Escolar Documentos
Profissional Documentos
Cultura Documentos
São Cristóvão - SE
Fevereiro de 2014
1
SERGIO DIAS DE MELO FILHO
São Cristóvão - SE
Fevereiro de 2014
2
SERGIO DIAS DE MELO FILHO
Aprovada em _____/_____/_____.
Banca Examinadora
________________________________________
Prof. Dr. Oscar Alberto Zanabria Sotomayor
DEL/CCET – Universidade Federal de Sergipe
_______________________________________
Prof. Dr. Carlos Alberto Villacorta Cardoso
DEQ/CCET – Universidade Federal de Sergipe
______________________________________
Prof. Dr. Leocarlos Bezerra da Silva Lima
DEL/CCET – Universidade Federal de Sergipe
3
AGRADECIMENTOS
4
Resumo
O controle de plantas e processos industriais multivariáveis tem sido uma tarefa
desafiadora para os pesquisadores desta área. Isto porque estas plantas estão cada vez
mais complexas, possuindo grande número de variáveis controladas e manipuladas,
abrindo uma alta quantidade de configurações de seleção de pares de variáveis, para
controle descentralizado, fazendo um desacoplamento do processo com múltiplas
entradas e saídas, MIMO (Multiple-Input Multiple-Output), em uma única estrada e
saída, SISO (Single-Input Single-Output). Neste contexto, no presente trabalho, são
apresentadas e analisadas, algumas técnicas e métodos de seleção de pareamento de
variáveis, tendo como base o método de seleção pioneiro e mais utilizado, a matriz de
ganhos relativos proposta por Bristol, o RGA, e algumas de suas extensões, como o
DRGA, ADGA, PRGA, ERGA, NRGA.
5
Abstract
Control of multivariable industrial plants and process has been a challenging task
for researchers in the field. This because those plants are becoming more complex, with
many manipulated and controlled variables, opening a wide number of input-output
pairing configuration selection, using decentralized control, decoupling the MIMO
(Multiple-Input Multiple-Output) process into a SISO (Single-Input Single-Output)
process. In this context, are presented and analyzed in this paper, some pairing
selection techniques and methods, based on the first method proposed and widely used
for input-output pairing, the relative gain array of Bristol, RGA, and some of its
extensions, as DRGA, ADGA, PRGA, ERGA, NRGA.
For the application of the studied methods and tools, two process models widely
known in the literature were used: the Shell Problem and the Tennessee Eastman
Process. These methods were implemented on Matlab, noting the input-output pairing
selection proposals of each method and each control structure, analyzing which
variable pairing configurations are more frequent to select the ideal input-output
pairing, in order to obtain the appropriate input-output pairing configuration to
minimize the loop interactions. This will facilitate the single input single output of the
decentralized control structure design, widely used in industrial control systems.
Key Words: RGA, pairing methods, Shell Problem, Tennessee Eastman Process.
6
Sumário
Capitulo 1 - Introdução
1.1. Controlabilidade e Seleção de Estruturas de Controle .......................................... 13
1.1.1.Controlabilidade ........................................................................................... 14
3.2. Matriz de Ganhos Relativos (RGA) para Sistemas Não Quadrados ..................... 63
7
3.3. Matriz de Ganhos Relativos (RGA) para Sistemas Integrativos ........................... 69
Capitulo 4 - Aplicações
4.1. Introdução ............................................................................................................. 79
8
Lista de Figuras
Figura 2.1: (a) malhas ( , )e( , ) abertas; (b) malha ( , ) aberta e malha
( , ) fechada ...................................................................................................... 27
Figura 2.2: Número de RGA do exemplo 2.4 .......................................................................... 40
Figura 2.3: do DRGA em uma faixa de frequências do exemplo 2.4 ................................ 41
Figura 2.4: Valores singulares máximos e mínimos do exemplo 2.4 ....................................... 42
Figura 2.5: Curva de resposta e energia efetiva de ( ) (Xiong et. al., 2005) .................... 47
Figura 2.6: Representação esquemática de uma coluna de destilação (Chiang e Luyben,
1988) ...................................................................................................................... 55
Figura 2.7: Forma de onda típica de processos não oscilatório (superior) e oscilatório
(inferior) com indicado pela área sombreada ................................................... 58
Figura 3.1: Conceito de ganho em malha fechada em um sistema por realimentação ............. 64
Figura 3.2: Coluna de destilação DL (Doukaas e Luyben, 1978) ............................................ 67
Figura 3.3: Sistema de armazenamento de liquido ................................................................... 69
Figura 4.1: Coluna Fracionadora da Shell (Prett e Morari, 1987) ............................................ 80
Figura 4.2: Representação esquemática das variáveis manipuladas e controladas do
processo da coluna da Shell ................................................................................... 82
Figura 4.3: Número de RGA do processo da coluna da Shell .................................................. 84
Figura 4.4: Valores singulares máximos e mínimos do processo da coluna Shell ................... 85
Figura 4.5: Representaçao esquemática da planta Tennessee Eastman (Downs e Vogel,
1993) ...................................................................................................................... 91
Figura 4.6: Representação esquemática das variáveis manipuladas e controladas da
planta Tennessee Eastman ..................................................................................... 94
Figura 4.7: Número de RGA da planta Tennessee Eastman .................................................... 98
Figura 4.8: Valores singulares máximos e mínimos da planta Tennessee Eastman ................ 99
9
Lista de Tabelas
Tabela 4.1: Variáveis de entrada do processo da coluna da Shell ............................................ 81
Tabela 4.2: Variáveis de saída do processo da coluna da Shell ............................................... 82
Tabela 4.3: Modelo da coluna fracionadora de óleo pesado da Shell em funções de
transferência ........................................................................................................... 83
Tabela 4.4: Pareamento de variáveis por todos os métodos analisados para a coluna de
Óleo da Shell.......................................................................................................... 89
Tabela 4.5: Modelo da planta Tennessee Eastman em funções de transferência. .................... 95
Tabela 4.6: Pareamento de variáveis pelo método do RGA para a planta Tennessee
Eastman. ................................................................................................................ 97
Tabela 4.7: Pareamento de variáveis pelo método do ERGA para a planta Tennessee
Eastman. .............................................................................................................. 101
Tabela 4.8: Pareamento de variáveis pelo método do NRGA para a planta Tennessee
Eastman. .............................................................................................................. 104
10
Lista de Abreviaturas
ADGA Matriz de Ganhos Relativos Dinâmica Média (Average Dynamic Gain
Array)
BRG Ganho Relativo em Blocos (Block Relative Gain)
CS Soma das colunas (column sum)
DIOPM Matriz de Pareamento de Entradas e Saídas Dinâmica (Dynamic Input
Output Pairing Matrix)
DRGA Matriz de Ganhos Relativos Dinâmica (Dynamic Relative Gain Array)
ERGA Matriz de Ganhos Relativos Efetiva (Effective Relative Gain Array)
FCC Fluid Catalytic Cracking
FOPDT Primeira Ordem com Atraso de Tempo (First Order Plus Dead Time)
HIIA Índice de Interação de Hankel (Hankel Interaction Index Array)
INA Matriz Inversa de Nyquist (Inverse Nyquist Array)
LTI Linear e Invariante no Tempo
IM Interation Measure
MIMO Múltiplas Entradas e Saídas (Multiple-Input Multiple-Output)
NI Índice de Niederlinski (Niederlinski Index)
NRG Matriz de Ganhos Relativos Não Quadrada (non-square relative gain
array)
NRGA Matriz de Ganhos Relativos Normalizada (Normalized Relative Gain
Array)
PRGA Desempenho da Matriz de Ganhos Relativos (Performance Relative
Gain Array)
RGA Matriz de Ganhos Relativos (Relative Gain Array)
RIA Matriz de interação relativa (Relative Interaction Array)
RS Soma das linhas (row sum)
SISO Única Entrada e Única Saída (Single-Input Single-Output)
SOPDT Segunda Ordem com Atraso de Tempo (Second Order Plus Dead
Time)
SVD Decomposição em Valores Singulares (Singular Value Decomposition)
11
Lista de Símbolos
AF Vazão de Alimentação A
A&CF Vazão de Alimentação A e C
B Composição de B na Purga
CCWOT Temperatura de Saída da Agua de Resfriamento do Condensador
CRV Válvula de Reciclo do Compressor
CW Trabalho do Compressor
DF Vazão de Alimentação D
PF Vazão de Purga
PQ Qualidade do Produto
PR Taxa de Produção
RCWOT Temperatura de Saída da Agua de Resfriamento do Reator
RF Vazão de Reciclo
RP Pressão no Reator
RT Temperatura no Reator
SSF Vazão de Corrente de “Stripper”
ST Temperatura no “Stripper”
12
Capítulo 1
Introdução
Para o uso de tais estruturas de controle descentralizado, dois passo são bastante
importantes para um projeto de controle bem sucedido, sendo eles a seleção da
configuração de controle e a afinação do controlador.
13
1.1.1. Controlabilidade
Ainda Pedersen et. al. (1998), durante o projeto de uma planta, uma série de
requisitos básicos de desempenho da planta devem ser assegurado de modo que seja
obtido um design quem proporciona desempenho operacional aceitável. Dentre tais
definições, são destacadas:
14
controlabilidade como a capacidade do processo em alcançar e manter o valor de
equilíbrio desejado. Rosenbrock (1970) definiu controlabilidade em termos mais gerais,
sendo um sistema chamado controlável se for possível alcançar os objetivos de controle
especificados, o que quer que estes possam ser. Então, um sistema é dito mais ou menos
controlável de acordo com a facilidade ou dificuldade de exercer o controle. Assim a
controlabilidade pode ser vista como uma propriedade do processo que indica o quão
fácil é o controle da planta para alcançar o desempenho desejado.
15
detalhado da planta e suas interações são raramente disponíveis. Isso exige sérias
considerações de robustez. É sabido que os controladores descentralizados são mais
robustos na presença de incertezas, interconexões e falhas do controlador.
Sedigh e Moaveni (2009) destacam algumas das principais razões para o uso
excessivo do controle descentralizado:
Fácil implementação;
Manutenção eficiente;
Procedimentos de ajustes simples;
Comportamento robusto a respeito de falhas e incertezas do modelo.
16
manipuladas e perturbações, como ruído no sensor. Esse passo possui grande
importância, pois a complexidade do controle do sistema depende da seleção e
pareamento de entradas e saídas, se tornando passo fundamental para estrutura de
controle descentralizado. Um pareamento indevido pode levar a instabilidade do
sistema, ou perda de desempenho. O principal objetivo na escolha de uma apropriada
configuração de controle tem sido minimizar a interação entre laços, deixando os
subsistemas independentes, facilitando para estabilidade do mesmo.
17
Eficaz: a eficácia implica em eliminar as configurações de entradas e
saídas, as quais não podem alcançar os critérios de seleção (configurações
de entradas e saídas inviáveis), enquanto mantem as configurações que
alcançam tais critérios (configurações de entradas e saídas viáveis).
Comumente aplicável: o método de seleção de entradas e saídas deve lidar
com a grande variedade de problemas de controle.
Rigoroso: viabilidade deve ser abordada de forma rigorosa para cobrir uma
ampla variedade de questões que são importantes para o projeto de sistemas
de controle. Por exemplo, um critério de seleção de entradas e saídas
baseado na estabilidade robusta é mais rigoroso do que um baseado na
estabilidade nominal.
Quantitativo: um método de seleção de entradas e saídas preferivelmente
emprega um critério quantitativo para a viabilidade da configuração de
entrada e saída para distinguir claramente entre as expectativas de outras
configurações de entrada e saída. Por exemplo, um critério qualitativo
como a controlabilidade do estado fornece apenas uma resposta “sim ou
não” da viabilidade da entrada, enquanto uma medida quantitativa de
controlabilidade fornece uma informação adicional de “quão fortemente”
uma entrada afeta um estado.
Controlador independente: um método de seleção de entradas e saídas deve
eliminar as configurações para as quais não existe um controlador capaz de
cumprir a meta de controle pretendido. Normalmente não é desejável impor
restrições no método de projeto do controlador, pois gera conclusões
tendenciosas da viabilidade da configuração de entrada e saída. Por
questões de eficácia, a seleção de entradas e saídas não deve envolver o
projeto completo do controlador.
Direto: com o objetivo de eficácia, se a lista de configurações de entradas é
infinita ou muito grande, é desejável que o método de seleção de entradas e
saídas caracterize diretamente as configurações viáveis, ao invés de testar
configuração por configuração para um critério particular.
O RGA (Relative Gain Array) introduzido por Bristol em 1966 foi um dos
primeiros métodos propostos para pareamento de entradas e saídas. Este método
18
empírico é a estratégia de seleção de configuração de controle mais utilizada. No
entanto, a partir dele, muitas extensões, generalizações e seleções de pareamento de
entradas e saídas já estão disponíveis na literatura. Após a introdução do RGA, muitos
métodos como o DRGA (Dynamic Relative Gain Array), ADGA (Average Dynamic
Gain Array), ERGA (Effective Relative Gain Array), PRGA (Performance Relative
Gain Array), RIA (Relative Interaction Array), BRG (Block Relative Gain), NRGA
(Normalized Relative Gain Array), aplicação do RGA em processos não quadrados,
integrativos, entre outros, foram desenvolvidos como novas medidas de interação.
1.2. Objetivos
19
Avaliar os principais métodos de seleção de pareamento de entradas e
saídas, utilizando o critério de matriz de ganhos relativos e suas principais
extensões.
Reunir em um único trabalho tais métodos de pareamento de entradas e
saídas, sempre comparando com o método pioneiro de Bristol (1966),
observando vantagens e desvantagens.
Aplicação dos métodos estudados para analisar os critérios de
emparelhamento fornecidos por eles para efeito de controle
descentralizado.
1.3. Motivação
20
A partir desse método inicial de Bristol (1966), temos hoje espalhadas na literatura
várias extensões e generalizações do RGA, com intuito de aprimorar tal método de
seleção de entradas e saídas.
21
apropriada escala. Os resultados mostram que o desempenho de um sistema de
controle descentralizado é fortemente dependente da direção do set-point e
mudanças na carga, o qual a análise da direção da interação pode ser utilizado,
aplicando o SVD (Singular Value Decomposition).
Kinnaert (1995) apresenta medidas de interação para processos MIMO
(Multiple-Input Multiple-Output) lineares e examina o melhor pareamento de
variáveis manipuladas e controladas, utilizando tanto a clássica abordagem do
RGA de Bristol, como métodos menos comuns baseados no critério de autovalor
de Jacobi, análise de valor singular, matriz direta de Nyquist. Pelos exemplos
realizados no artigo, todas as ferramentas devem ser consideradas, no intuito de
obter uma imagem clara das propriedades do processo e das possibilidades de
controle, podendo combinar algumas técnicas com outras.
Kookos e Lygeros (1998) propuseram um novo algoritmo baseado nas principais
propriedades das matrizes RGA (Relative Gain Array) e do RIA (Relative
Interaction Array) e os conceitos de interação, integridade e estabilidade. Foi
mostrado nos resultados que a formulação pode ser facilmente aplicada e
resolvida, mesmo para sistemas arbitrariamente grandes e gera automaticamente
as estruturas de controle mais promissoras. Assim, do ponto de vista da
aplicação, o algoritmo proposto oferece uma solução simples, rigorosa e
sistemática para o problema de estruturas de controle viáveis e promissoras para
problemas de larga escala industrial.
Conley e Salgado (2000) propuseram uma nova medida de interação baseada no
modelo dinâmico do processo, baseada no Gramiano de controlabilidade e
observabilidade do sistema. Ela também descreve a dificuldade de observar e
controlar o estado do processo. A medida baseada no Gramiano é feita sobre um
modelo dinâmico e não possui limitações quanto ao número de entradas e saídas,
dando critérios de pareamento para elas. Ela fornece também uma medida de
desempenho relativo para uma dada arquitetura de controle, permitindo ao
projetista avaliar os benefícios de outras estruturas de controle.
Wittenmark e Salgado (2002) introduzem uma nova medida de interação para
sistemas multivariáveis estáveis, o índice de interação de Hankel (Hankel
Interation Index), o qual é uma extensão dinâmica da ideia clássica do RGA e
suas extensões. Tal índice é baseado na construção de subsistemas SISO a partir
22
de um sistema original MIMO, possuindo como principal vantagem a habilidade
de quantificar interações dependentes da frequência, utilizando para o
pareamento de entradas e saídas. Eles demonstraram que o índice pode ser
aplicado em conjunto com as informações disponíveis da frequência de banda
em malha fechada, exibindo um desempenho superior, comparado com o
tradicional RGA, sendo também mais simples que outras medidas de interação
dinâmicas, já que não exige uma análise complexa em uma grande quantidade
de respostas em frequência.
Halvarsson (2003) compara a medida de interação tradicional do RGA com o
índice de interação de Hankel, HIIA (Hankel Interation Index Array) na análise
de modelos de um biorreator. Depois de aplicados os métodos, os resultados
indicam que o RGA fornece um caminho simples para o pareamento das
entradas e saídas, porem não funciona de forma adequada para todos os
modelos, tendo que ser utilizada com atenção. Já o método HIIA, deu sugestões
de pareamento bastante sensatas e relevantes, tendo em vista que tal método leva
em conta todas as frequências de operação, não apenas o estado estacionário,
possuindo vantagens quando comparado ao RGA.
Handogo et. al. (2005) compara a medida de interação tradicional do RGA com
o ADGA (Average Dynamic Gain Array) e INA (Inverse Nyquist Array)
observando casos em que o resultado do RGA sugerir um pareamento
inadequado para determinados sistemas. Depois de aplicados os métodos e
simulações, os resultados indicam que para alguns casos, o RGA realmente
fornece sugestões de pareamento mal interpretadas, sendo necessário o uso de
outras ferramentas para confirmar a seleção de pareamento de variáveis.
Huang et. al. (2005) propôs um modelo modificado do RGA para superar as
dificuldades encontradas em calcular o RGA de processos integrativos
possuindo integradores puros. Uma RGA modificada é utilizada para seleção de
pareamento de variáveis. Controladores para o processo integrativo e o processo
não integrativo são sintetizados, decompondo o sistema, sendo evidenciada a
eficácia de tal procedimento pelo resultado de simulações realizadas.
Xiong et. al. (2006) propôs um novo método para sistemas de controle
descentralizado multivariáveis, o ERGA (Effective Relative Gain Array). Uma
nova medida de interação onde é analisado tanto o ganho em estado estacionário
23
quanto variações de frequências críticas. Resultados de simulações mostram que
o método é simples e fornece um desempenho dinâmico compatível ou até
melhores a outros métodos, mostrando a eficácia do método proposto.
He et. al. (2009) apresentou um novo critério de configuração de controle de
laços para processos multivariáveis, o NRGA (Normalized Relative Gain Array),
o qual investiga as informações da função de transferência, tanto no estado
estacionário, como no transitório. Os resultados obtidos mostram a eficácia do
método, para os quais o RGA tradicional fornece uma avaliação imprecisa da
interação, enquanto o método apresentado fornece resultados precisos. Este
método é muito fácil de ser implementado e pode ser uma ferramenta muito útil
no projeto de sistemas de controle descentralizado.
24
Capítulo 5 – Conclusões e Recomendações. Aqui são apresentadas as
conclusões gerais do trabalho e algumas propostas de projetos
relacionados.
25
Capítulo 2
O RGA e Suas Extensões
2.1. Introdução
Este capítulo aborda os métodos de seleção de pareamento de entradas e saídas,
variáveis manipuladas e variáveis controladas, para o controle de um determinado
sistema. É apresentado o método principal e mais utilizado, o método de Matriz de
Ganhos Relativos (RGA), seguido de algumas de suas extensões.
A matriz de ganhos relativos (RGA) foi proposta por Bristol (1966) visando
melhorar a escolha dos pares de variáveis. O RGA é uma das primeiras medidas de
interação desenvolvidas e uma das mais utilizadas.
26
Considerando, então, um processo quadrado com n variáveis controladas e n
variáveis manipuladas, segundo Bristol (1966), o ganho relativo é definido pela
razão vista na Equação 2.1:
( ) ⁄( ) (2.1)
( ) (2.2)
( ) (2.3)
Figura 2.1: (a) malhas ( , )e( , ) abertas; (b) malha ( , ) aberta e malha
( , ) fechada.
27
(2.4)
(2.5)
( ) ( ) (2.6)
( ) [ ] (2.7)
( ) [ ] (2.8)
( ) ( ) [ ( )] (2.9)
Sendo assim, é observado cada caso possível para cada valor de da matriz:
28
, indica um pareamento perfeito, pois o ganho de malha aberta é
igual ao ganho de malha semifechada, ou seja, um laço não afeta o outro.
, nesse caso não existe interação entre a variável manipulada e a
variável controlada.
, ocorre um aumento no ganho malha controlada quando os
outros laços são fechados, ocorrendo interação entre laços. Para o caso de
um sistema 2x2, devido à propriedade de normalização, a matriz RGA é
dada por:
( ) (2.10)
Onde, caso deve ser pareado com , caso contrário, deve ser
pareado com , tendo a interação entre malhas mais forte quando
.
No Exemplo 2.1 feito por Skogestad (1996) é mostrado o cálculo da matriz RGA
de um processo, com suas devidas interpretações para o caso.
29
Exemplo 2.1
( ) [ ]
( ) [ ]
( ) [ ]
( ) ( ) ( ) .
Qualquer permutação das linhas ou colunas da matriz A, resulta na
mesma permutação na matriz RGA. Isto é, ( ) ( ) onde
e são matrizes de permutação.
A normalização, ou seja, a soma dos elementos de qualquer linha ou
qualquer coluna é igual a 1.
Escala invariante, isto é, é obtido um numero adimensional,
independente da escala das variáveis.
O RGA é uma medida de sensibilidade da incerteza relativa elemento por
elemento de uma matriz, sendo assim, uma perturbação em um dos
30
elementos da matriz pode tornar a matriz singular, isto é, seu
determinante igual a zero, não admitindo uma inversa, o que
impossibilita o calculo do RGA.
Apesar de ser bastante útil, Kinnaert (1995) ressalta que a RGA não é a solução de
tudo por algumas razões:
Em sistemas com mais variáveis também, onde não existe uma clara escolha para
pares de variáveis, observando apenas o RGA em uma única frequência, o estado
estacionário.
31
Antes do embasamento teórico sobre as extensões do RGA, são mostradas nas
seções 2.2.1 e 2.2.2, as relações do método do RGA com a condição numérica, e com as
incertezas no modelo, respectivamente.
Skogestad (1996) define condição numérica como a razão entre o valor singular
máximo e o mínimo.
( )
( ) ⁄ ( ) (2.11)
Skogestad (1996) afirma que uma matriz com uma condição numérica elevada é
considerada mal condicionada, sensível a incertezas em sua entrada, potencialmente
difícil de ser controlada.
A condição numérica tem sido utilizada como uma medida de controle das
entradas e saídas, em particular, indica uma sensibilidade a incertezas. Ela está
diretamente ligada à escala das entradas e saídas, assim, já que uma das propriedades da
matriz RGA é a escala invariante, é feito o uso de matrizes diagonais para minimizar o
valor da condição numérica.
( ) ( ) (2.12)
( ) ( ) (2.13)
32
No Exemplo 2.2 feito por Skogestad (1996) é visto um desses casos em que o
RGA possui elementos com valor alto.
Exemplo 2.2
( ) [ ]
( ) [ ]
( ) [ ]
Neste caso, temos que os valores singulares máximo e mínimo da matriz ( ) são
e , respectivamente. Portanto, a condição numérica é:
( ) ⁄
33
Yu e Luyben (1987) mostraram que se tornará singular se um único elemento
for perturbado pelo valor expresso na equação 2.14.
(2.14)
Assim, essa perturbação possui valores máximos permitidos para que o processo
continue controlável, dizem Yu e Luyben (1987). Porem, Skogestad (1992) detalha que
a equação 2.14 é baseada supondo que apenas um dos ganhos do processo sofre
perturbação, o que não ocorre em uma situação mais realista, onde as incertezas do
processo são associadas a mais de um elemento.
Skogestad e Morari (1997) ressaltam que processos com elementos do RGA com
altos valores irão facilmente se tornar singular se um pequeno erro relativo em cada
elemento da matriz de transferência ocorrer, tornando não possível o controle do
mesmo. O controle por pré-alimentação nunca deve ser utilizado para tais processos,
devido a sua alta sensibilidade a incertezas na entrada. Segundo Skogestad e Havre
(1996) um dos principais motivos de aplicar controle por realimentação ao invés de
controle por pré-alimentação é a redução do efeito da incerteza no modelo.
( ) ( )
[ ] (2.15)
( ) ( )
34
Para esta análise, Chen e Seborg (2002) consideraram uma matriz 2x2 em estado
estacionário, e tendo em vista a equação 2.10, foram obtidas as equações 2.16 e 2.17.
(2.16)
(2.17)
(2.18)
(2.19)
(2.20)
(2.21)
e (2.22)
É ilustrado no exemplo 2.3 feito por Wood e Berry (1973) tais resultados deixando
mais claro o entendimento.
35
Exemplo 2.3
( ) [ ]
Usando a definição da equação 2.9 e a equação 2.17, temos que o RGA e seu quociente
de interação, respectivamente, são:
( ) [ ]
| | (2.23)
36
Desta maneira, continua sendo recomendada o pareamento direto.
Como a variação de inclui o valor , é feito o uso da equação 2.22, para obtenção
da variação de .
Para este caso, a matriz RGA se torna singular e não é aconselhado nenhum
pareamento, pois os valores de podem ser tanto positivos, como negativos.
37
Observando os resultados das incertezas apenas em , comparando com os resultados
anteriores, podemos observar que o calculo da incerteza em apenas um elemento da
matriz produz estimativas excessivamente otimistas sobre a variação da incerteza de
.
Esse exemplo demonstra que o modelo de incerteza pode ter um efeito serio sobre
a seleção de estrutura de controle, devendo ser utilizado na analise do RGA, garantindo
um melhor desempenho.
Como foi visto na seção 2.2, o calculo do RGA é somente aplicado no ganho em
estado estacionário, podendo levar a alguns erros de interpretações, já que não leva em
conta o desempenho dinâmico do processo. Além disso, o uso do RGA para sistemas
com integradores se torna mais difícil, necessitando a utilização de algumas ferramentas
para modificar o processo, a ser observado posteriormente no capitulo 3.
( ) ( ) ( ) [ ( )] (2.24)
38
O DRGA possui as mesmas propriedades que o RGA, diferindo que seus
elementos são calculados em uma determinada faixa de frequência, podendo ser plotado
em um gráfico com cada elemento de ( ) em função de .
Ainda Skogestad e Postlethwaite (1996), declaram que o RGA pode ser utilizado
como uma medida de dominância diagonal, ou mais precisamente se as entradas e
saídas podem ser dimensionadas para obter tal dominância diagonal. Tal medida de
dominância diagonal é definida como número de RGA e é dada pela subtração dos pares
da matriz de ganhos relativos pela matriz identidade, conforme mostrado na equação
2.25.
‖ ( ) ‖ (2.25)
Exemplo 2.4
39
( ) [ ]
( ) [ ]
O qual, de acordo com sua metodologia explicada na seção 2.2, possui um valor de
maior que , sugerindo um pareamento direto, com e com .
40
Utilizando a equação 2.24, foram calculados valores de em uma faixa de
frequência, plotados em um gráfico em função de , mostrado na Figura 2.3.
Kinnaert (1995) ressalta que um dos motivos para essa grande alteração do ,éo
fato que as constantes de tempo dos elementos de ( ) que não estão na diagonal
principal serem dez vezes mais rápidas que a dos elementos que estão na diagonal
principal, tendo em vista que o RGA não leva em conta os fatores dinâmicos do sistema.
41
dada pela intersecção do máximo valor singular com a queda de dB do valor
nominal.
( ) [ ]
42
unitário, resultando numa interação de malhas pouco significante, sugerindo um
pareamento entre com e com .
A ADGA (Average Dynamics Gain Array) foi proposta por Gagnepain e Seborg
(1982) como uma extensão do conceito de DRGA (Dynamics Relative Gain Array)
também baseada em respostas ao degrau. Porem, os dados são utilizados de maneira
diferente para evitar as desvantagens do método da DRGA.
(2.4)
( ) (2.26)
∫ ( ) (2.27)
43
( ) [ ] (2.28)
{ ( ) ( )} (2.29)
{ } (2.30)
(2.31)
É mostrado no exemplo 2.5 um exemplo feito por Handogo et. al. (2005),
utilizando o cálculo da ADGA para um devido processo com suas devidas
interpretações.
Exemplo 2.5
( )
[ ]
44
Aplicando o método tradicional do RGA, para o ganho em estado estacionário, é
obtida a matriz RGA da forma:
( ) [ ]
A qual, de acordo com sua metodologia explicada na seção 2.2, possui um valor de
maior que , sugerindo um pareamento das variáveis com e com .
( )
Cada valor de ( ) obtido para cada respectiva função de ganho é calculado sua
transformada inversa de Laplace, ( ), para o cálculo de todos os elementos da
matriz , utilizando a equação 2.27. Para calcular tal matriz é necessária a definição dos
parâmetros , e , dados pelas equações 2.29, 2.30 e 2.31, respectivamente:
{ ( ) ( )}
{( ) ( )}
[ ]
45
Utilizando a equação 2.28, obtemos, enfim, os valores da matriz ADGA do
processo:
( ) [ ]
O ERGA (Effective Relative Gain Array) foi proposto por Xiong et. al. (2006)
como uma modificação do RGA com intuito de fornecer um método eficaz e universal
baseado em cálculos simples. Essa nova medida de interação para processos MIMO
podia fornecer informações sobre alterações de ganho e fase com o sistema em malha
fechada. Ao invés de utilizar uma matriz no estado estacionário, foi proposta a
utilização do produto de Schur da matriz em estado estacionário e uma matriz
constituída das integrais na frequência do valor absoluto dos elementos de . Os limites
da integral na frequência vão de zero até a largura de banda do sistema.
Toro (2008) afirma que esta extensão do método do RGA leva em conta toda a
gama de frequências de operação e comparado ao DRGA, também fornece informação
46
sobre a dinâmica do sistema utilizando muito menos computação. Porem, como soma
de produto de ganhos, trabalha com valores muito alterados do ganho para avaliar o
RGA, o que pode levar a resultados distorcidos e pareamentos errados.
( )∫ | ( )| (2.32)
| ( )| ( ) (2.33)
47
Já que | ( )| representa a magnitude da função de transferência em varias
[ ] (2.34)
Para simplificar o cálculo, foi aproximado o valor da integral de por uma área
retangular. Desta forma:
(2.35)
( ) (2.36)
( ) [ ]
[ ]
48
Já que é uma indicação de taxa de transmissão de energia para um determinado
laço, quanto maior o valor de , mais dominante será o laço.
̂
(2.37)
[ ] (2.38)
Similar com a RGA, Xiong et. al. (2006) define algumas regras de pareamento
para o ERGA:
49
É mostrado no exemplo 2.6 um exemplo feito por Xiong et. al. (2006) utilizando o
cálculo do ERGA para um devido processo com suas devidas interpretações.
Exemplo 2.6
( )
[ ]
( ) [ ]
A qual, de acordo com sua metodologia explicada na seção 2.2, possui um valor de
maior que , sugerindo um pareamento direto, com e com .
( ) [ ]
[ ]
50
Com os valores obtidos das matrizes ( ) e , podemos calcular os valores da matriz
utilizando a equação 2.36. Assim:
[ ]
[ ]
Hovd e Skogestad (1992) afirmam que uma inadequação da RGA é que ela só
mede interações bidirecionais e pode, portanto, indicar que a interação não é o
problema, quando existe uma forma de acoplamento significativa. Para superar esse
problema, eles introduziram uma nova medida dependente da frequência, chamada de
PRGA (Performance Relative Gain Array).
Seja o erro do sistema global, quando todos os laços estão fechados, definido por:
(2.39)
51
Então, em termos da função de sensibilidade do sistema total em malha fechada, temos:
[ ] (2.40)
Tornando o erro:
(2.41)
̃ ̃ ̃ (2.42)
̃ ( ) (2.43)
̃ ̃ ̃ (2.44)
̃ {̃} [ ] (2.45)
( ) ; ̃ ( ) ; ̃ ( ) (2.46)
( ) ( ) (2.47)
52
O termo representa a matriz PRGA, logo, a ela é dada por:
(2.48)
(2.49)
Groenendijk (2000) salienta que assim como o RGA, o PRGA também mede a
interação da planta, porém, de maneira diferente, permitindo a análise do desempenho
do controlador. Já que o PRGA possui os mesmos elementos da diagonal do RGA, o
PRGA não dá mais informações quanto a diagonal. No entanto, os elementos fora da
diagonal são medidas de interação da planta diagonalmente controlada. Valores iguais a
zero significam nenhuma interação. Valores diferentes de zero mostram
quantitativamente quanto uma saída em particular tem impacto sobre outras saídas.
Outra diferença entre o PRGA e o RGA apresentada por Groenendijk (2000) é que
o PRGA é uma medida de instrumentação mais sensível, já que não permite interações
bidirecionais como o RGA, só leva em conta a interação em um sentido.
53
̂ ̂̂ ̂ ̂; ̂ ̂ ̂ (2.50)
̂ ̂
̂
; ̂
(2.51)
̂ ̂ ̂
̂
; ̂
; ̂
(2.52)
; ; ; (2.53)
Em sistemas MIMO, cada variável pode ter diferentes valores máximos. Em cada
caso, , , e se tornam matrizes escalares diagonais. As variáveis
correspondentes escaladas para utilização em fins de controle são:
54
̂; ̂; ̂; ̂ (2.54)
̂ ; ̂ (2.55)
; (2.56)
Exemplo 2.7
55
Onde e representam as frações parciais dos componentes no destilado e no
fundo da coluna, e representam a vazão de refluxo e o calor de entrada,
respectivamente. O processo possui função de transferência ( ) da forma:
( )( ) ( )( )
( )
[( )( ) ( )( ) ]
( ) [ ]
A qual, de acordo com sua metodologia explicada na seção 2.2, possui um valor de
maior que , sugerindo um pareamento direto, com e com .
( ) [ ]
56
2.7. Matriz de Ganhos Relativos Normalizada (NRGA)
O NRGA (Normalized Relative Gain Array) foi proposto por He et. al. (2009)
como uma nova extensão do RGA. Este método de ganho normalizado é definido para
proporcionar uma descrição mais compreensiva de cada canal de entrada à saída do
processo, investigando tanto o estado estacionário, como o estado transitório, através de
informações das funções de transferência.
Segundo He et. al. (2009) a matriz de ganhos relativos normalizada foi introduzida
para medições de interação de laço, consequentemente, um novo critério de pareamento
baseado no NRGA é proposto para a configuração da estrutura de controle.
He et. al. (2009) ressalta as principais vantagens desse método, sendo elas:
57
Desta maneira, seja uma função da forma:
( ) ( ) ̅ ( ) (2.57)
̅ ∫ (̅ ( ) ̅ ( )) (2.58)
58
Como a acumulação da diferença entre o esperado e o resultado real do processo
̅ ( ), ̅ , de fato, é o tempo médio de residência de ̅ ( ).
̅ (2.59)
Resolvendo a integral da equação 2.55, são obtidas duas equações para o cálculo
de , sendo elas para casos FOPDT (First Order Plus Dead Time) e SOPDT (Second
Order Plus Dead Time).
( ) (2.60)
(2.61)
( ) (2.62)
(2.63)
59
Visto isso, até agora foram obtidos dois parâmetros importantes para o processo
( ):
( )
(2.64)
[ ] ( ) (2.65)
Onde:
[ ] (2.66)
60
Similarmente ao visto com o RGA, a obtenção dos ganhos relativos normalizados
é dado pela multiplicação elemento por elemento da matriz pela sua transposta da
inversa. Desta maneira:
( ) (2.67)
É mostrado no exemplo 2.8 o calculo do NRGA para um processo, feito por He et.
al. (1977), com suas devidas interpretações.
Exemplo 2.8
( )
[ ]
( ( )) [ ]
O qual, de acordo com sua metodologia explicada na seção 2.2, possui um valor de
maior que , sugerindo um pareamento direto, com e com .
61
Após o pareamento sugerido pelo modelo RGA, é aplicado o modelo NRGA para
comparação de resultados.
Para o cálculo do NRGA é, como foi explicado inicialmente, foi obtido o tempo
médio de residência. Para isso, como se trata de um processo FOPDT, foi utilizada a
equação 2.61 para o cálculo da matriz , obtendo desta maneira:
[ ]
[ ]
[ ]
62
Capítulo 3
Casos Especiais do RGA
3.1. Introdução
Este capítulo aborda alguns casos especiais do método do RGA, sendo tais casos:
para sistemas não quadrados e sistemas integrativos.
63
duas abordagens para o controle de um processo não quadrado. Uma abordagem feita
por Treiber (1984) e Lourtie (1985) é a criação de um controlador não quadrado para
controlar todas as saídas. A outra, feita por Downs e Moore (1981) é transformar o
sistema em um sistema quadrado, pareando as entradas e saídas de acordo com o
calculo do NRG.
(2.4)
Utilizando uma proposta de controle com mínimos quadrados para diminuição dos
erros no estado estacionário, por conta dessas diferenças no set point, Chang e Yu
64
(1989) chegaram à conclusão que a inversa do ganho em malha fechada é dada pela
equação 3.1:
[ ] (3.1)
( ) ⁄( ) (3.2)
( ) [ ] (3.3)
[∑ ∑ ∑ ]
[ ( ) ( ) ( )] (3.4)
65
[∑ ∑ ∑ ]
[ ( ) ( ) ( )] (3.5)
Assim como para sistemas quadrados, a matriz RGA não quadrada também
possui algumas propriedades importantes, entre elas, as mais destacadas são:
No Exemplo 3.1 feito por Doukaas e Luyben (1978) é mostrado um caso para um
sistema não quadrado, com suas devidas interpretações.
Exemplo 3.1
66
Figura 3.2: Coluna de destilação DL.
Fonte: Doukaas e Luyben (1978)
O processo possui três entradas e quatro saídas, exemplificando um caso de sistema não
quadrado, com matriz de ganho de função de transferência 4x3, da seguinte forma:
( ) ( )
( ) ( )
( ) ( ) ( )
[ ( ) ( ) ]
67
Para tal função de transferência, foi obtida a matriz de ganho em estado estacionário da
forma:
( ) [ ]
( ) [ ]
Fazendo uso das equações 3.4 e 3.5, podemos também calcular o vetor soma de suas
linhas e colunas, obtendo, respectivamente:
[ ]
[ ]
Uma maneira citada por Chang e Yu (1989) de resolver este caso é transformando
o sistema não quadrado em um sistema quadrado. Para tal resolução será retirada a saída
que possui menor interação com o sistema. Desta maneira, observando o resultado do
NRG, e da soma de linhas e colunas, CS e RS, podemos perceber que a terceira saída
tem pouca interação com as entradas, já que soma dos elementos da terceira linha deu
muito próximo à zero. Retirada a terceira linha, o sistema fica da forma:
( ) [ ]
68
3.3. Matriz de Ganhos Relativos (RGA) para
Sistemas Integrativos
Segundo Seborg et. al. (1989) para processos com integradores, as relações
matemáticas entre certas variáveis e as entradas são regidas pelos integradores. Esses
processos não são autorregulados, ou seja, caso seja aplicado um degrau em uma das
entradas, o processo não irá alcançar um estado estacionário. Isto quer dizer que o
ganho comum em estado estacionário é indefinido.
De acordo com Arkun e Downs (1990), o exemplo mais comum visto para
sistemas integrativos é o de armazenamento de líquidos em um tanque, visto na figura
3.3. Supondo que o fluxo de saída pode ser manipulado independente do nível do
liquido, a relação matemática entre o nível e o fluxo de entrada é expressa por uma
integral. Consequentemente, enquanto houver uma diferença entre os dois fluxos,
entrada e saída, o tanque irá transbordar ou secar, sem que haja uma auto regulação.
69
para regulação das variáveis. Porem, a atribuição de certas variáveis manipuladas na
primeira fase pode deteriorar o desempenho do controlador na segunda fase.
Exemplo 3.2
( ) [ ]
Porem, a matriz ( ) pode ser vista como a multiplicação de uma matriz escalar ,
por uma matriz não integrativa ̅( ):
( ) [ ][ ]
70
Como foi dito na secção 2.2, uma das propriedades da RGA é que ela possui escala
invariante, então, para tal caso, foi provado por McAvoy (1983) que a RGA da matriz
integrativa ( ) será igual à RGA da matriz não integrativa ̅( ).
( )
( ) [ ] (3.6)
( )
( )
[ ( )] [ ] (3.7)
( )
Exemplo 3.3
71
( )
( )
[ ]
[ ]⁄ [ ]
( ) ⁄ [ ]
Obtendo:
( ) ̅( )
̅( ) [ ⁄ ]
72
Podemos observar a partir dos exemplos 3.2 e 3.3, que a RGA para um sistema
integrativo pode ser obtida de uma matriz de transferência modificada que não inclui os
termos integradores. Especialmente se o sistema pertence ao tipo visto na equação 3.8
( )
( )
( ) [ ] ( ) (3.8)
( )
( )
[ ( )] [ ] (3.9)
( )
( ) ( )] ( )
( ) [ ( ) (3.10)
[ ( )] [ ( ) ( )] (3.11)
Só que, assim como no caso das linhas os termos integradores estavam relacionados às
saídas, para esse caso os termos integradores estão relacionados às estradas.
É obvio que para o cálculo da RGA, como já foi dito anteriormente, necessitamos
dos valores em estado estacionário, ( )e ( ). Esses valores podem ser obtidos a
partir dos valores de e ̅( ), o qual se sabe calcular.
73
termos complementares, linha, ou coluna de que possui valores iguais à zero,
substituída por sua equivalente em ̅( ), obtendo as matrizes ( )e ( ):
( ) ( ) (3.12)
( ) ̅ ( )( ̅ ) (3.13)
̅ ( )( ̅ )
[ ( )]( ) [ ] (3.14)
( )
[ ( )]( ) [ ̅ ( )( ̅ ) ( )] (3.15)
Exemplo 3.4
Considere um processo com três entradas e três saídas, 3x3, com a matriz de
transferência ( ) da forma:
( )
( ) ( )
[ ]
74
( ) ̅( ) [ ] [ ]
Obtendo:
[ ] ̅( ) [ ]
[ ], ̅ [ ]
( ) [ ] ̅ ( )( ̅ ) [ ]
[ ( )]( ) [ ]
( ) [ ]
75
3.3.1. Abordagem Alternativa para Sistemas Integrativos
̃ ̃ (3.16)
̃ (3.17)
̃ ⁄ (3.18)
Caso o termo possua integrador puro. Desta maneira, o calculo para a matriz RGA da
matriz modificada, é dada por:
( ) ̃( ) [̃ ( )] (3.19)
O parâmetro atribuído deve ser um valor positivo e muito próximo da frequência zero,
da ordem de , o que equivale a tornar os elementos integradores mais estáveis,
adicionando um polo muito próximo a origem.
Huang et. al. (2005) lista algumas normas para a matriz RGA modificada:
76
Caso ( ) possua um integrador puro é correto afirmar:
Quando não é zero e finito, a função de transferência efetiva
em malha aberta de um pareamento é um processo
integrativo.
Quando é zero, a função de transferência efetiva em malha
aberta de um pareamento possui mais integradores que
( )
Quando ( ) é livre de integradores puros e finito e diferente de
zero, a função de transferência efetiva em malha aberta de um
pareamento é, também, livre de integradores puros.
É mostrado no exemplo 3.5, feito por Huang et. al. (2005) a utilização de tal
técnica do calculo da RGA para um sistema integrativo descrito.
Exemplo 3.5
( )
( )
( ) ( ) ( )
[( ) ( ) ]
⁄
̃( )
[ ]
77
Sendo o valor de . Baseado nessa matriz de ganho ̃ ( ), utilizando a equação
3.19, é calculado o valor da RGA para o sistema modificado:
( ̃) [ ]
Exemplo 3.6
⁄ ⁄
̃( ) ⁄ ⁄
[ ]
( ̃) [ ]
78
Capítulo 4
Aplicações
4.1. Introdução
Este capítulo aborda aplicações dos métodos do RGA e suas extensões para dois
processos selecionados, sendo eles: uma coluna fracionadora de óleo pesado da Shell e a
planta Tennessee Eastman.
4.2.1. O Processo
79
Figura 4.1: Coluna Fracionadora da Shell.
Fonte: Prett e Morari (1987)
80
mensurável, e então é disponível para controle realimentado, enquanto a Taxa de
Refluxo Superior é uma perturbação imensurável. Já a taxa de Refluxo do Fundo, é uma
variável manipulada, que pode ser usada para controlar o processo.
O Refluxo do Fundo é usado para gerar vapor para ser usado em outras unidades.
Então, apesar da Taxa de Refluxo do Fundo poder ser usada para controlar o
fracionador de óleo, mantê-lo o menor possível significa gerar o maior nível possível de
vapor, o que é economicamente vantajoso. Além disto, existem também duas variáveis
adicionais manipuladas (entradas de controle): A Tração da válvula de saída do Topo e
a Tração da válvula de saída Lateral, ou seja, as taxas de fluxo dos produtos elaborados
fora na parte superior e lateral do fracionador. Novamente, estes são definidos de tal
forma que uma mudança positiva gera um aumento de todas as temperaturas no
fracionador. Em resumo, existem cinco entradas no fracionador, das quais três são
variáveis manipuladas (entradas de controle) e duas são perturbações.
81
Refluxo Superior, a Temperatura do Refluxo Intermediário e a Temperatura de Refluxo
do Fundo. Apenas três dessas saídas são variáveis controladas: As composições do topo
e lateral, e a temperatura de refluxo do fundo. As restantes quatro saídas medidas são
saídas monitoradas disponíveis para uso do controlador.
Diante disso, observando as tabelas 4.1 e 4.2, é representada na Figura 4.2 a planta
do processo com as variáveis manipuladas e controladas selecionadas, sem levar em
conta as perturbações do processo.
82
A função de transferência para cada entrada e saída é modelada como função de
primeira ordem defasada com um tempo de atraso. É importante ressaltar que os valores
das constantes de tempo e atraso são expressos em minutos. Após serem selecionadas as
variáveis manipuladas e controladas a serem utilizadas, observada na Figura 4.2, são
mostradas na Tabela 4.3 suas respectivas funções de transferências.
Ponto de Saída do
Topo -
Ponto de Saída
Lateral -
Temperatura de
Refluxo do Fundo -
RGA
83
( ) [ ]
( ) ( ) [ ]
DRGA
84
Observando o gráfico do número de RGA, podemos perceber que, apesar de
possuir um número de RGA não muito baixo, com magnitude aproximadamente perto
de 18, o sistema se comporta de maneira estável para baixas frequências. O número de
RGA cai nas frequências entre rad/seg e rad/seg, diminuindo a
interação entre as malhas. Porém, para altas frequências, ocorre uma oscilação, aumento
e decréscimo das interações entre as malhas.
( ) ( ) [ ]
85
A qual sugere o mesmo pareamento direto dado pelo RGA em estado estacionário,
mostrado na Tabela 4.4.
ADGA
Para o cálculo do ADGA, como foi explicado na seção 2.4, é aplicado um degrau
unitário em , calculado os valores para ( ). Desta forma, utilizando as equações 2.4
e 2.26, aplicando um degrau unitário na entrada , temos que:
( )
Cada valor de ( ) obtido para cada respectiva função de ganho é calculado sua
transformada inversa de Laplace, ( ), para o cálculo de todos os elementos da
matriz , utilizando a equação 2.27. Para calcular tal matriz é necessária a definição dos
parâmetros , e , dados pelas equações 2.29, 2.30 e 2.31, respectivamente:
{ {( )( )} {( )( )( )( )( )( )}}
{( )( )}
{( )( )( )( )( )( )}
[ ]
( ) [ ]
86
Observando a matriz ADGA do processo, podemos perceber que o mesmo
pareamento direto das variáveis se mantem, igual ao do RGA e DRGA, mostrado na
Tabela 4.4.
ERGA
Para o cálculo do ERGA, como foi explicado na seção 2.5, inicialmente é obtida a
matriz em estado estacionário ( ), já calculada para o caso do RGA.
( ) [ ]
[ ]
[ ]
[ ]
Observando a matriz ERGA do processo, podemos perceber que mais uma vez o
pareamento direto das variáveis se mantem, igual ao dos métodos anteriores, observado
posteriormente na Tabela 4.4.
87
PRGA
Para o cálculo do PRGA, como foi explicado na seção 2.6, inicialmente deve ser
feito um escalonamento das variáveis de saída, fazendo uma normalização das
variáveis. Foi construída uma matriz diagonal de erros máximos permitidos,
considerando 5% do valor em estado estacionário.
Assim:
[ ]
( ) [ ]
Observando a matriz PRGA do processo, podemos perceber que, como foi visto na
teoria, os elementos da diagonal principal são os mesmos do RGA, mudando apenas os
elementos fora da diagonal principal que são medidas de interação entre as malhas.
Mais uma vez o pareamento direto das variáveis se mantem, igual ao dos métodos
anteriores, mostrado posteriormente na Tabela 4.4.
NRGA
Para o cálculo do NRGA, como foi explicado na seção 2.7, inicialmente é obtido o
tempo médio de residência. Para isso, como se trata de um processo FOPDT, foi
utilizada a equação 2.61 para o cálculo da matriz , obtendo desta maneira:
[ ]
88
Para considerar tanto as informações no estado estacionário, quanto no estado
dinâmico, a matriz de ganho normalizada é obtida, utilizando a equação 2.65, obtendo
os valores para :
[ ]
[ ]
Dessa maneira, em resumo para este estudo de caso, não houve divergência entre
os métodos de pareamento observados, sendo que os resultados de todos os métodos
sugerem um pareamento direto entre as variáveis, observado na Tabela 4.4.
89
técnicas de controle multivariável de processos no meio acadêmico, estimulando o
estudo, desenvolvimento e avaliação de tecnologias de controle de processo.
Farina (2000) salienta que devido ao alto grau de interação mássica e energética do
processo, produzido pela corrente de reciclo, tem-se um grande acoplamento entre suas
diversas variáveis de entrada e de saída, o que torna o problema um caso típico para
estudo de estruturas de controle. Desta forma, esse processo é abordado por vários
autores com a finalidade de avaliar a eficiência dos métodos.
4.3.1. O Processo
O processo é descrito como uma unidade industrial, mostrada na Figura 4.5, que
possui cinco unidades principais de operação: um reator, um condensador, um separador
de liquido e vapor, um condensador e uma coluna de “stripping”. Totalizando em 12
variáveis que podem ser manipuladas e 41 mensuráveis para monitorar e controlar.
90
Figura 4.5: Representaçao esquemática da planta Tennessee Eastman.
Fonte: Downs e Vogel (1993)
91
O processo produz dois produtos principais através de quatro reações irreversíveis
e exotérmicas e em presença de um catalisador sólido. Envolvendo assim, 8
componentes: A, B, C, D, E, F, G e H. Sendo, C um inerte, G e H os produtos principais
e F um subproduto. As reações estão apresentadas conforme as equações 4.1, 4.2, 4.3 e
4.4.
( ) ( ) ( ) ( ) (4.1)
( ) ( ) ( ) ( ) (4.2)
( ) ( ) ( ) (4.3)
( ) ( ) (4.4)
92
Os reagentes gasosos reagem rapidamente, tornando o controle de pressão
do reator, a taxa de produção e a qualidade do produto difícil.
Os produtos deixam o reator como vapor e o fluxo de saída do reator não
possui válvula de controle. Intuitivamente, podemos esperar um fluxo para
drenar os produtos líquidos do reator, no entanto, esse fluxo não existe
nesse processo, uma vez que o catalizador é dissolvido na fase líquida.
Além disso, as medições das composições na saída do reator não estão
disponíveis.
A diferença de pressão entre o reator e o separador é a força motriz para o
fluxo entre essas unidades. Além disso, a pressão no separador é ditada
pela pressão no reator.
A pressão no reator é muito sensível a mudanças nas taxas de fluxo de
entrada de reagente. Acumulação de qualquer reagente gasoso resulta num
aumento de pressão podendo chegar a 3000 KPa, o limite de shutdown.
A qualidade do produto depende da concentração dos reagentes no reator.
No entanto, em estado estacionário, uma mudança na concentração de um
reagente não pode ser alcançada aumentando ou diminuindo as taxas de
fluxo de entrada. Tal mudança resultaria na acumulação do reagente e a
pressão do reator atingir o limite de desligamento.
No fluxo de reciclagem, os componentes não condensáveis recirculam,
principalmente reagentes, de volta para alimentação do reator. Isto resulta
em recirculação de variáveis do processo, especialmente a pressão, o nível,
a temperatura e as composições de alimentação do reator. A relação de
reciclo é elevada e o rendimento do produto no reator é baixo.
O processo não permanece em estado de equilíbrio quando a simulação é
executada com os valores base. Ruídos do processo provocam acumulo de
reagentes, o que resulta em aumento da pressão, atingindo o limite de
shutdown dentro de 2-3 horas.
Testes de pulsos e degraus não podem ser conduzidos sem ter controladores
para as variáveis que não são auto-reguladoras. Se estes testes são
realizados sem tais controladores, a pressão atinge o limite de shutdown.
A dinâmica do reator é não linear e consideravelmente rápida. Por isso, é
difícil controlar as variáveis associadas ao reator.
93
A vazão de purga, o trabalho do compressor, o nível, temperatura e pressão
do reator são importantes variáveis de otimização.
94
Tabela 4.5: Modelo da planta Tennessee Eastman em funções de transferência.
AF - A&CF - DF - PF - SSF - CRV - RCWOT - CCWOT -
RF
-
RP
-
RT
-
ST
-
PR
-
PQ
-
C
W
-
B-
95
Após a obtenção do modelo do sistema em funções de transferência, foi realizada a
aplicação dos métodos de seleção de pareamentos de entradas e saídas.
RGA
( )
[ ]
( ) ( )
[ ]
96
Tabela 4.6: Pareamento de variáveis pelo método do RGA para a planta
Tennessee Eastman.
Variável Manipulada Variável controlada
Vazão de Alimentação A (AF) - Pressão no Reator (RP) -
DRGA
97
Figura 4.7: Número de RGA da planta Tennessee Eastman.
98
Figura 4.8: Valores singulares máximos e mínimos da planta Tennessee
Eastman.
( ) ( )
[ ]
99
ADGA
Para esse processo não foi obtido o cálculo do ADGA, por a planta possuir em
algumas das funções de transferências, funções de segunda ordem, tendo em vista que o
ADGA lida apenas com funções de primeira ordem.
ERGA
Para o cálculo do ERGA, como foi explicado na seção 2.5, inicialmente é obtida a
matriz em estado estacionário ( ), já calculada para o caso do RGA.
( )
[ ]
[ ]
100
[ ]
[ ]
101
Compressor (CRV) -
Temperatura de Saída da Água
Trabalho do Compressor
de Resfriamento do Reator
(CW) -
(RCWOT) -
Temperatura de Saída da Água
Composição de B na
de Resfriamento do
Purga (B) -
Condensador (CCWOT) -
PRGA
Para o cálculo do PRGA, como foi explicado na seção 2.6, inicialmente deve ser
feito um escalonamento das variáveis de saída, fazendo uma normalização das
variáveis. Foi construída uma matriz diagonal de erros máximos permitidos para a
saída, com base em Downs e Vogel (1993).
Assim:
[ ]
Após a matriz diagonal de erros máximos permitidos, pode ser calculado o PRGA
escalonado do processo, utilizando a equação 2.48, obtendo:
( )
[ ]
Observando a matriz PRGA do processo, podemos perceber que, como foi visto na
teoria, os elementos da diagonal principal são os mesmos do RGA, mudando apenas os
102
elementos fora da diagonal principal que são medidas de interação entre as malhas.
Podemos perceber também que o método do PRGA não mostra ser adequado para esta
planta, pois fica muito vaga a análise da matriz, não sendo mostrados com clareza quais
variáveis devem ser pareadas.
NRGA
Para o cálculo do NRGA, como foi explicado na seção 2.7, inicialmente é obtido o
tempo médio de residência. Para isso, para o cálculo da matriz , foi utilizada a
equação 2.61 para as funções de transferências FOPDT, e a equação 2.63 para as
funções de transferência SOPDT, obtendo desta maneira:
[ ]
[ ]
103
[ ]
Observando a matriz NRGA do processo, podemos perceber que tal método sugere
um pareamento diferente dos demais encontrados, mostrado na Tabela 4.8.
104
proposta final de pareamento mais apropriada. Tal qual, é mais plausível a utilização do
pareamento realizado no método do RGA e DRGA, observado na Tabela 4.6, por ser o
conjunto de pareamento de variáveis mais em comum com os demais métodos.
105
Capítulo 5
Conclusões e
Recomendações
5.1. Conclusão
106
e, geralmente, difíceis de controlar caso o valor do RGA em tal frequência seja muito
grande.
O ERGA foi proposto como uma extensão do RGA, com uma característica
marcante de simplicidade e eficácia, fornecendo informações tanto em estado
estacionário como em frequências críticas. Porém, como soma de produto de ganhos,
trabalha com valores muito alterados do ganho para avaliar o RGA, o que pode levar a
resultados distorcidos e pareamentos errados.
O NRGA foi proposto como uma extensão do RGA para proporcionar uma
descrição mais compreensiva de cada canal de entrada à saída do processo, investigando
tanto o estado estacionário, como o estado transitório, através de informações das
funções de transferência. Comparado com o método do RGA, o NRGA não apenas
considera informações em estado estacionário, mas também informações transientes.
Quando comparado com o DRGA e ERGA, esse método requer menos cálculo, e
fornece uma decisão de pareamento precisa e fácil de entender.
107
matriz integrativa e outra não integrativa, realizando o procedimento do RGA para a
matriz não integrativa. A outra é a modificação dos termos que possuem integradores
puros por um valor positivo muito próximo a frequência de zero, para realização do
método do RGA.
5.2. Recomendações
109
Referências Bibliográficas
AL-HATMI, N.; THAM, M. (2006). Controllability and resilience aspects of gravity
threephase horizontal separators. In: Proceedings 6th UKACC International Control
Conference (ICC 2006), Glasgow, Scotland.
CHANG, J.; YU, C. (1989). The relative gain for non-square multivariable systems.
Department of Chemical Engineering, National Taiwan Institute of Technology,
Taipei, Taiwan.
CHEN, D.; SEBORG, D. E. (2002). Relative Gain Array Analysis for Uncertain
Process Models. A.I.Ch.E. Journal, 48(2).
CONLEY, A.; SALGADO, M.E. (2000). Gramian based interaction measure. Dept.
of Electronic Engineering, Universidad Técnica Federico Santa Maria.
DOWNS, J.J.; MOORE, C.F. (1981). Steady state gain analysis for azeotropic
distillation. Proc. JACC, Charlottesville, VA.
110
DOWNS, J.J.; VOGEL, E.F. (1993). A plant-wide industrial control problem.
Comput. Chemical Engineering, 17: 245-255.
GROSDIDIER, P.; MORARI, M. (1987). The interaction measure. Ind. Eng. Chem.
Res., 26(6): 1193-1202.
HANDOGO, R.; AVON, T.H.; LELONO, J. (2005). Comparison of steady state and
dynamic interaction measurements in multiloop control systems. Department of
Chemical Engineering, Sepuluh Nopember Institute of Technology, Campus ITS
Sukolilo, Surabaya 60111, Malaysia.
HE, M.J.; CAI, W.J.; NI, W.; XIE, L.H. (2009). RNGA based control system
111
configuration for multivariable processes. Journal of Process Control, 19: 1036–
1042.
HOVD, M.; SKOGESTAD, S. (1992). Simple frequency dependent tools for control
system analysis, structure selection and design. Automatica, 28: 989-996.
HUANG, H.P.; LIN, F.Y.; JENG, J.C. (2005). Multi-loop PID controllers design for
MIMO processes containing integrator(s). Department of Chemical Engineering,
National Taiwan University, Taipei 10617, Taiwan, R.O.C.
KOOKOS, I.K.; LYGEROS, A.I. (1998). An algorithmic method for control structure
selection based on the RGA and RIA interaction measures. Trans IChemE, 76.
LOURTIE, P.M.G. (1985). The inverse Nyquist array for non-square systems. Proc.
American Control Conference, Boston, MA.
112
NETT, C.N.; MANOUSIOUTHAKIS, V. (1987). IEEE Trans. Automatic Control,
AC-32, 405-407.
113
SILJAK, D.D. (1996). Decentralized control and computations: status and prospects.
Annual Rev. Control, 20: 131-141.
SKOGESTAD, S.; HAVRE, K. (1996). The use of RGA and condition number as
robustness measures. Chemical Engineering, Norwegian University of Science and
Technology, N-7034 Trondheim, Norway.
WITCHER, M.; MCAVOY, T.J. (1977). Interacting control systems: steady state e
dynamic measurement of interactions. ISA Trans., 16: 35-41.
114
WOOD, R. K.; BERRY, M. W. (1973). Terminal Composition Control of a
Binary Distillation Column. Chem. Eng. Sci., 28: 1707.
WOOLVERTON, P.F. (1980). How to use relative gain analysis in systems with
integrating variables. Intech., 27: 63-65.
XIONG, Q.; CAI, W.; HE, M. (2005). A practical loop pairing criterion for
multivariable processes. Journal of Process Control, 15: 741-747.
XIONG, Q.; CAI, W.; HE, M. (2006). Decentralized control system design for
multivariable processes - a novel method based on effective relative gain array. Ind.
Eng. Chem. Res., 45: 2769-2776.
115