UNIVERSIDADE FEDERAL DO TRIÂNGULO MINEIRO

INSTITUTO DE CIÊNCIAS TECNOLÓGICAS E EXATAS

DEPARTAMENTO DE ENGENHARIA QUÍMICA
Disciplina: Controle de Processos Químicos I

Prof. Davi Leonardo de Souza

davi.souza@uftm.edu.com
 Controle de Processos Químicos I
Conteúdo da aula

1.0 - Introdução

2.0 - Desenvolvimento de modelos usando regressão linear e não linear

3.0 - Ajuste gráfico de sistemas de 1ª ordem

4.0 - Método gráfico para ajuste de sistemas de 2ª ordem com tempo morto

Prof. Davi Leonardo de Souza 2

 Controle de Processos Químicos I
1.0 - Introdução

 Alguns processos são muito complicados para serem modelados usando os princípios de
conservação;

 Modelos físico-químicos podem não ser práticos para processos complexos;

Modelos que requerem um grande número de EDOs e elevado número de parâmetros

desconhecidos (propriedades físicas e químicas).

 Metodologia alternativa: Modelagem empírica (caixa preta).

Os modelos são obtidos diretamente de dados experimentais!

Prof. Davi Leonardo de Souza 3

 Controle de Processos Químicos I
2.0 - Desenvolvimento de modelos usando regressão linear e
não linear Perturbação d(t)

 Os dados experimentais devem ser “plotados” para visualização

Entrada Modelo do Saída
de observações distantes da tendência do restante dos dados Processo
u(t) y(t)
(outliers);
 Desta visualização é possível notar tendências de
comportamento nos dados o que auxilia na escolha da estrutura Modelo 1
do modelo a ser usado; ( Linear) Modelo 2
(2o grau)

 Os parâmetros desconhecidos são calculados por técnicas Modelo 3

numéricas chamadas de estimação de parâmetros ou regressão; (3o grau)

 Estas técnicas se baseiam na minimização de uma função que y

mede a distância do modelo aos dados experimentais (função
objetivo);
 Análise estatística pode ser usada para comparar vários
modelos candidatos. u
Prof. Davi Leonardo de Souza 4
 Controle de Processos Químicos I
2.1 - Regressão linear (mínimos quadrados)
Um modelo não linear, porém, linear nos parâmetros, com uma entrada e uma saída, assume a
seguinte forma: n
ŷ(x)   a jg j (x) (1)
j0
aj: parâmetros desconhecidos
gj(x): funções conhecidas de x (regressão polinomial gj(x) = xj)
n
Erro de modelagem: i  yi  yˆ i  i  yi   a jg j (x i ) (2)
j0

Método MQ: calcular aj’s que minimizam o somatório dos erros de modelagem, ao quadrado:
N N n
min    i2   [yi   a jg j (x i )]2 (3)
a 0 ,...,a n
i 1 i 1 j0

N é tamanho da base de dados (nº pontos); n é número de parâmetros da função aproximante.

Prof. Davi Leonardo de Souza 5
 Controle de Processos Químicos I
A equação (3) pode ser reescrita como:   (Y  X  a)T (Y  X  a) (4)

 g 0 (x1 ) g1 (x1 ) g n (x1 ) 

 y1  a 0   g (x ) g (x )
  g n (x 2 ) 
Y  , a  X 0 2 
1 2
com
   
y  a n  (n 1)1  
 N  N1
g 0 (x N ) g1 (x N ) g n (x N )  N(n 1)

 Condição necessária para existência do mínimo:


 0  ( Y  X  a) T (  X)  (  X) T ( Y  X  a )  0
a
( Y  X  a ) T (  X)  (  X ) T ( Y  X  a )  0  Y  X  a
XT Y  XT X  a  a  ( XT X) 1 XT Y se XT X é não singular

Prof. Davi Leonardo de Souza 6

 Controle de Processos Químicos I
Exemplo 2.1: Um experimento foi realizado em uma unidade de geração de energia elétrica
(gerador + turbina a gás). Foi medida a potência elétrica em função da vazão de combustível.
Obtenha o melhor modelo linear e quadrático que se ajusta aos seguintes dados em EE:
Vazão combustível Potência (MW)
1,0 2,0
2,3 4,4
2,9 5,4
4,0 7,5
4,9 9,1
Modelo linear: ŷ  a 0  a1x  g 0  x   1 e g1  x   x
 g 0 (x1 ) g1 (x1 )  1 1   2,0 
g (x ) g1 (x 2 )  1 2,3  4, 4 
 0 2      a 0 
X   g 0 (x 3 ) g1 (x 3 )   1 2,9  ; Y   5, 4  ; a   
 
g1 (x 4 )  1     a1 
g 0 (x 4 ) 4,0   7,5 
 g 0 (x 5 ) g1 (x 5 )  1 4,9   9,1 
Prof. Davi Leonardo de Souza 7
 Controle de Processos Químicos I
a  ( XT X) 1 XT Y
 5 15,1  1  1, 2014 0,3316 
X X
T
  ( X X)  
T

15,1 54,71   0,3316 0,1098 
 28, 4   1, 2014 0,3316   28, 4  0,1752 
X Y
T
 a     a   
102,37   0,3316 0,1098  102,37  1,8228 
ŷ  0,1752  1,8228x

Modelo quadrático: yˆ  a 0  a1x  a 2 x 2  g 0  x   1, g1  x   x e g 2  x   x 2

 g 0 (x1 ) g1 (x1 ) g 2 (x1 )  1 1 1   2,0 
g (x ) g 2 (x 2 )  1 2,3 5, 29   4, 4 
 0 2
g1 (x 2 )
      a0 
X   g 0 (x 3 ) g1 (x 3 ) g 2 (x 3 )   1 2,9 8, 41  , Y   5, 4  , a  a1 
   
g 0 (x 4 ) g1 (x 4 ) g 2 (x 4 )  1 4,0 16 
  
 7,5  a 2 
 g 0 (x 5 ) g1 (x 5 ) g 2 (x 5 )  1 4,9 24,01  9,1 
Prof. Davi Leonardo de Souza 8
 Controle de Processos Químicos I

a  ( XT X) 1 XT Y

 5 15,1 57,71   4,7534 3,3577 0,5106 

XT X   15,1 57,71 219, 2050   ( XT X) 1   3,3577 2,6879 0, 4350 
   
57,71 219, 2050 932,1923   0,5106 0, 4350 0,0734 

 28, 4   4,7534 3,3577 0,5106   28, 4   0,1917 

XT Y   102,37   a   3,3577 2,6879 0, 4350   102,37   a  1,8087 
      
 409,1810   0,5106 0, 4350 0,0734   409,1810  0, 0024 

ŷ  0,1917  1,8087x  0,0024 x 2

Prof. Davi Leonardo de Souza 9

 Controle de Processos Químicos I
Assim, teremos:

Modelo 1: ŷ  0,1752  1,8228x

Modelo 2: ŷ  0,1917  1,8087x  0,0024x 2

Vazão combustível Potência (MW) Modelo 1 Desvio Modelo 2 Desvio

1,0 2,0 1,9980 0,0020 2,0028 -0,0028
2,3 4,4 4,3676 0,0324 4,3643 0,0357
2,9 5,4 5,4613 -0,0613 5,4569 -0,0569
4,0 7,5 7,4663 0,0337 7,4646 0,0354
4,9 9,1 9,1069 -0,0069 9,1114 -0,0114
∑e2 0,0060 0,0059

Prof. Davi Leonardo de Souza 10

 Controle de Processos Químicos I
2.2 - Regressão não linear (mínimos quadrados)
Um modelo não linear, e, não linear nos parâmetros, com uma entrada e uma saída, assume a
seguinte forma:
ŷ(x)  f (x,a 0 ,a1, ,a n ) (4)

em que aj são os parâmetros desconhecidos e x é entrada do modelo.

Erro de modelagem: i  yi  yˆ i  i  yi  f (x i ,a 0 ,a1 , ,a n ) (5)

Método MQ: calcular aj’s que minimizam o somatório dos erros de modelagem, ao quadrado:
N N
min    i2   [yi  f (x i ,a 0 ,a1, ,a n )]2 (6)
a 0 ,...,a n
i 1 i 1

N é tamanho da base de dados (nº pontos); n é número de parâmetros da função aproximante.

Prof. Davi Leonardo de Souza 11
 Controle de Processos Químicos I
Condição necessária para existência do mínimo:

 N
f
 0   [yi  f (x i ,a 0 ,a1 , ,a n )] 0 com  j  0, 1, ..., n 
a j i 1 a j
x xi

Solução do sistema não linear: (a0, a1, ..., an)

2.2.1 - Usando o Excel para ajustar Funções de Transferência

 Defina um modelo a ser ajustado e atribua valores para os parâmetros a serem ajustados (1ª
estimativa);
 Adquira os dados experimentais a partir de medidas da saída do processo frente a
modificações na entrada do processo;
 Crie uma coluna (coluna 1) com os dados de entrada e uma segunda coluna (coluna 2) com
os dados de saída;
Prof. Davi Leonardo de Souza 12
 Controle de Processos Químicos I
 Estime a saída do processo utilizando o modelo a ser ajustado e a estimativa inicial dos
parâmetros. Coloque os dados estimados numa terceira coluna (coluna 3);
 Na coluna 4 calcule o desvio (erro) ao quadrado entre o valor real e a estimativa dada pelo
modelo;
 Defina uma célula alvo com a função objetivo desejada, isto é:
N
  yi  y(x
ˆ i )
2
(7)
i 1
 Especifique os parâmetros a serem ajustados em células de referência (K, τ1, τ2, etc.);
 Na guia <Dados> selecione a opção <Solver> em análise (deve-se habilitar a função Solver
em suplementos);
 Na janela que se abrirá defina a célula de destino (alvo) com a célula que contém a função
objetivo;
 Defina o valor da célula como <mínimo>;
 Defina as células variáveis como as células onde estão os parâmetros a serem ajustados;
 Clique na opção <Resolver> para que os parâmetros possam ser calculados.
Prof. Davi Leonardo de Souza 13
 Controle de Processos Químicos I
Exemplo 2.2: A entrada de um determinado processo sofreu um degrau unitário e sua saída foi
medida experimentalmente e é apresentada na tabela a seguir. Usando estes dados, ajuste uma
função de transferência de 1ª ordem e outra de 2ª ordem usando o Excel. O tempo está dado em
minutos e y(t) em variável desvio.
Dados:
t 0,0 0,5 1,0 1,5 2,0 3,0 4,0 5,0 6,0 7,0 8,0 9,0 10,0 15,0 20,0 25,0 30,0 40,0 50,0 60,0
y(t) 0,00 0,01 0,11 0,18 0,14 0,40 0,63 0,93 1,21 1,49 1,66 2,00 2,24 3,15 3,82 4,32 4,68 4,82 4,96 4,92

Solução - Modelos a serem ajustados:

K
M1: G(s)  
resposta ao degrau
y(t)  KM(1  e  t/  )
(s  1)
  t/ 1  t/ 2 
K (  e   e )
M2: G(s)   y(t)  KM 1 
resposta ao degrau 1 2

(1s  1)(2s  1)  1  2 

Prof. Davi Leonardo de Souza 14

 Controle de Processos Químicos I
Procedimento no Excel:

 Os dados experimentais foram levados para o Excel (colunas A e C).

 As estimativas dadas pelos modelos foram calculadas usando como estimativa inicial os
valores K = 1 e τ = 5 min para o modelo M1 e K = 1, τ1 = 1 min e τ2 = 8 min para o modelo
M2 e são mostradas nas colunas J e L da planilha.
 Os desvios ao quadrado foram calculados usando as colunas C e D para o modelo M1 e C e
F para o modelo M2.
 As funções objetivo (∑e2) foram calculadas nas células E24 e G24 para os modelos M1 e
M2 respectivamente.
 Os dados experimentais juntamente com as estimativas do modelo são mostrados na Figura a
seguir.

Prof. Davi Leonardo de Souza 15

 Controle de Processos Químicos I

Prof. Davi Leonardo de Souza 16

 Controle de Processos Químicos I

y(t)  KM(1  e  t/  )

Prof. Davi Leonardo de Souza 17

 Controle de Processos Químicos I

 (1e t/ 1  2e  t/ 2 ) 
y(t)  KM 1  
 1  2 

Prof. Davi Leonardo de Souza 18

 Controle de Processos Químicos I

N
  yi  y(x
ˆ i )
2

i 1

Prof. Davi Leonardo de Souza 19

 Controle de Processos Químicos I
 Na guia <Dados> selecione a opção <Solver>;
 Na janela que se abrirá defina a célula de destino (alvo) como a célula que contém a função
objetivo, isto é, célula E24;
 Defina o valor da célula como <mínimo>;
 Defina as células variáveis como as células onde estão os parâmetros a serem ajustados, isto
é, as células J5 e J6;
 Clique na opção <resolver> para que os parâmetros possam ser calculados;
 Observe na Figura a seguir que as células destacadas em verde, têm seus valores ajustados
até que função objetivo atinja o mínimo (célula alvo);
 Neste caso, os novos valores ajustados são de K ≈ 5,54 e τ ≈ 19,84 minutos.

Prof. Davi Leonardo de Souza 20

 Controle de Processos Químicos I

Prof. Davi Leonardo de Souza 21

 Controle de Processos Químicos I
Aparecerá uma mensagem com os Resultados do Solver. Clique em OK!

Prof. Davi Leonardo de Souza 22

 Controle de Processos Químicos I
 Repetimos o procedimento para o modelo M2. Na guia <Dados> selecione a opção
<Solver>;
 Na janela que se abrirá defina a célula de destino (alvo) como a célula que contém a função
objetivo, isto é, célula G24;
 Defina o valor da célula como <mínimo>;
 Defina as células variáveis como as células onde estão os parâmetros a serem ajustados, isto
é, as células L5, L6 e L7 como mostra a Figura a seguir;
 Clique na opção <Resolver> para que os parâmetros possam ser calculados;
 Observe na Figura a seguir que as células destacadas em amarelo, têm seus valores ajustados
até que função objetivo atinja o mínimo (célula alvo);
 Neste caso, os novos valores ajustados são de K ≈ 4,99, τ1 ≈ 3,78 minutos e τ2 ≈ 10,30
minutos.

Prof. Davi Leonardo de Souza 23

 Controle de Processos Químicos I

Prof. Davi Leonardo de Souza 24

 Controle de Processos Químicos I
Temos o resultado para os modelos M1 e M2:
Modelo M1: 1ª Ordem Modelo M2 2ª Ordem
Estimando um Modelo para G(s)
6,00 M 1 M 1
K 5,5371471 K 4,99883498
5,00 Tau 19,844241 Tau1 3,78071662
Tau2 10,3019012
4,00
Dados operacionais
5,53
y(t)

3,00
G M1 (s) 
(19,84s  1)
M1
2,00
M2

1,00
4,99
G M2 (s) 
0,00 (3,78s  1)(10,30s  1)
0,0 10,0 20,0 30,0 40,0 50,0 60,0 70,0
t (min)

Os valores para o somatório do erro ao quadrado (∑e2 ) são:

 M1: 1,271755785
 M2: 0,041716067
Prof. Davi Leonardo de Souza 25
 Controle de Processos Químicos I
3.0 - Ajuste gráfico de sistemas de 1ª ordem
K 
3.1 - Sem tempo morto: G(s)   Parâmetros a ajustar : K e 
(s  1) 
Da resposta temporal de um sistema de 1ª Ordem a um degrau, podemos notar as seguintes
características:
 K pode ser estimado dos dados experimentais usando os valores do EE inicial e do EE final,
K = ∆y(∞)/∆x(∞).
 A resposta atinge 63,2% do seu valor final em um tempo decorrido igual à constante de
tempo (t = τ).
y(t)
 (1-e-t/   0,632  t  
KM
 A reta tangente à curva em t = 0 intercepta a linha do EE final em um tempo igual à
constante de tempo (t = τ).
d  y(t)  1 -t/ d  y(t)  1
  e    
dt  KM   dt  KM  t 0 
Prof. Davi Leonardo de Souza 26
 Controle de Processos Químicos I

Tangente para y(t) em t = 0

Prof. Davi Leonardo de Souza 27

 Controle de Processos Químicos I
Kes 
3.2 - Com tempo morto: G(s)   Parâmetros a ajustar : K,  e 
(s  1) 

 O ganho é estimado dos dados

de EE da mesma forma anterior;
 Em seguida traça-se uma reta
tangente pelo ponto de inflexão; Reposta ao degrau
de amplitude M
 Da intersecção com o eixo das
abscissas tira-se o valor de θ;
 A intersecção com a linha do EE
Ponto de
final ocorre em um tempo em inflexão
que t = θ + τ. Logo: τ = t - θ.

Prof. Davi Leonardo de Souza 28

 Controle de Processos Químicos I
Exemplo 3.1: Obter o modelo de acordo com o resultado experimental representado pelo
gráfico abaixo:
Solução:
 Primeiramente devemos identificar o degrau:
∆w = M = 125-120 = 5 Kg/min.
Assim temos que:
y y()  y(0) 160  140 °C min
K   4
x M 5 Kg
 A partir da tangente, podemos observar que no
ponto em que a temperatura atinge 63,2% do
seu valor final, temos que: τ = 5 min (152,6 °C)
Assim, teremos o modelo:
K 4
G(s)  
s  1 5s  1
Prof. Davi Leonardo de Souza 29
 Controle de Processos Químicos I
Exemplo 3.2: Ensaios em um trocador de calor, revelou a seguinte resposta para uma
perturbação degrau de amplitude 2 na vazão do fluido de aquecimento. Determinar o modelo a
partir do gráfico.

Prof. Davi Leonardo de Souza 30

 Controle de Processos Químicos I
Solução:
 Primeiramente devemos traçar a tangente ao ponto de inflexão:

y y()  y(0)
K 
x M
23,15  20
K  1,575
2
Assim, temos o modelo:
Ke s
G(s) 
s  1

1,575e 5s
5   34 G(s) 
34s  1
Prof. Davi Leonardo de Souza 31
 Controle de Processos Químicos I
3.3 - Método de Sundaresan & Krishnawamy para ajuste de sistemas de 1ª ordem com tempo
morto

Kes 
G(s)   Parâmetros a ajustar : K,  e 
(s  1) 

 O ganho é estimado dos dados de EE da mesma forma anterior;

 Os autores usaram dois tempos característicos da resposta temporal (t1 e t2) e
correlacionaram os parâmetros τ e θ com t1 e t2 a partir de análises de muitas respostas ao
degrau;
 t1 é o tempo que o sistema leva para atingir 35% do seu valor final, isto é, y(t1)/KM = 0,35;
 t2 é o tempo que o sistema leva para atingir 85% do seu valor final, isto é, y(t2)/KM = 0,85.

  1,3t1  0, 29t 2
(8)
  0,67(t 2  t1 )

Prof. Davi Leonardo de Souza 32

 Controle de Processos Químicos I
4.0 - Método gráfico para ajuste de sistemas de 2ª ordem com tempo morto
Modelos de 2ª ordem geralmente geram melhores ajustes para dados experimentais.
Ke s
G(s)  2 2
 s  2s  1
A Figura abaixo mostra respostas típicas de sistemas de 2ª ordem a uma entrada degrau e inclui
os casos limites τ2/ τ1 = 0 e τ2/ τ1 = 1 (sistema criticamente amortecido).

Prof. Davi Leonardo de Souza 33

 Controle de Processos Químicos I
4.1 - Método de Smith
Baseia-se na determinação da resposta
fracionada em dois pontos característicos:

 t20 : tempo para que a resposta atinja 20%

do seu valor final (y/KM = 0,2);
 t60 : tempo para que a resposta atinja 60%
do seu valor final (y/KM = 0,6);
 Smith correlacionou de forma gráfica os
tempos característicos t20 e t60 de vários
sistemas de 2ª ordem com os parâmetros τ
e ζ. O resultado é mostrado na Figura ao
lado.

Prof. Davi Leonardo de Souza 34

 Controle de Processos Químicos I
 Uma vez determinado os valores de t20 e t60 dos dados experimentais (resposta do sistema
em estudo ao degrau) os valores de τ e ζ podem ser lidos da Figura anterior;
 O ganho é estimado dos dados de EE;
 θ é determinado por inspeção visual dos dados experimentais;
 Se tempo morto está presente, deve-se ter o cuidado de subtrair o valor de θ das leituras de
t20 e t60, uma vez que estes valores lidos do gráfico da resposta temporal estarão acrescidos
do tempo morto.
y/KM

Tempo

Prof. Davi Leonardo de Souza 35

 Controle de Processos Químicos I
Exemplo 4.1: Uma mudança degrau foi introduzida na vazão de um biorreator e a concentração
de CO2 foi medida na corrente de gás que deixa o bioreator. Os dados experimentais são dados
na Figura abaixo. Use o método de Smith e o método da regressão não linear usando a planilha
Excel para estimar os parâmetros do modelo. Compare os resultados.

Solução

Do gráfico tira-se:
y/KM

 t 20  2.0 min

 t 60  5.0 min

t 20    1.3
Tempo (min)  0.4 
Gráfico

 t 60 /   2.2    2.27
Smith
t 60

Prof. Davi Leonardo de Souza 36

 Controle de Processos Químicos I
      2  1  4.84 min
1
Assim, teremos os parâmetros para o método de Smith: 
2      2  1  1.07 min

Teremos: Método 1 (min) 2 (min) Soma Erro2

Smith 4.84 1.07 9.110-2
1ª Ordem (Excel) 5.45 - 1.510-1
2ª Ordem (Excel) 2.79 2.17 9.0110-4
Resposta temporal

1,0
Experimental
0,8 1a Ordem
2a Ordem
0,6 Smith
y/KM

0,4

0,2

0,0
0,0 2,0 4,0 6,0 8,0 10,0 12,0
tempo (min)

Prof. Davi Leonardo de Souza 37

 Controle de Processos Químicos I
PROPOSTA DE EXERCÍCIOS (Entrega não necessária!):

1)- Refazer os exercícios do capítulo;

2)- Refazer os exercícios resolvidos do Capítulo 7 do Livro Texto (SEBORG D. E. et al - 2ª

Edição);

3)- Fazer os exercícios 7.2, 7.3, 7.4, 7.5, 7.6, 7.7, 7.9, 7.10, 7.11, 7.12 e 7.13 do Capítulo 7, do
Livro Texto (SEBORG D. E. et al - 2ª Edição);

4)- Demais exercícios de outras bibliografias referente ao assunto do capítulo.

BOM ESTUDO!

Prof. Davi Leonardo de Souza 38

 Controle de Processos Químicos I
Bibliografia
1)- SEBORG, D. E., EDGAR, T. F., MELLCHAMP, D. A. – Process Dynamics and Control, Wiley, 2011.
2)- SMITH, C. A., CORRIPIO, A. B. – Princípios e Práticas do Controle Automático de Processos, LTC, 3ª
edição, 2008.
3)- OGATA, K – Engenharia de Controle Moderno, Pearson, 5ª edição, 2011.
4)- HENRIQUE, H. M. – Notas de aula. Universidade Federal de Uberlândia, 2009.
5)- LUYBEN, W. L. – Process Modeling, Simulation and Control for Chemical Engineers, 2a. Edição, McGraw
Hill, 1990.
6)- BEQUETTE, B. W. – Process Control. Modeling, Design, and Simulation. Prentice Hall, 2003.
7)- SIGHIERI, L., NISHINARI, A. Controle Automático de Processos Industriais – Instrumentação, 2ª Ed, Edgard
Blucher, 1997.
8)- COUGHANOWR, D.; LEBLANC, S. Process Systems Analysis and Control, McGraw Hill, ed 3, 2008.
9)- STEPHANOPOULOS, G. – Chemical Process Control. An Introduction to Theory and Practice, Prentice Hall,
1984.

Prof. Davi Leonardo de Souza 39

 Controle de Processos Químicos I

Prof. Davi Leonardo de Souza

davi.souza@uftm.edu.com

Prof. Davi Leonardo de Souza 40