Este trabalho tem como objetivo estudar as características de uma coluna depropanizadora e propor uma estrutura de controle para esta planta. Essa coluna está localizada na unidade de craqueamento catalítico da Refinaria Presidente Bernardes, em Cubatão. O objetivo de controle é a especificação de um valor máximo de butano e componentes mais pesados (C4+) na corrente de topo e um valor máximo de propano e componentes mais leves (C3-) na corrente de fundo. Uma simulação da planta foi construída por meio do simulador de processos AspenOne® e os modelos referentes a vários pontos de operação e duas composições de carga distintas foram obtidos através da simulação integrada entre o Aspen® e o Simulink®. O software Matlab(TM) foi utilizado para executar o algoritmo de controle. O controlador aqui proposto é um IHMPC (Infinite Horizon Model Predictive Control) adaptado para sistemas com tempo morto e com faixas nas variáveis controladas. As incertezas na modelagem foram representadas por um conjunto de modelos lineares. Adicionalmente o controlador contém, na mesma camada, um componente de otimização econômica linear com o objetivo de minimizar o gasto energético do sistema ou até mesmo maximizar a pureza do destilado. As simulações permitiram que as estratégias de controle pudessem ser testadas e seus resultados discutidos. A análise dos testes mostra que o IHMPC aqui proposto é capaz de controlar a planta nos possíveis pontos de operação com um bom desempenho. / The objective of this work is to study the characteristics of a depropanizer column and to propose a predictive control structure for this plant. This column is located at the fluid catalytic cracking unit of the Presidente Bernardes Refinery, in Cubatão. The control objective of these columns is the specification of a maximum value of butane and heavier components (C4+) in the top stream and the maximum value of propane and lighter components (C3-) in the bottom stream. The plant was represented through the process simulator AspenOne® and the models for several operating points and two different feed compositions were obtained through the integrated simulation of Aspen® and Simulink®. The software Matlab(TM) was used to run the control algorithm. The controller proposed here is based on the IHMPC (Infinite Horizon Model Predictive Control) that was extended to time delayed systems and zone control. The model uncertainties are approximated by a set of linear models. In addition, the controller contains, in the same layer, an economic objective, which aims to minimize the energy contents of the operation and to maximize the purity of the distillate. The simulation allowed that the control strategies could be tested and the results discussed. The analysis of the tests showed that the proposed IHMPC is able to control the plant with acceptable performance.

As colunas depropanizadoras existentes nas refinarias de petróleo têm como função a separação entre as correntes de propano e butano. O objetivo de controle nestas colunas é a especificação de um teor máximo de iso-butano e mais pesados (C4 +) na corrente de propano e do teor máximo de propano e mais leves (C3 -) na corrente de butano. Controladores multivariáveis tradicionais, que normalmente são implementados nas colunas depropanizadoras, apresentam grande dificuldade para manter os produtos dentro de suas especificações, isto se deve ao fato de que este processo apresenta um comportamento bastante não-linear ao longo de toda sua região de operação. Neste trabalho temos como objetivo estudar as dificuldades encontradas no projeto de controle para esse tipo de sistema e implantar na planta industrial um controlador multivariável utilizando múltiplos modelos para controle da coluna. Para realizarmos este estudo utilizamos o simulador de processos HYSYSÔ para verificarmos o comportamento estático e dinâmico do processo. Os modelos utilizados para representar o processo são aqueles obtidos durante o estudo do comportamento dinâmico. Para implantação do controlador na unidade industrial é utilizado o SICON (Sistema de Controle da Petrobras) sendo algumas de suas rotinas modificadas para permitir a inclusão dos múltiplos modelos. Durante o estudo são comparadas as performances dos controladores QDMC e MMPC (Multi-Model Predictive Control) resolvido através de um algoritmo para NLP (Non Linear Programming). O controlador multimodelos (MMPC) é apresentado na forma de variáveis de estado podendo controlar sistemas de grande porte, inclusive sistemas com dinâmicas lentas e rápidas. Esta formulação permite prever as variáveis controladas em instantes de tempo esparsos e diferentes para cada controlada. O MMPC é capaz de tratar problemas de controle não-linear usando modelos lineares, introduzindo o conceito de robustez com a utilização do conjunto de modelos. O MMPC exige um menor esforço de sintonia que o QDMC sendo adequado para uma região mais ampla de operação. / Depropanizer columns are used in oil refineries for the separation of the propane stream from the butane stream. The control objective of these columns is the specification of a maximum content of iso-butane and heavier components (C4+) in the propane product and the maximum content of propane and lighter components (C3-) in the butane roduct. Multivariable controllers usually mplemented in depropanizer columns frequently resent great difficulty to maintain the products inside their specification ranges. This deficiency is due to the fact that the process presents a quite non-linear behavior along its operating window. The objective of the present work is to study the difficulties found in the design of the control system for the aforesaid process, and to implement in an industrial plant a multivariable controller using multiple models for the control of the separation column. To accomplish this study we used the HYSYSÔ process simulator to verify the static and dynamic behavior of the process. The models used to represent the real process in the controller are those obtained during the study of the dynamic behavior. The controller implementation in the industrial unit was done with SICON (Control System of Petrobras), which had some of its routines modified to allow the inclusion of multiple models. Along the work, performances of QDMC and MMPC(Multi-Model Predictive Control) controllers were compared. MMPC was solved through an algorithm for NLP (Non Linear Programming). The Multi-Model (MMPC) controller was implemented using a state space formulation which allows for the implementation of very large systems and besides, systems with simultaneous slow and fast dynamics. This formulation allows to foresee the controlled variables at sparse sample instants, that can be distinct for each controlled variable. MMPC is able to handle non-linear control problems using linear models by introducing the robustness concept with the use of a set of models. MMPC demands a smaller tuning effort than QDMC, and can be adapted to a wide range of operating conditions.

A construção de um analisador virtual é sustentada basicamente por três pilares: o modelo, as variáveis que integram o modelo e a estratégia de correção/atualização do modelo. Os modelos matemáticos são classificados quanto ao nível de conhecimento do processo contido nele, indo de modelos complexos baseados em relações fundamentais e leis físico-químicas, denominados white-box, até modelos obtidos através de técnicas de análise multivariável, como técnicas de regressão multiváriavel e redes neurais, referenciados como black box. O presente trabalho objetiva uma análise de dois dos pilares: os modelos, focando em modelos obtidos através das técnicas de redução de dimensionalidade do tipo PLS, e metodologias de seleção de variáveis para a construção dessa classe de modelos. Primeiramente é realizada uma revisão das principais variantes lineares e não lineares da metodologia PLS, compreendendo desde o seu desenvolvimento até a sua combinação com redes neurais. Posteriormente são apresentadas algumas das técnicas popularmente utilizadas para a seleção de variáveis em modelos do tipo black-box, técnicas de validação cruzada e técnicas de seleção de dados para calibração e validação de modelos. São propostas novas abordagens para os procedimentos de seleção de variáveis, originadas da combinação das técnicas de seleção de dados com duas metodologias de seleção de variáveis. Os resultados produzidos por essas novas abordagens são comparados com o método clássico através de casos lineares e não lineares. A viabilidade das técnicas analisadas e desenvolvidas é verificada através da aplicação das mesmas no desenvolvimento de um analisador virtual para uma coluna de destilação simulada através do simulador dinâmico Aspen Dynamics®. Por fim são apresentadas as etapas e desafios da implementação de um analisador virtual baseados em técnicas PLS em uma Torre Depropanizadora de uma central de matérias primas de um pólo petroquímico. / The construction of a virtual analyzer is sustained basically by three pillars: the model, the variables that integrate the model and the updating strategy of the model. The mathematical models are classified with relationship at the level of the process knowledge within it, going from complex models, based on fundamental relationships and physical-chemistries laws, called white-box, until models obtained through multivariable analysis techniques, as multiple linear regression and neural networks, also called as black box. The focus of the present work is the analysis of two of the pillars: the models, specially the ones obtained by dimension reduction techniques, like PLS, and methodologies used in the development of this class of models. Initially, a revision of the main linear and non linear variants of the PLS methodology is done, embracing since its development to its combination with neural networks. Later on, some popularly variables selection techniques for black-box models are explained, as well as some cross validation techniques and strategies for data selection for calibration and validation of models. New approaches for variables selection procedures are proposed, originated by the combination of data selection strategies and two variables selection techniques. The results produced by those new approaches are compared with the classic method through linear and non linear case studies. The viability of the analyzed and developed techniques is verified through the application of the same ones in the development of a virtual analyzer for a distillation column, simulated by the dynamic simulator Aspen Dynamics®. The steps and challenges faced in the implementation of a virtual analyzer based on PLS technical for a Depropanizer Unit are finally presented.

A construção de um analisador virtual é sustentada basicamente por três pilares: o modelo, as variáveis que integram o modelo e a estratégia de correção/atualização do modelo. Os modelos matemáticos são classificados quanto ao nível de conhecimento do processo contido nele, indo de modelos complexos baseados em relações fundamentais e leis físico-químicas, denominados white-box, até modelos obtidos através de técnicas de análise multivariável, como técnicas de regressão multiváriavel e redes neurais, referenciados como black box. O presente trabalho objetiva uma análise de dois dos pilares: os modelos, focando em modelos obtidos através das técnicas de redução de dimensionalidade do tipo PLS, e metodologias de seleção de variáveis para a construção dessa classe de modelos. Primeiramente é realizada uma revisão das principais variantes lineares e não lineares da metodologia PLS, compreendendo desde o seu desenvolvimento até a sua combinação com redes neurais. Posteriormente são apresentadas algumas das técnicas popularmente utilizadas para a seleção de variáveis em modelos do tipo black-box, técnicas de validação cruzada e técnicas de seleção de dados para calibração e validação de modelos. São propostas novas abordagens para os procedimentos de seleção de variáveis, originadas da combinação das técnicas de seleção de dados com duas metodologias de seleção de variáveis. Os resultados produzidos por essas novas abordagens são comparados com o método clássico através de casos lineares e não lineares. A viabilidade das técnicas analisadas e desenvolvidas é verificada através da aplicação das mesmas no desenvolvimento de um analisador virtual para uma coluna de destilação simulada através do simulador dinâmico Aspen Dynamics®. Por fim são apresentadas as etapas e desafios da implementação de um analisador virtual baseados em técnicas PLS em uma Torre Depropanizadora de uma central de matérias primas de um pólo petroquímico. / The construction of a virtual analyzer is sustained basically by three pillars: the model, the variables that integrate the model and the updating strategy of the model. The mathematical models are classified with relationship at the level of the process knowledge within it, going from complex models, based on fundamental relationships and physical-chemistries laws, called white-box, until models obtained through multivariable analysis techniques, as multiple linear regression and neural networks, also called as black box. The focus of the present work is the analysis of two of the pillars: the models, specially the ones obtained by dimension reduction techniques, like PLS, and methodologies used in the development of this class of models. Initially, a revision of the main linear and non linear variants of the PLS methodology is done, embracing since its development to its combination with neural networks. Later on, some popularly variables selection techniques for black-box models are explained, as well as some cross validation techniques and strategies for data selection for calibration and validation of models. New approaches for variables selection procedures are proposed, originated by the combination of data selection strategies and two variables selection techniques. The results produced by those new approaches are compared with the classic method through linear and non linear case studies. The viability of the analyzed and developed techniques is verified through the application of the same ones in the development of a virtual analyzer for a distillation column, simulated by the dynamic simulator Aspen Dynamics®. The steps and challenges faced in the implementation of a virtual analyzer based on PLS technical for a Depropanizer Unit are finally presented.

As colunas depropanizadoras existentes nas refinarias de petróleo têm como função a separação entre as correntes de propano e butano. O objetivo de controle nestas colunas é a especificação de um teor máximo de iso-butano e mais pesados (C4 +) na corrente de propano e do teor máximo de propano e mais leves (C3 -) na corrente de butano. Controladores multivariáveis tradicionais, que normalmente são implementados nas colunas depropanizadoras, apresentam grande dificuldade para manter os produtos dentro de suas especificações, isto se deve ao fato de que este processo apresenta um comportamento bastante não-linear ao longo de toda sua região de operação. Neste trabalho temos como objetivo estudar as dificuldades encontradas no projeto de controle para esse tipo de sistema e implantar na planta industrial um controlador multivariável utilizando múltiplos modelos para controle da coluna. Para realizarmos este estudo utilizamos o simulador de processos HYSYSÔ para verificarmos o comportamento estático e dinâmico do processo. Os modelos utilizados para representar o processo são aqueles obtidos durante o estudo do comportamento dinâmico. Para implantação do controlador na unidade industrial é utilizado o SICON (Sistema de Controle da Petrobras) sendo algumas de suas rotinas modificadas para permitir a inclusão dos múltiplos modelos. Durante o estudo são comparadas as performances dos controladores QDMC e MMPC (Multi-Model Predictive Control) resolvido através de um algoritmo para NLP (Non Linear Programming). O controlador multimodelos (MMPC) é apresentado na forma de variáveis de estado podendo controlar sistemas de grande porte, inclusive sistemas com dinâmicas lentas e rápidas. Esta formulação permite prever as variáveis controladas em instantes de tempo esparsos e diferentes para cada controlada. O MMPC é capaz de tratar problemas de controle não-linear usando modelos lineares, introduzindo o conceito de robustez com a utilização do conjunto de modelos. O MMPC exige um menor esforço de sintonia que o QDMC sendo adequado para uma região mais ampla de operação. / Depropanizer columns are used in oil refineries for the separation of the propane stream from the butane stream. The control objective of these columns is the specification of a maximum content of iso-butane and heavier components (C4+) in the propane product and the maximum content of propane and lighter components (C3-) in the butane roduct. Multivariable controllers usually mplemented in depropanizer columns frequently resent great difficulty to maintain the products inside their specification ranges. This deficiency is due to the fact that the process presents a quite non-linear behavior along its operating window. The objective of the present work is to study the difficulties found in the design of the control system for the aforesaid process, and to implement in an industrial plant a multivariable controller using multiple models for the control of the separation column. To accomplish this study we used the HYSYSÔ process simulator to verify the static and dynamic behavior of the process. The models used to represent the real process in the controller are those obtained during the study of the dynamic behavior. The controller implementation in the industrial unit was done with SICON (Control System of Petrobras), which had some of its routines modified to allow the inclusion of multiple models. Along the work, performances of QDMC and MMPC(Multi-Model Predictive Control) controllers were compared. MMPC was solved through an algorithm for NLP (Non Linear Programming). The Multi-Model (MMPC) controller was implemented using a state space formulation which allows for the implementation of very large systems and besides, systems with simultaneous slow and fast dynamics. This formulation allows to foresee the controlled variables at sparse sample instants, that can be distinct for each controlled variable. MMPC is able to handle non-linear control problems using linear models by introducing the robustness concept with the use of a set of models. MMPC demands a smaller tuning effort than QDMC, and can be adapted to a wide range of operating conditions.

A construção de um analisador virtual é sustentada basicamente por três pilares: o modelo, as variáveis que integram o modelo e a estratégia de correção/atualização do modelo. Os modelos matemáticos são classificados quanto ao nível de conhecimento do processo contido nele, indo de modelos complexos baseados em relações fundamentais e leis físico-químicas, denominados white-box, até modelos obtidos através de técnicas de análise multivariável, como técnicas de regressão multiváriavel e redes neurais, referenciados como black box. O presente trabalho objetiva uma análise de dois dos pilares: os modelos, focando em modelos obtidos através das técnicas de redução de dimensionalidade do tipo PLS, e metodologias de seleção de variáveis para a construção dessa classe de modelos. Primeiramente é realizada uma revisão das principais variantes lineares e não lineares da metodologia PLS, compreendendo desde o seu desenvolvimento até a sua combinação com redes neurais. Posteriormente são apresentadas algumas das técnicas popularmente utilizadas para a seleção de variáveis em modelos do tipo black-box, técnicas de validação cruzada e técnicas de seleção de dados para calibração e validação de modelos. São propostas novas abordagens para os procedimentos de seleção de variáveis, originadas da combinação das técnicas de seleção de dados com duas metodologias de seleção de variáveis. Os resultados produzidos por essas novas abordagens são comparados com o método clássico através de casos lineares e não lineares. A viabilidade das técnicas analisadas e desenvolvidas é verificada através da aplicação das mesmas no desenvolvimento de um analisador virtual para uma coluna de destilação simulada através do simulador dinâmico Aspen Dynamics®. Por fim são apresentadas as etapas e desafios da implementação de um analisador virtual baseados em técnicas PLS em uma Torre Depropanizadora de uma central de matérias primas de um pólo petroquímico. / The construction of a virtual analyzer is sustained basically by three pillars: the model, the variables that integrate the model and the updating strategy of the model. The mathematical models are classified with relationship at the level of the process knowledge within it, going from complex models, based on fundamental relationships and physical-chemistries laws, called white-box, until models obtained through multivariable analysis techniques, as multiple linear regression and neural networks, also called as black box. The focus of the present work is the analysis of two of the pillars: the models, specially the ones obtained by dimension reduction techniques, like PLS, and methodologies used in the development of this class of models. Initially, a revision of the main linear and non linear variants of the PLS methodology is done, embracing since its development to its combination with neural networks. Later on, some popularly variables selection techniques for black-box models are explained, as well as some cross validation techniques and strategies for data selection for calibration and validation of models. New approaches for variables selection procedures are proposed, originated by the combination of data selection strategies and two variables selection techniques. The results produced by those new approaches are compared with the classic method through linear and non linear case studies. The viability of the analyzed and developed techniques is verified through the application of the same ones in the development of a virtual analyzer for a distillation column, simulated by the dynamic simulator Aspen Dynamics®. The steps and challenges faced in the implementation of a virtual analyzer based on PLS technical for a Depropanizer Unit are finally presented.

[pt] Este trabalho tem como objetivo estudar estratégias de Controle Preditivo baseado em Modelo Não-Linear (NMPC) aplicadas a uma coluna de destilação despropanizadora simulada. Essas colunas são empregadas em unidades de processamento de gás natural (UPGNs) para a separação do produto propano do butano. Colunas de destilação possuem características particularmente desafiadoras sob o ponto de vista de controle, como: não-linearidades, grandes constantes de tempo, atraso, restrições de variáveis e inversão do sinal de ganho estático. Como as medidas de composição frequentemente possuem atrasos e dados esparsos, os sistemas de controle convencionais não são capazes de controlar a composição diretamente e possuem dificuldade em manter os produtos dentro das especificações. Contudo, controladores baseados em modelo possuem a habilidade de prever a composição através do modelo interno do processo, além de serem capazes de lidar com restrições. Na literatura, nenhuma aplicação do modelo de Hammerstein modificado para coluna de destilação ou para sistemas multivariáveis foi encontrada, sendo esta uma novidade. Desta forma, foram estudadas três estratégias de controle: controle PID tradicional, NMPC com modelo de Hammerstein modificado (H-NMPC) e NMPC com modelo por Redes Neurais (NN-NMPC). O sistema estudado foi identificado de forma a se obter valores numéricos adequados aos parâmetros dos modelos. A identificação dos parâmetros dos modelos e os algoritmos de NMPC foram implementados no ambiente MATLAB. A coluna de destilação foi simulada usando o Aspen Plus Dynamics. Como resultado, o H-NMPC teve o melhor desempenho de controle ao rastrear diferentes trajetórias de referência, a desacoplar as variáveis controladas e a rejeitar os distúrbios. Além disso, esta apresentou maior rapidez computacional comparado com a estratégia NNNMPC. / [en] This work aims to study strategies of Nonlinear Model Predictive Control (NMPC) applied to a simulated depropanizer distillation column. These columns are used in natural gas processing units (NGPUs) for the separation of the product propane from butane. Distillation columns have particularly challenging features from the control point of view, such as: nonlinearities, large time constants, delay, variable constraints and static gain signal inversion. Because compositional measures often have delays and sparse data, conventional control systems are not able to control composition directly and have difficulty keeping products within specifications. However, model-based controllers predict composition through the internal process model, besides being able to handle constraints. In the literature, no applications of the modified Hammerstein model for distillation column or multivariable systems was found, so this is a novelty. Therefore, three control strategies were studied: traditional PID control, NMPC with modified Hammerstein model (H-NMPC) and NMPC with neural network model (NN-NMPC). The studied system was identified in order to obtain adequate numerical values of the model parameters. The model identification and the NMPC algorithms were implemented in the MATLAB environment. The distillation column was simulated using Aspen Plus Dynamics. As a result, the H-NMPC provided better control performance for different setpoint tracking, control variables decoupling, and disturbance rejection. Furthermore, it presented faster computational speed compared to NN-NMPC.