Metodologia para estimar distúrbios não medidos aplicada a sistemas SISO

• Autor(a) principal: Lima, Maria Andressa Ferro de
• Data de Publicação: 2016
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
• Texto Completo: http://hdl.handle.net/10183/149189
• topic: Engenharia química; Controle de processos; Performance monitoring; Variability; Loop maintenance; Unmeasured disturbance

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.