The standardization of operational procedures in chemical plants through the use of automation have became a mandatory practice for the current companies that tries or have tried a place in the commodities competitive stock. Real gains in productivity and recovery are closely related to controller s performance used in chemical process of this companies. There are a several controllers strategies in which the predictive control is a powerful tool that shows attractive results. The use of predictive control is achieved by the implementation of the control strategy in a pilot plant of a MIMO (Multiple-Input Multiple-Output) non-linear process. The nonlinear process is a experimental system of a neutralization reactor with three input flows and one output flow, and the manipulated variable are the level of reactor and the pH of mixture. The input flows are one of acid, one of base and one of buffer solution and this are the controlled variables. The information used to controller project was obtained in a open loop procedure. In this procedure, it was made disturbances in input variable and watched the output variable behavior. The MPC ( Model Predictive Control) performance was tested in a simulation and after in the pilot plant. The results achieved in simulation and practice implementation shows the excellent performance of controller to the process. / A padronização dos procedimentos operacionais nas plantas químicas através do emprego de automação vem tornando-se uma prática obrigatória para as atuais empresas que ocupam ou tentam ocupar um lugar de destaque no competitivo mercado de commodities. Ganhos reais de produtividade e recuperação estão intimamente associados ao desempenho dos controladores utilizados nos processos químicos destas empresas. Dentre as diversas estratégias de controle existentes, o controle preditivo corresponde a uma poderosa ferramenta que apresenta resultados bastante atrativos. Este trabalho investiga a aplicação prática de controle preditivo em uma planta piloto representativa de processos não-lineares MIMO (Multiple-Input Multiple-Output). O processo não-linear é um sistema experimental composto por um reator de neutralização com três correntes de entrada e uma de saída, sendo que as variáveis manipuladas correspondem ao nível do tanque e ao pH da mistura. As correntes de entrada são uma de ácido, uma de base e uma de solução tampão e correspondem às variáveis controladas. Informações necessárias para o projeto do controlador foram coletadas através do procedimento de operação em malha aberta, no qual provocou-se pertubações nas variáveis de entrada e observou-se o comportamento das variáveis de saída. O desempenho do controlador MPC (Model Predictive Control) proposto foi inicialmente avaliado em simulação e posteriormente na planta piloto. Os resultados obtidos na simulação e na implementação prática comprovam o excelente desempenho do controlador para o processo em estudo. / Mestre em Engenharia Química

abstract: Increasing interest in individualized treatment strategies for prevention and treatment of health disorders has created a new application domain for dynamic modeling and control. Standard population-level clinical trials, while useful, are not the most suitable vehicle for understanding the dynamics of dosage changes to patient response. A secondary analysis of intensive longitudinal data from a naltrexone intervention for fibromyalgia examined in this dissertation shows the promise of system identification and control. This includes datacentric identification methods such as Model-on-Demand, which are attractive techniques for estimating nonlinear dynamical systems from noisy data. These methods rely on generating a local function approximation using a database of regressors at the current operating point, with this process repeated at every new operating condition. This dissertation examines generating input signals for data-centric system identification by developing a novel framework of geometric distribution of regressors and time-indexed output points, in the finite dimensional space, to generate sufficient support for the estimator. The input signals are generated while imposing “patient-friendly” constraints on the design as a means to operationalize single-subject clinical trials. These optimization-based problem formulations are examined for linear time-invariant systems and block-structured Hammerstein systems, and the results are contrasted with alternative designs based on Weyl's criterion. Numerical solution to the resulting nonconvex optimization problems is proposed through semidefinite programming approaches for polynomial optimization and nonlinear programming methods. It is shown that useful bounds on the objective function can be calculated through relaxation procedures, and that the data-centric formulations are amenable to sparse polynomial optimization. In addition, input design formulations are formulated for achieving a desired output and specified input spectrum. Numerical examples illustrate the benefits of the input signal design formulations including an example of a hypothetical clinical trial using the drug gabapentin. In the final part of the dissertation, the mixed logical dynamical framework for hybrid model predictive control is extended to incorporate a switching time strategy, where decisions are made at some integer multiple of the sample time, and manipulation of only one input at a given sample time among multiple inputs. These are considerations important for clinical use of the algorithm. / Dissertation/Thesis / Ph.D. Electrical Engineering 2014

The main topic of this thesis is model predictive control (MPC) of an unstable fighter aircraft. When flying it is important to be able to reach, but not exceed the aircraft limitations and to consider the physical boundaries on the control signals. MPC is a method for controlling a system while considering constraints on states and control signals by formulating it as an optimization problem. The drawback with MPC is the computational time needed and because of that, it is primarily developed for systems with a slowly varying dynamics. Two different methods are chosen to speed up the process by making simplifications, approximations and exploiting the structure of the problem. The first method is an explicit method, performing most of the calculations offline. By solving the optimization problem for a number of data sets and thereafter training a neural network, it can be treated as a simpler function solved online. The second method is called fast MPC, in this case the entire optimization is done online. It uses Cholesky decomposition, backward-forward substitution and warm start to decrease the complexity and calculation time of the program. Both methods perform reference tracking by solving an underdetermined system by minimizing the weighted norm of the control signals. Integral control is also implemented by using a Kalman filter to observe constant disturbances. An implementation was made in MATLAB for a discrete time linear model and in ARES, a simulation tool used at Saab Aeronautics, with a more accurate nonlinear model. The result is a neural network function computed in tenth of a millisecond, a time independent of the size of the prediction horizon. The size of the fast MPC problem is however directly affected by the horizon and the computational time will never be as small, but it can be reduced to a couple of milliseconds at the cost of optimality.

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 identificação para controle é baseada especificamente na construção de modelos matemáticos a partir de dados experimentais, cuja finalidade é encontrar uma relação entre um conjunto de entradas e saídas de um processo dinâmico. Estes modelos são de fundamental importância para o projeto de controladores em processos industriais. No presente trabalho é realizada a identificação e o desenvolvimento do sistema de controle para uma planta piloto de neutralização de pH. O procedimento de identificação é baseado na coleta de dados reais do processo de neutralização de pH, operando em malha fechada. A estimativa dos modelos é realizada de duas formas: (1) estimar modelos que representem o comportamento de todo o sistema, incluindo os controladores PID do processo e (2) estimar modelos do processo com os dados coletados dos sinais de controle e as variáveis de saída do processo. Com os modelos do processo estimados projeta-se uma estratégia de controle MPC (Model Predictive Control), envolvendo dois esquemas de controle. O primeiro esquema calculará os set points ótimos que ingressarão nas malhas do processo. O segundo esquema calculará os sinais de controle ótimos que ingressarão diretamente no processo. O tipo de controlador MPC adotado é o QDMC (Quadratic Dynamic Matrix Control), permitindo restringir os sinais de entrada e saída do processo. A avaliação destes esquemas de controle é realizada mediante a mudança do set point das malhas do processo e a influência de perturbações. As perturbações são baseadas no aumento da vazão do ácido que ingressa no reator. / Identification for control system is based specifically on the mathematical models construction from experimental data, whose aim is to find a relationship between a set of inputs and outputs of a dynamic process. These models are fundamentally important for the industrial processes controllers design. In this work is performed the identification and development of the control system for a pH neutralization pilot plant. The identification procedure is based on the real data collected from pH neutralization process, operating in closed loop. The models estimation is performed in two forms: (1) estimating models that represent all system behavior, including process PID controllers and (2) estimating process models with collecting data of the control signals and process output variables. The process models parameters estimation is performed with the algorithms studied in Chapter 4. With the estimated process models is a MPC (Model Predictive Control) control strategy was designed, creating two control schemes. First scheme will compute the optimal set points that will enter to the process-loops. The second scheme will compute the optimal control signals that will enter to the process. The type of MPC controller adopted is a QDMC (Quadratic Dynamic Matrix Control), allowing restriction of the input and output signals. The control schemes evaluation is performed by changing the set point of the process-loops and the disturbance influence. This disturbance is based on acid flow increased that enters the reactor.

Colunas de destilação de alta pureza são sistemas de difícil controle. Apresentam longo tempo de resposta, comportamento altamente não linear e grande interação entre as variáveis. Os controladores preditivos são muito utilizados para o controle de colunas de destilação. Porém, em colunas de alta pureza, a incorporação de um único modelo linear geralmente acarreta em um controle de fraco desempenho. Isto pois, a representação do processo é deficiente, já que não considera variações nos ganhos e nas dinâmicas, típicas de um comportamento não linear. Estas incertezas podem, inclusive, provocar a instabilidade do controle o que resultaria em produtos que não atendam à especificação. Este trabalho tem por objetivo avaliar o desempenho dos controladores de horizonte de predição infinito com um modelo interno e com múltiplos modelos tendo o HYSYS(TM) como simulador de uma coluna de separação benzeno/tolueno e o MATLAB(TM) como ambiente para o controle supervisório. Observa-se que o controlador com apenas um modelo não é capaz de estabilizar o processo para perturbação nos valores de referência das variáveis controladas, ao contrário do controlador com múltiplos modelos. / High-purity distillation columns are systems which are typically difficult to control. The main reason for this is a strongly nonlinear and interactive system associated with a very sluggish response. Model Predictive Control is widely used for control of distillation columns. However, for high-purity columns, the use of a single linear model in the controller usually leads to a poor performance of the control system. The reason for this is the poor system representation, since variation in the system gains and time constants are not taken into account in the computation of the control law. Model uncertainties can produce instability in the control system and consequent deterioration of the product quality. The goal of this work is to evaluate the performance of infinite horizon MPC with a single internal model and with multiple models. HYSYS(TM) is used as simulator for the benzene/toluene column, and MATLAB(TM) is used as a platform for supervisory control. It is observed that the controller with a single model is not capable of stabilizing the process for disturbance in the set point of the controlled variables. Opposite to that behavior the controller with multiple models has a good performance.

A identificação de modelos é usualmente a tarefa mais significativa e demorada no trabalho de implementação e manutenção de sistemas de controle que usam Controle Preditivo baseado em Modelos (MPC) tendo em vista a complexidade da tarefa e a importância que o modelo possui para um bom desempenho do controlador. Após a implementação, o controlador tende a permanecer com o modelo original mesmo que mudanças de processo tenham ocorrido levando a uma degradação das ações do controlador. Este trabalho apresenta uma aplicação industrial de re-identificação em malha fechada. A metodologia de excitação da planta utilizada foi apresentada em Sotomayor et al. (2009). Tal técnica permite obter o comportamento das variáveis de processo sem desligar o MPC e sem modificar sua estrutura, aumentando assim, o automatismo e a segurança do procedimento de re-identificação. O sistema re-identificado foi uma coluna debutanizadora de uma refinaria brasileira sendo que os modelos fazem parte do controle preditivo multivariável dessa coluna de destilação. A metodologia foi aplicada com sucesso podendo-se obter os seis novos modelos para atualizar o controlador em questão, o que resultou em uma melhoria de seu desempenho. / Model identification is usually the most significant and time-consuming task of implementing and maintaining control systems based on models (MPC) concerning the complexity of the task and the importance of the model for a good performance of the controller. After being implemented the MPC tends to remain with the original model even after process changes have occurred, leading to a degradation of the controller actions. The present work shows an industrial application of closed-loop re-identification. The plant excitation methodology used here was presented in Sotomayor et al. (2009). Such technique allows for obtaining the behavior of the process variables with the MPC still working and without modifying the MPC structure, increasing automation and safety of the re-identification procedure. The system re-identified was a debutanizer column of a Brazilian refinery being the models part of the multivariable predictive control of this distillation column. The methodology was applied with reasonable success managing to obtain 6 new models to update this MPC, and resulting in improved control performance.

Durante a operação de um controlador MPC, a planta pode ir para outro ponto de operação principalmente pela decisão operacional ou pela presença de perturbações medidas/não-medidas. Assim, o modelo do controlador deve ser adaptado para a nova condição de operação favorecendo o controle sob as novas condições. Desta forma, as condições ótimas de controle podem ser alcançadas com a maior quantidade de modelos identificados e com um controlador adaptativo que seja capaz de selecionar o melhor modelo. Neste trabalho é apresentada uma metodologia de controle adaptativo com identificação on-line do melhor modelo o qual pertence a um conjunto previamente levantado. A metodologia proposta considera um controlador em duas camadas e a excitação do processo através de um sinal GBN na camada de otimização com o controlador em malha fechada. Está sendo considerada a validação deste controlador adaptativo através da comparação dos resultados com duas diferentes técnicas Controlador MMPC e Identificação ARX, para a comprovação dos bons resultados desta metodologia. / During the operation of a MPC, the plant can change the operation point mainly due to management decision or due to the presence of measured or unmeasured disturbances. Thus, the model of the controller must be adapted to improve the control in the new operation conditions. In such a way, a better control policy can be achieved if a large number of models are identified at the possible operation points and it is available an adaptive controller that is capable of selecting the best model. In this work is presented a methodology of adaptive control with on-line identification of the most adequate model which belongs to a set of models previously obtained. The proposed methodology considers a two-layer controller and process excitation by a GBN signal in the LP optimization layer with the controller in closed loop mode. It is also presented the adaptive controller validation by comparing the proposed approach with two different techniques - MMPC and ARX Identification, to confirm the good results with this new methodology to the adaptive controller.

Na implementação de controladores MPC, o desenvolvimento e a definição dos modelos do processo é a etapa mais crítica e a que mais consome tempo. Normalmente, os modelos são obtidos através de testes de identificação realizados na planta, onde se observam as respostas em malha aberta das variáveis controladas a perturbações introduzidas individualmente nas variáveis manipuladas. Por este motivo, a aplicação das técnicas de identificação em malha fechada a controladores MPC com restrições nas entradas e/ou saídas é, reconhecidamente, uma área de aplicação de interesse crescente. Neste trabalho é estudada a modificação do controlador MPC convencional através da inclusão de uma nova restrição de excitação em adição às restrições normais do controlador, com a finalidade de perturbar o processo de forma controlada, propiciando a identificação em malha fechada de modelos mais precisos do processo, a partir de modelos aproximados. São desenvolvidas quatro abordagens para implementação desta filosofia e apresentadas simulações para vários casos teóricos, utilizando modelos de dois processos industriais obtidos de artigos recentes relacionados a controle multivariável com incertezas nos modelos. Os resultados das simulações indicam que os dados produzidos permitiram a correta identificação dos modelos tanto no caso nominal (modelo igual à planta) quanto para casos onde a planta era diferente do modelo empregado para as predições do MPC. / In MPC implementation, the process models development and definition is the most critical and time consuming task. Normally, the models are obtained through plant identification tests where perturbations are individually introduced in the manipulated variable while the controlled variable open-loop behavior is observed. For this reason, the application of closed-loop identification techniques to MPC controllers with input or output constraints is a growing interest area. This work studies the traditional MPC controller modification with the inclusion of a new excitation constraint, in addition to input or output constraints, whose function is to perturb the process in a controlled way, permitting the closed-loop identification of more precise models, based on known approximated models. Four implementation methodologies are developed and some simulated theoretical cases are presented using models of two industrial processes extracted from recent papers related to multivariable control with models uncertainty. The simulation results show that the obtained datasets allow the identification of the correct model, both in the nominal case (when the model used by MPC is the true model of the plant) and in the uncertain case, where the model used by MPC is different from the true model.

Orientador: Ernesto Ruppert Filho / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação / Made available in DSpace on 2018-08-17T02:52:22Z (GMT). No. of bitstreams: 1 SguareziFilho_AlfeuJoaozinho_D.pdf: 7551857 bytes, checksum: a213e4502091f76c91d03fd013f66970 (MD5) Previous issue date: 2010 / Resumo: A energia eólica surge como alternativa à crescente demanda por energia elétrica e as preocupações com as reduções de emissão de materiais poluentes no mundo todo. Nesse contexto, o objetivo desta tese é o de propor o uso de três tipos de controladores de potências ativa e reativa do gerador de indução trifásico com rotor bobinado para uso em parques eólicos. Os controladores propostos são o controlador deadbeat, o controlador por desacoplamento de fluxo de enrolamento de estator associado com o controlador deadbeat e, finalmente, o controlador preditivo, todos eles baseados na modelagem dinâmica do gerador. O gerador tem tanto seu enrolamento de estator diretamente conectado à rede elétrica e seu enrolamento de rotor conectado à rede através de um conversor bidirecional que permite ao fluxo de potência apresentar um comportamento bidirecional. Avalia-se também o desempenho dos controladores de potências mencionados quando existem erros nos parâmetros estimados do gerador. Resultados de simulação computacional do modelo matemático dinâmico do sistema bem como resultados experimentais obtidos em uma montagem de bancada são apresentados para comprovação das propostas. / Abstract: Wind energy is an alternative to the growing demand for electricity and concerns about emission reductions of pollutants worldwide. In this context, the objective of this thesis is to propose the use of three types of real and reactive power controllers of the wound rotor three phase induction generator to be used in wind farms. The proposed controllers are the deadbeat controller, the controller by decoupling stator winding magnetic flux associated with the deadbeat controller and finally, the predictive control, all based on the generator dynamic mathematical model. The generator has its stator windings directly connected to the grid as its rotor windings connected to the network through a bi-directional converter that allows the power flow in the two directions. It also evaluates the performance of the mentioned power controllers when there are errors in the estimated generator's parameters. Results of computer simulations of the system dynamic mathematical model and experimental results obtained on a laboratory assembly are presented to check the proposals. / Doutorado / Energia Eletrica / Doutor em Engenharia Elétrica