TCC Final - Sergio Dias PDF

UNIVERSIDADE FEDERAL DE SERGIPE - UFS
CENTRO DE CIÊNCIAS EXATAS E TECNOLOGIA - CCET

DEPARTAMENTO DE ENGENHARIA ELÉTRICA - DEL
SERGIO DIAS DE MELO FILHO
RGA E SUAS EXTENSÕES PARA ANÁLISE DE

CONTROLABILIDADE OPERACIONAL E PROJETO DE
ESTRUTURAS DE CONTROLE DE PROCESSOS
São Cristóvão - SE
Fevereiro de 2014
1

Trabalho de Conclusão de Curso

apresentado à Universidade Federal de
Sergipe como parte dos requisitos para
obtenção do Grau de Bacharel em
Engenharia Elétrica com habilitação em
Eletrônica.
Orientador: Prof. Dr. Oscar A. Z.

Sotomayor
São Cristóvão - SE
Fevereiro de 2014
2

Trabalho de Conclusão de Curso apresentado à

Universidade Federal de Sergipe como parte dos
requisitos para obtenção do Grau de Bacharel em
Engenharia Elétrica com habilitação em Eletrônica.
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
Gostaria de agradecer primeiramente a Deus, por sempre guiar meu caminho,

dando sabedoria em todas as decisões necessárias.
Aos meus pais, Sergio Dias e Hilda Teles, minha irmã Paula Teles, pelo suporte,
carinho e conselhos.
À minha família, por todo apoio recebido.
Aos meus amigos, todos que apoiaram, foram companheiros durante essa longa
caminhada.
À minha namorada, Sandy Saraiva, pelo carinho e incentivo nessa fase final.
Ao meu orientador Oscar Alberto Z. Sotomayor, pela ajuda, disposição e
paciência para que pudesse ser realizado este trabalho.
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.
Para a aplicação dos métodos e ferramentas estudadas, foram utilizados 2 modelos

de processos amplamente divulgados na literatura da área, sendo eles: uma coluna
fracionadora de óleo pesado da Shell e a planta Tennessee Eastman. Esses métodos
foram programados utilizando a ferramenta Matlab, observando as configurações de
pareamento propostas de cada método para cada sistema estudado, analisando quais
resultados de pares de variáveis são mais frequentes, para conclusão do pareamento
ideal de cada processo, com a finalidade de obter a apropriada configuração de pares de
entradas e saídas, que possuam menor interação entre laços individuais, facilitando o
projeto da estrutura de controle descentralizada, muito utilizada na prática industrial.
Palavras chave: RGA, métodos de pareamento, coluna fracionadora da Shell, planta

Tennessee Eastman.
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
1.1.2.Sistemas de Controle Descentralizado ......................................................... 15
1.1.3.Seleção de Configuração de Entradas e Saídas ............................................ 17
1.2. Objetivo ................................................................................................................. 19
1.3. Motivação .............................................................................................................. 20
1.4. Revisão do Estado da Arte .................................................................................... 21
1.5. Escopo do Trabalho............................................................................................... 24
Capitulo 2 - O RGA e Suas Extensões

2.1. Introdução ............................................................................................................. 26
2.2. Matriz de Ganhos Relativos (RGA) ...................................................................... 26
2.2.1.Relação entre RGA e Condição Numérica ........................................................ 32
2.2.2.Relação entre RGA e Incertezas no Modelo ..................................................... 33
2.3. Matriz de Ganhos Relativos Dinâmica (DRGA) .................................................. 38
2.4. Matriz de Ganhos Relativos Dinâmica Média (ADGA) ....................................... 43
2.5. Matriz de Ganhos Relativos Efetiva (ERGA) ....................................................... 46
2.6. Desempenho da Matriz de Ganhos Relativos (PRGA) ......................................... 51
2.7. Matriz de Ganhos Relativos Normalizada (NRGA) ............................................. 57
Capitulo 3 - Casos Especiais do RGA

3.1. Introdução ............................................................................................................. 63
3.2. Matriz de Ganhos Relativos (RGA) para Sistemas Não Quadrados ..................... 63
7
3.3. Matriz de Ganhos Relativos (RGA) para Sistemas Integrativos ........................... 69
3.3.1.Abordagem Alternativa para Sistemas Integrativos......................................... 76
Capitulo 4 - Aplicações
4.1. Introdução ............................................................................................................. 79
4.2. Coluna Fracionadora de Óleo Pesado da Shell ..................................................... 79
4.2.1.O Processo ............................................................................................................. 79
4.2.2.Métodos de Seleção de Pareamento ................................................................... 83
4.3. Planta Tennessee Eastman .................................................................................... 89
4.3.1.O Processo ............................................................................................................. 90
4.3.2.Características da Planta Tennessee Eastman ................................................... 92
4.3.3.Métodos de Seleção de Pareamento ................................................................... 94
Capitulo 5 - Conclusões e Recomendações

5.1. Conclusão ............................................................................................................ 106
5.2. Recomendações ................................................................................................... 108
Referências Bibliográficas ....................................................................110
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
1.1. Controlabilidade e Seleção de Estruturas de

Controle
Desde a primeira versão de controle geral de processos, o controle tem se tornado

uma indispensável parte da operação de processos. Hoje, seria impossível satisfazer as
exigências ambientais operando a maioria dos processos químicos sem controle.
Os avanços de complexos processos industriais no ultimo século e seus

desenvolvimentos contínuos resultaram em plantas multivariáveis complexas ou de
grande escala que impôs uma grande demanda na tecnologia de sistemas de controle.
Sedigh e Moaveni (2009) que a comunidade dos sistemas de controle propôs dois
pacotes de soluções para enfrentar a estabilidade e o desempenho de tais sistemas de
controle. A primeira abordagem é de controlar o processo multivariável por um
controlador central. A outra abordagem é a estrutura de controle descentralizado. Cada
uma das metodologias de controle proposta tem suas vantagens e deficiências, porém,
experiências nas ultimas décadas indicam o aumento de interesse e aplicação das
estruturas de controle descentralizado.
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
Para abordar o conceito de controlabilidade, Pedersen et. al. (1998) avaliaram um

número de pré-requisitos e definições que podem ser úteis. As definições envolvem uma
série de conceitos relacionados usados para descrever aspectos específicos do
comportamento da planta e incluir também uma discussão sobre o impacto dos modos
de operação do processo mediante ao problema de 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:
 Operacionalidade: a capacidade da planta de fornecer um desempenho

operacional dinâmico e estático aceitável;
 Flexibilidade: a capacidade de obter a operação praticável em estado
estacionário em um dado número de pontos de operação, isto é, ao longo de
um alcance de condições de incerteza. Essas condições de incertezas
podem ser definidas a partir de variações esperadas e no desempenho do
processo;
 Comutabilidade: a capacidade de alternar entre pontos de operação. As
principais questões são a viabilidade e a segurança dinâmica. Para plantas
de comutação rápida, pode ser desejável para reduzir perdas e consumo de
energia.
Com as definições dadas, o termo viabilidade utilizado tem um aspecto estático, o

qual é incorporado a flexibilidade, e um aspecto dinâmico que faz parte da
comutabilidade. Uma vez que os métodos de avaliação da flexibilidade têm
desenvolvido também em flexibilidade dinâmica, parece relevante também considerar
suas relações a controlabilidade.
A controlabilidade é utilizada com diversos significados na literatura. Por exemplo,

Ziegler e Nichols (1943) ao lidar com processos operados continuamente, definiram
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.
No entanto, na prática, pode ser difícil obter um controle aceitável de todos os

estados em um processo, mesmo que todos os estados sejam controláveis. Entretanto,
qualquer estado instável pode ser um estado controlável e observável, a fim de fechar
caminhos de realimentação em torno dele e estabiliza-lo.
A controlabilidade do processo depende de muitos aspectos diferentes, como

dinâmica especifica da planta, sensibilidade a incertezas, local de medição, restrições de
atuadores e características de perturbação. Tais aspectos devem ser observados para
avalição de controlabilidade.
1.1.2. Sistemas de Controle Descentralizado
O controle descentralizado continua sendo utilizado amplamente em processos

industriais. Ele possui controladores de realimentação independentes que são utilizados
para controlar um subconjunto das saídas com um subconjunto das entradas, não
havendo comunicação entre essas medições independentes e os laços de realimentação.
Isto leva a um controlador de matrizes de função de transferência diagonal ou bloco
diagonal.
Siljak (1996) afirma que é um fato que a complexidade e a carga computacional de

análise de sistema de controle e projeto para plantas multivariáveis aumentam
rapidamente mais que suas dimensões. Por isso, seria benéfico decompor uma planta
multivariável em subsistemas e realizar projetos independentes para cada subsistema,
dependendo do seu comportamento dinâmico e interações com outros subsistemas.
Além disso, em processos industriais multivariáveis complexos, um modelo preciso e
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.
Van de Wal e De Jager (2001) indicam que geralmente o projeto de um sistema de

controle descentralizado é dividido em seis etapas:
 Formulação dos objetivos de controle: os objetivos são expressos em

especificações do tempo e/ou no domínio da frequência.
 Modelagem do processo: tipos e estruturas de modelo são selecionados e
descrições de entradas e saídas ou estado de espaço interno do processo são
derivados usando abordagem analítica ou identificação do sistema.
 Seleção de estrutura de controle: seleção de estrutura de controle envolve
duas etapas. O primeiro passo é a seleção de entradas e saídas. O segundo
passo é a seleção da configuração de controle ou emparelhamento de
entradas e saídas.
 Projeto do controlador: isso inclui a seleção da estratégia do projeto de
sistema de controle, o qual é escolhido de acordo com as características da
planta multivariável e especificações de desempenho em malha fechada.
 Simulação ou experimentos de plantas piloto: primeiramente as
implementações são verificadas e testadas por simulações ou experimentos.
 Implementação: finalmente, a implementação do sensor, atuador ou pacote
de controle é realizada.
Na seleção da estrutura de controle, as saídas do sistema são o conjunto de

variáveis medidas e controladas. As entradas do sistema são o conjunto de entradas
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.
É abordado na seção 1.1.3 a seleção de configuração de entradas e saídas, fazendo

uma apresentação dos métodos de seleção e citando os métodos de pareamento a serem
tratados neste trabalho.
1.1.3. Seleção de Configuração de Entradas e Saídas
O projeto de sistemas de controle envolve seleção de entradas e saídas, isto é,

decisão sobre o número, local e tipo de atuadores e sensores. É importante uma seleção
sensata, pois a escolha de entradas e saídas afeta o desempenho, complexidade e custo
dos sistemas de controle. Uma escolha indevida pode limitar o desempenho do sistema,
não podendo ser superada mesmo com um design avançado do controlador. Ela também
determina aspectos como confiabilidade e despesas de hardware, implantação operação
e manutenção. Para isso, são necessários alguns métodos sistemáticos para tal seleção.
Parcialmente inspirado em Nett (1989) e Reeves (1991), Van de Wal e De Jager

(2001) propõem oito propriedades as quais acreditam serem as principais propriedades
de um método de seleção ideal de entradas e saídas. São elas:
 Bem fundamentada: a teoria por trás de um método de seleção de entradas

e saídas deve ser solida e completa. O método deve ser fácil de usar e
transparente, ou seja, tendo a ideia básica do método em mente, a forma o
qual o resultado é afetado por mudanças no controle deve ser entendível.
Pelo menos uma aplicação convincente deve provar a relevância prática do
método.
 Eficiente: um método de seleção de entradas e saídas deve tornar possível
avaliar rapidamente um grande número de configurações.
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.
O RGA e suas subsequentes análises e metodologias são baseadas na função de

transferência do processo. Sua extensão dinâmica é baseada no modelo de espaço de
estado. Tal abordagem em modelo de espaço de estado leva a outras medidas de
interação, como HIIA (Hankel Interaction Index Array) e DIOPM (Dynamic Input
Output Pairing Matrix).
Outros resultados teóricos no campo de problemas de pareamento de entradas e

saídas incluem: pareamento ideal, pareamento de entradas e saídas de processos
multivariáveis variantes no tempo, pareamento de entradas e saídas de processos
multivariáveis com incertezas, e pareamento de entradas e saídas de processos
multivariáveis não lineares.
1.2. Objetivos
O objetivo principal deste trabalho é:
 O estudo da configuração de controle, ou pareamento de entradas e saídas

para controle descentralizado, avaliando a melhor seleção de pareamento de
entradas e saídas, minimizando a interação entre laços, facilitando o projeto
de controle de entradas e saídas independentes, o qual é a base de muitos
sistemas de controle industriais.
São objetivos específicos desse trabalho:
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
O controle de plantas e processos industriais multivariáveis tem sido uma tarefa

difícil para os pesquisadores da área. Tais plantas são bastante complexas e possuem
inúmeras variáveis que podem ser controladas ou manipuladas, necessitando de uma
metodologia de projeto e análise de controle, que pode ser caraterizada como
centralizada ou descentralizada.
Apesar das realizações feitas na área de controle multivariável centralizado, o

controle descentralizado ainda é amplamente utilizado na maioria dos processos
industriais, se tornando uma tendência ainda continua na área de controle de processo.
Isso ocorre principalmente por causa da fácil implementação, manutenção, ajuste e
comportamento robusto.
Para utilização da metodologia de controle descentralizado, é necessária a seleção

de entradas e saídas, decompondo o sistema MIMO (Multiple-Input Multiple-Output)
em SISO (Single-Input Single-Output). Dentre os métodos mais utilizados, o RGA
(Relative Gain Array), apresentado inicialmente por Bristol (1966), é um dos mais
relevantes e mais utilizados para técnicas de pareamento de variáveis. A utilização de tal
ferramenta faz com que o projetista possua uma boa noção sobre a interação entre os
laços de variáveis manipuladas e controladas, permitindo escolher o melhor pareamento
para o projeto de controle.
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.
1.4. Revisão do Estado da Arte
Existem inúmeros trabalhos na literatura sobre o método do RGA e suas extensões,

sendo a maioria sobre o método mais tradicional e mais utilizado, o RGA em estado
estacionário. São listados e apresentados a seguir, de forma cronológica, resumos de
alguns dos principais trabalhos sobre o assunto.
 Bristol (1966) desenvolveu uma medida de interação, RGA, para controle

multivariável com intuito de superar deficiências teóricas e práticas, utilizada
como ferramenta para desenvolvimento de processos, especificando a estrutura
de pareamento de controle do processo selecionado. Um procedimento simples
de ser utilizado, que geralmente fornece um modelo único e eficaz.
 Grosdidier e Morari (1987) apresentam uma nova medida de interação dinâmica
para sistemas com realimentação que utilizam controladores diagonais ou blocos
diagonais, a IM ( Interation Measure). Tal medida trata sistemas
multivariáveis com realimentação que utilizam controladores diagonais ou
blocos diagonais de tamanhos arbitrários de maneira unificada, podendo ser
convenientemente mostrado em um diagrama de amplitude e frequência,
prevendo a estabilidade do sistema de controle descentralizado, e medindo a
perda de desempenho causada por esta estrutura de controle.
 Chang e Yu (1989) propuseram estender o cálculo do RGA para sistemas não
quadrados, o NRG (non-square relative gain array), o qual pode ser utilizado
como critério para escolha de um subsistema quadrado a partir de um sistema
não quadrado, caso seja preferível um sistema de controle quadrado. As
propriedades do NRG são derivadas do RGA, sendo destacadas algumas
semelhanças e diferenças.
 Grosdidier (1990) mostrou como a direção das interações em um sistema de
controle descentralizado pode ser parcialmente entendida através da análise do
valor singular da matriz de ganho inversa em estado estacionário, em uma
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.
1.5. Escopo do Trabalho
O corpo deste trabalho de conclusão de curso está estruturado da seguinte forma:
 Capítulo 1 – Introdução. É apresentada neste capítulo uma breve e geral

explicação sobre controlabilidade, controle descentralizado e seleção de
configurações de entradas e saídas, assim como os objetivos do trabalho,
motivação para desenvolvimento do trabalho e uma revisão bibliográfica de
trabalhos relacionados publicados na literatura.
 Capítulo 2 – O RGA e suas extensões. São abordadas neste capítulo as
técnicas dos métodos de pareamento de variáveis, utilizando o RGA e
algumas de suas extensões, sendo elas o DRGA, ADGA, PRGA, ERGA,
NRGA.
 Capítulo 3 – Casos especiais do RGA. São abordados neste capítulo
alguns casos específicos do método do RGA, sendo eles para sistemas não
quadrados e sistemas integrativos.
 Capítulo 4 – Aplicações. Neste capítulo são aplicados os métodos do RGA
e suas extensões apresentados em dois processos conhecidos na literatura,
verificando qual melhor pareamento de variáveis, sendo tais processos:
uma coluna fracionadora de óleo pesado da Shell e a planta Tenneesse
Eastman.
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.
2.2. Matriz de Ganhos Relativos (RGA)
Em um sistema de controle, a ação de uma variável manipulada não afeta somente

a variável que se deseja controlar, ela afeta o processo como um todo, tornando mais
difícil a escolha do pareamento entre variáveis para a decomposição do sistema MIMO
(Multiple-Input Multiple-Output) em SISO (Single-Input Single-Output).
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.
Como o objetivo principal do calculo da RGA é parear uma variável manipulada

com uma variável controlada, faz mais sentido estudar sistema quadrados, onde o
número de variáveis manipuladas é igual ao numero de variáveis controladas.
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)
Onde a derivada do numerador, Equação 2.2, é determinada para o sistema em

malha aberta, e a derivada do denominador, Equação 2.3, para o sistema em malha
semifechada, ou seja, todos os outros laços de controle fechados e em perfeito controle.
( ) (2.2)
( ) (2.3)
Na Figura 2.1 é exemplificado o caso para e , em malha aberta e em malha

semifechada.
Figura 2.1: (a) malhas ( , )e( , ) abertas; (b) malha ( , ) aberta e malha
( , ) fechada.
Calculando as derivadas da Equação 2.1, utilizando a Equação 2.4, obtemos que o

ganho relativo é a razão entre os ganhos nos dois estados:
27
(2.4)
(2.5)
A Equação 2.1 pode ser vista também como:
( ) ( ) (2.6)
Calculando cada derivada da Equação 2.6, obtemos que:
( ) [ ] (2.7)
( ) [ ] (2.8)
Sendo que [ ] é a transposta de [ ] . De acordo com Skogestad (1996), o

controle perfeito somente é possível em estado estacionário. Assim, para estas
condições a equação da RGA pode ser definida como:
( ) ( ) [ ( )] (2.9)
Com o operador sendo o produto de Schur, isto é, multiplicação elemento por

elemento.
Obtida a RGA, cada termo da matriz, , deve ser observado, realizando a

interpretação correta para o pareamento de variáveis. Observando a Equação 2.5, por
definição dada por Häggblom (1995), o ganho relativo é a razão entre o ganho em
malha aberta e o ganho em malha semifechada. Isso implica que, para a escolha do
pareamento de variáveis, deve-se preferir o valor do ganho relativo mais próximo
possível do valor unitário.
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
.
 , Nessa situação, quando o outro laço é fechado, ocorre uma

diminuição no ganho entre a variável manipulada e a variável controlada,
ficando cada vez mais sensível a interação à medida que o vai
aumentando, dificultando o controle.
 , ocorre mudança de sinal no ganho da malha controlada, causando
uma resposta inversa quando os outros laços são fechados. Isso pode
resultar em três tipos de sistemas:
 O sistema em malha fechada é instável;
 O sistema já é instável em malha aberta;
 O sistema fica instável caso a malha controlada esteja aberta, se
tornando altamente estável quando fechada.
Utilizando todos esses parâmetros é possível deduzir uma escolha do par de

variáveis que fique mais adequada ao processo.
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
Considere um processo 3x3 de um modelo FCC (Fluid Catalytic Cracking), com

matriz de ganho em estado estacionário e sua inversa da forma:
( ) [ ]
( ) [ ]
Usando a definição da equação 2.9, temos que o RGA é:
( ) [ ]
Para o controle descentralizado, é preciso o pareamento de cada linha ou coluna

com uma saída. Evitando pareamento de valores negativos no RGA, a única opção de
pares combinados que o RGA sugere é um pareamento direto, com , com e
com .
Skogestad (1996) cita algumas propriedades importantes da matriz RGA, entre

elas, as mais destacadas são:
 ( ) ( ) ( ) .
 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:
 O RGA não leva em conta a dinâmica do sistema;

 Não há garantia que a paridade obtida no calculo do RGA irá controlar o
sistema com várias malhas;
 As conclusões obtidas no RGA podem ser mal interpretadas, geralmente
quando a planta não é bem condicionada.
Häggblom (1995) detalha essas limitações lembrando que o ganho relativo

relaciona o ganho em malha aberta entre e quando as outras malhas estão abertas
com o mesmo ganho em malha aberta quando os outros laços estão fechados e
controlados. Sendo assim, o RGA não contém informação explicita de como a malha
e irá afetar o sistema quando fechados.
De acordo com Häggblom (1995) há certas limitações relacionadas à frequência,

como em certos sistemas dependentes da frequência, a paridade de variáveis avaliada
pelo RGA no estado estacionário pode ser diferente para frequências maiores, sendo que
neste caso, a variação da frequência é mais importante para o controle.
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.
Esses problemas devem ser considerados e outras ferramentas podem ser

combinadas com o cálculo do RGA para tornar mais confiável a medida de interação e
paridade de variáveis.
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.
2.2.1. Relação entre RGA e Condição Numérica
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)
Onde e são matrizes diagonais, podendo melhorar o valor da condição

numérica, sem modificar o valor da RGA.
Porem, de acordo com Nett e Manousiouthakis (1987) um processo com altos

valores nos elementos da RGA implica em altos valores em ( ) e ( ), concluindo
que altos valores nos elementos da RGA sempre será um processo mal condicionado.
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
Considere um processo de destilação, com matriz de ganho em estado estacionário

e sua inversa da forma:
( ) [ ]
( ) [ ]
Usando a definição da equação 2.9, temos que o RGA é:
( ) [ ]
Neste caso, temos que os valores singulares máximo e mínimo da matriz ( ) são
e , respectivamente. Portanto, a condição numérica é:
( ) ⁄
Podemos observar que o resultado do RGA sugere um pareamento direto, com

e com , tendo em vista também que os valores dos elementos da RGA são altos,
assim como o valor da condição numérica, o que indica um problema de controle,
obtendo uma alta sensibilidade na entrada, confirmado por Skogestad (1996) em
simulações.
2.2.2. Relação entre RGA e Incertezas no Modelo
Skogestad e Havre (1996) afirmam que na pratica, o processo verdadeiro difere do

modelo, pois há varias perturbações externas que causam incertezas nas variáveis do
modelo.
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.
É impossível o uso de um controle integrativo para um processo que pode se tornar

singular em estado estacionário, tendo sempre em vista que se há elementos com altos
valores na função RGA, só pode-se permitir muito pequenas incertezas no modelo, sem
ter problemas no controle, diz Skogestad e Morari (1997).
Skogestad e Morari (1997) supõem um novo modelo para o processo, supondo

uma matriz 2x2 e assumindo que cada elemento da matriz de transferência possua
uma incerteza relativa independente, de maneira que o processo permaneça não singular
em estado estacionário.
( ) ( )
[ ] (2.15)
( ) ( )
Apesar das incertezas na matriz da equação 2.15 serem relativamente independentes,

Skogestad (1992) afirma que a incertezas são geralmente correlacionadas.
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)
Sendo , definido por Rijnsdorp (1965), o quociente de interação ou medida de

interação. Visto claramente na equação 2.16 que a matriz RGA de fica singular caso
seja igual a 1.
As incertezas na matriz variam entre , em torno de seu valor nominal ,

causando alterações máxima e mínima no valor de em .
(2.18)
(2.19)
(2.20)
Se a variação de não inclui o valor de , então a variação de incerteza de será:
(2.21)
Se a variação de inclui o valor de , então o valor de muda de sinal no ponto

singular , e a variação de incerteza de será:
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
Considere um processo de uma coluna de destilação utilizada para separar uma

mistura agua/metanol, com matriz de ganho em estado estacionário da forma:
( ) [ ]
Usando a definição da equação 2.9 e a equação 2.17, temos que o RGA e seu quociente
de interação, respectivamente, são:
( ) [ ]
O que sugere um pareamento direto, com e com .
Supondo que os valores limites das incertezas de no estado estacionário são

dados pela equação 2.23
| | (2.23)
Considerando três valores diferentes de a serem calculados, obtendo a variação de

para cada.
Caso 1: Utilizando as equações 2.19 e 2.20, são obtidos os limites

inferiores e superiores, respectivamente, de :
Fazendo uso da equação 2.21, é obtida a variação de .
36
Desta maneira, continua sendo recomendada o pareamento direto.
Caso 2: Da mesma maneira que o primeiro caso, utilizando as equações

2.19, 2.20, 2.21, são obtidos os limites inferiores e superiores de , assim como a
variação de , respectivamente:
Assim como no caso anterior, continua sendo recomendada o pareamento direto.
Caso 3: Da mesma maneira que os casos anteriores, utilizando as

equações 2.19, 2.20, são obtidos os limites inferiores e superiores de , respectivamente:
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.
Utilizando incertezas apenas em , podemos obter a variação de incerteza de ,

para cada caso de , respectivamente:
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.
2.3. Matriz de Ganhos Relativos Dinâmica (DRGA)
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.
Com o intuito de avaliar os processos de maneira dinâmica, foi deduzida por

Witcher e McAvoy (1977) uma extensão dinâmica do RGA, chamada matriz de ganhos
relativos dinâmica (DRGA), com qual é avaliado qual o melhor pareamento de variáveis
manipuladas e controladas em uma determinada frequência ou em uma faixa de
frequências desejada.
De forma análoga com o calculo da matriz RGA mostrado na equação 2.9, o

calculo da DRGA é dado pela equação 2.24:
( ) ( ) ( ) [ ( )] (2.24)

elemento.
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 .
Skogestad e Postlethwaite (1996) afirmam que a interação é pequena se a

magnitude dos elementos da diagonal de ( ) é próxima ao valor unitário, e
aconselham o pareamento de variáveis próximo a frequência de corte. Além disso, eles
mostraram que quando ocorre mudanças de sinal no valor da RGA ao longo da
frequência, o sistema , ou algum subsistema de , possui um zero no semi-plano
direito do plano complexo.
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)
É preferível o pareamento de variáveis em que o número de RGA seja pequeno,

para garantir que as interações com os outros laços não causem instabilidade ao
processo.
É mostrado no exemplo 2.4 o calculo do DRGA para um processo, feito por

Witcher e McAvoy (1977), com suas devidas interpretações.
Exemplo 2.4
Considere um processo 2x2 de uma coluna de destilação de um modelo FCC

(Fluid Catalytic Cracking), com matriz de ganho da forma:
39
( ) [ ]
Aplicando primeiramente o método tradicional do RGA, para o ganho em estado

estacionário, é obtida a matriz RGA:
( ) [ ]
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 .
Após o pareamento sugerido pelo modelo RGA, é aplicado o modelo RGA

dinâmico para comparação de resultados.
Utilizando a equação 2.25 foi calculado o valor do número de RGA para o

processo, obtendo o resultado mostrado na Figura 2.2.
Figura 2.2: Número de RGA do exemplo 2.4.
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.
Figura 2.3: do DRGA em uma faixa de frequências do exemplo 2.4.
Observando as Figuras 2.2 e 2.3, podemos dizer que em baixas frequências o

DRGA sugere um pareamento direto, de acordo com o sugerido pelo RGA, já que o
valor de é superior a 0,5, ocorrendo baixa influencia entre as malhas, tendo em vista
que o valor do numero RGA mostrado é pequeno. Porem, a partir de certa frequência
rad/seg, o valor do número de RGA aumenta, aumentando a interação entre
as malhas. Da mesma maneira, em tal frequência, o valor de , cai drasticamente,
aproximando-se a zero, o que indica que o pareamento mais adequado para essa
situação é com e com .
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.
São mostrados na Figura 2.4 os gráficos com valores singulares máximos e

mínimos, nos quais podemos observar a frequência de corte rad/seg, o qual é
41
dada pela intersecção do máximo valor singular com a queda de dB do valor
nominal.
Figura 2.4: Valores singulares máximos e mínimos do exemplo 2.4.
Foi observada a frequência de corte , pois Skogestad e Postlethwaite (1996)

afirmam que ela se encontra ao final da largura de banda em malha aberta, sendo
bastante sensíveis e, geralmente, difíceis de controlar caso o valor do RGA em tal
frequência seja muito grande.
Observando os valores do ganho relativo em tal frequência, é dado o RGA para a

frequência :
( ) [ ]
Analogamente à análise que se faz para o modelo estacionário, observando os

valores da matriz ( ), podemos notar que o valor de é bem próximo ao valor
42
unitário, resultando numa interação de malhas pouco significante, sugerindo um
pareamento entre com e com .
2.4. Matriz de Ganhos Relativos Dinâmica Média

(ADGA)
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.
Para ilustrar o novo método, Considere uma matriz quadrada, , a função de

transferência de um processo com entrada e saída , temos, assim como a equação
2.4, a seguinte equação:
(2.4)
Onde a função de transferência pode ser expressa como um modelo de primeira

ordem com atraso de tempo, da forma:
( ) (2.26)
Supondo que o processo se inicia em estado estacionário ( ) e o degrau

unitário em ocorre em . Durante o intervalo de tempo [ ], não é afetado
por e pode-se dizer que o ganho dinâmico do processo para esse período é zero. No
intervalo de tempo [ ], o ganho dinâmico médio, , entre e pode ser
calculado como:
∫ ( ) (2.27)
Desta maneira, em analogia ao RGA e DRGA, a novo ganho relativo, ( ), é

definido na equação 2.28.
43
( ) [ ] (2.28)

elemento.
Temos definido também na equação 2.28, como sendo a matriz com os

elementos de , sabendo que para o calculo de tais elementos de , são necessários
os parâmetros dados pelas equações 2.29, 2.30 e 2.31.
{ ( ) ( )} (2.29)
{ } (2.30)
(2.31)
Já que o ADGA é também um método de normalização da soma do ganho

relativo dinâmico médio em cada linha e coluna para o valor unitário, em analogia ao
RGA, é também recomendado um pareamento do ADGA que seja positivo e mais
próximo a um.
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
Considere um processo 2x2, com matriz de ganho da forma:
( )
[ ]
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 .
Após resultados do RGA obtidos, é utilizado o método em questão do ADGA,

comparando os resultados.
Para o cálculo do ADGA, como foi explicado inicialmente, 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:
{ ( ) ( )}
{( ) ( )}
Obtido os valores dos parâmetros , e , utilizando a equação 2.27, são calculados

os valores dos elementos da matriz . Desta forma:
[ ]
45
Utilizando a equação 2.28, obtemos, enfim, os valores da matriz ADGA do
processo:
( ) [ ]
Analogamente à análise que se faz para o modelo estacionário, observando os valores da

matriz podemos notar que a propriedade das somas dos elementos de uma linha ou
uma coluna sem mantem, sendo igual ao valor unitário. Podemos observar também que
o valor de é maior que , o qual sugere um pareamento direto, com e
com .
Comparando os resultados, podemos observar uma discordância de pareamento

dado pelos valores do RGA e do ADGA. Para verificar qual pareamento dava uma
resposta melhor, Handogo et. al. (2005) fez simulações com cada possibilidade de
pareamento para o modelo. O pareamento sugerido pelo RGA, com e com ,
obteve uma resposta pior que o pareamento direto, dado pelo ADGA. Esta resposta
obteve tempos de subida e estabilização mais lentos, assim como um maior erro. Desta
maneira, por não levar em conta a dinâmica do sistema, o pareamento dado pelo RGA
falhou, sendo recomendado o pareamento dado pelo ADGA.
2.5. Matriz de Ganhos Relativos Efetiva (ERGA)
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.
A introdução dos ganhos efetivos leva em consideração o ganho em estado

estacionário e a frequência critica do sistema, responsável pela sensibilidade da variável
controlada. Considerando uma matriz , , a função de transferência de um
processo, o ganho efetivo é dado pela equação 2.32.
( )∫ | ( )| (2.32)
Onde , para é a frequência crítica da função de transferência ( ),

que pode ser definida pela largura de banda .
Figura 2.5: Curva de resposta e energia efetiva de ( ).
Fonte: Xiong et. al. (2005).
Para a resposta em frequência da função de transferência ( ), é a área

abrangida entre ( ) e , onde é determinada pela frequência onde a
magnitude é reduzida em , ou ( ), como é mostrado na Figura 2.5, obtendo
a equação 2.33.
| ( )| ( ) (2.33)
47
Já que | ( )| representa a magnitude da função de transferência em varias
frequências, pode ser considerado como o ganho efetivo, expresso da forma de

matriz:
[ ] (2.34)
Para simplificar o cálculo, foi aproximado o valor da integral de por uma área
retangular. Desta forma:
(2.35)
Já que apenas um valor relativo, diferente do valor absoluto, será considerado na

definição da nova medida de interação, a aproximação dada na equação 2.35 não irá
resultar em erros significativos. Então, a matriz de ganhos efetivos é dada por:
( ) (2.36)
Onde o operador é o produto de Schur, ou de Hadamard, ( ) é a matriz de ganho

em estado estacionário:
( ) [ ]
E , a matriz de frequência critica:
[ ]
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.
Analogamente como a definição do RGA, substituindo a matriz do estado

estacionário pela matriz de ganho efetiva, , os ganhos efetivos relativos, são
definidos pela razão entre as taxas de transmissão de energia:
̂
(2.37)
Onde ̂ é a taxa de transmissão de energia efetiva entra a variável de saída , e a

variável de entrada , quando todos os outros laços estão fechados. Quando todos os
ganhos relativos efetivos são calculados, é obtida a matriz de ganhos relativos, com
elementos de , que pode ser calculada da forma:
[ ] (2.38)
Similar com a RGA, Xiong et. al. (2006) define algumas regras de pareamento
para o ERGA:
 A soma dos elementos correspondentes do ERGA são próximos ao valor

unitário;
 Todos os pares de elementos do ERGA são positivos;
 Elementos altos no ERGA devem ser evitados.
Masoumi e Zarandi (2011) ressaltam que o ERGA expressa completamente a

interação dinâmica dos laços com menos cálculos e sem precisar qualquer informação
sobre o tipo de controlador, comparado ao DRGA. Por causa da sua velocidade de
resposta ser proporcional com a largura de banda no domínio da frequência, ela pode
refletir a interação e o pareamento dos laços para conseguir uma resposta mais rápida.
Já que tanto o RGA quanto o ERGA usa ganhos relativos, as propriedades do RGA
podem ser diretamente estendidas 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
Considere um processo 2x2, com matriz de ganho da forma:
( )
[ ]

( ) [ ]
Após resultados do RGA obtidos, é utilizado o método em questão do ERGA,

Para o cálculo do ERGA é, como foi explicado inicialmente, primeiramente deve

ser obtida a matriz em estado estacionário ( ):
( ) [ ]
E a matriz de frequências através da frequência em que a magnitude de ( ) cai

ou ( ). Desta forma:
[ ]
50
Com os valores obtidos das matrizes ( ) e , podemos calcular os valores da matriz
utilizando a equação 2.36. Assim:
[ ]
Calculado os valores da matriz , utilizando a equação 2.38, podemos calcular os

valores da ERGA do processo.
[ ]
Analogamente à análise que se faz para o modelo estacionário, observando os valores da

matriz podemos notar que a propriedade das somas dos elementos de uma linha ou
uma coluna sem mantem, sendo igual ao valor unitário. Podemos observar também que
o valor de é bem próximo ao valor unitário, o qual sugere que se mantenha o
pareamento dado pela RGA, o pareamento direto, com e com .
2.6. Desempenho da Matriz de Ganhos Relativos

(PRGA)
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).
Hatmi e Tham (2006) informam quem o desempenho de um sistema de controle

geralmente são avaliados pela quantificação do erro global, sendo desejável um erro
escalar menor que 1, para um controle aceitável, e zero, para um controle perfeito.
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)
O erro para um subsistema individual , quando seu laço é fechado, enquanto os

outros laços estão abertos, devido a uma mudança no set-point e uma perturbação
é:
̃ ̃ ̃ (2.42)
Onde ̃ é a função de sensibilidade em malha fechada para um laço individual , dada

por:
̃ ( ) (2.43)
Considerando a matriz constituída por apenas os elementos da diagonal da

matriz . Então, coletando todas as funções de sensibilidade em malha fechada de cada
laço individual, ̃ , na matriz diagonal ̃ , a matriz de erro de todos os subsistemas pode
ser expressa como:
̃ ̃ ̃ (2.44)
̃ {̃} [ ] (2.45)
Segundo Skogestad e Postlethwaite (1996), em baixas frequências podemos

aproximar os termos de , ̃ e ̃ pela equação 2.46.
( ) ; ̃ ( ) ; ̃ ( ) (2.46)
Que pode ser reescrito como:
( ) ( ) (2.47)
52
O termo representa a matriz PRGA, logo, a ela é dada por:
(2.48)
Os elementos da matriz PRGA são dados por:
(2.49)
Portanto, caso , então , o que significa que os elementos da diagonal

do PRGA e do RGA são iguais.
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.
Apesar de possuírem os elementos da diagonal principal iguais, Hovd e Skogestad

(1993) ressaltam que o método do PRGA não tem todas as propriedades algébricas do
RGA. O PRGA é independente do escalonamento da entrada, isto é, ( ) ( ),
onde é uma matriz diagonal, mas ela depende do escalonamento da saída. Isto é
sensato, já que o desempenho é definido em termos de magnitude da saída.
Em virtude de tal dependência escalar, é necessário aplicar realizar o

escalonamento das variáveis de saída antes da aplicação do método do PRGA.
Groenendijk (2000) explica tal procedimento partindo de um modelo linear genérico
sem escala, mostrado na equação 2.50.
53
̂ ̂̂ ̂ ̂; ̂ ̂ ̂ (2.50)
Onde são as entradas, as saídas, são as perturbações, os erros e os valores de

referencia. representa o modelo de entrada-saída e o modelo de perturbação. Eles
podem ser representados por matrizes de ganho estático ou funções de transferências
dinâmicas. O procedimento de escalonamento é indiferente. O chapéu (^) é utilizado
para mostrar que as variáveis estão em unidades sem escala.
Uma abordagem útil para o escalonamento é a normalização das variáveis, isto é,

tornar as variáveis com magnitudes menores que um, dividindo cada variável por seu
máximo valor permitido. Para as variáveis manipuladas e as perturbações utilizamos as
variáveis escalonadas da forma:
̂ ̂
̂
; ̂
(2.51)
Onde ̂ é a maior mudança permitida para variável manipulada e ̂ a maior

perturbação esperada.
As variáveis ̂, ̂ e ̂ estão nas mesmas unidades, logo, o mesmo fator de

escalonamento de ser utilizado. Tendo em vista que, o objetivo principal do controle é
minimizar o erro, geralmente é escolhida a escala em relação ao máximo valor do erro
de controle. Desta maneira:
̂ ̂ ̂
̂
; ̂
; ̂
(2.52)
Para formalizar o procedimento de escalonamento, os seguintes fatores de escala

são introduzidos:
; ; ; (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)
E, introduzindo as funções de transferência em escala:
̂ ; ̂ (2.55)
Que produz o modelo em termos de variáveis de desvio de escala da forma mostrada na

equação 2.56, a seguir:
; (2.56)
Aqui, , e devem ter magnitude menor ou igual a um.
É mostrado no exemplo 2.7 um exemplo proposto por Chiang e Luyben (1988)

de um processo de destilação, utilizando o cálculo do PRGA, com suas devidas
interpretações.
Exemplo 2.7
Considere um processo 2x2, de uma coluna de destilação vista na Figura 2.6.
Figura 2.6: Representação esquemática de uma coluna de destilação.

Fonte: Chiang e Luyben (1988).
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:
( )( ) ( )( )
( )
[( )( ) ( )( ) ]

( ) [ ]
Após resultados do RGA obtidos, é utilizado o método em questão do PRGA,

Para aplicação do método do PRGA, primeiramente deveria ser feito a

normalização do sistema, porém, como o objetivo dessa seção é apenas a aplicação do
método e não o projeto dos controladores, o resultado do PRGA é obtido diretamente:
( ) [ ]
Observando o resultado da matriz PRGA, tendo em vista que se deve evitar

pareamento com elementos negativos, temos que o PRGA sugere o mesmo pareamento
do RGA, um pareamento direto, com e com .
Podemos observar também na matriz os valores dos elementos fora da diagonal

principal, mostrando que a entrada tem pequena interação com a saída , enquanto a
entrada possui uma interação mais forte com a saída .
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:
 Comparado com o método do RGA, o NRGA não apenas considera

informações em estado estacionário, mas também informações transientes;
 Comparado com o método do DRGA, ele também fornece uma descrição
detalhada da interação dinâmica entre os laços individuais sem precisar a
especificação do tipo de controlador e com muito menos computação;
 Comparado com o método do ERGA, ele requer ainda menos cálculo,
porem resultando em uma decisão única e melhor de pareamento;
 É muito simples para engenheiros de campo entender e realizar decisões de
pareamento em aplicações práticas.
O método de ganhos relativos normalizado é baseado em informações na função de

transferência do processo tanto no estado estacionário, como no estado transitório. Para
informação no estado estacionário, ela é facilmente obtida pela matriz de ganho em
estado estacionário. Enquanto para informações dinâmicas, podem ser obtidas através
de respostas do processo a entradas como pulsos, degraus, rampas, entre outras. Já que
degraus na entrada são frequentemente utilizados em sistemas de controle, foi adotada a
análise a esse tipo de resposta.
57
Desta maneira, seja uma função da forma:
( ) ( ) ̅ ( ) (2.57)
Com forma de onda mostrada na Figura 2.7.
Figura 2.7: Forma de onda típica de processos não oscilatório (superior) e

oscilatório (inferior) com indicado pela área sombreada.
Onde ( ) e ̅ ( ) com ̅ ( ) são o ganho em estado estacionário e a

função de transferência normalizada de ( ), respectivamente. Assumindo que o
processo ̅ ( ) é estável em malha aberta e sua saída ̅ ̅ ( ) inicialmente para em
zero, então um degrau unitário é aplicado na entrada do processo. Já que a maioria
dos processos industriais é tanto não oscilatório, como oscilatório, porem bem
amortecidos, como o mostrado na Figura 2.7, a saída ̅ irá tender a unidade. Assim:
̅ ∫ (̅ ( ) ̅ ( )) (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).
Considerando um modelo de primeira ordem normalizado com atraso de tempo,

FOPDT (First Order Plus Dead Time), da forma:
( ) (2.60)
É obtido o valor de como mostrado na equação 2.61.
(2.61)
Considerando um modelo de segunda ordem normalizado com atraso de tempo,

SOPDT (Second Order Plus Dead Time), da forma:
( ) (2.62)
É obtido o valor de como mostrado na equação 2.63.
(2.63)
Aparentemente, pequenos indicam que a função de transferência possui

rápida resposta a perturbações na entrada, enquanto grandes indicam que o
processo possui uma dinâmica lenta. Desta maneira, o pode efetivamente refletir a
dinâmica do processo de ̅ ( ), e consequentemente ( ).
59
Visto isso, até agora foram obtidos dois parâmetros importantes para o processo
( ):
 O ganho em estado estacionário ( ), o qual reflete o efeito da variável

manipulada na variável controlada .
 O tempo médio de residência , responsável pela velocidade de
resposta da variável controlada , pela variável manipulada .
Para utilizar ambos os parâmetros para a medida de interação e pareamento de

variáveis, é definido o ganho normalizado para uma função de transferência
particular ( ) como:
( )
(2.64)
A equação 2.64 indica que um alto valor de implica que o efeito e a

velocidade de resposta da variável manipulada com a variável controlada são
grandes. Portanto, o pareamento com grande ganho normalizado de , deve ser
preferível.
Estendendo a equação 2.64 para todos os elementos da matriz de função de

transferência ( ), podemos obter a matriz de ganho normalizado , mostrada na
equação 2.65.
[ ] ( ) (2.65)
Onde:
[ ] (2.66)
E o operador indica a divisão elemento por elemento.
Já que o indica a eficácia de controle entre as variáveis manipuladas e

controladas, quanto maior o valor dele, mais dominante será o laço.
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)
As regras de pareamento do NRGA são baseadas em regras obtidas com variáveis

manipuladas e controladas requeridas no controle descentralizado e são apresentadas
por He et. al. (2009):
 Todos os pares de elementos são positivos;

 O NI é positivo;
 Os elementos pareados do NRGA devem ser os mais próximos a 1;
 Altos elementos no NRGA devem ser evitados.
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
Considere um processo 2x2 com matriz de ganho da forma:
( )
[ ]
Aplicando primeiramente o método tradicional do RGA, para o ganho em estado

estacionário, é obtida a matriz RGA:
( ( )) [ ]
O qual, de acordo com sua metodologia explicada na seção 2.2, possui um valor de
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:
[ ]
Observando a matriz , podemos perceber que o pareamento diagonal possui

resposta mais lenta devido aos maiores tempos médios de residência, apesar de ser
dominante no estado estacionário. 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 :
[ ]
Obtida a matriz , o NRGA pode ser calculado utilizando a equação 2.67.
[ ]
Analisando o modelo do NRGA, podemos perceber que o pareamento sugerido

pelo modelo, foi contrário ao sugerido pelo RGA inicialmente. É visto no modelo
NRGA que os laços com e com possuem uma interação maior, sendo mais
viável o pareamento destes. Neste caso, o modelo do RGA não foi muito eficaz,
justamente por somente levar em conta o estado estacionário, deixando de lado a
dinâmica do processo. Podemos notar também que a propriedade das somas dos
elementos de uma linha ou uma coluna sem mantem, sendo igual ao valor unitário.
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.
3.2. Matriz de Ganhos Relativos (RGA) para

Sistemas Não Quadrados
De modo geral, os processos químicos na natureza são sistemas não quadrados,

isto é, sistemas com diferentes números de entradas e saídas. A matriz RGA,
originalmente proposta por Bristol em 1966, visto no tópico anterior, lida somente com
sistemas quadrados, exceto pelo método de decomposição em valores singulares, SVD
(singular-value decomposition). Downs e Moore (1981) utilizaram o SVD para medição
e escolha de variáveis em processos de destilação. Porem, Nguyen et. al. (1988) afirma
que apesar de ser geometricamente significativo, o SVD depende da escala das entradas
e saídas.
Obviamente não é possível o controle perfeito de um sistema que possui mais

saídas que entradas, mas, para um controle objetivo, pode-se utilizar a concepção de
mínimos quadrados, para minimizar a soma de erros quadráticos no estado estacionário
das saídas com menos entradas. Chang e Yu (1989) chamaram esse controle de controle
perfeito na concepção de mínimos quadrados e propuseram uma extensão do calculo do
RGA para sistemas não quadrados, chamado de NRG (non-square RGA). Em geral, há
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.
Considerando uma matriz , , com , a função de transferência de um

processo com entrada e saída , temos, assim como a equação 2.4, a seguinte equação:
(2.4)
É mostrado na Figura 3.1 um sistema em controle por realimentação com um

controlador . O ganho relativo entre a i-ésima saída ( ) e a j-ésima entrada ( ), ,
é dada pela razão entre o ganho em malha aberta e o ganho de malha fechada.
Figura 3.1: Conceito de ganho em malha fechada em um sistema por realimentação.
Chang e Yu (1989) afirmam que para o ganho em malha aberta, a definição é a

mesma tanto para sistemas quadrados ( ), como para não quadrados ( ).
Porem, para um sistema não quadrado com mais saídas que entradas ( ), não é
possível manter todas as saídas nos seus set points. Portanto, o significado da definição
de controle perfeito para ganho em malha fechada deve ser modificado.
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)
Sendo elementos da matriz , matriz pseudo-inversa de .
Então, é obtido o valor do ganho relativo para sistemas não quadrados,

mostrado na equação 3.2, a qual é bastante semelhante à equação 2.1.
( ) ⁄( ) (3.2)
Desta maneira, a partir do estado estacionário da matriz de transferência e sua

pseudo-inversa , a matriz de ganhos relativos para sistemas não quadrados pode ser
dada por:
( ) [ ] (3.3)
A equação 3.3 é bastante similar com a equação 2.9 e apesar da diferença da

pseudo-inversa , ser utilizada no lugar da matriz inversa , a simplicidade da RGA
permanece.
Chang e Yu (1989) complementam que podemos calcular a soma de cada linha ou

cada coluna como a soma de um vetor. O vetor soma de cada linha, RS (row sum) é
dado pela equação 3.4, assim como o vetor soma de cada coluna, CS (column sum),
dado pela equação 3.5:
[∑ ∑ ∑ ]
[ ( ) ( ) ( )] (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:
 A soma dos elementos ao longo do lado maior, linha ou coluna, é igual a

1. No lado menor esta soma está entre zero e um.
 A NRG (non-square relative gain array) é escalarmente invariante
quanto a sua entrada, porém variante quanto a sua saída. Isto é, é
invariante caso previamente multiplicado por uma matriz diagonal não
singular , e variante caso posteriormente multiplicado.
 Assim como no RGA, qualquer permutação das linhas ou colunas da
matriz , resulta na mesma permutação na matriz NRG. Isto é,
( ) ( ) , onde e são matrizes de permutação.
 Pela similaridade das equações, podemos observar que o RGA é um caso
especial da NRG, onde .
 À medida que a matriz G vai se tornando singular, isto é, o determinante
se aproximando do valor zero, os elementos da matriz NRG se
aproximam do infinito.
 Altos elementos no NRG indica que o sistema é sensível a erros.
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
Considere um processo de destilação para separar benzeno, tolueno e xileno,

mostrado na figura 3.2.
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:
( ) [ ]
Usando a definição da equação 3.3, temos que o NRG é:
( ) [ ]
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:
( ) [ ]
O sistema passou a ser quadrado, com a matriz de ganhos relativos sugerindo o

pareamento de com , com e com .
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.
Figura 3.3: Sistema de armazenamento de liquido.
Arkun e Downs (1990) ressaltam que os ganhos em estado estacionário em malha

aberta ou as funções de transferência para esses sistemas não podem ser obtidos por
meio de simulação tradicional (resposta ao degrau), a não ser que os integradores sejam
identificados previamente e colocados em controle de malha fechada. Portanto uma
abordagem geralmente utilizada para sintetizar a estrutura de controle é primeiramente
encontrar todas as variáveis integrativas e definir como variáveis controladas. Depois
escolher um número igual de variáveis manipuladas para o controle de tais variáveis
controladas. Uma vez que a estrutura esteja formada, pode-se utilizar o uso do RGA
69
para regulação das variáveis. Porem, a atribuição de certas variáveis manipuladas na
primeira fase pode deteriorar o desempenho do controlador na segunda fase.
Reconhecendo tais problemas, Woolverton (1980) sugeriu o uso de derivadas das

variáveis integrativas como variáveis controladas, para que os ganhos em estado
estacionário e os ganhos relativos possam ser definidos. Posteriormente, McAvoy
(1983) provou que para um determinado exemplo 3x3, a matriz RGA das variáveis
integrativas e suas derivadas é a mesma.
Para o melhor entendimento da abordagem utilizada em sistemas integrativos, é

ilustrado no exemplo 3.2 o caso de um processo que contem variáveis integrativas e sua
devida abordagem.
Exemplo 3.2
Considere um processo de um decantador, que possui uma matriz de transferência

3x3 da seguinte forma:
( ) [ ]
Onde é uma constante e é a variável de Laplace. Como podemos observar, a

ultima linha da matriz de transferência ( ) possui termos puramente integrativos, ⁄ ,
dificultando o cálculo do RGA, já que, como foi visto anteriormente, o RGA é
calculado com a matriz de transferência ( ) em estado estacionário, isto é, ,
tornando o ganho em estado estacionário dos elementos integradores indefinido.
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 ̅( ).
Podemos observar isso da seguinte maneira. Sendo:
( )
( ) [ ] (3.6)
( )
Onde temos que ( ) é a matriz com os termos não integrativos e ( )

( )
a matriz com os termos integrativos. Em outras palavras, o sistema possui
( ) saídas integrativas. Assim como foi dito anteriormente, o termo integrativo ⁄
está atuando como uma matriz escalar. Pela propriedade da RGA da escala invariante,
obtemos que:
( )
[ ( )] [ ] (3.7)
( )
Provando o que a RGA da nova matriz de ganho obtida sem os termos

integrativos possui o mesmo valor da RGA da matriz de ganho original.
Se a matriz de transferência ( ) é dada como a do exemplo 3.2, é simples

localizar os elementos integradores e o calculo de sua matriz de ganho não integrativa é
direto. Porem, para grandes fluxogramas ou funções em que a transformação para uma
matriz não integrativa não é tão simples, seria mais útil se pudéssemos calcular os
ganhos diretamente a partir de uma descrição de espaço de estado, o qual é mais fácil de
ser encontrado. Arkun e Downs (1990) desenvolveram um método para realizar tal
tarefa utilizando a divisão entre ganhos, com ganhos integrativos e não integrativos.
É mostrado no exemplo 3.3 um caso para um sistema com vários termos

integrativos, dividindo em matrizes de ganho integrativo e não integrativo.
Exemplo 3.3
Considere um processo com a matriz de transferência ( ) da forma:
71
( )
( )
[ ]
O sistema pode ser expandido para a forma:
[ ]⁄ [ ]
( ) ⁄ [ ]
Obtendo:
( ) ̅( )
Sendo as matrizes e matrizes de ganho integrativas do sistema e ̅( ) a matriz de

ganho não integrativa do sistema, obtendo a matriz de ganho não integrativa no estado
estacionário, ̅( ) da forma:
̅( ) [ ⁄ ]
Observando a resposta para o ganho da matriz em estado estacionário ̅( ), se percebe

uma singularidade em tal matriz, além de uma das colunas ser igual a zero.
Para resolução desse tipo de problema, além da singularidade da matriz, o caso de

linhas ou colunas da matriz de ganho não integrativa serem iguais a zero, o método
desenvolvido por Arkun e Downs (1990) para o calculo da RGA para sistemas
integrativos, modifica o sistema de maneira que tais linhas ou colunas não permaneçam
iguais a zero.
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)
( )
Isto é, se os termos integradores estão localizados nas linhas, obtendo o resultado

mostrado na equação 3.9:
( )
[ ( )] [ ] (3.9)
( )
Assim como, caso o sistema se do tipo mostrado na equação 3.10:
( ) ( )] ( )
( ) [ ( ) (3.10)
Isto é, os integradores estão localizados nas colunas, obtendo o resultado do RGA:
[ ( )] [ ( ) ( )] (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.
Desta forma, primeiramente são calculados os valores das matrizes e ̅( )

identificando as entradas diferentes de zero de com os termos integradores e
classificando a matriz ( ) como uma matriz de linha ou de coluna integradora. Depois,
é construída a matriz ( ), com [ ], com as linhas, ou colunas de que
possuem termos diferentes de zero. É construída também uma matriz ̅( )( ̅ ), com os
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)
Assim, temos o resultado para a RGA:
̅ ( )( ̅ )
[ ( )]( ) [ ] (3.14)
( )
Para o caso de uma matriz de linha integrativa, e:
[ ( )]( ) [ ̅ ( )( ̅ ) ( )] (3.15)
Para o caso de uma matriz de coluna integrativa.
Para entender melhor o método, é mostrado no exemplo 3.4 um caso para um

sistema integrativo, e o calculo de sua RGA utilizando tal abordagem.
Exemplo 3.4
Considere um processo com três entradas e três saídas, 3x3, com a matriz de
transferência ( ) da forma:
( )
( ) ( )
[ ]
Primeiramente são divididos os termos integrativos e não integrativos da matriz de

transferência ( ) para obtenção das matrizes e ̅( ).
74
( ) ̅( ) [ ] [ ]
Obtendo:
[ ] ̅( ) [ ]
Observando a matriz , podemos classifica-la como uma matriz de coluna integradora,

possuindo a segunda coluna com todos seus termos iguais a zero. Desta forma, são
obtidos os valores de , ̅ , ( ) e ̅( )( ̅ ).
[ ], ̅ [ ]
( ) [ ] ̅ ( )( ̅ ) [ ]
Obtidos os valores de ( ) e ̅( )( ̅ ), pode-se chegar à forma final da matriz

modificada para a RGA. Por se tratar de um processo com a matriz classificada como
uma matriz coluna integradora, utilizando a equação 3.15, temos que:
[ ( )]( ) [ ]
Obtendo o valor da RGA de ( ), utilizando a matriz modificada do método e a

equação 2.9:
( ) [ ]
A qual sugere um pareamento do sistema com com , com e com .
75
3.3.1. Abordagem Alternativa para Sistemas Integrativos
Para alguns processos com grandes fluxogramas, a abordagem vista na secção

anterior se torna mais complicada, além dos casos em que a matriz não integrativa
reformulada se torna singular. Desta forma, outra abordagem proposta por Huang et. al.
(2005) é analisada.
Considere um processo MIMO, com ( ) a matriz função de transferência do

processo. A matriz de ganho usada para o calculo do RGA do sistema é dada pela
equação 3.16:
̃ ̃ (3.16)
Onde os termos ̃ são dados por:
̃ (3.17)
Caso o termo não possua integrador puro. E:
̃ ⁄ (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:
 Caso exista apenas um elemento que possua o termo integrativo, .
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
Considere uma matriz de transferência de um processo com três entradas e três

saídas, 3x3, da forma:
( )
( )
( ) ( ) ( )
[( ) ( ) ]
Podemos observar que o termo ( ) da matriz ( ) possui um integrador. Utilizando

as equações 3.17 e 3.18, podemos encontrar a matriz de ganho para o calculo da RGA,
dada por:
⁄
̃( )
[ ]
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:
( ̃) [ ]
O resultado sugere um pareamento com , com e com . Podemos

concluir também, utilizando as normas citadas, que a malha suposta pela RGA ( )
possui um integrador puro, enquanto as malhas ( )e ( ) não possuem.
Outro exemplo para o caso integrativo é mostrado no exemplo 3.6.
Exemplo 3.6
Considere uma matriz de transferência modificada, ̃( ), de um processo com

quatro entradas e quatro saídas, 4x4, da forma:
⁄ ⁄
̃( ) ⁄ ⁄
[ ]
Podemos observar que os termos ̃ , ̃ , ̃ e ̃ possuem integradores puros.

Utilizando a equação 3.19 para o calculo do RGA de tal sistema, com , temos:
( ̃) [ ]
O resultado para esse caso sugere um pareamento com , com , com e

com . Assim como o caso anterior, utilizando as normas citadas, podemos concluir
que as malhas supostas pela RGA ( ) e ( ) possui um integrador puro, enquanto as
malhas ( ) e ( ) não possuem.
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. Coluna Fracionadora de Óleo Pesado da Shell
A coluna fracionadora de óleo pesado da Shell é um modelo linear proposto por

Prett e Morari (1987) que não representa um processo real existente, mas foi criado para
expor os mais importantes recursos da engenharia de controle diante de fracionadores de
óleo real. Assim, ele foi criado com o intuito de servir como problema padrão para
solução de vários problemas de controle.
4.2.1. O Processo
O processo é descrito como uma coluna fracionadora, mostrada na Figura 4.1, na

qual uma alimentação gasosa entra por baixo do fracionador. São retirados três
produtos: ponto de saída do topo, ponto de saída lateral e ponto de saída do fundo do
fracionador, como podem ser observados no lado direito da Figura 4.1.
79
Figura 4.1: Coluna Fracionadora da Shell.
Fonte: Prett e Morari (1987)
São separados também três circuladores (refluxo): superior, intermediário e do

fundo, observados no lado esquerdo da Figura 4.1. O calor é transportado pela
alimentação e estes refluxos de circulação são utilizados para remover o calor do
processo por meio de trocadores de calor. O calor removido é então usado em outros
processos como, por exemplo, outro fracionador. O montante de calor removido por
cada loop de refluxo é expresso como taxa de calor. Então, quanto maior a taxa, mais
calor esta recirculando de volta no fracionador e, consequentemente, menor será o
montante de calor removido, sendo os ganhos das taxas de calor por temperatura
positivos.
O calor removido nos dois refluxos do topo é determinado pelos requisitos de

outros processos, e isto então atua como perturbação de entrada no fracionador. Uma
importante diferença entre eles é que a Taxa de Refluxo Intermediária é considerada
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.
Tabela 4.1: Variáveis de entrada do processo da coluna da Shell.

Variáveis de Entrada Função Número da Variável
Tração da válvula de saída do Variável Manipulada
Topo
Tração da válvula de saída Variável Manipulada
Lateral
Taxa de Refluxo do Fundo Variável Manipulada
Taxa de Refluxo Perturbação Monitorada
Intermediária
Perturbação não
Taxa de Refluxo Superior
Monitorada
Há sete saídas medidas a partir do fracionador. As duas primeiras saídas são as

composições do produto do Ponto de Saída do Topo e do produto do Ponto de Saída
Lateral. Estes são medidos pelo analisador, bem como a composição é representada por
uma variável escalar em cada caso. As restantes cinco saídas são todas as temperaturas:
a Temperatura do Topo, a Temperatura da Válvula de Tração Lateral, a Temperatura de
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.
Tabela 4.2: Variáveis de saída do processo da coluna da Shell.

Variáveis de Saída Função Número da Variável
Ponto de Saída do Topo Variável Controlada
Ponto de Saída Lateral Variável Controlada
Temperatura do Topo Variável Monitorada
Temperatura da Válvula de Variável Monitorada
Tração Lateral
Temperatura de Refluxo Variável Monitorada
Superior
Temperatura do Refluxo Variável Monitorada
Intermediário
Temperatura de Refluxo do Variável Controlada
Fundo
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.
Figura 4.2: Representação esquemática das variáveis manipuladas e controladas

do processo da coluna da Shell.
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.
Tabela 4.3: Modelo da coluna fracionadora de óleo pesado da Shell em

funções de transferência.
Tração da válvula Tração da válvula Taxa de Refluxo do
de saída do Topo - de saída Lateral - Fundo -
Ponto de Saída do
Topo -
Ponto de Saída
Lateral -
Temperatura de
Refluxo do Fundo -
4.2.2. Métodos de Seleção de Pareamento
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 deduzidos no
capitulo 2.
RGA
O primeiro método utilizado foi o método pioneiro do RGA.
Como foi visto na metodologia explicada na seção 2.2, primeiramente obteve o

ganho em estado estacionário ( ).
83
( ) [ ]
Utilizando a definição da equação 2.9, é obtida a matriz RGA do processo para

análise do pareamento.
( ) ( ) [ ]
A qual, de acordo com a metodologia da seção 2.2, sugere um pareamento direto,

com , com e com , visto posteriormente na Tabela 4.4.
DRGA
Com o intuito de estudar o comportamento do processo em uma faixa de

frequência, foi aplicado o método do DRGA. Para isso, de acordo com a metodologia
explicada na seção 2.3, primeiramente foi construído o gráfico do número de RGA para
o processo, utilizando a equação 2.25, obtendo o resultado mostrado na Figura 4.3.
Figura 4.3: Número de RGA do processo da coluna da Shell.
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.

mínimos, nos quais podemos observar a frequência de corte rad/seg, o
qual é dada pela intersecção do máximo valor singular com a queda de dB do valor
inicial.
Figura 4.4: Valores singulares máximos e mínimos do processo da coluna Shell.

frequência :
( ) ( ) [ ]
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:
{ {( )( )} {( )( )( )( )( )( )}}
{( )( )}
{( )( )( )( )( )( )}
Obtido os valores dos parâmetros , e , utilizando a equação 2.27, são

calculados os valores dos elementos da matriz . Desta forma:
[ ]
Utilizando a equação 2.28, obtemos, enfim, os valores da matriz ADGA do processo:
( ) [ ]
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.
( ) [ ]
Após ( ), é obtida a matriz de frequências através da frequência em que a

magnitude de ( ) cai ou ( ). Desta forma, observando o diagrama de
bode de cada função através do uso do Matlab, temos:
[ ]
Com os valores obtidos das matrizes ( )e , podemos calcular os valores da

matriz utilizando a equação 2.36. Assim:
[ ]

[ ]
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:
[ ]
Após a matriz diagonal de erros máximos permitidos, sabendo que os limites

máximos de todas as entradas são 0,5, pode ser calculado o PRGA escalonado do
processo, 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
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 :
[ ]
[ ]
Observando a matriz NRGA do processo, podemos perceber que assim como os

métodos de pareamento anteriores, o método do NRGA sugere um pareamento direto
das variáveis.
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.
Tabela 4.4: Pareamento de variáveis por todos os métodos analisados para a

coluna de Óleo da Shell.
Variável Manipulada Variável controlada
Tração da válvula de saída do Ponto de Saída do Topo -
Topo -
Tração da válvula de saída Ponto de Saída Lateral -
Lateral -
Temperatura de Refluxo
Taxa de Refluxo do Fundo -
do Fundo -
4.3. Planta Tennessee Eastman
A planta Tennessee Eastman é um clássico problema originalmente proposto por

Down e Vogel (1993), que constitui o cenário para aplicação e discussão diferentes
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)
As taxas de reação são função da temperatura, conforme a expressão de Arrhenius.

A reação que produz G possui uma elevada energia de ativação, resultando em maior
sensibilidade com a temperatura. Logo, as reações são, aproximadamente, de primeira
ordem.
Os reagentes gasosos são alimentados no reator onde formam produtos líquidos

voláteis. O reator tem jaquetas de refrigeração para remover o calor produzido durante a
reação. O fluxo de produtos do reator consiste em: reagentes que não reagiram e
produtos condensáveis. O fluxo de produto do reator passa por um cooler que condensa
os produtos. Em seguida, esse fluxo passa por um separador de líquido e vapor. Os
componentes não condensáveis são reciclados através de um compressor para a
alimentação do reator, enquanto os componentes condensáveis vão para um “stripper” e
lá saem os produtos G e H. Para evitar a acumulação do inerte B, parte do fluxo de
reciclo é purgado.
4.3.2. Características da Planta Tennessee Eastman
Palavajjhala (1994) destaca algumas características da planta Tennessee Eastman

que tornam o processo bastante desafiador. São elas:
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.
Tais características da planta Tennessee Eastman a tornam difícil de controlar,

possuindo uma grande interação entre os laços. Portanto, esse problema pode ser usado
como um banco de ensaio para o estudo e avaliação dos métodos de pareamento de
variáveis de entradas e saídas.
4.3.3. Métodos de Seleção de Pareamento
Para a aplicação dos métodos de seleção de pareamentos de entradas e saídas

deduzidos no capitulo 2, foram consideradas 8 variáveis manipuladas e 8 variáveis
controladas vistas na representação esquemática mostrada na Figura 4.6.
Figura 4.6: Representação esquemática das variáveis manipuladas e controladas

da planta Tennessee Eastman.
Após a seleção das variáveis manipuladas e controladas a serem utilizadas,

assumindo que a planta é linear e invariante no tempo (LTI), são mostradas na Tabela
4.5 suas respectivas funções de transferências.
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
Novamente, seguindo a ordem, o primeiro método utilizado foi o método pioneiro

do RGA.
Como foi visto na metodologia explicada na seção 2.2, primeiramente obteve o

ganho em estado estacionário ( ).
( )
[ ]
Utilizando a definição da equação 2.9, é obtida a matriz RGA do processo para

análise do pareamento.
( ) ( )
[ ]
A qual, de acordo com a metodologia da seção 2.2, sugere um pareamento visto na

Tabela 4.6.
96
Tabela 4.6: Pareamento de variáveis pelo método do RGA para a planta
Tennessee Eastman.
Vazão de Alimentação A (AF) - Pressão no Reator (RP) -
Vazão de Alimentação A e C Taxa de Produção (PR) -

(A&CF) -
Vazão de Alimentação D (DF) - Qualidade do Produto
(PQ) -
Composição de B na
Vazão de Purga (PF) -
Purga (B) -
Vazão de Corrente de “Stripper” Temperatura no
(SSF) - “Stripper” (ST) -
Válvula de Reciclo do Trabalho do Compressor
Compressor (CRV) - (CW) -
Temperatura de Saída da Água
Temperatura no Reator
de Resfriamento do Reator
(RT) -
(RCWOT) -
Vazão de Reciclo (RF) -
de Resfriamento do
Condensador (CCWOT) -
DRGA
Após o RGA, com o intuito de estudar o comportamento do processo em uma faixa

de frequência, foi aplicado o método do DRGA. Para isso, de acordo com a metodologia
explicada na seção 2.3, primeiramente foi construído o gráfico do número de RGA para
o processo, utilizando a equação 2.25, obtendo o resultado mostrado na Figura 4.7.
97
Figura 4.7: Número de RGA da planta Tennessee Eastman.
Observando o gráfico do número de RGA, podemos perceber que, assim como o

modelo da coluna da Shell, apesar de possuir um número de RGA não muito baixo, com
magnitude aproximadamente perto de 19, o sistema se comporta de maneira estável para
baixas frequências. Porém, para altas frequências, ocorre uma oscilação, aumento e
decréscimo das interações entre as malhas.

mínimos, nos quais podemos observar a frequência de corte rad/seg, o
qual é dada pela intersecção do máximo valor singular com a queda de dB do valor
inicial.
98
Figura 4.8: Valores singulares máximos e mínimos da planta Tennessee
Eastman.

frequência :
( ) ( )
[ ]
A qual sugere um pareamento igual ao método anterior, do RGA, mostrado na Tabela

4.6.
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.
( )
[ ]
Após ( ), é obtida a matriz de frequências através da frequência em que a

magnitude de ( ) cai ou ( ). Desta forma, observando o diagrama de
bode de cada função através do uso do Matlab, temos:
[ ]
Com os valores obtidos das matrizes ( )e , podemos calcular os valores da

matriz utilizando a equação 2.36. Assim:
100
[ ]

[ ]
Observando a matriz ERGA, podemos perceber uma nova sugestão de pareamento

de variáveis, mostrado na Tabela 4.7.
Tabela 4.7: Pareamento de variáveis pelo método do ERGA para a planta

Tennessee Eastman.
Vazão de Alimentação A (AF) - Vazão de Reciclo (RF) -
Vazão de Alimentação A e C Qualidade do Produto

(A&CF) - (PQ) -
Vazão de Alimentação D (DF) - Temperatura no Reator
(RT) -
Taxa de Produção (PR) -
Vazão de Corrente de “Stripper” Temperatura no
(SSF) - “Stripper” (ST) -
Válvula de Reciclo do Pressão no Reator (RP) -
101
Compressor (CRV) -
Trabalho do Compressor
(CW) -
(RCWOT) -
de Resfriamento do
Purga (B) -
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:
[ ]
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 :
[ ]
103
[ ]
Observando a matriz NRGA do processo, podemos perceber que tal método sugere
um pareamento diferente dos demais encontrados, mostrado na Tabela 4.8.
Tabela 4.8: Pareamento de variáveis pelo método do NRGA para a planta

Tennessee Eastman.
Vazão de Alimentação A (AF) - Taxa de Produção (PR) -
Vazão de Alimentação A e C Vazão de Reciclo (RF) -

(A&CF) -
Vazão de Alimentação D (DF) - Qualidade do Produto
(PQ) -
Purga (B) -
Vazão de Corrente de “Stripper” Pressão no Reator (RP) -
(SSF) -
Válvula de Reciclo do Trabalho do Compressor
Compressor (CRV) - (CW) -
Temperatura no Reator
(RT) -
(RCWOT) -
Temperatura no
de Resfriamento do
“Stripper” (ST) -
Analisando a aplicação de todos os métodos de pareamento utilizados, ao contrario

do caso anterior da coluna da Shell, pôde-se observar uma divergência entre os
métodos, com exceção do RGA e DRGA que tiveram a mesma configuração de
pareamento. Desta maneira, foi observado com que frequência os pares de variáveis
manipuladas e controladas sugeridas apareciam em cada método, sendo feita uma
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
Existem na literatura referente a área de controle de processos muito material que

aborda ferramentas e métodos de seleção de pareamento de variáveis. Neste trabalho
foram reunidas e apresentadas algumas dessas técnicas de pareamento de variáveis de
um processo MIMO, para controle descentralizado, tendo como base o método de
pareamento pioneiro de Bristol, o RGA, sendo estendido para outros métodos derivados
dele, o DRGA, ADGA, ERGA, PRGA, NRGA e alguns casos especiais, como os
sistemas não quadrados e sistemas integrativos.
No capítulo 2 foi feito o estudo de cada ferramenta de seleção de pareamento,

apresentando um exemplo para facilitar o entendimento, sempre comparando com o
método base do RGA. Primeiramente é apresentado o RGA como a principal medida de
interação, com suas propriedades derivadas de base algébricas. Porém possui suas
limitações por analisar o sistema somente em estado estacionário, não levando em conta
a dinâmica do sistema.
Com o intuito de analisar os processos de maneira dinâmica, foi deduzido o

DRGA, o qual avalia o sistema em uma determinada frequência ou em uma faixa de
frequências. É aconselhado o pareamento de variáveis próximo a frequência de corte, já
que se encontra ao final da largura de banda em malha aberta, sendo bastante sensíveis
106
e, geralmente, difíceis de controlar caso o valor do RGA em tal frequência seja muito
grande.
O ADGA foi proposto como uma extensão do conceito do DRGA, baseado em

resposta ao degrau, sendo uma medida dinâmica média na faixa de frequência de
interesse, porém somente utilizada para processos com funções de transferências de
primeira ordem.
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.
No PRGA é realizado um escalonamento do sistema, fazendo uma normalização

do processo num modelo de perturbações. O PRGA possui os mesmos elementos da
diagonal principal do RGA, não fornecendo mais informações quanto a diagonal, no
entanto, os elementos fora da diagonal são medidas de interação do processo.
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.
As definições e propriedades do RGA foram originalmente derivadas de sistemas

estáveis quadrados, sendo estendidas para sistemas não quadrados e integrativos,
apresentados no capítulo 3. Para os sistemas não quadrados é realizada uma abordagem
de transformar o processo em um sistema quadrado, podendo realizar posteriormente as
técnicas estudadas no capítulo 2. Para o caso de sistemas integrativos, são realizadas
duas abordagens diferentes: a primeira de separar o processo em duas matrizes, uma
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.
Foram apresentadas no capítulo 4 as aplicações de todos esses métodos para dois

processo amplamente conhecidos. Para o primeiro caso, a coluna da Shell, foi obtida em
todos os métodos estudados a mesma configuração de pareamento, podendo concluir
que em questão de desacoplamento, o processo da Shell permanece bastante fiel aos
pares de variáveis, em toda sua gama de frequências estudadas, observando todos os
aspectos de cada método. Já para o caso da planta Tennessee Eastman ocorreram
algumas alternâncias de pares de variáveis, obtendo configurações diferentes para cada
caso. Isso se dá devido a sua alta interação entre malhas, principalmente à medida que a
frequência vai aumentando. Porém, fica bem visível a constância de alguns pares de
variáveis, aparecendo com maior frequência. É notado que o método de pareamento
mais apropriado recomendado foi o do RGA, que foi o mesmo do DRGA, mostrando o
porquê dessa ferramenta, apesar de ser a pioneira, mais antiga, continuar sendo
confiável e a mais utilizada até hoje quando se trata em controle de processos
descentralizado.
5.2. Recomendações
Como propostas para trabalhos futuros, primeiramente sugere-se a construção de

uma malha de controle para cada método de pareamento de variáveis da planta
Tennessee Eastman observando estabilidade e atuação dos controladores, já que possuiu
algumas discordâncias de pareamento em seus métodos, verificando a eficácia de cada
um.
Outra proposta seria o estudo e apresentação de outras técnicas e abordagens de

pareamentos não realizadas nesse trabalho, como o RIA (Relative Interaction Array),
BRG (Block Relative Gain), o HIIA (Hankel Interaction Index Array), o caso para
sistemas não lineares, entre outros métodos existentes na literatura, verificando sua
eficácia em comparação ao método pioneiro do RGA.
108
Uma terceira proposta seria o estudo de métodos de resiliência para avaliar os
efeitos de perturbações no processo, verificando sua capacidade de se manter estável na
presença de distúrbios.
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.
ARKUN, Y.; DOWNS, J. (1990). A general method to calculate input-output gains

and the relative gain array for integrating processes. School of Chemical
Engineering, Georgia Institute of Technology, Atlanta, GA, USA.
BRISTOL, E.H. (1966). On a new measure of interactions for multivariable process

control. IEEE Trans. Automatic Control, AC-11: 133–134.
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).
CHIANG, T.P.; LUYBEN, W.L. (1988). Comparisons of the dynamic performances

of three heat integrated distillation configurations. Industrial and Engineering
Chemistry Research, 27: 99-104.
CONLEY, A.; SALGADO, M.E. (2000). Gramian based interaction measure. Dept.
of Electronic Engineering, Universidad Técnica Federico Santa Maria.
DOUKAS, N.; LUYBEN, W.L. (1978). Control of sidestream columns separating

ternary mixtures. Analyt. Instrum., 16: 645.
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.
FARINA, L.A. (2000). RPN-Toolbox: uma ferramenta para o desenvolvimento de

estruturas de controle. Dissertação de Mestrado em Engenharia Química,
UFRS/PEQ, Porto Alegre, Rio Grande do Sul, Brasil.
GAGNEPAIN, J.; SEBORG, D.E. (1982). Analysis of process interactions with

applications to multiloop control system design. Ind. Eng. Chem. Des. Dev., 21(1): 5-
11.
GROENENDIJK, A.J. (2000). Plant-wide controllability and structural optimization

of plants with recycles. Tese de doutorado em Engenharia, Universidade de
Amsterdam, Holanda.
GROSDIDIER, P. (1990). Analysis of interaction direction with singular value

decomposition. Computers Chemical Engineering, 14(6): 687-689.
GROSDIDIER, P.; MORARI, M. (1987). The interaction measure. Ind. Eng. Chem.
Res., 26(6): 1193-1202.
HÄGGBLOM, K.E (1995). Limitations and use of the RGA as a controllability

measure. Department of Chemical Engineering, Abo Akademi University, Finland.
HALVARSSON, B. (2003). Aplication of coupling analysis on Bioreactor models.

Master of Science Thesis, Engineering Physics Programme, School of Engineering,
Uppsala University, Sweden.
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.
HOVD, M.; SKOGESTAD, S. (1993). Procedure of regulatory control structure

selection with application to the FCC process. A.I.Ch.E. J., 39(12).
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.
KINNAERT, M., (1995). Interaction measures and pairing of controlled and

manipulated variables for multiple-input multiple-output systems: A survey. Journal
A, 36(4): 15–23.
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.
MASOUMI, E.; ZARANDI, B.M. (2011). Dynamic simulation and control of a

distillation column using effective relative gain array. World Academy of Science,
Engineering and Technology, 76.
MCAVOY, T.J. (1983). Interaction analysis monograph series. ISA, Research

Triangle, NC.
NETT, C.N. (1989). A quantitative approach to the selection and partitioning of

measurements and manipulations of the control of complex systems. Presentation at
the Caltech Control Workshop.
112
NETT, C.N.; MANOUSIOUTHAKIS, V. (1987). IEEE Trans. Automatic Control,
AC-32, 405-407.
NGUYEN, T.C.; BARTON, G.W.; PERKINS, J.D.; JOHNSON, R.D. (1988). A

condition number scaling policy for stability robustness analysis. A.I.Ch.E. J., 34:
1200.
PALAVAJJHALA, S. (1994). Control system synthesis and plant-wide control of the

Tennessee-Eastman challenge problem. Chapter 7 From D.Sc. Thesis, “Studies in
Model Predictive Control With Application of Wavelet Transform” Copyright.
PEDERSEN, K.; JORGENSEN, S.B.; SKOGESTAD, S. (1998). A review on process

controllability. Department of Chemical Engineering, Technical University of
Denmark, Lyngby, Denmark.
PRETT, D.M.; MORARI, M. (1987). Shell process control workshop, Butterworths,

Stoneham MA, 369 pp.
REEVES, D.E. (1991). A comprehensive approach to control configuration design

for complex systems. Ph.D. Thesis, Georgia Institute of Technology.
RIJNSDORP, J. E. (1965). Interaction in Two-variable Control Systems for

Distillation Columns I e II. Automatica, 1: 15.
ROSENBROCK, H.H. (1970). State-space and multivariable control. Nelson,

London.
SEBORG, D. E.; EDGAR, T. F.; MELLICHAMP, D. A. (1989). Process dynamics

and control. John Wiley, Nova York, USA.
SEDIGH, A.K.; MOAVENI, B. (2009). Control configuration selection for

multivariable plants. Scientific Publishing Services Pvt. Ltd., Chennai, India.
113
SILJAK, D.D. (1996). Decentralized control and computations: status and prospects.
Annual Rev. Control, 20: 131-141.
SKOGESTAD, S. (1992). Robust Control, Practical Distillation Control. W. L.

Luyben (editor), Van Nostrand Reinhold, New York, 291-309.
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.
SKOGESTAD, S.; MORARI, M. (1987). Implications of large RGA elements on

control performance. Ind. Eng. Chem. Res., 26(11): 2323-2330.
SKOGESTAD, S.; POSTLETHWAITE, I. (1996). Multivariable feedback control.

John Wiley & Sons, Inglaterra.
TORO, L.A.A. (2008). Metodologia para eldeseño de control total de planta.

Dissertação de Mestrado em Engenharia Química, Universidade Nacional da
Colombia, Medellín, Colombia.
TREIBER, S. (1984). Multivariable control of non-square system. Ind. Eng. Chem.

Process Des. Dev., 23: 854.
VAN DE WAL, M.; DE JAGER, B. (2001). A review of methods for input/output

selection. Automatica, 37: 487-510.
WITCHER, M.; MCAVOY, T.J. (1977). Interacting control systems: steady state e
dynamic measurement of interactions. ISA Trans., 16: 35-41.
WITTENMARK, B.; SALGADO, M.E. (2002). Hankel-norm based interaction

measure for input-output pairing. In: 15th Triennial World Congress, Barcelona,
Spain.
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.
ZIEGLER, J.G.; NICHOLS, N.B. (1943). Process lags in automatic-control circuits.

Trans A.S.M.E., 65: 433-444.
115

TCC Final - Sergio Dias PDF

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

TCC Final - Sergio Dias PDF

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DE SERGIPE - UFS

CENTRO DE CIÊNCIAS EXATAS E TECNOLOGIA - CCET

SERGIO DIAS DE MELO FILHO

RGA E SUAS EXTENSÕES PARA ANÁLISE DE

RGA E SUAS EXTENSÕES PARA ANÁLISE DE

Trabalho de Conclusão de Curso

Orientador: Prof. Dr. Oscar A. Z.

RGA E SUAS EXTENSÕES PARA ANÁLISE DE

Trabalho de Conclusão de Curso apresentado à

Gostaria de agradecer primeiramente a Deus, por sempre guiar meu caminho,

Para a aplicação dos métodos e ferramentas estudadas, foram utilizados 2 modelos

Palavras chave: RGA, métodos de pareamento, coluna fracionadora da Shell, planta

1.1.2.Sistemas de Controle Descentralizado ......................................................... 15

1.1.3.Seleção de Configuração de Entradas e Saídas ............................................ 17

1.2. Objetivo ................................................................................................................. 19

1.3. Motivação .............................................................................................................. 20

1.4. Revisão do Estado da Arte .................................................................................... 21

1.5. Escopo do Trabalho............................................................................................... 24

Capitulo 2 - O RGA e Suas Extensões

2.2. Matriz de Ganhos Relativos (RGA) ...................................................................... 26

2.2.1.Relação entre RGA e Condição Numérica ........................................................ 32

2.2.2.Relação entre RGA e Incertezas no Modelo ..................................................... 33

2.3. Matriz de Ganhos Relativos Dinâmica (DRGA) .................................................. 38

2.4. Matriz de Ganhos Relativos Dinâmica Média (ADGA) ....................................... 43

2.5. Matriz de Ganhos Relativos Efetiva (ERGA) ....................................................... 46

2.6. Desempenho da Matriz de Ganhos Relativos (PRGA) ......................................... 51

2.7. Matriz de Ganhos Relativos Normalizada (NRGA) ............................................. 57

Capitulo 3 - Casos Especiais do RGA

3.3.1.Abordagem Alternativa para Sistemas Integrativos......................................... 76

4.2. Coluna Fracionadora de Óleo Pesado da Shell ..................................................... 79

4.2.1.O Processo ............................................................................................................. 79

4.2.2.Métodos de Seleção de Pareamento ................................................................... 83

4.3. Planta Tennessee Eastman .................................................................................... 89

4.3.1.O Processo ............................................................................................................. 90

4.3.2.Características da Planta Tennessee Eastman ................................................... 92

4.3.3.Métodos de Seleção de Pareamento ................................................................... 94

Capitulo 5 - Conclusões e Recomendações

5.2. Recomendações ................................................................................................... 108

Referências Bibliográficas ....................................................................110

1.1. Controlabilidade e Seleção de Estruturas de

Desde a primeira versão de controle geral de processos, o controle tem se tornado

Os avanços de complexos processos industriais no ultimo século e seus

Para abordar o conceito de controlabilidade, Pedersen et. al. (1998) avaliaram um

 Operacionalidade: a capacidade da planta de fornecer um desempenho

Com as definições dadas, o termo viabilidade utilizado tem um aspecto estático, o

A controlabilidade é utilizada com diversos significados na literatura. Por exemplo,

No entanto, na prática, pode ser difícil obter um controle aceitável de todos os

A controlabilidade do processo depende de muitos aspectos diferentes, como

1.1.2. Sistemas de Controle Descentralizado

O controle descentralizado continua sendo utilizado amplamente em processos

Siljak (1996) afirma que é um fato que a complexidade e a carga computacional de

Van de Wal e De Jager (2001) indicam que geralmente o projeto de um sistema de

 Formulação dos objetivos de controle: os objetivos são expressos em

Na seleção da estrutura de controle, as saídas do sistema são o conjunto de

É abordado na seção 1.1.3 a seleção de configuração de entradas e saídas, fazendo

1.1.3. Seleção de Configuração de Entradas e Saídas

O projeto de sistemas de controle envolve seleção de entradas e saídas, isto é,

Parcialmente inspirado em Nett (1989) e Reeves (1991), Van de Wal e De Jager

 Bem fundamentada: a teoria por trás de um método de seleção de entradas

O RGA e suas subsequentes análises e metodologias são baseadas na função de

Outros resultados teóricos no campo de problemas de pareamento de entradas e

O objetivo principal deste trabalho é:

 O estudo da configuração de controle, ou pareamento de entradas e saídas

São objetivos específicos desse trabalho: