Return to search

Estimação de parâmetros em modelos de processo usando dados industriais e técnica de reconciliação de dados / Estimation of process model parameters using data reconciliation and industrial data

A classificação de variáveis em plantas industriais modernas pode fornecer
conjuntos de dados ricos e detalhados para o desenvolvimento de estudos de modelagem
de processos e estimação de parâmetros. Todavia, devido à existência de erros aleatórios
e, possivelmente, de erros grosseiros, as medidas geralmente não satisfazem as
restrições dos processos. Esses dados precisam ser reconciliados. A estimação de
parâmetros dos modelos de um processo a partir de dados industriais disponíveis se
enquadra nesse contexto. Primeiramente, o modelo matemático fornece as restrições do
processo. Em segundo lugar, os parâmetros do modelo devem ser ajustados de modo a
minimizar os desvios observados entre as medidas do processo e as equações de
conservação, a partir dos dados industriais utilizados para a construção do modelo. Foi desenvolvido um novo código computacional para classificação de variáveis
em sistemas dinâmicos com uma abordagem diferenciada. A metodologia desenvolvida
para classificação propiciou uma reconciliação eficiente dos dados, de modo que
possibilitasse a estimação dos parâmetros cinéticos de uma polimerização industrial de
propileno com catalisadores Ziegler-Natta (SUZANO-RJ). O algoritmo de classificação
também foi testado para o balanço hídrico de uma fábrica de fertilizantes (FAFEN-SE)
com sucesso. Os resultados obtidos mostram que a abordagem utilizada para
classificação de variáveis e estimação de parâmetros, utilizando a técnica de
reconciliação de dados, é capaz de descrever o comportamento dos dados industriais e
predizer as respostas do processo, em diferentes condições operacionais, sem que seja
necessário conduzir muitos experimentos em laboratório. _________________________________________________________________________________________ ABSTRACT: The classification of variables in modern industrial plants can supply a group of
rich and detailed data sets for the development of modeling studies and parameter
estimation. However, as a result of random and possibly, gross errors process
measurements do not generally satisfy process constraints. Thus they need to be
reconciled. The estimation of process model parameters from available plant data is
certainly in this context. First, the mathematical model provides the process constraints
to be satisfied. Second, model parameters have to be adjusted to minimize the
deviations observed between process measurements and process constraints. Available
data have yet to be filtered to allow for removal of inconsistent data sets from the
process data used for model building.
A new computational code was developed for classification of variables in
dynamic systems with a differentiated approach. The methodology developed for
classification propitiated efficient data reconciliation, so that it made possible, allowing
for estimation of the kinetic parameters for industrial propylene polymerization using
Ziegler-Natta catalysts (SUZANO-RJ). The classification algorithm was also tested with
success for the hydric balance of a factory of fertilizers (FAFEN-SE). The obtained
results show that the approach used for classification of variables and parameters
estimation using the technique of data reconciliation is capable to describe the behavior
of the industrial data and to predict process responses in different operational
conditions, without to carry out extensive experimental plans in the laboratory.

Identiferoai:union.ndltd.org:IBICT/oai:ri.ufs.br:riufs/1479
Date05 1900
CreatorsOliveira Júnior, Antônio Martins
ContributorsLima, Enrique Luis
Source SetsIBICT Brazilian ETDs
LanguagePortuguese
Detected LanguagePortuguese
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis
Sourcereponame:Repositório Institucional da UFS, instname:Universidade Federal de Sergipe, instacron:UFS
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.002 seconds