Diminuir a variabilidade de variáveis chaves do processo tornou-se um dos principais caminhos para quantificar os benefícios potenciais da melhoria do controle de processos, ou seja, com maior confiabilidade dos resultados é possível trabalhar em uma região próxima ao ponto de operação ótimo, o que se converte em ganho. Tal ganho pode ser materializado na forma de aumento da capacidade de produção da unidade, redução do consumo de energia, decréscimo de produtos fora de especificação, redução do tempo de transição entre produtos, melhoria na operabilidade, melhoria na qualidade final do produto, entre outros. Na presente dissertação é realizada uma revisão das principais metodologias que visam quantificar o potencial de alteração de variabilidade a qual uma malha de controle possa estar sujeita, além de propor um modelo de inferência que possa ser utilizado para predizer esse potencial de alteração de variabilidade, baseado em índices dados pelo Modelo de Inferência para Desempenho e Robustez. Neste trabalho é mostrado o procedimento utilizado para a construção do Modelo de Inferência de Variabilidade, o qual utiliza como entradas índices que possam ser facilmente quantificáveis e de características da planta (tempo morto e constante de tempo), usando somente dados em operação normal (sem mudanças no valor do setpoint). Para a sua obtenção, três diferentes métodos foram testados (a saber, Rede Neural, Mínimos Quadrados Parciais e Mínimos Quadrados Parciais Quadráticos), sendo os melhores resultados conseguidos ao se aplicar redes neurais. A eficácia do modelo de inferência proposto é ilustrada pela aplicação em casos de estudo nos quais o modelo de planta pode ser representado por funções de transferência de 1ª e de 2ª ordem com tempo morto e a aplicabilidade do mesmo é ilustrada ao utilizá-lo em um caso de estudo, desenvolvido em uma planta industrial. Nesse caso de estudo, procurou-se ainda analisar as principais malhas encontradas no cenário industrial. Os resultados obtidos para ambos os casos de estudo mostraram que a ferramenta desenvolvida apresenta um grande potencial de ser utilizada em projetos que contemplem a análise de pontos de melhoria da camada regulatória, uma vez que apresenta uma excelente capacidade de predizer a alteração de variabilidade a qual uma malha possa estar sujeita. / Reduction of the process variability has a significant impact into the process profitability. A reduction in the variance allows shifting the mean of the controlled variable closer to the constraint and thus ensures better performance like increase product throughput, increase yield of higher valued products, improve energy efficiency, decrease off-specification product, safer operation and reduced environmental impact, among others. In this dissertation, a bibliographic review of the main methodology used to estimate and assess the variance reduction is done. The main contribution of this work is to propose an inferential model to estimate the potential alteration in variance, based on indices determined by the Performance and Robustness Inferential Model. This work shows the procedure to build the Variability Inferential Model that assesses the potential alteration in variance of a given loop. The inputs variables are indices that can be easily calculated on-line and information about the plant (time delay and time constant) using only normal operating data (without excitation and/or setpoint activity). The set of input – output variables are fitted using different techniques (i.e., Neural Networks, Partial Least Squares and Quadratic Partial Least Squares). The best results are obtained by Neural Network. The efficacy of the Inferential Model is illustrated by application to first order plus time delay and second order plus time delay models. The proposed methodology was also applied to on a polyolefin plant, providing very good results, in a set of five loops, where the potential variance alteration is computed with small error, showing the efficacy of the methodology.

Diminuir a variabilidade de variáveis chaves do processo tornou-se um dos principais caminhos para quantificar os benefícios potenciais da melhoria do controle de processos, ou seja, com maior confiabilidade dos resultados é possível trabalhar em uma região próxima ao ponto de operação ótimo, o que se converte em ganho. Tal ganho pode ser materializado na forma de aumento da capacidade de produção da unidade, redução do consumo de energia, decréscimo de produtos fora de especificação, redução do tempo de transição entre produtos, melhoria na operabilidade, melhoria na qualidade final do produto, entre outros. Na presente dissertação é realizada uma revisão das principais metodologias que visam quantificar o potencial de alteração de variabilidade a qual uma malha de controle possa estar sujeita, além de propor um modelo de inferência que possa ser utilizado para predizer esse potencial de alteração de variabilidade, baseado em índices dados pelo Modelo de Inferência para Desempenho e Robustez. Neste trabalho é mostrado o procedimento utilizado para a construção do Modelo de Inferência de Variabilidade, o qual utiliza como entradas índices que possam ser facilmente quantificáveis e de características da planta (tempo morto e constante de tempo), usando somente dados em operação normal (sem mudanças no valor do setpoint). Para a sua obtenção, três diferentes métodos foram testados (a saber, Rede Neural, Mínimos Quadrados Parciais e Mínimos Quadrados Parciais Quadráticos), sendo os melhores resultados conseguidos ao se aplicar redes neurais. A eficácia do modelo de inferência proposto é ilustrada pela aplicação em casos de estudo nos quais o modelo de planta pode ser representado por funções de transferência de 1ª e de 2ª ordem com tempo morto e a aplicabilidade do mesmo é ilustrada ao utilizá-lo em um caso de estudo, desenvolvido em uma planta industrial. Nesse caso de estudo, procurou-se ainda analisar as principais malhas encontradas no cenário industrial. Os resultados obtidos para ambos os casos de estudo mostraram que a ferramenta desenvolvida apresenta um grande potencial de ser utilizada em projetos que contemplem a análise de pontos de melhoria da camada regulatória, uma vez que apresenta uma excelente capacidade de predizer a alteração de variabilidade a qual uma malha possa estar sujeita. / Reduction of the process variability has a significant impact into the process profitability. A reduction in the variance allows shifting the mean of the controlled variable closer to the constraint and thus ensures better performance like increase product throughput, increase yield of higher valued products, improve energy efficiency, decrease off-specification product, safer operation and reduced environmental impact, among others. In this dissertation, a bibliographic review of the main methodology used to estimate and assess the variance reduction is done. The main contribution of this work is to propose an inferential model to estimate the potential alteration in variance, based on indices determined by the Performance and Robustness Inferential Model. This work shows the procedure to build the Variability Inferential Model that assesses the potential alteration in variance of a given loop. The inputs variables are indices that can be easily calculated on-line and information about the plant (time delay and time constant) using only normal operating data (without excitation and/or setpoint activity). The set of input – output variables are fitted using different techniques (i.e., Neural Networks, Partial Least Squares and Quadratic Partial Least Squares). The best results are obtained by Neural Network. The efficacy of the Inferential Model is illustrated by application to first order plus time delay and second order plus time delay models. The proposed methodology was also applied to on a polyolefin plant, providing very good results, in a set of five loops, where the potential variance alteration is computed with small error, showing the efficacy of the methodology.

Diminuir a variabilidade de variáveis chaves do processo tornou-se um dos principais caminhos para quantificar os benefícios potenciais da melhoria do controle de processos, ou seja, com maior confiabilidade dos resultados é possível trabalhar em uma região próxima ao ponto de operação ótimo, o que se converte em ganho. Tal ganho pode ser materializado na forma de aumento da capacidade de produção da unidade, redução do consumo de energia, decréscimo de produtos fora de especificação, redução do tempo de transição entre produtos, melhoria na operabilidade, melhoria na qualidade final do produto, entre outros. Na presente dissertação é realizada uma revisão das principais metodologias que visam quantificar o potencial de alteração de variabilidade a qual uma malha de controle possa estar sujeita, além de propor um modelo de inferência que possa ser utilizado para predizer esse potencial de alteração de variabilidade, baseado em índices dados pelo Modelo de Inferência para Desempenho e Robustez. Neste trabalho é mostrado o procedimento utilizado para a construção do Modelo de Inferência de Variabilidade, o qual utiliza como entradas índices que possam ser facilmente quantificáveis e de características da planta (tempo morto e constante de tempo), usando somente dados em operação normal (sem mudanças no valor do setpoint). Para a sua obtenção, três diferentes métodos foram testados (a saber, Rede Neural, Mínimos Quadrados Parciais e Mínimos Quadrados Parciais Quadráticos), sendo os melhores resultados conseguidos ao se aplicar redes neurais. A eficácia do modelo de inferência proposto é ilustrada pela aplicação em casos de estudo nos quais o modelo de planta pode ser representado por funções de transferência de 1ª e de 2ª ordem com tempo morto e a aplicabilidade do mesmo é ilustrada ao utilizá-lo em um caso de estudo, desenvolvido em uma planta industrial. Nesse caso de estudo, procurou-se ainda analisar as principais malhas encontradas no cenário industrial. Os resultados obtidos para ambos os casos de estudo mostraram que a ferramenta desenvolvida apresenta um grande potencial de ser utilizada em projetos que contemplem a análise de pontos de melhoria da camada regulatória, uma vez que apresenta uma excelente capacidade de predizer a alteração de variabilidade a qual uma malha possa estar sujeita. / Reduction of the process variability has a significant impact into the process profitability. A reduction in the variance allows shifting the mean of the controlled variable closer to the constraint and thus ensures better performance like increase product throughput, increase yield of higher valued products, improve energy efficiency, decrease off-specification product, safer operation and reduced environmental impact, among others. In this dissertation, a bibliographic review of the main methodology used to estimate and assess the variance reduction is done. The main contribution of this work is to propose an inferential model to estimate the potential alteration in variance, based on indices determined by the Performance and Robustness Inferential Model. This work shows the procedure to build the Variability Inferential Model that assesses the potential alteration in variance of a given loop. The inputs variables are indices that can be easily calculated on-line and information about the plant (time delay and time constant) using only normal operating data (without excitation and/or setpoint activity). The set of input – output variables are fitted using different techniques (i.e., Neural Networks, Partial Least Squares and Quadratic Partial Least Squares). The best results are obtained by Neural Network. The efficacy of the Inferential Model is illustrated by application to first order plus time delay and second order plus time delay models. The proposed methodology was also applied to on a polyolefin plant, providing very good results, in a set of five loops, where the potential variance alteration is computed with small error, showing the efficacy of the methodology.

Orientador: Denise de Campos Bicudo / Resumo: Este estudo baseou-se em um banco de dados limnológicos e biológicos (diatomáceas de sedimento superficial e da coluna da água) de 33 reservatórios com gradiente trófico (ultraoligotrófico a hipereutrófico) distribuídos na região sudeste do Estado de São Paulo. Visou, como primeira etapa, calcular os ótimos e as tolerâncias ecológicas (etapa de regressão) das espécies de diatomáceas com a finalidade de propor um índice de diatomáceas para avaliar o estado trófico de represas, bem como um modelo de função de transferência diatomácea-fósforo (etapa de calibração) para inferir níveis pretéritos de fósforo da água. Além disso, visou avaliar o efeito da eutrofização sobre a homogeneização taxonômica e funcional das comunidades de diatomáceas. As amostras do sedimento superficial (n = 113) e do plâncton (verão e inverno, n = 226) foram obtidas entre 2009 e 2014. O método da média ponderada (WA) foi utilizado para a etapa de regressão (ótimo e tolerância das espécies), e modelos de regressão clássica e inversa foram testados para a etapa de calibração para a proposição do índice trófico de diatomáceas e para o modelo de função de transferência diatomácea-fósforo. Foram calculados os ótimos e as tolerâncias de fósforo total para 58 (sedimento superficial) e 53 (plâncton) espécies de diatomáceas. O modelo proposto com base nas diatomáceas do sedimento superficial apresentou melhor habilidade (r2 0.71, p<0.001, RMSE 49.43 μg L-1) do que as planctônicas para proposição do índice de esta... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: This study was based on a limnological and biological database (surface sediment and water column diatoms) of 33 reservoirs with trophic gradient (ultraoligo- to hyperereutrophic) distributed in the southeastern region of São Paulo State. The first aim was to calculate the optimum and ecological tolerances (regression stage) of diatom species in order to propose a diatom index to evaluate the trophic state of reservoirs, as well as a model of diatom-phosphorus transfer function (calibration step) to infer past levels of water phosphorus. In addition, it aimed to evaluate the effect of eutrophication on the taxonomic and functional homogenization of diatom communities. Surface sediment (n = 113) and plankton (summer and winter, n = 226) samples were obtained between 2009 and 2014. The weighted average (WA) method was used for the regression step (optimal and species tolerance), and classical and inverse regression models were tested for the calibration step for the proposition of the trophic index of diatoms and for the diatom-phosphorus transfer function model. Optimum and tolerances for total phosphorus were calculated for 58 (surface sediment) and 53 (plankton) diatom species. The model based on the surface sediment diatoms presented better ability (r2 0.71, p<0.001, RMSE 49.43 μg L-1) than phytoplankton diatom to propose the trophic diatom index of reservoirs (TDIR). The transfer function model showed high predictive ability (r2 0.80) and was based on 63 diatom species (su... (Complete abstract click electronic access below) / Doutor