• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Doctoral Thesis
DOI
https://doi.org/10.11606/T.3.2020.tde-24052021-112840
Document
Author
Full name
Carlos Roberto Chaves
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
São Paulo, 2020
Supervisor
Committee
Garcia, Claudio (President)
Campos, Mário César Mello Massa de
Leandro, Gideon Villar
Odloak, Darci
Zanin, Antônio Carlos
Title in Portuguese
Implementação e comparação de performance de controladores preditivos multivariáveis MMPC, estruturados com modelo de perturbação de entrada ajustados às perturbações através da utilização do modelo matemático identificado de um forno industrial petroquímico.
Keywords in Portuguese
Algoritmos
Análise de performance
Controle preditivo
Identificação de sistemas
Abstract in Portuguese
Na atualidade, dispõe-se de um número razoável de soluções tecnológicas para controle e otimização de sistemas ou processos multivariáveis, dentre estas tecnologias destaca-se o controle preditivo MPC. A busca pelas melhores soluções de controle para sistemas multivariáveis, através do controle preditivo, requer o conhecimento das relações de causa e efeito entre as variáveis de entrada e saída do processo. Todavia, pode-se gerar modelos dinâmicos dos processos que incluam, além das relações de causa e efeito entre as variáveis controladas e manipuladas, o efeito de perturbações não medidas.Esta particularidade do processo, poderá afetar a performance do controle preditivo quando não considerada, podendo levar, o controle da planta ou sistema, para regiões de instabilidade. A principal questão que se discute nesta tese é se a inclusão do modelo de perturbações não medidas (H) na estrutura do controlador preditivo pode melhorar o seu desempenho em relação à rejeição ou tratamento das perturbações estocásticas. Assim, esta tese visa desenvolver uma simulação e análise comparativa de desempenho entre os controladores preditivos com e sem modelo de perturbações não medidas. Os modelos do processo incluindo ou não os modelos de perturbações não medidas foram gerados a partir de dados coletados de um forno industrial de 50 MW. Os controladores MPC com e sem o modelo de perturbações não medidas foram testados através da simulação em ambiente computacional, visando uma avaliação do efeito no controle preditivo de inserir ou não esse modelo de perturbações. Ao final deste trabalho, a hipótese sobre a contribuição no desempenho do controlador preditivo com a inclusão do modelo de perturbações não medidas é confirmada através do critério IAE (integral do erro absoluto). Esse critério permite avaliar o comportamento do erro do processo obtido através da diferença entre SP (set-point) e PV (process-variable). Faz parte do escopo deste trabalho a utilização da ferramenta computacional MOGA (Multi-Objective Genetic Algorithm), para a otimização dos parâmetros de sintonia dos controladores preditivos com e sem o modelo de perturbações não medidas. O resultado da análise comparativa entre os controladores MPC, evidenciou através do critério IAE, que o controle preditivo MPC com modelo H, apresentou desempenho superior em relação ao controlador MPC sem modelo de perturbação não medida. Em resumo, o controle preditivo MPC com modelo de perturbação apresentou uma melhor capacidade de eliminar o erro em regime permanente, quando submetido a perturbações não medidas, permitindo que o processo opere em sua região ótima, contribuindo para a maximização da produção, redução dos índices de emissões atmosféricas e efluentes, aumento do ciclo de vida útil dos atuadores e incremento no tempo de campanha da planta industrial.
Title in English
Implementation and comparison of controller performance mmpc multivariate predictive, structured with model of inlet disturbance adjusted to disturbances through the use of the mathematical model identified as a petrochemical industrial Furnance.
Keywords in English
Mathematical model
MOGA algorithm
Multivariable predictive control
Performance analysis
System identification
Unmeasured disturbance model
Abstract in English
Currently, is a reasonable number of technological solutions for the control and optimization of multivariable systems or processes. Among these technologies the MPC predictive control stands out. The search for the best control solutions for multivariable systems through predictive control requires knowledge of the cause and effect relationships between process input and output variables. However, dynamic models of processes can be generated, including, in addition to the cause and effect relationships between controlled and manipulated variables, can be generated, the effect of nonmeasured disturbances. This particularity of the process may affect the performance of predictive control when not considered, and may lead, the plant to system control, to regions of instability. The main question discussed in this thesis is whether the inclusion of the model of non-measured disturbances (H) in the structure of the predictive controller can improve its performance in relation to the rejection or treatment of these stochastic disturbances. Thus, this thesis aims to develop a simulation and comparative analysis of performance among predictive controllers with and without model of non-measured disturbances. Process models including or not models of non-measured disturbances were generated from data collected from a 50 MW petrochemical furnace. MPC controllers with and without the model of non-measured disturbances were tested through simulation in a computational environment, aiming at an evaluation of the effect on predictive control of inserting or not this model of disturbances. At the end of this work, the hypothesis about the contribution in the performance of the predictive controller with the inclusion of the model of non-measured disturbances is confirmed through the result of the IAE index (integral of the absolute error). The IAE index allows evaluating the behavior of the error of the process obtained through the difference between SP (set-point) and PV (process-variable). In this work the Multi-Objective Genetic Algorithm (MOGA) computational tool is used, to optimize the tuning parameters of predictive controllers with and without the model of non-measured disturbances. In summary, the predictive control MPC with a perturbation model showed a better ability to eliminate the error in steady state, when subjected to unmeasured disturbances, allowing the process to operate in its optimal region, contributing to the maximization of production, reduction of indices of atmospheric emissions and effluents, increase in the life cycle of the actuators and increase in the campaign time of the industrial plant.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2021-05-24
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2021. All rights reserved.