Modelo de inferência de variabilidade : traduzindo o desempenho de malhas de controle em alteração de variabilidade

Abstract

Diminuir a variabilidade de variáveis chaves do processo tornou-se um dos principais caminhos para quantificar os benefícios potenciais da melhoria do controle de processos, ou seja, com maior confiabilidade dos resultados é possível trabalhar em uma região próxima ao ponto de operação ótimo, o que se converte em ganho. Tal ganho pode ser materializado na forma de aumento da capacidade de produção da unidade, redução do consumo de energia, decréscimo de produtos fora de especificação, redução do tempo de transição entre produtos, melhoria na operabilidade, melhoria na qualidade final do produto, entre outros. Na presente dissertação é realizada uma revisão das principais metodologias que visam quantificar o potencial de alteração de variabilidade a qual uma malha de controle possa estar sujeita, além de propor um modelo de inferência que possa ser utilizado para predizer esse potencial de alteração de variabilidade, baseado em índices dados pelo Modelo de Inferência para Desempenho e Robustez. Neste trabalho é mostrado o procedimento utilizado para a construção do Modelo de Inferência de Variabilidade, o qual utiliza como entradas índices que possam ser facilmente quantificáveis e de características da planta (tempo morto e constante de tempo), usando somente dados em operação normal (sem mudanças no valor do setpoint). Para a sua obtenção, três diferentes métodos foram testados (a saber, Rede Neural, Mínimos Quadrados Parciais e Mínimos Quadrados Parciais Quadráticos), sendo os melhores resultados conseguidos ao se aplicar redes neurais. A eficácia do modelo de inferência proposto é ilustrada pela aplicação em casos de estudo nos quais o modelo de planta pode ser representado por funções de transferência de 1ª e de 2ª ordem com tempo morto e a aplicabilidade do mesmo é ilustrada ao utilizá-lo em um caso de estudo, desenvolvido em uma planta industrial. Nesse caso de estudo, procurou-se ainda analisar as principais malhas encontradas no cenário industrial. Os resultados obtidos para ambos os casos de estudo mostraram que a ferramenta desenvolvida apresenta um grande potencial de ser utilizada em projetos que contemplem a análise de pontos de melhoria da camada regulatória, uma vez que apresenta uma excelente capacidade de predizer a alteração de variabilidade a qual uma malha possa estar sujeita.

Reduction of the process variability has a significant impact into the process profitability. A reduction in the variance allows shifting the mean of the controlled variable closer to the constraint and thus ensures better performance like increase product throughput, increase yield of higher valued products, improve energy efficiency, decrease off-specification product, safer operation and reduced environmental impact, among others. In this dissertation, a bibliographic review of the main methodology used to estimate and assess the variance reduction is done. The main contribution of this work is to propose an inferential model to estimate the potential alteration in variance, based on indices determined by the Performance and Robustness Inferential Model. This work shows the procedure to build the Variability Inferential Model that assesses the potential alteration in variance of a given loop. The inputs variables are indices that can be easily calculated on-line and information about the plant (time delay and time constant) using only normal operating data (without excitation and/or setpoint activity). The set of input – output variables are fitted using different techniques (i.e., Neural Networks, Partial Least Squares and Quadratic Partial Least Squares). The best results are obtained by Neural Network. The efficacy of the Inferential Model is illustrated by application to first order plus time delay and second order plus time delay models. The proposed methodology was also applied to on a polyolefin plant, providing very good results, in a set of five loops, where the potential variance alteration is computed with small error, showing the efficacy of the methodology.