Um dos desafios que ainda precisa ser superado com o objetivo de melhorar o desempenho do controle preditivo (MPC) é a sua manutenção. Reidentificação do processo é uma das melhores opções disponíveis para atualizar o modelo interno do MPC, a fim de melhorar seu desempenho. No entanto, o processo de reidentificação é dispendioso. Pesquisadores propuseram dois métodos diferentes, capazes de detectar divergências entre o processo real e o seu modelo, através da análise de correlações parciais. Utilizando essas técnicas, ao invés de reidentificar todos os sub-modelos do processo, apenas algumas entradas com divergência significativas teriam que ser perturbadas e somente a parte degradada do modelo seria atualizada. Entretanto, não há informações suficientes e análises sobre a influência das estruturas de modelo nos resultados das correlações parciais. Além disso, apesar de ambas as abordagens serem eficientes na detecção de divergências significativas, elas não fornecem informações suficientes sobre a sua quantificação. Esta dissertação de mestrado demonstra que o método de Carlsson (2010) é uma solução particular do método de Badwe et al. (2009), quando os modelos utilizados no processo de identificação são estruturas FIR. Além disso, alguns outros tipos de estruturas serão estudados, de modo a verificar se eles são adequados para a análise da correlação parcial, com o objetivo de detectar esse tipo de divergência. Quanto à limitação da detecção do nível da divergência entre o modelo e a planta, este trabalho propõe um projeto inicial de um novo método para resolver este problema, através da adição de ruído branco off-line nos dados coletados do processo, com diferentes variações antes da análise da correlação parcial. Um estudo de caso simulado é mostrado, que confirma a eficácia desta nova técnica. Finalmente, são apresentadas as conclusões encontradas e as possibilidades para estudos futuros. / One of the challenges that still needs to be overcome in order to improve the performance of the model predictive control (MPC) is its maintenance. Re-identification of the process is one of the best options available to update the internal model of the MPC, in order to improve performance. However, re-identification is costly. Researchers have proposed two different methods able to detect plant mismatch through partial correlation analysis. Using these techniques, instead of re-identifying all the sub-models in the process, only a few inputs with significant mismatch would have to be perturbed and only the degraded portion of the model would be updated. Nevertheless, there is not enough information and analysis about the influence of the model structures for identification on partial correlation results. Besides, although both approaches are efficient in detecting significant mismatches, they do not provide enough information about its magnitude. This masters thesis demonstrates that the Carlssons method (2010) is a particular solution of the Badwe et al.s method, when the models used on the identification process are FIR structures. Moreover, some other types of structures will be analyzed in order to check if they are suitable for the partial correlation procedure to detect plant mismatches. Concerning the limitation of the detection the level of plant-mismatch, this thesis proposes a starting project of a new method to address this issue by adding offline white noise to the collected data from the process with different variances before analyzing the partial correlation. A simulation case study is shown that confirms the efficacy of this new technique. Finally, conclusions and possible future studies are presented.

Um dos desafios que ainda precisa ser superado com o objetivo de melhorar o desempenho do controle preditivo (MPC) é a sua manutenção. Reidentificação do processo é uma das melhores opções disponíveis para atualizar o modelo interno do MPC, a fim de melhorar seu desempenho. No entanto, o processo de reidentificação é dispendioso. Pesquisadores propuseram dois métodos diferentes, capazes de detectar divergências entre o processo real e o seu modelo, através da análise de correlações parciais. Utilizando essas técnicas, ao invés de reidentificar todos os sub-modelos do processo, apenas algumas entradas com divergência significativas teriam que ser perturbadas e somente a parte degradada do modelo seria atualizada. Entretanto, não há informações suficientes e análises sobre a influência das estruturas de modelo nos resultados das correlações parciais. Além disso, apesar de ambas as abordagens serem eficientes na detecção de divergências significativas, elas não fornecem informações suficientes sobre a sua quantificação. Esta dissertação de mestrado demonstra que o método de Carlsson (2010) é uma solução particular do método de Badwe et al. (2009), quando os modelos utilizados no processo de identificação são estruturas FIR. Além disso, alguns outros tipos de estruturas serão estudados, de modo a verificar se eles são adequados para a análise da correlação parcial, com o objetivo de detectar esse tipo de divergência. Quanto à limitação da detecção do nível da divergência entre o modelo e a planta, este trabalho propõe um projeto inicial de um novo método para resolver este problema, através da adição de ruído branco off-line nos dados coletados do processo, com diferentes variações antes da análise da correlação parcial. Um estudo de caso simulado é mostrado, que confirma a eficácia desta nova técnica. Finalmente, são apresentadas as conclusões encontradas e as possibilidades para estudos futuros. / One of the challenges that still needs to be overcome in order to improve the performance of the model predictive control (MPC) is its maintenance. Re-identification of the process is one of the best options available to update the internal model of the MPC, in order to improve performance. However, re-identification is costly. Researchers have proposed two different methods able to detect plant mismatch through partial correlation analysis. Using these techniques, instead of re-identifying all the sub-models in the process, only a few inputs with significant mismatch would have to be perturbed and only the degraded portion of the model would be updated. Nevertheless, there is not enough information and analysis about the influence of the model structures for identification on partial correlation results. Besides, although both approaches are efficient in detecting significant mismatches, they do not provide enough information about its magnitude. This masters thesis demonstrates that the Carlssons method (2010) is a particular solution of the Badwe et al.s method, when the models used on the identification process are FIR structures. Moreover, some other types of structures will be analyzed in order to check if they are suitable for the partial correlation procedure to detect plant mismatches. Concerning the limitation of the detection the level of plant-mismatch, this thesis proposes a starting project of a new method to address this issue by adding offline white noise to the collected data from the process with different variances before analyzing the partial correlation. A simulation case study is shown that confirms the efficacy of this new technique. Finally, conclusions and possible future studies are presented.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Model predictive control (MPC) strategies have become the standard for advanced control applications in the process industry. Significant benefits are generated from the MPC's capacity to ensure that the plant operates within its constraints more profitably. However, like any controller, after some time under operation, MPCs rarely function as when they were initially designed. A large percentage of performance degradation of MPC is associated with the deterioration of model that controller uses to predict process outputs and calculate inputs. The objective of the present work is implementation of mathematical methods that can be used to detect model-plant mismatch in linear and nonlinear MPC systems. In this work, techniques based on cross correlation, partial correlation and mutual information are implemented and tested by numerical simulation in case studies characteristic of the petrochemical industry, represented by linear and nonlinear models, operating under MPC control. The results obtained through the applying the techniques are analyzed and compared as to their efficiency is not intended to offer their potential for real industrial applications. / Estratégias de controle preditivo (MPC) têm-se tornado o padrão para aplicações de controle avançado na indústria de processos. Os benefícios significativos são gerados a partir da habilidade do controlador MPC de assegurar que a planta opere dentro das restrições de forma mais lucrativa. Porém, como todo controlador, depois de algum tempo em operação, os MPCs raramente funcionam como quando foram inicialmente projetados. Uma grande porcentagem da degradação do desempenho dos controladores MPC está associada à deterioração do modelo que o controlador usa para fazer a predição das saídas do processo e calcular as entradas. O objetivo do presente trabalho é a implementação de métodos matemáticos que possam ser utilizados para a detecção de erros planta-modelo em sistemas de controle MPC lineares e não lineares. Neste trabalho, técnicas baseadas em correlação cruzada, correlação parcial e informação mútua são implementadas e testadas por simulação numérica em estudos de caso característicos da indústria petroquímica, representados por modelos lineares e não lineares, operando sob controle MPC. Os resultados obtidos através da aplicação das técnicas são analisados e comparados quanto à sua eficiência no objetivo proposto avaliando seu potencial para aplicações industriais reais.