A otimização em tempo real (RTO: Real Time Optimization) permite fazer correções, com o menor atraso possível, nas condições de operação de um processo, buscando manter um desempenho ótimo. A RTO, na abordagem clássica, requer um ciclo constante de análise e correção do estado do processo que inclui múltiplas etapas: i) identificação do estado estacionário, ii) identificação e correção dos erros grosseiros, iii) reconciliação dos dados, iv) ajuste dos parâmetros do modelo, v) estimação das condições operacionais ótimas e, vi) implementação das condições no sistema de controle. Um sistema de análise de dados é necessário na aquisição das variáveis medidas da planta que classifique o estado da operação como válido para atualizar um modelo em estado estacionário. O sistema deve fornecer um modelo atualizado que seja representativo do comportamento real da operação para que seja otimizado em um passo posterior. Este trabalho é focado na análise de metodologias de detecção de estado estacionário, reconciliação de dados e estimação de parâmetros com as características necessárias que um sistema de RTO requer. Como caso de estudo considera-se uma coluna depropenizadora da PETROBRAS, em que foi feita uma análise da variabilidade associada à instrumentação para melhorar o conhecimento da operação. Além disso, a análise e validação do modelo do processo, permitiu estabelecer faixas de convergência nas especificações do processo e parâmetros. Finalmente, sugere-se que a composição da corrente de alimentação e a queda de pressão na coluna sejam classificadas como parâmetros importantes no ajuste de modelo. / Real-time optimization (RTO) allows making corrections in process operation conditions, with the smallest possible delay, in order to provide an optimal performance. RTO, in the classical approach, requires a constant cycle of analysis and correction of process conditions, that includes multiple steps: i) steady state identification, ii) gross errors detection and correction, iii) data reconciliation, iv) parameter estimation, v) economical optimization and vi) implementation of the optimal conditions in the control system. A data analysis system is required in the plant to classify the operating conditions as valid in order to update a steady state model. The system shall provide an updated model that can represent the real behavior of the operation that wi ll be optimized in a next step. This work is focused on the analysis of methodologies for steady-state detection, data reconciliation and parameter estimation with the required characteristics that an RTO system requires. As a case-study, a depropenizer column, owned by Petrobras is considered. An analysis of the variability of the instrumentation was performed to allow a better understanding of the process. Moreover, the analysis and validation of the process model enabled drawing convergence boundaries on process specifications and parameters. Finally, it is suggested that the feed composition and the column pressure drop should be considered as important parameters in model fitting.

A otimização em tempo real (RTO: Real Time Optimization) permite fazer correções, com o menor atraso possível, nas condições de operação de um processo, buscando manter um desempenho ótimo. A RTO, na abordagem clássica, requer um ciclo constante de análise e correção do estado do processo que inclui múltiplas etapas: i) identificação do estado estacionário, ii) identificação e correção dos erros grosseiros, iii) reconciliação dos dados, iv) ajuste dos parâmetros do modelo, v) estimação das condições operacionais ótimas e, vi) implementação das condições no sistema de controle. Um sistema de análise de dados é necessário na aquisição das variáveis medidas da planta que classifique o estado da operação como válido para atualizar um modelo em estado estacionário. O sistema deve fornecer um modelo atualizado que seja representativo do comportamento real da operação para que seja otimizado em um passo posterior. Este trabalho é focado na análise de metodologias de detecção de estado estacionário, reconciliação de dados e estimação de parâmetros com as características necessárias que um sistema de RTO requer. Como caso de estudo considera-se uma coluna depropenizadora da PETROBRAS, em que foi feita uma análise da variabilidade associada à instrumentação para melhorar o conhecimento da operação. Além disso, a análise e validação do modelo do processo, permitiu estabelecer faixas de convergência nas especificações do processo e parâmetros. Finalmente, sugere-se que a composição da corrente de alimentação e a queda de pressão na coluna sejam classificadas como parâmetros importantes no ajuste de modelo. / Real-time optimization (RTO) allows making corrections in process operation conditions, with the smallest possible delay, in order to provide an optimal performance. RTO, in the classical approach, requires a constant cycle of analysis and correction of process conditions, that includes multiple steps: i) steady state identification, ii) gross errors detection and correction, iii) data reconciliation, iv) parameter estimation, v) economical optimization and vi) implementation of the optimal conditions in the control system. A data analysis system is required in the plant to classify the operating conditions as valid in order to update a steady state model. The system shall provide an updated model that can represent the real behavior of the operation that wi ll be optimized in a next step. This work is focused on the analysis of methodologies for steady-state detection, data reconciliation and parameter estimation with the required characteristics that an RTO system requires. As a case-study, a depropenizer column, owned by Petrobras is considered. An analysis of the variability of the instrumentation was performed to allow a better understanding of the process. Moreover, the analysis and validation of the process model enabled drawing convergence boundaries on process specifications and parameters. Finally, it is suggested that the feed composition and the column pressure drop should be considered as important parameters in model fitting.