Colunas de destilação de alta pureza são sistemas de difícil controle. Apresentam longo tempo de resposta, comportamento altamente não linear e grande interação entre as variáveis. Os controladores preditivos são muito utilizados para o controle de colunas de destilação. Porém, em colunas de alta pureza, a incorporação de um único modelo linear geralmente acarreta em um controle de fraco desempenho. Isto pois, a representação do processo é deficiente, já que não considera variações nos ganhos e nas dinâmicas, típicas de um comportamento não linear. Estas incertezas podem, inclusive, provocar a instabilidade do controle o que resultaria em produtos que não atendam à especificação. Este trabalho tem por objetivo avaliar o desempenho dos controladores de horizonte de predição infinito com um modelo interno e com múltiplos modelos tendo o HYSYS(TM) como simulador de uma coluna de separação benzeno/tolueno e o MATLAB(TM) como ambiente para o controle supervisório. Observa-se que o controlador com apenas um modelo não é capaz de estabilizar o processo para perturbação nos valores de referência das variáveis controladas, ao contrário do controlador com múltiplos modelos. / High-purity distillation columns are systems which are typically difficult to control. The main reason for this is a strongly nonlinear and interactive system associated with a very sluggish response. Model Predictive Control is widely used for control of distillation columns. However, for high-purity columns, the use of a single linear model in the controller usually leads to a poor performance of the control system. The reason for this is the poor system representation, since variation in the system gains and time constants are not taken into account in the computation of the control law. Model uncertainties can produce instability in the control system and consequent deterioration of the product quality. The goal of this work is to evaluate the performance of infinite horizon MPC with a single internal model and with multiple models. HYSYS(TM) is used as simulator for the benzene/toluene column, and MATLAB(TM) is used as a platform for supervisory control. It is observed that the controller with a single model is not capable of stabilizing the process for disturbance in the set point of the controlled variables. Opposite to that behavior the controller with multiple models has a good performance.

Submitted by Johnny Rodrigues (johnnyrodrigues@ufcg.edu.br) on 2018-03-12T16:25:13Z No. of bitstreams: 1 ARIOSTON ARAÚJO DE MORAIS JÚNIOR - TESE PPGEQ 2015..pdf: 4075446 bytes, checksum: 58c7745e3f0cf289b5f5d0a0a774ed88 (MD5) / Made available in DSpace on 2018-03-12T16:25:13Z (GMT). No. of bitstreams: 1 ARIOSTON ARAÚJO DE MORAIS JÚNIOR - TESE PPGEQ 2015..pdf: 4075446 bytes, checksum: 58c7745e3f0cf289b5f5d0a0a774ed88 (MD5) Previous issue date: 2015-11-06 / Neste trabalho é proposta uma metodologia para construção de sensores virtuais implementados em software, com objetivo de estimar e prever o comportamento de impurezas na corrente de base de uma coluna de destilação de alta pureza, do processo produtivo do 1,2 Dicloroetano (C2H4Cl2). A aquisição dos dados utilizados na construção dos sensores virtuais foi realizada através do modelo matemático do processo, simulado com dados reais de uma planta industrial. O estudo específico engloba a modelagem matemática/termodinâmica e avaliação do comportamento estacionário e dinâmico dessa torre, simulada aqui no software Aspen Plus e DynamicsTM. Desse modo, o modelo fornece os dados necessários para inferência das impurezas relacionadas, que são os teores dos compostos tetracloreto de carbono (CCl4) e clorofórmio (CHCl3), ambos devem ser mantidos, respectivamente, em valores ≤3000 e ≤400 ppm (partes por milhão). A metodologia também aborda dois algoritmos de seleção de variáveis secundárias, que utilizam técnicas estatísticas multivariadas (algoritmo de todas as regressões possíveis-TRP e da análise de componentes principais-PCA). Verifica-se também nos dados gerados quanto a real ou não necessidade de remoção de erros grosseiros (outliers), por isso é também inserida na metodologia uma etapa de pré-processamento de dados. Foram selecionados os dez melhores modelos de inferência para cada uma das saídas. Diante dessa informação, os melhores modelos produzidos não utilizavam as concentrações dos compostos das correntes de alimentação e sim medições de temperaturas ao longo da torre. Uma importante conclusão do ponto de vista de construção de sensores virtuais, porque na maioria dos trabalhos desenvolvidos essas variáveis são cruciais na produção de bons resultados. O treinamento dos sensores virtuais foi efetuado em um ambiente ruidoso, haja vista que foram simulados ruídos inerentes às medições (ruídos brancos Gaussianos). Na etapa final, os sensores virtuais são construídos utilizando uma técnica de modelagem empírica, redes neurais artificiais (RNA), onde foram utilizadas RNA do tipo Perceptron Multicamadas (MLP). Foram também avaliadas diversas variações quanto ao número de neurônios e camadas ocultas das RNA, empregando como critério de parada a técnica de validação cruzada. Os sensores virtuais desenvolvidos apresentaram erros satisfatórios do ponto de vista de engenharia, uma boa análise de regressão e um bom erro médio quadrático. Logo, com essas estimativas espera-se a minimização e a previsão do comportamento transiente dos compostos no referido processo. / This work proposes a methodology for software implementation to make soft sensors. The goal is to estimate and predict the behavior of impurities in the bottom current of a highpurity distillation column, for 1,2-Dichloroethane or 1,2-DCE (C2H4Cl2) production. The data acquisition used in the construction of soft sensors was performed through a mathematical simulation of the process, with real industrial data taken from an industrial plant. A specific study involves the mathematical modeling, thermodynamics, evaluation of the steady state and the dynamic behavior of this process, simulated here in Aspen Plus and Aspen DynamicsTM software. Thus, the model provides the necessary data to infer the contents of the carbon impurities mentioned above, Tetrachloride (CCl4) and Chloroform (CHCl3), which are to be fixed approximately below 3000 and 400 ppm (parts per million) respectively. The methodology also covers selection algorithms of secondary variables, using multivariate statistical techniques: All Possible Regressions (TRP) and Principal Component Analysis (PCA). The data generated was checked in order to know whether to include or not a step for removal of outliers, so it was also included in the methodology one preprocessing data step. The ten best inference models were selected for each output concentration. With this information, these models do not use concentrations measurements in the feed streams but measurements of the temperature along the column. This is an important conclusion from the point of view of virtual sensors building, because in most of the literature reported these variables are crucial in getting good results. The training of soft sensors was done in a noisy environment, considering that simulated noise was inherent to measurements (Gaussian noise). In the final step, the soft sensors devices are constructed using an empirical modeling technique of artificial neural networks (ANN), which were generated ANN type Multilayer Perceptron (MLP). Several variations were also evaluated on the number of neurons and hidden layers of networks, employing as a stopping criterion the cross-validation technique. The developed soft sensors presented satisfactory errors from the engineering viewpoint, a good regression and a good mean square error. Finally, with these estimations it is expected to minimize and predict the transient behavior of the compounds in the referred process.

Colunas de destilação de alta pureza são sistemas de difícil controle. Apresentam longo tempo de resposta, comportamento altamente não linear e grande interação entre as variáveis. Os controladores preditivos são muito utilizados para o controle de colunas de destilação. Porém, em colunas de alta pureza, a incorporação de um único modelo linear geralmente acarreta em um controle de fraco desempenho. Isto pois, a representação do processo é deficiente, já que não considera variações nos ganhos e nas dinâmicas, típicas de um comportamento não linear. Estas incertezas podem, inclusive, provocar a instabilidade do controle o que resultaria em produtos que não atendam à especificação. Este trabalho tem por objetivo avaliar o desempenho dos controladores de horizonte de predição infinito com um modelo interno e com múltiplos modelos tendo o HYSYS(TM) como simulador de uma coluna de separação benzeno/tolueno e o MATLAB(TM) como ambiente para o controle supervisório. Observa-se que o controlador com apenas um modelo não é capaz de estabilizar o processo para perturbação nos valores de referência das variáveis controladas, ao contrário do controlador com múltiplos modelos. / High-purity distillation columns are systems which are typically difficult to control. The main reason for this is a strongly nonlinear and interactive system associated with a very sluggish response. Model Predictive Control is widely used for control of distillation columns. However, for high-purity columns, the use of a single linear model in the controller usually leads to a poor performance of the control system. The reason for this is the poor system representation, since variation in the system gains and time constants are not taken into account in the computation of the control law. Model uncertainties can produce instability in the control system and consequent deterioration of the product quality. The goal of this work is to evaluate the performance of infinite horizon MPC with a single internal model and with multiple models. HYSYS(TM) is used as simulator for the benzene/toluene column, and MATLAB(TM) is used as a platform for supervisory control. It is observed that the controller with a single model is not capable of stabilizing the process for disturbance in the set point of the controlled variables. Opposite to that behavior the controller with multiple models has a good performance.

Submitted by Jesiel Ferreira Gomes (jesielgomes@ufcg.edu.br) on 2018-04-20T20:53:07Z No. of bitstreams: 1 SHIRLENE KELLY SANTOS CARMO – TESE (PPGEQ) 2015.pdf: 3441674 bytes, checksum: 2a66c0c04d01e56f10189d8b206ebc1c (MD5) / Made available in DSpace on 2018-04-20T20:53:07Z (GMT). No. of bitstreams: 1 SHIRLENE KELLY SANTOS CARMO – TESE (PPGEQ) 2015.pdf: 3441674 bytes, checksum: 2a66c0c04d01e56f10189d8b206ebc1c (MD5) Previous issue date: 2015-02-06 / Capes / Grande parte das indústrias apresenta complexidade no que diz respeito ao seu modo de operação. A fim de reduzir os problemas relacionados ao forte acoplamento existente nesses processos, a busca pela incorporação de dispositivos de inteligência artificial vem apresentando uma tendência crescente nos últimos anos. Devido à complexidade de operação e controle em processos multivariáveis, o diagnóstico e monitoramento de falhas nos processos tornaram-se cada vez mais difícil, com isso a aplicação destes dispositivos tem alcançado resultados satisfatórios em relação aos procedimentos executados com operadores humanos. A análise de componentes independentes (ICA) é uma técnica de separação de sinais que se baseia no uso de estatísticas de ordem superior para estimar cada uma das fontes desconhecidas por meio da observação de diversas misturas geradas a partir destas fontes. Embora sejam encontrados trabalhos recentes sobre a utilização do ICA em processos industriais, apenas dois trabalhos até o presente momento, foram aplicados em processos envolvendo colunas de destilação. O presente trabalho tem como objetivo propor uma estratégia de controle a uma coluna de destilação de alta pureza. A estratégia é baseada na técnica de separação de sinais ICA, tornando as malhas de controle desacopladas e facilitando assim o desempenho do controle. O desempenho do sistema de controle utilizando a técnica apresentou excelentes resultados em relação a uma estrutura convencional sem desacoplamento. As estruturas de controle foram implementadas em ambiente Aspen Plus DynamicsTM e Simulink/ Matlab®. O processo foi estruturado em ambiente Aspen Plus Dynamics™ e os controladores foram implementados no Simulink. / Much of the industry presents complexity with regard to its mode of operation. In order to reduce the problems related to existing strong engagement in these processes, the search for the incorporation of artificial intelligence devices has shown an increasing trend in recent years. Due to the complexity of operation and control in multivariate processes, the diagnosis and fault monitoring in the processes have become increasingly difficult, thus the application of these devices has achieved satisfactory results in relation to procedures performed with human operators. The independent component analysis (ICA) is a signal separation technique that is based on the use of higher order statistics to estimate each of the unknown source by observing various mixtures generated from these sources. Although found recent work on the use of the ICA in industrial processes, only two studies to date, have been applied in cases involving distillation columns. This paper aims to propose a control strategy to a high purity distillation column. The strategy is based on the ICA signal separation technique, making decoupled control loops, thus facilitating control performance. The performance of the control system using the technique showed excellent results compared to a conventional structure without decoupling. The control structures have been implemented in Aspen Plus Dynamics™ and Simulink / Matlab® environment. The process was structured environment Aspen Plus Dynamics™ and the controls were implemented in Simulink.