Controle

de
Processos
Professor: Ariovaldo Bolzan
 UNIVERSIDADE FEDERAL DE SANTA CATARINA
CENTRO TECNOLÓGICO
DEPARTAMENTO DE ENGENHARIA QUÍMICA E ALIMENTOS
CURSO DE PÓS GRADUAÇÃO EM ENGENHARIA QUÍMICA

Uma formulação do modelo preditivo para o controle

cascata de sistemas instáveis em malha aberta

Suzana Fátima Bazoti

Tamires Cristina Costa
Fator de impacto: 2.33 Revista: A1
 Organização da apresentação

Contextualização.

Estrutura do artigo:

 Motivação;
 Descrição do processo;
 Descrição do controlador;
 Resultados da simulação;
 Conclusão.

Referências Bibliográficas.
 Contextualização
Controle em cascata

 Implementado quando a malha de controle simples não

responde satisfatoriamente;
 Processos de grande inércia;
 Processo possui contínua perturbação na variável manipulada;

 Minimiza os efeitos das

perturbações;
 Melhora as prestações
dinâmicas do sistema
de controle.
 Contextualização
Controle em cascata

 Controlador da variável controlada (primária): controlador mestre,

externo ou primário
O sinal de saída do "controlador do mestre" é o set-point para "controlador
escravo".

 Controlador da variável secundária: controlador escravo, servo, interno

ou secundário.
 Contextualização
Controle em cascata

O controle cascata é comumente utilizado

na operação de processos químicos para
rejeitar perturbações que têm um efeito
rápido no estado de medição secundária,
antes da medida da variável primária ser
afetada.

Normalmente, aplica-se o
controle em cascata,
quando os efeitos dos
distúrbios da variável
manipulada afetam a
variável controlada.
 Contextualização

Modelo de controle preditivo - MPC

Estratégia eficiente para indústria (T, P, tensão) bem como em outras áreas
(medicina: controle de pressão sanguínea).
Trajetória de referência: comportamento do sinal desejado para o futuro –
característica antecipativa;
Modelo matemático: representação do comportamento dinâmico de forma
precisa;
Preditor: previsão da saída futura baseada na informação atual da planta;
Otimizador: minimiza a função custo para obter uma ação de controle que
garanta desempenho adequado ao sistema.
 Contextualização

Modelo de controle preditivo - MPC

N2 Impacto futuro onde

está sendo considerada
a saída da planta.

O MPC baseia-se na previsão do comportamento futuro do processo para

o cálculo do sinal de controle. As previsões são feitas através de um
modelo matemático do processo sobre um intervalo de tempo
denominado horizonte de previsão .
 Motivação

Controle de processos nas indústrias químicas é uma ferramenta

fundamental:

• Questões de segurança;
• Operação lucrativa de uma planta;
• Respeito à legislação ambiental.

Os processos químicos possuem

comportamentos múltiplos de
escala de tempo.

Os autores desenvolveram um MPC “quadrado”, onde a saída do

reator é considerada na função de controle, a temperatura da
camisa é usada para estimar o estado e melhorar a rejeição de
distúrbios da temperatura de alimentação do arrefecimento e dos
circuitos externos, e incorporaram informações a partir de medições
secundárias. Citam duas abordagens de MPC:
horizonte infinito e horizonte finito.
 Motivação

Diagrama de fluxo do processo para o controle da temperatura

do reator em cascata num CSTR.
T do reator
(adimensional)

T arrefecimento
da camisa
 Descrição do processo
Equações de modelagem CSTR

𝑥1 = concentração adimensional de reagente;

𝑥2 = T do reator – adimensional;

𝑥3 = T da camisa – adimensional.

 Descrição do processo
Equações de modelagem CSTR

Tabela 1:
Valores dos parâmetros do modelo CSTR de três estados

Os valores da Tabela1mostram que fechando

o circuito secundário (controle de temperatura
da camisa), isoladamente, não estabiliza o
processo, pois a instabilidade reside no circuito
primário (controle da temperatura do reator).

O CSTR tem um comportamento de

multiplicidade com relação à taxa de fluxo de
temperatura da camisa e do revestimento,
conforme mostrado na Fig. 2.
Figura 2:
Equilíbrio da T reator (𝑥2 ) x T da camisa (𝑥3 ) e vazão (𝑞𝑐 )
 Projeto do controlador

Objetivo
 Manter constante a temperatura da mistura de reação (x2).

Perturbações
 Temperatura de alimentação (x2f); e
 Temperatura de alimentação de revestimento (x3f).

Variável manipulada
 Taxa de fluxo de revestimento (qc).

Resposta a temperatura
 A temperatura do reator responde muito mais rapidamente a
alterações na temperatura de alimentação do reator (x2f) do que
a alterações na temperatura da alimentação de revestimento
(x3f).

A ideia é ter dois loops controlados utilizando duas medições

diferentes, x2 e x3, mas que partilhem uma variável manipulada
comum, qc.
 Projeto do controlador

Implementação MPC
 O principal incentivo é para o tratamento de restrições explícitas.

 Existem várias opções para implementar uma estratégia de MPC

num CSTR com duas medições da temperatura e uma única
entrada manipulada:
 Utilização de MPC no “circuito externo” e controle PI no “circuito
interno”;
 Utilizar MPC em ambas as espiras externas e internas;
 Utilizar uma única estratégia MPC que incorpora ambas as medições de
temperatura do reator e jaqueta, e manipula a taxa de fluxo jaqueta.

Formulação MPC
 Apenas a saída do reator é considerada na função objetivo de
controle.
 A temperatura da camisa é usada no processo de estimação de
estado para melhorar a rejeição de distúrbios da temperatura de
alimentação do líquido de arrefecimento e do “circuito externo”.
 Projeto do controlador
MPC horizonte infinito

 A principal estratégia desse método consiste em converter o

horizonte de predição infinito para uma função objetivo horizonte
finito equivalente.

 Para sistemas instáveis, a abordagem horizonte infinito incorpora

estabilizabilidade restrita para trazer modos instáveis à origem.

Matriz semi-definida saída

Futuros N movimentos de
controle de malha aberta

Matriz definida entrada

Matriz semi-definida
entrada
 Projeto do controlador
MPC horizonte infinito

 O valor da penalidade de estado da matriz Q depende da

estabilidade do modelo da planta.

Estáveis Instáveis

 A soma infinita é determinada como sendo a solução da

equação Lyapunov discreta para sistemas estáveis:
 Projeto do controlador
MPC horizonte infinito

Vantagem
 Obriga modos instáveis irem a zero após o final do horizonte de
controle, N, em cada instante k usando a restrição a igualdade

embora a solução com esta restrição torna o problema

computacionalmente caro.

Desvantagem
 A restrição do horizonte tem de ser escolhido grande o suficiente
para que satisfaça as restrições dentro do horizonte finito
implicando o mesmo para o horizonte infinito.

Alto custo computacional.

 Projeto do controlador
MPC horizonte finito

 Semelhante à abordagem horizonte infinito, a diferença encontra-

se no fato de que a matriz penalidade do estado terminal não
está presente.
Horizonte de previsão de saída

Horizonte de controle

 Proporciona mais economias computacionais que o MPC

horizontal infinito e é a implementação MPC mais comum na
indústria hoje.

 Para chegar ação integral, um modelo de perturbação no passo

da entrada é utilizado para a estimativa dos estados.
 Projeto do controlador
Estimação de estado

 O filtro de Kalman em tempo discreto é utilizado para a estimação

de estado.

 As equações de atualização do tempo são:

Variância de erro:

Estimativa:

 E as equações de atualização de medição são:

Variância de erro:

Estimativa:
 Projeto do controlador
Estimação de estado

 Reconstrói de forma otimizada os estados a partir das medições

de saída dadas as premissas de ruído.
 As funções objetivo são modificados com os valores das estimativas de
estado obtidos a partir do Filtro de Kalman em tempo discreto.

 A operação do CSTR encamisado é instável, logo não pode usar o

método de perturbação na etapa de saída para obter ação
integral.
 Os pólos do observador irá conter os pólos de plantas e conduzir a
instabilidade no regulador.

 Um modelo de estado anexado é utilizado para ultrapassar esta

situação, em que os estados adicionais (utilizados para estimar as
perturbações) são anexados ao modelo.
 Projeto do controlador
Estimação de estado

 Utiliza-se um modelo de distúrbio de entrada:

 Temperatura de alimentação da jaqueta; e
Estados anexos.
 Taxa de fluxo de alimentação do reator.

Finalidade: Estabilizar os processos instáveis em malha aberta.

 A entrada e os vetores de estado alvo (xs e us) que retira a

perturbação passo no estado estacionário e mantêm a saída de
estado estacionário na saída desejada (yt) pode ser determinada:

Solução viável!
 Projeto do controlador

Formulação do controle em cascata ‘Clássico’

 Para projetar o controlador de cascata para este

sistema, empregou-se:
 Controlador proporcional (circuito interno);
 Controlador de feedback baseado no IMC (circuito externo);
 Filtro de ponto de ajuste (remover o excedente).
ISE-ótima

 Embora os controladores resultantes são um pouco mais

complexos, produzem melhores resultados do que outros
procedimentos de ajuste do controlador PID.
 Projeto do controlador

Questões de ajuste em MPC e filtro Kalman

 O ajuste do controlador de previsão de modelo foi baseado:

 Matriz de penalidade em Δu, S, fixada em unidade;
 desvantagem em Δu oscilações; (resposta de saída desacelera)
 A desvantagem em u, R, mantida a zero para todos os cálculos.
 O horizonte de previsão de entrada tem de ser, pelo menos, igual ao
número de pólos instáveis.

 Para a formulação de estado aumentado:

 Três pólos instáveis (1 processo e 2 dos estados aumentado);
 Horizonte de entrada de magnitude 3.

 Função objetivo para a otimização:

 Formulada de tal modo que a temperatura do reator é o único estado
a ser otimizado para futuros movimentos de controle.
 Diferente de um típico MPC "não-quadrado" (mais saídas do que
entradas), e evita deslocamento nas variáveis de saída.
 Projeto do controlador

Questões de ajuste em MPC e filtro Kalman

 O filtro de Kalman foi ajustado para obter uma estimativa livre

deslocamento.
 Parâmetro de ajuste: valor assumido do estado matriz ruído.

 Saídas à prova de som foram assumidas por estarem disponível.

 Covariância de erro para o ruído de medição foi feita para ser zero.

 O estado de matriz ruído Gw foi assumida como uma matriz

diagonal.
 Rejeição de distúrbios: apenas o elemento diagonal de Gw tem um
valor diferente de zero.
 Se Gw tem contribuição diferente de zero: estimação de estado pode
não representar os verdadeiros estados da planta para a rejeição de
distúrbios.
 Usando um alto valor no Gw: rápida convergência do estado.
 Resultados

Resultados para planta não-linear usando um controlador linear

Temperatura do reator x2= 2,6

Taxa de fluxo da jaqueta 0 e 1,55
Tempo de amostragem
0,05
(MPC)
Tempo de filtro (λ) 0,2
Tempo do filtro de valor
0.45 ≅ 2X
nominal (τf)
Horizonte de previsão N=3
MPC horizonte finito N1 = 10
Horizonte de previsão
N =12
MPC horizonte infinito

Os parâmetros de ajuste para controle de feedback baseado no

IMC e MPC foram mantidos constantes para todos os casos
estudados.
 Resultados
Primeiro conjunto de simulações

 Efeito de distúrbios primários e secundários não medidos e mudanças

nominais sobre o desempenho do controle em cascata e espaço-
estados baseados em MPC horizonte finito sobre a planta não-linear.

Reator

Jaqueta

Figura 3. Resposta a um pequeno salto de valor nominal de temperatura do reator

 Resultados

Reator

Jaqueta

Figura 4. Resposta a um pequeno aumento na temperatura de alimentação (jaqueta).

 Resultados

 Perturbação quando a concentração de alimentação do reator

adimensional não é mensurável (perturbação primária, x1f) ocorre durante
o tempo τ = 1 ( x 1 f muda de 1 para 0,95).

Reator

Jaqueta

Figura 5. Resposta a uma pequena diminuição no alimentação do reator.

 Resultados

Reator

Jaqueta

Figura 6. Resposta a um grande aumento na temperatura etapa de alimentação da jaqueta.

 Resultados

 Resposta para o caso de uma grande alteração do valor nominal da

temperatura do reator x2 (2,6-2,9).

Reator

Jaqueta

Figura 7. Resposta a um grande salto de valor nominal de temperatura do reator.

 Resultados

 Grande perturbação primária que ocorre na taxa de fluxo de

alimentação do reator.

Reator

Jaqueta

Figura 8. Resposta a uma grande diminuição na etapa caudal de alimentação do reator.

 Resultados

 Grandes perturbações primárias e secundárias aparecem como

impulsos. A perturbação secundária ocorre em τ = 1 (x3f de -1 a 0,4) e a
mudança na taxa de fluxo de alimentação do reator ocorre em τ = 2 (q
de 1 a 0,91) . O x3f e q voltam aos valores de estado estacionário em τ = 3.

Reator

Jaqueta

Figura 9. Resposta a um grande aumento na temperatura da jaqueta e grande diminuição na taxa de fluxo de
alimentação do reator.
 Resultados
Segundo conjunto de simulações

 O distúrbio secundário ocorre em τ = 1 (x3f muda de -1 a 0,6).Há um passo

de aumento na taxa de fluxo de alimentação do reator a τ = 2,5 (q altera
de 0 a 0,02), também em τ = 3,5, há um aumento na concentração de
passo alimentação do reator (x1f muda de 1 para 1,01).

Reator

Jaqueta
 Resultados

Temperatura da jaqueta Concentração reator

Temperatura de alimentação da jaqueta Taxa de fluxo de alimentação do reator

 Conclusões

Filtro de Kalman: estimar

os distúrbios de T da
camisa e o caudal do
reator;

MPC supera
controle em Controle em
cascata à base de Existe um elemento
cascata clássica, de arbitrariedade
sempre que as controle preditivo e
no desenho de
restrições da aplicaram a uma controle em
variável malha aberta cascata.
manipulada estão instável CSTR.
ativas.

QP como controlador de
previsão - variável
manipulada
 Conclusões

 O modelo apresentado no artigo seria altamente recomendado

para os sistemas com medição GAL e tipos não-passo de distúrbios.

 Apesar de não apresentar os resultados aqui, implementaram a

formulação em CSTR que possui atrasos de medição e uma
perturbação na rampa (diminuição do coeficiente de
transferência de calor por causa do entupimento).

Para ambos os casos, a resposta foi melhor do

que o controle em cascata clássica.
 Referências

 B. Deepak Nagrath, V. Prasad, and W. Bequette. A Model

predictive formulation for control of open-loop unstable cascade
systems, Chemical Engineering Science, vol. 57, pp. 365-378, 2002.

 .

 .

 .