Este trabalho apresenta metodologias para a construção e a sintonia de estimadores de estados não-lineares visando aplicações práticas. O funcionamento de um estimador de estados não-linear está calcado em quatro etapas básicas: (a) sintonia; (b) predição; (c) atualização da matriz de covariância de estados; (d) filtragem e suavização dos estados. As principais contribuições deste trabalho para cada uma destas etapas podem ser resumidas como segue: (a) Sintonia. A sintonia adequada da matriz de covariância do ruído de processos é fundamental na aplicação dos estimadores de estado com modelos sujeitos a incertezas paramétricas e estruturais. Sendo assim, foi proposto um novo algoritmo para a sintonia desta matriz que considera dois novos métodos para a determinação da matriz de covariância dos parâmetros. Este algoritmo melhorou significativamente a precisão da estimação dos estados na presença dessas incertezas, com potencialidade para ser usado na atualização de modelos em linha em práticas industriais. (b) Predição. Uma das etapas mais importantes para a aplicação do estimador de estados é a formulação dos modelos usados. Desta forma, foi mostrado como a formulação do modelo a ser usada em um estimador de estados pode impactar na observabilidade do sistema e na sintonia das matrizes de covariância. Também são apresentadas as principais recomendações para formular um bom modelo. (c) Atualização da matriz de covariância dos estados. A robustez numérica das matrizes de covariância dos estados usadas em estimadores de estados sem e com restrições é ilustrada através de dois exemplos da engenharia química que apresentam multiplicidade de soluções. Mostrou-se que a melhor forma de atualizar os estados consiste na resolução de um problema de otimização sujeito a restrições onde as estimativas fisicamente inviáveis dos estados são evitadas. Este também preserva a gaussianidade dos ruídos evitando que estes sejam mal distribuídos. (d) Filtragem e suavização dos estados. Entre as formulações estudadas, observou-se também que a melhor relação entre a acuracidade das estimativas e a viabilidade de aplicação prática é obtida com a formulação do filtro de Kalman estendido sujeita a restrições (denominada Constrained Extended Kalman Filter - CEKF), uma vez que esta demanda menor esforço computacional que a estimação de horizonte móvel, apresentando um desempenho comparável exceto no caso de estimativas ruins da condição inicial dos estados. Como uma solução alternativa eficiente para a estimação de horizonte móvel neste último caso, foi proposto um novo estimador baseado na inclusão de uma estratégia de suavização na formulação do CEKF, referenciado como CEKF & Smoother (CEKF&S). / This work presents approaches to building and tuning nonlinear state estimators aiming practical applications. The implementation of a nonlinear state estimator is supported by four basic steps: (a) tuning; (b) forecast; (c) state covariance matrix update; (d) states filtering and smoothing. The main contributions of this work for each one of these stages can be summarized as follows: (a) Tuning. An appropriate choice of the process-noise covariance matrix is crucial in applying state estimators with models subjected to parametric and structural uncertainties. Thus, a new process-noise covariance matrix tuning algorithm is presented in this work which incorporates two new methods for the parameter covariance matrix computation. The algorithm has improved significantly the state estimation accuracy when the presence of such uncertainties, with potential to be applied in on-line model update in industrial practice. (b) Forecast. One of the most important stages in applying state estimators is the used model formulation. In this way, it has been shown that the model formulation to be used in state estimator can impact on the system observability and noisecovariance matrices tuning. In this work it is also presented the main recommendations to formulate an appropriated model. (c) State covariance matrix update. The numerical robustness of the state covariance matrices used in unconstrained and constrained state estimators is illustrated by two chemical engineering examples tending to multiple solutions. It has been shown that the best technique to update the states consists in solving an optimization problem subjected to constraints, since it prevents from physically unfeasible states. It also preserves the noise gaussianity preventing from bad noise distribution. (d) States filtering and smoothing. Among the studied formulations, it was also noticed that the better relationship between performance and practical application is obtained with an extended Kalman filter formulation subjected to constraints (called Constrained Extended Kalman Filter - CEKF) because it requires small computational effort than MHE with comparable performance, except in case of poor guesses of the initial state. As an efficient solution for moving horizon estimation in the last case, it was proposed a new estimator based on the addition of a smoother strategy into the CEKF formulation, referred as CEKF & Smoother (CEKF&S).

Este trabalho apresenta metodologias para a construção e a sintonia de estimadores de estados não-lineares visando aplicações práticas. O funcionamento de um estimador de estados não-linear está calcado em quatro etapas básicas: (a) sintonia; (b) predição; (c) atualização da matriz de covariância de estados; (d) filtragem e suavização dos estados. As principais contribuições deste trabalho para cada uma destas etapas podem ser resumidas como segue: (a) Sintonia. A sintonia adequada da matriz de covariância do ruído de processos é fundamental na aplicação dos estimadores de estado com modelos sujeitos a incertezas paramétricas e estruturais. Sendo assim, foi proposto um novo algoritmo para a sintonia desta matriz que considera dois novos métodos para a determinação da matriz de covariância dos parâmetros. Este algoritmo melhorou significativamente a precisão da estimação dos estados na presença dessas incertezas, com potencialidade para ser usado na atualização de modelos em linha em práticas industriais. (b) Predição. Uma das etapas mais importantes para a aplicação do estimador de estados é a formulação dos modelos usados. Desta forma, foi mostrado como a formulação do modelo a ser usada em um estimador de estados pode impactar na observabilidade do sistema e na sintonia das matrizes de covariância. Também são apresentadas as principais recomendações para formular um bom modelo. (c) Atualização da matriz de covariância dos estados. A robustez numérica das matrizes de covariância dos estados usadas em estimadores de estados sem e com restrições é ilustrada através de dois exemplos da engenharia química que apresentam multiplicidade de soluções. Mostrou-se que a melhor forma de atualizar os estados consiste na resolução de um problema de otimização sujeito a restrições onde as estimativas fisicamente inviáveis dos estados são evitadas. Este também preserva a gaussianidade dos ruídos evitando que estes sejam mal distribuídos. (d) Filtragem e suavização dos estados. Entre as formulações estudadas, observou-se também que a melhor relação entre a acuracidade das estimativas e a viabilidade de aplicação prática é obtida com a formulação do filtro de Kalman estendido sujeita a restrições (denominada Constrained Extended Kalman Filter - CEKF), uma vez que esta demanda menor esforço computacional que a estimação de horizonte móvel, apresentando um desempenho comparável exceto no caso de estimativas ruins da condição inicial dos estados. Como uma solução alternativa eficiente para a estimação de horizonte móvel neste último caso, foi proposto um novo estimador baseado na inclusão de uma estratégia de suavização na formulação do CEKF, referenciado como CEKF & Smoother (CEKF&S). / This work presents approaches to building and tuning nonlinear state estimators aiming practical applications. The implementation of a nonlinear state estimator is supported by four basic steps: (a) tuning; (b) forecast; (c) state covariance matrix update; (d) states filtering and smoothing. The main contributions of this work for each one of these stages can be summarized as follows: (a) Tuning. An appropriate choice of the process-noise covariance matrix is crucial in applying state estimators with models subjected to parametric and structural uncertainties. Thus, a new process-noise covariance matrix tuning algorithm is presented in this work which incorporates two new methods for the parameter covariance matrix computation. The algorithm has improved significantly the state estimation accuracy when the presence of such uncertainties, with potential to be applied in on-line model update in industrial practice. (b) Forecast. One of the most important stages in applying state estimators is the used model formulation. In this way, it has been shown that the model formulation to be used in state estimator can impact on the system observability and noisecovariance matrices tuning. In this work it is also presented the main recommendations to formulate an appropriated model. (c) State covariance matrix update. The numerical robustness of the state covariance matrices used in unconstrained and constrained state estimators is illustrated by two chemical engineering examples tending to multiple solutions. It has been shown that the best technique to update the states consists in solving an optimization problem subjected to constraints, since it prevents from physically unfeasible states. It also preserves the noise gaussianity preventing from bad noise distribution. (d) States filtering and smoothing. Among the studied formulations, it was also noticed that the better relationship between performance and practical application is obtained with an extended Kalman filter formulation subjected to constraints (called Constrained Extended Kalman Filter - CEKF) because it requires small computational effort than MHE with comparable performance, except in case of poor guesses of the initial state. As an efficient solution for moving horizon estimation in the last case, it was proposed a new estimator based on the addition of a smoother strategy into the CEKF formulation, referred as CEKF & Smoother (CEKF&S).

Este trabalho apresenta metodologias para a construção e a sintonia de estimadores de estados não-lineares visando aplicações práticas. O funcionamento de um estimador de estados não-linear está calcado em quatro etapas básicas: (a) sintonia; (b) predição; (c) atualização da matriz de covariância de estados; (d) filtragem e suavização dos estados. As principais contribuições deste trabalho para cada uma destas etapas podem ser resumidas como segue: (a) Sintonia. A sintonia adequada da matriz de covariância do ruído de processos é fundamental na aplicação dos estimadores de estado com modelos sujeitos a incertezas paramétricas e estruturais. Sendo assim, foi proposto um novo algoritmo para a sintonia desta matriz que considera dois novos métodos para a determinação da matriz de covariância dos parâmetros. Este algoritmo melhorou significativamente a precisão da estimação dos estados na presença dessas incertezas, com potencialidade para ser usado na atualização de modelos em linha em práticas industriais. (b) Predição. Uma das etapas mais importantes para a aplicação do estimador de estados é a formulação dos modelos usados. Desta forma, foi mostrado como a formulação do modelo a ser usada em um estimador de estados pode impactar na observabilidade do sistema e na sintonia das matrizes de covariância. Também são apresentadas as principais recomendações para formular um bom modelo. (c) Atualização da matriz de covariância dos estados. A robustez numérica das matrizes de covariância dos estados usadas em estimadores de estados sem e com restrições é ilustrada através de dois exemplos da engenharia química que apresentam multiplicidade de soluções. Mostrou-se que a melhor forma de atualizar os estados consiste na resolução de um problema de otimização sujeito a restrições onde as estimativas fisicamente inviáveis dos estados são evitadas. Este também preserva a gaussianidade dos ruídos evitando que estes sejam mal distribuídos. (d) Filtragem e suavização dos estados. Entre as formulações estudadas, observou-se também que a melhor relação entre a acuracidade das estimativas e a viabilidade de aplicação prática é obtida com a formulação do filtro de Kalman estendido sujeita a restrições (denominada Constrained Extended Kalman Filter - CEKF), uma vez que esta demanda menor esforço computacional que a estimação de horizonte móvel, apresentando um desempenho comparável exceto no caso de estimativas ruins da condição inicial dos estados. Como uma solução alternativa eficiente para a estimação de horizonte móvel neste último caso, foi proposto um novo estimador baseado na inclusão de uma estratégia de suavização na formulação do CEKF, referenciado como CEKF & Smoother (CEKF&S). / This work presents approaches to building and tuning nonlinear state estimators aiming practical applications. The implementation of a nonlinear state estimator is supported by four basic steps: (a) tuning; (b) forecast; (c) state covariance matrix update; (d) states filtering and smoothing. The main contributions of this work for each one of these stages can be summarized as follows: (a) Tuning. An appropriate choice of the process-noise covariance matrix is crucial in applying state estimators with models subjected to parametric and structural uncertainties. Thus, a new process-noise covariance matrix tuning algorithm is presented in this work which incorporates two new methods for the parameter covariance matrix computation. The algorithm has improved significantly the state estimation accuracy when the presence of such uncertainties, with potential to be applied in on-line model update in industrial practice. (b) Forecast. One of the most important stages in applying state estimators is the used model formulation. In this way, it has been shown that the model formulation to be used in state estimator can impact on the system observability and noisecovariance matrices tuning. In this work it is also presented the main recommendations to formulate an appropriated model. (c) State covariance matrix update. The numerical robustness of the state covariance matrices used in unconstrained and constrained state estimators is illustrated by two chemical engineering examples tending to multiple solutions. It has been shown that the best technique to update the states consists in solving an optimization problem subjected to constraints, since it prevents from physically unfeasible states. It also preserves the noise gaussianity preventing from bad noise distribution. (d) States filtering and smoothing. Among the studied formulations, it was also noticed that the better relationship between performance and practical application is obtained with an extended Kalman filter formulation subjected to constraints (called Constrained Extended Kalman Filter - CEKF) because it requires small computational effort than MHE with comparable performance, except in case of poor guesses of the initial state. As an efficient solution for moving horizon estimation in the last case, it was proposed a new estimator based on the addition of a smoother strategy into the CEKF formulation, referred as CEKF & Smoother (CEKF&S).