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.

Dementia is a clinical syndrome caused by neurodegeneration or cerebrovascular injury. Patients with dementia suffer from deterioration in memory, thinking, behavior and the ability to perform everyday activities. Since there are no cures or disease-modifying therapies for dementia, there is much interest in identifying modifiable risk factors that may help prevent or slow the progression of cognitive decline. Medications are a common focus of this type of research. Importantly, according to a report from the Centers for Disease Control and Prevention (CDC), 19.1% of the population aged 60 and over report taking antidepressants during 2011-2014, and this number tends to increase. However, antidepressant use among the elderly may be concerning because of the potentially harmful effects on cognition. To assess the impacts of antidepressants on the risk of dementia, we conducted three consecutive projects. In the first project, a retrospective cohort study using Marginal Structural Cox Proportional Hazards regression model with Inverse Probability Weighting (IPW) was conducted to evaluate the average causal effects of different classes of antidepressant on the risk of dementia. Potential causal effects of selective serotonin reuptake inhibitors (SSRIs), serotonin and norepinephrine reuptake inhibitors (SNRIs), atypical anti-depressants (AAs) and tri-cyclic antidepressants (TCAs) on the risk of dementia were observed at the 0.05 significance level. Multiple sensitivity analyses supported these findings. Unmeasured confounding is a threat to the validity of causal inference methods. In evaluating the effects of antidepressants, it is important to consider how common comorbidities of depression, such as sleep disorders, may affect both the exposure to anti-depressants and the onset of cognitive impairment. In this dissertation, sleep apnea and rapid-eye-movement behavior disorder (RBD) were unmeasured and thus uncontrolled confounders for the association between antidepressant use and the risk of dementia. In the second project, a bias factor formula for two binary unmeasured confounders was derived in order to account for these variables. Monte Carlo analysis was implemented to estimate the distribution of the bias factor for each class of antidepressant. The effects of antidepressants on the risk of dementia adjusted for both measured and unmeasured confounders were estimated. Sleep apnea and RBD attenuated the effect estimates for SSRI, SNRI and AA on the risk of dementia. In the third project, to account for potential time-varying confounding and observed time-varying treatment, a multi-state Markov chain with three transient states (normal cognition, mild cognitive impairment (MCI), and impaired but not MCI) and two absorbing states (dementia and death) was performed to estimate the probabilities of moving between finite and mutually exclusive cognitive state. This analysis also allowed participants to recover from mild impairments (i.e., mild cognitive impairment, impaired but not MCI) to normal cognition, and accounted for the competing risk of death prior to dementia. These findings supported the results of the main analysis in the first project.

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.

No description available.

The master´s thesis describes the basic information on the reporting of water losses. Means and methods to reduce water losses. Devices used to monitoring water supply, or detect malfunctioning of water supply line. Describes and evaluates the functionality of UFR on the laboratory model.