Ferramentas práticas para redução e controle de variabilidade em

processos industriais.

FRIAS A.R., Votorantim Celulose e Papel S/A, Piracicaba, Brasil.

SCHUCH C.M., Rhodia Poliamida e Especialidades Ltda, Paulínia, Brasil.
STRIEDER A., Faculdade Policamp, Campinas, Brasil.

Resumo
Este trabalho aborda o desenvolvimento de uma metodologia para o cálculo de variabilidade e
sintonia de malhas de controle, através dos dados adquiridos, inicialmente, em uma Planta Piloto de
controle de temperatura e, posteriormente, na otimização e controle de uma malha de fluxo de refugo
em uma planta industrial de papel. Sabemos que as indústrias possuem metas anuais para redução
de custos e na maioria das vezes essas metas focam a redução de custos fixos porque são mais
fáceis de controlar. Certamente, chegará um momento em que não será mais possível reduzir
somente os custos fixos e o foco passará também para a redução dos custos variáveis. Esses estão
diretamente ligados ao processo, ou seja, para reduzir custos variáveis tem-se que diminuir a
variabilidade no processo de produção. Com a utilização de ferramentas computacionais para
analisar malhas de controle em processos industriais, que na grande maioria possuem Controladores
PID, é possível observar que os controladores são um dos principais responsáveis pelas variações
existentes nos processos devido aos erros de sintonia. Com isso, este trabalho tem por objetivo
apresentar uma metodologia simples, funcional e eficaz para sintonia de Controladores PID e também
ferramentas estatísticas para análise de desempenho das malhas de controle, pois, devido à crise
atual temos que reduzir custos variáveis com ferramentas de baixo custo. Os resultados das sintonias
realizadas tanto na Planta Piloto de Temperatura como na Malha de Controle de Fluxo de Refugo,
comprovam a eficácia das técnicas de sintonia para controladores PID que foram descritas e
propostas neste trabalho através de uma metodologia prática e funcional.

Palavras-chave:
Controladores PID, malhas de controle, otimização de processos, redução de variabilidade.

Abstract
This paper describes the development of a methodology for the calculation of variability and tuning
of control loops through the data acquired, initially in the temperature control of a pilot plant, and
subsequently in the optimization and control of a loop flow of refuse in a paper plant. We know the
industries have annual targets for reducing costs and in most cases these targets focus on the
reduction of fixed costs because they are easier to control. Certainly, there will be a time when it will
not be possible to reduce only the fixed costs anymore and the focus will be to reduce variable costs
too. These are directly linked to the process, in other words, to reduce variable costs it’s necessary to
reduce the variability in the production process. Some computational tools can analyze the control
loops in industrial processes, in which the majority have controller PID and these controllers are the
major responsible for variation in the processes due to tuning errors. Therefore, this study presents a
simple, functional and efficient methodology to the tuning of PID controllers and statistical tools for
analyzing the performance of control loops, because with the current crisis we have to reduce variable
costs with low-cost tools. The results of the tuning in the temperature control of a pilot plant and Loop
Control Flow of Refuse, demonstrate the effectiveness of techniques for tuning PID controllers that
have been described and proposed in this paper through a practical and functional methodology.

Keywords:
PID controllers, control loops, processes optimization, variability reduction.

1
Introdução
Atualmente, as indústrias possuem metas anuais para redução de custos e na maioria das vezes
essas metas focam a redução de custos fixos porque são mais fáceis de controlar. Certamente,
chegará um momento em que não será mais possível reduzir custos fixos e o foco passará para a
redução dos custos variáveis. Esses estão diretamente ligados ao processo, ou seja, para reduzir
custos variáveis tem-se que diminuir a variabilidade no processo de produção. Neste sentido, a
indústria tem demandado recursos no monitoramento do desempenho em tempo real dos sistemas de
controle, tanto de variáveis discretas quanto de analógicas, sendo que nestas últimas é aplicada a
avaliação de desempenho (FONSECA, SILVA, TORRES, 2005). Para que a redução ocorra é
necessário fazer uma análise geral de todas as variáveis do processo, para identificar as possíveis
causas de custos desnecessários. A partir desses dados, será possível adotar métodos de cálculo de
variabilidade e, sendo constatados altos índices, deverão ser realizadas auditorias nas malhas de
controle para determinar as suas causas. De uma maneira geral, pode-se dizer que em processos
industriais a alta variabilidade está diretamente ligada ao mau funcionamento das malhas de controle.
Neste contexto, uma das metodologias mais utilizadas hoje nas indústrias para o estudo e o
cálculo da variabilidade é a “Metodologia 6-Sigma (6-”, que consiste na aplicação de métodos
estatísticos de análise do processo orientados pela meta de eliminar defeitos. Trata-se de uma
maneira objetiva de medir o desempenho e a capacidade de processos ou produtos em “Nível ” e
compará-los entre si. Assim, é possível designar um valor de  que represente seu nível de qualidade
e a quantidade de não conformidades ou defeitos produzidos. Tradicionalmente, o 6- focaliza a
prevenção de defeitos, a redução nos tempos de ciclo e a economia de custos.
Este artigo descreve o desenvolvimento de uma metodologia para o cálculo de variabilidade e
sintonia de malhas de controle, através dos dados adquiridos em uma Planta Piloto de controle de
temperatura. Como aplicação prática na indústria, foi utilizado o Sistema PIMS (Plant Information
Management System), uma das mais poderosas ferramentas de aquisição de dados, para coletar
dados reais do processo produtivo, possibilitando aplicar uma metodologia para otimização e controle
de uma malha de fluxo de refugo numa planta industrial de papel.
Os resultados que são apresentados neste trabalho, mostram claramente a eficiência e
aplicabilidade da metodologia proposta, e também a praticidade das ferramentas utilizadas na
sintonia dos Controladores PID.

Sistemas de Controle
Um sistema é definido como sendo uma caixa preta que contém uma entrada e uma saída, onde o
importante é conhecer a relação entre elas. Um sistema de controle existe quando a saída é
controlada para seguir uma determinada entrada (BOLTON, 1995). Os sistemas de controle são
aplicados em controle de processos industriais com o objetivo de manter os valores das variáveis de
processo dentro de uma faixa aceitável, buscando sempre o valor desejado.
Os sistemas de controle mais utilizados nos processos industriais são os de malha fechada, que
são divididos em controle manual e controle automático. Quando o controle é realizado por um
operador humano é chamado controle manual e se for realizado com instrumentação é chamado
controle automático. O conceito de sistemas de controle em malha fechada pode ser resumido em
quatro palavras: medir, comparar, computar e corrigir (BEGA, 2003).
Existem três termos fundamentais para o entendimento de controle de processos:
PV (Process Variable) – Variável controlada: É a variável do processo (temperatura, nível,
pressão, vazão,...) que se deseja manter num valor determinado;
SP (Set Point) – Valor desejado: É o valor referência para a variável controlada;
MV (Manipulated Variable) – Variável manipulada: É a variável do processo cuja alteração
influencia na variável controlada.

Modelagem Matemática de Sistemas Dinâmicos

Um modelo matemático de um sistema é definido como sendo uma réplica das relações entre a
entrada e a saída. Para caracterizar as relações existentes entre entrada e saída de um sistema são
utilizadas funções de transferência (BOLTON, 1995).
A função de transferência de um sistema representado por uma equação diferencial linear
invariante no tempo é definida como a relação entre a transformada de Laplace da saída e a
transformada de Laplace da entrada, admitindo-se todas as condições iniciais nulas (OGATA, 2003).

2
 Considerando Y como saída e X como entrada, a função de transferência (FT) pode ser definida
como:
Y (s)
G(s)  (1)
X (s)

Para representar os vários componentes de um sistema de controle é utilizado o diagrama de

blocos onde a FT acima descrita, pode ser representada da seguinte forma:

X(s) G(s) Y(s)

Figura 1 – Diagrama em blocos da Função de Transferência (FT).

Com isso é possível determinar e representar a função de transferência de um sistema de controle

real, como por exemplo, um sistema de controle de temperatura, nível, vazão ou qualquer outro
aplicado para controle de processos.
Para exemplificar a modelagem matemática de um sistema dinâmico, será representado o modelo
matemático de um sistema de controle de temperatura. Os sistemas térmicos são aqueles que
envolvem transferência de calor de uma substância para outra e podem ser analisados em termos de
resistência e capacitância, ou seja, um circuito RC (OGATA, 2003).
Dado um circuito RC (figura 2) será construída a FT da tensão no capacitor (Vc) pela tensão da
fonte de alimentação (Vin).

Figura 2 – Circuito RC.

A FT do circuito RC pode ser representada através de um diagrama em blocos, conforme mostra a

(figura 3).

Figura 3 – Diagrama em blocos do circuito RC.

Sabendo-se que a tensão da fonte de alimentação (Vin) num circuito RC pode ser representada
em função de Vr(t) e Vc(t), temos a seguinte equação:
Vin (t )  Vr (t )  Vc (t ) ( 2)

3
 Através da equação 2 será possível obter a FT do circuito RC com uma resolução algébrica e
Transformada de Laplace.

Com isso, a FT é representada por:

Vc ( s ) 1

Vin ( s) sRC  1 (3)

O sistema térmico representado pelo circuito RC trata-se de um sistema de primeira ordem, onde
a constante RC é a constante de tempo T do sistema. A análise da resposta ao degrau unitário do
sistema de primeira ordem mostra uma curva exponencial de resposta característica. No circuito RC
esta curva exponencial é obtida através da tensão no capacitor Vc(t) da seguinte forma:
Considerando Vin(s) como sendo um degrau unitário:
1
Vin ( s)  (4)
s

Podemos descrever a equação 3 da seguinte forma:

t

V c (t )  1  e RC (5)

Sabendo que RC é a constante de tempo, a (figura 4) demonstra uma curva de resposta

exponencial para cinco constantes de tempo:

Figura 4 – Curva exponencial de resposta.

Este trabalho estará utilizando a FT da equação 3 nas aplicações que serão descritas
posteriormente, porque o sistema que será estudado primeiramente trata-se de um sistema de
controle de temperatura e como já foi demonstrado, os sistemas térmicos são representados por um
circuito RC e tem como resposta uma curva exponencial característica.

Sintonia de Controladores PID

Primeiramente, é importante relembrar o que é um controlador PID, para depois saber o que
significa sintonia de controladores. O controlador PID é caracterizado por um controlador automático,
que compara a PV com o SP e deste desvio encontrado (erro) é produzido um sinal na saída de
controle visando eliminar o erro encontrado. Este tipo de controlador automático é chamado de
controlador PID devido suas ações de controle (proporcional, integral e derivativo). A sintonia de
controladores é entendida como o processo de selecionar os parâmetros (proporcional, integral e
derivativo), para que os controladores tenham um bom desempenho no controle do processo em
questão. Os métodos de sintonia são baseados na análise da curva de resposta do processo estando
em malha aberta ou malha fechada.

4
Regras de Sintonia
As regras de sintonia que serão estudadas e aplicadas neste trabalho foram descritas por Ziegler
e Nichols, sendo que as regras de sintonia são baseadas na respostas em malha fechada e malha
aberta. Os dois métodos propostos são aplicados em processos onde o modelo matemático é
desconhecido, portanto são regras fundamentais para determinação dos parâmetros proporcional,
integral e derivativo de controladores industriais, que geralmente são utilizados em plantas que não
possuem um modelo matemático. Os métodos que denominam as regras de sintonia de Ziegler –
Nichols, podem ser descritos resumidamente como sendo o primeiro método utilizado em sistemas
com malha aberta e o segundo método em malha fechada (OGATA, 2003).
O primeiro método baseia-se na curva de reação do processo de um sistema de controle com
malha aberta, através de um distúrbio em degrau na MV. Após obter a curva de reação do processo
deve ser feita à aproximação para um sistema de primeira ordem mais tempo morto, com isso tem-se
uma curva exponencial de resposta e através desta curva é possível determinar a constante de tempo
do processo (RC) que será utilizada nos cálculos dos parâmetros do controlador, conforme mostra a
tabela abaixo.

Tabela 1 – Regra de Sintonia – Ziegler e Nichols.

Antes de calcular os parâmetros é necessário analisar a curva de reação do processo,

determinando a variação da PV (ÄPV) e a variação da MV (ÄMV), para calcular o Ganho Estático do
Processo (Gs). Já o tempo morto (TM) é determinado pelo tempo que leva para a PV responder ao
degrau imposto na MV. A constante de tempo do processo e o tempo morto serão as principais
constantes que deverão ser encontradas para os cálculos dos parâmetros proporcional, integral e
derivativo.
Neste trabalho será utilizado o primeiro método, que busca caracterizar o processo através de um
distúrbio na variável manipulada. Com isso, tem-se uma curva de reação do processo que na verdade
é o resultado da perturbação imposta por um degrau na variável manipulada.

Caracterização e Modelagem do Processo

Seguindo as regras de sintonia propostas por Ziegler e Nichols é possível caracterizar e modelar o
processo através da aproximação para um sistema de primeira ordem. Como já foi demonstrado é
possível obter a curva de reação do processo a partir de um distúrbio em degrau na saída do
controlador e utilizando a equação 3 teremos a FT que caracteriza o processo em questão.
Para construir o modelo matemático completo deve-se saber também qual o tipo de controlador é
utilizado no processo e qual algoritmo de controle será o mais apropriado para o controle do
processo. Existe uma técnica desenvolvida pelos pesquisadores franceses Bernard, Henri, Alain,
Louis e Yves chamada BHALY, que sugere qual algoritmo de controle deve ser utilizado através da
relação da RC pelo TM, conforme tabela abaixo (CARRETONI, 2005).

Tabela 2 – Sugestão de Algoritmo de Controle – BHALY.

Sugestão de Algoritmo de Controle para Processos Auto-Regulados
Algoritmo SDC MM PID PI P ON/OFF
RC/TM Até 1 1a2 2a5 5 a 10 10 a 20 Acima de 20
Descrição dos Algoritmos
SDC - Sistemas Digitais de Controle
MM - Controle por Multi-Malhas
PID - Controle Proporcional+Integral+Derivativo
PI - Controle Proporcional+Integral
P - Controle Proporcional
ON/OFF - Controle Tudo ou Nada

5
 Tendo as funções de transferência que representam o controlador e o processo é possível
representar através de um diagrama em blocos o modelo matemático do processo. O sistema de
controle (figura 5) trata-se de uma Planta Piloto de Temperatura (PPT) onde será realizada a sintonia
de malha. A mesma possui um controlador PID que controla a temperatura através de um circuito de
disparo que modula a tensão aplicada numa resistência. Esta PPT possui um sistema de aquisição
para coleta dos dados que será utilizado para a sintonia do controlador.

Figura 5 – Esquema da planta piloto de controle de temperatura (PPT).

Determinação dos Parâmetros do Controlador PID

Para determinar os parâmetros do controlador PID é necessário conhecer qual o melhor algoritmo
para o controle do processo através da técnica proposta por BHALY, depois é só calcular os
parâmetros seguindo o primeiro método de Ziegler e Nichols, ou seja, analisando a curva de reação
do processo determinam-se as constantes TM e RC que são utilizadas nos cálculos dos parâmetros.

Técnicas de Sintonia Virtual

Após obter o modelo matemático da malha de controle que será sintonizada e determinar os
parâmetros PID, é possível realizar uma sintonia virtual antes da implementação dos parâmetros no
controlador do processo. Isso garante uma validação prévia dos parâmetros que foram definidos
teoricamente pela metodologia de Ziegler e Nichols, verificando o comportamento do processo com
os parâmetros antigos e os novos por meio de simulações de distúrbios. Neste trabalho, a sintonia
virtual será realizada no MATLAB através do simulink.
Primeiramente, é necessário implementar a malha de controle no simulink contendo o controlador
PID e o modelo do processo (função de transferência) com aproximação para um sistema de primeira
ordem (figura 6). Depois de ajustados todos os parâmetros é só simular um distúrbio em degrau
analisando o comportamento da malha de controle.

Figura 6 – Malha de Controle - Simulink.

6
Metodologia para Sintonia de Controladores PID
Em resumo, o procedimento pode ser dividido em 3 Passos para realizar a sintonia de
controladores PID:
Passo 1: Caracterização e modelagem da Malha de Controle;
Passo 2: Determinação dos parâmetros do controlador PID;
Passo 3: Sintonia da malha de controle.
Para exemplificar, esta metodologia foi aplicada na sintonia do controle de temperatura de uma
Planta Piloto e para validar o procedimento proposto, foram utilizadas simulação e sintonia virtual da
malha de controle em questão. Os resultados da sintonia mostraram que a metodologia é totalmente
aplicável e garante bons resultados.

Passo 1: Caracterização e modelagem da PPT

Através de experimentos realizados na PPT (figura 5), foram determinados os parâmetros de
processo para otimizar a malha de controle. Primeiramente foi verificada a condição inicial do
processo, ou seja, qual era o comportamento do controle automático da planta piloto, conforme
mostra a (figura 7). Posteriormente realizou-se um distúrbio no processo estando o controle em modo
manual, alterando a saída de controle com um degrau, para assim levantar os parâmetros da malha
de controle de temperatura visando sua otimização, como ilustra a (figura 8).

Figura 7 – PPT, antes da sintonia. Figura 8 – Distúrbio na PPT.

Para determinar os parâmetros do processo, foi analisada a resposta ao degrau e obteve-se um

sistema de primeira ordem, comprovado pela curva exponencial de resposta e por se tratar de um
Sistema Térmico. A regra utilizada foi para processo auto-regulado de 1ª ordem em malha aberta, ou
seja, para degrau em modo de controle manual, conforme a (figura 9).

Figura 9 – Regra para determinação de parâmetros de Sistemas de 1ª Ordem.

Seguindo a regra para determinação de parâmetros de processos auto regulados de 1ª Ordem em

Malha Aberta, obtiveram-se os seguintes dados:

7
 Tabela 3 – Parâmetros da Planta Piloto.
Parâmetros da Planta Piloto
Parâmetros Descrição Resultados
PV0 Variável do Processo (antes do distúrbio) 51,8 ºC
PV1 Variável do Processo (após o distúrbio) 65,8 ºC
ÄPV Variação da Variável do Processo (ÄPV=PV1-PV0) 14,0 ºC
MV0 Variável Manipulada (antes do distúrbio) 39,1%
MV1 Variável Manipulada (após o distúrbio) 59,3%
ÄMV Variação da Variável Manipulada (ÄMV=MV1-MV0) 20,2%
RC Constante de Tempo do Processo 251 seg.
TM Tempo Morto 12 seg.
RC/TM Relação Constante de Tempo/Tempo Morto 20,9
Gs Ganho Estático do Processo (Gs=ÄPV/ÄMV) 0,6908

Passo 2: Determinação dos parâmetros do Controlador PID

Após serem calculados os parâmetros da malha de controle de temperatura, foi determinado o
algoritmo de controle em função das características do processo. O algoritmo de controle foi
determinado pela relação RC/TM, ou seja, a relação constante de tempo por tempo morto, que neste
processo é 20,9 e com isso seguindo a sugestão de BHALY (tabela 2) encontra-se o algoritmo
ON/OFF, porém sabendo que este tipo de controle mantém um erro entre o SP e a PV foi escolhido
um algoritmo PI.
Foi utilizado o método de sintonia, Ziegler e Nichols - Malha Aberta para calcular os
parâmetros: Proporcional (Kp) e Integral (Ti) do Controlador PID, conforme mostra a (tabela 4).

Tabela 4 – Regra de Sintonia (Ziegler e Nichols) – Planta Piloto.

Simulação e Sintonia Virtual da Planta Piloto

Depois da caracterização e modelagem da planta piloto e da determinação dos parâmetros do
controlador PID, foram obtidos o algoritmo e os novos parâmetros para sintonizar a malha de controle
de temperatura da planta piloto. Porém, antes da implementação prática no controlador, foi utilizada
uma técnica de simulação e sintonia virtual da planta piloto no software MATLAB, com a finalidade de
verificar o comportamento da malha de controle com os novos parâmetros do Controlador PID,
conforme mostra a (figura 10).

Figura 10 – Malha de controle da PPT.

Para validação do modelo matemático da planta piloto implementado no MATLAB, foi realizada
uma simulação com os parâmetros antigos do controlador PID (Kp=2 e Ti=0,000000001) visando
comparar a resposta (real) ao degrau no SP em modo automático (figura 7) com a resposta ao
degrau no SP em modo automático na simulação no MATLAB (figura 11).

8
 Após a simulação e comparação dos resultados reais (figura 7) e simulados (figura 11), foi
validado o modelo matemático da planta piloto de temperatura implementado no MATLAB devido ao
comportamento similar da resposta da PV ao degrau no SP, ou seja, tanto o gráfico dos dados reais
aquisitados como o gráfico da simulação mostrou a instabilidade da malha de controle após distúrbio
em degrau no SP.
Com objetivo de sintonizar a Malha de Controle de Temperatura da Planta Piloto, foi observada a
mesma resposta ao degrau no SP em modo automático, porém com os novos parâmetros do
Controlador PID conforme ilustra a (figura 12).

Figura 11 – PPT sem sintonia. Figura 12 – PPT com sintonia.

O resultado desta sintonia virtual (figura 12) mostra que os parâmetros calculados pelo método de
Ziegler e Nichols foram eficazes na sintonia da planta piloto, ou seja, a instabilidade que existia no
controle da temperatura após um distúrbio no SP deixou de existir com os novos parâmetros do
controlador PID. Com isso, foi possível verificar de forma virtual o comportamento da malha de
controle de temperatura antes mesmo da sintonia real da planta piloto.

Passo 3: Sintonia da Planta Piloto

Depois da simulação virtual realizada no MATLAB, foram implementados no controlador os novos
parâmetros calculados pelo método Ziegler e Nichols e realizado teste prático na planta piloto, ou
seja, estando a malha de controle em regime estacionário, foi dado um degrau pelo SP com o
controle em modo automático e observado o comportamento da malha, bem como a estabilidade do
processo após entrar em regime estacionário novamente, conforme ilustra a (figura 13).

Figura 13 – Controle de temperatura em modo automático, após sintonia.

Comparando o controle de temperatura da planta piloto antes (figura 7) e depois (figura 13) da
sintonia, percebe-se claramente a estabilidade da temperatura em torno do SP, ou seja, as técnicas
propostas para sintonia da malha de controle baseadas no primeiro método de Ziegler e Nichols são
eficientes, práticas, funcionais e de fácil aplicação.

9
Estudo de Caso (Sintonia da Malha de Fluxo)
Como estudo de caso, será demonstrado uma sintonia da malha de controle de fluxo de refugo
(MCFR) que é utilizada numa fábrica de papel. O objetivo da MCFR é controlar o refugo proveniente
do produto final que será reutilizado no processo, ou seja, o refugo será enviado para o tanque da
máquina onde será misturado com a massa de celulose para fabricação de papel. O refugo de papel
é armazenado num tanque com agitador e enviado posteriormente para o tanque da máquina através
de uma bomba centrífuga, porém, é necessário controlar o fluxo de refugo e para isso tem-se uma
medição do fluxo por meio de um medidor magnético que envia os dados para o controlador que irá
corrigir o fluxo através de uma válvula de controle.
A sintonia da MCFR segue os 3 Passos propostos neste trabalho que foram aplicados e validados
na PPT.

Passo 1: Caracterização e modelagem da MCFR

Para determinar os parâmetros de processo da MCFR (figura 14), foi verificada a condição inicial
do processo, ou seja, qual era o comportamento do controle automático da MCFR, conforme mostra a
(figura 15). Posteriormente realizou-se um distúrbio no processo estando o controle em modo
manual, alterando a saída de controle com um degrau, para assim levantar os parâmetros da malha
de controle de fluxo de refugo visando sua otimização, como ilustra a (figura 16).

Figura 14 – Esquema da malha de controle de fluxo de refugo.

10
 Figura 15 – Controle de fluxo de refugo em modo automático, antes da sintonia.

Figura 16 – Distúrbio no controle de fluxo de refugo em modo manual.

Para determinar os parâmetros do processo, foi analisada a resposta ao degrau e obteve-se um

sistema de primeira ordem, comprovado pela curva exponencial de resposta. A regra utilizada foi
para processo auto-regulado de 1ª ordem em malha aberta, ou seja, para degrau em modo de
controle manual.
Seguindo a regra para determinação de parâmetros de processos auto regulados de 1ª Ordem em
Malha Aberta, obtiveram-se os seguintes dados:

Tabela 5 – Parâmetros da MCFR.

Parâmetros da Malha de Controle de Fluxo de Refugo
Parâmetros Descrição Resultados
PV0 Variável do Processo (antes do distúrbio) 1155,13 l/min
PV1 Variável do Processo (após o distúrbio) 1798,00 l/min
ÄPV Variação da Variável do Processo (ÄPV=PV1-PV0) 642,87 l/min
MV0 Variável Manipulada (antes do distúrbio) 25,0 %
MV1 Variável Manipulada (após o distúrbio) 35,0 %
ÄMV Variação da Variável Manipulada (ÄMV=MV1-MV0) 10,0 %
RC Constante de Tempo do Processo 42 seg.
TM Tempo Morto 5 seg.
RC/TM Relação Constante de Tempo/Tempo Morto 8,4
Gs Ganho Estático do Processo (Gs=ÄPV/ÄMV) 0,0833

11
Passo 2: Determinação dos parâmetros do Controlador PID
Após serem calculados os parâmetros da MCFR, foi determinado o algoritmo de controle em
função das características do processo. O algoritmo de controle foi determinado pela relação RC/TM,
ou seja, a relação constante de tempo por tempo morto, que neste processo é 8,4 e com isso
seguindo a sugestão de BHALY encontra-se o algoritmo PI.
Foi utilizado o método de sintonia, Ziegler e Nichols - Malha Aberta para calcular os parâmetros:
Proporcional (Kp) e Integral (Ti) para o Controlador PID, conforme mostra a (tabela 6).

Tabela 6 – Regra de Sintonia (Ziegler e Nichols) – MCFR.

Passo 3: Sintonia da Malha de Controle de Fluxo

Sabendo-se que a simulação virtual realizada no MATLAB validou a metodologia proposta e
aplicada na PPT, foram implementados no controlador os novos parâmetros calculados pelo método
Ziegler e Nichols e verificado o funcionamento da malha, ou seja, estando a malha de controle em
regime estacionário, foi dado um degrau pelo SP com o controle em modo automático e observado o
comportamento da malha, bem como a estabilidade do processo após entrar em regime estacionário
novamente, conforme ilustra a (figura 17).

Figura 17 – Sintonia pelo método Ziegler e Nichols.

Para realizar a sintonia da malha de controle de fluxo de refugo (MCFR), foi aplicada a
metodologia para sintonia de controladores PID seguindo os 3 Passos propostos, aplicados e
validados na PPT. Esta ferramenta de sintonia mostrou-se prática, versátil e principalmente eficaz,
pois, ao comparar a tendência dos gráficos antes (figura 15) e após (figura 17) a sintonia tem-se a
redução de variabilidade esperada.

12
Resultados (Análise de Desempenho dos Controladores PID)

Análise Estatística
Para analisar o desempenho do controlador PID da planta piloto, será utilizada uma ferramenta
chamada análise estatística. O principal indicador é a Variabilidade e para medi-la são utilizadas
medidas de dispersão, sendo as mais comuns, a Amplitude e o Desvio Padrão (PEZEIRO, 2005).
Neste trabalho foi medida a Capabilidade do Processo em nível 6-Sigma, ou seja, a probabilidade de
gerar defeitos. Quanto maior a Capabilidade, menor é a probabilidade de um processo gerar defeitos,
ou seja, quanto maior o valor do nível Sigma do processo (representado por Z), menor será o valor do
DPMO (índice percentual de defeitos). Para realizar a análise estatística foi utilizado o software
MINITAB, que representou os gráficos de tendência e análise de capabilidade (SCHUCH, STRIEDER,
FRIAS, 2006). Foram realizadas as análises estatísticas para calcular a capabilidade do processo em
duas partes: Análise antes e após sintonia.

Análise Estatística da PPT antes da Sintonia

A variação da PV (Temperatura) dá-se em torno do SP, tendo oscilação constante (figura 18). A
capabilidade (Z) é dada por (Z=3*Ppk+1,5), sendo Ppk=0,28 tem-se: Z=2,34 (figura 19).

ºC

Figura 18 – Gráfico de Tendência. Figura 19 – Análise de Capabilidade.

Análise Estatística da PPT após a Sintonia

Após o sobre-sinal, a PV (Temperatura) se estabiliza em torno do SP com pequenas variações, ou
seja, a variabilidade é praticamente nula (figura 20). A capabilidade (Z) é dada por (Z=3*Ppk+1,5),
sendo Ppk=12,75 tem-se: Z=39,75 (figura 21).

ºC

Figura 20 – Gráfico de Tendência. Figura 21 – Análise de Capabilidade.

13
Análise da MCFR antes da Sintonia
A malha de fluxo de refugo apresentava uma variabilidade alta quando em controle automático
(figura 22). A capabilidade (Z) é dada por (Z=3*Ppk+1,5), sendo Ppk=0,00 tem-se: Z=1,5 (figura 23).

l/min

Figura 22 – Gráfico de Tendência. Figura 23 – Análise de Capabilidade.

Análise da MCFR após a Sintonia

A malha de fluxo apresenta um pequeno sobre-sinal e uma pequena variabilidade com o controle
automático (figura 24). A capabilidade (Z) é dada por (Z=3*Ppk+1,5), sendo Ppk=2,70 tem-se: Z=9,60
(figura 25).

l/min l/min

Figura 24 – Gráfico de Tendência. Figura 25 – Análise de Capabilidade.

Com o objetivo de comparar os resultados antes e depois da sintonia realizada na MCFR, tem-se
um resumo da análise estatística conforme a tabela abaixo:

Tabela 7 – Resumo Estatístico da Sintonia da MCFR.

14
Conclusão
Este trabalho está fundamentado na teoria de controle e nas regras de sintonias desenvolvidas por
Ziegler e Nichols, estas fundamentações teóricas foram essenciais para o desenvolvimento de uma
metodologia prática e eficaz para sintonia de controladores PID. Foi possível comprovar a eficácia da
metodologia proposta através da caracterização e modelagem da PPT, da determinação dos
parâmetros do controlador PID, da simulação e sintonia virtual com o MATLAB e da sintonia real da
PPT.
Os resultados encontrados com a simulação e sintonia virtual através do MATLAB mostraram que
a caracterização e modelagem da PPT estão corretas, ou seja, o distúrbio em degrau realizado na
PPT apresentou uma variabilidade similar ao distúrbio em degrau realizado no modelo matemático.
Com isso foi possível simular o comportamento da PPT com os novos parâmetros do controlador PID,
tendo como resultado uma variabilidade nula após o distúrbio em degrau e depois foi comprovada a
redução da variabilidade na sintonia real da PPT.
Como aplicação prática, a sintonia da MCFR foi realizada utilizando a metodologia proposta neste
trabalho. Os resultados encontrados foram satisfatórios, pois o distúrbio em degrau realizado na
MCFR proporcionou uma alta variabilidade em relação ao tempo e a após sintonia com os novos
parâmetros do controlador PID da MCFR, obteve-se uma variabilidade menor após o distúrbio em
degrau, ou seja, a PV se estabilizou logo após o degrau. Com isso, foi possível observar uma redução
de variabilidade e principalmente estabilidade do processo.
A análise de desempenho do controlador PID da PPT e da MCFR realizada através da análise
estatística por meio do MINITAB, mostrou-se uma ferramenta versátil, pois, retrata o comportamento
do processo através da capabilidade nível 6- e também apresenta os indicadores estatísticos de
variabilidade das malhas de controle antes e depois da otimização.
Em resumo, os objetivos deste trabalho foram alcançados e comprovados com os resultados das
sintonias realizadas com a metodologia proposta e também com as análises estatísticas. Espera-se
que as Técnicas de Sintonia de Controladores PID aqui descritas possam ser úteis aos Técnicos,
Tecnólogos e Engenheiros que trabalham com instrumentação e controle de processos, agregando
conhecimento teórico e prático nas atividades realizadas por estes profissionais na indústria, pois, em
tempos de crise é necessário utilizarmos ferramentas que nos auxiliem na redução de custos e a
metodologia descrita neste trabalho torna-se uma ferramenta prática e de baixo custo.

Referências Bibliográficas
BEGA E.A., DELMÉE G.J., COHN P.E., BULGARELLI R., KOCH R., FINKEL V.S.; Instrumentação
Industrial. Rio de Janeiro: Interciência, 2003.
BOLTON, W.; Engenharia de Controle. São Paulo: MacGraw-Hill, 1995.
CARRETONI, E.; Controle Automático de Processo. Campinas: SENAI, 2005.
FONSECA, M. O.; SILVA, C.; TORRES, B. S.; Avaliação de desempenho e auditoria de malhas de
controle. Revista INTECH Brasil, ISA Distrito 4, Número 63, 2005, p. 32-37.
OGATA, K.; Engenharia de Controle Moderno. Rio de Janeiro: Prentice Hall, 2003.
PEZEIRO, A.; Treinamento Green Belts Industrial. São Paulo: SGV - Votorantim, 2005.
SCHUCH, C.M.; STRIEDER, A.; FRIAS, A.R.; Ferramentas para a Otimização e Controle de
Processos Industriais. Mostra de Iniciação Científica do Centro Unisal, 2006. Publicação em CD.

15