Desenvolvimento de um reconciliador de dados dinâmico através da implementação de um filtro de Kalman estendido em uma torre desbutanizadora

• Autor(a) principal: Santos, Letícia Leal Dias
• Data de Publicação: 2022
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRJ
• Texto Completo: http://hdl.handle.net/11422/16743
• topic: Gás natural; Planta industrial; Colunas de destilação; Coluna desbutanizadora; Variáveis de processos; Estimadores de estado; CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA::PROCESSOS INDUSTRIAIS DE ENGENHARIA QUIMICA

As medições das variáveis de um processo são fundamentais ao monitoramento, controle e otimização da planta industrial. No entanto, as medidas estão associadas a erros sistemáticos, aleatórios e grosseiros, além de não estarem disponíveis para todas as variáveis do processo, como algumas variáveis de estado. Nesse sentido, a reconciliação de dados é fundamental para proporcionar medidas consistentes que respeitem às leis de conservação de massa e energia e estimativas coerentes para as variáveis do processo, podendo ser implementada a partir de estimadores de estado, como o Filtro de Kalman Estendido (EKF). Desta forma, o objetivo deste trabalho foi implementar a estratégia de reconciliação de dados dinâmica utilizando o EKF como estimador de estados em uma coluna desbutanizadora de uma Unidade de Processamento de Gás Natural (UPGN) existente. Inicialmente, foi desenvolvido o modelo dinâmico da coluna utilizando-se o software EMSO, o qual foi integrado ao Python pela interface emsopy, e foi utilizado tanto para representar o modelo, quanto a planta. Além disso, os parâmetros da planta foram considerados conhecidos, assumindo-se a hipótese do modelo perfeito. Para simular as medidas, foi acrescentado um ruído branco nas variáveis de saída da planta, as quais foram escolhidas pela sua disponibilidade de instrumentação da UPGN. Cinco diferentes cenários de teste foram avaliados, sendo eles (1) regulatório com degrau de +10% na temperatura da carga (distúrbio medido), (2) regulatório com degrau de +15% na composição de etano da carga (distúrbio não-medido), (3) servo com degrau de +3ºC no setpoint do controlador da temperatura do fundo, (4) servo com degrau +10% no setpoint do controlador da pressão de topo da coluna e (5) regulatório com degrau de +10% na fração de nhexano dentre os componentes C6+, do n-hexano em diante, (parâmetro 67 ) na carga (distúrbio não-medido). Duas sintonias foram propostas, de forma que uma concedeu maior importância à predição do modelo em detrimento da correção da medida (EKF1), e outra considerou a influência da correção da medida mais importante frente à predição do modelo (EKF2). Em uma outra análise, removendo-se a hipótese de modelo perfeito, foi realizada a estimação do parâmetro 67 para o cenário de teste 5. Foi possível obter um estimador do tipo EKF em Python, com uma boa comunicação com o EMSO, sendo o emsopy uma interface robusta e ágil para implementações em tempo real. As estimativas de ambas sintonias propostas conseguiram representar bem o comportamento real da planta. Em geral, o EKF2 se mostrou superior ao EKF1 diante de distúrbios não medidos, sobretudo após a estimação do parâmetro 67 para o cenário de teste 5. Nesse sentido, as medidas da coluna desbutanizadora puderam ser adequadamente reconciliadas e os estados e o parâmetro considerados estimados.