The increasing economic competition drives the industry to implement tools that improve their processes efficiencies. The process automation is one of these tools, and the Real Time Optimization (RTO) is an automation methodology that considers economic aspects to update the process control in accordance with market prices and disturbances. Basically, RTO uses a steady-state phenomenological model to predict the process behavior, and then, optimizes an economic objective function subject to this model. Although largely implemented in industry, there is not a general agreement about the benefits of implementing RTO due to some limitations discussed in the present work: structural plant/model mismatch, identifiability issues and low frequency of set points update. Some alternative RTO approaches have been proposed in literature to handle the problem of structural plant/model mismatch. However, there is not a sensible comparison evaluating the scope and limitations of these RTO approaches under different aspects. For this reason, the classical two-step method is compared to more recently derivative-based methods (Modifier Adaptation, Integrated System Optimization and Parameter estimation, and Sufficient Conditions of Feasibility and Optimality) using a Monte Carlo methodology. The results of this comparison show that the classical RTO method is consistent, providing a model flexible enough to represent the process topology, a parameter estimation method appropriate to handle measurement noise characteristics and a method to improve the sample information quality. At each iteration, the RTO methodology updates some key parameter of the model, where it is possible to observe identifiability issues caused by lack of measurements and measurement noise, resulting in bad prediction ability. Therefore, four different parameter estimation approaches (Rotational Discrimination, Automatic Selection and Parameter estimation, Reparametrization via Differential Geometry and classical nonlinear Least Square) are evaluated with respect to their prediction accuracy, robustness and speed. The results show that the Rotational Discrimination method is the most suitable to be implemented in a RTO framework, since it requires less a priori information, it is simple to be implemented and avoid the overfitting caused by the Least Square method. The third RTO drawback discussed in the present thesis is the low frequency of set points update, this problem increases the period in which the process operates at suboptimum conditions. An alternative to handle this problem is proposed in this thesis, by integrating the classic RTO and Self-Optimizing control (SOC) using a new Model Predictive Control strategy. The new approach demonstrates that it is possible to reduce the problem of low frequency of set points updates, improving the economic performance. Finally, the practical aspects of the RTO implementation are carried out in an industrial case study, a Vapor Recompression Distillation (VRD) process located in Paulínea refinery from Petrobras. The conclusions of this study suggest that the model parameters are successfully estimated by the Rotational Discrimination method; the RTO is able to improve the process profit in about 3%, equivalent to 2 million dollars per year; and the integration of SOC and RTO may be an interesting control alternative for the VRD process.

O aumento da concorrência motiva a indústria a implementar ferramentas que melhorem a eficiência de seus processos. A automação é uma dessas ferramentas, e o Real Time Optimization (RTO) ou Otimização em Tempo Real, é uma metodologia de automação que considera aspectos econômicos e restrições de processos e equipamentos para atualizar o controle do processo, de acordo com preços de mercado e distúrbios. Basicamente, o RTO usa um modelo fenomenológico em estado estacionário para predizer o comportamento do processo, em seguida, otimiza uma função objetivo econômica sujeita a esse modelo. Embora amplamente utilizado na indústria, não há ainda um consenso geral sobre os benefícios da implementação do RTO, devido a algumas limitações discutidas no presente trabalho: incompatibilidade estrutural entre planta e modelo, problemas de identificabilidade e baixa frequência de atualização dos set points. Algumas metodologias de RTO foram propostas na literatura para lidar com o problema da incompatibilidade entre planta e modelo. No entanto, não há uma comparação que avalie a abrangência e as limitações destas diversas abordagens de RTO, sob diferentes aspectos. Por esta razão, o método clássico de RTO é comparado com metodologias mais recentes, baseadas em derivadas (Modifier Adaptation, Integrated System Optimization and Parameter estimation, and Sufficient Conditions of Feasibility and Optimality), utilizando-se o método de Monte Carlo. Os resultados desta comparação mostram que o método clássico de RTO é coerente, desde que seja proporcionado um modelo suficientemente flexível para se representar a topologia do processo, um método de estimação de parâmetros apropriado para lidar com características de ruído de medição e um método para melhorar a qualidade da informação da amostra. Já os problemas de identificabilidade podem ser observados a cada iteração de RTO, quando o método atualiza alguns parâmetros-chave do modelo, o que é causado principalmente pela ausência de medidas e ruídos. Por esse motivo, quatro abordagens de estimação de parâmetros (Discriminação Rotacional, Seleção Automática e Estimação de Parâmetros, Reparametrização via Geometria Diferencial e o clássico Mínimos Quadrados não-lineares) são avaliados em relação à sua capacidade de predição, robustez e velocidade. Os resultados revelam que o método de Discriminação Rotacional é o mais adequado para ser implementado em um ciclo de RTO, já que requer menos informação a priori, é simples de ser implementado e evita o sobreajuste observado no método de Mínimos Quadrados. A terceira desvantagem associada ao RTO é a baixa frequência de atualização dos set points, o que aumenta o período em que o processo opera em condições subotimas. Uma alternativa para lidar com este problema é proposta no presente trabalho, integrando-se o RTO e o Self-Optimizing Control (SOC) através de um novo algoritmo de Model Predictive Control (MPC). Os resultados obtidos com a nova abordagem demonstram que é possível reduzir o problema da baixa frequência de atualização dos set points, melhorando o desempenho econômico do processo. Por fim, os aspectos práticos da implementação do RTO são discutidos em um estudo de caso industrial, que trata de um processo de destilação com bomba de calor, localizado na Refinaria de Paulínia (REPLAN - Petrobras). Os resultados deste estudo sugerem que os parâmetros do modelo são estimados com sucesso pelo método de Discriminação Rotacional; que o RTO é capaz de aumentar o lucro do processo em cerca de 3%, o equivalente a 2 milhões de dólares por ano; e que a integração entre SOC e RTO pode ser uma alternativa interessante para o controle deste processo de destilação.