Avaliacao de Controladores Pid e Preditivo

AVALIAO DE DESEMPENHO ESTOCSTICO E
DETERMINSTICO DE CONTROLADORES PID E

PREDITIVO: APLICAO A UM REATOR DE
HIDROTRATAMENTO
ALAIN COGNAC CARELLI
D ISSERTAO
DE
P ROGRAMA
APRESENTADA AO
P S - GRADUAO
DE
DA
Q UMICOS
E SCOLA
Q UMICA DA UFRJ.
O RIENTAO : P ROF . M AURCIO B EZERRA DE S OUZA J R ., D.S C .
E SCOLA DE Q UMICA
U NIVERSIDADE F EDERAL DO R IO DE J ANEIRO
2008
DE
EM TECNOLOGIA
P ROCESSOS
B IOQUMICOS
M ESTRADO
E
DE
AVALIAO DE DESEMPENHO ESTOCSTICO E DETERMINSTICO DE

CONTROLADORES PID E PREDITIVO: APLICAO A UM REATOR DE
HIDROTRATAMENTO
DISSERTAO APRESENTADA AO PROGRAMA DE PS-GRADUAO

EM TECNOLOGIA DE PROCESSOS QUMICOS E BIOQUMICOS PARA A
OBTENO DO GRAU DE MESTRE EM CINCIAS (M.Sc.).
ESCOLA DE QUMICA
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
OUTUBRO 2008
ii
AVALIAO DE DESEMPENHO ESTOCSTICO E DETERMINSTICO DE

CONTROLADORES PID E PREDITIVO: APLICAO A UM REATOR DE
HIDROTRATAMENTO
DISSERTAO SUBMETIDA AO CORPO DOCENTE DO CURSO DE PSGRADUAO
EM
TECNOLOGIA
DE
PROCESSOS
QUMICOS
BIOQUMICOS DA ESCOLA DE QUMICA DA UNIVERSIDADE FEDERAL

DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS NECESSRIOS
PARA A OBTENO DO GRAU DE MESTRE EM CINCIAS (M.Sc.).
APROVADA POR:
_______________________________________________
Prof. Maurcio Bezerra de Souza Jr., D.Sc.
Orientador
_______________________________________________
Cludia Martins da Silva, D.Sc.
_______________________________________________
Mrio Csar Mello Massa de Campos, D.Sc.
_______________________________________________
Prof. Rossana Odette Mattos Folly, D.Sc.
RIO DE JANEIRO, RJ - BRASIL

OUTUBRO DE 2008
iii
F ICHA C ATALOGRFICA
CARELLI, ALAIN C.
Avaliao de Desempenho Estocstico e Determinstico de
Controladores PID e Preditivo: Aplicao a um reator de
Hidrotratamento / Alain Cognac Carelli. Rio de Janeiro, 2008.
xxiii, 111 f.: il.
Dissertao (Mestrado em Tecnologia de Processos Qumicos e
Bioqumicos) Universidade Federal do Rio de Janeiro UFRJ,
Escola de Qumica 2008.
Orientador: Maurcio Bezerra de Souza Jnior
1. Controle de processos. 2. Deteco e diagnstico de falhas. 3.
Auditoria de controladores. 4. Refino de petrleo. I. De Souza
Jnior, Maurcio Bezerra (Orient.). II. Universidade Federal do
Rio de Janeiro. Escola de Qumica. III. Avaliao de
Desempenho Estocstico e Determinstico de Controladores PID
e Preditivo: Aplicao a um reator de Hidrotratamento.
iv
DEDICATRIA
Dedico esse trabalho...
...aos meus pais, Cesar e Rita, que moldaram minha educao e personalidade, me
direcionando no curso da vida;
...a minha famlia que foi responsvel por semear minha curiosidade por novas
descobertas, sendo meus grandes mentores;
...a todos os profissionais do ensino que de alguma forma cruzaram a minha vida,
transferindo um pouco do seu aprendizado e contribuindo para minha formao;
...a todos os amigos e amigas, que so parte da minha histria, estando junto a mim em
momentos de angstia e descontrao;
...a minha namorada, quase esposa, que me complementa, fortalece e apia como amiga,
mulher e profissional;
...e a todos que contribuem para o crescimento desse pas com tica e humanidade.
Intangvel e sutil a mente

Que voa atrs de fantasias;
Sbios so os que a mente disciplinam,
Pois a mente disciplinada traz alegria.
[Versculo 35, Dhamapada, Buda]
AGRADECIMENTOS
Decidi cursar o mestrado, pois sentia a necessidade de dispor de mais informaes e
estudo para decidir que profissional eu almejaria me tornar. Agradeo a uma importante
amiga, Milena Maciel, que involuntariamente foi a responsvel por me apresentar ao
grande professor que hoje o meu orientador. Digo grande professor, no apenas pela
sua incontestvel competncia e capacidade, mas tambm pelo seu carter tico,
profissional e generoso. Gnio para mim no aquele que apenas detm uma elevada
capacidade intelectual, mas sim, aquele que, apesar de sua inteligncia e renome,
mantm a humildade para enxergar o ser humano que h em cada um de ns, logo,
considero-o um gnio devido a sua habilidade em contrabalancear o intelecto e o
convvio social harmonioso. O Maurcio foi o principal responsvel por despertar em
mim esse interesse latente pela rea de controle de processo. Hoje, digo, sem dvidas,
que estou decidido a ser um profissional dessa rea.
Gostaria de agradecer tambm professora Rossana, que uma das avaliadoras da
minha defesa, e me influenciou no interesse por essa rea atravs das aulas na
graduao e do convvio em algumas bancas de avaliao de projeto final.
Sou extremamente grato tambm aos renomados profissionais que aceitaram
complementar a banca avaliadora da minha defesa, os engenheiros Mrio Csar M.
Massa de Campos da PETROBRAS e Cludia Martins da Silva da CHEMTECH. Sintome honrado de poder contar com sugestes e conselhos de profissionais to
reconhecidos na rea.
Agradeo a minha namorada pela dedicao, companheirismo, pacincia, carinho,
compreenso e outras diversas qualidades que ofuscam qualquer defeito. Grande parte
da minha dissertao foi construda vivendo junto com a Mariana, tornando-a quase
uma co-orientadora.
Agradeo a Escola Qumica da UFRJ pela excelente formao, o programa de
Tecnologia de Processos Qumicos e Bioqumicos por viabilizar meu mestrado e o
Grupo de Produo Integrada (GPI)/Escola Politcnica e COPPE/UFRJ (em especial ao
vi
professor Heitor Mansur Caulliraux), onde estagiei e atualmente trabalho em alguns

projetos, pelo profissional que me tornei.
Sou grato tambm ao consultor snior da PETROBRAS Mrio Jorge Lima, pelo
aprendizado que ele me proporcionou atravs do freqente convvio ao longo de quatro
anos como coordenador do projeto GPI-CENPES.
Por fim, quero agradecer a minha famlia, Cesar, Rita e Giovanni, e aos meus grandes
amigos Andr Macieira, Bruna Andrade, Daniel Caulliraux, Daniele Miguez, Diogo
Mendes, Eduardo Andrade, Felipe Correa, Fernanda Miguez, Joanna Smararo, Luiz
Fernando Andrade, Mrcio Mattos, Marcos Piquet, Pedro Signorelli, Rodrigo Aleixo,
Rodrigo Testoni, Vitor Mendes, entre outros que porventura possa ter esquecido.
vii
RESUMO
CARELLI, Alain Cognac. Avaliao de desempenho estocstico e
determinstico de controladores PID e preditivo: aplicao a um reator de
hidrotratamento. Orientador: Maurcio Bezerra de Souza Jnior. Rio de Janeiro:
UFRJ/EQ, 2008. Dissertao (Mestrado em Tecnologia de Processos Qumicos
e Bioqumicos).
Todo sistema de controle, com o passar do tempo, perde seu desempenho
se no houver um suporte e monitoramento da sua resposta, acarretando em
retornos minorados. Os controladores mais confiveis so os providos de
sistemas complementares que possibilitam identificar quedas no desempenho,
diagnostic-las e solucion-las. Tambm na fase de projeto do controlador
importante simular o processo e avaliar o maior conjunto possvel de
alternativas de controle nesta simulao, provendo um maior embasamento
deciso. Paralelamente, a adoo de especificaes mais baixas do teor de
contaminantes nos leos combustveis tem impulsionado investimentos em
refinarias de petrleo com o objetivo de garantir uma maior remoo de
compostos indesejados, como os sulfurados e os nitrogenados. Dessa forma,
unidades de hidrotratamento esto sendo aprimoradas e desenvolvidas com
novas tecnologias para o seu monitoramento e controle. Adicionalmente, o
custo operacional do hidrotratamento bastante elevado, agravando-se,
principalmente, quando no h uma otimizao no tempo de vida do catalisador,
que prejudicado por um controle ineficiente. Os objetivos deste trabalho
foram analisar a resposta de controladores de realimentao em comparao
com preditivos avaliando seus desempenhos determinstico e estocstico e,
na seqncia, proceder ao monitoramento e diagnstico de desempenho do
controlador preditivo. O estudo foi aplicado ao controle do primeiro leito de um
reator de hidrotratamento de diesel, simulado a partir de um modelo
fenomenolgico. Os controladores de realimentao foram sintonizados por
diferentes mtodos, desde heursticos at baseados em modelo interno. O
controle preditivo utilizado no estudo foi o Controle Preditivo Generalizado
(GPC), baseado em modelo interno auto-regressivo, integrado e de mdia
mvel. O desempenho determinstico foi avaliado atravs das integrais ao longo
do tempo do produto do tempo pelo erro absoluto (ITAE) e da variao
quadrtica das aes de controle; e o desempenho estocstico foi analisado com
base no ndice de desempenho normalizado, na variabilidade da varivel
controlada e na variao quadrtica das aes de controle. Em relao ao
controlador preditivo, estudou-se ainda a relao entre seus desempenhos e
variaes na trajetria de referncia e no modelo interno, procedendo-se ao
monitoramento e diagnstico de seu desempenho com dois ndices grficos:
ndice do referencial histrico e ndice de desempenho baseado no modelo.
Como resultado, constatou-se, para os cenrios estudados, que o GPC foi o
controlador que melhor contrabalanceou os desempenhos determinstico e
estocstico. Adicionalmente, redues no desempenho do controlador GPC
puderam ser identificadas, sendo suas causas discriminadas. Tais resultados se
aplicam a vrios outros processos qumicos, uma vez que a malha investigada
apresenta dinmica de 1 ordem com tempo morto, tpica desses processos.
viii
ABSTRACT
CARELLI, Alain Cognac. Stochastic and deterministic performance assessment
of PID and MPC controllers: application to a hydrotreaters reactor.
Orientadores: Maurcio Bezerra de Souza Jnior. Rio de Janeiro: UFRJ/EQ,
2008. M.Sc. Dissertation (Graduate Program on Technology of Chemical and
Biochemical Processes).
Control systems tend to lose performance over time if the control system
response is not monitored and thus there is no support information as to how to
make adjustments on the process control system. Reliable controllers have
complementary systems to identify and diagnose reductions in performance and
also to implement predetermined solutions vis--vis the desirable type of
output. When selecting the controller design and controller strategy, the
thorough simulation of the underlying process is important in order to draw a
greater number of possible alternatives of control and their application on this
simulator, thus conferring more information for the decision. Global
environmental concern has pushed the contaminants contents in fuel oils
specifications to lower levels, stimulating investments in petroleum refineries
with the goal of guaranteeing a larger removal of contaminants, such as sulfur
and nitrogen. Hydrotreating units are being improved and developed with new
process control and monitoring technologies, allowing cleaner output of fuel
oils. The hydrotreater operational cost is very high, being increased when there
is not an optimization on the catalyst life time, which is harmed by an
inefficient control. The first goal of this paper was to investigate the response
of feedback controllers in contrast with predictive controllers applied to the
first bed of diesel hydrotreating reactor, simulated using a phenomenological
model, and to asset their deterministic and stochastic performances.
Continuous and discrete feedback controllers were tuned by different heuristic
and model based methods. The predictive control used in this work was the
Generalized Predictive Control (GPC), which employs a linearized, autoregressive, integrated moving average internal model. The deterministic
performance was evaluated through the Integral of Time multiplied by Absolute
of the Error (ITAE) and the control action quadratic variation; the stochastic
performance was analyzed based in the normalized Harris index, the control
variable variability and the control action quadratic variation. With respect to
the predictive control, were also studied the relations between predictive
control performances and variations in its reference trajectory and in its
internal model. The GPC presented a better trade-off solution when stochastic
and deterministic performances were assessed. The second goal of this work
was to analyze the controller performance monitoring method and causes
diagnose method based in two indexes: historical benchmark and model based
performance measure. These methods were applied in situation of degraded
performance simulated in the hydrotreater reactors predictive control,
desiring to identify the reduction in the controller performance and to
discriminate its causes. The introduced results apply to several other chemical
processes, once that the investigated loop presents first order dynamic with
dead time, typical of these processes.
ix
NOMENCLATURA
Modelo da Unidade de Hidrotratamento
a rea superficial externa das partculas slidas de catalisador por volume total do
estgio;
C concentrao mssica;
Cs concentrao no interior dos poros da fase cataltica;
Cp calor especfico do gs;
Cps calor especfico do slido;
E energia de ativao;
g fluxo reverso;
K0 constante de Arrhenius;
Kg coeficiente de transferncia de massa na superfcie cataltica;
Kh fluxo adimensional, reverso de calor;
Km fluxo adimensional, reverso de massa;
R constante universal dos gases;
Te temperatura da fase lquida;
Tis temperatura da fase slida;
Ts temperatura do leito;
U coeficiente global de transmisso de calor entre a fase lquida e o catalisador,
baseado na rea externa das partculas;
V volume do estgio;
Vz vazo volumtrica.
Letras Gregas
(- H r ) calor de reao;
massa especfica do gs;
s massa especfica do slido;
porosidade interpartculas.
Teoria de Controle de Processo

A, B, C, E e F polinmios de deslocamento de avano no tempo;
d tempo morto;
e(t) seqncia de variveis randmicas, uniformemente distribuda, independente e
normal (0,1);
j tempo de amostragem;
J funo objetivo;
K termo proporcional do controlador de realimentao;
k p ganho do processo;
Ku ganho ltimo;
N horizonte de predio;
NU horizonte de controle;
Pu perodo ltimo;
q0, q1 e q2 parmetros do controlador de realimentao discreto;
xi
SP set-point;
t tempo transcorrido em segundos;
T intervalo amostral;
tm tempo morto;
u varivel manipulada em varivel-desvio (entrada do processo);
w trajetria de referncia ou set-point;
y varivel controlada em varivel-desvio (sada do processo).
Letras Gregas
o operador da diferena 1 q-1;
seqncia de pesos;
c parmetro do controle de realimentao sintonizado pelo IMC;
D termo derivativo do controlador de realimentao;

I termo integral do controlador de realimentao;
p constante de tempo do processo.
Avaliao do Desempenho de Controlador

b horizonte de previso;
m nmero de termos em que a srie foi truncada;
mse erro quadrado mdio da varivel de sada;
n horizonte de tempo;
xii
y desvio do set-point;
~
y desvio do set-point corrigido pela mdia;

2
y a mdia quadrtica amostral do desvio do set-point;

Letras Gregas
i parmetros auto-regressivos;
ndice de Harris;
y2 mdia quadrtica do desvio do set-point;

ndice de Harris normalizado;
y2 varincia de y.
Monitoramento e Diagnstico do Desempenho de Controlador

e(k) vetor de erros do controle no passo k (diferena entre a varivel controlada e a
trajetria de referncia);
Jach funo de custo obtida com os valores reais;
Jdes funo de custo obtida com o modelo;
J his funo de custo do referencial histrico;
Pc horizonte mvel de dados;
Q e R matrizes de pesos representando a importncia de cada varivel controlada e
manipulada.
xiii
Letras Gregas
u vetor de incrementos nas variveis manipuladas no passo k;
des ndice de desempenho baseado no modelo.
xiv
LISTA DE ABREVIATURAS
ANORM ndice de desempenho (Harris) normalizado;
APC advanced process control;
APCS adaptive predictive control system;
ARIMA auto-regressive and integrated moving average;
ARMA auto-regressive and moving average;
CARIMA controlled auto-regressive and integrated moving average;
CARMA controlled auto-regressive and moving average;
CC Cohen e Coon;
CHPS cold high pressure separator;
CMPC constrained model predictive control;
CPM controller performance monitoring;
DMC dynamic matrix control;
EBR ebullated-bed;
EPA Enviromental Protection Authority;
EVTE estudo de viabilidade tcnica-econmica;
FBR fixed-bed;
GMC generic model control;
GPC generalized predictive control;
HDT hidrotratamento;
HHPS hot high pressure separator;
xv
HIECON hierarchical constraint control;

IDCOM identification-command;
IE integral do erro;
IMC internal model controller;
ITAE integral do produto entre o tempo e o erro absoluto entre a varivel controlada e
o set-point;
LPS low pressure separator;
LQG linear-quadrtico-gaussiano;
MBR moving-bed;
MI Modelo Interno;
MIMO multi-input multi-output;
MPC model predictive control;
MVC control minimum variance;
OPC optimum predictive control;
P controlador de realimentao com ao proporcional;
PCA principal component analysis;
PCT predictive control technology;
PFC predictive functional control;
PI controlador de realimentao com aes proporcional e integral;
PID controlador de realimentao com aes proporcional, integral e derivativa;
PNA aromticos polinucleares;
xvi
QDMC quadratic dynamic matrix control;

RMPCT robust model predictive control technology;
SISO single-input single-output;
SMCA set-point multivariable control architecture;
SMOC Shell multivariable optimizing controller;
Std(y) desvio-padro da varivel controlada;
Su mdia quadrtica da variao da varivel manipulada;
TBR trickle-bed reactor;
TC controladores de temperatura;
WABT weighted average bed temperature;
ZN Ziegler e Nichols.
xvii
NDICE DE FIGURAS
Figura 1 Genealogia aproximada dos algoritmos de MPC linear (QIN e BADGWELL,
2003)............................................................................................................................... 13
Figura 2 Monitoramento e diagnstico do desempenho do controle preditivo ........... 33
Figura 3 Benefcios econmicos atravs da reduo da variabilidade (WHITE, p. 2,
2003)............................................................................................................................... 35
Figura 4 Valor mdio do produto ................................................................................ 36
Figura 5 Processo de hidrotratamento de diesel (MEYERS p. 8.6, 2004 adaptado)... 40
Figura 6 Modelo do reator CSTR-CLULA............................................................... 44
Figura 7 Estgio do CSTR-CLULA.......................................................................... 45
Figura 8 Diagrama PI da Unidade de Hidrotratamento de Diesel (DE SOUZA JR.,
CAMPOS e TUNALA, 2006) ........................................................................................ 50
Figura 9 Dinmica da temperatura de sada do forno em malha aberta para um degrau
unitrio na vazo de combustvel ................................................................................... 63
Figura 10 Dinmica da temperatura de sada do leito 1 em malha aberta para um
degrau unitrio na temperatura de entrada desse leito.................................................... 64
Figura 11 Dinmica em malha aberta para perturbaes na temperatura de entrada do
leito 1 .............................................................................................................................. 65
Figura 12 Dinmica em malha aberta para perturbaes na concentrao de entrada do
leito 1 .............................................................................................................................. 66
Figura 13 Dinmica em malha aberta para perturbaes na vazo de entrada do leito 1
........................................................................................................................................ 67
Figura 14 Malha de controle........................................................................................ 68
Figura 15 Discretizao do Model 1 ............................................................................ 72
xviii
Figura 16 Discretizao do Model 2 ............................................................................ 73

Figura 17 (a) Comportamento da resposta servo a um degrau de 1% no set-point do
controlador IE-PID; (b) Comportamento da resposta servo a um degrau de 1% no setpoint do controlador IE-PI; (c) Comportamento da resposta servo a um degrau de -1%
no set-point do controlador IE-PID; (d) Comportamento da resposta servo a um degrau

de -1% no set-point do controlador IE-PI....................................................................... 82
Figura 18 (a) Comportamento da resposta servo a um degrau de 1% no set-point do
controlador GPC (T=500/=0,7); (b) Comportamento da resposta servo a um degrau de
-1% no set-point do controlador GPC (T=500/=0,7) ................................................... 83
Figura 19 (a) Comportamento da resposta regulatria do controlador CC-PID a uma
perturbao degrau de 5% na concentrao; (b) Comportamento da resposta regulatria
do controlador ZN-P a uma perturbao degrau de 5% na concentrao; (c)
Comportamento da resposta regulatria do controlador CC-PID a uma perturbao
degrau de -5% na concentrao; (d) Comportamento da resposta regulatria do
controlador ZN-P a uma perturbao degrau de -5% na concentrao .......................... 84
Figura 20 (a) Comportamento da resposta regulatria do controlador GPC
(T=500/=0,7) a uma perturbao degrau de 5% na concentrao; (b) Comportamento
da resposta regulatria do controlador GPC (T=500/=0,7) a uma perturbao degrau de
-5% na concentrao....................................................................................................... 85
Figura 21 (a) Comportamento da resposta regulatria do controlador CC-PID a uma
perturbao degrau de 5% na vazo; (b) Comportamento da resposta regulatria do
controlador ZN-P a uma perturbao degrau de 5% na vazo; (c) Comportamento da
resposta regulatria do controlador CC-PID a uma perturbao degrau de -5% na vazo;
(d) Comportamento da resposta regulatria do controlador ZN-P a uma perturbao
degrau de -5% na vazo.................................................................................................. 86
Figura 22 (a) Comportamento da resposta regulatria do controlador GPC
(T=500/=0,7) a uma perturbao degrau de 5% na vazo; (b) Comportamento da
resposta regulatria do controlador GPC (T=500/=0,7) a uma perturbao degrau de
5% na vazo.................................................................................................................... 87
xix
Figura 23 Resposta do GPC Caso 3 a perturbao estocstica.................................... 88

Figura 26 Diagnstico da queda de desempenho do controlador gerada pela ampliao
da variabilidade da varivel controlada .......................................................................... 91
Figura 27 Diagnstico da queda de desempenho do controlador gerada pelo desajuste
entre o modelo e a planta................................................................................................ 91
Figura 28 Diagnstico da queda de desempenho do controlador gerada pela saturao
da varivel manipulada................................................................................................... 93
Figura 29 Saturao da varivel manipulada............................................................... 93
Figura 30 Diagnstico da queda de desempenho do controlador gerada pela alterao
na sintonia do controlador .............................................................................................. 94
xx
NDICE DE TABELAS
Tabela 1: Investimento estimado para HDT (MEYERS, Tabela 8.1.6, 2004) ............... 42
Tabela 2: Custo de processamento e utilidades para produo de 70000 bbl/dia da HDT
da Chevron (MEYERS, Tabela 8.1.7, 2004 resumida) .................................................. 42
Tabela 3: Parmetros do modelo do HDT ...................................................................... 54
Tabela 4: Valores dos parmetros de sintonia de Ziegler e Nichols .............................. 69
Tabela 5: Valores dos parmetros de sintonia de Cohen e Coon ................................... 69
Tabela 6: Valores dos parmetros de sintonia pelo Mtodo Integral do Erro ................ 70
Tabela 7: Valores dos parmetros de sintonia pelo IMC................................................ 70
Tabela 8: Valores dos parmetros do controle de realimentao discreto ..................... 71
Tabela 9: Comparao entre desempenho determinstico de controladores de
realimentao e do GPC para o caso servo..................................................................... 74
realimentao e do GPC para o caso regulatrio............................................................ 75
Tabela 11: Comparao entre desempenho estocstico de controladores de
realimentao e do GPC ................................................................................................. 76
Tabela 12: Comparao entre desempenho determinstico de controladores GPC para o
caso servo ....................................................................................................................... 77
Tabela 13: Comparao entre desempenho determinstico de controladores GPC para o
caso regulatrio............................................................................................................... 77
Tabela 14: Comparao entre desempenho estocstico de controladores GPC ............. 78
realimentao (contnuo e discreto) e o GPC para o caso servo .................................... 78
xxi

realimentao (contnuo e discreto) e o GPC para o caso regulatrio............................ 79
Tabela 17: Comparao entre desempenho estocstico de controladores de
realimentao (contnuo e discreto) e o GPC ................................................................. 79
Tabela 18: Comparao entre todos os controladores .................................................... 80
xxii
SUMRIO
1.
INTRODUO.................................................................................................................................1
2.
FUNDAMENTOS .............................................................................................................................8
2.1.
2.1.1.
Reviso Histrica do Controle Preditivo............................................................................10
2.1.2.
Controle de Varincia Mnima (MVC) e Controle Preditivo Generalizado (GPC) ...........16
2.2.
Estimao do ndice de Desempenho Normalizado ...........................................................26
2.2.2.
Avaliao de Desempenho Estocstico e Determinstico ...................................................27
2.2.3.
Monitoramento e Diagnstico do Desempenho de Controlador ........................................29
2.2.4.
Anlise Econmica da Reduo da Variabilidade do Controlador....................................34

HIDROTRATAMENTO DE DIESEL ...............................................................................................36
2.3.1.
Processo do HDT................................................................................................................39
2.3.2.
Modelos do HDT ................................................................................................................42
2.3.3.
Controle do HDT ................................................................................................................45
METODOLOGIA ...........................................................................................................................49
3.1.
MODELAGEM DO HDT .............................................................................................................50
3.2.
SINTONIA DE CONTROLE DE REALIMENTAO .........................................................................54
3.2.1.
Controle Discreto ...............................................................................................................56
3.3.
PROJETO DO CONTROLE PREDITIVO (GPC) ..............................................................................57
3.4.
CENRIOS SIMULADOS .............................................................................................................58
3.4.1.
Controle Determinstico Servo ...........................................................................................58
3.4.2.
Controle Determinstico Regulatrio .................................................................................59
3.4.3.
Controle Estocstico...........................................................................................................60
3.5.
4.
AVALIAO DO DESEMPENHO DE CONTROLADORES ................................................................20
2.2.1.
2.3.
3.
CONTROLE DINMICO DE PROCESSO ..........................................................................................8
MONITORAMENTO E DIAGNSTICO DO CONTROLE PREDITIVO ..................................................61
RESULTADOS ...............................................................................................................................62
4.1.
ANLISE DO PROCESSO EM MALHA ABERTA E IDENTIFICAO DE MODELOS ..........................62
4.2.
OBTENO DOS PARMETROS DOS CONTROLADORES DE REALIMENTAO .............................67
4.2.1.
Ziegler e Nichols.................................................................................................................68
4.2.2.
Cohen e Coon .....................................................................................................................69
4.2.3.
Integral do Erro..................................................................................................................70
4.2.4.
Modelo Interno ...................................................................................................................70
4.2.5.
Controle Discreto ...............................................................................................................71
4.3.
IMPLEMENTAO DO CONTROLE PREDITIVO (GPC).................................................................71
4.4.
COMPARAO DOS NDICES DE DESEMPENHO ..........................................................................73
4.5.
DISCUSSO SOBRE O COMPORTAMENTO DAS MALHAS .............................................................82
xxiii
4.6.
RESULTADOS DE MONITORAMENTO E DIAGNSTICO DO CONTROLE PREDITIVO .......................90
5.
CONCLUSES E TRABALHOS FUTUROS .............................................................................95
6.
REFERNCIAS..............................................................................................................................97
7.
APNDICE 1: RESOLUO DA EQUAO DE DIOPHANTINE .....................................106
8.
APNDICE 2: EQUAES PARA O CLCULO DOS PARMETROS DE SINTONIA..109
1. INTRODUO
Nos ltimos anos, o alcance do desempenho requerido das plantas de processo tornou-se
mais complicado. A elevada competitividade, os requisitos ambientais mais rigorosos,
as regulamentaes de segurana mais restritas e as rpidas mudanas nas condies
econmicas tm sido os fatores-chave responsveis pelo estreitamento das
especificaes de qualidade dos produtos. Uma complicao adicional que as plantas
modernas vm se tornando mais difceis de operar, devido tendncia em direo
complexa e elevada integrao entre os processos. Em vista da maior nfase em
segurana, natural que recentemente tenha-se atribudo uma grande importncia rea
de controle de processo. Sem sistemas de controle de processo integrados a
computadores, seria impossvel operar segura e lucrativamente plantas modernas
enquanto a qualidade do produto e os requisitos ambientais so atendidos. Portanto,
torna-se importante para a engenharia qumica ter um entendimento, tanto da teoria
quanto da prtica de controle de processos (SEBORG, EDGAR e MELLICHAMP,
2004, p. 1).
A avaliao e o monitoramento do desempenho de malhas de controle so necessrios
para assegurar a efetividade do processo de controle e a lucratividade operacional da
planta. O projeto inicial do sistema de controle vulnervel a incertezas oriundas de
aproximaes provindas da modelagem do processo, da estimao de dinmica e
magnitude dos distrbios e das premissas referentes s condies operacionais. Alm
disso, mesmo que o controlador apresente um bom desempenho inicial, muitos fatores
podem causar a abrupta ou gradual deteriorao do seu desempenho. Por volta de 60%
de todos os controladores industriais apresentam algum tipo de problema de
desempenho (SCHFER e CINAR, 2004).
Todos os controladores necessitam ser sintonizados conforme a dinmica do processo,
que pode sofrer alteraes naturais ou contnuas. Logo, o desempenho dos controladores
deve ser monitorado, pois mesmo que eles tenham sido ajustados adequadamente,
esperado que seu desempenho decaia ao longo dos anos devido a variaes nos
insumos, deteriorao da instrumentao, mudanas na planta, etc. Essa queda no
desempenho deve ser tambm diagnosticada, possibilitando a identificao da

necessidade de se reajustar os parmetros de sintonia do controlador.
Conforme a Automation Research Corporation (2000) apud SOTOMAYOR e
ODLOAK (2006, p. 875), o mercado do controle preditivo est crescendo a uma taxa
anual de 18%, e benefcios substanciais so diretamente auferidos da capacidade do
controlador preditivo em assegurar a operao da planta no seu limite mais lucrativo.
Contudo, muitos algoritmos de controle, depois de um tempo de operao, raramente
apresentam o mesmo desempenho de quando foi instalado.
O principal benefcio da aplicao de estratgias de controle avanado, especificamente
para processos catalticos em refinarias, pode ser atribudo qualidade da sobreespecificao. Para unidades de hidrotratamento, a qualidade do giveaway est
relacionada reduo de excessiva dessulfurizao. Resultados experimentais
mostraram claramente que o contedo de enxofre nos produtos est fortemente
relacionado com a severidade da reao, que determinada pelas temperaturas dos
leitos do reator e pelo tempo de residncia. Embora a operao do reator em
temperaturas elevadas resulte em produtos de melhor qualidade (menor teor de enxofre),
a vida til do catalisador reduzida. Portanto, quanto melhor o controle da reao, de
forma a garantir apenas a converso necessria para se atingir a especificao, melhor
ser o aproveitamento do catalisador e, consequentemente, uma minimizao nos custos
operacionais do processo (LABABIDI, ALATIQI e ALI, 2004).
O jornal O Globo noticiou, em 3 de agosto de 2003, que, na Europa, o teor de enxofre
permitido no diesel era de 10 ppm; enquanto, no Mxico, era de 50 ppm, sendo prevista
a reduo para 15 ppm em 2009; no Canad, era de 30 ppm; e, em Taiwan, o teor
permitido havia chegado a 50 ppm quatro anos antes (JORNAL O GLOBO, PAINEL
ECONMICO, 2008).
No Brasil, para reduzir a emisso de enxofre em veculos a diesel, conforme as
resolues CONAMA n 315 e 373, foi lanado, em 2005, o diesel S500 (500 ppm de
enxofre). Neste combustvel, o teor de enxofre foi reduzido em 75%, passando de 2000
ppm para 500 ppm (FEEMA, 2007).
Em reposta ao jornal O Globo, a PETROBRAS garantiu: a Companhia vai fornecer o

diesel 50 ppm a ser utilizado pelos veculos com tecnologia P-6 da resoluo 315. Este
produto j est inclusive disponibilizado pela companhia para testes por parte da
indstria automobilstica. A PETROBRAS, em sua nota, disse que vem retirando
gradativamente o teor de enxofre do diesel e da gasolina desde o comeo dos anos 90 e
garante que investiu $ 1,6 bilho de 2000 a 2007 para melhorar a qualidade dos
combustveis (JORNAL O GLOBO, PAINEL ECONMICO, 2008).
O hidrotratamento cataltico (HDT) tem um importante papel para se conseguir atingir a
comercializao de produtos com especificaes de qualidade mais restritas, que
garantam mais qualidade ao combustvel e menos poluio ao meio ambiente. Portanto,
projeta-se uma retomada no crescimento do mercado de catlise do refino,
principalmente, do HDT com a imposio de rigorosos requisitos e normas ambientais
que garantam menos emisso de poluentes na atmosfera.
LABABIDI, ALATIQI e ALI (2004, p. 1294) referiram-se ao processo de
hidrodessulfurizao de resduo como um dos mais dispendiosos da indstria de
petrleo, tanto em termos de capital de investimento quanto custos operacionais. A
hidrodessulfurizao pode ser considerada como o meio mais econmico de se limitar
as emisses de dixido de enxofre provindas da queima de combustvel residual,
contudo, o futuro desse processo na indstria de petrleo depender do sucesso de
contnuos esforos para se reduzir seus custos (LABABIDI, 2004).
Adicionalmente, o consumo de leo elevou-se de 70 milhes de barris por dia, em 1995,
para mais 80 milhes bbl/dia, em 2005, e projeta-se um crescimento para mais de 90
milhes bbl/dia, em 2020. Em 15 anos, chegar-se- a uma massa extra de 0,15% de
contaminantes derivados do enxofre no petrleo, que acarreta num nvel mdio 1,28%
de massa de contaminantes. Conforme a demanda de leo leve aumenta, tende-se a
descobrir cada vez mais jazidas de petrleos mais pesados, o que acarretar na
necessidade de mais converso para se alcanar o conjunto de produtos desejados
(LELIVELD e EIJSBOUTS, 2008).
Entre 1995 e 1999, a mdia anual da capacidade de destilao cresceu 1,8 milhes de
bbl/dia, enquanto no perodo de 1999 a 2002, a mdia anual cresceu 100.000 bbl/dia.
Esse comportamento devido ao decrescimento na quantidade de refinarias de leo de

756, em 1999, para 722, em 2002. Durante o perodo de 1995 a 1999, a capacidade
mdia anual do HDT cresceu 845.000 bbl/dia, e no perodo de 1999 a 2002, cresceu
550.000 bbl/dia. Desde 1998, o mercado de catlise do refino tem decado com as
dificuldades econmicas regionais. Entretanto, existem sinais de recuperao para os
anos que se seguem devido s novas imposies de especificaes para o combustvel.
A receita do mercado de catlise do refino aumentou de $1,88 bilhes, em 1995, para $
2,32 bilhes, em 2001, sendo o HDT responsvel, em 2001, por 34% desse mercado
(SILVY, 2004).
Ancoradas em mercados promissores como o de hidrotratamento cataltico, tecnologias
de controle de processo esto sendo cada vez mais estudadas e desenvolvidas, o que
origina inmeros artigos e livros que tratam do tema e apresentam seus principais
mtodos.
Na linha de controle de processo, existem vrios mtodos de aplicao, desde por
realimentao (feedbacks), baseados no erro, at preditivos. Os controles PIDs geram
aes de controle de forma a minimizar o erro entre a varivel controlada e o valor
desejado (set-point), tendo um termo proporcional ao erro, outro proporcional integral
do erro e o ltimo termo proporcional derivada do erro. Os controles preditivos ou de
longo alcance possuem fundamentos heursticos, beneficiando-se da utilizao de
tcnicas digitais, e apresentando um forte apelo intuitivo (DE SOUZA JR., 1989).
SEBORG, D. E. (1999) apresentou uma vasta reviso sobre controle de processo
avanado, referenciando 252 trabalhos. Este artigo faz aluso ao termo controle de
processo avanado como um termo ao qual se atribui diferentes significados,
dependendo do conhecimento e da experincia das pessoas. Logo, SEBORG, D. E.
(1999) estruturou as diferentes estratgias de controle de processo em cinco categorias
conforme o seu grau de aplicao na indstria:
Categoria I Estratgias de controle convencionais: controle manual, controle
PID, controle ratio, controle cascata e controle feedforward;
5
Categoria II controle avanado (tcnicas clssicas): gain scheduling,
compensao do tempo morto, controle por desacoplamento e controle seletivo;
Categoria III controle avanado (tcnicas utilizadas amplamente): model
predictive control (MPC), controle de qualidade estatstica, internal model
control (IMC) e controle adaptativo;
Categoria IV Controle avanado (tcnicas recentes com algumas aplicaes

industriais): controle linear quadrtico Gaussiano (LQG), controle no-linear,
controle robusto, controle de rede neuronal, controle fuzzy e sistema especialista;
Categoria V Controle avanado (estratgias propostas com poucas aplicaes
industriais).
A Categoria I consiste na estratgia de controle padro que tem sido largamente
utilizada por vrias dcadas. A vasta maioria das malhas de controle de processo
automtica (~ 90%) ainda conta com vrias formas de controle PID (proporcionalintegral-derivativo) onipresente, o que est comercialmente disponvel por mais de 60
anos. As estratgias de controle avanado da Categoria II so referenciadas como
clssicas, pois so utilizadas na indstria por mais de 30 anos e foram descritas em
livros-texto por engenheiros de controle nos anos 60. As estratgias de controle da
Categoria III tm sido amplamente utilizadas nas indstrias e so descritas em livrostexto mais recentes. A Categoria IV contm estratgias de controle antigas e novas que
aparentemente no so muito utilizadas na indstria, embora aplicaes industriais bem
sucedidas de cada um desses mtodos tenham sido reportadas. A Categoria V uma
categoria padro que inclui publicaes de estratgias de controle com poucas
aplicaes industriais. Porm, algumas dessas tcnicas podem ter um significante
impacto em prticas industriais futuras (SEBORG, D. E., 1999).
A modelagem do processo no permite apenas que um simulador seja projetado, gera-se
tambm uma profunda compreenso do processo, de forma que a realizao tcnica da
companhia possa ser avaliada atualmente por modelos. A avaliao do processo e da
instrumentao e os manuais da instrumentao so a base para os diagnsticos, a
manuteno preditiva, a simulao e o controle. O controle embutido na engenharia do
sistema, e a compreenso mais aproximada da realidade indica a principal diferena

entre controles avanados e instrumentao clssica. No entanto, esses dois tipos de
controle no devem ser contrrios, uma vez que so complementares, eles devem ser
utilizados nos momentos e plantas apropriados. Os controles avanados envolvem mais
do que uma simples implementao de um algoritmo de controle, eles requerem uma
compreenso aproximada da realidade baseada num modelo (RICHALET, 1993).
Essa dissertao tem dois objetivos principais, o primeiro comparar o desempenho
determinstico e estocstico de controladores baseados no erro (PIDs sintonizados por
diferentes mtodos) com controladores preditivos, ambos aplicados a um simulador
fenomenolgico de uma unidade de hidrotratamento de diesel. O segundo testar um
mtodo para monitoramento e diagnstico de desempenho de controle preditivo
aplicado tambm ao simulador fenomenolgico do HDT.
No segundo Captulo, so apresentados os principais fundamentos abrangidos nesta
dissertao. Primeiro, discute-se o controle dinmico de processo, construindo uma
evoluo histrica e descrevendo a teoria de controle de varincia mnima e do controle
preditivo generalizado. Em seguida, relatam-se as discusses emergentes na rea de
avaliao de desempenho de controladores, descrevendo alguns ndices para medio do
desempenho estocstico e determinstico, referenciando alguns mtodos para
monitoramento e diagnstico de desempenho de controladores e, por fim, ressaltando o
benefcio econmico dessas aplicaes.
No terceiro Captulo, a metodologia do trabalho detalhada, apresentando o modelo da
unidade de hidrotratamento considerado, as sintonias do controle de realimentao, o
projeto do controle preditivo, os cenrios simulados para avaliao do desempenho
determinstico e estocstico e os casos demonstrados no monitoramento e diagnstico
do controle preditivo.
No quarto Captulo, expem-se as anlises do processo em malha aberta e os resultados
obtidos na dissertao em termos dos valores dos ndices de desempenho, dinmica dos
controladores que alcanaram respostas melhores e casos simulados para o
monitoramento e diagnstico.
No quinto Captulo, conclui-se o trabalho e direcionam-se trabalhos futuros. No sexto

Captulo, apresentam-se as referncias citadas na dissertao.
Ao final do trabalho esto os Apndices 1 e 2 que, respectivamente, descrevem a
equao de Diophantine e as equaes para o clculo dos parmetros de sintonia pelos
mtodos considerados na dissertao.
Esta dissertao foi realizada no mbito do projeto DIASIST Modelagem heurstica
para diagnstico, automao e controle de equipamentos e sistemas (Convnio FINEP
01.04.09.02.00), executado pelo Laboratrio de Simulao e Controle da Escola de
Qumica da UFRJ e pela PETROBRAS.
2. FUNDAMENTOS
Almeja-se neste captulo fornecer o arcabouo terico necessrio para o entendimento
dos conceitos abarcados nesta dissertao, que se estrutura em trs temas principais:
controle dinmico de processo, avaliao do desempenho de controladores e
hidrotratamento de diesel.
No primeiro tpico controle dinmico de processos apresenta-se uma breve reviso
histrica do controle preditivo, referenciando alguns dos principais trabalhos na rea.
Em seguida, descreve-se a teoria do controle de varincia mnima, que o conceito base
do ndice de Harris para avaliao do desempenho estocstico; e, demonstra-se a teoria
do controle preditivo generalizado, que o controle preditivo trabalhado nesta
dissertao.
No segundo tpico avaliao do desempenho de controladores apresenta-se alguns
ndices para avaliao do desempenho determinstico e estocstico, discutem-se as
principais contraposies desses desempenhos, descrevem-se alguns trabalhos na linha
do monitoramento e diagnstico de desempenho de controlador e refora-se o benefcio
financeiro possibilitado com a reduo da variabilidade da varivel controlada.
No terceiro tpico hidrotratamento de diesel ressaltam-se alguns aspectos atuais no
mbito desse tema, descreve-se o processo e alguns modelos para sua simulao e, por
fim, apresentam-se alguns trabalhos na mesma linha desta dissertao sobre o controle
de HDT.
2.1. CONTROLE DINMICO DE PROCESSO
Etimologicamente a palavra controle se origina do latim fiscal medieval contra rotulum,
que significa a ao medieval de verificar contas (REVISTA DO TRIBUNAL DE
CONTAS DO ESTADO DE MINAS GERAIS, 2002). Atualmente, esse termo
aplicado em vrias reas do conhecimento, como na Administrao, Psicologia e
Engenharia. Entretanto, o termo mantm sua caracterstica original de se tomar aes
com base em verificaes realizadas para se alcanar um objetivo comum.
Quando se traz o termo controle para a realidade dos processos industriais mais
conveniente denominarmos de controle dinmico, pois se estabelece um vnculo entre a
ao de controle e a dinmica do processo. CAMPOS e TEIXEIRA (2006, p.3)
definiram o termo controle de processos como sistemas que tm por objetivo manter
certas variveis de uma planta industrial entre seus limites operacionais desejveis.
A teoria de controle dinmico originalmente foi desenvolvida para se obter ferramentas
de anlise e sntese de sistemas de controle. Nos primeiros desenvolvimentos estava-se
preocupado com comandos centrfugos, simples dispositivos de regulao para
processos industriais, amplificadores eletrnicos e sistemas de controle de incndio.
Com a elaborao da teoria, constatou-se que essas ferramentas poderiam ser aplicadas
a uma variedade de diferentes sistemas. Os resultados de vrias frentes da matemtica
aplicada tm sido explorados atravs do desenvolvimento da teoria de controle. Os
problemas de controle tambm possibilitaram a emerso de novos resultados na
matemtica aplicada (STRM , 1970).
O controlador PID (proporcional/integral/derivativo) certamente o algoritmo de
controle mais tradicional na indstria, como enfatizado em STRM e HGGLUND
(2004). No entanto, o controle de processo avanado (APC advanced process
control), caracterizado pela complementao entre o controle preditivo multivarivel
com restries e tecnologias de otimizao, tem mais de 5000 aplicaes no mundo e

esto implantados em cerca de 2500 refinarias e petroqumicas. Cada um gerando um
benefcio mdio aproximado de 3 a 5% de aumento da capacidade entre outros
benefcios. O APC uma das tecnologias mais significantes introduzidas nas refinarias
nos ltimos 20 anos. Tipicamente, o projeto de APC tem um payback1 de trs a nove
meses (CANNEY2, 2003; CANNEY, 2005).
GITMAN (2004, p. 339) define payback como: o tempo necessrio para que a empresa recupere o
investimento inicial em um projeto, calculado com suas entradas de caixa..

2
Responsvel pelo desenvolvimento do APC da Aspen Technology Inc., Houston
10
2.1.1. Reviso Histrica do Controle Preditivo

Conforme exposto por STRM (1970, p. 2), durante o ps-guerra, engenheiros de
controle se depararam com problemas que demandavam elevados desempenhos. Muitos
dos processos de controle que foram investigados eram tambm muito complexos. Isso
estimulou uma nova formulao da sntese do problema como um problema de
otimizao. O resultado disso foi o desenvolvimento da teoria de controle timo de
processos determinsticos. Essa teoria em combinao com computadores digitais
provou ser uma eficiente ferramenta de controle.
Adicionalmente, com as facilidades introduzidas com o aprimoramento dos
computadores digitais, como o aumento da capacidade de armazenamento e
processamento de informaes, tornou-se possvel o emprego de tcnicas de controle
mais sofisticadas que a simples aproximao digital de leis de controle analgicas,
como o PID (DE SOUZA JR., 1989).
O nome Model Predictive Control provm da forma pela qual a lei de controle
computada. No tempo presente, o comportamento do processo ao longo de um
horizonte considerado. Usando um modelo, a resposta do processo para mudanas na
varivel manipulada predita. As aes de controle so selecionadas de modo que a
resposta predita tenha as caractersticas desejadas. Somente a primeira ao de controle
implementada. No passo seguinte, o clculo repetido e o horizonte movido em um
intervalo de tempo (GARCIA, PRETT e MORARI, 1989)
Realizando uma analogia entre os controles PID e MPC com a atividade de dirigir um
carro, pode-se dizer que se o crebro humano funcionasse como um PID se dirigiria
apenas olhando o retrovisor, prestando ateno apenas nos erros cometidos, sem
enxergar atravs do pra-brisa dianteiro. J o crebro humano funcionando como um
MPC faz com que dirijamos prestando ateno no caminho a ser percorrido (trajetria
de referncia), olhando os distrbios incorridos e com um modelo mental do
funcionamento do carro (modelo interno).
O controle preditivo ou MPC surgiu no final dos anos 70 e, atualmente, amplamente
aceito nos ambientes acadmicos e industriais. CAMACHO e BORDONS (1999, p. 1)
referem-se ao termo MPC no como uma estratgia de controle especfica, mas como
11
uma gama de mtodos de controle que utilizam um modelo do processo para obter
sinais de controle a fim de minimizar uma funo objetivo.
Muitos conceitos aplicados do MPC aparecem em estudos precedentes, como o controle
Linear-Quadrtico-Gaussiano (LQG), desenvolvido por Kalman na dcada de 60, que
introduz os conceitos de variveis de estado, critrio quadrtico, horizonte de predio
infinito e estimador de estados. Contudo, LABABIDI, ALATIQI e ALI (2004, p. 1293)
consideraram o trabalho de RICHALET et al. (1978), que demonstrou o uso do IDCOM
(identification-command) para uma coluna de destilao, como o pioneiro.
RICHALET et al. (1978), relataram que, apesar do progresso tecnolgico, os
fundamentos da teoria de controle permaneceram imutveis, e se pergunta se poderia
conceber um novo tipo de sistema de controle industrial que usasse a capacidade dos
computadores, como ocorre na indstria aeroespacial desde aquele tempo. No sendo
uma aplicao anloga, pois processos industriais so completamente diferentes,
apresentando sistemas multivariveis, perturbaes que afetam a estrutura da planta,
critrios de desempenho particulares e requisitos de confiabilidade.
A estratgia do controle preditivo heurstico, no caso o IDCOM baseia-se em trs
princpios (RICHALET et al., 1978):
O processo a ser controlado representado por suas respostas a impulsos que
constitui o modelo interno;
H uma trajetria de referncia que define o comportamento desejado da planta
em malha fechada;
As aes de controle so computadas de forma a se seguir uma trajetria de
referncia, aplicando um modelo preditivo interno que induza a sada de forma a
alcanar a maior proximidade possvel em relao a essa trajetria.
Segundo RICHALET et al. (1978, p. 414), o uso da resposta ao impulso para
representar sistemas uma tcnica controversa e no nova. A resposta ao impulso
pode ser interpretada como a funo densidade de probabilidade da ocorrncia de um
efeito oriundo de uma perturbao no incio do processo. Nesse tipo de modelo interno
12
no existem condies iniciais, o que torna a identificao de sistemas multivariveis

mais fcil, e sua estrutura e variveis funcionam seguindo regras simtricas. As
principais caractersticas dessa representao so (RICHALET et al., 1978):
Universalidade cada sada do sistema multivarivel uma soma ponderada de
N valores passados;
Linearidade as sadas do sistema so modeladas por equaes do tipo
s ( n) = a T u ( n ) ;
Identificao o processo de identificao do modelo simples, basta observar o

comportamento do sistema em malha aberta;
Teste de sinais3 utiliza-se um processo iterativo com modelos intermedirios
para otimizar o teste de sinais.
Em 1979, dois engenheiros da Shell, Cutler e Ramaker, desenvolveram o dynamic
matrix control (DMC), que adota uma estratgia anloga ao IDCOM, porm utilizando
a resposta ao degrau como modelo interno, alm disso, essa tcnica introduziu o
conceito de horizonte de predio (LABABIDI, ALATIQI e ALI, 2004).
CLARKE, MOHTADI e TUFFS (1987) elaboraram o generalized predictive control
(GPC) que elimina o off-set de maneira natural devido ao modelo interno CARIMA
(controlled auto-regressive and integrated moving average). O GPC uma evoluo do
controle de varincia mnima (control minimum variance MVC), desenvolvido por
Karl J. STRM , que deriva da teoria de predio tima.
CAMACHO e BORDONS (1999, p. 51) referiram-se ao GPC como talvez um dos mais
populares mtodos de MPC. A seguir apresenta-se uma lista de mtodos que
O teste de sinais realizado perturbando-se a condio normal de operao com a menor variao
possvel que d a melhor informao do comportamento do sistema. Isso no pode ser executado sem
uma computao prvia. necessrio selecionar cuidadosamente a natureza do teste de sinais que ser
realizado no controle.
13
historicamente representam a tecnologia de controle preditivo (CAMACHO op.cit., p.

8):
DMC Corp. DMC;
Adersa IDCOM, hierarchical constraint control (HIECON) e predictive
functional control (PFC);
Honeywell Profimatic robust model predictive control technology (RMPCT) e

predictive control technology (PCT);
Set-point Inc. set-point multivariable control architecture (SMCA) e IDCOMM (multivarivel);

Treiber Controls optimum predictive control (OPC);
SCAP Europa adaptive predictive control system (APCS).
QIN e BADGWELL (2003, p. 734) apresentaram uma rvore evolutiva dos algoritmos
de MPC industriais mais significantes, ilustrando suas conexes em um caminho
conciso de quatro geraes, conforme se apresenta na Figura 1.
4 Gerao MPC
3 Gerao MPC
2 Gerao MPC
1 Gerao MPC
Figura 1 Genealogia aproximada dos algoritmos de MPC linear (QIN e BADGWELL, 2003)
Apesar da ampla utilizao dessa tecnologia, conforme MUSKE e RAWLING (1993)

apud CAMACHO e BORDONS (1999, p. 9), ela ainda apresenta algumas limitaes:
14
Excesso de parametrizao muitos dos produtos comercializados utilizam o
modelo de resposta ao degrau ou ao impulso da planta, os quais apresentam
excesso de parmetros. Por exemplo, um processo de primeira ordem com tempo
morto pode ser descrito por uma funo de transferncia que apresenta somente
trs parmetros (ganho, constante de tempo e tempo morto), enquanto o modelo
de resposta ao degrau requereria mais de trinta coeficientes para descrever a
mesma dinmica. Alm disso, esses modelos no so vlidos para processos
instveis. Esse problema pode ser superado usando um modelo com parmetros
auto-regressivos;
Sintonia o procedimento de sintonizao no claramente definido, pois a
relao exata entre os parmetros de sintonia e o comportamento da malha
fechada no so generalizadamente muito claros. A sintonia na presena de
restries talvez seja at mais difcil, at para casos mais triviais, no fcil
garantir estabilidade na malha fechada, por isso, despendem-se esforos com
simulaes a priori. A exeqibilidade do problema um dos tpicos mais
desafiadores da atualidade referente a tecnologias de MPC;
Sub-timo de otimizaes dinmicas alguns pacotes prevem solues subtimas para minimizao da funo custo a fim de acelerar o processamento da
soluo. Isso normalmente aceito em aplicaes de alta velocidade, como
sistema de rastreamento, onde a soluo do problema em cada tempo de
amostragem talvez no seja vivel, mas difcil justificar sua aplicao em
controle de processo, a menos que se possa mostrar que a soluo sub-tima est
sempre prxima da tima;
Modelo de incerteza embora pacotes de identificao do modelo provejam
estimaes para as incertezas do modelo, somente um produto (RMPCT) utiliza
essa informao no projeto de controle. Todos os outros controladores podem ser
sintonizados com o objetivo de aumentar a robustez, no entanto, a relao entre o
desempenho e a robustez no muito clara;
Premissas de distrbio constante conquanto talvez a premissa mais razovel
considere que o distrbio na varivel de sada persista constante no futuro, uma
15
melhor realimentao seria obtida atravs de uma caracterizao mais cuidadosa

da distribuio do distrbio;
Anlises no possvel com a formulao original do MPC de horizonte finito
analisar sistematicamente suas propriedades de estabilidade e robustez. As leis de
controle so, em geral, variantes no tempo e no podem ser representadas num
formato de malha fechada padro, especialmente no caso com restries.
O MPC influenciou significativamente a prtica de controle de processo durante as duas
ltimas dcadas. A tecnologia do MPC derivou-se principalmente de aplicaes no
ambiente industrial, seguido por inmeros artigos acadmicos analticos e pela
ampliao da base terica fundamental. Discernimentos tericos a respeito do MPC
evoluram rapidamente, entretanto, a aplicao vigente desenvolveu-se mais lentamente.
Profissionais da rea, trabalhando com ferramentas arraigadas no passado, depararam-se
com crescentes aplicaes desafiadoras que os foraram a desenvolver solues ad hoc
engenhosas para suprir necessidades da realidade (FROISY, 2006).
QIN e BADGWELL (2003, p. 745) listaram a existncia de diversas aplicaes do MPC
no final do sculo XX, nas seguintes reas: refinaria, petroqumica, qumica, papel,
utilidades, metalurgia, alimento, polmero, caldeira, aeroespacial e automotiva. Os
principais fornecedores de tecnologia considerados neste estudo foram: Aspen
Technology, Honeywell Hi-Spec, Adersa, Invensys e SGS. Reportam-se no trabalho
4542 aplicaes, sendo 1985 em refinarias, e a Aspen Technology, a principal
fornecedora, com 1833 implantaes. O MPC vem se tornando o mtodo mais
escolhido nessas indstrias devido s dificuldades encontradas em controles
multivariveis.
A tecnologia est continuamente evoluindo, e a prxima gerao ter que enfrentar
novos desafios em tpicos como identificao do modelo, estimao de distrbios no
medidos e predies, tratamento sistemtico de modelagem do erro e incertezas ou em
um campo mais amplo como o controle preditivo em processos no lineares.
16
2.1.2. Controle de Varincia Mnima (MVC) e Controle Preditivo Generalizado

(GPC)
O GPC apresenta muitas idias em comum com outros mtodos de controle preditivo
mencionados anteriormente, baseando-se em conceitos similares, mas exibindo algumas
diferenas. O GPC concebe uma soluo analtica que trata a instabilidade e as fases
no mnimas da planta, considerando ponderaes nos incrementos de controle na
funo de custo. O conjunto geral de opes disponveis de GPC cobre uma grande
variedade de objetivos de controle quando comparado com outros mtodos, alguns dos
quais podem ser considerados casos especficos de GPC.
Geralmente, no caso de a malha de controle manipular apenas uma varivel a fim de
controlar outra, denominado de caso SISO (single-input single-output), realiza-se uma
linearizao. Assume-se que o processo a ser regulado discreto, de dinmica linear,
invariante no tempo, de ordem m e com uma entrada u e uma sada y, onde a relao
entrada-sada pode ser descrita pela equao a seguir:
y (t ) =
B (q 1 )
u (t d ) ou
A(q 1 )
A(q 1 ) y (t ) = q d B (q 1 )u (t 1)
(2.1)
Sendo, A e B polinmios de deslocamento de avano no tempo com, respectivamente,

graus m e n; e, d o tempo morto.
Partindo da premissa que os distrbios naturais do processo possam ser caracterizados
por uma distribuio estocstica; pode-se usar o princpio da superposio e representar
todos os distrbios como uma nica influncia na sada. Ento, o processo pode ser
descrito pelo seguinte modelo, denominado de CARIMA (controlled auto-regressive
and integrated moving average):
A(q 1 ) y (t ) = q d B(q 1 )u (t 1) + C (q 1 )
e(t )
(2.2)
Sendo tambm C um polinmio de deslocamento de avano no tempo; e(t) uma

seqncia de variveis randmicas, uniformemente distribuda, independente e normal
(0,1); e, o operador da diferena 1 q-1.
17
Apesar de grande parte da teoria se basear em outro modelo, o CARMA (controlled

auto-regressive and moving average), o CARIMA tende a ser um modelo mais
apropriado para muitas aplicaes industriais com distrbios no-estacionrios. Na
prtica, encontram-se principalmente dois distrbios: ocorrncia de degraus randmicos
em intervalos randmicos (por exemplo, mudana na qualidade do material) e
movimento Browniano, encontrado em plantas que dependem do balano de energia
(CLARKE, 1988).
Para se construir a soluo, utiliza-se a equao de Diophantine descrita no Apndice 1:
C (q 1 ) = E (q 1 ) A(q 1 ) + q d * F (q 1 )
(2.3)
Onde, E e F so polinmios de deslocamento de avano no tempo de graus d-1 e m, e
= 1 q 1 .
Multiplicando-se o temo E (q 1 )q j nas parcelas da equao (2.2), obtm-se a seguinte
equao:
A(q 1 )E (q 1 ) y (t + j ) = E (q 1 ) B (q 1 )u (t + j d 1) + E (q 1 )e(t + j )
(2.4)
Reescrevendo a equao (2.4) com base na equao (2.3) e considerando C (q 1 ) = 1

(alternativamente C truncado e absorvido dentro dos polinmios A e B), chega-se na
seguinte equao:
[1 q
F (q 1 ) y (t + j ) = E (q 1 ) B (q 1 )u (t + j d 1) + E (q 1 )e(t + j )
(2.5)
Fazendo uma associao no termo do lado esquerdo da igualdade da equao (2.5),

alcana-se a seguinte formulao:
y (t + j ) = F ( q 1 ) y (t ) + E ( q 1 ) B ( q 1 ) u (t + j d 1) + E (q 1 )e(t + j )
(2.6)
A partir da equao (2.6), pode-se progredir tanto na deduo do controlador de

varincia mnima (MVC) quanto na deduo do controle preditivo generalizado (GPC).
Como o GPC originou-se do MVC, primeiramente apresenta-se o MVC.
18
No controlador de varincia mnima, almeja-se alcanar a menor varincia da varivel

controlada, ou seja, manter y(t+j) igual a zero. Os valores futuros do erro e(t+j)
independem dos valores passados de y(t) e u(t), logo so imprevisveis e tambm
igualados a zero. Com isso, obtm-se a seguinte Lei do Controlador de Varincia
Mnima (MVC) a partir do modelo CARMA e para j = d + 1 , conforme STRM
(1970):
F (q 1 )
u (t ) =
y(t )
B(q 1 ) E (q 1 )
(2.7)
No GPC, deve-se estimar y(t+j) a fim de chec-lo com base numa trajetria de
referncia e, com isso, calcular aes timas de controle. Como o grau do polinmio E
igual j-1, todos os termos do distrbio na equao (2.6) esto no futuro. Portanto, a
melhor predio para y(t+j) :
y (t + j ) = G (q 1 )u (t + j d 1) + F (q 1 ) y (t )
(2.8)
onde, G (q 1 ) = E (q 1 ) B (q 1 ) .
Como o sistema considera um tempo morto de d perodos de amostragem, as sadas do
sistema sero influenciadas por sinais em u(t) depois do perodo de amostragem d+1,
com isso, a equao (2.8) pode ser reescrita da seguinte forma:
y = Gu + f
Onde:
y (t + d + 1 t )
y (t + d + 2 t )
y=
;
y (t + d + N t )
(2.9)
19
g0
g
1
G=
M
g N 1
0
g0
M
g N 2
L 0
L 0
;
O M
L g0
u (t )
u (t + 1)
;
u=
u (t + N 1)
f = F (q 1 ) y (t ) + G ' (q 1 )u (t 1) ;
Gd +1 (q 1 ) g 0 q
Gd + 2 (q 1 ) g 0 g1q 1 q 2
1
;
G ' (q ) =
1
1
( N 1)
q N
Gd + N (q ) g 0 g1q ... g N 1q
Fd +1 (q 1 )
Fd + 2 (q 1 )
1
F ' (q ) =
.
Fd + N (q 1 )
Considerando a seguinte funo objetivo de custo:
J = (Gu + f w) (Gu + f w) + u T u
T
(2.10)
onde, w a trajetria de referncia ou set-point e seqncia de pesos.

O mnimo de J, considerando que no existem restries nos sinais de controle, pode ser
encontrado igualando o gradiente de J a zero. Com isso, chega-se ao seguinte resultado
para o clculo das aes de controle:
u = G T G + I
G T (w f )
(2.11)
A matriz G da equao (2.11) de dimenso N x N, no caso no-adaptativo, invertida

apenas uma vez, enquanto na verso recursiva demanda elevado processamento
20
computacional, pois invertida a cada tempo de amostragem. Portanto, conforme

descrito por CLARKE et al. (1987): o GPC apropria a idia do mtodo DMC de
CUTLER e RAMAKER (1980) do horizonte de controle (NU).
Estabelece-se que para j > NU:
u (t + j 1) = 0
(2.12)
Em termos da funo objetivo de custo equivalente atribuir efetivamente pesos

infinitos a mudanas no controle aps o horizonte de controle. Por exemplo, se NU for
igual a 1 e supondo que no tempo t exista uma mudana no set-point e N seja grande, a
escolha de u(t) feita pelo GPC a ao de controle tima que, se sustentada, conduziria
y(t) ao set-point com uma dinmica igual a da planta em malha aberta. Essa lei de
controle gera aes que, geralmente, so suaves e vagarosas. Valores de NU elevados
promovem controles mais ativos. A seguir, apresenta-se a matriz G com o horizonte de
controle:
g0
g
1
g
G= 2
M
M
g N 1
0
g0
g1
g2
M
g N 1
L
0
L
0
O
M
L
g0
L
M
L g N NU
(2.13)
Quando se aumenta NU, as aes de controle e a varivel de sada correspondente

tornam-se mais ativas at se alcanar o estgio onde incrementos em NU causem pouco
impacto no resultado. Com isso, obtm-se um resultado similar ao do GPC sem
horizonte de controle com uma menor demanda computacional.
2.2. AVALIAO DO DESEMPENHO DE CONTROLADORES

Indstrias modernas apresentam inmeras malhas de controle automtico, o que torna
impossvel a monitorao do desempenho de todas sem uma ferramenta de avaliao.
EMERSON (2002) apud KEMPF (2003, p.2) ressalta que uma aplicao real de
mtodos de reduo de variabilidade em fornos de pirlise gerou um ganho de $ 4
milhes/ ano.
21
MITCHELL e SHOOK (p. 3 4, 2005) relatam suas experincias com aplicaes de

controladores MPC, ressaltando quatro caminhos que os MPC podem trilhar
dependendo do suporte e monitoramento que eles recebem. O caminho deve ser
escolhido conscientemente ou, caso contrrio, impactar no desempenho da aplicao:
25% falham aps alguns meses da implantao;

40% falham aproximadamente aps 3 anos da implantao com suporte
inadequado e nenhum monitoramento;
25% continuam auferindo ganhos, embora reduzidos, com um bom suporte e

nenhum monitoramento;
10% aumentam os ganhos auferidos com o passar do tempo com adequado

suporte e monitoramento on-line.
Em uma auditoria feita em 25 malhas de controle de uma planta petroqumica de
separao de leo, gs e gua de uma grande indstria petrolfera, utilizando o software
PlantTriage desenvolvido pela Expertune, verificou-se a seguinte situao
(TORRES e HORI, 2005):
20% das malhas estavam em manual;

64% oscilavam grande parte do tempo;
Vrias malhas oscilavam com o mesmo perodo, ou seja, interagiam entre si;
68% saturavam em algum momento;
24% apresentavam alta variabilidade.
Geralmente, uma malha de controle demanda um investimento entre US$ 4.000,00 e
US$ 32.000,00, sendo gastos de US$ 1.000,00 a US$ 10.000,00 na aquisio de um
sensor, de US$ 2.000,00 a US$ 20.000,00 na compra de um atuador e de US$ 1.000,00
a US$ 2.000,00 na obteno de um controlador. Portanto, em plantas com inmeras
malhas de controle, so feitos elevados investimentos que, para serem financeiramente
22
justificveis, tm que possibilitar auferir retornos considerveis com a otimizao do

processo (SILVA et al., 2005).
Conforme os casos apresentados no PLANT TRIAGE MANUAL (EXPERTUNE), a
aplicao do PlantTriage possibilitou os seguintes retornos:
Kruger Wayagamack, Canad (fbrica de papel) solucionou a rpida partida da

mquina de papel gerando uma economia anual de $ 1 milho;
Petro-Canad (refinaria) reduziu as oscilaes gerando uma economia anual de

$ 330.000,00;
Gas Plant (despropanizador, desbutanizador) reduziu as oscilaes gerando uma

economia anual de mais de $ 1 milho.
O desempenho de uma malha de controle geralmente analisado comparando valores
que caracterizam o comportamento da varivel de sada da malha com algum tipo de
referncia, como ocorrem com outros sistemas mais populares, por exemplo, o processo
de concorrncia que estabelecido atravs da comparao realizada por consumidores
na escolha ao comprar um determinado produto. O consumidor tem um modelo mental
da idealidade de funcionamento desse produto, que, depois de utilizado, tem seu
desempenho avaliado com base na comparao entre o modelo ideal e o real. Quando h
um afastamento relevante, o consumidor almeja um concorrente que possa suprir
melhor sua necessidade, estabelecendo-se assim um processo de concorrncia.
HARRIS (1989, p. 856) relata que importante existir algum referencial contra o qual
o desempenho do controlador possa ser avaliado. HARRIS op. cit., ento, descreve
uma simples tcnica para determinar o melhor desempenho de controle de
realimentao aceitvel teoricamente, como o clculo da varincia da varivel de sada
do controlador de varincia mnima. Uma importante funcionalidade desse mtodo
que no necessrio perturbar o processo, utilizam-se os dados de um processo linear
que est operando sob um controle de malha fechada com uma estratgia de controle de
realimentao, invariante no tempo e linear.
23
Existem diversos tipos de avaliao de desempenho de controlador, como o offset do
set-point, sobrepasso, razo de decaimento e varincia. O desempenho da malha de

controle pode ser julgado inaceitvel se a varincia da varivel controlada exceder um
valor crtico. Entretanto, apesar desse critrio ser o mais aceito dentre os outros trs
citados, este falha por no reconhecer a diferena entre um desempenho aceitvel e um
bom. Quando o controlador j apresenta o melhor desempenho possvel, como a do
controlador de varincia mnima, no possvel reduzir a variabilidade da varivel do
processo atravs de um simples re-tuning do controlador ou da escolha de algoritmo de
controle de realimentao linear mais sofisticado. Nesses casos, a reduo da
variabilidade alcanada apenas reduzindo-se o tempo morto, implementando um
controle feedforward, eliminando distrbios atravs de modificaes nos equipamentos,
reduzindo a variabilidade do material, ou alterando o sistema ou a estrutura de controle
(DESBOROUGH e HARRIS, 1992).
No controlador de varincia mnima, so aplicados modelos de srie temporal que
provem um meio muito flexvel de modelar distrbios e dinmicas de processo. Esses
distrbios talvez sejam sinuosos, de natureza aleatria ou de natureza mais
determinstica, como ocorrncias randmicas de degraus em outras variveis de entrada
do processo sem ser a manipulada. Muitos dos algoritmos de controle tm estrutura
similar ao controle de varincia mnima. Apesar de determinados controladores, como o
PID, no terem sido projetados para explicitar a mnima varincia da varivel
controlada, estes ainda apresentam, em alguns casos, um desempenho muito prximo do
controlador de varincia mnima (HARRIS, 1989).
Segundo DESBOROUGH e HARRIS (1992, p. 1187), no desejvel implementar
um controlador de varincia mnima devido s excessivas e bruscas aes de controle
que so requeridas quando o intervalo amostral relativamente pequeno em relao
constante de tempo do processo. Alm disso, no se almeja a implementao do
controlador de varincia mnima devido a elementos da funo de transferncia que no
podem ser invertidos.
No obstante, o MVC apresenta o limite inferior da varincia do sistema de controle,
com isso, este serve como uma til referncia para se avaliar o desempenho de
controladores. A disponibilidade do MVC depende da funo de transferncia do
24
processo poder ser invertida ou no. Quando a funo de transferncia do processo no

pode ser invertida, o MVC pode ser projetado para prover o limite aceitvel de varincia
(DESBOROUGH e HARRIS, 1992).
Existem muitos caminhos no qual o desempenho do controlador pode ser comparado
com a varincia mnima terica, em DESBOROUGH e HARRIS (1992, p. 1187
1189), sugerem-se dois. Primeiramente, define-se um elemento mais aplicvel para se
avaliar o controlador em termos do erro quadrtico mdio, conforme a seguinte
equao:
mse( y ) = y2 + y2
(2.14)
onde, y o desvio do set-point, y2 a varincia e y2 a mdia quadrtica do desvio do
set-point.
Ento, o primeiro mtodo para calcular o ndice de desempenho descrito pela seguinte
equao:
mse( y )
2
MVC
(2.15)
O segundo mtodo apresentado considerado mais conveniente para definir um ndice

de desempenho normalizado, expressando o aumento fracional do erro quadrtico
mdio da sada que se incorre com a no-implementao do MVC:
= 1
2
MVC
mse( y )
(2.16)
onde, limitado pelo intervalo [0,1], desejando-se obt-lo o mais prximo de zero
possvel, ou seja, almeja-se obter o valor do erro quadrtico mdio o mais prximo da
varincia mnima possvel.
HARRIS, BOUDREAU e MACGREGOR (1996), estenderam o mtodo de avaliao
de desempenho apresentado em HARRIS (1989) e DESBOROUGH e HARRIS (1992)
25
para o caso MIMO (multi-input multi-output). UDUEHI, ORDYS e GRIMBLE (2002)

elaboraram um ndice de referencia baseado no controle GPC para o caso SISO.
O trabalho de Harris na avaliao do desempenho de controladores atravs do MVC
concebido com base na anlise da varincia da varivel controlada devido a distrbios
no medidos e estocsticos, que so considerados como rudos brancos oriundos do
sistema dinmico. Por essa razo, refere-se a essa classe de mtodos de monitorao do
desempenho como monitorao de desempenho estocstico. Enquanto aqueles mtodos
trazem um importante aspecto do desempenho do controlador, estes no provem
qualquer informao sobre o desempenho tradicionalmente considerado, como a
resposta a um degrau no set-point, variveis de perturbao, tempo de resposta, razo de
decaimento e estabilidade marginal do sistema de controle. Refere-se a essas tcnicas de
monitorao como monitorao de desempenho determinstico (QIN, 1998).
Conforme QIN (1998, p. 177), a avaliao de desempenho atravs do MVC no
aplicvel em processos com tempo morto varivel e em situaes onde a variabilidade
intencionalmente permitida para reduzir o distrbio de outras variveis, como o controle
de tanque pulmo.
JELALI (2006, p. 461) apresentou uma lista de produtos comercialmente disponveis
para sintonia e avaliao de desempenho de controlador e seus respectivos
fornecedores:
ProcessDoctor
(Matrikon);
PlantTriage(ExperTune);
Optimizer Sute (ProControl Technology); Optimize
IT
PCT
Loop
Loop Performance Manager
(ABB); Loop Scout (Honeywell); EnTech Toolkit, Delta V Inspect (Emerson Process
Management); INTUNE (ControlSoft); KCL-Control-Performance Analysis (KCL); PI
ControlMonitor (OSIsoft); Aspen Watch (AspenTech); Control Monitor (Control Arts
Inc.); Loop Analyst (Invensys); Control Wizard (PAS); LoopBrowser (Metso
Automation); e, LoopMD (PAPRICAN).
O ndice de desempenho normalizado concebido por Harris, apresentado a seguir, foca
na avaliao de controladores de realimentao. Para o caso de controladores MPC,
SCHFER e CINAR (2004) apresentaram dois ndices para o monitoramento e
diagnstico de controladores baseados no clculo da funo de custo para valores de
26
referncia, valores fornecidos pelo modelo e valores alcanados, que so apresentados

no penltimo Tpico desse Captulo.
2.2.1. Estimao do ndice de Desempenho Normalizado

Neste Tpico, introduz-se o ndice de desempenho normalizado, demonstrando um
artifcio simples para estimar a partir de dados do controle de realimentao usando
mtodos de regresso linear. Nessa aproximao, elimina-se a necessidade de se
resolver uma equao de Diophantine.
Partindo-se da seguinte equao para descrever o processo:
~
y = X +e
(2.17)
Onde:
~
y~ n
~
y = y n 1
M
~
yb+m
, sendo b o horizonte de previso, m o nmero de termos em
que a srie foi truncada, n o horizonte de tempo e y = yt y ;
~
yn~b
~
X = yn b 1
M
~
ym
yn b 1
~
yn b 2
M
~
ym 1
yn b m +1
~
... yn b m ;
O
M
~
...
y1
...
1

2
= , sendo i parmetros auto-regressivos;
M

m
E, e o erro.
27
Para estimar os parmetros auto-regressivos do modelo a partir da amostra de dados de

malha fechada, soluciona-se o conjunto de equaes lineares oriundos da seguinte
equao:
~T ~
= X y X X
~ T ~
(2.18)
Sabendo-se que a varincia do desvio do set-point igual varincia do erro de

predio somado varincia de valor predito da varivel controlada, conforme
apresentado na equao (2.19), deduz-se que a varincia do desvio do set-point do
controlador de varincia mnima igual varincia do erro de predio, pois o valor
predito para a varivel controlada no MVC zero.
2
2
y2 = erro
de predio + y
(2.19)
predito
Com isso, obtm-se a seguinte equao:

T
2
MVC
~ ~ ~ ~
y X y X

=
(n b 2m + 1)
(2.20)
Como o erro quadrtico mdio igual varincia do desvio do set-point adicionada da

mdia quadrtica do desvio do set-point, chega-se ao seguinte resultado para o clculo
do ndice de desempenho normalizado:
T
~ ~ ~ ~
y X y X
n b m +1

= 1
~
~
2
n b 2m + 1
y Ty + y
(2.21)
Onde, y a mdia quadrtica amostral do desvio do set-point.
2.2.2. Avaliao de Desempenho Estocstico e Determinstico

Um ponto significante na avaliao de desempenho proposta em HARRIS (1989) lida
com a criticidade da variabilidade do processo em processos industriais. Em particular,
o desempenho estocstico trazido em voga devido a sua simples aplicabilidade.
28
Entretanto, no aconselhvel utilizar a varincia mnima em detrimento de outras

importantes consideraes, incluindo a robustez do processo, o desempenho
determinstico, diagnsticos de falha do sensor e atuadores que causam significante
deteriorao no desempenho do controlador.
Deve-se tomar cuidado para no se considerar apenas o desempenho estocstico,
sacrificando o desempenho determinstico, como a resposta a set-points e mudanas nas
perturbaes de entradas determinsticas. Por exemplo, se a dinmica de distrbios
ARMA (auto-regressive and moving average), a varincia mnima alcanada sem
nenhum controlador integral. Isso ocasionar na perda de desempenho determinstico do
controlador. Logo, torna-se necessrio considerar as contrapartidas entre desempenho
determinstico e estocstico. Apesar dos distrbios determinsticos poderem ser
concebidos atravs de distrbios estocsticos com modelos do tipo ARIMA (autoregressive and integrated moving average), as medidas de desempenho para distrbios
estocsticos e determinsticos so, na essncia, diferentes. Avaliaes de desempenho
determinstico so tradicionalmente estabelecidos como a velocidade de resposta,
sobrepasso e razo de amortecimento. Portanto, a varincia mnima de distrbios no
processo durante um perodo de observaes limitado no resulta necessariamente em
um desempenho aceitvel para medidas de desempenho determinstico (QIN, 1998).
Sabe-se que com controladores PID padro no se alcana simultaneamente a melhor
rejeio de distrbios e acompanhamento do set-point, tornando necessria a realizao
de ponderaes entre o acompanhamento do set-point e rejeio dos distrbios. No
entanto, apesar de distrbios determinsticos poderem ser vistos como distrbios
estocsticos especiais, a obteno da melhor resposta ao distrbio pode resultar em uma
resposta ao set-point ruim. Logo, devem-se analisar cuidadosamente contrapartidas
entre a resposta ao set-point e a resposta a distrbios na entrada, especialmente quando
o set-point alterado frequentemente (QIN, 1998).
Ainda que a teoria de controle estocstico venha evoluindo nas ltimas dcadas, muitas
estratgias de projetos de controladores, na prtica, so concebidas apenas considerando
mudanas determinsticas. Os trabalhos em monitorao de desempenho de controlador
provem uma oportunidade para a comunidade de controle de processo prestar mais
29
ateno na natureza estocstica dos distrbios na planta e consider-los no projeto de

controle.
2.2.3. Monitoramento e Diagnstico do Desempenho de Controlador

Neste tpico, apresentam-se as discusses emergentes no que diz respeito ao
monitoramento e diagnstico do desempenho de controladores.
PATWARDHAN e SHAH (2002, p. 413) listaram causas que podem originar um
desempenho de controle ruim:
Limitaes de desempenho devido combinao entre o processo e o projeto do
controlador;
Mudanas na dinmica da planta;
Variabilidade dos distrbios;
Falha dos sensores;
No-linearidade do processo.
GUSTAFSSON e GRAEBES (1998) propuseram o uso de hipteses estatsticas para
detectar se mudanas observadas no desempenho devem-se a distrbios ou a mudanas
no processo que afetaram a robustez do sistema de malha fechada.
PATWARDHAN e SHAH (2002, p. 414) focaram na quantificao dos seguintes
efeitos no desempenho do controlador:
Restries das variveis de entrada e sada;
Presena de incertezas nos distrbios e modelagem;
No-linearidade no desempenho de controladores baseados em modelos lineares.
HUGO (1999) discutiu a avaliao de desempenho do MPC atravs do MVC com um
modelo de distrbios de trajetria randmica. Conclui-se no seu trabalho, que o ndice
de desempenho baseado nesse benchmarking apresenta limitaes devido estrutura de
30
distrbios considerada, que o impede de ser utilizado para diagnosticar o desempenho,

exceto em cenrios onde o MPC foi configurado para um controle de varincia mnima.
O software PlantTriage, j citado anteriormente, alm de identificar automaticamente
as oscilaes, possibilita tambm avaliar suas causas (hardware, sintonia ou carga) e
malhas acopladas (TORRES e HORI, 2005).
FARENZENA (2008) apresentou um conjunto de metodologias para o diagnstico de
desempenho de controladores e demonstra o clculo de trs ndices que decompem a
variabilidade da varivel controlada em rudo branco (no pode ser removida com
qualquer controlador), tempo morto (no pode ser removida com controle de
realimentao) e uma poro do sinal que pode ser melhorada com controle de
realimentao. Os trs ndices visam avaliar a razo entre a parcela de influncia de
cada componente na variabilidade total da varivel controlada: nosi (rudo branco), deli
(tempo morto) e tuni (resto).
LOQUASTO e SEBORG (2003) apresentaram o mtodo de Anlise de Componente
Principal (Principal Component Analysis PCA) para o monitoramento e diagnstico
de desempenho do controle preditivo, demonstrando sua aplicao no modelo de WoodBerry. Este mtodo, como o apresentado anteriormente, utiliza o modelo interno do
controlador preditivo para analisar seu desempenho, calculando um ndice que pondera
o que se chama de fator de similaridade e a distncia desse fator. Com esse ndice
classifica-se os resultados, avaliando se h alguma situao anormal e, caso haja, qual
a causa (distrbio anormal ou mudanas na planta). Neste artigo, utiliza-se uma rede
neuronal MLP para classificar os valores obtidos para esse ndice.
QIANG e SHAOYUANP (2006) tambm utilizaram o mtodo PCA para monitorar e
diagnosticar o desempenho de um controle preditivo aplicado a uma fracionadora de
leo pesado da Shell.
Para realizar o diagnstico da reduo de desempenho do controlador, necessita-se,
inicialmente, monitorar seu desempenho, de preferncia de forma on-line. Com esse
fim, existe um conjunto de tcnicas denominado de monitoramento de desempenho de
controladores (controller performance monitoring CPM).
31
O objetivo do CPM desenvolver e implementar tecnologias que provem informaes

da planta para determinar se o desempenho apropriado e as caractersticas da resposta
esto sendo alcanadas atravs das variveis controladas. Para o caso SISO, o ndice de
desempenho normalizado um elegante mtodo, que compara o limite inferior absoluto
terico na variabilidade da sada com o atingido, podendo configurar-se como um
benchmark apropriado para medir o desempenho de um sistema de controle de
realimentao (CINAR, PALAZOGLU e KAYIHAN, 2007).
No entanto, principalmente, para controladores MPC multivariveis, outros mtodos de
CPM vm sendo estudados fundamentados no clculo da funo de custo, que na
maioria dos casos a funo objetivo minimizada para determinar a estratgia do MPC.
CINAR, PALAZOGLU e KAYIHAN (2007, p. 240) apresentam dois mtodos baseados
na monitorao dos valores da funo de custo para o diagnstico da reduo do
desempenho de controladores, denominados de referencial histrico (historical
benchmark) e ndice de desempenho baseado em modelo (model-based desempenho
measure).
A funo de custo Jach, obtida com os valores reais da planta, geralmente considerada
pode ser descrita da seguinte forma:
J ach =
1 Pc T
T
e (k + j Pc )Qe(k + j Pc ) + u (k + j Pc )Ru (k + j Pc ) (2.22)
Pc j =1
onde, Pc o horizonte mvel de predio, e(k) o vetor de erros do controle no passo k

(diferena entre a varivel controlada e a trajetria de referncia), u o vetor de
incrementos nas variveis manipuladas no passo k, Q e R so vetores de pesos que
penalizam na funo de custo, respectivamente, o erro das variveis controladas em
relao s trajetrias de referncia e incrementos nas variveis manipuladas.
Na anlise do referencial histrico, necessita-se, a priori, ter dados do processo do
perodo de tempo em que o controlador apresentou um bom desempenho. A funo de
custo aplicada no referencial histrico ( J his ) tem a mesma forma da equao (2.22),
utilizando-se os dados de entradas e sadas correspondentes a esse perodo. Logo, o
32
valor obtido dessa funo constante enquanto no se obtm um desempenho melhor

(SCHFER e CINAR, 2004).
O ndice on-line do referencial histrico, que auxilia na deteco da reduo ou melhora
do desempenho, dado pela seguinte expresso:
his (t ) =
J his
J ach (t )
(2.23)
No ndice de desempenho baseado em modelo, compara-se o desempenho alcanado

com o desempenho do modelo. A funo de custo aplicada ao modelo tem a mesma
forma da equao (2.22), utilizando-se as entradas e sadas indicadas pelo modelo
(SCHFER e CINAR, 2004).
O ndice de desempenho baseado no modelo dado pela seguinte razo:
des (t ) =
J des (t )
J ach (t )
(2.24)
des monitorado para o diagnstico das causas de degradao de desempenho.

Algumas causas-raiz afetam o modelo do controlador enquanto outras no. Por
exemplo, aumento nos distrbios no medidos, mudanas na dinmica do processo,
falhas no atuador ou desajuste do modelo no influenciam o desempenho do modelo
(causas do grupo II). Logo, Jdes permanece constante enquanto Jach aumenta, reduzindo,
portanto, o ndice de desempenho baseado em modelo. Contudo, problemas com causaraiz referente saturao das variveis de entrada do processo, ao aumento nos
distrbios medidos e mudana nas especificaes do controlador afetam o
desempenho do modelo (causas do grupo I), acarretando um valor aproximadamente
constante do ndice de desempenho baseado em modelo (CINAR, PALAZOGLU e
KAYIHAN, 2007).
Admitindo-se que s possa haver a ocorrncia de uma fonte de causa. Se des no muda
significativamente, enquanto o desempenho (funo de custo) do modelo e o
desempenho alcanado decaem na mesma ordem de grandeza, o diagnstico da causa
recai no grupo I. Se des apresenta um decrescimento considervel, o diagnstico da
33
causa recai no grupo II. Caso possam ocorrer mltiplas causas simultneas, a lgica do
diagnstico torna-se muito complexa.
Segundo CINAR, PALAZOGLU e KAYIHAN (2007, p. 244 245): subgrupos so
definidos para promover a distino entras as causas-raiz do grupo I. Considera-se que
as mudanas no controlador (parmetros de sintonia) so alteraes manuais, desde que
as aes tomadas sejam conhecidas e a causa-raiz dos efeitos no necessite ser
identificada por uma ferramenta de diagnstico (subgrupo Ia). Mudanas nos distrbios
medidos e saturao das variveis de entrada do processo compem o subgrupo Ib.
Informaes adicionais so necessrias para distingui-los. A saturao das variveis
manipuladas pode ser determinada atravs da investigao da trajetria dessas variveis.
O efeito da saturao na varivel manipulada indica a saturao nas variveis de entrada
como a causa-raiz da queda do desempenho, eliminando o aumento nos distrbios
medidos do grupo de possveis causas.
Na Figura 2, pode-se visualizar o esquema lgico para o monitoramento e o diagnstico
de desempenho do controle preditivo atravs do ndice do referencial histrico e do
ndice de desempenho baseado no modelo.
ndice do Referencial Histrico
SubGrupo Ib
ndice de Desempenho
Baseado no Modelo
Grupo I
Grupo II
ndice de Desempenho
Baseado no Modelo
SubGrupo Ia
Alteraes dos parmetros de sintonia do controlador

Ampliao dos distrbios medidos
Saturao das variveis de entrada do processo
Aumento nos distrbios no medidos

Mudanas na dinmica do processo
Falhas no atuador
Desajuste do modelo
Figura 2 Monitoramento e diagnstico do desempenho do controle preditivo
Com o ndice do referencial histrico, pode-se analisar qual a melhor combinao de

valor para os parmetros do MPC atravs da alterao manual deles e observao do
impacto dessas mudanas no grfico on-line desse indicador. Alm disso, esse ndice
34
permite a identificao de uma queda no desempenho causado por algo inesperado, que
ento diagnosticado por intermdio do ndice de desempenho baseado no modelo do
MPC.
2.2.4. Anlise Econmica da Reduo da Variabilidade do Controlador

A reduo da variabilidade da varivel controlada permite auferir ganhos econmicos
associados diminuio do intervalo de segurana ou de conservadorismo entre os
limites de restrio/especificao e os valores alcanados. Quando, por exemplo, a
produo de diesel realizada atravs de uma mistura de seus insumos no tanque do
produto final e, ento, esse tanque analisado para ser certificado e vendido; a mistura
realizada de forma conservadora para garantir a certificao do tanque na primeira
anlise. Com isso, provvel que muitas vezes haja uma sobre-especificao do produto
(giveaway), ou seja, o produto poderia ter custado menos, alcanando o mesmo preo.
Contudo, quando h um blending em linha com um analisador em linha integrado a um
controlador e a um conjunto de vlvulas de controle, pode-se atingir uma especificao
mais prxima do limite de certificao e, portanto, otimizando o uso dos insumos.
luz da teoria de avaliao do desempenho estocstico de controles, que considera a
variabilidade da varivel controlada, um controle com desempenho ruim produziria
elevada variabilidade. Com o diagnstico desse desempenho, pode-se identificar sua
origem e tomar aes para reduzir essa variabilidade.
Conforme se pode observar na Figura 3, variabilidades altas demandam set-points mais
afastados dos limites operacionais, pois deve-se mitigar o risco de ultrapassar esses
limites. No entanto, quando se reduz essas variabilidades, aproxima-se mais desses
limites, aumentando-se os retornos.
35
RETORNO
(R$)
Limites de especificao
Controle com
desempenho
ruim
Variabilidade
reduzida
Aumento do
ganho devido
mudana no
setpoint
Figura 3 Benefcios econmicos atravs da reduo da variabilidade (WHITE, p. 2, 2003)
Supondo uma curva de valor do produto semelhante apresentada na Figura 4, onde h

um aumento, no-linear, no valor do produto conforme aumenta-se sua especificao
at um determinado limite, que, se ultrapassado, reduz drasticamente o valor do
produto; quando se tem uma variabilidade alta no controle dessa especificao (Curva
1), o valor mdio obtido com esse produto igual ao representado pela Seta 1.
Conforme pode-se visualizar, uma parte da Curva 1 est fora do limite, caracterizando
s vezes que o produto saiu de especificao. Devido a isso, configura-se um set-point
que mantenha a menor parte possvel da curva aps o limite de especificao.
Ento, se essa variabilidade reduzida (Curva 2), consegue-se obter um valor mdio do
produto maior (Seta 2), pois as especificaes alcanadas ficam menos dispersas,
concentrando-se num valor mais elevado e com uma maior garantia da certificao do
produto.
Por fim, com essa reduo da variabilidade, pode-se configurar um set-point mais
prximo ao limite de especificao (Curva 3), aumentando-se ainda mais o valor mdio
obtido com o produto (Seta 3).
Essa anlise econmica da reduo da variabilidade de uma varivel controlada deve ser
realizada no Estudo de Viabilidade Tcnica-Econmica (EVTE) de projetos de sistema
de controle, sistema de monitoramento/diagnstico de desempenho, entre outros, como
justificativas para a realizao do investimento.
36
Valor do Produto
(R$/dia)
Especificao
Valor
Mdio
Obtido
3
2
Figura 4 Valor mdio do produto
2.3. HIDROTRATAMENTO DE DIESEL

O hidrotratamento um processo j estabelecido no refino de petrleo. O incio da sua
aplicao remonta poca antes da Segunda Guerra Mundial, e a sua evoluo tem
ocorrido progressivamente nessas sete dcadas. Contudo, apesar de j ser um processo
maduro, ainda demanda inovaes. Atualmente, a indstria mundial do refino almeja
aumentar seu ganho marginal atravs da reduo de custo, investimentos de baixo
capital, aumento da eficincia operacional, operaes consolidadas e servios de
terceirizao (SILVY, 2004).
Geralmente, reconhece-se que quanto maior a concentrao de hidrognio em uma
frao do petrleo, principalmente produtos combustveis, melhor a qualidade do
produto. Essa considerao tem estimulado a concepo de processos de adio de
hidrognio em refinarias de petrleo (ANCHEYTA e SPEIGHT, 2007).
37
O hidrotratamento cataltico (HDT) extensivamente aplicado na indstria de refino do

petrleo para remover impurezas, como heterotomos (enxofre, nitrognio, oxignio),
aromticos polinucleares (PNAs) e compostos contendo metais (principalmente,
vandio e nquel). A concentrao dessas impurezas aumenta com o ponto de ebulio
das fraes do petrleo.
O hidrotratamento do leo residual foi uma extenso natural do leo destilado
hidrotratado para remoo de enxofre. A primeira unidade de hidrotratamento de
dessulfurizao de resduo da Chevron Lummus Global foi outorgada em 1969. Tpica a
muitas unidades de hidrotratamento de resduo, essa primeira unidade foi projetada para
remover enxofre e, com isso, produzir combustvel com baixo teor de enxofre. J a
primeira unidade de hidrotratamento de dessulfurizao de resduo a vcuo foi
outorgada em 1977 para tambm produzir combustvel com baixo teor de enxofre. Em
1984, Okinawa Sekiyu Seisei, refinaria japonesa, foi a primeira a reportar-se operao
de uma unidade de hidrotratamento de dessulfurizao de resduo da Chevron Lummus
Global em termos de converso (MEYERS, 2004).
Ao final da dcada de 70 e durante as dcadas de 80 e 90, a demanda e o valor dos leos
combustveis com elevado teor de enxofre (3% em massa) e com baixo teor de enxofre
(1% em massa) decaram. Em alguns casos, os gerentes da planta se dispunham a pagar
preos mais altos por leos combustveis com teores de enxofre mais baixos (0,1 a 0,5%
em massa). As unidades de hidrotratamento permitiram s refinarias a produo desses
leos com teores de enxofre mais baixos. O leo combustvel com o teor de enxofre
mais baixo j produzido comercialmente a partir do sour crude4 foi com 0,1% de
enxofre em massa. Esse leo combustvel foi produzido pela unidade de
hidrotratamento de dessulfurizao de resduo da Chevron Lummus Global na refinaria
Idemitsu Kosans em Aichi, no Japo (MEYERS, 2004).
Uma unidade de hidrotratamento utilizada a fim de pr-tratar resduo para a
alimentao da unidade de coqueamento retardado na refinaria da Chevron, Texaco em
Petrleo bruto com alto teor de enxofre (cerca de 3% em massa de enxofre no resduo atmosfrico)
38
Pascagoula, Mississipi. A HDT foi originalmente projetada para remover enxofre e

metais da corrente de alimentao da unidade de coque, de modo que o coque tivesse
baixo teor de enxofre e metais, e fosse mais facilmente vendido. Desde sua aquisio
em 1983, a HDT tem provido significantes benefcios econmicos para a refinaria. A
produo de coque tem sido reduzida, e a proporo de produtos leves mais alta
quando comparada com a planta sem a HDT. A HDT de Pascagoula permanece como a
maior unidade de hidrotratamento de resduo do mundo com uma capacidade de 96000
bbl/dia (MEYERS, 2004).
As reaes que ocorrem durante o hidrotratamento so hidrodessulfurizao,
hidrodesnitrogenao, hidrodesoxigenao, hidrodesaromatizao, hidrodesmetalizao
e hidrodesaslfaltao. O hidrognio combinado com tomos sulfurados forma o cido
sulfdrico (H2S), alguns componentes com nitrognio so convertidos amnia, metais
so carreados pela deposio de leo no catalisador, algumas olefinas e aromticos so
saturados com hidrognio e alguns contaminantes so craqueados formando-se metano,
etano, propano e butano (LEFFLER, 2000).
Processos com reaes qumicas podem apresentar diversas combinaes entre as
caractersticas presentes neste tipo de processo, como a quantidade e ordem de reaes,
a ocorrncia em srie ou paralelo, a reversibilidade, o nmero de fases, a liberao
(exotrmica) ou a absoro (endotrmica) de calor, entre outras. Todos esses fatores
contribuem para a especificao do tipo de reator de leito fixo, dimensionando e
determinando a sua geometria, e definindo os mecanismos de transporte de massa e
energia (FROMENT e BISCHOFF, 1979).
ANCHEYTA e SPEIGHT (2007, p. 73) relatam a dificuldade do hidroprocessamento de
leos pesados e resduos devido natureza complexa do comportamento das molculas
compostas de heterotomos. Os processos da HDT so fortemente influenciados pelo
mtodo de injeo da carga, pelo arranjo dos leitos catalticos e pelo modo de operao
dos reatores. Conseqentemente, a seleo apropriada e o projeto dos reatores so
fatores importantes para se alcanar o desempenho esperado. Dependendo da natureza
do resduo a ser tratado, o hidrotratamento realizado em reatores de leito fixo (fixedbed FBR), leito mvel (moving-bed MBR), ou leito fluidizado (ebullated-bed
EBR).
39
Segundo MEYERS (p. 8.6, 2004), refinarias hidrotratam resduo h mais de 25 anos.
Nesse espao de tempo, o hidrotratamento de resduo tem mudado conforme as
necessidades das refinarias, desde sua finalidade inicial de remover enxofre do leo
combustvel at a converso direta de resduo e a ampliao da rentabilidade econmica
das unidades de converso do downstream. As HDTs de leito fixo continuam a ser o
processo de converso mais popular.
Neste trabalho, considera-se apenas os reatores FBRs devido a sua ampla utilizao em
operaes de hidrotratamento comerciais, que se justifica por sua facilidade e
simplicidade operacional.
2.3.1. Processo do HDT

A maioria dos HDTs so unidades de trickle-bed reactor (TBR), onde h um
escoamento descendente simultneo das fases lquida e gasosa, atravs de um leito fixo
de partculas catalticas. O nome trickle-bed reactor originrio do seu modelo de
escoamento, que tem o gs como fase contnua e o lquido como fase dispersa
(ANCHEYTA e SPEIGHT, 2007).
Os catalisadores mais populares, utilizados atualmente, so os xidos de molibdnio e
cobalto em alumina. Esses metais raros provam ser resistentes a contaminaes e mais
facilmente regenerados. Eles so altamente seletivos, ou seja, no se tem muitas outras
reaes ocorrendo em paralelo, levando, alm disso, remoo de contaminantes
contendo enxofre e nitrognio (LEFFLER, 2000).
A unidade de hidrotratamento considerada neste trabalho a unidade TBR com dois
reatores em srie, cada um composto por dois leitos fixos, conforme ilustra a Figura 5.
Durante o processo, primeiramente, adiciona-se hidrognio carga, que ento
aquecida em duas etapas: na troca de calor com o efluente do segundo reator e, em
seguida, no forno. Aps atingir a temperatura necessria, a carga combinada com o
hidrognio alimenta os reatores em srie. Nos reatores, h o catalisador, na fase slida,
que adsorve as molculas reagentes de leo e hidrognio. Devido reao ser
exotrmica, o hidrognio frio reciclado adicionado entre os reatores e entre os leitos
catalticos dos mltiplos reatores, possibilitando, com isso, um maior controle da
temperatura.
40
Figura 5 Processo de hidrotratamento de diesel (MEYERS p. 8.6, 2004 adaptado)
O efluente do segundo reator resfriado atravs da troca de calor com a carga que
alimentar o forno e em seguida o reator. Ento, aps o efluente passar pelo permutador,
este enviado para um separador a quente de alta presso (hot high pressure separator
HHPS) visando recuperao de hidrognio e uma separao aproximada entre
produtos leves e pesados. O lquido proveniente do HHPS levado a baixa presso e
enviado para um separador de baixa presso. J o vapor proveniente do HHPS
resfriado para condensar nafta e gasleo, e adiciona-se gua para absorver cido
sulfdrico e amnia produzidos no reator. A mistura com gua enviada para um
separador a frio de alta presso (cold high pressure separator CHPS), onde ocorre a
separao de vapor, gua cida e hidrocarbonetos leves. A corrente lquida de
hidrocarbonetos deixada em baixa presso e enviada para o separador de baixa presso
(low pressure separator - LPS). A gua enviada para uma unidade de recuperao de
gua cida para remoo de cido sulfdrico e amnia, e o gs rico em hidrognio segue
para o absorvedor de cido sulfdrico, que em seguida, depois de purificado, segue para
41
o compressor de reciclo, onde sua presso aumentada no intuito de utiliz-lo como gs

de quench, recombinado com a carga do reator.
No separador de baixa presso, que tem como carga as correntes lquidas de
hidrocarbonetos do CHPS e do HHPS, a corrente de sada gasosa vai para o processo de
recuperao de gases e a corrente de sada lquida vai para o fracionador atmosfrico,
que divide o leo hidroprocessado nos produtos desejados.
A importncia do hidrotratamento est, gradualmente, acentuando-se h alguns anos,
principalmente, por trs razes, conforme LEFFLER (p. 15.1, 2000):
O pr-tratamento antes da reforma cataltica, do craqueamento cataltico e do
hidrocraqueamento protege crescentemente a sensibilidade do catalisador,
evitando que fique contaminado por composto com enxofre e alguns metais;
Governos esto continuamente reduzindo o contedo de sulfurados permitido na
gasolina e nos leos combustveis;
O hidrotratamento permite a reduo de olefinas e aromticos, aumentando o teor
de parafinas e naftenos (composio PONA dos combustveis).
Segundo GARY e HANDWERK (p. 183, 2001), as normas da Autoridade de Proteo
do Meio Ambiente (EPA Enviromental Protection Authority) para combustveis de
motor requerem que os teores de compostos sulfurados, de olefinas e de aromticos
sejam reduzidos a valores especficos. O hidrotratamento usado para reduzir essa
concentrao em produtos acabados atravs do processamento das cargas que
alimentam as unidades que produzem os componentes da mistura do combustvel de
motor ou atravs do processamento do produto semi-acabado para reduzir a
concentrao de contaminantes. Sem o hidrotratamento, o contedo de sulfurados na
gasolina e no diesel derivados do petrleo do North Slope Alaskan excederia as
especificaes da EPA.
Na Tabela 1, apresenta-se uma estimativa do custo de investimento para implantao de
uma unidade de HDT. Essa estimativa baseada em projetos similares executados pela
Chevron em suas refinarias.
42
Tabela 1: Investimento estimado para HDT (MEYERS, Tabela 8.1.6, 2004)

Capacidade (bbl/dia)
Dias de operao ao ano
Fator operacional
Investimento on-plot , milhes dlares
Principais materiais
Reatores
Outros reatores
Fracionadores
Compressores
Custo de instalao
Custo de engenharia
Custos indiretos
Custo total on-plot
Custo off-plot (30% do investimento on-plot ), milhes de dlares
Custo cataltico por carga, milhes de dlares
Total, milhes de dlares
70000
335
0,92
107,2
73,3
22,5
4,8
6,6
79,3
17,9
29,8
234,2
70,3
8,8
313,3
Basis: segundo quadrimestre de 1995, Costa do Golfo, EUA
Na Tabela 2, so expostos os principais custos de operao de uma unidade de HDT

baseado na experincia dos operadores da Chevron e considerando uma produtividade
de 70000 bbl/dia.
Tabela 2: Custo de processamento e utilidades para produo de 70000 bbl/dia da HDT da Chevron
(MEYERS, Tabela 8.1.7, 2004 resumida)
Utilidades
Hidrognio
Catalisador
Laboratrio
Superviso
Manuteno
Taxas e seguros
Total
2.3.2.
$/dia
46337
60945
26206
1191
596
18135
9330
162740
$/bbl
0,66
0,87
0,37
0,02
0,01
0,26
0,13
2,32
Modelos do HDT
BURGHARDT et al. (1995) apresentam resultados experimentais a respeito da

dinmica de captura de lquido pelo catalisador (liquid holdup), da eficincia molhada
(wetting efficiency) e dos coeficientes de transferncia de massa local entre o lquido e a
superfcie slida em um reator de trs fases de leito fixo com a fase lquida e a gasosa
escoando descendentemente em paralelo. Esse trabalho complementa um anterior,
BURGHARDT, KOLODZIEJ e JAROSZYNSKI (1990), onde estudou-se apenas a
43
dinmica da captura de lquido em relao taxa de escoamento de lquido e gs,

constatando que conforme aumenta-se a vazo de lquido, a captura de lquido tambm
acrescida, enquanto quando aumenta-se a vazo de gs, o efeito contrrio observado.
A eficincia molhada definida como a frao da rea externa dos poros do catalisador
efetivamente molhada pelo lquido que escoa descendentemente no leito, sendo seu
valor relacionado ao rendimento do reator. BURGHARDT et al. (1995) concluram que
as medidas da eficincia molhada, que so realizadas empregando-se mtodos de
investigao dinmica baseados em modelos matemticos originais, reproduziram os
dados experimentais com um erro de mais ou menos 20%. Neste mesmo trabalho,
tambm objetivou-se formular um modelo matemtico para calcular os coeficientes de
transferncia de massa.
TSAMATSOULIS e PAPAYANNAKOS (1995) investigaram o comportamento noideal do escoamento de lquido em uma unidade piloto de hidrotratamento em
condies operacionais usando um modelo de escoamento cruzado, avaliando as
relaes entre os parmetros do reator e o rendimento da reao.
ILIUTA et al. (1999) baseado no maior banco de dados, poca, de transferncia de
massa interfacial gs-lquido, derivaram o estado da arte explcito e as correlaes de
dimensionamento de regime de fluxo total para os parmetros de transferncia de massa
gs-lquido em TBR em combinaes de anlise dimensional e de modelos de redes
neuronais. Os autores concluram que todos os resultados apresentaram uma boa
predio dos coeficientes globais de transferncia massa de gs e de lquido, e da rea
interfacial gs-lquido.
HLAVCEK (1982) recomendou o modelo CSTR-CLULA em srie para descrever a
dinmica de reatores de leito fixo adiabticos. Na Figura 6, pode-se visualizar um
esquema desse modelo.
44
Figura 6 Modelo do reator CSTR-CLULA
O modelo do reator CSTR-CLULA considera tanto a disperso axial de massa e o

calor no leito, quanto a difuso de massa e o transporte de calor entre a fase fluida e o
catalisador slido, conforme observa-se na Figura 7. As seguintes suposies so
adotadas no modelo CSTR-CLULA:
Ocorre apenas uma reao e de 1 ordem em relao concentrao mdia de um
pseudo-reagente A nos poros da fase slida;
A taxa da reao pode ser descrita pela equao de Arrhenius;
No existe variao de volume no reator;
Os reatores so adiabticos;
Existe apenas uma fase lquida e uma slida com propriedades fsico-qumicas
constantes;
Existem apenas fenmenos de transporte longitudinais;
Existem interaes no-lineares entres os processos cinticos e trmicos.
45
Figura 7 Estgio do CSTR-CLULA
O modelo de HLAVCEK (1982) foi considerado nesta dissertao por ser simples,
composto de equaes diferenciais ordinrias, e representar a dinmica do processo.
2.3.3. Controle do HDT

Devido diversidade dos projetos, os sistemas de controle devem ser customizados para
cada caso, tornando-se mais complexos medida que diferentes objetivos so
requeridos, como: atendimento a necessidades econmicas, segurana operacional e
lucratividade. Atualmente existem sete unidades de hidrotratamento operando no Brasil.
O controle do processo de hidrotratamento, geralmente, configura-se sob as seguintes
dificuldades (CARNEIRO, 1992):
Na maioria dos casos, a medio da concentrao de sada do reator no
realizada devido demanda por elevados investimentos;
Em alguns casos, as variveis de sada apresentam resposta inversa aps
determinadas variaes nas entradas;
H um elevado tempo morto;
H uma correlao no-linear entre os processos cinticos e energticos;
E, existem parmetros fsico-qumicos que variam no espao e no tempo.
46
CUTLER e HAWKINGS (1987) apud ERICKSON e HEDRICK (1999, p. 324 327)

apresentaram uma interface de controle tpica de um reator de hidrotratamento com trs
leitos fixos. Neste trabalho, a alimentao de leo pr-aquecida pelo efluente do
segundo reator em uma srie de permutadores e, em seguida, enviado para o reator de
hidrotratamento. O gs de reciclo aquecido em um forno de queima de gs e misturado
com o fluido de alimentao antes de entrar no reator. O gs de quench frio injetado
entre cada leito para manter o controle da temperatura. Os efluentes do primeiro estgio
dos reatores vo diretamente para o segundo estgio dos reatores. O objetivo do
controlador foi manter a temperatura mdia ponderada dos leitos do reator de
hidrotratamento (weighted average bed temperature WABT) no set-point especificado
pelo operador, minimizando a utilizao de energia e assegurando os limites
operacionais das variveis. Nessa unidade, as variveis de controle foram WABT,
presso do header do combustvel e a posio das duas vlvulas do gs de quench. A
temperatura do gs de reciclo e a taxa de escoamento do fluido de alimentao foram
tratadas como distrbios. As variveis manipuladas foram a temperatura de alimentao,
a vazo do gs de reciclo, a temperatura de entrada no reator, a temperatura de entrada
no leito 2 e a temperatura de entrada no leito 3.
CARNEIRO (1992, p. 4) descreveu as unidades de HDT construdas pela
PETROBRAS, que so compostas por dois leitos fixos catalticos em srie constitudos
de dois reatores em srie. Os inmeros compostos presentes no leo de carga das
unidades reagem com hidrognio em reaes paralelas nos leitos fixos catalticos do
tipo gotejante. O hidrognio misturado ao leo em proporo muito maior que a
estequiomtrica. Por serem grandes e isolados, os reatores podem ser considerados
adiabticos. A temperatura ao longo dos leitos aumenta da entrada em direo sada
em operao estacionria, dependendo da extenso do progresso das reaes
exotrmicas de hidrognio. A temperatura mdia desejada de reao foi mantida em
cada leito, atravs de um sistema de controle. Assim, o perfil de temperaturas no 1 leito
foi controlado pela carga trmica liberada no forno e os perfis de temperatura no
segundo, terceiro e quarto leito foram controlados pelas vazes de gs frio, rico em
hidrognio, injetado entre cada leito. Este esquema proposto originalmente para os dois
reatores foi constitudo por quatro malhas simples e independentes de controle de
temperatura, cada uma agindo num leito.
47
MIYOSHI (2008) buscou a obteno de parmetros timos de controladores PI

(porporcional-integral) atravs de algoritmos genticos aplicados ao caso da sintonia
dos controladores de duas malhas de controle em cascata da mesma unidade de
hidrotratamento de diesel simulada no presente trabalho. Concluiu-se que os PIs
sintonizados via algoritmos genticos obtiveram um melhor desempenho determinstico
que os mtodos heursticos clssicos.
Estendendo-se o caso de controle da HDT para controles de unidades similares
presentes em refinarias de petrleo, apresentam-se alguns casos descritos na literatura.
LABABIDI, ALATIQI e ALI (2004) estudaram o desempenho de uma planta piloto de
hidrodessulfurizao do resduo de destilao atmosfrica e simularam condies
operacionais praticadas na operao da refinaria, com o objetivo de demonstrar
preliminarmente a aplicabilidade de estratgias de controle avanado na unidade de
dessulfurizao. As duas principais diferenas entre a planta piloto e a real foram: a
fonte de energia, que na planta piloto atravs de uma camisa de aquecimento eltrica,
e o objetivo de controle, que na planta real a maximizao dos lucros e na planta
piloto, assumindo o propsito experimental, manter o perfil de temperatura do reator,
de forma a alcanar a especificao do produto. O foco desse estudo foi a aplicao
CMPC (constrained model predictive control) e a avaliao grfica do seu desempenho
on-line e offline. As variveis manipuladas foram o set-point da presso do sistema e as
temperaturas das camisas do pr-aquecimento e dos dois leitos catalticos. As variveis
controladas foram presso do sistema e as temperaturas dos dois leitos catalticos.
LABABIDI, ALATIQI e ALI (2004) concluram que o CMPC foi projetado,
implantado e testado para uma planta piloto de hidrotratamento com sucesso, utilizando
carga, catalisador e condies operacionais semelhantes as da refinaria.
ANSARI e TAD (1998) apresentaram um modelo dinmico no-linear do processo de
craqueamento cataltico fluidizado para a anlise dinmica da planta e do sistema de
controle multivarivel no-linear. Neste trabalho, concluiu-se que o modelo do processo
desempenhou um papel vital na estratgia de controle, demonstrando que a preciso do
modelo muito importante para o sucesso dessa estratgia.
48
ANSARI e GHAZZAWI (2000) relataram as aplicaes de controle regulatrio

avanado e multivariado na refinaria de Riyadh, na Arbia Saudita. As malhas propostas
e implantadas na refinaria empregam funcionalidades de sistema de controle distribudo
como o Yokogawa Centrum CS. Estima-se que a refinaria de Riyadh auferir em
torno de dezenove milhes de dlares por ano com todas as aplicaes de controle
multivarivel, apresentando um payback de menos de um ano.
49
3. METODOLOGIA
Como um dos objetivos desse trabalho estudar o desempenho de diferentes estratgias
e sintonias de controladores na fase de projeto, almeja-se ao seu final poder decidir qual
o controlador para o caso estudado que demonstrou ser mais robusto, apresentando um
bom desempenho tanto para cenrios determinsticos quanto estocsticos.
Devido ao foco do estudo ser a comparao do desempenho de diversos controladores,
no se foi exaustivo na aplicao desses controladores em todas as malhas da unidade
de hidrotratamento. Neste trabalho, estudou-se uma das malhas de controle apresentada
em CARNEIRO (1992), o controle cascata do leito 1 do primeiro reator, que pode ser
visualizado no canto superior esquerdo do diagrama P&I da Figura 8. A malha mestre
controla a temperatura de sada deste leito atravs da manipulao do set-point que
requerido na malha escrava. A malha escrava, por sua vez, controla a temperatura de
entrada no leito 1 atravs da manipulao da vazo de combustvel que entra no forno.
Com a definio da malha de controle a ser estudada, simulou-se a dinmica em malha
aberta da malha mestre e escrava, objetivando analisar o esforo requerido pelo
controlador e a identificao dos modelos. O mtodo utilizado para identificar os
modelos foi o Mtodo dos Momentos apresentado por ORGUNNAIKE e RAY (1994).
Com isso, calcularam-se os parmetros de sintonia dos controladores de realimentao e
projetou-se o controlador preditivo.
A seguir, neste Captulo, so apresentados o modelo do HDT considerado na simulao,
as sintonias de controle de realimentao, o projeto do controle preditivo, os cenrios
simulados e os casos trabalhados no monitoramento e diagnstico do controle preditivo.
50
Figura 8 Diagrama PI da Unidade de Hidrotratamento de Diesel (DE SOUZA JR., CAMPOS e

TUNALA, 2006)
3.1. MODELAGEM DO HDT

O modelo selecionado para simular o processo de hidrotratamento foi o CSTRCLULA que detalhado a seguir.
O balano de massa para o componente A na fase lquida no estgio i pode ser
representado pela seguinte equao:
dCi
V
= {VZ (1 + K m )Ci 1 + VZ .K m .Ci +1} (2 K m + 1)VZ .Ci + K g .a.V Ci CiS
dt
)}
(3.1)
51
onde, Km a constante adimensional do fluxo reverso de massa; C e Cs so,

respectivamente, as concentraes mssicas da fase lquida e da fase cataltica (slida);
Vz a vazo volumtrica5; a porosidade interpartculas; V o volume total do
estgio; a a rea superficial externa das partculas slidas de catalisador por volume
total do estgio; e, Kg o coeficiente de transferncia de massa na superfcie cataltica.
Os termos da equao so descritos a seguir:
VZ (1 + K m )Ci 1 vazo mssica da corrente lquida que sai do estgio i-1 e entra no
estgio i;
VZ .K m .Ci +1 vazo mssica da corrente lquida que sai do estgio i+1 e entra no
estgio i;
K g .a.V Ci CiS
vazo mssica da corrente lquida que entra nos poros da
superfcie cataltica;
(2 K m + 1)VZ .Ci
vazo mssica da corrente lquida que sai do estgio i;
dCi
acmulo de massa na fase lquida do estgio i.
dt
O balano de massa para o componente A, na fase slida, do estgio i, pode ser

representado pela seguinte frmula:
E
dCiS
(R.Ti S )
V (1 )
= K g .a.V Ci CiS V (1 )k0 .CiS .e
dt
)}
(3.2)
onde, K0 a constante de Arrhenius; E a energia de ativao; e, Tis a temperatura da

fase cataltica (slida). Os termos da equao so descritos a seguir:
Conforme visto na Figura 7: g = VzKm (fluxo reverso)
52
(R.TiS )
V (1 )k0 .CiS .e
vazo mssica da reao (consumo de reagente);
dCi
V (1 ) S acmulo de massa na fase slida do estgio i.

dt
O balano de energia para o componente A, na fase lquida, do estgio i, pode ser

} {
dTei
.V . .CP .
= (2 K h + 1)VZ . .CP .Tei + VZ (1 + K h ) .CP .Tei 1 + VZ .K h . .CP .Tei +1 + U .a.V Tei S Tei
dt
(3.3)
onde, a massa especfica do lquido; Cp o calor especfico do lquido; Te e Ts so,
respectivamente, as temperaturas da fase lquida e do leito cataltico; Kh a constante
adimensional do fluxo reverso de calor; e, U o coeficiente global de transmisso de
calor entre a fase lquida e o catalisador, baseado na rea externa das partculas. Os
termos da equao so descritos a seguir:
{(2K
+ 1)VZ . .CP .Tei energia da fase lquida fornecida aos outros estgios;
VZ (1 + K h ) .CP .Tei 1 energia da fase lquida fornecida pelo estgio i-1;

VZ .K h . .CP .Tei +1 energia da fase lquida fornecida pelo estgio i+1;
U .a.V Tei Tei energia da fase lquida resultante da troca de calor com a fase
S
slida;
dTe
.V . .C P . i acmulo de energia na fase lquida do estgio i.

dt
E o balano de energia para o componente A, na fase slida, do estgio i, pode ser

)}
53
(R.Ti S )
= U .a.V Tei Tei S + ( H r )V (1 )k0 .CiS .e
dTei
S
V (1 ) S .CPS .
dt
)}
(3.4)
Onde, s a massa especfica do slido; Cps o calor especfico do slido; e (- H r )

o calor de reao. Os termos da equao so descritos a seguir:
{U .a.V (T
ei
Tei
)} energia da fase slida resultante da troca de calor com a fase
lquida;
E
(R.Ti S )
( H r )V (1 )k 0 .C iS .e
energia gerada pela reao;
dTe
V (1 ) S .C PS . iS
dt
acmulo de energia na fase slida do estgio i.
Na Tabela 3, so apresentados os valores dos parmetros do modelo da unidade de

hidrotratamento considerado nesta dissertao.
54
Tabela 3: Parmetros do modelo do HDT
(-Hr)
1,28 105 J.mol-1
k0
7,0 106 s-1
E/R
1,0 104 K-1.
Km
Kh
Ua
1,4 105 W. K-1. m-3
Kg a
5,6 s-1
CP
5,0 104 J. K-1. m-3
s CPs
1,25 106 J. K-1. m-3
rea superficial externa do slido por 1400 m-1

unidade de volume do leito a
Volume dos estgios no primeiro reator 0,5 m3
V
0,4
Quantidade de estgios CSTR-CLULA 12

no leito 1
rea transversal A
0,48 m2
Comprimento do primeiro leito L1
12,5 m
3.2. SINTONIA DE CONTROLE DE REALIMENTAO

Aplicou-se malha de controle j apresentada quatro mtodos de sintonia para
controladores P (proporcional), PI (proporcional e integral) e PID (proporcional,
55
integral e derivativo)6: Ziegler e Nichols (ZN), Cohen e Coon (CC), Integral do Erro
(IE) e Modelo Interno (internal model controller IMC). Com isso, foram testados dez
tipos de controladores de realimentao (P/PI/PID ZN; P/PI/PID CC; PI/PID IE;
PI/PID IMC).
Utilizou-se, na implantao do controle de realimentao, a funo de transferncia
clssica em paralelo:
1
Gc ( s ) = K 1 +
+ D s
Is
(3.5)
Os mtodos empregados para a definio dos parmetros de sintonia testados foram os

seguintes com suas devidas caractersticas:
Ziegler e Nichols (1942) os primeiros a propor uma metodologia objetiva e
simples para a sintonia de controladores PID. O critrio de desempenho
considerado nesse mtodo a razo de declnio igual a 0,25. Esse mtodo
aconselhado para processos com fator de incontrolabilidade (razo entre o tempo
morto e a constante de tempo) entre 0,3 e 0,5 (CAMPOS e TEIXEIRA, 2006);
Cohen e Coon (1953) definiram uma sintonia de controlador PID para
processos com tempos mortos mais elevados, com fator de incontrolabilidade
maior que 0,3. O critrio de desempenho abrangido neste mtodo tambm a
razo de declnio igual a 0,25 (COHEN e COON, 1953);
Mtodo da Integral do Erro este mtodo composto por dois trabalhos, LOPEZ
et al. (1967) o props para o caso regulatrio e ROVIRA, MURRIL e SMITH
(1969) para o caso servo. Neste mtodo o critrio de desempenho admitido a
integral de uma funo do erro entre a varivel e o set-point dentro de uma janela
de tempo (CAMPOS e TEIXEIRA, 2006). Existem duas possibilidades de
sintonia do controlador de realimentao pelo mtodo da integral do erro,
Para fim terico
56
variando-se a funo a ser integrada. O critrio considerado nesta dissertao foi

a integral do produto do tempo pelo valor absoluto do erro entre a varivel
controlada e o set-point em um horizonte de anlise
(t SP y(t ) )dt (ITAE);
Modelo Interno a estratgia de controle baseada num modelo interno e foi

desenvolvida na dcada de 80 por MORARI e ZAFIRIOU (1989). Nela, os
ajustes do controlador so diretamente relacionados aos parmetros do modelo
assumido.
As expresses para o clculo dos parmetros de sintonia pelos mtodos aplicados so
apresentadas no Apndice 2.
3.2.1. Controle Discreto

Visando avaliar o impacto da discretizao do controlador de realimentao no seu
desempenho determinstico e estocstico, discretizaram-se as equaes diferenciais do
controle de relimentao contnuo com base na seguinte equao:
1
u (t ) = K e(t ) +
I
e( )d + D
0
de(t )
dt
(3.6)
Para tempos de amostragem pequenos (T), pode-se substituir nessa equao o termo
diferencial por uma diferena entre passos subseqentes e o termo integral por uma
soma provinda de integraes retangulares. Sendo assim, tem-se a equao reescrita da
seguinte forma:
T
u (k ) = K e(k ) +
I
e(i 1) + T (e(k ) e(k 1))

k
i =0
(3.7)
Para tornar esse algoritmo de controle recursivo subtrai-se u(t) de u(t-1), obtendo-se o
algoritmo de controle do PID discreto:
u (k ) = u (k 1) + q0e(k ) + q1e(k 1) + q2e(k 2)
Onde:
(3.8)
57

q 0 = K 1 + D ;
T
q1 = K 1 + 2 D ;
T I
q2 = K
D
T
3.3. PROJETO DO CONTROLE PREDITIVO (GPC)

O GPC sem restries e ponderaes na funo de custo, conforme o considerado nesta
dissertao, apresenta como parmetro de sintonia o horizonte de predio (N), o
horizonte de controle (NU) e a trajetria (). Neste trabalho, manteve-se sempre N
maior que NU e o principal parmetro de sintonia o (trajetria de referncia).
Projetaram-se trs GPCs, tendo em vista que o modelo interno do controlador a funo
que descreve o processo e influencia em toda a deduo da estratgia de controle; e, a
trajetria de referncia determinante na agressividade das aes de controle
calculadas:
Caso 1 modelo interno que descreve bem os dados do processo (Model 1) com
trajetria cautelosa;
Caso 2 modelo interno piorado (Model 2) com trajetria cautelosa;
Caso 3 melhor modelo interno (Model 1) com trajetria mais agressiva.
Em relao trajetria de referncia, a funo considerada foi de 1 ordem, tendo
apenas que ajustar um parmetro: . Quanto maior for mais cautelosas so as aes, e
quanto menor mais bruscas. Se igual a zero, a trajetria constante e igual ao setpoint, conforme pode-se notar na equao a seguir:
w(t + 1) = y (t ) + (1 ) SP
Considerou-se igual a 0,8 para os Casos 1 e 2, e igual a 0,7 para o Caso 3.
(3.9)
58
3.4. CENRIOS SIMULADOS

Com todos os controladores projetados para serem aplicados no simulador do leito 1 da
unidade de hidrotratamento de diesel, definiu-se os cenrios a serem considerados para
a avaliao de seus desempenhos. Como o objetivo do trabalho avaliar tanto o
desempenho
determinstico
quanto
estocstico,
especificaram-se
cenrios
determinsticos servos e regulatrios, e estocsticos regulatrios.

Conforme j descrito, o cenrio determinstico pode ser caracterizado por degraus no
set-point ou nas variveis de perturbao do processo. O controle deve atingir o setpoint desejado que, no caso do degrau do set-point, alcanar esse degrau, e no caso do
degrau nas variveis de perturbao, traz-lo novamente para zero7.
J o cenrio estocstico pode ser descrito como distrbios de natureza aleatria,
impactando na variabilidade da varivel controlada. Caso o controlador no funcione
adequadamente na presena desses distrbios, essa variabilidade tende a aumentar. Se o
controle no reduz as variabilidades, a operao estar comprometida, devendo-se
operar mais afastado das restries.
3.4.1. Controle Determinstico Servo

Para avaliar-se o desempenho determinstico servo dos controladores, especificou-se
dois cenrios:
Degrau de 1% (em relao ao estado estacionrio da varivel controlada) no setpoint;
Degrau de -1% (em relao ao estado estacionrio da varivel controlada) no setpoint.
As respostas dos controladores a esses dois cenrios foram analisadas atravs de dois
ndices:
Considerando varivel-desvio.
59
ITAE para avaliar o desempenho determinstico, computando a integral do
produto entre o tempo e o erro absoluto entre a varivel controlada e o set-point;
Mdia quadrtica da variao da varivel manipulada (Su) para avaliar a
agressividade do controlador.
A mdia quadrtica da variao da varivel manipulada (Su) pode ser calculada atravs
da seguinte frmula:
Su =
1 n
u 2 (k )
n + 1 k =0
(3.10)
Para os casos contnuos, ou seja, controladores de realimentao (com exceo do

feedback discreto), o ITAE foi calculado atravs da integral. No entanto, para os casos
discretos, ou seja, de realimentao discretos e GPCs, o ITAE foi calculado atravs da
integrao retangular no respectivo tempo de amostragem.
J o Su teve que ser uniformizado para permitir a comparao entre todos os
controladores, pois, por exemplo, os controladores contnuos tenderiam a ter um Su
muito menor que os controladores discretos por considerarem um grau de avano no
tempo infinitesimal. Com isso, considerou-se um tempo de amostragem fictcio de 100s
para todos os controladores. Nos controles contnuos, consideraram-se apenas os
valores da varivel manipulada nos tempos mltiplos de 100s, e nos controladores
discretos com tempo de amostragem maior, a variao da varivel manipulada dentro do
tempo de amostragem do prprio controlador nula.
3.4.2. Controle Determinstico Regulatrio

Na avaliao do desempenho determinstico regulatrio, procede-se especificando
quatro cenrios, um par de perturbaes em cada varivel de entrada no processo
(concentrao e vazo). As perturbaes definidas so dois degraus opostos de 5% em
relao ao valor da respectiva varivel no estado estacionrio. O set-point foi mantido
igual a zero.
60
3.4.3. Controle Estocstico

Na avaliao do desempenho estocstico dos controladores, mantm-se todas as
variveis de perturbao constantes (concentrao e vazo), fixa-se o set-point em zero
e insere-se um distrbio estocstico na varivel controlada. Definiu-se a seguinte
equao de distrbio a ser introduzida na varivel controlada:
C (q 1 )e(t ) = e(t ) + 0,5e(t 1) + 0,25e(t 2)
(3.11)
Esse distrbio inserido considerando-se trs valores do erro, respectivamente,

conforme a equao (3.11):
O erro presente que dado por um valor randmico normal com mdia zero e
desvio-padro um;
O erro inserido em um tempo de amostragem passado;
E o erro inserido em dois tempos de amostragem passados.
No caso dos GPCs e PIDs discretos, considerou-se a insero dos distrbios conforme
os respectivos tempos de amostragem considerados na fase de desenvolvimento, e no
caso dos controladores PIDs analgicos, considerou-se um tempo de amostragem de
500s a fim de possibilitar uma melhor comparao.
Com isso, calcularam-se trs ndices para avaliar o desempenho estocstico dos
controladores:
ndice de desempenho normalizado (ANORM)8;
Desvio-padro da varivel controlada (Std(y));
Mdia quadrtica da variao da varivel manipulada (Su).
Apenas para os controles feedbacks
61
3.5. MONITORAMENTO E DIAGNSTICO DO CONTROLE PREDITIVO

Com o objetivo de testar o mtodo, apresentado no Tpico 2.2.3, de monitoramento e
diagnstico de desempenho de controlador baseado na funo de custo, integrou-se o
mdulo de monitoramento e diagnstico ao controle GPC com o melhor modelo interno
e trajetria mais agressiva (Caso 3).
Almeja-se simular situaes de queda de desempenho que possam ser diagnosticadas
conforme apresentado por CINAR, PALAZOGLU e KAYIHAN (2007), onde
monitora-se graficamente o ndice on-line do referencial histrico, e caso seu valor se
reduza, significa que houve uma queda no desempenho. Com isso, diagnostica-se esta
queda no desempenho atravs da monitorao do ndice de desempenho baseado no
modelo, que caso tambm tenha sido reduzido, assume-se como possveis causas as
causas do grupo II. Se no houve reduo no seu valor, considera-se as causas do grupo
I, que ainda podem ser discriminadas atravs da anlise dos valores da varivel
manipulada.
Portanto, pretende-se nesta dissertao analisar algumas situaes de queda de
desempenho. A funo de custo considerada para realizar os testes de monitoramento e
diagnstico similar quela presente na concepo do GPC, e o modelo interno
utilizado no clculo do ndice de desempenho baseado no modelo o mesmo aplicado
como modelo interno do GPC.
Objetiva-se analisar situaes geradas por causas distintas englobando os dois grupos j
discutidos. No entanto, devido a limitaes do modelo que est no mbito do caso
SISO, sero reproduzidos apenas quatro casos de diagnstico de causa: ampliao da
variabilidade da varivel controlada (grupo II), desajuste entre o modelo e a planta
(grupo II), saturao da varivel manipulada (grupo I) e alterao da sintonia do
controlador (grupo I). O caso referente ampliao dos distrbios medidos no pde ser
demonstrado devido ao modelo no considerar variveis de entrada do processo alm da
varivel manipulada.
62
4. RESULTADOS
Neste Captulo, inicialmente, apresenta-se a anlise da dinmica do processo em malha
aberta, buscando identificar quais cenrios demandariam maior esforo do controlador e
qual modelo melhor descreve os dados encontrados. Em seguida, de posse da funo de
transferncia identificada para descrever o processo SISO, exibe-se os parmetros de
cada controlador de realimentao sintonizado por diferentes mtodos. Na seqncia, os
modelos so discretizados a fim de incorpor-los no GPC para sua implantao. Enfim,
interpreta-se os ndices de desempenho obtidos, os grficos das dinmicas de controle
alcanados e os grficos das funes de custo encontrados para monitoramento e
diagnstico.
4.1. ANLISE DO PROCESSO EM MALHA ABERTA E IDENTIFICAO DE

MODELOS
Conforme j dito, o controle envolve uma malha em cascata composta por uma malha
mestre e uma escrava, ambas SISO. A malha escrava controla a temperatura de entrada
no leito 1, que no estado estacionrio assume o valor de 215 C (a temperatura de
entrada no forno no estado estacionrio igual a 180 C), manipulando a vazo de
combustvel, que no estado estacionrio 0,6 m/s. A malha mestre, por sua vez,
controla a temperatura de sada do leito 1, que no estado estacionrio igual a 236,3 C,
manipulando o set-point da malha escrava. As outras variveis de entrada no processo,
que assumem o papel de distrbio medido, tm os seguintes valores no estado
estacionrio: a vazo de carga ao longo do processo constante com valor igual a 0,1
m/s, e a concentrao de entrada no leito 1 igual 22 mol/m. A concentrao de sada
do leito 1, no estado estacionrio, igual a 13 mol/m.
A fim de analisar a dinmica da malha escrava, deu-se um degrau unitrio na vazo de
combustvel que entra no forno e obteve-se a curva que apresentada na Figura 9, onde
y representa, em varivel-desvio, a temperatura de entrada no leito 1, que considera-se
igual a temperatura de sada do forno.
63
Figura 9 Dinmica da temperatura de sada do forno em malha aberta para um degrau unitrio na vazo
de combustvel
Com isso, identificou-se a funo de transferncia que melhor descreveria esse

comportamento, encontrando-se o seguinte modelo de 1 ordem (linha contnua no
grfico da Figura 9), que, como se pode notar no grfico, representa relativamente bem
os valores simulados (valores discretos no grfico da Figura 9):
y
40
=
u 28s + 1
(4.1)
Sendo u a vazo de combustvel que entra no forno.

Na anlise da malha mestre aberta, simulou-se o comportamento da temperatura de
sada do leito 1 atravs de um degrau unitrio na temperatura de entrada do leito,
obtendo-se o grfico da Figura 10, onde y representa em varivel-desvio a temperatura
de sada do leito 1.
Conforme pode-se visualizar na Figura 10, identificou-se duas funes de transferncia
de 1 ordem com tempo morto para representar os dados simulados. Nitidamente, a
64
funo de transferncia representada no grfico como Model 1 e descrita pela seguinte

equao a que melhor se ajusta aos valores obtidos na simulao:
y
2,06 500 s
=
e
u 557 s + 1
(4.2)
Onde, u a temperatura de entrada no leito 1.

E a funo de transferncia correspondente ao Model 2 no grfico, que no obteve uma
adequada sobreposio dos dados, dada pela seguinte equao:
y
2,06 600 s
=
e
u 300 s + 1
(4.3)
Com isso, selecionou-se a funo de transferncia da equao (4.2) para representar o

comportamento da malha mestre e a funo de transferncia da equao (4.1) para
representar o comportamento da malha escrava.
Figura 10 Dinmica da temperatura de sada do leito 1 em malha aberta para um degrau unitrio na
temperatura de entrada desse leito
65
Avaliando a razo entre as constantes de tempo das malhas mestre e escrava, nota-se
que seu valor prximo de vinte, ou seja, a malha escrava responde vinte vezes mais
rpido que a malha mestre a perturbaes ou aes de controle. Portanto, assumiu-se
neste trabalho que a dinmica da malha escrava influencia pouco na dinmica da malha
mestre. Com isso, a fim de simplificar a simulao, considerando que o resultado
dinmico no afetado de forma relevante, estudou-se apenas a malha mestre.
Objetivando analisar o esforo requerido pelo controlador para manter a varivel
controlada no set-point requerido, simulou-se em malha aberta a resposta da
temperatura de sada do leito 1 a perturbaes nas variveis de entrada do processo.
Primeiramente, perturbou-se a temperatura de entrada do leito 1 com degraus de 1, 5 e
10% do seu valor no estado estacionrio, obtendo as curvas de resposta mostradas na
Figura 11. Nota-se que com o aumento na temperatura de entrada, a temperatura de
sada tambm ampliada devido reao ser exotrmica, ou seja, sua taxa de reao
aumenta com a elevao da temperatura.
kp = 2,11
kp = 2,22
kp = 2,09
Figura 11 Dinmica em malha aberta para perturbaes na temperatura de entrada do leito 1
Como se pode notar na Figura 11, conforme se varia a perturbao na temperatura de

entrada, o ganho e a constante de tempo do processo alteram-se, logo, h uma nolinearidade no processo que pode afetar o desempenho do controlador.
66
kp = 1,71
kp = 1,64
kp = 1,59
Figura 12 Dinmica em malha aberta para perturbaes na concentrao de entrada do leito 1
Na Figura 12, observa-se a resposta da temperatura de sada do leito 1 a perturbaes

degrau de 1, 5 e 10% na concentrao de entrada no leito. O aumento na concentrao
de entrada no leio provoca um aumento na temperatura de sada desse leito devido ao
aumento na taxa de reao, causado pelo acrscimo na concentrao de leo.
Como visto na perturbao da temperatura de entrada, o processo tambm apresenta
uma no-linearidade a perturbaes na concentrao de entrada, caracterizada pela
variao no ganho e na constante de tempo.
Em relao s perturbaes na vazo que podem ser visualizadas na Figura 13, observase o mesmo comportamento no-linear demonstrado para as outras perturbaes.
Entretanto, conforme aumenta-se a vazo, a temperatura de sada do reator reduzida.
Este fato pode ser explicado pela reduo no tempo de residncia dos insumos no meio
cataltico, que minora a quantidade de leo reagido.
67
kp = -234,31
kp = -247,08
kp = -258,50
Figura 13 Dinmica em malha aberta para perturbaes na vazo de entrada do leito 1
Vale ainda observar que, embora os degraus aplicados na concentrao e vazo de

entrada do leito 1 tenham valores absolutos com ordens de grandeza distintas, geram-se
valores finais da temperatura de sada do leito 1 opostos com ordens de grandeza
prximas.
4.2. OBTENO
DOS
PARMETROS
DOS
CONTROLADORES
DE
REALIMENTAO
Conforme definido, decidiu-se estudar apenas a malha mestre, que apresentada na
Figura 14 no diagrama de blocos construdo no Simulink/ Matlab 7.0. A malha
apresenta trs entradas no processo e quatro sadas. As trs entradas no leito 1 so,
respectivamente, de cima para baixo: a temperatura de entrada (varivel manipulada),
concentrao de entrada (perturbao medida) e a vazo de entrada (perturbao
medida). As quatro sadas do leito 1 so, respectivamente, de cima para baixo:
concentrao de sada da fase lquida, concentrao de sada da fase slida (ou
cataltica), temperatura de sada da fase lquida (varivel controlada) e temperatura de
sada da fase slida (ou cataltica).
O bloco nomeado de PID representa os controladores P, PI e PID sintonizados pelos
mtodos heursticos de Ziegler e Nichols e Cohen Coon, pelo mtodo do Modelo
Interno e pelo mtodo da Integral do Erro.
68
Figura 14 Malha de controle
4.2.1. Ziegler e Nichols

Considerando a funo de transferncia definida para a malha de controle estudada, com
ganho igual a 2,06 ( k p ), constante de tempo igual a 557s ( p ) e tempo morto de 500s
( t m ); calculou-se, na freqncia de cruzamento do Diagrama de Bode9, o ganho ltimo
(Ku = 1,1614C) e perodo ltimo (Pu = 157,83s) para a obteno da sintonia dos
controladores P, PI e PID pelo mtodo heurstico malha fechada de Ziegler e Nichols.
Os valores obtidos so apresentados na Tabela 4.
Os controladores PI e PID de ZN apresentaram instabilidade malha, logo, foram
descartados do trabalho. Vale notar que o fator de incontrolabilidade do processo em
questo de 0,9 e o mtodo de Ziegler & Nichols foi desenvolvido para fatores de
incontrolabilidade entre 0,3 e 0,5.
Utilizou-se a funo bode no MATLAB 7.0
69
Tabela 4: Valores dos parmetros de sintonia de Ziegler e Nichols
Termo
Termo integral (I)
proporcional (K)
Termo derivativo
(D)
0,58
_____
_____
PI
0,52
131,53
_____
PID
0,70
78,92
19,73
4.2.2. Cohen e Coon

Para o clculo dos parmetros de sintonia pelo mtodo heurstico de Cohen e Coon,
utilizou-se o mesmo modelo do processo apresentado. Na Tabela 5, pode-se observar os
valores de sintonia obtidos para os controladores P, PI e PID.
Tabela 5: Valores dos parmetros de sintonia de Cohen e Coon
Termo proporcional (K)
Termo integral (I)
Termo derivativo
(D)
0,72
_____
_____
PI
0,52
272,75
_____
PID
0,84
953,22
160,96
Apesar do mtodo de Cohen e Coon ter sido desenvolvido para fatores de

incontrolabilidade maiores que 0,3, o controlador PI de CC apresentou instabilidade
malha e tambm foi descartado do trabalho.
70
4.2.3. Integral do Erro

Calcularam-se os parmetros de sintonia para os controladores PI e PID, no caso servo e
regulatrio, pelo mtodo da Integral do Erro com base na funo de transferncia j
definida, obtendo-se os valores apresentados na Tabela 6.
Tabela 6: Valores dos parmetros de sintonia pelo Mtodo Integral do Erro
Termo proporcional
Termo integral
Termo
(K)
(I)
derivativo (D)
Servo
0,31
633,30
_____
Regulatrio
0,46
776,25
_____
Servo
0,51
841,48
157,49
Regulatrio
0,72
367,64
193,64
PI
PID
4.2.4. Modelo Interno

Considerando o mesmo modelo trabalhado at agora, obteve-se os parmetros de
sintonia pelo mtodo do IMC para os controladores PI e PID apresentados na Tabela 7.
Tabela 7: Valores dos parmetros de sintonia pelo IMC
Termo proporcional (K) Termo integral (I)
Termo derivativo (D)
PI
0,30
557
_____
PID
0,60
811
174,45
71
4.2.5. Controle Discreto

Escolharam-se as duas sintonias do controlador PI que no instabilizaram para serem
discretizadas. Selecionou-se o controlador PI por tomar aes mais suaves que o PID e
eliminar o offset, que o P no elimina.
Os valores obtidos para os parmetros q0, q1 e q2 dos controles PIs discreto,
considerando um tempo de amostragem de 500s, so apresentados na Tabela 8. O tempo
de amostragem foi calculado com base nas orientaes apresentadas por CLARKE,
MOHTADI e TUFFS (1987, p. 154, parte II) para a escolha do tempo de amostragem.
Onde, seu valor deve estar entre 1/10 e 1/4 do tempo de assentamento do processo10.
Portanto, o valor escolhido de 500s se configura entre o intervalo sugerido pelos
autores.
Tabela 8: Valores dos parmetros do controle de realimentao discreto
q0
q1
q2
Servo
0,31
-0,07
Regulatrio
0,46
-0,16
0,30
-0,03
PI/ IE
PI/IMC
4.3. IMPLEMENTAO DO CONTROLE PREDITIVO (GPC)

Com a definio da malha a ser considerada no estudo e com dois modelos identificados
para descrever seu comportamento, estes devem ser discretizados a fim de incorpor-los
como modelo interno do controlador preditivo.
10
Considerando o melhor modelo identificado e o tempo de assentamento igual ao tempo morto acrescido
de 5 vezes a constante de tempo, obtm-se o valor de 3285s. Logo, 1/10 e 1/4 desse valor correspondem,
respectivamente, a 328,5s e 821,25s.
72
Para o Model 111 da Figura 10 com tempo de amostragem de 500s12, obteve-se a
seguinte equao discreta:
y (t ) = 0,1023. y (t 1) + 1,8492.u (t 500)
(4.4)
Para o Model 213 da Figura 10 com tempo de amostragem de 300s14, obteve-se a

seguinte equao discreta:
y (t ) = 2,06.u (t 500)
(4.5)
Nas Figuras 15 e 16, pode-se visualizar, respectivamente, o ajustamento da

discretizao ao modelo contnuo do Model 1 e do Model 2.
Figura 15 Discretizao do Model 1
11
12
13
14
G p = [2,06 (557 s + 1)]e 500 s

Calculado com base na orientao de CLARKE, MOHTADI e TUFFS (1987, p. 154, parte II).
G p = [2,06 (600 s + 1)]e 300 s

Calculado com base na orientao de CLARKE, MOHTADI e TUFFS (1987, p. 154, parte II).
73
Figura 16 Discretizao do Model 2
Ento, pode-se concluir que a discretizao dos dois modelos representam bem os dados
contnuos, no sendo um fator que pudesse causar problemas ao controlador.
A funo objetivo considerada igual apresentada na equao (2.10) com igual a
zero. Os horizontes de predio (N) e controle (NU) foram mantidos respectivamente
iguais a 4 e 3 passos de amostragem para os Casos15 1 e 3; e iguais a 8 e 3 passos de
amostragem para o Caso 2. Estes valores devem ser ajustados conforme muda-se o
modelo interno.
4.4. COMPARAO DOS NDICES DE DESEMPENHO
Com todos os ndices de desempenho gerados para um horizonte de tempo de 18000s,
elaborou-se tabelas para realizar-se comparaes entre os projetos e estratgias de
controle e seus desempenhos determinstico (caso servo e regulatrio) e estocstico. Os
projetos e estratgias de controle comparados inicialmente so:
O Caso 3 do GPC (melhor modelo e trajetria mais agressiva) e os controladores
de realimentao contnuos;
15
Apresentados no Captulo de Metodologia
74
Os diferentes casos do GPC;
O Caso 3 do GPC e os controladores de realimentao discretos.
Aps a construo dessas tabelas e a anlise da relao entre variados projetos e

estratgias de controle, criou-se uma outra tabela com os ndices normalizados pelo de
menor valor (com exceo do ANORM), ou seja, todos os ndices so apresentados em
funo do quo maior eles esto do valor que se configurou como melhor entre eles. E,
com isso, pde-se observar o controlador que obteve a melhor regularidade nos ndices,
concebidos para prover: a avaliao dos desempenhos determinstico e estocstico; e, a
medio da intensidade de suas aes.
Nas Tabelas 9, 10 e 11, visualiza-se os ndices do controlador do Caso 3 do GPC e dos
controladores P, PI e PID contnuos sintonizados pelos mtodos de Ziegler e Nichols,
Cohen e Coon, IMC (internal model control) e Integral do Erro. A Tabela 9 apresenta
esses valores para o desempenho determinstico caso servo, a Tabela 10 o caso
regulatrio e a Tabela 11 para o desempenho estocstico.
Tabela 9: Comparao entre desempenho determinstico de controladores de realimentao e do GPC
para o caso servo
75
Tabela 10: Comparao entre desempenho determinstico de controladores de realimentao e do GPC

para o caso regulatrio
Conforme se pode observar nas Tabelas 9 e 10, a respeito do desempenho

determinstico, os controladores de realimentao com apenas ao proporcional
resultaram em um ITAE muito ruim e crescente medida que se aumentava a janela de
tempo, o que esperado devido ao offset. Em um patamar intermedirio, com ITAE
razovel, est o Caso 3 do GPC.
Os controladores PIs e PIDs obtiveram os melhores ITAEs. De modo geral os PIDs,
com exceo do PID/IE, responderam com ITAEs melhores que os PIs, como j se
esperava, pois o termo derivativo provoca aes antecipatrias, agindo na taxa de
mudana do erro, sendo o PID denominado tambm de controle antecipatrio. Em
contrapartida, os controles PIs geraram variaes menos intensas na varivel
manipulada, pois provem aes mais suaves que os PIDs.
Em relao ao desempenho estocstico, conforme se visualiza na Tabela 11, pde-se
notar que os controladores que incorreram num menor aumento fracional do erro
quadrtico mdio (soma da varincia do desvio do set-point com a mdia quadrtica do
desvio) pela no-implantao do MVC foi o P/ZN. O GPC foi o nico que obteve uma
reduo notvel na variabilidade da varivel controlada, que em malha aberta seria da
76
ordem de 1,7516, e alcanou aes suaves como reaes aos distrbios estocsticos;
configurando-se como o melhor controlador, com larga vantagem em comparao aos
outros. Vale ainda ressaltar, a intensa agressividade dos controladores PIDs quando
submetidos a esses distrbios.
Tabela 11: Comparao entre desempenho estocstico de controladores de realimentao e do GPC
Nas Tabelas 12, 13 e 14, observam-se os ndices referentes s aes de controle e aos
desempenhos determinstico e estocstico dos controladores preditivos do tipo GPC,
com variaes no modelo interno e na trajetria. Os casos do GPC j apresentados
anteriormente condizem nas tabelas, respectivamente, de cima para baixo com os Casos
3, 1 e 2.
16
Com base na equao (3.11) que apresenta o distrbio estocstico introduzido no modelo, onde o erro
considerado tem mdia zero e desvio-padro 1, obtm-se o desvio-padro da varivel controlada em

malha aberta atravs do componente do lado direito da igualdade, substituindo o erro pelo desvio-padro
do erro que 1.
77
A Tabela 12 apresenta o desempenho determinstico para o caso servo, a Tabela 13 o

desempenho determinstico para o caso regulatrio e a Tabela 14 o desempenho
estocstico.
Tabela 12: Comparao entre desempenho determinstico de controladores GPC para o caso servo
Tabela 13: Comparao entre desempenho determinstico de controladores GPC para o caso regulatrio
Conforme se pde analisar nas Tabelas 12 e 13, comparando o desempenho

determinstico dos controles preditivos do tipo GPC que apresentam o mesmo
parmetro para a definio da trajetria, o modelo menos alinhado com os dados do
simulador (T=300) gerou um ITAE melhor em metade dos casos, no entanto, provocou
sempre aes menos vagarosas. Alm disso, quando se reduz o parmetro , a trajetria
torna-se mais justa ao set-point e, portanto, melhora-se o ITAE do controlador, como
era de se esperar.
A respeito do desempenho estocstico das diferentes estratgias do controle preditivo,
conforme se pode visualizar na Tabela 14, o GPC com o modelo interno mais ajustado e
com a trajetria mais justa ao set-point apresentou uma maior reduo na variabilidade
da varivel controlada atravs de uma menor intensidade de aes de controle. Nota-se
78
que o GPC com o modelo interno mais desajustado demonstrou uma menor reduo na
variabilidade da varivel controlada, talvez devido suavidade de suas aes.
Tabela 14: Comparao entre desempenho estocstico de controladores GPC
Nas Tabelas 15, 16 e 17, examinam-se os ndices obtidos com a discretizao dos
controladores PIs sintonizados pelos Mtodos do Modelo Interno e Integral do Erro.
Tabela 15: Comparao entre desempenho determinstico de controladores de realimentao (contnuo e
discreto) e o GPC para o caso servo
79
Tabela 16: Comparao entre desempenho determinstico de controladores de realimentao (contnuo e

discreto) e o GPC para o caso regulatrio
Nota-se nas Tabelas 15 e 16, que de um modo geral, a discretizao dos controladores
PIs piorou seus desempenhos determinsticos quando comparados com as respectivas
formas contnuas, pois o ITAE e a variao das aes de controle aumentaram.
Tabela 17: Comparao entre desempenho estocstico de controladores de realimentao (contnuo e
discreto) e o GPC
Em relao ao desempenho estocstico, conforme se observa na Tabela 17, os controles

de realimentao discretos melhoraram o desempenho atravs das redues na
variabilidade da varivel controlada e na intensidade das aes de controle. J a respeito
do ndice de desempenho normalizado, pode-se considerar que no consideravelmente
impactado pela discretizao dos controladores de realimentao PIs.
80
Enfim, na Tabela 18, so avaliados os ndices normalizados (com exceo do ANORM)

pelos de menor valor, considerando todos os controladores simulados, ou seja, em cada
coluna h um controlador com o respectivo ndice igual a um que representa o ndice de
menor valor, e todos os outros so maiores que um. Formatou-se as clulas da tabela
conforme o distanciamento dos ndices em relao aos de menor valor: de verde so as
clulas que apresentam valores iguais a um, de amarelo so as clulas que apresentam
valores entre um e oito e de laranja so as clulas que apresentam valores maiores que
oito.
Tabela 18: Comparao entre todos os controladores
Como pode-se constatar na Tabela 18, o controlador preditivo do tipo GPC com o
parmetro igual a 0,7 e com o modelo interno que promove uma melhor
previsibilidade dos dados simulados foi o que apresentou uma melhor compensao
entre o desempenho determinstico e estocstico. Isso deve-se estratgia de controle
do GPC baseada num modelo interno para descrever o processo e numa trajetria de
referncia, concebendo aes de controle suaves que alcanam vagarosamente o setpoint desejado. Vale ainda enfatizar, que, generalizadamente, como tambm
81
mencionado anteriormente, os controladores penalizam um desempenho em detrimento

do outro.
82
4.5. DISCUSSO SOBRE O COMPORTAMENTO DAS MALHAS

Aps comparar o desempenho dos diferentes projetos e estratgias de controladores,
selecionou-se os grficos da varivel controlada e manipulada dos controladores que
apresentaram o melhor ndice para cada caso, inclusive o ndice que avalia a variao da
varivel manipulada.
Na Figura 17, apresenta-se as respostas dos controladores PID e PI sintonizados pelo
mtodo da Integral do Erro, que configuraram-se, respectivamente, como o melhor
ITAE e a menor variao da varivel manipulada para o caso servo.
(a)
(c)
(b)
(d)
Figura 17 (a) Comportamento da resposta servo a um degrau de 1% no set-point do controlador IEPID; (b) Comportamento da resposta servo a um degrau de 1% no set-point do controlador IE-PI; (c)
Comportamento da resposta servo a um degrau de -1% no set-point do controlador IE-PID; (d)
Comportamento da resposta servo a um degrau de -1% no set-point do controlador IE-PI
83
Na Figura 18, tem-se o comportamento da resposta para o caso servo da varivel

controlada e manipulada do melhor caso geral, que foi o Caso 3 do GPC. Nota-se que as
curvas de resposta da varivel controlada entre os trs casos, expostos nas Figuras 17 e
18, tm praticamente o mesmo comportamento, entretanto, no GPC, devido suavidade
de suas aes, ela mais esticada.
iniciao
(a)
(b)
Figura 18 (a) Comportamento da resposta servo a um degrau de 1% no set-point do controlador GPC
(T=500/=0,7); (b) Comportamento da resposta servo a um degrau de -1% no set-point do controlador
GPC (T=500/=0,7)
O controle preditivo necessita de um tempo de iniciao para obter os valores passados

requeridos para o clculo das aes de controle, que no caso em questo so de trs
tempos de amostragem. Devido a isso, o controle do processo se inicia apenas no tempo
1500s, As aes de controle do GPC, representadas no grfico da Figura 18,
84
caracterizam-se como pulsos retangulares, pois entre os tempos de amostragem existe

um hold na estratgia de controle que segura a ltima ao de controle.
O controlador que obteve o melhor ITAE no caso regulatrio para o distrbio na
concentrao foi o PID sintonizado pelo mtodo de Cohen e Coon, enquanto o que
obteve a menor variao nas aes de controle foi o controlador P sintonizado pelo
mtodo de Ziegler & Nichols. Na Figura 19, visualiza-se o comportamento das
respostas desses controladores.
(a)
(c)
(b)
(d)
Figura 19 (a) Comportamento da resposta regulatria do controlador CC-PID a uma perturbao

degrau de 5% na concentrao; (b) Comportamento da resposta regulatria do controlador ZN-P a uma
perturbao degrau de 5% na concentrao; (c) Comportamento da resposta regulatria do controlador
CC-PID a uma perturbao degrau de -5% na concentrao; (d) Comportamento da resposta regulatria
do controlador ZN-P a uma perturbao degrau de -5% na concentrao
85
Comparando-se os grficos da Figura 19 com os da Figura 20, que representa a

dinmica das variveis controlada e manipulada do Caso 3 do GPC para o mesmo caso
regulatrio, observa-se que as curvas dos casos do controle de realimentao so mais
oscilatrias, ocasionadas pelas aes mais enrgicas, diferentemente do controle
preditivo. Vale ressaltar, que o controlador P-ZN apresenta offset por s ter ao
proporcional.
iniciao
(a)
(b)
Figura 20 (a) Comportamento da resposta regulatria do controlador GPC (T=500/=0,7) a uma
perturbao degrau de 5% na concentrao; (b) Comportamento da resposta regulatria do controlador
GPC (T=500/=0,7) a uma perturbao degrau de -5% na concentrao
No caso regulatrio para o distrbio na vazo, os controladores que apresentaram

menores ITAE e variao da varivel manipulada foram, respectivamente, os mesmos
do caso anterior (distrbio na concentrao): PID sintonizado pelo mtodo de Cohen e
86
Coon e P sintonizado pelo mtodo de Ziegler e Nichols. Na Figura 21, observa-se o

comportamento das respostas desses controladores.
(a)
(c)
(b)
(d)
Figura 21 (a) Comportamento da resposta regulatria do controlador CC-PID a uma perturbao

degrau de 5% na vazo; (b) Comportamento da resposta regulatria do controlador ZN-P a uma
perturbao degrau de 5% na vazo; (c) Comportamento da resposta regulatria do controlador CC-PID a
uma perturbao degrau de -5% na vazo; (d) Comportamento da resposta regulatria do controlador ZNP a uma perturbao degrau de -5% na vazo
Analisando-se os grficos de resposta do GPC na Figura 22, referentes ao caso

regulatrio para distrbios na vazo, tem-se a mesma constatao assumida para o caso
regulatrio para distrbio na concentrao, no qual, apesar dos controladores de
realimentao apresentarem um desempenho melhor, estes oscilaram mais.
87
iniciao
(a)
(b)
Figura 22 (a) Comportamento da resposta regulatria do controlador GPC (T=500/=0,7) a uma
perturbao degrau de 5% na vazo; (b) Comportamento da resposta regulatria do controlador GPC
(T=500/=0,7) a uma perturbao degrau de 5% na vazo
Conforme se pode notar, para o desempenho determinstico, os controladores que

obtiveram os melhores ndices foram os feedbacks. Em contrapartida, os controladores
que demonstraram uma melhor reao aos distrbios estocsticos refletidos na
variabilidade da varivel controlada e na variao das aes de controle foram os
preditivos.
Na Figura 23, apresenta-se o controlador que obteve a maior reduo da variabilidade
da varivel controlada quando submetido a um distrbio estocstico. Na Figura 24,
observa-se o controlador que gerou aes menos intensas na varivel manipulada na
88
presena desses distrbios. Na Figura 25, a fim de comparao apresenta o terceiro caso
do controle preditivo.
Figura 23 Resposta do GPC Caso 3 a perturbao estocstica
Como pode-se notar no histograma (distribuio de freqncia) da Figura 23, referente

ao melhor caso geral de controle, a varivel controlada alcanou valores em torno do
set-point. Sua mdia, praticamente, o prprio set-point e, conforme se afasta da mdia,
a obteno desses valores torna-se bem reduzida.
Na Figura 24, referente ao caso do GPC com o pior modelo interno, inicialmente,
constata-se a maior quantidade de picos no primeiro grfico em comparao com o caso
anterior, o que refletido no histograma com uma disperso mais elevada e um maior
nmero de barras altas. A variabilidade da varivel controlada mais elevada reflexo
de incrementos menos intensos nas aes de controle, ocasionadas talvez pelo modelo
piorado.
A fim de comparar os trs casos do controle preditivo, so expostos na Figura 25 os
grficos do caso do GPC com o melhor modelo interno, o mesmo do caso da Figura 23,
e com uma trajetria mais cautelosa. Nota-se que a dinmica apresentada na Figura 25
similar da Figura 23, entretanto, devido trajetria mais agressiva do Caso 3 do GPC,
este consegue alcanar uma maior reduo na variabilidade da varivel controlada.
89
Finalmente, pode-se concluir que para o cenrio estudado os controladores de

realimentao demonstraram um desempenho determinstico melhor que os preditivos,
enquanto que os preditivos apresentaram um desempenho estocstico melhor que os
90
feedbacks. Alm disso, os controles PI e PID sintonizados pelo mtodo de Ziegler e

Nichols e o PI sintonizado pelo mtodo de Cohen e Coon apresentaram uma robustez
ruim devido instabilidade constatada.
4.6. RESULTADOS
DE
MONITORAMENTO
DIAGNSTICO
DO
CONTROLE PREDITIVO
A funo de custo considerada no clculo do custo alcanado pelo modelo a cada tempo
de amostragem a seguinte:
J ach
1 Pc
=
[y(k + j Pc) SP]T [y (k + j Pc) SP]
Pc j =1
(4.6)
onde y representa a varivel controlada obtida, SP o set-point e Pc o horizonte mvel de

clculo da funo de custo, que nesse caso foi considerado igual a 8000s, ou 16 tempos
de amostragem. O modelo considerado o que promove a melhor sobreposio dos
dados simulados, apresentado na equao (4.2) e denominado de Model 1. O distrbio
estocstico introduzido no modelo fenomenolgico e no modelo simplificado o
mesmo apresentado na equao (3.11) referente ao cenrio estocstico simulado.
Assumiu-se o tempo de 80 tempos de amostragem para inserir aes que reduziriam o
desempenho, conforme visto nos grficos a seguir. Nas Figuras 26, 27, 28 e 30, so
apresentadas, respectivamente, as seguintes situaes causadoras de queda no
desempenho: ampliao da variabilidade da varivel controlada, desajustamento entre o
modelo e a planta, saturao da varivel manipulada e alterao da sintonia do
controlador. Em todas as figuras, o primeiro grfico apresenta as funes de custo
calculadas para a obteno dos ndices de monitoramento (razo entre funo de custo
histrica e a alcanada) e diagnstico (razo entra a funo de custo aplicada ao modelo
e a alcanada). No segundo grfico, apresentado o ndice de referencial histrico
(monitoramento), e no terceiro grfico, o ndice de desempenho baseado no modelo
(diagnstico).
91
Tempo discreto (500 s)
Figura 26 Diagnstico da queda de desempenho do controlador gerada pela ampliao da variabilidade

da varivel controlada
Figura 27 Diagnstico da queda de desempenho do controlador gerada pelo desajuste entre o modelo e
a planta
92
Conforme visualiza-se na Figura 26, com a variabilidade da varivel controlada

ampliada cinco vezes (na planta), a funo de custo alcanada aumentada, enquanto as
outras permanecem no mesmo patamar. Consequentemente, o reflexo dessa constatao
nos ndices de monitoramento e diagnstico so suas redues. Logo, esse
comportamento condiz com o esperado de causas pertencentes ao grupo II, que o caso
da ampliao de distrbios no medidos.
Na Figura 27, os parmetros do modelo do controlador (a e b) foram multiplicados por
vinte a partir do tempo de amostragem 80, acarretando num aumento da funo de custo
alcanada. A funo de custo aplicada ao modelo permanece no mesmo patamar, pois
da mesma forma que o modelo interno do controlador foi alterado, o modelo da planta
tambm foi.
Como a causa de queda de desempenho de controle referente ao desajuste entre o
modelo do controlador e a planta pertence ao grupo II, os ndices de monitoramento e
diagnstico, conforme visualiza-se na Figura 27, decaram como esperado.
J na Figura 28, onde aplica-se uma restrio na varivel manipulada, limitando-a a um
limite inferior de 236,1C (planta e modelo), tanto a funo de custo alcanada quanto a
aplicada ao modelo apresentaram uma elevao, refletindo no decaimento do ndice de
monitoramento e na manuteno do ndice de diagnstico. Esta constatao est de
acordo com as causas pertencentes ao grupo I, conforme o esperado.
Dentro do grupo I, essa causa pode ser diagnosticada atravs da visualizao das aes
de controle na Figura 29, onde a partir do tempo de amostragem 80 a varivel
manipulada no ultrapassa em varivel-desvio o valor de -0,2 (restrio).
Na Figura 30, a sintonia do controlador alterada, variando o horizonte de predio de
quatro para cinqenta. Observa-se que os ndices apresentaram o mesmo
comportamento da situao anterior, devido a esse tipo de causa de queda no
desempenho tambm pertencer ao grupo I, onde a mesma alterao afeta o modelo
interno do controlador e o modelo da planta. Com isso, essa causa no precisa ser
diagnosticada, pois j se sabe previamente da alterao dos parmetros do controlador e,
portanto, o motivo da reduo do desempenho.
93
u (C)
Figura 28 Diagnstico da queda de desempenho do controlador gerada pela saturao da varivel

manipulada
Figura 29 Saturao da varivel manipulada
94
Figura 30 Diagnstico da queda de desempenho do controlador gerada pela alterao na sintonia do

controlador
Vale ressaltar, que as situaes aplicadas neste estudo foram exacerbadas para fins
tericos, de forma a ampliar a diferenas no grfico, possibilitando a constatao visual
do que era esperado para cada caso.
95
5. CONCLUSES E TRABALHOS FUTUROS

Essa dissertao apresentou tcnicas de avaliao, monitoramento e diagnstico de
desempenho de controladores, segregando esse desempenho em determinstico e
estocstico. Para analisar a aplicabilidade dos mtodos de avaliao, aplicou-se
diferentes estratgias e projetos de controle a um simulador fenomenolgico de um
reator de hidrotratamento de diesel. Na anlise do monitoramento e diagnstico,
simulou-se cenrios de queda de desempenho para o controle preditivo do reator.
A simulao de unidades de processo configura-se como uma importante etapa na
obteno de informao para decidir com embasamento qual estratgia e projeto de
controle mais vantajosa. Observou-se nesta parte da dissertao que a avaliao do
desempenho determinstico (ITAE e Su) e estocstico (ANORM para o caso do controle
de realimentao, desvio-padro e Su) apontaram o GPC como o controlador que
melhor contrabalanceou os dois desempenhos, para o caso SISO estudado.
Todos os controladores PIs e PIDs contnuos obtiveram um ITAE menor que o do GPC
Caso 3, configurando no geral um desempenho determinstico melhor. O GPC Caso 3
apresentou uma razo mdia entre o seu ITAE e o melhor ITAE obtido entre todos os
controladores na ordem de 6 vezes maior, enquanto os PIs e PIDs variaram entre 1,1
(PID-CC) e 2,7 (PID-IE). Entretanto, o GPC Caso 3 reduziu a variabilidade da varivel
controlada em 41%, requerendo um esforo na ao de controle (Su) 88% menor que o
menor esforo requerido entre os controladores de realimentao contnuos, que
alcanou uma reduo na variabilidade de 16% (PI-IMC). A maior reduo da
variabilidade da varivel controlada alcanada entre os controles de realimentao
contnuos foi de 38% (PID-IMC), que exigiu um esforo de controle 550 vezes maior
que o do GPC Caso 3.
Com isso, pode-se concluir que em uma planta, que possa ser representada por um
modelo de primeira ordem com tempo morto, se houver poucos distrbios que
influenciam na variabilidade da varivel controlada, tender-se-ia a implantar controles
de realimentao. No entanto, se houver distrbios aleatrios que influenciam na
variabilidade da varivel controlada, seria mais prudente tentar implantar um controle
preditivo, como o GPC.
96
Com o controle j implantado na planta pode-se avaliar o desempenho esperado caso

uma determinada alterao seja introduzida no sistema. Nessa etapa, configura-se outra
necessidade indispensvel para a maximizao dos retornos, o monitoramento e
diagnstico da perda de desempenho, que neste trabalho foi abrangido atravs de
simulaes de situaes geradoras de desempenho ruim.
Reproduziram-se, nesta dissertao, os resultados esperados com a aplicao do mtodo
de monitoramento e diagnstico em cenrios de perda de desempenho do GPC, onde
foram diagnosticados quatro tipos de causas de queda de desempenho: ampliao dos
distrbios na varivel controlada, desajuste entre o controlador e a planta, saturao das
aes de controle e alterao da sintonia do controlador. Contudo, houve a necessidade
de simular cenrios representando situaes extremas a fim de ressaltar graficamente o
resultado.
Sugere-se como trabalhos futuros:
Implementao de sistemas especialistas ou baseados em redes neuronais que
possibilitem
monitorar
automaticamente
desempenho,
alarmando,
diagnosticando e propondo solues quando o desempenho prejudicado;

Ampliao da anlise para casos reais e referentes ao processo completo de
hidrotratamento;
Estudo das tcnicas de avaliao, monitoramento e diagnstico em contexto
multivarivel;
Anlise do efeito de outros parmetros de sintonia do GPC (horizontes e
parmetros da funo objetivo) no seu desempenho.

Por fim, espera-se que com a conscientizao ambiental, com o desenvolvimento da
rea de segurana industrial e com a evoluo da capacidade intelectual humana cada
vez mais existam tecnologias que possibilitem a correo, a preveno e,
principalmente, a predio de falhas, permitindo ao homem dedicar seu trabalho a
atividades mais nobres, como a otimizao.
97
6. REFERNCIAS
1. ANCHEYTA, J.; SPEIGHT, J. G. Hydroprocessing of heavy oils and resdua.
Estados Unidos: CRC Press, 2007. 344 p.
2. ANSARI, R. M.; GHAZZAWI, A. A. Multivariable control on Riyadh refinery
processes: applications and benefits. Saudi Aramco Journal of Technology, p. 12
19, Vero 2000.
3. _______; TAD, M. O. Shortcut approach to modeling and simulation of
catalytic reforming process. Saudi Aramco Journal of Technology, p. 13 18,
Primavera 1998.
4. STRM, K. J. Introduction to stochastic control theory. Estados Unidos:
Academic Press New York and London, 1970. 300 p.
5. _______; HGGLUND, T. Revisiting the Ziegler-Nichols step response method
for PID control. Journal of Process Control, v. 14, p. 635 650, 2004.
6. AUTOMATION RESEARCH CORPORATION. Real time process optimization
and training worldwide outlook, 2000 apud SOTOMAYOR, Oscar A. Z.;
ODLOAK, Darci. Performance Assessment of Model Predictive Control System.
In: INTERNACIONAL SYMPOSIUM ON ADVANCED CONTROL OF
CHEMICAL PROCESSES, Gramado: ADCHEM, 2006. p. 875 879.
7. BURGHARDT, A.; KOLODZIEJ, A. S.; JAROSZYNSKI, M. Experimental
studies of liquid-solid wetting efficiency in trickle-bed cocurrent reactors.
Chemical Engineering Process., v. 28, p. 35 49, 1990.
8. _______; et al. Hydrodynamics and mass transfer in a three-phase fixed-bed
reactor with cocurrent gas-liquid downflow. The Chemical Engineering Journal,
v. 58, p. 83 99, 1995
9. CAMACHO, E. F.; BORDONS, C. Model predictive control. Gr-Bretanha:
Springer, 1999. 280 p.
98
10. CAMPOS, M. C. M. M.; TEIXEIRA, H. C. G. Controles tpicos de equipamentos

e processos industriais. Brasil: Edgard Blcher, 2006. 396 p.
11. CARNEIRO, H. P. Controle robusto de reator qumico de leito fixo. 1992. 142 p.
Dissertao (Mestrado em Engenharia Qumica) Coordenao dos Programas de
Ps-Graduao de Engenharia (COPPE), Universidade Federal do Rio de Janeiro,
Rio de Janeiro.
12. CANNEY, W. M. The future of advanced process control promises more
benefits and sustained value. Oil & Gas Journal, 21 de abril de 2003.
13. _______. Are you getting the full benefits from your advanced process control
system? Myths about automation programs prevent companies from
unleashing their full profit potential. Hydrocarbon Processing, Special Report, p.
55 58, jun. 2005.
14. CINAR, A.; PALAZOGLU, A.; KAYIHAN, F.; Chemical process performance
evaluation. Estados Unidos: CRC Press, 2007. Cap. 9, p. 231 249.
15. CLARKE, D. W. Application of generalized predictive control to industrial
processes. IEEE Control Systems Magazine, p. 49 55, abr. 1988.
16. _______; MOHTADI, C.; TUFFS, P. S. Generalized predicitive control part I:
the basic algorithm. Automatica, v.23, n. 2, p. 137 148, ago. 1987.
17. _____________________. Generalized predictive control part II: extensions
and interpretations. Automatica, v.23, n. 2, p. 137 148, 1987.
18. COHEN, G. H.; COON, G. A. Theoretical Consideration of Retarded Control.
Transactions ASME, v. 75, p. 827 834, jul. 1953.
19. CUTLER, C. R.; HAWKINS, R. B. Constrained multivariable control of a
hydrotreator reactor. In: PROCEEDINGS OF THE 1987 AMERICAN
CONTROL CONFERENCE, Minneapolis: American Automatic Control Council,
Green Valley, v. 2, 1987, p. 1014 1020 apud ERICKSON, K. T.; HEDRICK, J. L.
Plantwide process control. Estados Unidos: Wiley, 1999. Cap. 7, p. 268 328.
99
20. _______; RAMAKER, B. L. Dynamic matrix control a computer control

algorithm. JACC, So Francisco, 1980 apud CLARKE, D. W.; MOHTADI, C.;
TUFFS, P. S. Generalized predicitive control part I: the basic algorithm.
Automatica, v.23, n. 2, p. 137 148, ago. 1987.
21. DESBOROUGH, L.; HARRIS, T. J. Performance assessment measures for
univariate feedback control. The Canadian Journal of Chemical Engineering, v.
70, p. 1186 1196, dez. 1992.
22. DE SOUZA JR., M. B. Controle preditivo de longo alcance: uma investigao.
1989. 173 p. Dissertao (Mestrado em Engenharia Qumica) Coordenao dos
Programas de Ps-Graduao de Engenharia (COPPE), Universidade Federal do Rio
de Janeiro, Rio de Janeiro.
23. _______; CAMPOS, M. C. M. M.; TUNALA, L. F. Monitoring of diesel
hydrotreating unit by dynamic principal component analysis. PROCEEDINGS
OF
THE
2006
ANIPLA
INTERNATIONAL
CONGRESS
ON
METHODOLOGIES FOR EMERGING TECHNOLOGIES IN AUTOMATION,

2006.
24. EMERSON NEWS. Informativo da Emerson Process Management Brasil. n.
12, 2002 apud KEMPF, A. O. Avaliao de desempenho de malhas de controle.
2003. 165 p. Dissertao (Mestrado em Engenharia Qumica) Programa de PsGraduao em Engenharia Qumica, Universidade Federal do Rio Grande do Sul,
Porto Alegre.
25. ERICKSON, K. T.; HEDRICK, J. L. Plantwide process control. Estados Unidos:
Wiley, 1999. Cap. 7, p. 268 328.
26. EXPERTUNE. PID tuning, analysis & simulation PID Tuner Demo. Estados
Unidos, 2007.
27. FARENZENA, M. Novel methodologies for assessment and diagnostics in
control loop management. 2008. 150 p. Dissertao (Doutorado em Engenharia
100
Qumica) Programa de Ps-Graduao em Engenharia Qumica, Universidade

Federal do Rio Grande do Sul, Rio Grande do Sul.
28. FROISY, J. B. Model predicitive control building a bridge between theory and
practice. Computer and Chemical Engineering, v. 30, p. 1426 1435, 2006.
29. FROMENT, G. F.; BISCHOFF, K. B. Chemical reactor analysis and design. 2
Edio, Estados Unidos: Wiley, 1990, p. 664.
30. GARCIA, C. E.; PRETT, D. M.; MORARI, M. Model predictive control: theory
and practice a survey. Automatica, v. 25, n. 3, p. 335 348, 1989.
31. GARY, J. H.; HANDWERK, G., E. Petroleum refining technology and
economics. 4 Edio, Estados Unidos: Marcel Dekker, 2001. Cap. 9, p. 175 187.
32. GITMAN, L. J. Princpios da administrao financeira. 10 Edio, So Paulo:
Pearson, 2004. Cap. 9, p. 336 361.
33. GUSTAFSSON, F.; GRAEBES, S. F. Closed-loop performance monitoring in
the presence of system changes and disturbances. Automatica, v. 34, p. 1311
1326, 1998.
34. HARRIS, T. J. Assessement of control loop performance. The Canadian Journal
of Chemical Engineering, v. 67, p. 856 860, out. 1989.
35. _______; BOUDREAU, F.; MACGREGOR, J. F. Performance assessment of
multivariable feedback controllers. Automatica, v. 32, n. 11, p. 1505 1518,
1996.
36. HLAVCEK, V. Fixed bed reactors, flow and chemical reaction. Alemanha:
Verlag Chemic, 1982. p. 103 111.
37. HUGO, A. Performance assessment of DMC controllers. In: PROCEEDINGS
OF AMERICAN CONTROL CONFERENCE, San Diego, 1999.
101
38. ILIUTA, I. et al. Gas-liquid interfacial mass transfer in trickle-bed reactors:

state-of-the-art correlations. Chemical Engineering Science, v. 54, p. 5633 5645,
1999.
39. JELALI, M. An overview of control performance assessment technology and
industrial applications. Control Engineering Practice, v. 14, p. 441 466, 2006.
40. KEMPF, A. O. Avaliao de desempenho de malhas de controle. 2003. 165 p.
Dissertao (Mestrado em Engenharia Qumica) Programa de Ps-Graduao em
Engenharia Qumica, Universidade Federal do Rio Grande do Sul, Porto Alegre.
41. KUERA, V. Diophantine equations in control a survey. Automatica, v. 29, n.
6, p. 1361 1375, 1993.
42. LABABIDI, H. M. S.; ALATIQI, I. M.; ALI, Y. I. Constrained model predictive
control for a pilot hydrotreating plant. Chemical Engineering Research and
Design, v. 82 (A10), p. 1293 1304, 2004.
43. LEFFLER, W. L. Petroleum refining in nontechical language. 3 Edio, Estados
Unidos: PennWell, 2000. Cap. 15, p. 173 181.
44. LELIVELD, R.G.; EIJSBOUTS, S.E. How a 70-year-old catalytic refinery
process is still ever dependent on innovation. Catalysis Today, v. 130, p. 183
189, 2008.
45. LOPEZ, A. M. et al. Tuning controllers with error-integral criteria.
Instrumentation Technology, v. 14, p. 57 62, 1967 apud CAMPOS, M. C. M. M.;
TEIXEIRA, H. C. G. Controles tpicos de equipamentos e processos industriais.
Brasil: Edgard Blcher, 2006. 396 p.
46. LOQUASTO, F.; SEBORG, D. E. Model predictive controller monitoring based
on pattern classification and PCA. In: PROCEEDINGS OF THE AMERICAN
CONTROL CONFERENCE, Colorado, jun. 2003.
47. MEYERS, R. A. Handbook of petroleum refining processes. 3 Edio, Estados
Unidos: McGraw-Hill, 2004. Cap. 8.1, p. 8.3 8.24.
102
48. MITCHELL, W.; SHOOK, D. Industrial application of multivariable controller

analysis and monitoring techniques. Canad: Matrikon Inc. 2005. 23 p.
49. MIYOSHI, S. C. Sintonia tima de controladores feedback atravs de
algoritmos genticos: aplicao a uma unidade de hidrotratamento de diesel.
2008. 50 p. Monografia (Projeto de Final de Curso em Engenharia Qumica)
Escola de Qumica, Universidade Federal do Rio de Janeiro, Rio de Janeiro.
50. _______; ZAFIRIOU, E. Robust process control. Estados Unidos: Prentice Hall,
1989. 488 p.
51. MUSKE, K.; RAWLINGS, J. Model predictive control with linear models.
AICHE Journal, v. 39, p. 262 287, 1993 apud CAMACHO, E. F.; BORDONS, C.
Model predictive control. Gr-Bretanha: Springer, 1999. 280.
52. ORGUNNAIKE, B. A.; RAY, W. H. Process dynamics, modeling and control.
Estados Unidos: Oxford Press, 1994. 1302 p.
53. PATWARDHAN, R.S.; SHAH, S.L. Issues in performance diagnosis of modelbased controllers. Journal of Process Control, v. 12, p. 413 427, 2002.
54. QIANG, Z.; SHAOYUAN L. Performance monitoring and diagnosis of
multivariable model predictive control using statistical analysis, Chinese Journal
Chemical Engineering, v. 14(2), p. 207 215, 2006.
55. QIN, S. J. Control performance monitoring a review and assessment.
Computers & Chemical Engineering, v. 23, p. 173 186, 1998.
56. _______; BADGWELL, T. A. A survey of industrial model predictive control
technology. Control Engineering Practice, vol. 11, p. 733 764, 2003.
57. RESOLUO CONAMA. Dispe sobre a nova etapa do Programa de Controle
de Emisses veiculares PROCONVE. n 315, de 29 de outubro de 2002.
Publicada no DOU n 224, de 20 de novembro de 2002, Seo 1, pginas 90-92.
103
58. RESOLUO CONAMA. Define critrios de seleo de reas para recebimento

do leo Diesel com o Menor Teor de Enxofre-DMTE, e d outras providncias.
n 373, de 9 de maio de 2006 Publicada no DOU n 88 , de 10 de maio de 2006,
Seo 1, pgina 102.
59. RICHALET, J. Industrial applications of model based predictive control.
Automatica, v. 29, n. 5, p. 1251 1274, 1993.
60. _______; et al. Model predictive heuristic control: applications to industrial
processes. Automatica, v. 14, p. 413 428, 1978.
61. ROVIRA, A. A.; MURRIL, P. W.; SMITH, C. L. Tuning controllers for setpoint
changes. Instruments and Control Systems, v. 42, p. 67 69, 1969 apud CAMPOS,
M. C. M. M.; TEIXEIRA, H. C. G. Controles tpicos de equipamentos e
processos industriais. Brasil: Edgard Blcher, 2006. 396 p.
62. SCHFER, J., CINAR, A. Multivariable MPC system performance assessment,
monitoring and diagnosis. Journal of Process Control, v. 14, p. 113 129, 2004.
63. SEBORG, D. E. A perspective on advanced strategies for process control
(revised). Advanced Process Control, p. 103 134, 1999.
64. _______; EDGAR, T. F.; MELLICHAMP, D. A. Process dynamic and control.
Estados Unidos: Wiley, 2 Edio, 2004. 713 p.
65. SILVA, L. A. et al. Avaliao de desempenho, diagnstico e ajuste de malhas de
controle de temperatura, presso, vazo e nvel. In: 5 CONGRESSO
INTERNACIONAL DE AUTOMAO, SISTEMAS E INSTRUMENTAO
ISA SHOW, So Paulo, 2005.
66. SILVY, R.P. Future trends in the refining catalyst market. Applied Catalysis
A: General, v. 261, p. 247 252, 2004.
67. SOTOMAYOR, O. A. Z.; ODLOAK, D. Performance Assessment of Model
Predictive
Control
System.
In:
INTERNACIONAL
SYMPOSIUM
ON
104
ADVANCED CONTROL OF CHEMICAL PROCESSES, Gramado: ADCHEM,

2006. p. 875 879.
68. TSAMATSOULIS, D.; PAPAYANNAKOS, N. Simulation of non-ideal flow in a
trickle bed hydrotreater by the cross-flow model. Chemical Engineering Science,
v. 50, n. 23, p. 3685 3691, 1995.
69. TORRES, B. S.; HORI, E. S. Anlise de desempenho de malhas de controle em
indstrias petroqumicas. In: 4 SEMINRIO NACIONAL DE CONTROLE E
AUTOMAO (SNCA), Salvador, jul. 2005.
70. UDUEHI, D.; ORDYS, A.; GRIMBLE, M.; A Generalized predictive control
benchmark index for SISO systems. In: PROCEEDINGS OF THE 41ST IEEE
CONFERENCE ON DECISION AND CONTROL, Las Vegas: IEEE, 2002. p.
1796 1801.
71. WHITE, D. C. The economics of advanced automation. Emerson Process
Management, 2003.
72. ZIEGLER, J. G.; NICHOLS, N. B. Optimum Settings for Automatic Controllers.
Transactions ASME, v. 64, p.759-768, nov. 1942.
SITES ACESSADOS
PLANT TRIAGE MANUAL EXPERTTUNE: www.expertune.com Acessado dia
29 de agosto de 2008. Disponvel em: http://www.expertune.com/customersuccess.html.
FUNDAO ESTADUAL DE ENGENHARIA DO MEIO AMBIENTE (FEEMA):
www.feema.rj.gov.br Acessado dia 18 de setembro de 2008. Disponvel em:
http://www.feema.rj.gov.br/proconve-promot.asp?cat=65&subcat=70.
JORNAL O GLOBO, PAINEL ECONMICO: www.oglobo.com Acessado dia 03 de
agosto de 2008. Disponvel em:
http://oglobo.globo.com/economia/miriam/post.asp?t=e_um_lixo_so&cod_Post=11747
5&a=496.
105
REVISTA DO TRIBUNAL DE CONTAS DO ESTADO DE MINAS GERAIS: Edio

N 1 de 2002 Ano XX. Acessado dia 19 de setembro de 2008. Disponvel em:
http://200.198.41.151:8081/tribunal_contas/2002/01/-sumario?next=3.
SISTEMA NACIONAL DO MEIO AMBIENTE (SISNAMA): www.mma.gov.br
Acessado dia 18 de setembro de 2008.
UNITED
STATE
ENVIRONMENTAL
PROTECTION
AGENCY
(EPA):
www.epa.gov Acessado dia 03 de setembro de 2008.

WIKIPDIA: www.wikipedia.org Acessado dia 23 de setembro de 2008. Disponvel
em: http://pt.wikipedia.org/wiki/Diophantus.
106
7. APNDICE
1:
RESOLUO
DA
EQUAO
DE
DIOPHANTINE
Segundo KEMPF (2003, p. 16), o termo Diophantine provm do aritmtico
Diophantus de Alexandria, que conforme exposto na enciclopdia on-line WIKIPEDIA,
desconhecida a sua data de nascimento precisa, no entanto, possvel marcar limites
temporais que permitam situar a vida deste autor entre o sculo II a.C. e o princpio do
sculo IV da nossa era.
KUERA (1993, p. 1361) ressaltou, como uma das caractersticas da teoria de controle
moderna, o crescimento da presena da lgebra. Mdulos polinomiais foram obtidos
como teis descries da dinmica e estrutura de sistemas lineares. A funo de
transferncia do sistema considerada como um elemento do campo das fraes
associado a uma aliana, que com base na sua condio de divisibilidade, aplica-se a
equao de Diophantine a luz dos resultados desejados para o sistema de controle.
Portanto, a equao de Diophantine um artifcio matemtico que possibilita inverter o
modelo do processo, calculando-se os valores futuros da varivel de entrada do processo
em funo de valores desejados da varivel de sada e dos valores passados dessas
variveis.
Neste Apndice, apresenta-se a soluo geral da equao de Diophantine e um exemplo
de sua aplicao em um modelo de 1 ordem.
Conforme apresentado na dissertao, resolve-se a seguinte equao como uma equao
de Diophantine:
C (q 1 ) = E (q 1 ) A(q 1 ) + q d * F (q 1 )
(A1.1)
Onde os componentes E e F podem ser descritos como:
E j = e j ,0 + e j ,1 q 1 + ... + e j , j 1 q ( j 1)
F j = f j ,0 + f j ,1 q 1 + ... + f j , m q m
(A1.2)
(A1.3)
107
Assumindo-se A(q-1) = ; e, a seguinte condio inicial:
E1 = 1
(A1.4)
F1 = q (1 )
(A1.5)
Obtm-se a soluo geral para o clculo recursivo dos elementos E, F e G da equao de

Diophantine com base nas seguintes equaes:
E j +1 = E j + e j +1, j q j e j +1, j = f j , 0
(A1.6)
f j +1,i = f j ,i +1 f j , 0 .i +1
(A1.7)
G j +1 = G j + f j , 0 .q j .B(q 1 )
(A1.8)
Aplicando a soluo apresentada a um determinado modelo discreto do processo,

conforme exposto a seguir, e considerando um horizonte de predio igual a trs (limite
de j), os polinmios E, F e G tero respectivamente graus dois (j-1), um (m) 17 e trs (j1+n) 18:
(1 0,8) y (t ) = (0,4 + 0,6)u (t 1) +
e(t )
(A1.9)
Inicialmente, calcula-se e as condies iniciais de E e F:

(q 1 ) = A(q 1 )(1 q 1 ) = 1 1,8q 1 + 0,8q 2
(A1.10)
E1 = 1
(A1.11)
F1 = 1,8 0,8q 1
(A1.12)
17
m: Grau do polinmio A(q-1)
18
n: Grau do polinmio B(q-1)
108
Com isso, encontra-se recursivamente Ej, Fj e Gj at j igual o horizonte de predio,

resultando nos seguintes polinmios:
E3 = 1 + 1,8q 1 + 2,44q 2
(A1.13)
F3 = 2,952 1,952q 1
(A1.14)
G3 = 0,4 + 1,32q 1 + 2,056q 2 + 1,464q 3
(A1.15)
109
8. APNDICE
2:
EQUAES
PARA
CLCULO
DOS
PARMETROS DE SINTONIA
ZIEGLER e NICHOLS
Tipo de
Controle
Termo integral (I)
Termo
derivativo (D)
0,5 Ku
_____
_____
PI
0,45 Ku
Pu / 1,2
_____
PID
0,6 Ku
Pu / 2
Pu / 8
COHEN e COON
Tipo de
Controle
PI
PID
t
1,03 + 0,35 m
p
p

k t
p m
Termo integral (I)
t p
0,9 + 0,083 m
p
p
m

t
1,35 + 0,25 m
p

k t
p m
Termo
derivativo (D)
_____
_____
t
0,9 + 0,083 m
tm
1,27 + 0,6 t m

_____
t
1,35 + 0,25 m
p t
m
0,54 + 0,33 t m

0,5 t m
t
1,35 + 0,25 m
110
IMC
Tipo de
Controle
c tm
tm
2
tm
c +
2
p +
PID
Termo integral (I)
p +
Termo
derivativo (D)
_____
p tm
tm
2
2 p + t m
INTEGRAL DO ERRO
Tipo de
Controle
PI Servo
PI
Regulatrio
PID Servo
t
1
A m
kp
p
t
1
A m
kp
p
t
1
A m
kp
p
Termo integral (I)
Termo
derivativo (D)
t
C + D m
p
_____
t
C m
t
C + D m
_____
t
E m
111
PID
Regulatrio
t
1
A m
kp
p
t
C m
t
E m
CONSTANTES DE CLCULO DOS PARMETROS DE SINTONIA DO MTODO

INTEGRAL DO ERRO ITAE
Tipo de Controle
Servo
0,586
-0,916
1,03
-0,165
_____
_____
Regulatrio
0,859
-0,977
0,674
-0,68
_____
_____
Servo
0,965
-0,85
0,796
-0,147
0,308
0,929
Regulatrio
1,357
-0,947
0,842
0,738
0,381
0,995
PI
PID

Avaliacao de Controladores Pid e Preditivo

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Avaliacao de Controladores Pid e Preditivo

Uploaded by

Copyright:

Available Formats

AVALIAO DE DESEMPENHO ESTOCSTICO E

DETERMINSTICO DE CONTROLADORES PID E

ALAIN COGNAC CARELLI

O RIENTAO : P ROF . M AURCIO B EZERRA DE S OUZA J R ., D.S C .

AVALIAO DE DESEMPENHO ESTOCSTICO E DETERMINSTICO DE

ALAIN COGNAC CARELLI

DISSERTAO APRESENTADA AO PROGRAMA DE PS-GRADUAO

AVALIAO DE DESEMPENHO ESTOCSTICO E DETERMINSTICO DE

ALAIN COGNAC CARELLI

DISSERTAO SUBMETIDA AO CORPO DOCENTE DO CURSO DE PSGRADUAO

BIOQUMICOS DA ESCOLA DE QUMICA DA UNIVERSIDADE FEDERAL

RIO DE JANEIRO, RJ - BRASIL

Intangvel e sutil a mente

professor Heitor Mansur Caulliraux), onde estagiei e atualmente trabalho em alguns

massa especfica do gs;

s massa especfica do slido;

Teoria de Controle de Processo

o operador da diferena 1 q-1;

c parmetro do controle de realimentao sintonizado pelo IMC;

D termo derivativo do controlador de realimentao;

Avaliao do Desempenho de Controlador

y desvio do set-point corrigido pela mdia;

y a mdia quadrtica amostral do desvio do set-point;

y2 mdia quadrtica do desvio do set-point;

Monitoramento e Diagnstico do Desempenho de Controlador

u vetor de incrementos nas variveis manipuladas no passo k;

des ndice de desempenho baseado no modelo.

HIECON hierarchical constraint control;

QDMC quadratic dynamic matrix control;

Figura 16 Discretizao do Model 2 ............................................................................ 73

no set-point do controlador IE-PID; (d) Comportamento da resposta servo a um degrau

Figura 23 Resposta do GPC Caso 3 a perturbao estocstica.................................... 88

Tabela 16: Comparao entre desempenho determinstico de controladores de

Reviso Histrica do Controle Preditivo............................................................................10

Controle de Varincia Mnima (MVC) e Controle Preditivo Generalizado (GPC) ...........16

Estimao do ndice de Desempenho Normalizado ...........................................................26

Avaliao de Desempenho Estocstico e Determinstico ...................................................27

Monitoramento e Diagnstico do Desempenho de Controlador ........................................29

Anlise Econmica da Reduo da Variabilidade do Controlador....................................34

Modelos do HDT ................................................................................................................42

Controle do HDT ................................................................................................................45

MODELAGEM DO HDT .............................................................................................................50

SINTONIA DE CONTROLE DE REALIMENTAO .........................................................................54

Controle Discreto ...............................................................................................................56

PROJETO DO CONTROLE PREDITIVO (GPC) ..............................................................................57

CENRIOS SIMULADOS .............................................................................................................58

Controle Determinstico Servo ...........................................................................................58

Controle Determinstico Regulatrio .................................................................................59

AVALIAO DO DESEMPENHO DE CONTROLADORES ................................................................20

CONTROLE DINMICO DE PROCESSO ..........................................................................................8

MONITORAMENTO E DIAGNSTICO DO CONTROLE PREDITIVO ..................................................61

ANLISE DO PROCESSO EM MALHA ABERTA E IDENTIFICAO DE MODELOS ..........................62

OBTENO DOS PARMETROS DOS CONTROLADORES DE REALIMENTAO .............................67

Cohen e Coon .....................................................................................................................69

Modelo Interno ...................................................................................................................70

Controle Discreto ...............................................................................................................71

IMPLEMENTAO DO CONTROLE PREDITIVO (GPC).................................................................71

COMPARAO DOS NDICES DE DESEMPENHO ..........................................................................73

DISCUSSO SOBRE O COMPORTAMENTO DAS MALHAS .............................................................82

RESULTADOS DE MONITORAMENTO E DIAGNSTICO DO CONTROLE PREDITIVO .......................90

CONCLUSES E TRABALHOS FUTUROS .............................................................................95

APNDICE 1: RESOLUO DA EQUAO DE DIOPHANTINE .....................................106

APNDICE 2: EQUAES PARA O CLCULO DOS PARMETROS DE SINTONIA..109

desempenho deve ser tambm diagnosticada, possibilitando a identificao da