As colunas depropanizadoras existentes nas refinarias de petróleo têm como função a separação entre as correntes de propano e butano. O objetivo de controle nestas colunas é a especificação de um teor máximo de iso-butano e mais pesados (C4 +) na corrente de propano e do teor máximo de propano e mais leves (C3 -) na corrente de butano. Controladores multivariáveis tradicionais, que normalmente são implementados nas colunas depropanizadoras, apresentam grande dificuldade para manter os produtos dentro de suas especificações, isto se deve ao fato de que este processo apresenta um comportamento bastante não-linear ao longo de toda sua região de operação. Neste trabalho temos como objetivo estudar as dificuldades encontradas no projeto de controle para esse tipo de sistema e implantar na planta industrial um controlador multivariável utilizando múltiplos modelos para controle da coluna. Para realizarmos este estudo utilizamos o simulador de processos HYSYSÔ para verificarmos o comportamento estático e dinâmico do processo. Os modelos utilizados para representar o processo são aqueles obtidos durante o estudo do comportamento dinâmico. Para implantação do controlador na unidade industrial é utilizado o SICON (Sistema de Controle da Petrobras) sendo algumas de suas rotinas modificadas para permitir a inclusão dos múltiplos modelos. Durante o estudo são comparadas as performances dos controladores QDMC e MMPC (Multi-Model Predictive Control) resolvido através de um algoritmo para NLP (Non Linear Programming). O controlador multimodelos (MMPC) é apresentado na forma de variáveis de estado podendo controlar sistemas de grande porte, inclusive sistemas com dinâmicas lentas e rápidas. Esta formulação permite prever as variáveis controladas em instantes de tempo esparsos e diferentes para cada controlada. O MMPC é capaz de tratar problemas de controle não-linear usando modelos lineares, introduzindo o conceito de robustez com a utilização do conjunto de modelos. O MMPC exige um menor esforço de sintonia que o QDMC sendo adequado para uma região mais ampla de operação.

Depropanizer columns are used in oil refineries for the separation of the propane stream from the butane stream. The control objective of these columns is the specification of a maximum content of iso-butane and heavier components (C4+) in the propane product and the maximum content of propane and lighter components (C3-) in the butane roduct. Multivariable controllers usually mplemented in depropanizer columns frequently resent great difficulty to maintain the products inside their specification ranges. This deficiency is due to the fact that the process presents a quite non-linear behavior along its operating window. The objective of the present work is to study the difficulties found in the design of the control system for the aforesaid process, and to implement in an industrial plant a multivariable controller using multiple models for the control of the separation column. To accomplish this study we used the HYSYSÔ process simulator to verify the static and dynamic behavior of the process. The models used to represent the real process in the controller are those obtained during the study of the dynamic behavior. The controller implementation in the industrial unit was done with SICON (Control System of Petrobras), which had some of its routines modified to allow the inclusion of multiple models. Along the work, performances of QDMC and MMPC(Multi-Model Predictive Control) controllers were compared. MMPC was solved through an algorithm for NLP (Non Linear Programming). The Multi-Model (MMPC) controller was implemented using a state space formulation which allows for the implementation of very large systems and besides, systems with simultaneous slow and fast dynamics. This formulation allows to foresee the controlled variables at sparse sample instants, that can be distinct for each controlled variable. MMPC is able to handle non-linear control problems using linear models by introducing the robustness concept with the use of a set of models. MMPC demands a smaller tuning effort than QDMC, and can be adapted to a wide range of operating conditions.