uma plataforma computacional para sistemas de … · de uma planta piloto ou real. ... aspen hysys...

UMA PLATAFORMA COMPUTACIONAL PARA SISTEMAS DE CONTROLE

AVANCADO: UM ESTUDO DE CASO APLICADO A DESTILARIA DO ETANOL

Marcus V. Americano da Costa Fo∗, Julio E. Normey-Rico†, Ebrahim Samer Elyoussef †

∗Departamento de Engenharia QuımicaUniversidade Federal da Bahia - 40210910

Salvador, BA, Brasil

†Departamento de Automacao e SistemasUniversidade Federal de Santa Catarina - 88040-900

Florianopolis, SC, Brasil

Emails: [email protected], [email protected], [email protected]

Abstract— In this paper, it is presented a computational platform which allows the simulations of advancedcontrol systems, considering the complexity of the real processes represented in the Aspen Hysys. The envi-ronment is composed by a MPC controller (Model Predictive Control) and a supervisory system, implementedin Matlab; and a distillation unit of the industry which produces 2nd and hydrated ethanols modeled in theAspen Hysys. A case study with three scenarios is realized in order to illustrate the use of the platform, and todemonstrate the viability of the proposed control structure.

Keywords— Advanced control, simulator, distillery, ethanol, Aspen Hysys

Resumo— Neste artigo esta apresentado uma plataforma computacional que permite a simulacao de sistemasde controle avancado, considerando as complexidades dos processos reais representados no Aspen Hysys. Oambiente e composto por um MPC (Model Predictive Control) e um sistema supervisorio, implementados emMatlab; e uma unidade de destilacao da industria do etanol que produz os alcoois de 2a e hidratado, desenvolvidano Aspen Hysys. Um estudo de caso contendo tres cenarios e realizado a fim de ilustrar o uso da plataforma edemonstrar a viabilidade da estrutura de controle proposta.

Palavras-chave— Controle avancado, simulador, destilaria, etanol, Aspen Hysys.

1 Introducao

A simulacao e uma tecnica amplamente utilizadapara avaliar o desempenho de sistemas, aumen-tando a produtividade do engenheiro bem comoincentivando o estudo e a aplicacao de novas con-figuracoes nos processos industriais. Um simula-dor dinamico que ilustra corretamente o compor-tamento do processo a ser analisado traz gran-des vantagens tanto para o ensino academico(Johansson et al., 1998) quanto para a industria(Acebes et al., 2003), pois permite testes de mo-delagem, de monitoramento, de diagnostico e desistemas de controle a um custo de implementacaoe tempos de espera bem menores em relacao aosde uma planta piloto ou real. Ademais, os simu-ladores podem ser utilizados para treinamento ecapacitacao de operadores (Santos, 2005).

No ambito mundial, o desenvolvimento des-sas ferramentas computacionais vem experimen-tando, nessas ultimas decadas, uma evolucao ad-miravel (Fontanini et al., 1990; Guzman et al.,2005; Americano-daCosta e Normey-Rico, 2009).

A medida que novas teorias e metodologias da en-genharia moderna sao desenvolvidas, cresce a de-manda por simuladores de processos dinamicos,tornando a CACE (Computer Aided Control En-gineering) uma das principais areas de pesquisaem controle automatico.

Experiencias em outras plantas mostram queo investimento na utilizacao dos simuladores ga-

rante tomadas de decisoes corretas que visam aolucro na producao. Ou seja, com esse tipo de auxı-lio, o usuario (operador ou engenheiro) pode com-parar alternativas com diferentes graus de comple-xidade e fazer a escolha mais adequada para ope-racao de um processo. Para a industria, isso sig-nifica o melhor balanceamento possıvel do “custoX benefıcio”.

Dentro do contexto dos processos industri-ais, os algoritmos dedicados aos sistemas de con-trole avancado sao bastante importantes devido asua capacidade de lidar com os diversos proble-mas conhecidos pela comunidade cientıfica, taiscomo longos atrasos de transporte e constantes detempo, multiplas entradas e saıdas, nao lineari-dades e restricoes que podem ser consideradas noprojeto de otimizacao em tempo real. E possı-vel encontrar diversos trabalhos que demonstrama importancia academica do assunto (Karacan,2003; Camacho e Bordons, 2004; Normey-Rico eCamacho, 2007).

Por esse prisma, foi criada uma bibliotecaque permite a comunicacao de um modelo de-senvolvido no software Aspen Hysys (Americano-daCosta et al., 2012) com outras plataformascomo Matlab e Python, por exemplo, para simula-cao do tipo Software in The Loop ou, ainda, Hard-ware in the Loop, quando se tem algum sistemaembarcado. Vale salientar que o Aspen Hysyse um programa bastante utilizado nas industriaspela sua alta representatividade dos processos re-

Anais do XX Congresso Brasileiro de Automática Belo Horizonte, MG, 20 a 24 de Setembro de 2014

4068

ais. Porem, e necessario realizar uma comunicacaoentre seus pacotes de controle e outros ambientesno sentido de obter maior flexibilidade quanto aostestes de novos algoritmos, sobretudo os avanca-dos, o que viabiliza a pesquisa por novas tecnicasque podem ser desenvolvidas. Dessa forma, esteartigo apresenta uma plataforma computacionalque permite simular sistemas de controle avan-cado aplicados ao Aspen Hysys. Em particular,sera proposta uma nova configuracao da unidadede destilacao alcoolica na qual se aplicam um con-trolador MPC (Model Predictive Control) e umacamada supervisoria a fim de demonstrar os ga-nhos em termos de produtividade e consumo deenergia. Finalmente, alguns cenarios que possi-bilitam incrementos economicos na industria doetanol serao ilustrados por meio das simulacoes.

O artigo esta organizado como segue: na Se-cao 2, o ambiente de simulacao e descrito incluindosuas caracterısticas computacionais e implementa-cao. Na Secao 3, a estrutura de controle propostae apresentada juntamente com o detalhamento dosmodelos da unidade de destilacao. Na Secao 4, osparametros de sintonia da camada do MPC saodefinidos. Na Secao 5, sao realizados experimen-tos em diversos cenarios para ilustrar o funciona-mento da plataforma e se analisam os resultadosobtidos. Finalmente, as conclusoes sao discutidasna Secao 6 do artigo.

2 Aspectos computacionais da

plataforma e implementacao

Os controladores da camada local do modeloda destilaria desenvolvido por Americano-daCostaet al. (2012) sao do tipo PID do proprio pacote doAspen Hysys que dispoe de alguns algoritmos co-merciais implementados na industria (Honeywell,Foxboro e Yokogawa), alem da funcao padrao doprograma. Esse pacote possui diversas derivacoese recursos que permitem melhorar o desempenhodo sistema.

O MPC Toolbox do Matlab foi utilizado paracalcular a lei de controle otimizada na camada su-perior. Desse modo, para atingir o escopo destaproposta de estudo, deve-se realizar a comunica-cao entre a unidade de destilacao e as camadas decontrole avancado e supervisorio. Sera implemen-tado o mecanismo denominado OLE Automationque possibilita a troca de informacoes entre os sis-temas.

Na continuacao, serao explanados os algorit-mos e metodos de ajuste dos controladores, assimcomo a programacao do sistema.

2.1 Controlador PID

Certamente, quando se tem um modelo complexono Aspen Hysys, e importante um determinadoconhecimento em teoria de controle para o funci-

onamento correto do programa. Algumas vezes, ainstabilidade do modelo se deve ao passo de inte-gracao (iteracao numerica) computacional. Nessecaso, ao diminuir o passo, a instabilidade e elimi-nada. Porem, em outras situacoes, a instabilidadepode ser causada pelas proprias operacoes do mo-delo, sobretudo pelos controladores mal projeta-dos.

Todos os controladores PID do modelo foramsintonizados para o algoritmo padrao (PID Velo-city Form) dado pela seguinte equacao:

u(k) = u(k − 1) +Kc

[

e(k)− e(k − 1) + Ts

Tie(k)

−Td

Ts(PV (k)− 2PV (k − 1) + PV (k − 2))

]

,

(1)em que u(k) e a saıda de controle e k e o instantede amostragem, Kc, Ti e Td sao os parametros deajuste do controlador (ganho proporcional, tempointegrativo e tempo derivativo), e e o erro entreo setpoint e a variavel do processo PV ; e Ts e operıodo de amostragem.

O recurso autotuner foi utilizado para ajustaros controladores escravos ao passo que a estru-tura Internal Model Control (IMC) foi aplicadanos controladores mestres (para as malhas em cas-cata). O projeto por IMC do Aspen Hysys e feitode acordo com a regra de sintonia para modelosde 1a ordem proposta por Rivera et al. (1986):

Kc =2τ + L

K(2Tc + L), Ti = τ+L/2, Td =

τL

2τ + L

,

nas quais τ , K e L sao a constante de tempo, oganho e atraso do modelo do processo, respectiva-mente. O tempo de resposta Tc > 0, 2τ e definidopelo usuario. Em algumas ocasoes, apos utlizaresses recursos, um ajuste fino foi procedido parase obter respostas mais rapidas dos sistemas.

Alem dos recursos de sintonia, o pacote doPID permite adicionar a estrategia feedfowardpara diminuir o efeito das perturbacoes, cuja leide controle e dada pela seguinte funcao de trans-ferencia:

Kp

Tp1s+ 1

Tp2s+ 1

e−Lps

, (2)

em que Kp, Lp, Tp1e Tp2

sao os parametros deajuste com base nos modelos do processo e per-turbacao. Essa estrategia foi implementada noscontroladores mestres com a finalidade de obtero melhor desempenho possıvel e uma compara-cao mais criteriosa com o controlador MPC. Oalgoritmo possui a estrutura anti-windup e, final-mente, os limites de operacao devem ser definidospelo usuario.

2.2 Controlador MPC

Para avaliar os ganhos que podem ser obtidos apartir da implementacao de um sistema de con-trole avancado na destilaria de etanol, foi utili-zado o MPC na camada superior. O MPC e uma


4069

das tecnicas de controle moderno mais potentes e,provavelmente, a que teve maior exito em aplica-coes industriais (Takatsu et al., 1998), principal-mente, porque pode ser utilizada tanto em siste-mas monovariaveis quanto multivariaveis, linearesou nao lineares; e porque as restricoes nas saıdase nas entradas dos processos podem ser conside-radas no projeto da lei de controle que minimizauma funcao custo em tempo real (Camacho e Bor-dons, 2004).

O MPC se tornou rapidamente bastante po-pular, sobretudo em processos quımicos industri-ais, devido a simplicidade de seu algoritmo queutiliza modelos baseados a resposta ao impulsoou ao degrau. Essa tecnica vem se desenvolvendoconsideravelmente nos ultimos anos, tanto na areade pesquisa quanto na industria; e seu sucessopode ser atribuıdo ao tratamento mais geral dosproblemas em controle de processos no domıniodo tempo. Por outro lado, o MPC ainda nao atin-giu um numero de aplicacoes sugerido pelo seupotencial. A complexidade matematica existentena sua implementacao pratica, muitas vezes repre-senta uma desvantagem para engenheiros de con-trole, mas que nao significa um empecilho para acomunidade cientıfica, haja vista diversos pacotesmatematicos encontram-se completamente dispo-nıveis.

As principais diferencas entre os algoritmosMPC estao nos tipos dos modelos do processo eda perturbacao utilizados para calcular as predi-coes e minimizar a funcao custo. No entanto, asseguintes ideias aparecem em maior ou menor evi-dencia em todo o conjunto de controle preditivo:

• Predicao: baseado em modelos da planta eperturbacao, as predicoes do comportamentofuturo do processo sao obtidas considerandoseu estado atual;

• Calculo do controle: a acao atual de controlee calculada minimizando uma funcao custosujeita ou nao a restricoes;

• Horizonte deslizante: em cada perıodo deamostragem, o horizonte e deslocado umpasso a frente e aplica-se somente o primeirosinal da sequencia calculada naquele instante.

As diversas formulacoes do MPC propoem di-ferentes funcoes custos para calcular a lei de con-trole. Contudo, o objetivo geral e que a saıdafutura do processo (Y ) no horizonte consideradosiga uma determinada referencia (W ) e, ao mesmotempo, de que forma a funcao custo seria penali-zada ao aplicar a acao de controle (U) necessaria.Portanto, o algoritmo implementado nesse traba-lho parte do mesmo princıpio usando o conceitode respostas livres e forcada. Neste caso, parauma planta multivariavel (m× n), a funcao custoquadratica e:

J = [W − Y ]TQy[W − Y ] +UTQuU , (3)

na qual W e o vetor de referencias futuras, Qy,Qu sao as ponderacoes do erro e esforco de con-trole, respectivamente; e Y e o vetor predicao desaıda do processo que pode ser representado como:

Y = GU + F , (4)

em que F e o vetor resposta livre, U e o vetor quepossui os incrementos de controle (∆u) calculadospara se aplicar nas entrada e G e a matriz obtidapor meio das equacoes do modelo. Nessa equacao,Y e F tem dimensao ny×1, U tem dimensao nu×

1 e G e da ordem ny × nu, sendo ny =∑m

i=1Nyi

,nu =

∑n

i=1Nui

, nas quais Nyie o horizonte de

predicao da saıda yi eNuie o horizonte de controle

da entrada ui.Substituindo a Eq. 4 na Eq. 3, e possıvel

obter a seguinte equacao:

J(U) =1

2UTHU + bTU + f

0, (5)

na qual o vetorU contem os incrementos das acoesde controle que minimizam a funcao custo, H =2(GTQyG+Qu), b

T = 2(F −W )TQyG e f0=

(F −W )TQy(F −W ).Dessa maneira, a acao de controle pode ser

computada sujeita a restricoes nas variaveis ma-nipuladas e de saıda tornando um problema deminimizacao quadratica do tipo:

Min J(U)Sujeito a:

AU ≤ B

(6)

na qual A e B sao matrizes utilizadas para repre-sentar em funcao de U as restricoes impostas nasvariaveis manipuladas e controladas do processo(Camacho e Bordons, 2004).

A seguir, uma breve descricao de como foi re-alizada a implementacao dos dois sistemas: o mo-delo da destilaria e o controlador MPC.

2.3 Protocolo de comunicacao

Mais moderno do que o DDE, OLE Automation eum metodo que permite um programa cliente con-trolar um servidor do tipo OLE. Com esse recurso,e possıvel um programa manipular objetos imple-mentados em outro aplicativo ou expor objetosque possam ser manipulados. Renomeado apenaspor Automation, embora o termo antigo seja bas-tante usado, a Microsoft introduziu a plataformaComponent Object Model (COM) para a comuni-cacao entre os processos e criacao de objetos naslinguagens de programacao que suportarem a tec-nologia.

O Automation funciona na estrutura cliente-servidor. Um servidor disponibiliza um servicopara os clientes mediante o protocolo de acesso.Dessa maneira, o Aspen Hysys e sempre um servi-dor que expoes seus objetos de tal forma que seja


4070

possıvel executar quase todas as acoes que pode-riam ser realizadas pela interface grafica do pro-grama. Partindo dessa propriedade, entre as co-municacoes do cliente e do servidor, implementa-se alguma regra de atuacao, bem como a lei decontrole.

Entretanto, para que haja comunicacao como Matlab, um objeto servidor deve ser criado noseu workspace. Objetos sao a chave para enten-der a comunicacao pelo Automation. Um objetocontem uma quantidade de variaveis e funcoes re-lacionadas, cuja estrutura e estabelecida por umahierarquia. O caminho percorrido pelo cliente atechegar ao ponto desejado sempre parte do HysysApplication ou do Hysys SimulationCase. Umadescricao mais detalhada sobre objetos e comuni-cacao no Hysys encontra-se disponıvel na litera-tura (Aspentech, 2005).

3 Estrutura proposta e modelos do

processo

Nesta secao, serao apresentadas as simulacoes comtres diferentes cenarios para a destilaria: (C1) coma configuracao nominal, apenas com os controla-dores regulatorios; (C2) com a camada do supervi-sorio sobre os PIDs e (C3) com supervisorio sobrea camada do MPC em cacasta com os PIDs re-gulatorios. A ideia do supervisorio e possibilitaruma maior e melhor producao em funcao da cargamassica de entrada que e estabelecida pela quanti-dade de vinho obtido na unidade precedente (fer-mentacao). Frisa-se que o consumo energetico e aqualidade do produto tambem serao consideradosnas analises.

O objetivo dessas simulacoes e demonstrarmediante o modelo completo de uma destilaria deetanol o incremento que se pode obter nas suasprodutividade e eficiencia ao se utilizar um sis-tema de controle avancado. O controle superviso-rio acionara as valvulas de vazao da flegma e dohidratado a fim de aumentar ou diminuir a quan-tidade de etanol a produzir. Contudo, as camadasde controle inferiores devem manter a destilaria es-tabilizada nos pontos de operacao desejados, umavez que essas atuacoes perturbarao o sistema.

A configuracao geral da estrategia implemen-tada de controle avancado na unidade de desti-lacao para os cenarios C2 e C3 encontra-se naFig. 1, em que algumas das principais variaveissao ilustradas. O sistema supervisorio atua sobreas vazoes da flegma e hidratado de acordo coma entrada de vinho na unidade que depende daproducao obtida nas etapas anteriores. Em parti-cular, na unidade antecedente, onde ocorre a fer-mentacao, administra-se a quantidade de vinho aser enviada. Em geral, a malha de controle denıvel do tanque pulmao que armazena o vinho de-fine a sua carga massica de saıda, que e a entradada unidade de destilacao. Como a fermentacao

ocorre nos reatores em batelada gerando um com-portamento dinamico bastante oscilatorio na suaproducao, sera considerada uma onda do tipo qua-drada para a vazao de alimentacao nos experimen-tos a seguir. Por sua vez, os sistemas de controledevem rejeitar as perturbacoes causadas por essasoscilacoes e manter o processo estabilizado. Nota-se que o MPC (ou PIDs para o cenario C2) estaem cascata com o sistema de controle regulatoriolocal (PIDs). Como sera explanado, essa camadasuperior (PIDs para C2 ou MPC para C3) atuasobre tres variaveis: alcool de 2a, vinhaca e alcoolhidratado.

PIDs

A

D

B

PIDs

Vinho

Flegma

Hidratado

PID ( C2 ) / MPC B ( C3 )

PIDs ( C2 ) / MPC A ( C3 )

Supervisório

FC

FC

V f

Figura 1: estrategia geral da unidade de destilacao

Embora as colunas apresentem um comporta-mento fortemente nao linear, tanto o PID quantoo MPC utilizam equacoes lineares para calcularos sinais de controle. Dessa maneira, primeira-mente, e necessario identificar modelos linearesdo processo no ponto de operacao estabilizadoanteriormente para poder ajustar os sistemas decontrole. Os pontos de operacao das saıdas saoy1 = 0, 92 o

GL para o alcool de 2a, y2 = 0, 03 oGL

para a vinhaca e y3 = 96 oGL para o alcool hi-

dratado. Nas entradas, tem-se u1 = 119, 17 kPa eu2 = 72, 38 o

C para a pressao de fundo e tempera-tura de topo da coluna A, respectivamente; e u3 =50% do nıvel maximo do condensado da coluna B.Para as perturbacoes, tem-se d1 = 293, 22 m

3/h

de entrada de vinho na coluna A, d2 = 41, 41m3/h

de saıda da flegma e d3 = 22, 23 m3/h de saıda

de hidratado na coluna B. Ao utilizar o Toolboxde identificacao do Matlab, obtem-se os seguintesmodelos para a unidade de tempo em segundos:

PuA=

[

6,9829·10−2

1706,3s+1

−2,6443·10−2

1971,2s+1

1,6649·10−3

2392,8s+1

−5,4526·10−4

1610,8s+1

]

(7a)

PdA=

[

3,3547·10−7

1445,7s+1

5,59·10−7

1880,9s+1

2,0232·10−8

815s+1

−7,3887·10−8

204,26s+1

]

(7b)

para o MPC A, cuja estrutura e ∆YA(s) =PuA

∆UA(s) + PdA∆DA(s), na qual ∆YA =


4071

[∆y1,∆y2]T , ∆UA = [∆u1,∆u2]

T e ∆DA =[∆d1,∆d2]

T .Para o MPC B, tem-se:

PuB=

−9, 674 · 10−5(508, 86s+ 1)

(222, 35s+ 1)(15, 074s+ 1)e−4,67s (8)

cuja estrutura e ∆YB(s) = PuB∆UB(s), na qual

∆YB = ∆y3 e ∆UB = ∆u3.Por fim, a operacao do supervisorio obedece

as seguintes equacoes:

Se d1(t) ≥ d1

Vf (t+ 180) = 0,604

600s+1∆d1(t) + 50,

d3(t+ 780) = 0, 338∆d1(t) + d3.

(9a)

Se d1(t) < d1

Vf (t+ 180) = −0,503

600s+1∆d1(t) + 50,

d3(t+ 780) = d3,

(9b)

nas quais Vf (%) e a abertura da valvula da flegmae ∆d1 e a variacao de vazao volumetrica de en-trada do vinho.

4 Caracterizacao parametrica e sintonia

dos controladores

Primeiramente, e importante frisar que a unicamalha local diferente nos modelos dos cenarios C2e C3 em relacao ao modelo nominal (cenario C1)corresponde ao controle do hidratado. No cenarioC1, o controle da concentracao do hidratado e re-alizado manipulando-se sua vazao, ao passo que,nos cenarios C2 e C3 essa malha foi retirada paraque o supervisorio pudesse atuar diretamente so-bre a vazao do hidratado. Portanto, os ajustesdos controladores foram definidos na tentativa dese obter comparacoes mais justas possıveis.

Os mesmos modelos foram utilizados para osPIDs (sintonia por IMC) e MPCs, assim comopara as estrategias do tipo feedfoward. Porem,no cenario C1, o controlador do hidratado foi sin-tonizado pelo autotuner do Aspen Hysys. A sa-turacao nos PIDs (cenarios C1 e C2) foi consi-derada na mesma faixa de restricao dos MPCs.Para o controle da vinhaca, a situacao e peculiar,pois trata-se de um subproduto cuja concentracaonao deve ultrapassar um determinado valor. Em-bora muitas usinas consigam aproveita-la cada vezmais, o ideal e produzı-la na menor quantidadepossıvel. Nesse caso, o controle de qualidade con-siste em deixar seu nıvel de toxidade relativamentebaixo, nao prejudicando o meio ambiente. Por-tanto, foi implementado um controle por banda,em que o PID funcionava no modo automaticoapenas quando a leitura na vinhaca atingia valo-res acima de 0, 04 o

GL.No caso do MPC A, especificamente, tem-

se os seguintes parametros: o tempo de amos-tragem e TsA = 60 s, o horizonte de controle eNuA = 20 e o horizonte de predicao e NyA = 70.As ponderacoes sao dadas por δA = [75; 150] e

λA = [12; 0, 02] para os erros e esforcos de con-trole, respectivamente. As restricoes considera-das sao UAmin

= [117 kPa, 71 oC] e UAmax

=[119, 25 kPa, 72, 55 o

C] para as variaveis mani-puladas; e para as variacoes maximas de con-trole, tem-se ∆u1m

= ±0, 5 kPa/min e ∆u2m=

±0, 5 oC/min.

De forma sintetizada, o ajuste do MPC B se-gue abaixo:

NuB = 15 NyB = 60δB = 0, 05 λB = 250U3min

= 20% U3max= 80%

∆u3m= ±0, 5% TsB = 60 s

5 Ensaios e analises

Alguns criterios sao necessarios para a montagemdas simulacoes e comparacoes. No que segue, se-rao explanados os criterios e metodos de avaliacao.

A variacao massica do vinho ficara em tornode 1, 69% com intervalos iguais de 2 h (120 min),dentro do tempo total da simulacao de 8 h. No quese refere ao controle, o desempenho dos sistemassera analisado conforme dois ındices: o somato-rio dos erros absolutos - Sum of Absolute Errors(SAE) - dado pela equacao:

SAE =1

N

N∑

k=1

|SP (k)− ym(k)|, (10)

em que N e o numero de amostras; SP e o set-point do controlador e ym e a saıda medida; e o so-matorio dos esforcos quadraticos incrementais decontrole - Sum of Squared Control efforts (SSC) -relativos:

SSC =1

(N − 1)

N∑

k=1

(

u(k + 1)− u(k)

u(k)

)2

. (11)

Para o desempenho dos sistemas do ponto devista economico, serao analisadas a produtividadee a eficiencia de acordo com a agua consumida,dada a uma temperatura de 15, 56 o

C na pressaoatmosferica, da qual sera calculado o fator de efi-ciencia

Fe (m3/m

3) =Produto

Agua

. (12)

Ainda, sera considerado um controle de quali-dade fictıcio na destilaria. Na producao dos alco-ois havera um nıvel de tolerancia, bem como paraa vinhaca. Certamente, por se tratar de um simu-lador computacional no qual as variacoes sao pe-quenas, em virtude da instabilidade iterativa apre-sentada nas variacoes elevadas, sao limites fora darealidade industrial. Sem embargo, a metodolo-gia adotada para ilustrar o impacto do sistemaproposto na destilaria de etanol nao sera compro-metida. Desse modo, definem-se as seguintes to-lerancias:


4072

0 1 2 3 4 5 6 7 891.95

92

92.05

Tempo [h]

Álc

ool d

e 2ª

[o G

L]

Cenário C1

0 1 2 3 4 5 6 7 872.3

72.35

72.4

72.45

Tempo [h]

Tem

pera

tura

[o C

]

Cenário C1

0 1 2 3 4 5 6 7 80.02

0.025

0.03

0.035

0.04

Tempo [h]

Vin

haça

[o G

L]

0 1 2 3 4 5 6 7 8119

119.05

119.1

119.15

Tempo [h]

Pre

ssão

[kP

a]

Cenário C1

Cenário C1

Figura 2: desempenho do sistema nominal. Co-luna A

Alcool de 2a= ±1, 5 · 10−2 oGL,

Hidratado= ±0, 5 · 10−2 oGL,

Vinhaca= +0, 5 · 10−2 oGL.

O desempenho do sistema nominal no cenarioC1 esta representado nas Figs. 2 e 3. As per-turbacoes afetam mais a vinhaca, mas sua con-centracao em etanol permanece sempre abaixo dolimite tolerado, o que nao compromete o meio am-biente, mesmo que se tenha um custo para trans-portar a grande quantidade produzida (volume de2365 m

3). Por outro lado, as oscilacoes do al-cool de 2a reduzem um pouco a sua produtividade,proporcionando um volume de 29, 78 m

3 conside-rando o criterio de qualidade.

No caso do hidratado, o efeito das per-turbacoes e mınimo, obtendo-se um volume de178, 2 m

3. E importante lembrar que nesse ce-nario a variacao da flegma nao e manipulada,embora seja considerada uma perturbacao junta-mente com a variacao do vinho. Os ındices dedesempenho do sistema de controle encontram-sena Tabela 1.

0 1 2 3 4 5 6 7 895.98

95.99

96

96.01

96.02

Tempo [h]

Hid

rata

do [

o GL]

0 1 2 3 4 5 6 7 821.8

22

22.2

22.4

22.6

22.8

Tempo [h]

Hid

rata

do [m

3 /h] Cenário C1

Cenário C1

0 1 2 3 4 5 6 7 8285

290

295

300

Tempo [h]

Vin

ho [m

3 /h]

Cenário C1

0 1 2 3 4 5 6 7 841.1

41.2

41.3

41.4

41.5

41.6

Tempo [h]

Fleg

ma

[m3 /h

]

Cenário C1

Figura 3: desempenho do sistema nominal. Co-luna B e perturbacoes

PID1 PID2 PID3

SAE 2, 10 · 10−4 0 1, 14 · 10−4

SSC 1, 01 · 10−10 7, 35 · 10−14 1, 36 · 10−9

Tabela 1: ındices de desempenho de C1

Finalmente, aplicando a energia total consu-mida (6, 681 · 109 kJ) em equivalente de agua eos produtos na Eq. 12, obtem-se o seguinte fatoreficiencia:

FeC1=

207, 98

497, 3= 0, 4181

Na Fig. 4, os desempenhos dos sistemas como controle supervisorio sao mostrados. E possıvelconstatar que a diferenca no comportamento davinhaca entre os cenarios e desprezıvel. Apesar dehaver pequenos erros em relacao a banda superiornos cenarios C2 e C3, o resultado final esta den-tro do limite preestabelecido. No entanto, para osprodutos, o desempenho do sistema no cenario C3apresenta erros de referencia menores se compara-dos com os do C2. Observa-se que, por se tratarde um sistema MIMO, o MPC atua mais sobre apressao a fim de manter o sistema no ponto de-sejado. De forma geral, os resultados ficam maisbem explicados visualizando os dados nas tabelas


4073

2 e 3, cujas diferencas representam um balancoenergetico que deve ser analisado.

0 1 2 3 4 5 6 7 891.96

91.98

92

92.02

92.04

Tempo [h]

Álc

ool d

e 2ª

[o G

L]

0 1 2 3 4 5 6 7 80.02

0.03

0.04

Tempo [h]

Vin

haça

[o G

L]

0 1 2 3 4 5 6 7 895.99

95.995

96

96.005

96.01

Tempo [h]

Hid

rata

do [

o GL]

Cenário C2Cenário C3



0 1 2 3 4 5 6 7 8

72.3

72.35

72.4

72.45

Tempo [h]

Tem

pera

tura

[o C

]

0 1 2 3 4 5 6 7 8118.8

119

119.2

Tempo [h]

Pre

ssão

[kP

a]

0 1 2 3 4 5 6 7 8

30

40

50

Tempo [h]

Nív

el [%

]




0 1 2 3 4 5 6 7 8285

290

295

300

Tempo [h]

Vin

ho [m

3 /h]

0 1 2 3 4 5 6 7 840

42

44

Tempo [h]

Fleg

ma

[m3 /h

]

0 1 2 3 4 5 6 7 822

22.5

23

23.5

24

Tempo [h]

Hid

rata

do [m

3 /h]




Figura 4: desempenho dos sistemas. Cenarios C2e C3

SAE1 SAE2 SAE3

C2 2, 60 · 10−4 2, 1 · 10−7 1, 81 · 10−4

C3 1, 26 · 10−4 3, 87 · 10−7 2, 84 · 10−5

Tabela 2: ındices de erros

Resumidamente, em termos de produtividadee consumo energetico, os dados dos tres cenariosestao expostos na Tabela 4. Como comentado, emrelacao a vinhaca, o custo economico para seu re-aproveitamento e transporte e o mesmo em todos

SSC1 SSC2 SSC3

C2 5, 59 · 10−11 6, 50 · 10−11 1, 76 · 10−8

C3 2, 25 · 10−11 7, 19 · 10−10 2, 91 · 10−8

Tabela 3: ındices de controle

os cenarios.Entretanto, os ganhos obtidos sao bem dife-

rentes quando se consideram a producao do alcoolde 2a e do hidratado; e o consumo de agua nos con-densadores e refervedores. Com base nos dados,tem-se uma situacao bastante interessante. Nota-se que a configuracao proposta para a destilaria evantajosa somente com o uso de um sistema avan-cado de controle, visto que as perturbacoes causa-das pelo supervisorio nao sao suficientemente ame-nizadas no cenario C2, afetando significativamenteo rendimento do processo. Como consequencia,obtem-se um fator de eficiencia menor que o do ce-nario C1, neste que tambem sao utilizados PIDs.Em contrapartida, em C3, os MPCs promovemum aumento importante na eficiencia do processo.Observa-se que, com uma quantidade de agua me-nor que a utilizada em C2, tem-se uma producaomaior que a do cenario C1. Dessa forma, do pontode vista economico, e possıvel estimar quantitati-vamente o ganho obtido em relacao ao cenario C1,se forem atribuıdos valores aos precos dos produ-tos, da agua e o perıodo de safra nas usinas deetanol.

6 Conclusoes e consideracoes finais

O objetivo principal deste trabalho foi o desenvol-vimento de uma plataforma que permitisse ana-lises e testes mais realısticos dos algoritmos decontrole avancado. Dessa maneira, foi desenvol-vimento um ambiente computacional que possibi-litasse a comunicacao do modelo de uma destilariano Aspen Hysys com outras ferramentas de soft-ware como o Matlab.

No que tange a destilaria, uma estrategia decontrole com tres camadas foi proposta para au-mentar o rendimento da sua producao. Dife-rente dos trabalhos que focalizam no desempenhode cada coluna isoladamente, a pesquisa inicialabrangeu o comportamento global da unidade combase na fabricacao dos alcoois, na formacao da vi-nhaca e nas variacoes do vinho e da flegma. Apartir dos cenarios estudados, incluindo o modelonominal que corresponde a configuracao padraodas usinas brasileiras, constatou-se uma situacaointeressante: um sistema supervisorio que visa aotimizacao da producao causa perturbacoes quepioram o desempenho do sistema de tal forma quesua implementacao nao vale a pena, caso as colu-nas sejam operadas apenas por controladores PID.

Em particular, um dos escopos deste traba-lho e buscar um embasamento de cunho teoricocom aplicacoes praticas, propiciando uma aproxi-


4074

Alcool de 2a Hidratado Vinhaca Agua Fe

C1 29, 78 m3 178, 2 m

3 2365 m3 497, 3 m

3 0, 4181C2 29, 16 m

3 139, 5 m3 2365 m

3 487, 5 m3 0, 3460

C3 34, 32 m3 181, 2 m

3 2365 m3 487, 1 m

3 0, 4425

Tabela 4: parametros de producao

macao com a industria. Nesse caso, o ambientefoi utilizado para testar um MPC embarcado emhardware, desenvolvido por um mestrando no De-partamento de Automacao e Sistemas (DAS) daUniversidade Federal de Santa Catarina (UFSC)(Lima et al., 2013). Como, em geral, as platafor-mas comerciais de controle preditivo sao orienta-das para plantas de larga escala, o foco do projetofoi analisar um prototipo de baixo custo que for-necesse as mesmas vantagens para processos comdimensoes menores.

Finalmente, dando continuidade as pesquisasde perıodos anteriores, novos trabalhos poderaoser direcionados a dar sustentacao teorica e pra-tica as solucoes ja apresentadas, a desenvolver no-vos controladores e estender os resultados teoricospara casos de aplicacao em processos industriais,tais como as operacoes das colunas de destilacaoalcoolica.

Referencias

Acebes, L. F., de Prada, C., Alves, R., Merino, A.,Pelayo, S., Garcia, A., Rueda, A. e Gutierrez,G. (2003). Development tools for full-scalesimulators of sugar factories, Proceedings ofthe 22nd general assembly of the Internati-onal Commission for Sugar Technology, Ma-drid, Spain, pp. 131–138.

Americano-daCosta, M. V., Cruz, D. M. eNormey-Rico, J. E. (2012). Modelagem, si-mulacao e controle de uma unidade de des-tilacao em uma usina produtora de etanol,Congresso Brasileiro de Automatica, Cam-pina Grande, Paraıba, pp. 437–442.

Americano-daCosta, M. V. e Normey-Rico, J. E.(2009). An interactive tool to design con-trollers for processes with dead time time de-lay systems, Vol. 8, 8th IFAC Workshop onTime-Delay Systems, pp. 189–194.

Aspentech (2005). Customization guide.www.aspentech.com.

Camacho, E. F. e Bordons, C. (2004). Mo-del Predictive Control, Springer-Verdag, Lon-don, England.

Fontanini, W., Filho, O. S. S. e Ferreira, P. A. V.(1990). Um ambiente integrado para ana-lise e projeto no espaco de estados, Vol. 1,Congresso Brasileiro de Automatica, Belem,Para, pp. 189–194.

Guzman, J. L., Berenguel, M. e Dormido, S.(2005). Interactive teaching of constrainedgeneralized predictive control, IEEE ControlSystems Magazine 25(2): 52–66.

Johansson, M., Gafvert, M. e Astrom, K. J.(1998). Interactive tools for education in au-tomatic control, Control Systems Magazine18(3): 33–40.

Karacan, S. (2003). Application of a non-linearlong range predictive control to a packed dis-tillation column, Chemical Engineering andProcessing 42(12): 943–953.

Lima, D. M., Americano-daCosta, M. V. eNormey-Rico, J. E. (2013). A flexible low costembedded system for model predictive con-trol of industrial processes, European ControlConference, Zurich, pp. 1571 – 1576.

Normey-Rico, J. E. e Camacho, E. F. (2007). Con-trol of Dead-time Processes, Springer, Lon-don, England.

Rivera, D. E., Morari, M. e Skogestad, S. (1986).Internal model control: PID controller de-sign, Industrial & Engineering ChemistryProcess Design and Development 25(1): 252– 265.

Santos, R. A. (2005). Meios distribuıdos para si-muladores de processo, PhD thesis, Universi-dade Federal de Santa Catarina, Brasil.

Takatsu, H., Itoh, T. e Araki, M. (1998). Futureneeds for control theory in industries-reportand topics of the control technology surveyin the japanese industry, Journal of ProcessControl 8(5-6): 369–374.


4075

uma plataforma computacional para sistemas de … · de uma planta piloto ou real. ... aspen hysys...

Documents