Orientadores: Ana Maria Frattini Fileti, Flávio Vasconcelos da Silva / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Química / Made available in DSpace on 2018-08-16T02:02:41Z (GMT). No. of bitstreams: 1 Dall´Agnol_Marcelo_M.pdf: 3167173 bytes, checksum: fc8b21f6fe3204996f4d61c2febac662 (MD5) Previous issue date: 2010 / Resumo: O presente trabalho teve por objetivo propor uma sistemática para identificação de um sistema de refrigeração dotado de compressor e bomba de fluido secundário de rotação variável, para a aplicação futura de alternativas de controle multivariáveis com foco na redução do consumo de energia e otimização do coeficiente de performance (COP) de tais sistemas. Uma primeira etapa de ensaios experimentais foi realizada para gerar um conhecimento prévio do sistema, caracterizando-o como não-linear. Foram utilizadas diversas arquiteturas de redes neurais artificiais (RNA) para gerar modelos não-lineares MIMO (Multiple Input-Multiple Output), através do software MATLAB® para fazer a predição das temperaturas de evaporação e do fluido secundário. Para treinamento da rede neural foram utilizados dados de ensaios em malha aberta e malha fechada com um controlador PID desenvolvido especialmente para este fim. Neste sistema de controle PID foram utilizadas técnicas como anti-windup e derivative-kick na tentativa de melhorar a atuação de tal controlador. O PID, apesar de conseguir controlar o sistema em torno de 2°C, mostrou-se pouco eficiente quando eram aplicados degraus no set-point e na carga elétrica. A modelagem não-linear resultou em uma rede neural com arquitetura 11x2x8x2 que foi capaz de prever as duas temperaturas com precisão de mais ou menos 0,5°C, mesmo quando o sistema de refrigeração se manteve instável. / Abstract: The main aim of the present work was to propose a systematic identification procedure for an experimental refrigeration system operating under variable rotation speed compressor and pump of secondary fluid. This work will find future applications in alternative multivariable control development with focus on reducing energy consumption and on the optimization of the coefficient of performance (COP) of such systems. The nonlinear feature of the system was proved by means of imposed speed disturbances process reaction curves. Using the software MATLAB? Various artificial neural networks (ANN) architectures were used to generate non-linear models with Multiple-Input-Multiple-Output (MIMO) variables, in order to predict the evaporation and the secondary fluid temperatures. Open-loop and also closed loop assays were carried out and the experimental data used in the neural network training procedure. A specially designed PID, using anti-windup and derivative-kick techniques, was employed in the closed-loop runs. This conventional temperature controller showed an acceptable off-set of 2°C, however some instability occurred when set point and thermal load changed. The best non-linear modeling resulted in a neural network with architecture 11x2x8x2. This neural model was able to predict the two temperatures with precision of about 0.5°C, even when the refrigeration system remained unstable. / Mestrado / Sistemas de Processos Quimicos e Informatica / Mestre em Engenharia Química

Submitted by Luciclea Silva (luci@ufpa.br) on 2018-11-08T12:44:19Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_Projetocontroladorpreditivo.pdf: 1909316 bytes, checksum: a9541564d38d693bc8915cba2b2a4b00 (MD5) / Approved for entry into archive by Luciclea Silva (luci@ufpa.br) on 2018-11-08T12:44:37Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_Projetocontroladorpreditivo.pdf: 1909316 bytes, checksum: a9541564d38d693bc8915cba2b2a4b00 (MD5) / Made available in DSpace on 2018-11-08T12:44:38Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_Projetocontroladorpreditivo.pdf: 1909316 bytes, checksum: a9541564d38d693bc8915cba2b2a4b00 (MD5) Previous issue date: 2018-09-28 / FAPESPA - Fundação Amazônia de Amparo a Estudos e Pesquisas / Nesta pesquisa, são investigados e implementados controladores preditivos do tipo (Generalized Predictive Controller – GPC) e (Model Predictive Controller State Space – MPCSS). O objetivo principal é proporcionar um estudo comparativo de desempenho e estabilidade dinâmica entre essas estruturas de controle, quando aplicados a processos com características dinâmicas distintas e com a presença de perturbação de carga na saída da planta e ruído. O estudo apresenta o projeto dos controladores GPC e MPCSS sem restrições, aplicado a sistemas monovariáveis, empregando o modelo do processo e a função custo na forma incremental. Para o projeto do controlador GPC é utilizado um modelo preditivo para prever a saída do processo ao longo de um horizonte de tempo com a saída sendo composta de sinais medidos das entradas/saídas passadas e do sinal de controle futuro. Já o projeto do MPCSS é desenvolvido no domínio de representação no espaço de estados, com realimentação de estados estimados usando um observador de estados empregando as equações do Filtro de Kalman. O controlador MPCSS tem sua estrutura herdada a partir do modelo de projeto, onde variáveis de estados com comportamento físico, contribuem para a obtenção de uma lei de controle por realimentação de estados estimados. Simulações numéricas são aplicadas para avaliar os projetos dos controladores apresentados. / In this study, predictive controllers of the Generalized Predictive Controller (GPC) and MPCSS (Model Predictive Controller State Space). The main objective is to provide a comparative study of performance and dynamic stability between these control structures, when submitted to processes with distinct dynamic characteristics and in the presence of load disturbance at plant output and noise. The study presents the design of unconstrained GPC and MPCSS controllers, applied to monovariable systems, using the process model and the cost function incrementally. For the GPC controller design, a predictive model is used to predict the output of the process over a time horizon with the output being composed of measured signals of the past inputs-outputs and the future control signal. However, the MPCSS project is developed in the state space representation domain, with feedback of estimated states using a state observer using the Kalman Filter equations. The MPCSS controller has its inherited structure from the project model, where variables of states with physical behavior, enter into obtaining a law of control by feedback of estimated states. Numerical simulations are applied to evaluate the designs of the presented controllers. / IFPA - Instituto Federal de Educação, Ciência e Tecnologia do Pará