de complexa estimativa, poderia ser descrita
atravs de redes neurais. Desta forma, poderia ser adicionada uma ao feedforward para

125
o controlador, pois o distrbio mais significativo (liberao parcial dos produtos de
pirlise para aliviar a presso do reator) poderia ser inferido atravs da queda de presso e
temperatura do reator.
O processo de pirlise operado em regime semibatelada poderia ser visto como
um problema de controle multivarivel, atravs do controle da presso e da temperatura
do reator. Esse um outro estudo que deve ser conduzido em trabalhos futuros.
Sugere-se a aplicao da estratgia de controle proposta em outros processos
operados em batelada ou semibatelada, com modelos de difcil identificao e que sofrem
alteraes na sua dinmica ao longo do tempo, como o caso dos bioprocessos.

Captulo 8
8 Bibliografia
ARENA, U., MASTELLONE, M.L. The Phenomenology of Bed Defluidization During
the Pyrolysis of Food-Packing Plastic Waste, Powder Technology, v. 120, p. 127
133, 2001.
ASTRM, K.J. Theory and Applications of Adaptive Control A Survey, Automatica,
v.19, n. 5, p. 471 486, 1983.
BADGWELL, T.A. Robust Model Predictive Control of Stable Linear Systems,
International Journal of Control, v. 68, p. 797 818, 1997.

BALLICE, L., YKSEL, M., SAGLAM, M., REIMERT, R., SCHULZ, H.


Classification of Volatile Products Evolved During Temperature-Programmed CoPyrolysis of Turkish Oil Shales with Low Density Polyethylene, Fuel, v. 77, n. 3, p.
1431 1441, 1998.
BELTRAN, N.D.R., JACKSON, H. Application of Neural Networks to Chemical
Process Control, Computers & Chemical Engineering, v. 37, p. 387 390, 1999.
BOCKHORN, H.; HORNUNG, A.; HORNUNG, U., JAKOBSTRER, P. Modelling
of Isothermal and Dynamic Pyrolysis of Plastics Considering Non-Homogeneous
Temperature Distribution and Detailed Degradation Mechanism, Journal of
Analytical and Applied Pyrolysis, v. 49, p. 53 74, 1999.

BOLZAN, A. Ajuste e Implementao de um Controlador Adaptativo para um Reator


Semi-Batelada, Tese de Doutorado, COPPE, Universidade Federal do Rio de Janeiro
UFRJ, Rio de Janeiro, 1991.

127
BRDYS, M.A.; KULAWSKI, G.J., QUEVEDO, J. - Recurrent Networks for Nonlinear
Adaptive Control, IEE Proceedings-Control Theory and Applications, v. 145, N
2, p. 177 - 188, 1998.
VAN BREUSEGEM, V., THIBAULT, J., CHRUY, A. Adaptive Neural Models for
On-Line Prediction in Fermentation, The Canadian Journal of Chemical
Engineering, v. 69, p. 481 487, 1991.

CAMACHO, E.F., BORDONS, C. Model Predictive Control in the Process Industry,


London: Springer, 1995
CANCELIER, A. Controle Preditivo de Reatores Semi-Batelada, Dissertao de
mestrado, Departamento de Engenharia Qumica, Universidade Federal de Santa
Catarina UFSC, Florianpolis, 1998.
CHEN, L., NARENDRA, K.S. Nonlinear Adaptive Control Using Neural Networks and
Multiple Models, Automatica, v.37, p. 1245 1255, 2001.
COOPER, D., BIESZCZAD, J. Picles 4.0 and the Case of the Jackted CSTR, CACHE
News, fall, p. 24 31, 1994.

COSTA-MUNIZ, A.R. Otimizao da Operao de um Reator de Pirlise de


Resduos Slidos Industriais, Tese de Doutorado, Departamento de Engenharia

Qumica, Universidade Federal de Santa Catarina UFSC, Florianpolis, 2004.


CUTLER, C.R., RAMAKER, B.L. - Dynamic Matrix Control a Computer Control
Algorithm, AICHE National Meeting, Houston, TX, 1979.
DAZ, G.; SEN, M.; YANG, K.T., McCLAIN, R.L. Adaptive Neurocontrol of Heat
Exchangers, Journal of Heat Transfer, v. 123, june, p. 556 562, 2001.
DI BLASI, C. Modeling Intra-and Extra-Particle Processes of Wood Fast Pyrolysis,
AIChE Journal, v. 48, n. 10, p. 2386 2397, 2002.

DIRION, J.-L., CABASSUD, M., LE LANN, M.V., CASAMATTA, G. Development


of Adaptive Neural Networks for Flexible Control of Batch Processes, The Chemical
Engineering Journal, v. 63, p. 65 77, 1996.

128
DOMINGUEZ, A., BLANCO, C.G., BARRIOCANAL, C., ALVAREZ, R., DIEZ, M.A.
Gas Chromatographic Study of the Volatile Products from Co-Pyrolysis of Coal and
Polyethylene Wastes, Journal of Chromatography, v. 918, p. 135 144, 2001.
DOUGHERTY, D., COOPER, D. A Practical Multiple Model Adaptive Strategy for
Single-Loop MPC, Control Engineering Practice, 11, p. 141 159, 2003.
EDGAR, T.F., HIMMELBLAU, D.M. - Optimization of Chemical Process, International
Edition., 1989.
EDULJEE, G., CAINS, P. Control of Dioxin Emissions from Waste Combustors,
Filtration & Separation, july/august, p. 599 603, 1997.

ENDER, L., MACIEL FILHO, R. Design of Multivariable Controller Based on Neural


Networks, Computers & Chemical Engineering, v. 24, p. 937 943, 2000.
ENDER, L., MACIEL FILHO, R. - An Innovative Nonlinear Adaptive Control
Algorithm: Application to a Fermentation Process, Proceedings of Enpromer, v. I, p.
283 - 288, 2001.
ERDMAN, A.J.R., JOHNSON, J. Low Temperature-Thermal Stripping and Volume
Reduction of Waste Sludges with a Hollow Screw Indirect Heat Exchange Processor,
Pollution Engineering, v. 21, N 3, 1989.

FIGUEREDO, M.E. Reciclagem de Plsticos Termofixos Base de Resina Polister


Reforado com Fibra de Vidro, Anais do I Congresso Brasileiro de Polmeros, So
Paulo (SP): Universidade de So Carlos, p. 460 - 464, 1991.
FILETI, A.M.F., PEREIRA, J.A.F.R. - Adaptive and Predictive Control Strategies for
Batch Distillation: Development and Experimental Testing, Computers & Chemical
Engineering, v. 21, Suppl., S1227 - S1231, 1997.

FOLLY, R.; BERLIM, R.; SALGADO, A.; FRANA, R., VALDMAN, B. Adaptive
Control of Feed Load Changes in Alcohol Fermentation, Brazilian Journal of
Chemical Engineering, v. 14, N 04, p. 375 - 381, 1997.

129
GARCA, C.E., MORSHEDI, A.M. Quadratic Programming Solution of Dynamic
Matrix Control (QDMC), Chemical Engineering Communications, v. 46, p. 73
87, 1986.
HUSSAIN, M.A. - Review of the Applications of Neural Networks in Chemical Process
Control Simulation and Online Implementation, Artificial Intelligence in
Engineering, v. 13, p. 55 - 68, 1999.

ISLAM, M.N., ANI, F.N. Techno-Economics of Rice Husk Pyrolysis, Conversiont with
Catalytic Treatment to Produce Liquid Fuel, Bioresource Technology, v. 73, p. 67
75, 2000.
ISLAM, M.N., ZAILANI, R., ANI, F.N. Pyrolytic Oil from Fluidised Bed Pyrolysis of
Oil Palm Shell and Its Characterisation, Reneewable Energy, v. 73, n. 84, p. 73 84,
1999.
JANSE, A.M.C., WESTERHOUT, R.W.J., PRINS,W. Modelling of Flash Pyrolysis of
a Single Wood Particle, Chemical Engineering and Processing, v.39, p. 67 75,
2000.
KAILATH, T. Linear Systems. Englewood Cliffs, New Jersey: Prentice-Hall, 1980.
KALMAN, R.E. A New Approach to Linear Filtering and Predictions Problems,
Transactions of ASME, Journal of Basic Engineering, v.87, p. 35 45, 1960.

KAMINSKI, W. Recycling of Polymeric Materials by Pyrolysis, Macromol. Chem.,


Macrom. Symposium, p. 48 49, 1991.
KANELLAKOPOULOS, I., KOKOTOVIC, P.V., MARINO, R. An Extended Direct
Scheme for Robust Adaptive Nonlinear Control, Automatica, v. 27, N 2, p. 247
255, 1991.
KIM, B.R.; KALIS, E.M.; SALMEEN, I.T.; KRUGE, C.W.; DEMIR, I.; CARLSON,
S.L., ROSTAM ABADI, M. Evaluating Paint Sludges Chars for Adsorption of
Selected Paint Solvents, Journal of Environmental Engineering, v. 122, N 6, 532
539, 1996.

130
KIM, S.S., KIM, S.H. Pyrolysis Kinetics of Waste Automobile Lubricating Oil, Fuel, v.
79, p. 1943 1949, 2000.
KIM, B.R., PODSIADLIK, D.H.; YEH, D.H.; SALMEEN, I.T., BRIGGS, L.M.
Evaluating Conversion of na Automotive Paint Spray Booth Scrubber to na Activated
Sludge System for Removing Paint Volatile Organic Compound from Air. Water
Environment Research, 69 (7), 1211 1221, 1997.

KWONG, W.H. An Improved Simplified Model Predictive Control Algorithm and its
Application to a Continuous Fermenter, Brazilian Journal of Chemical
Engineering, v. 17, n. 2, 2000.

LANOUETTE, R.; THIBAULT, J., VALADE, J.L. Process Modeling with Neural
Networks Using Small Experimental Datasets, Computers & Chemical
Engineering, v 23, p. 1167 1176, 1999.

LEE, M., PARK, S. - A New Scheme Combining Neural Feedforward Control with
Model - Predictive Control. AIChE Jorunal, v. 38 N 2, p. 193 - 200, 1992.
LIMA, L.M.Q. Lixo Tratamento e Biorremediao. So Paulo (SP): Hemus
Editora Ltda., 1991.
LIMA, M.R.S. Projeto e Montagem de um Aparato Experimental para Pirlise,
Trabalho apresentado como parte dos requisitos para a obteno da aprovao na
disciplina de Estgio Supervisionado em Engenharia Qumica da Universidade de
Caxias do Sul. Caxias do Sul (RS): Universidade de Caxias do Sul, 1998.
LIN, K.S., WANG, H.P., LIU, S.H., CHANG, N.B., HUANG, Y.J., WANG, H.C.
Pyrolysis Kinectics of Refuse-Derived Fuel, Fuel Processing technology, v.60, p.
103 110, 1999.
LOPEZ, A.M., MURRIL, P.W., SMITH, C.L. Controller Tuning Reltionships Based on
Integral Performance Criteria, Instrumentation Technology, v. 14 p 57, 1976.
LOVETT, S.; BERRUTI, F., BEHIE, L.A. Ultrapyrolytic Upgrading of Plastics Wastes
and Plastics/Heavy Oil Mixtures to Valuable Light Gas Products, Ind. Eng. Chem.,
p.4436 4444, 1997.

131
MACHADO, R.A.F. Otimizao e Controle de Reatores de Polimerizao em Batelada,
Tese de Mestrado, Departamento de Engenharia Qumica, Universidade Federal de
Santa Catarina UFSC, Florianpolis, 1996.
MASTELLONE, M.L., ARENA, U. Fluidized-Bed Pyrolysis of Polyolefins Wastes:
Predictive Defluidization Model, AIChE Journal, v. 48, n. 7, p. 1439 1447, 2002.
MAZZUCCO, M.M. Implementao de um Controlador Preditivo Baseado em um
Modelo Neural Associado a um Sistema Especialista, Disertao de Mestrado,
Departamento de Engenharia Qumica, Universidade Federal de Santa Catarina
UFSC, Florianpolis, 1996.
MINGZHONG, L., FULI, W. - Adaptive Control of Black - Box Nonlinear Systems
Using Recurrent Neural Networks, Proceedings of 36th Conference on Decision &
Control, San Diego, California-EUA, dezembro de 1997.

MITCHELL, D.B., SCHWEERS, M.E. Waste Reduction Using Organic Polymers,


Pollution Engineering, v.21, N 3, 1989.

MORARI, M., LEE, J.H. - Model Predictive Control: Past, Present and Future,
Computers and Chemical Engineering, v. 23, p. 667 - 682, 1999.

MORARI, M., ZAFIRIOU, E. Robust Process Control. Englewood Cliffs, New


Jewrsey: Prentice-Hall, 1989.
MORRISON, R., BOYD, R. Qumica Orgnica. Lisboa: Fundao Calouste
Gulbenkian, 1993.
MOUSQUS, P.; DIRION, J.L., GROUSET, D. Modeling of Solid Particles Pyrolysis,
Journal of Analytical and Applied Pyrolysis, v. 58-59, p. 733 745, 2001.

MUNIZ, L.A.R.; COSTA, A.R.; STEFFANI, E.; PALOSCHI, R., ZATTERA, A.J.
Aproveitamento de Resduos de EVA atravs de Pirlise. XXVII Congresso
Brasileiro de Sistemas Particulados, Campos do Jordo SP, 1999.

MUNIZ, L.A.R., COSTA, A.R., ESTEFFANI, E., ZATTERA, A., HOFSETZ, K.,
BOSSARDI, K., VALENTINI, L. A Study of Paint Sludge Deactivation by

132
Pyrolysis Reaction, Brazilian Journal of Chemical Engineering, v. 20, n. 01, p. 63
68, 2003.
NAHAS, E.P.; HENSON, M.A., SEBORG, D.E. Nonlinear Internal Model Control
Strategy for Neural Network Models, Computers & Chemical Engineering, v. 16,
N 12, p. 1039 - 1057, 1992.
NAKOUZI, S. ET AL. Novel Approach to Paint Sludge Recycling: Reclaiming of Paint
Sludge Components as Ceramic Composites and their Applications in Reinforcement
of Metals and Polymers, Journal of Materials Research, v. 13, N 1, 53 60, 1998.
NARENDRA, K.S., PARTHASARATHY, K. Identification and Control of Dynamical
Systems Using Neural Networks, IEEE Transactions on Neural Networks, v. 1, N
1, p. 4 27, 1990.
NOVICKI, R.E.M. ET AL. Retortagem de Pneus pelo Processo PETROSIX, Petrleo
Brasileiro S.A., 2000.

PEREIRA, C.; HENRIQUES, J., DOURADO, A. - Adaptive RBFNN versus


Conventional Self - Tuning: Comparison of Two Parametric Model Approaches for
Non - Linear Control, Control Engineering Practice, v. 8, p. 3 - 12, 2000.
PICHE, S., SAYYAR-RODSARI, B., JOHNSON, D., GERULES, M. Nonlinear Model
Predictive Control Using Neural Networks, IEEE Control Systems Magazine, p. 53
62, 2000.
PIOVOSO, M.; KOSANOVICH, K.; ROKHLENKO, V., GUEZ, A. - A Comparison of
Three Nonlinear Controller Designs Applied to a Nonadiabatic First Order
Exothermic Reaction in a CSTR, Proceedings of American Control Conference, p.
490 - 494, june, Chicago-IL, 1992
PRETT, D.M., GARCA, C.E., Fundamental Process Control, Boston: Butterworths,
1988.
QIN, S.J., BADGWELL, T.A. A Survey of Industrial Model Predictive Control
Technology, Control Engineering Practice, v 11, p. 733 764, 2003.

133
RICHALET, J.; RAULT, A.; TESTUD, J.L., PAPON, J. - Model Predictive Heuristic
Control: Applications to Industrial Processes, Automatica, v. 14, p. 413 - 428, 1978.
RITA, D.J. Controle de Processos Usando Redes Neurais Artificiais: Uma Aplicao
Experimental, Dissertao de mestrado, Departamento de Engenharia Qumica,
Universidade Federal de Santa Catarina UFSC, Florianpolis, 1995.
RIVALS, I., PERSONNAZ, L. Nonlinear Internal Model Control Using Neural
Networks: Application to Processes with Delay and Design Issues, IEEE
Transactions on Neural Networks, v. 11, N 1, p. 80 90, 2000.

RODRIGUES, M.A., ODLOAK, D. Including Model Uncertainty in the Model


Predictive Control with Output Feedback, Brazilian Journal of Chemical
Engineering, v. 19, n. 4, p. 475 482, 2002.

ROVITHAKIS, G.A., CHRISTODOULOU, M.A. Adaptive Control of Unknown


Plants Using Dynamical Neural Networks, IEE Transactions on Systems, Man, and
Cybernetics, v. 24, n. 3, 1994.

SARKAR, D., MODAK, J.M. ANNSA: a Hybrid Artificial Neural Network/Simuleted


Annealing Algorithm for Optimal Control Problems, Chemical Engineering Science,
v. 58, N 14, p. 3131-3142, 2003.
SEBASTIAN, M., DOBOSZ, J.R. Thermoanalytical Investigation of Some Industrial
Wastes Produced in Steel Works, Journal of Thermal Analysis, v. 33, N 2, 1988.
SEBORG, D., EDGAR, T.F., DUNCAN, A.M. Process Dynamics and Control, New
York: John Wiley & Sons, 1989.
SILVA, R.G.; ANASTCIO, C.S., KWONG, W.H. - Model Predictive Control
Algorithms and their Application to a Continuous Fermenter, Brazilian Journal of
Chemical Engineering, v. 16, p. 155 - 161, 1999.

SMITH, C.A., CORRIPIO, A.B. Principle and Practice of Automatic Process Control,
Second Edition, New York: John Wiley & Sons, 1997.

134
TURNER, P.; MONTAGUE, G., MORRIS, J. - Dynamic Neural Networks in Non Linear Predictive Control (an Industrial Application), Computers & Chemical
Engineering, v. 20, suppl., S937 - S942, 1996.

YOUSSEF, C.B., GUILLOU, V., OLMOS-DICHARA, A. Modelling and Adaptive


Control Strategy in a Lactic Fermentation Process, Control Engineering Practice, 8,
p. 1297 1307, 2000.
WILLIS, M.J.; MASSIMI, C.DI; MONTAGUE, G.A.; THAM, M.T., MORRIS, A.J. Artificial Neural Networks in Process Engineering, IEE proceedings-D., 138 (3),
1991.
WURZENBERGER, J.C., WALLNER, S., RAUPENSTRAUCH, H., KHINAST, J.G.
Thermal Conversion of Biomass: Comprehensive Reactor and Particle Modeling,
AIChE Journal, v. 48, n. 10, p. 2398 2411, 2002.

ZHANG, T., GE, S.S., HANG, C.C. Design and Performance Analysis of a Direct
Adaptive Controller for a Nonlinear Systems, Automatica, 35, p. 1809 1817, 1999.
ZHAO, H., GUIVER, J.P., SENTONI, G.B. An Identification Approach to Nonlinear
State Space Model for Industrial Multivariable Model Predictive Control,
Proceedings of the 1998 American Control Conference, p 796 800, 1998.

Anexo A 1
9 Efeito da Massa de Resduo Sobre o
Calor Fornecido ao Reator de Pirlise
Potncia Permanente (W)

Massa de Resduo Alimentada

Temperatura Mdia (C)

(g)
444.24

500

506.64

800

723.68

455.18
452.82
643.07

672.48

500

551.23

662.26

800

550.67

865.56

500

638.22

927.32

800

362.12

454.67

975.40

700

648.11

662.43

600

568.03

638.99

Anexo A 2
Cdigo Computacional do Controlador
Preditivo Adaptativo
//Controle Preditivo Adaptativo
If ControleOtimo.Checked Then
Begin
//Inicializao da Trajetria da Varivel Controlada
Auxiliar

:= A_Normal*SP+B_Normal;

If SP <> StrToFloat(eSetPoint.Text) Then


Begin
Tempo := 0;
DeltaSP := StrToFloat(eSetPoint.Text) - SP;
End;
SP

:= StrToFloat(eSetPoint.Text);

Tamanho_Janela_Movel:= StrToInt(eTamanho_Janela_Movel.Text);
Alfa

:= StrToFloat(eHC.Text);

Horizonte_Predicao := StrToInt(eHP.Text);
Lambda
Beta

:= StrToFloat(eB.Text);
:= StrToFloat(eA.Text);

Tsetpoint := A_Normal*SP+B_Normal;
//
// Atualizao da Janela Mvel
//
For i := Ordem_Var_Medida to 2 Do
Begin
Janela[1,i] := Janela[1,i-1];
End;
If Ordem_Var_Manipulada > 1 Then

137
Begin
For i := Ordem_Var_Manipulada to 2 Do
Begin
Janela[2,i] := Janela[2,i-1];
End;
End;
Janela[1,1] := A_Normal*Entrada[1] + B_Normal;
Janela[2,1] := 0.12*OutVolts[1]+0.2;
If Tempo = 0 Then yref[2] := Janela[1,1];
Tempo := Tempo + 1;
Auxiliar := yref[1];
yref[1] := yref[2];
If Tempo < 30 Then
Begin
Alfa := 0.9;
yref[1] := Janela[1,1];
If Tempo > 2 Then
Begin
If Auxiliar > yref[1] Then yref[1] := yref[2];
End;
End;
For l := 2 to Horizonte_Predicao Do
Begin
yref[l] := Alfa*yref[l-1]+(1-Alfa)*Tsetpoint;
End;
yrefgraf := (yref[1]-B_Normal)/A_Normal;
Series11.Add(SP);
Series13.Add((Predicao[1]-B_Normal)/A_Normal);
Series12.Add((yref[2]-B_Normal)/A_Normal);

138
//Algoritmo Adaptativo
//Treinamento On Line da Rede Neural
//Atualizao do Padro de Treinamento
For i := 1 to Tamanho_Janela_Movel Do
Begin
VetorAdaptacao[i,2] := VetorAdaptacao[i,1];
VetorAdaptacao[i,1] := VetorAdaptacao[i,4];
VetorAdaptacao[i,4] := VetorAdaptacao[i+1,4];
VetorAdaptacao[i,3] := VetorAdaptacao[i+1,3];
End;
VetorAdaptacao[Tamanho_Janela_Movel,4] := Janela[1,1];
VetorAdaptacao[Tamanho_Janela_Movel,3] := Janela[2,1];
If rbAdaptacao.Checked Then
Begin
If Amostra > Trunc(1.5*Tamanho_Janela_Movel) Then
Begin
//Treinamento da Rede Neural
//
//Clculo da direo de busca
//
delta_peso := 0.001;
passo

:= 0.0001;

For epocas := 1 to 300 Do


Begin
//
//Clculo da Funo Objetivo
//
Objetivo_Anterior[1] := ObjetivoAdaptacao[1];
ObjetivoAdaptacao[1] := 0;
ObjetivoAdaptacao[2] := 0;
For i := 1 To Tamanho_Janela_Movel Do
Begin
//Inicio da Rede Neural
For j := 1 to Neuronios_Entrada do
Begin
At[j] := VetorAdaptacao[i,j];
End;
ObjetivoErro := 0;

139
For l := 1 to Horizonte_Predicao do
Begin
//
// Clculo da Sada dos Neurnios da Camada de Entrada}
//
If ( i + l < Tamanho_Janela_Movel) then
Begin
For j := 1 To Neuronios_Entrada Do
Begin
Ativacao[1,j] := At[j];
End;
// Clculo da Sada dos Neurnios da Camada Intermediria}
//
For j := 1 To Neuronios_Intermediario Do
Begin
soma_entrada := BiasAdaptacao[j];
For k := 1 To Neuronios_Entrada Do
Begin
soma_entrada := soma_entrada + Ativacao[1,k] * PesoAdaptacao[k,j];
End;
Ativacao[2,j] := 1 / (1 + exp(-soma_entrada));
End;
For j := 1 To Neuronios_Saida Do
Begin
soma_intermediaria := BiasAdaptacao[Neuronios_Intermediario+j];
For k := 1 To Neuronios_Intermediario Do
Begin
soma_intermediaria := soma_intermediaria + Ativacao[2,k] *
PesoAdaptacao[Neuronios_Entrada+j,k];
End;
//
//

Clculo do Neurnio de Sada

//
Ativacao[3,j] := 1 / (1 + exp(-soma_intermediaria));
End;
For k := Ordem_Var_Medida to 2 Do
Begin
At[k] := At[k-1];
End;
At[1] := Ativacao[3,1];
For k := Ordem_Var_Medida+1 to Neuronios_Entrada Do

140
Begin
At[k] := VetorAdaptacao [i+l,k];
End;
ObjetivoErro

:=

ObjetivoErro

(At[1]-VetorAdaptacao[i+l-

1,Neuronios_Entrada+1])*(At[1]-VetorAdaptacao[i+l1,Neuronios_Entrada+1]);
End;
End;
//
//Fim da Rede Neural
//
For j := 1 To Neuronios_Saida Do
Begin
ObjetivoAdaptacao [1] := ObjetivoAdaptacao[1] + ObjetivoErro;
End;
End;
If Objetivo_Anterior[1] < ObjetivoAdaptacao[1] then
Begin
passo := passo/1.2;
End;
For l := 1 to Neuronios_Entrada do
Begin
For m := 1 to Neuronios_Intermediario do
Begin
PesoAdaptacao[l,m]:=PesoAdaptacao[l,m] + delta_peso;
ObjetivoAdaptacao[2]:=0;
For i := 1 To Tamanho_Janela_Movel Do
Begin
//Clculo da Rede Neural
For j := 1 to Neuronios_Entrada do
Begin
At[j] := VetorAdaptacao[i,j];
End;
ObjetivoErro := 0;
For n := 1 to Horizonte_Predicao do
Begin
//
// Clculo da Sada dos Neurnios da Camada de Entrada}

141
//
If ( i + n < Tamanho_Janela_Movel) then
Begin
For j := 1 To Neuronios_Entrada Do
Begin
Ativacao[1,j] := At[j];
End;
//
// Clculo da Sada dos Neurnios da Camada Intermediria}
//
For j := 1 To Neuronios_Intermediario Do
Begin
soma_entrada := BiasAdaptacao[j];
For k := 1 To Neuronios_Entrada Do
Begin
soma_entrada := soma_entrada + Ativacao[1,k] * PesoAdaptacao[k,j];
End;
Ativacao[2,j] := 1 / (1 + exp(-soma_entrada));
End;
For j := 1 To Neuronios_Saida Do
Begin
soma_intermediaria := BiasAdaptacao[Neuronios_Intermediario+j];
For k := 1 To Neuronios_Intermediario Do
Begin
soma_intermediaria

:=

soma_intermediaria

Ativacao[2,k]

PesoAdaptacao[Neuronios_Entrada+j,k];
End;
//
//

Clculo do Neurnio de Sada

//
Ativacao[3,j] := 1 / (1 + exp(-soma_intermediaria));
End;
For k := Ordem_Var_Medida to 2 Do
Begin
At[k] := At[k-1];
End;
At[1] := Ativacao[3,1];
For k := Ordem_Var_Medida+1 to Neuronios_Entrada Do
Begin
At[k] := VetorAdaptacao [i+n,k];

142
End;
ObjetivoErro

:=

ObjetivoErro

(At[1]-VetorAdaptacao[i+n-

1,Neuronios_Entrada+1])*(At[1]-VetorAdaptacao[i+n1,Neuronios_Entrada+1]);
End;
End;
// Fim da Rede Neural
For j := 1 To Neuronios_Saida Do
Begin
ObjetivoAdaptacao [2] := ObjetivoAdaptacao[2] + ObjetivoErro;
End;
End;
PesoAdaptacao[l,m]:=PesoAdaptacao[l,m] - delta_peso;
derivada[1,l,m] := (ObjetivoAdaptacao[2] - ObjetivoAdaptacao[1])/(2*delta_peso);
End;
End;
//
//Clculo das Derivadas dos Pesos entre a Camada de Escondida e a Camada de Sada
//
For l := 1 to Neuronios_Intermediario do
Begin
For k := 1 to Neuronios_Saida do
Begin
PesoAdaptacao[k+Neuronios_Entrada,l]

:=

PesoAdaptacao[k+Neuronios_Entrada,l]

delta_peso;
ObjetivoAdaptacao[2] := 0;
For i := 1 To Tamanho_Janela_Movel Do
Begin
//Clculo da Rede Neural
For j := 1 to Neuronios_Entrada do
Begin
At[j] := VetorAdaptacao[i,j];
End;
ObjetivoErro := 0;
For n := 1 to Horizonte_Predicao do
Begin
//
// Clculo da Sada dos Neurnios da Camada de Entrada}
//
If ( i + n < Tamanho_Janela_Movel) then

143
Begin
For j := 1 To Neuronios_Entrada Do
Begin
Ativacao[1,j] := At[j];
End;
//
// Clculo da Sada dos Neurnios da Camada Intermediria}
//
For j := 1 To Neuronios_Intermediario Do
Begin
soma_entrada := BiasAdaptacao[j];
For m := 1 To Neuronios_Entrada Do
Begin
soma_entrada := soma_entrada + Ativacao[1,m] * PesoAdaptacao[m,j];
End;
Ativacao[2,j] := 1 / (1 + exp(-soma_entrada));
End;
For j := 1 To Neuronios_Saida Do
Begin
soma_intermediaria := BiasAdaptacao[Neuronios_Intermediario+j];
For m := 1 To Neuronios_Intermediario Do
Begin
soma_intermediaria

:=

soma_intermediaria

Ativacao[2,m]

PesoAdaptacao[Neuronios_Entrada+j,m];
End;
//
//

Clculo do Neurnio de Sada

//
Ativacao[3,j] := 1 / (1 + exp(-soma_intermediaria));
End;
For m := Ordem_Var_Medida to 2 Do
Begin
At[m] := At[m-1];
End;
At[1] := Ativacao[3,1];
For m := Ordem_Var_Medida+1 to Neuronios_Entrada Do
Begin
At[m] := VetorAdaptacao [i+n,m];
End;

144
ObjetivoErro

:=

ObjetivoErro

(At[1]-VetorAdaptacao[i+n-

1,Neuronios_Entrada+1])*(At[1]-VetorAdaptacao[i+n1,Neuronios_Entrada+1]);
End;
End;
// Fim da Rede Neural
For j := 1 To Neuronios_Saida Do
Begin
ObjetivoAdaptacao[2] := ObjetivoAdaptacao[2] + ObjetivoErro;
End;
End;
PesoAdaptacao[k+Neuronios_Entrada,l]

:=

PesoAdaptacao[k+Neuronios_Entrada,l]

delta_peso;
derivada[2,l,k] := (ObjetivoAdaptacao[2] - ObjetivoAdaptacao[1])/(2*delta_peso);
End;
End;
For i := 1 to Neuronios_Entrada do
Begin
For j := 1 to Neuronios_Intermediario do
Begin
PesoAdaptacao[i,j] := PesoAdaptacao[i,j] - passo*derivada[1,i,j];
End;
End;
For i := 1 to Neuronios_Intermediario do
Begin
For j := 1 to Neuronios_Saida do
Begin
PesoAdaptacao[j+Neuronios_Entrada,l]

:=

PesoAdaptacao[j+Neuronios_Entrada,l]

passo*derivada[2,i,j];
End;
End;
End;
//
//Fim do Treinamento On Line (algoritmo adaptativo)
If Amostra > Trunc(1.5*Tamanho_Janela_Movel) Then
Begin
ledAdaptativo.Enabled := True;
For i := 1 to Neuronios_Entrada Do
Begin
For j := 1 to Neuronios_Intermediario Do

145
Begin
w[i,j] := PesoAdaptacao[i,j];
End;
End;
For i := 1 to Neuronios_Intermediario Do
Begin
Bias[i] := BiasAdaptacao[i];
End;
For i := Neuronios_Entrada+1 To Neuronios_Entrada+Neuronios_Saida Do
Begin
For j := 1 To Neuronios_Intermediario Do
Begin
w[i,j] := PesoAdaptacao[i,j];
End;
End;
For j := Neuronios_Intermediario+1 to Neuronios_Intermediario+Neuronios_Saida Do
Begin
Bias[j] := BiasAdaptacao[j];
End;
End
Else
Begin
ledAdaptativo.Enabled := False;
For i := 1 to Neuronios_Entrada Do
Begin
For j := 1 to Neuronios_Intermediario Do
Begin
w[i,j] := PesoFixo[i,j];
End;
End;
For i := 1 to Neuronios_Intermediario Do
Begin
Bias[i] := BiasFixo[i];
End;
For i := Neuronios_Entrada+1 To Neuronios_Entrada+Neuronios_Saida Do
Begin
For j := 1 To Neuronios_Intermediario Do
Begin
w[i,j] := PesoFixo[i,j];
End;

146
End;
For j := Neuronios_Intermediario+1 to Neuronios_Intermediario+Neuronios_Saida Do
Begin
Bias[j] := BiasFixo[j];
End;
End;
End
Else
Begin
ledAdaptativo.Enabled := False;
For i := 1 to Neuronios_Entrada Do
Begin
For j := 1 to Neuronios_Intermediario Do
Begin
PesoAdaptacao[i,j] := PesoFixo[i,j];
w[i,j] := PesoFixo[i,j];
end;
end;
For i := 1 to Neuronios_Intermediario Do
Begin
BiasAdaptacao[i] := BiasFixo[i];
end;
For i := Neuronios_Entrada+1 To Neuronios_Entrada+Neuronios_Saida Do
Begin
For j := 1 To Neuronios_Intermediario Do
Begin
PesoAdaptacao[i,j] := PesoFixo[i,j];
w[i,j] := PesoFixo[i,j];
end;
end;
For j := Neuronios_Intermediario+1 to Neuronios_Intermediario+Neuronios_Saida Do
Begin
BiasAdaptacao[j] := BiasFixo[j];
end;
End;
End
Else
Begin
If Tempo > Trunc(1.5*Tamanho_Janela_Movel) Then
Begin

147
//Treinamento da Rede Neural
//
//Clculo da direo de busca
//
delta_peso := 0.001;
passo

:= 0.0001;

For epocas := 1 to 300 Do


Begin
//
//Clculo da Funo Objetivo
//
Objetivo_Anterior[1] := ObjetivoAdaptacao[1];
ObjetivoAdaptacao[1] := 0;
ObjetivoAdaptacao[2] := 0;
For i := 1 To Tamanho_Janela_Movel Do
Begin
//Inicio da Rede Neural
For j := 1 to Neuronios_Entrada do
Begin
At[j] := VetorAdaptacao[i,j];
End;
ObjetivoErro := 0;
For l := 1 to Horizonte_Predicao do
Begin
// Clculo da Sada dos Neurnios da Camada de Entrada}
//
If ( i + l < Tamanho_Janela_Movel) then
Begin
For j := 1 To Neuronios_Entrada Do
Begin
Ativacao[1,j] := At[j];
End;
//
// Clculo da Sada dos Neurnios da Camada Intermediria}
//
For j := 1 To Neuronios_Intermediario Do
Begin
soma_entrada := BiasAdaptacao[j];
For k := 1 To Neuronios_Entrada Do
Begin

148
soma_entrada := soma_entrada + Ativacao[1,k] * PesoAdaptacao[k,j];
End;
Ativacao[2,j] := 1 / (1 + exp(-soma_entrada));
End;
For j := 1 To Neuronios_Saida Do
Begin
soma_intermediaria := BiasAdaptacao[Neuronios_Intermediario+j];
For k := 1 To Neuronios_Intermediario Do
Begin
soma_intermediaria := soma_intermediaria + Ativacao[2,k] *
PesoAdaptacao[Neuronios_Entrada+j,k];
End;
//
//

Clculo do Neurnio de Sada

//
Ativacao[3,j] := 1 / (1 + exp(-soma_intermediaria));
End;
For k := Ordem_Var_Medida to 2 Do
Begin
At[k] := At[k-1];
End;
At[1] := Ativacao[3,1];
For k := Ordem_Var_Medida+1 to Neuronios_Entrada Do
Begin
At[k] := VetorAdaptacao [i+l,k];
End;
ObjetivoErro

:=

ObjetivoErro

(At[1]-VetorAdaptacao[i+l-

1,Neuronios_Entrada+1])*(At[1]-VetorAdaptacao[i+l1,Neuronios_Entrada+1]);
End;
End;
//
//Fim da Rede Neural
//
For j := 1 To Neuronios_Saida Do
Begin
ObjetivoAdaptacao [1] := ObjetivoAdaptacao[1] + ObjetivoErro;
End;
End;

149
If Objetivo_Anterior[1] < ObjetivoAdaptacao[1] then
Begin
passo := passo/1.2;
End;
For l := 1 to Neuronios_Entrada do
Begin
For m := 1 to Neuronios_Intermediario do
Begin
PesoAdaptacao[l,m]:=PesoAdaptacao[l,m] + delta_peso;
ObjetivoAdaptacao[2]:=0;
For i := 1 To Tamanho_Janela_Movel Do
Begin
//Clculo da Rede Neural
For j := 1 to Neuronios_Entrada do
Begin
At[j] := VetorAdaptacao[i,j];
End;
ObjetivoErro := 0;
For n := 1 to Horizonte_Predicao do
Begin
//
// Clculo da Sada dos Neurnios da Camada de Entrada}
//
If ( i + n < Tamanho_Janela_Movel) then
Begin
For j := 1 To Neuronios_Entrada Do
Begin
Ativacao[1,j] := At[j];
End;
//
// Clculo da Sada dos Neurnios da Camada Intermediria}
//
For j := 1 To Neuronios_Intermediario Do
Begin
soma_entrada := BiasAdaptacao[j];
For k := 1 To Neuronios_Entrada Do
Begin
soma_entrada := soma_entrada + Ativacao[1,k] * PesoAdaptacao[k,j];
End;
Ativacao[2,j] := 1 / (1 + exp(-soma_entrada));

150
End;
For j := 1 To Neuronios_Saida Do
Begin
soma_intermediaria := BiasAdaptacao[Neuronios_Intermediario+j];
For k := 1 To Neuronios_Intermediario Do
Begin
soma_intermediaria

:=

soma_intermediaria

Ativacao[2,k]

PesoAdaptacao[Neuronios_Entrada+j,k];
End;
//
//

Clculo do Neurnio de Sada

//
Ativacao[3,j] := 1 / (1 + exp(-soma_intermediaria));
End;
For k := Ordem_Var_Medida to 2 Do
Begin
At[k] := At[k-1];
End;
At[1] := Ativacao[3,1];
For k := Ordem_Var_Medida+1 to Neuronios_Entrada Do
Begin
At[k] := VetorAdaptacao [i+n,k];
End;
ObjetivoErro

:=

ObjetivoErro

(At[1]-VetorAdaptacao[i+n-

1,Neuronios_Entrada+1])*(At[1]-VetorAdaptacao[i+n1,Neuronios_Entrada+1]);
End;
End;
// Fim da Rede Neural
For j := 1 To Neuronios_Saida Do
Begin
ObjetivoAdaptacao [2] := ObjetivoAdaptacao[2] + ObjetivoErro;
End;
End;
PesoAdaptacao[l,m]:=PesoAdaptacao[l,m] - delta_peso;
derivada[1,l,m] := (ObjetivoAdaptacao[2] - ObjetivoAdaptacao[1])/(2*delta_peso);
End;
End;
//
//Clculo das Derivadas dos Pesos entre a Camada de Escondida e a Camada de Sada

151
//
For l := 1 to Neuronios_Intermediario do
Begin
For k := 1 to Neuronios_Saida do
Begin
PesoAdaptacao[k+Neuronios_Entrada,l]

:=

PesoAdaptacao[k+Neuronios_Entrada,l]

delta_peso;
ObjetivoAdaptacao[2] := 0;
For i := 1 To Tamanho_Janela_Movel Do
Begin
//Clculo da Rede Neural
For j := 1 to Neuronios_Entrada do
Begin
At[j] := VetorAdaptacao[i,j];
End;
ObjetivoErro := 0;
For n := 1 to Horizonte_Predicao do
Begin
//
// Clculo da Sada dos Neurnios da Camada de Entrada}
//
If ( i + n < Tamanho_Janela_Movel) then
Begin
For j := 1 To Neuronios_Entrada Do
Begin
Ativacao[1,j] := At[j];
End;
//
// Clculo da Sada dos Neurnios da Camada Intermediria}
//
For j := 1 To Neuronios_Intermediario Do
Begin
soma_entrada := BiasAdaptacao[j];
For m := 1 To Neuronios_Entrada Do
Begin
soma_entrada := soma_entrada + Ativacao[1,m] * PesoAdaptacao[m,j];
End;
Ativacao[2,j] := 1 / (1 + exp(-soma_entrada));
End;
For j := 1 To Neuronios_Saida Do

152
Begin
soma_intermediaria := BiasAdaptacao[Neuronios_Intermediario+j];
For m := 1 To Neuronios_Intermediario Do
Begin
soma_intermediaria

:=

soma_intermediaria

Ativacao[2,m]

PesoAdaptacao[Neuronios_Entrada+j,m];
End;
//
//

Clculo do Neurnio de Sada

//
Ativacao[3,j] := 1 / (1 + exp(-soma_intermediaria));
End;
For m := Ordem_Var_Medida to 2 Do
Begin
At[m] := At[m-1];
End;
At[1] := Ativacao[3,1];
For m := Ordem_Var_Medida+1 to Neuronios_Entrada Do
Begin
At[m] := VetorAdaptacao [i+n,m];
End;
ObjetivoErro

:=

ObjetivoErro

(At[1]-VetorAdaptacao[i+n-

1,Neuronios_Entrada+1])*(At[1]-VetorAdaptacao[i+n1,Neuronios_Entrada+1]);
End;
End;
// Fim da Rede Neural
For j := 1 To Neuronios_Saida Do
Begin
ObjetivoAdaptacao[2] := ObjetivoAdaptacao[2] + ObjetivoErro;
End;
End;
PesoAdaptacao[k+Neuronios_Entrada,l]

:=

PesoAdaptacao[k+Neuronios_Entrada,l]

delta_peso;
derivada[2,l,k] := (ObjetivoAdaptacao[2] - ObjetivoAdaptacao[1])/(2*delta_peso);
End;
End;
For i := 1 to Neuronios_Entrada do
Begin
For j := 1 to Neuronios_Intermediario do

153
Begin
PesoAdaptacao[i,j] := PesoAdaptacao[i,j] - passo*derivada[1,i,j];
End;
End;
For i := 1 to Neuronios_Intermediario do
Begin
For j := 1 to Neuronios_Saida do
Begin
PesoAdaptacao[j+Neuronios_Entrada,l]

:=

PesoAdaptacao[j+Neuronios_Entrada,l]

passo*derivada[2,i,j];
End;
End;
End;
//
//Fim do Treinamento On Line (algoritmo adaptativo)
//
If Tempo > Trunc(1.5*Tamanho_Janela_Movel) Then
Begin
ledAdaptativo.Enabled := True;
For i := 1 to Neuronios_Entrada Do
Begin
For j := 1 to Neuronios_Intermediario Do
Begin
w[i,j] := PesoAdaptacao[i,j];
End;
End;
For i := 1 to Neuronios_Intermediario Do
Begin
Bias[i] := BiasAdaptacao[i];
End;
For i := Neuronios_Entrada+1 To Neuronios_Entrada+Neuronios_Saida Do
Begin
For j := 1 To Neuronios_Intermediario Do
Begin
w[i,j] := PesoAdaptacao[i,j];
End;
End;
For j := Neuronios_Intermediario+1 to Neuronios_Intermediario+Neuronios_Saida Do
Begin
Bias[j] := BiasAdaptacao[j];

154
End;
End
Else
Begin
ledAdaptativo.Enabled := False;
For i := 1 to Neuronios_Entrada Do
Begin
For j := 1 to Neuronios_Intermediario Do
Begin
w[i,j] := PesoFixo[i,j];
End;
End;
For i := 1 to Neuronios_Intermediario Do
Begin
Bias[i] := BiasFixo[i];
End;
For i := Neuronios_Entrada+1 To Neuronios_Entrada+Neuronios_Saida Do
Begin
For j := 1 To Neuronios_Intermediario Do
Begin
w[i,j] := PesoFixo[i,j];
End;
End;
For j := Neuronios_Intermediario+1 to Neuronios_Intermediario+Neuronios_Saida Do
Begin
Bias[j] := BiasFixo[j];
End;
End;
End
Else
Begin
ledAdaptativo.Enabled := False;
For i := 1 to Neuronios_Entrada Do
Begin
For j := 1 to Neuronios_Intermediario Do
Begin
PesoAdaptacao[i,j] := PesoFixo[i,j];
w[i,j] := PesoFixo[i,j];
end;
end;

155
For i := 1 to Neuronios_Intermediario Do
Begin
BiasAdaptacao[i] := BiasFixo[i];
end;
For i := Neuronios_Entrada+1 To Neuronios_Entrada+Neuronios_Saida Do
Begin
For j := 1 To Neuronios_Intermediario Do
Begin
PesoAdaptacao[i,j] := PesoFixo[i,j];
w[i,j] := PesoFixo[i,j];
end;
end;
For j := Neuronios_Intermediario+1 to Neuronios_Intermediario+Neuronios_Saida Do
Begin
BiasAdaptacao[j] := BiasFixo[j];
end;
End;
End;
//Clculo da Aes de Controle
// Algoritmos Genticos
If (AlgoritmosGenticos1.Checked) Then
Begin
End;
//Fim do Algoritmo Gentico
//Mtodo Backpropagation No Adaptativo
If (Gradiente1.Checked) Then
Begin
End;
//Mtodo Backpropagation Adaptativo
If (Simplex1.Checked) Then
Begin
deltau := 0.05;
//Atualizao das Entradas da Rede
For i:= 1 to Ordem_Var_Medida Do
Begin
y[i] := Janela[1,i];
End;
For i := 1 to Ordem_Var_Manipulada Do
Begin
u[i] := Janela[2,i];

156
End;
erro[3] := erro[2];
erro[2] := yref[1] - A_Normal*Entrada[1] - B_Normal;
erro[1]:= y[1] - Predicao[1];
Objetivo[1] := Lambda*(0.12*OutVolts[1]+0.2-u[1])*(0.12*OutVolts[1]+0.2-u[1]);
//Clculo da rede neural
For j := 1 to Horizonte_Predicao Do
Begin
For i := 1 to Ordem_Var_Medida Do
Begin
At[i] := y[i];
End;
For i:= 1 to Ordem_Var_Manipulada Do
Begin
At[Ordem_Var_Medida+i] := u[i];
End;
For i:= 1 to Neuronios_Intermediario Do
Begin
Soma[i] := Bias[i];
For l := 1 to Neuronios_Entrada Do
Begin
Soma[i] := Soma[i] + At[l]*w[l,i];
End;
End;
For i:= Neuronios_Entrada+1 to Neuronios_Entrada+Neuronios_Intermediario Do
Begin
At[i] := 1/(1+ Exp(-Soma[i-Neuronios_Entrada]));
End;
Soma[Neuronios_Entrada+Neuronios_Intermediario+1] := Bias[Neuronios_Intermediario+1];
For i := 1 to Neuronios_Intermediario Do
Begin
Soma[Neuronios_Entrada+Neuronios_Intermediario+1]

:=
Soma[Neuronios_Entrada+Neuron
ios_Intermediario+1]

At[Neuronios_Entrada+i]

w[Neuronios_Entrada+1,i];
End;
At[Neuronios_Entrada+Neuronios_Intermediario+1] := 1/(1+Exp(-Soma[Neuronios_Entrada +
Neuronios_Intermediario+1]));
Predicao[j] := At[Neuronios_Entrada+Neuronios_Intermediario+1];

157
Objetivo[1] := Objetivo[1] + Beta*(yref[j]-Predicao[j]-erro[1])*(yref[j]-Predicao[j]-erro[1]);
For i := Ordem_Var_Medida to 2 Do
Begin
y[i] := y[i-1];
End;
y[1] := At[Neuronios_Entrada+Neuronios_Intermediario+1];
If Ordem_Var_Manipulada > 1 Then
Begin
For i := Ordem_Var_Manipulada to 2 Do
Begin
u[i] := u[i-1];
End;
End;
u[1] := acao_controle[1];
End;
//Fim da rede neural
//Clculo da ao de controle
For iteracao := 1 to 25000 Do
Begin
acao_controle[1] := acao_controle[1] + deltau;
Objetivo[1]

:=

Lambda*(0.12*OutVolts[1]+0.2-acao_controle[1])*(0.12*OutVolts[1]+0.2acao_controle[1]);

//Atualizao das Entradas da Rede


For i := 1 to Ordem_Var_Medida Do
Begin
y[i] := Janela[1,i];
End;
For i := 1 to Ordem_Var_Manipulada Do
Begin
u[i] := Janela[2,i];
End;
For j := 1 to Horizonte_Predicao Do
Begin
For i := 1 to Ordem_Var_Medida Do
Begin
At[i] := y[i];
End;
For i:= 1 to Ordem_Var_Manipulada Do
Begin
At[Ordem_Var_Medida+i] := u[i];

158
End;
for i:= 1 to Neuronios_Intermediario Do
begin
Soma[i] := Bias[i];
for m := 1 to Neuronios_Entrada Do
begin
Soma[i] := Soma[i] + At[m]*w[m,i];
end;
end;
for i:= Neuronios_Entrada+1 to Neuronios_Entrada+Neuronios_Intermediario Do
begin
At[i] := 1/(1+ Exp(-Soma[i-Neuronios_Entrada]));
end;
Soma[Neuronios_Entrada+Neuronios_Intermediario+1]

:=
Bias[Neuronios_I
ntermediario+1];

for i := 1 to Neuronios_Intermediario Do
begin
Soma[Neuronios_Entrada+Neuronios_Intermediario+1] := Soma[Neuronios_Entrada +
Neuronios_Intermediario+1]
+ At[Neuronios_Entrada+i] *
w[Neuronios_Entrada+1,i];
end;
At[Neuronios_Entrada+Neuronios_Intermediario+1] := 1/(1+Exp(-Soma[Neuronios_Entrada
+ Neuronios_Intermediario+1]));
Predicao[j] := At[Neuronios_Entrada+Neuronios_Intermediario+1];
Objetivo[1] := Objetivo[1] + Beta*(yref[j]-Predicao[j]-erro[1])*(yref[j]-Predicao[j]-erro[1]);
For i := Ordem_Var_Medida to 2 Do
Begin
y[i] := y[i-1];
End;
y[1] := At[Neuronios_Entrada+Neuronios_Intermediario+1];
If Ordem_Var_Manipulada > 1 Then
Begin
For i := Ordem_Var_Manipulada to 2 Do
Begin
u[i] := u[i-1];
End;
End;
u[1] := acao_controle[1];

159
end;
acao_controle[1] := acao_controle[1] - deltau;
acao_controle[1] := acao_controle[1] - deltau;
Objetivo_Back[1]

:=

Lambda*(0.12*OutVolts[1]+0.2-

acao_controle[1])*(0.12*OutVolts[1]+0.2-acao_controle[1]);
//Atualizao das Entradas da Rede
For i := 1 to Ordem_Var_Medida Do
Begin
y[i] := Janela[1,i];
End;
For i := 1 to Ordem_Var_Manipulada Do
Begin
u[i] := Janela[2,i];
End;
For j := 1 to Horizonte_Predicao Do
Begin
For i := 1 to Ordem_Var_Medida Do
Begin
At[i] := y[i];
End;
For i:= 1 to Ordem_Var_Manipulada Do
Begin
At[Ordem_Var_Medida+i] := u[i];
End;
for i:= 1 to Neuronios_Intermediario Do
begin
Soma[i] := Bias[i];
for m := 1 to Neuronios_Entrada Do
begin
Soma[i] := Soma[i] + At[m]*w[m,i];
end;
end;
for i:= Neuronios_Entrada+1 to Neuronios_Entrada+Neuronios_Intermediario Do
begin
At[i] := 1/(1+ Exp(-Soma[i-Neuronios_Entrada]));
end;
Soma[Neuronios_Entrada+Neuronios_Intermediario+1]

:=
Bias[Neuronios_I
ntermediario+1];

160
for i := 1 to Neuronios_Intermediario Do
begin
Soma[Neuronios_Entrada+Neuronios_Intermediario+1] := Soma[Neuronios_Entrada +
Neuronios_Intermediario+1]

At[Neuronios_Entrada+i]

w[Neuronios_Entrada+1,i];
end;
At[Neuronios_Entrada+Neuronios_Intermediario+1] := 1/(1+Exp(-Soma[Neuronios_Entrada
+ Neuronios_Intermediario+1]));
Predicao[j] := At[Neuronios_Entrada+Neuronios_Intermediario+1];
Objetivo_Back[1]

:=

Objetivo_Back[1]

Beta*(yref[j]-Predicao[j]-erro[1])*(yref[j]-

Predicao[j]-erro[1]);
For i := Ordem_Var_Medida to 2 Do
Begin
y[i] := y[i-1];
End;
y[1] := At[Neuronios_Entrada+Neuronios_Intermediario+1];
If Ordem_Var_Manipulada > 1 Then
Begin
For i := Ordem_Var_Manipulada to 2 Do
Begin
u[i] := u[i-1];
End;
End;
u[1] := acao_controle[1];
end;
acao_controle[1] := acao_controle[1] + deltau;
acao_controle[1] := acao_controle[1] - 0.001*(Objetivo[1] - Objetivo_Back[1])/deltau;
If acao_controle[1] > 0.8 then acao_controle[1] := 0.8;
If acao_controle[1] < 0.2 then acao_controle[1] := 0.205;
//Fim das Iteraes
End;
//Atualizao das Entradas da Rede
For i:= 1 to Ordem_Var_Medida Do
Begin
y[i] := Janela[1,i];
End;
For i := 1 to Ordem_Var_Manipulada Do
Begin
u[i] := acao_controle[1];

161
end;
//Clculo da rede neural
For j := 1 to Horizonte_Predicao Do
Begin
For i := 1 to Ordem_Var_Medida Do
Begin
At[i] := y[i];
End;
For i:= 1 to Ordem_Var_Manipulada Do
Begin
At[Ordem_Var_Medida+i] := u[i];
End;
for i:= 1 to Neuronios_Intermediario Do
begin
Soma[i] := Bias[i];
for l := 1 to Neuronios_Entrada Do
begin
Soma[i] := Soma[i] + At[l]*w[l,i];
end;
end;
for i:= Neuronios_Entrada+1 to Neuronios_Entrada+Neuronios_Intermediario Do
begin
At[i] := 1/(1+ Exp(-Soma[i-Neuronios_Entrada]));
end;
Soma[Neuronios_Entrada+Neuronios_Intermediario+1] := Bias[Neuronios_Intermediario+1];
for i := 1 to Neuronios_Intermediario Do
begin
Soma[Neuronios_Entrada+Neuronios_Intermediario+1]

:=

Soma[Neuronios_Entrada

Neuronios_Intermediario+1]

At[Neuronios_Entrada+i]

w[Neuronios_Entrada+1,i];
end;
At[Neuronios_Entrada+Neuronios_Intermediario+1] := 1/(1+Exp(-Soma[Neuronios_Entrada +
Neuronios_Intermediario+1]));
Predicao[j] := At[Neuronios_Entrada+Neuronios_Intermediario+1];
For i := Ordem_Var_Medida to 2 Do
Begin
y[i] := y[i-1];
End;
y[1] := At[Neuronios_Entrada+Neuronios_Intermediario+1];

162
For i := Ordem_Var_Manipulada to 2 Do
Begin
u[i] := u[i-1];
End;
u[1] := acao_controle[1];
end;
//Fim da rede neural
Series14.Clear;
Series15.Clear;
Series16.Clear;
Series17.Clear;
For i := 1 to Horizonte_Predicao Do
Begin
Series14.Add(Predicao[i]+erro[1]);
Series15.Add(yref[i]);
Series16.Add(acao_controle[1]);
Series17.Add(erro[1]);
End;
//Implementao da ao de controle
OutVolts[1] := (acao_controle[1]-0.2)/0.12;
If OutVolts[1] > 5 Then OutVolts[1] := 5;
If OutVolts[1] <= 0 Then OutVolts[1] := 0.1;
Saida := 20*Volts;
End;
//Mtodo de Rosenbrock
IF (Rosenbrock1.Checked) Then
Begin
End;
//Fim do Mtodo de Rosenbrock
//Um Passo a Frente
IF (Umpassoafrente1.Checked) Then
Begin
End;
End;

Anexo A 3
Influncia Qualitativa da Temperatura e
do Tempo de Reao nos Produtos
Gasosos da Pirlise de Borra de Tinta
Produtos

Temperatura de

Tempo de

Reao (C)

Reao (min)

Ar

CH4

C2H6

C2H4

C2H2

C3H8

C3H6

450

10

31,91

4,38

1,89

10,23

49,12

1,69

0,78

650

10

15,28

43,54

5,9

2,88

27,61

3,39

1,4

450

90

32,17

6,46

2,68

7,56

47,52

2,27

1,35

650

90

15,43

42,40

3,61

2,92

33,61

1,02

1,02

550

50

19,21

23,43

10,14

6,01

33,74

3,54

3,92

550

50

21,17

23,04

8,95

5,23

35,19

3,06

3,36

Anexo A 4
Influncia Qualitativa da Temperatura e
do Tempo de Reao nos Produtos
Lquidos da Pirlise de Borra de Tinta
Produtos

Tempo
Temperatura
de Reao (C)

de
Reao Parafinas
(min)

Olefina
s

Naftnicos

Aromticos

Cetonas

ster

lcool

Outros

450

10

2.70

0.00

0.00

63.80

16.61

13.11

2.84

0.95

650

10

2.97

0.00

0.00

65.98

10.60

11.34

7.23

1.87

450

90

1.61

0.00

0.00

67.23

11.62

10.84

7.93

0.77

650

90

4.91

0.00

0.00

71.11

8.43

9.16

10.08

1.23

550

50

0.00

0.00

0.00

63.35

11.99

14.53

4.36

0.86

550

50

0.00

0.00

0.00

73.81

6.41

10.99

7.63

1.16

Anexo A 5
Caracterizao Fsica do leo Obtido
pela Pirlise da Borra de Tinta
Temperatura

Tempo

Poder Calorfico

Viscosidade

Massa Especfica

Ponto de

(C)

(min)

Inferior (cal/g)

(cSt)

(g/cm)

Fulgor (C)

450

90

9222.20

64.18

0.888

25

550

90

9296.44

28.61

0.877

23

650

90

9725.14

30.31

0.916

20

Anexo A 6
Influncia da Temperatura e Tempo de
Batelada Sobre o Rendimento do leo de
Pirlise da Borra de Tinta