Os processos industriais, em geral, estão sujeitos à presença de distúrbios não medidos, estas perturbações influenciam diretamente na eficiência do processo de produção e na qualidade de seus produtos finais. Essas razões tornam a presença de distúrbios não medidos um dos principais problemas de controle tornando-os, assim, um importante elemento na teoria de controle. Porém, existe um problema fundamental no que envolve o estudo destes sinais uma vez que o comportamento temporal dos distúrbios não medidos não é precisamente conhecido nem é possível sua medição direta em tempo real. Em virtude desses aspectos o presente trabalho propõe uma metodologia capaz de estimar o distúrbio não medido presente em uma malha de controle SISO a partir de dados de processo em condição normal de operação, da estrutura e dos parâmetros de ajuste do controlador. São propostas também outras duas metodologias que utilizam o conhecimento do distúrbio não medido estimado, uma delas realiza a identificação do modelo da planta e a outra prediz o potencial de redução de variabilidade, levando em consideração o distúrbio não medido estimado, o modelo da planta identificado e a real estrutura do controlador em operação. A metodologia foi analisada através de estudos de casos envolvendo modelos de planta de primeira e segunda ordem com e sem tempo morto. Através dos resultados foi possível observar uma boa capacidade de estimação dos distúrbios não medidos assim como uma boa qualidade no modelo da planta identificado, via metodologia proposta, medida através de sua capacidade em reprodutibilidade do modelo real da planta e uma boa capacidade de predição da redução de variabilidade das malhas de controle decorrentes de alterações no ajuste do controlador. / Industrial processes are subject to the presence of unmeasured disturbances and their consequent effects. These disturbances have direct influence on the production process progress and the quality of their products. These reasons make the presence of unmeasured disturbances a problem into control theory. However, there is a fundamental problem to study these signals, since the temporal behavior of unmeasured disturbances is not precisely known and its measurement is not possible directly in real time. Due to these aspects, this paper proposes a methodology to estimate the unmeasured disturbance present in a SISO control loop from normal operating data, the controller structure and its tuning parameters. It proposes also two other methodologies that use the knowledge of the unmeasured disturbance estimate. One of these approaches performs the identification of the plant model and the second computes the potential variability reduction estimated taking account the unmeasured disturbance estimate, the identified plant model and the real controller structure. The methodology was analyzed by some case studies involving plant models of first and second order with and without dead time and different unmeasured disturbances. Through the results we observed a good ability to estimate the unmeasured disturbances, as well as a good quality of the identified plant model, measured by its ability to reproduce the actual plant model and a good ability to predict the reduction of the control loop variability obtained by changes on the controller tuning.

A crescente demanda pela melhoria operacional dos processos aliada ao desenvolvimento da tecnologia da informação tornam a utilização de controladores preditivos baseados em modelos (MPC) uma prática comum na indústria. Estes controladores estimam, a partir dos dados de planta e de um modelo do processo, uma sequência de ações de controle que levam as variáveis ao valor desejado de forma otimizada. Dessa forma, dentre os parâmetros de configuração de um MPC, a baixa qualidade do modelo é, indiscutivelmente, a mais importante fonte de degradação de seu desempenho. Este trabalho propõe uma série de metodologias para a avaliação da qualidade do modelo do controlador preditivo, as quais consideram sua velocidade em malha fechada. Tais metodologias são baseadas na filtragem dos erros de simulação a partir função nominal de sensibilidade, e possuem a capacidade de informar o impacto dos problemas de modelagem no desempenho do sistema, além de localizar as variáveis controladas que estão com tais problemas e se os mesmos são provenientes de uma discrepância no modelo ou de um distúrbio não medido. As técnicas ainda possuem a vantagem de serem independentes do setpoint, o que as torna flexível de também serem utilizadas em controladores nos quais as variáveis são controladas por faixas. A abordagem proposta foi testada em dois estudos de caso simulados, sendo eles: a Fracionadora de Óleo Pesado da Shell e a Planta de Quatro tanques Cilíndricos. As técnicas também foram avaliadas em dados de processo da Unidade de Coqueamento Retardado de uma refinaria. Os resultados indicam que as mesmas apresentam resultados coerentes, corroborando seu elevado potencial de aplicação industrial. / The growing demand for operational improvement and the development of information technology make the use of model predictive controllers (MPCs) a common practice in industry. This kind of controller uses past plant data and a process model to estimate a sequence of control actions to lead the variables to a desired value following an optimal policy. Thus, the model quality is the most important source of MPC performance degradation. This work proposes a series of methods to investigate the controller model quality taking into account its closed loop performance. The methods are based on filtering the simulation errors using the nominal sensitivity function. They are capable detect the impact of modeling problems in the controller performance, and also to locate the controlled variables that have such problems and if it is caused by a model-plant mismatch or unmeasured disturbance. The techniques have the advantage to be setpoint independent, making them flexible to be also used in MPCs with controlled variables working by range. The proposed approach was tested in two simulated case studies The Shell Heavy Oil Fractionator Process and The Quadruple-tanks Process. The methods are also evaluated in process data of the Delayed Coking Unit of a Brazilian refinery. Results indicate that the method is technically coherent and has high potential of industrial application.

Os processos industriais, em geral, estão sujeitos à presença de distúrbios não medidos, estas perturbações influenciam diretamente na eficiência do processo de produção e na qualidade de seus produtos finais. Essas razões tornam a presença de distúrbios não medidos um dos principais problemas de controle tornando-os, assim, um importante elemento na teoria de controle. Porém, existe um problema fundamental no que envolve o estudo destes sinais uma vez que o comportamento temporal dos distúrbios não medidos não é precisamente conhecido nem é possível sua medição direta em tempo real. Em virtude desses aspectos o presente trabalho propõe uma metodologia capaz de estimar o distúrbio não medido presente em uma malha de controle SISO a partir de dados de processo em condição normal de operação, da estrutura e dos parâmetros de ajuste do controlador. São propostas também outras duas metodologias que utilizam o conhecimento do distúrbio não medido estimado, uma delas realiza a identificação do modelo da planta e a outra prediz o potencial de redução de variabilidade, levando em consideração o distúrbio não medido estimado, o modelo da planta identificado e a real estrutura do controlador em operação. A metodologia foi analisada através de estudos de casos envolvendo modelos de planta de primeira e segunda ordem com e sem tempo morto. Através dos resultados foi possível observar uma boa capacidade de estimação dos distúrbios não medidos assim como uma boa qualidade no modelo da planta identificado, via metodologia proposta, medida através de sua capacidade em reprodutibilidade do modelo real da planta e uma boa capacidade de predição da redução de variabilidade das malhas de controle decorrentes de alterações no ajuste do controlador. / Industrial processes are subject to the presence of unmeasured disturbances and their consequent effects. These disturbances have direct influence on the production process progress and the quality of their products. These reasons make the presence of unmeasured disturbances a problem into control theory. However, there is a fundamental problem to study these signals, since the temporal behavior of unmeasured disturbances is not precisely known and its measurement is not possible directly in real time. Due to these aspects, this paper proposes a methodology to estimate the unmeasured disturbance present in a SISO control loop from normal operating data, the controller structure and its tuning parameters. It proposes also two other methodologies that use the knowledge of the unmeasured disturbance estimate. One of these approaches performs the identification of the plant model and the second computes the potential variability reduction estimated taking account the unmeasured disturbance estimate, the identified plant model and the real controller structure. The methodology was analyzed by some case studies involving plant models of first and second order with and without dead time and different unmeasured disturbances. Through the results we observed a good ability to estimate the unmeasured disturbances, as well as a good quality of the identified plant model, measured by its ability to reproduce the actual plant model and a good ability to predict the reduction of the control loop variability obtained by changes on the controller tuning.

Os processos industriais, em geral, estão sujeitos à presença de distúrbios não medidos, estas perturbações influenciam diretamente na eficiência do processo de produção e na qualidade de seus produtos finais. Essas razões tornam a presença de distúrbios não medidos um dos principais problemas de controle tornando-os, assim, um importante elemento na teoria de controle. Porém, existe um problema fundamental no que envolve o estudo destes sinais uma vez que o comportamento temporal dos distúrbios não medidos não é precisamente conhecido nem é possível sua medição direta em tempo real. Em virtude desses aspectos o presente trabalho propõe uma metodologia capaz de estimar o distúrbio não medido presente em uma malha de controle SISO a partir de dados de processo em condição normal de operação, da estrutura e dos parâmetros de ajuste do controlador. São propostas também outras duas metodologias que utilizam o conhecimento do distúrbio não medido estimado, uma delas realiza a identificação do modelo da planta e a outra prediz o potencial de redução de variabilidade, levando em consideração o distúrbio não medido estimado, o modelo da planta identificado e a real estrutura do controlador em operação. A metodologia foi analisada através de estudos de casos envolvendo modelos de planta de primeira e segunda ordem com e sem tempo morto. Através dos resultados foi possível observar uma boa capacidade de estimação dos distúrbios não medidos assim como uma boa qualidade no modelo da planta identificado, via metodologia proposta, medida através de sua capacidade em reprodutibilidade do modelo real da planta e uma boa capacidade de predição da redução de variabilidade das malhas de controle decorrentes de alterações no ajuste do controlador. / Industrial processes are subject to the presence of unmeasured disturbances and their consequent effects. These disturbances have direct influence on the production process progress and the quality of their products. These reasons make the presence of unmeasured disturbances a problem into control theory. However, there is a fundamental problem to study these signals, since the temporal behavior of unmeasured disturbances is not precisely known and its measurement is not possible directly in real time. Due to these aspects, this paper proposes a methodology to estimate the unmeasured disturbance present in a SISO control loop from normal operating data, the controller structure and its tuning parameters. It proposes also two other methodologies that use the knowledge of the unmeasured disturbance estimate. One of these approaches performs the identification of the plant model and the second computes the potential variability reduction estimated taking account the unmeasured disturbance estimate, the identified plant model and the real controller structure. The methodology was analyzed by some case studies involving plant models of first and second order with and without dead time and different unmeasured disturbances. Through the results we observed a good ability to estimate the unmeasured disturbances, as well as a good quality of the identified plant model, measured by its ability to reproduce the actual plant model and a good ability to predict the reduction of the control loop variability obtained by changes on the controller tuning.

A crescente demanda pela melhoria operacional dos processos aliada ao desenvolvimento da tecnologia da informação tornam a utilização de controladores preditivos baseados em modelos (MPC) uma prática comum na indústria. Estes controladores estimam, a partir dos dados de planta e de um modelo do processo, uma sequência de ações de controle que levam as variáveis ao valor desejado de forma otimizada. Dessa forma, dentre os parâmetros de configuração de um MPC, a baixa qualidade do modelo é, indiscutivelmente, a mais importante fonte de degradação de seu desempenho. Este trabalho propõe uma série de metodologias para a avaliação da qualidade do modelo do controlador preditivo, as quais consideram sua velocidade em malha fechada. Tais metodologias são baseadas na filtragem dos erros de simulação a partir função nominal de sensibilidade, e possuem a capacidade de informar o impacto dos problemas de modelagem no desempenho do sistema, além de localizar as variáveis controladas que estão com tais problemas e se os mesmos são provenientes de uma discrepância no modelo ou de um distúrbio não medido. As técnicas ainda possuem a vantagem de serem independentes do setpoint, o que as torna flexível de também serem utilizadas em controladores nos quais as variáveis são controladas por faixas. A abordagem proposta foi testada em dois estudos de caso simulados, sendo eles: a Fracionadora de Óleo Pesado da Shell e a Planta de Quatro tanques Cilíndricos. As técnicas também foram avaliadas em dados de processo da Unidade de Coqueamento Retardado de uma refinaria. Os resultados indicam que as mesmas apresentam resultados coerentes, corroborando seu elevado potencial de aplicação industrial. / The growing demand for operational improvement and the development of information technology make the use of model predictive controllers (MPCs) a common practice in industry. This kind of controller uses past plant data and a process model to estimate a sequence of control actions to lead the variables to a desired value following an optimal policy. Thus, the model quality is the most important source of MPC performance degradation. This work proposes a series of methods to investigate the controller model quality taking into account its closed loop performance. The methods are based on filtering the simulation errors using the nominal sensitivity function. They are capable detect the impact of modeling problems in the controller performance, and also to locate the controlled variables that have such problems and if it is caused by a model-plant mismatch or unmeasured disturbance. The techniques have the advantage to be setpoint independent, making them flexible to be also used in MPCs with controlled variables working by range. The proposed approach was tested in two simulated case studies The Shell Heavy Oil Fractionator Process and The Quadruple-tanks Process. The methods are also evaluated in process data of the Delayed Coking Unit of a Brazilian refinery. Results indicate that the method is technically coherent and has high potential of industrial application.

A crescente demanda pela melhoria operacional dos processos aliada ao desenvolvimento da tecnologia da informação tornam a utilização de controladores preditivos baseados em modelos (MPC) uma prática comum na indústria. Estes controladores estimam, a partir dos dados de planta e de um modelo do processo, uma sequência de ações de controle que levam as variáveis ao valor desejado de forma otimizada. Dessa forma, dentre os parâmetros de configuração de um MPC, a baixa qualidade do modelo é, indiscutivelmente, a mais importante fonte de degradação de seu desempenho. Este trabalho propõe uma série de metodologias para a avaliação da qualidade do modelo do controlador preditivo, as quais consideram sua velocidade em malha fechada. Tais metodologias são baseadas na filtragem dos erros de simulação a partir função nominal de sensibilidade, e possuem a capacidade de informar o impacto dos problemas de modelagem no desempenho do sistema, além de localizar as variáveis controladas que estão com tais problemas e se os mesmos são provenientes de uma discrepância no modelo ou de um distúrbio não medido. As técnicas ainda possuem a vantagem de serem independentes do setpoint, o que as torna flexível de também serem utilizadas em controladores nos quais as variáveis são controladas por faixas. A abordagem proposta foi testada em dois estudos de caso simulados, sendo eles: a Fracionadora de Óleo Pesado da Shell e a Planta de Quatro tanques Cilíndricos. As técnicas também foram avaliadas em dados de processo da Unidade de Coqueamento Retardado de uma refinaria. Os resultados indicam que as mesmas apresentam resultados coerentes, corroborando seu elevado potencial de aplicação industrial. / The growing demand for operational improvement and the development of information technology make the use of model predictive controllers (MPCs) a common practice in industry. This kind of controller uses past plant data and a process model to estimate a sequence of control actions to lead the variables to a desired value following an optimal policy. Thus, the model quality is the most important source of MPC performance degradation. This work proposes a series of methods to investigate the controller model quality taking into account its closed loop performance. The methods are based on filtering the simulation errors using the nominal sensitivity function. They are capable detect the impact of modeling problems in the controller performance, and also to locate the controlled variables that have such problems and if it is caused by a model-plant mismatch or unmeasured disturbance. The techniques have the advantage to be setpoint independent, making them flexible to be also used in MPCs with controlled variables working by range. The proposed approach was tested in two simulated case studies The Shell Heavy Oil Fractionator Process and The Quadruple-tanks Process. The methods are also evaluated in process data of the Delayed Coking Unit of a Brazilian refinery. Results indicate that the method is technically coherent and has high potential of industrial application.