Made available in DSpace on 2015-03-03T15:07:34Z (GMT). No. of bitstreams: 1 AndreFOAD_DISSERT.pdf: 2002320 bytes, checksum: 0ebf2e7fb75a8ce59284dc72a43ef7ba (MD5) Previous issue date: 2012-05-18 / The separation methods are reduced applications as a result of the operational costs, the low output and the long time to separate the uids. But, these treatment methods are important because of the need for extraction of unwanted contaminants in the oil production. The water and the concentration of oil in water should be minimal (around 40 to 20 ppm) in order to take it to the sea. Because of the need of primary treatment, the objective of this project is to study and implement algorithms for identification of polynomial NARX (Nonlinear Auto-Regressive with Exogenous Input) models in closed loop, implement a structural identification, and compare strategies using PI control and updated on-line NARX predictive models on a combination of three-phase separator in series with three hydro cyclones batteries. The main goal of this project is to: obtain an optimized process of phase separation that will regulate the system, even in the presence of oil gushes; Show that it is possible to get optimized tunings for controllers analyzing the mesh as a whole, and evaluate and compare the strategies of PI and predictive control applied to the process. To accomplish these goals a simulator was used to represent the three phase separator and hydro cyclones. Algorithms were developed for system identification (NARX) using RLS(Recursive Least Square), along with methods for structure models detection. Predictive Control Algorithms were also implemented with NARX model updated on-line, and optimization algorithms using PSO (Particle Swarm Optimization). This project ends with a comparison of results obtained from the use of PI and predictive controllers (both with optimal state through the algorithm of cloud particles) in the simulated system. Thus, concluding that the performed optimizations make the system less sensitive to external perturbations and when optimized, the two controllers show similar results with the assessment of predictive control somewhat less sensitive to disturbances / Os m?todos de separa??o de ?leo e ?gua possuem, em sua maioria, aplica??es reduzidas devido ao custo operacional, a baixa efici?ncia de separa??o e ao alto tempo de processamento da separa??o. Por?m, Esses m?todos de tratamento s?o importantes devido a necessidade de extra??o dos contaminantes mais indesejados no processo de produ??o do petr?leo, a ?gua, e ao mesmo tempo, a concentra??o de ?leo na ?gua deve ser m?nima (da ordem de 40 a 20ppm) para o descarte regular da fase aquosa ao mar. A partir dessa necessidade de tratamento prim?rio objetiva-se, neste trabalho, estudar e implementar algoritmos de identifica??o para modelos polinomiais NARX em malha fechada, detectando a estrutura dos modelos, e comparar estrat?gias de controle PI e preditivo utilizando os modelos NARX (Nonlinear Auto-Regressive with Exogenous Input) atualizados online em uma combina??o de separador trif?sico em s?rie com tr?s baterias de hidrociclones. Os objetivos principais deste trabalho s?o obter um processo otimizado de separa??o trif?sica que regule o sistema, mesmo na presen?a de golfadas; mostrar que e poss?vel obter sintonias otimizadas para os controladores analisando a malha como um todo; e, avaliar e comparar as estrat?gias de controle PI e preditivo aplicadas ao processo. Para cumprir estes objetivos foi utilizado um simulador para representar o separador trif?sico e os hidrociclones, al?m de desenvolvidos algoritmos de identifica??o de sistemas (NARX) utilizando MQR (M?nimos Quadrados Recursivo), aliados a m?todos de detec??o de estrutura de modelos. Tamb?m foram implementados algoritmos de controle preditivo com modelos NARX atualizados online, e algoritmos de otimiza??o que utilizam PSO (Particle Swarm Optimization). O trabalho finaliza com a compara??o de resultados obtidos a partir da utiliza??o dos controladores PI e preditivo no sistema simulado ambos com par?metros otimizados atrav?s do algoritmo de nuvem de part?culas, e concluindo que as otimiza??es realizadas tornam o regulat?rio menos sens?vel a perturba??es externas (golfadas) e quando otimizados os dois controladores apresentam resultados similares, sendo os resultados do preditivo um pouco menos sens?vel as perturba??es

Controle preditivo baseado em modelos (MPC) é uma técnica de controle amplamente utilizada na indústria de processos químicos. Por outro lado, o método de identificação em subespaços (SID) tem se mostrado uma alternativa eficiente para os métodos clássicos de identificação de sistemas. Pela combinação dos conceitos de MPC e SID, surgiu, no final da década de 90, uma nova técnica de controle, denominada controle preditivo com enfoque em subespaços (SPC). Essa técnica também é conhecida como controle preditivo orientado a dados. Ela substitui por um único passo as três etapas do projeto de um MPC: a identificação do modelo, o cálculo do observador de estados e a construção das matrizes de predição. Este trabalho tem como principal objetivo revisar estudos feitos na área de SPC, aplicar esse método em sistemas típicos da indústria química e propor novos algoritmos. São desenvolvidos três algoritmos de excitação interna para o método SPC, que permitem gerar dados persistentemente excitantes enquanto um controle mínimo do processo é garantido. Esses algoritmos possibilitam aplicar identificação em malha fechada, na qual o modelo do controlador SPC é reidentificado utilizando dados previamente excitados. Os controladores SPC e SPC com excitação interna são testados e comparados ao MPC por meio de simulações em dois processos distintos. O primeiro consiste em uma coluna debutanizadora de uma unidade de destilação, para a qual são disponibilizados dois modelos lineares referentes a pontos de operação diferentes. O segundo é um reator de polimerização de estireno com dinâmica não linear, cujo modelo fenomenológico é conhecido. Os resultados dos testes indicam que o SPC é mais suscetível a ruídos de medição. Entretanto, verifica-se que esse controlador corrige perturbações nos set-points das variáveis controladas mais rapidamente que o MPC. Simulações realizadas para o SPC com excitação interna mostram que os algoritmos propostos neste trabalho excitam o sistema satisfatoriamente, de modo que modelos mais precisos são obtidos na reidentificação com os dados excitados. / Model Predictive Control (MPC) technology is widely used in chemical process industries. Subspace identification (SID) on the other hand has proven to be an efficient alternative for classical system identification methods. Based on the results from MPC and SID, it was developed in the late 90s a new control approach, called Subspace Predictive Control (SPC). This approach is also known as data-driven predictive control. In this new method, one single operation replaces the three steps in a MPC controller design: system identification, the state observer design and the predictor matrices construction. The aim of this work is to review studies in the field of SPC, to apply this technology to typical systems of chemical industry and to propose new algorithms. It is developed three internal excitation algorithms for the SPC method, which allow the system to be persistently excited while a minimal control of the process is still guaranteed. These algorithms enable the application of closedloop identification, where the SPC controller model is re-identified using the previously excited data. The SPC controller and the SPC controller with internal excitation are tested through simulation for two different processes. The first one is a debutanizer column of a distillation unit for which two linear models corresponding to two different operating points are available. The second one is a non-linear system consisting of a styrene polymerization reactor. A phenomenological model is provided for this system. Tests results indicate that SPC is more susceptible to measurement noises. However, it is noticed that SPC controller corrects perturbations on set-points faster than MPC. Simulations for the SPC with internal excitation show that the proposed algorithms sufficiently excite the system, in the sense that more precise models are obtained from the re-identification with excited data.

The aim of the thesis is to improve the control quality of the adaptive systems (Self Tuning Controllers). The thesis mainly deals with problematical identification part of the adaptive system. This part demonstrates a weak point for existing adaptive systems. Paradoxically, the quality of the adaptive system depends mainly on the identification part because on the basis of the process model obtained by identification are worked out parameters of a control part, afterwards the control action plan is established. Knowledge of the modern control methods is used and a new identification algorithm for closed loop identification is proposed. This simple, fast and efficient algorithm overcomes all disadvantages of current classical identification methods based on least mean-square algorithms. The possibility of the choice of a short sample time, one tuning parameter ability to adjust the control process, the ability to identify processes in real use belong to its main goals. This algorithm was built in the adaptive system and then it was tested on a set of simulation and real models with surprisingly excellent results. The successful implementation of the algorithm into the programmable logic controller was also realized. One part of the thesis introduces a new universal graphics environment for testing and verifying control algorithms.