9 Los analistas comienzan a comprender… Citas: “ … mientras el equipamiento de proceso es una parte integral de programas de manejo de activos, los lazos de control … frecuentemente no reciben la misma atención.” “La performance de los lazos de control … se degrada lentamente en el tiempo sin llamar la atención ” “Sin una adecuada sintonía de lazos de control para minimizar variabilidad, … se pierden beneficios sustanciales” “… aún una leve degradación en el control del proceso puede resultar en millones de dólares perdidos de ganancias” “Identificar los lazos de control con mayor repago requiere evaluar todos los lazos de control, lo cual sería una tarea insuperable sin ayuda de software de supervisión y análisis de lazos de control” “Cuando recién instalado, el control avanzado de proceso proporciona típicamente beneficios sustanciales. Mantener estos beneficios debido a condiciones cambiantes, sin embargo, es un problema” “… es buen tiempo de asegurar los sistemas de control como parte sus esfuerzos de manejo de activos.” Edición de Junio 2003:
“Se debe incluir lazos de control en manejo de activos” Les A. Kane, Editor
10 ¿Cómo son los datos de un lazo de control? Salida de control Set-point & valor de proceso
Tiempo O
11 Costo de un mal control (Gp:) Alto (Gp:) Bajo (Gp:) Tiempo (Gp:) Sueño (Gp:) Costo (Gp:) Sintonía del lazo
(Gp:) Alto (Gp:) Bajo (Gp:) Realidad (Gp:) Costo (Gp:) Tiempo
(Gp:) Alto (Gp:) Bajo (Gp:) Sueño realista con Auditoria (Gp:) Costo (Gp:) Tiempo
12 Beneficios de Sintonía y Auditoria Mantener el sistema de control regulatorio en su máximo Performance del lazo Habilita al operario a mantener lazos en su punto de óptima performance Mantenimiento preventivo Alerta de problemas de equipos/proceso a su debido tiempo Problemas de instrumentos Problemas de actuadores Posibilita el uso de control multivariable/avanzado MPC limitado por la capacidad del control básico Modelos MPC incorporan performance de lazos básicos
13 Control Multivariable/ Predictivo basado en Modelo Planta Control Regulatorio Básico Cálculo de Propiedades Inferenciales actuadores sensores lab Supervisión de Lazos especificación de productos objetivos óptimos límites operativos Sintonía y Auditoria de Lazos Sintonía y Auditoria de Lazos Sintonía Optimizada – un requerimiento para proyectos APC O
14 Diagrama en Bloques Medición “PV” Controlador Actuador Proceso Objetivo “SP” Salida de Control “CO” GP CPID SP (r) PV (y) CO (u) –
15 Transformada de Laplace Transformación matemática dada por:
Herramienta para solución de ecuaciones diferenciales (se convierte en una ecuación algebraica en el dominio de la variable compleja s). Ejemplos: O
16 Función de Transferencia Uso de Transformada de Laplace para representación de sistemas Función de Transferencia: forma clásica de modelar sistemas lineales representación entrada-salida se determina mediante ensayos (respuesta al impulso/escalón) P u(t) y(t) G(s) U(s) Y(s)
17 Controlador PID – Breve Reseña Propuesto en los años 40 y se mantiene hasta ahora como el controlador de lazo más utilizado Es un controlador no-óptimo Es fácil de sintonizar y permite alcanzar una buena performance Es fácilmente implementable en un sistema de control digital Se basa en una estructura de una entrada y una salida
18 PID – Estructura interna El controlador PID está basado en 3 acciones paralelas Frecuentemente se utilizan solo los términos P e I Existen varias formulaciones matemáticas P: proporcional I: integral D: derivativo
19 PID – Estructura matemática Paralela e Ideal La forma Paralela es apta sobretodo para tratamiento empírico “manual”
La forma Ideal tiene la ventaja que Ti y Td son expresados en segundos y solo K depende de la unidad de medida del proceso Forma Paralela Forma Ideal
20 PID – Función de Transferencia de un PI Esta formulación es muy útil porque pone en evidencia las constantes de tiempo del controlador Un controlador PI tiene una función de transferencia con un cero y una acción integral Forma PI Ideal O
21 PID – Función de Transferencia de un PID Forma PID Ideal
22 PID – Estructura matemática Serie La forma Serie es útil cuando se analiza el controlador en el dominio de la frecuencia, dado que pone en evidencia las constantes de tiempo (polos y ceros) Observar: K, Ti y TD de la forma Ideal difieren de y de la forma Serie Forma Serie Partiendo de la forma Ideal:
23 PID – Estructura Interactiva y No-Interactiva Forma No-Interactiva (Paralela e Ideal): Forma Interactiva (Serie o Clásica): (Gp:) P (Gp:) PID (Gp:) D (Gp:) I
(Gp:) I (Gp:) P (Gp:) PD (Gp:) PID
24 PID – Implementaciones Industriales Forma Paralela: u: salida de control (CO) r: setpoint (SP) y: valor de proceso (PV) KP: ganancia proporcional KI: ganancia integral KD: ganancia derivativa TF: constante de tiempo de filtro ? : factor de peso para setpoint en término proporcional ? = 1 implica acción proporcional sobre el error ? = 0 implica acción proporcional sobre el PV ? : factor de peso para setpoint en término derivativo ? = 1 implica acción derivativa sobre el error ? = 0 implica acción derivativa sobre el PV
25 Respuesta de un sistema de primer orden Parámetros: G0: ganancia estática T0: constante de tiempo Td: retardo puro o tiempo muerto Función de transferencia: G0 Respuesta a escalón unitario 63% T0 Td G
26 Respuesta de un sistema de segundo orden Función de transferencia: Sub -amortiguado
Crítico Sobre-amortiguado Parámetros: G0: ganancia estática ??n: frecuencia natural no amortiguada : relación de amortiguamiento Mp ts Go Mp: sobretiro (“overshoot”) ts: tiempo de asentamiento (5%)
27 Sintonía de Controladores PID Objetivo Hallar los parámetros del controlador PID (típicamente K, Ti y Td) para obtener una respuesta de lazo de control deseada Especificaciones en el dominio del tiempo y/o frecuencia Cometidos principales del controlador: Seguimiento de setpoint Rechazo de perturbaciones Métodos de sintonía Ziegler-Nichols (Manual) Lambda IMC (Internal Model Control) Ubicación de Polos Dominantes
28 Procedimiento para la Sintonía Medición “PV” Controlador Actuador Proceso Objetivo “SP” Salida de Control “CO” GP CPID SP (r) PV (y) CO (u) – (Gp:) Adquirir (Gp:) 1
(Gp:) Modelar (Gp:) 2
(Gp:) Sintonizar (Gp:) 3
29 Adquisición de Respuestas Ensayos escalón (perturbación del proceso): en lazo cerrado (modo automático): cambios en SP en lazo abierto (modo manual): cambios en CO capturar la dinámica del proceso entre CO y PV evitar perturbaciones externas magnitud de los escalones significativa respecto al ruido de medida, limitados por condiciones operativas variedad de amplitudes y en ambos sentidos para caracterizar el o los puntos de trabajo
30 Identificación del Modelo Usualmente expresado como Función de Transferencia Métodos automáticos de ajuste de parámetros con selección manual o automática del orden del modelo Evaluación del modelo mediante índices de ajuste a la respuesta real (< error2>, R2, etc.) Simulación del modelo (respuesta escalón, diagramas de Bode) Validación del modelo con otro set de datos K: ganancia estática Tz: constante de tiempo del cero T1, ?, ?n : constantes de polos D: retardo de transporte (“tiempo muerto”)
31 Sintonía: Método Ziegler-Nichols (Manual) Método manual clásico para elección de parámetros de sintonía de PIDs Diseñado para rechazo de perturbaciones Procedimiento: Se configura el controlador en modo proporcional únicamente. Se aumenta la ganancia hasta producir una oscilación. Se registra la ganancia (Ku) y el período de la oscilación (Tu). Se eligen los parámetros del PID de acuerdo a una tabla. En la práctica requiere re-sintonía o atenuación de los parámetros para respuesta más estable
32 Sintonía: Método Lambda Requerimientos: modelo de primer orden, estable o integral, con tiempo muerto Parámetros de diseño: constante de tiempo del lazo cerrado (?) P PID SP CO – PV P? Factor Lambda (relación con lazo abierto): Controlador PI:
33 modelo del proceso inversa aprox. del modelo filtro, típicamente primero orden (??) (Gp:) IMC
Sintonía: Método IMC (Internal Model Control) Extiende el concepto del método Lambda a modelos de mayor orden Requerimientos: modelo estable Parámetros de diseño: Máxima Sensitividad (MS), o Constante de tiempo del lazo cerrado (??) MS permite un diseño robusto (cuanto menor sea el valor de MS, más robusta es la sintonía) SP PV CO – – Gf (Gp:) GP (Gp:) Gc (Gp:) –
34 Sintonía: Método de Ubicación de Polos Dominantes Requerimientos: ninguno Aproxima el lazo cerrado a una transferencia de segundo orden Parámetros de diseño: ?: relación de amortiguamiento ?: frecuencia natural P PID SP CO – PV G
35 Sintonía: Método ITAE Índice de Performance ITAE Integral Time Absolute Error: el producto por t reduce la contribución del error inicial y prioriza el error final Índice modificado: p limita el gradiente de la acción de control u (CO) Requerimientos: valores iniciales del PID para lazo estable utilizar otro método inicialmente optimizar con ITAE Parámetros de diseño: máx(dCO/dt) – opcionalmente O
36 Métodos de Sintonía O
37 Sintonía: Evaluación Simulación de la respuesta del lazo cerrado ante perturbaciones externas y cambios de setpoints
Diversos parámetros de performance tanto en el dominio del tiempo como en frecuencia Simulación de la sintonía con diversos modelos Parámetros de sintonía acorde a la implementación del PID
38 Evaluación en el Dominio del Tiempo Error Absoluto Integrado: (Gp:) 1
(Gp:) 2
(Gp:) 3
(Gp:) 4
(Gp:) 5
(Gp:) 6
39 Evaluación en el Dominio de la Frecuencia GP C r y u – d n Transferencia en lazo abierto:
Transferencia en lazo cerrado:
Función de Sensitividad:
Transferencia Señal de Error:
Transferencia Ruido-Acción de Control: e r: referencia, set-point (SP) u: acción de control (CO) y: salida (PV) d: perturbación a la entrada n: ruido de medida O
40 Evaluación en el Dominio de la Frecuencia Parámetros de Estabilidad Relativa – Robustez Diagrama de Bode del lazo abierto, Gol(s) Margen de Retardo: Margen de Fase: Margen de Ganancia: (Gp:) 1
(Gp:) 2
(Gp:) 3 (Gp:) Delay Margin
41 Lazos Feedforward y Cascada GD GP CFB SP PV CO D – CFF Cascada: Feedforward: (Gp:) GIN
(Gp:) COUT (Gp:) SP (Gp:) PV (Gp:) – (Gp:) CIN (Gp:) GOUT
(Gp:) – (Gp:) COOUT = SPIN (Gp:) PVIN (Gp:) COIN
O
42 ¿Qué es ‘performance de control’? La pregunta de performance del controlador es considerada en la fase de Diseño del Controlador constante de tiempo IAE, ISE, … tiempo de asentamiento sobretiro ancho de banda frecuencia de corte márgenes de ganancia/fase margen de retardo O
43 Diferencia entre Sintonía y Evaluación Etapa de Diseño Etapa de Evaluación Diseño razonable Diseño ligeramente agresivo ? ¿es esto un buen control? Si no: ¿por qué?
44 Generar información a partir de datos! Supervisión de Performance Rara vez se dispone de información adicional Usar datos de operación solamente Responder preguntas más relevantes
Preguntas típicas ¿Oscilan los lazos? ¿Trabajan en modo automático? ¿Tienen un desempeño aceptable? ¿Cuáles lazos requieren nueva sintonía? ¿Hay problemas de físicos? (desgaste de válvulas, por ej.)
O
45 Supervisión de lazos de control – no-invasivo! índices (KPI) Monitoreo de Condiciones de Lazos de Control (CLCM) o Auditoria
46 Evaluación de Performance por Pasos Recolectar y analizar datos Calcular Indicadores Claves de Performance (KPI) Elaborar hipótesis y sugerencias basadas en los KPI importante matemática involucrada O
47 Diagnósticos de Lazos de Control Diagnósticos típicos: Problema de sintonía Lazo oscilatorio Perturbación externa Fricción estática en válvula Pérdida en válvula Tamaño de válvula incorrecto Performance global aceptable KPI Reglas de Auditoria + Diagnósticos de Mantenimiento Ranking de Lazos según Performance Buena Regular Pobre
48 Indicadores Claves de Performance Estadísticas básicas Valor medio, desviación estándar Validez de datos “Outliers” Check de validez Compresión Modos de lazo de control Automático/Manual Saturado Cascada Nivel de ruido Índices de Performance Performance del lazo Índice Harris Retardo puro estimado Índices de Oscilación Oscilando, si/no? Frecuencia/Período Índices de Válvulas Fricción estática Índice de No-linealidad Índice de No-linealidad Índice de No-Gaussiano
49 Estadísticas Básicas Valor medio Desviación estándar Kurtosis, Skewness
Simple pero útil Tendencias son importantes Valores típicos que se capturan visualmente de tendencias Importante para documentación Para cálculos propios Siempre posibles (Gp:) skewness (Gp:) kurtosis
O
50 Validez de Datos ¿Son los datos válidos para análisis? Compresión de datos si los datos se obtienen de un historiador Cuantificación de datos Puede conducir a mala performance de control compresión cuantificación “outliers”
51 Modos del Lazo de Control Automático / Manual Salida saturada Cascada time [s] PV, SP CO PV, SP time [s] Modo cascada = 0% Modo automático = 100% Modo cascada = 100% Modo automático = 100% Saturación = 32.3% CO
52 Detección de Oscilación – ¿una tarea simple? Dominio de la frecuencia encontrar picos en el espectro
Dominio del tiempo señales periódicas “a la vista”
Auto-correlación considera el factor de amortiguación buena cancelación del ruido
Auto-correlación regularidad de cruces por cero Tiempo [s] Auto-correlación Auto-correlación Tiempo [s] Señal de error Espectro Frecuencia Tiempo [s]
53 Índices de Oscilación Detección de oscilación Interna – externa Cuantificación Período – amplitud Importante para análisis de causa raíz (“root-cause analysis”) Diagnósticos de oscilación Fricción en válvulas No linealidad Espectro O
54 Índice de Oscilación (dominio del tiempo) 0.88 0.25 Controlador sintonizado 0 = sin oscilación, 1 = oscilación perfecta Caudal [%] Tiempo [s]
55 Severidad de la Oscilación Cuantifica la oscilación
(Gp:) Período = 42.7 [s] Amplitud = 23.9 % Severidad = 79.8 % (Gp:) Período = 21.1 [s] Amplitud = 2.5 % Severidad = 41.2 %
Tiempo [s]
56 Índices de No-linealidad Análisis de causa raíz de oscilaciones Identificación de problemas en actuadores Sumamente útil en conexión con detección y diagnóstico de oscilación
Fricción estática Banda muerta Histéresis
57 Índices de Actuadores/Válvulas Estadística simple y diagnósticos avanzados No linealidad en válvulas es un problema importante Desplazamiento/ hora = 3510 [%/h] # Cambios de dirección/ hora = 1050 [#/h] Tamaño de la válvula = 100 [%] CO
58 Ejemplo de Investigación de Oscilación (Gp:) F (Gp:) FC
fricción estática carga cíclica sintonía muy rápida Diagnósticos Verificar performance global Detectar oscilación Decidir entre estas 3 causas Índices Detalles de la oscilación (período, amplitud …) Tendencias para cada índice
59 Señales ‘Perfectas’ de Fricción Estática tiempo Setpoint SP Variable de Proceso PV Salida de Control CO
60 Un Problema Típico: Lazos Acoplados (Gp:) F (Gp:) FC (Gp:) A (Gp:) AC
Producto 2 Producto 1 no o.k. o.k. Lazo de Caudal Lazo de Composición
61 Ambos Lazos Oscilan (Gp:) Diagnosis: (Gp:) stiction
no stiction control de composición control de caudal cross-corr. ¿Cuál lazo está causando la oscilación? tiempo [s] tiempo [s]
62 Solución con Correlación Cruzada
La correlación cruzada es usada cuando se tiene información de dos diferentes series temporales. El rango de valores es de -1 a 1 de tal forma que cuanto mas cercano esté el valor a 1, mas similares son las series. Cálculo: Multiplicar ambas señales en cada muestra y sumar los productos
63 Si la causa es fricción estática … (Gp:) variable de proceso (Gp:) señal de control
(Gp:) correlación cruzada (Gp:) CCF (Gp:) corrimientos
64 Si la causa no es fricción estática … variable de proceso señal de control (Gp:) correlación cruzada (Gp:) CCF (Gp:) corrimientos
65 Diagnóstico usando correlación cruzada señales control de composición control de caudal corr. cruzada (Gp:) Diagnóstico: (Gp:) fricción estática (Gp:) no hay fricción
66 Índices de Evaluación de Sintonía ¿Que tan cerca sigue el Valor de Proceso al Setpoint? Índice de Harris Índice de Harris 25% 5% 3% 0.3% 5.3% 0.6% Índice de Cruce de Setpoint 0.02 0.96 0.92
67 Índice de Harris (Mínima Variancia) Método estocástico que permite evaluar la performance del controlador mediante una comparación con el controlador de Mínima Variancia (MVC): Aquel capaz de remover todas las perturbaciones (luego del tiempo muerto) dejando solamente un ruido blanco Representa el mejor resultado teórico que se puede alcanzar Se calcula como:
con valores entre 0 y 1, cuánto más alto, mejor la performance.
O
68 Índice de Harris (Mínima Variancia) Principio: comparación con control de mínima variancia = + Predecible, puede ser removido por el control No predecible, no puede ser removido por el control La parte predecible depende del tiempo muerto del proceso El índice de Harris calcula la parte predecible mínima dada la restricción del tiempo muerto O
69 Índice de Harris (Mínima Variancia) (Gp:) I = (Gp:) + (Gp:) Calcular índice de performance (I): (Gp:) ?[0 1]
Impulso Respuesta a impulso estimada de datos de operación normal PERO … necesita saber el tiempo muerto de cada lazo! control MV control actual control PI óptimo time [s] respuesta a impulso en lazo cerrado O
70 Antes: Después: Índice de Harris – Ejemplo 0.47 0.96 O
71 # lazos de buena performance: 32 # lazos intermedios: 12 # lazos de mala performance: 6 Ejemplo de una Herramienta de Performance Unidad de Proceso: Unit-xyz Lazos investigados: 50 Fecha: 2002-08-15 Performance global: buena Lazos de mala performance * oscilando: 3 * gran desviación estándar: 2 * comportamiento sospechoso: 1 Indicar malos lazos en pantalla y reportes
72 Loop FC-xyz Problema: oscilación Causa probable: problema en válvula Solución: mantenimiento Hasta tanto, sintonizar con Ti=10.8, Kp=0.74 Loop TC-xyz Problema: oscilación Causa probable: externa Solución: revisar FC-xyz Sintonía actual OK Loop Lc-xyz Problema: alta variancia Causa Probable: sintonía/ estructura del controlador insuficiente Solución: resintonizar controlador PI (Ti=10.8, Kp=0.74) y usar señales abc para feed-forward (Kf=0.92) Ejemplo de una Herramienta de Performance
73 Análisis de Perturbaciones de Planta Perturbaciones a nivel de toda la planta causan problemas significativos El reciclaje de energía y material contribuye a su propagación La identificación de la causa raíz no es una tarea simple Tradicionalmente requiere conocimiento experto del proceso y/o ecuaciones de primeros principios Alternativa: software avanzado de tratamiento de señales procesando información típica de históricos de planta
74 Ejemplo de Perturbaciones a Nivel de Planta Columna de destilación parte de un proceso mayor Reacción con dependencia crítica de la temperatura Estructura de control: Control cascada para el flujo calefactor de entrada Control de flujo de salida mediante medida de nivel 7 temperaturas adicionales a lo largo de flujo para supervisión (Gp:) TC2 (Gp:) TC1
(Gp:) TI1 (Gp:) TI2 (Gp:) TI3 (Gp:) TI7 (Gp:) TI6 (Gp:) TI4 (Gp:) TI5
(Gp:) LC1
Salida de Fluido Calefactor Entrada Fluido Calefactor
Alimentación Salida de Producto Salida de Producto Intermedio
75 Perturbación Afectando el Proceso Hipótesis de causa raíz: Controlador de nivel LC1 mal sintonizado Perturbación externa en alimentación TI1 (Gp:) TC2 (Gp:) TC1
(Gp:) TI1 (Gp:) TI2 (Gp:) TI3 (Gp:) TI7 (Gp:) TI6 (Gp:) TI4 (Gp:) TI5
(Gp:) LC1
Salida de Fluido Calefactor Alimentación TI1 TI2 TI3 TI4 TI5 TC1 TC2 TI6 LC1 TI7 0 50 100 150 200 250 300 350 400 15% osc. Salida de Producto Intermedio Entrada Fluido Calefactor
Salida de Producto
76 Metodología de Análisis de Perturbaciones Recolección de tendencias de variables involucradas Procesamiento: selección de tramos útiles (valor medio constante durante las oscilaciones) aplicación de filtros pasa-banda para enfocarse en la oscilación bajo estudio 2 técnicas de “Clustering”: Detección de oscilación Análisis de Componentes Principales Indicador de Causa Raíz #1: No-linealidad Indicador de Causa Raíz #2: Causalidad Indicador de Causa Raíz #3: Retardos temporales
77 TI1 TI2 TI3 TI4 TI5 LC1 Indicador 1: Resultados de No-Linealidad TC2 TC1 TI7 TI6 (Gp:) TI1 (Gp:) TI2 (Gp:) TI3 (Gp:) TI4 (Gp:) TI5 (Gp:) LC1
Salida Flujo Calefactor Entrada Flujo Calefactor Alimentación Salida de Producto Producto Intermedio
78 Indicador 2: Matriz de Causalidad TC2 TC1 TI1 TI2 TI3 TI7 TI6 TI4 TI5 LC1 (Gp:) TI1 causa TI2
(Gp:) TI3 causa TI4
(Gp:) TI4 causa TI5
Efecto Causa
79 Indicador 3: Retardos Temporales TC2 TC1 TI1 TI2 TI3 TI7 TI6 TI4 TI5 LC1 (Gp:) 10 seg
(Gp:) 20 seg
(Gp:) 20 seg
(Gp:) 40 seg
(Gp:) 140 seg
(Gp:) 30 seg
(Gp:) 290 seg
80 Hipótesis de causa raíz: Controlador LC1 mal sintonizado Perturbación externa por alimentación, TI1 Hipótesis de causa raíz: Controlador LC1 mal sintonizado Perturbación externa por alimentación, TI1 La perturbación es causada por la alimentación (Gp:) TC2 (Gp:) TC1
(Gp:) TI1 (Gp:) TI2 (Gp:) TI3 (Gp:) TI7 (Gp:) TI6 (Gp:) TI4 (Gp:) TI5
(Gp:) LC1
TI1 TI2 TI3 TI4 TI5 TC1 TC2 TI6 LC1 TI7 0 50 100 150 200 250 300 350 400
81 El Escenario de Control Avanzado de Procesos LAB (Gp:) MPC
(Gp:) Modelo (Gp:) RTO (Gp:) Modelado Riguroso
(Gp:) Optimización de Lazos
(Gp:) Control de Proceso en DCS (Gp:) Proceso
(Gp:) SPC (Gp:) MvSPC
(Gp:) SPC (Gp:) Modelos Inferenciales
Operador
82 Amplia disponibilidad de históricos de datos y sistemas de información de laboratorio han de hecho de los datos un “commodity” Las plantas son “productoras de datos” con cientos de miles de puntos almacenados cada día Los datos históricos son un activo valioso para un mejor control, soporte de decisiones gerenciales y optimización de procesos, pero extraer información útil requiere herramientas Auge de Modelos derivados de Datos
83 Aplicación Típica: Sensores Inferenciales Sensor Inferencial / Modelo variable de proceso estimada variables de proceso medidas Estimar una variable de proceso cuya medida directa no es posible o no se encuentra disponible Se basa en redundancia de información mediante relaciones con otras variables de procesos que se miden directamente
Tecnología usada: redes neuronales, regresiones, algoritmos genéticos, SPC, MvSPC, etc.
84 143.0 ppm Sensores Inferenciales: ¿Por Qué? LIMS PIMS DCS (Sistemas de Información) ANALISIS DE LABORATORIO Muestras Resultados de 1 a 12 horas de retraso en la medida efectuado cada X horas
85 143.0 ppm Información continua, en tiempo real LIMS PIMS DCS (Sistemas de Información) ANALISIS DE LABORATORIO Muestras Resultados de 1 a 12 horas de retraso en la medida efectuado cada X horas (Gp:) Sensores Inferenciales
(Gp:) sin demoras medidas continuas análisis de laboratorio usados para validación periódica de los sensores inferenciales
86 Aplicaciones Típicas de Modelos Inferenciales Medidas Inferenciales Validación de Sensores PEMS – Monitoreo Predictivo de Emisiones Monitoreo de Calidad Monitoreo de Performance de Proceso Aviso de Mantenimiento
87 Introducción a MPC MVs CVs & PVs MVs = Variables de Proceso Manipuladas, independientes, SPs control básico FFs = Variables Feedforward, perturbaciones medidas del proceso CVs = Variables Controladas, dependientes, salidas de proceso PVs = Variables de Proceso, realimentación al estimador, mejor predicción FFs (Gp:) MPC (Gp:) Objetivos CV (Gp:) Objetivos MV (Gp:) Límites CV (Gp:) Límites MV
(Gp:) Modelo (Gp:) Optimiz.
PROCESO PVs COs (Gp:) PID
(Gp:) PID
(Gp:) PID
Automación Básica SPs
88 Cómo MPC mejora la Performance Vista Estadística Reduce la variancia y mueve hacia los Límites 5 4 3 2 1
0 330°
350°
370°
390°
410°
430° 6
% Muestras/ Grado F Grados F
89 Cómo MPC mejora la Performance (Gp:) Región de Operación Preferida por el Operador
(Gp:) Óptimo Económico (Gp:) Restricción Desborde
(Gp:) Restricción Condensador (Gp:) Restricción de Temperatura en Reboiler (Gp:) Vapor (Gp:) Reflujo
Manejo simultáneo de restricciones y variables (Gp:) MPC Inicial
(Gp:) MPC
90 Aplicaciones Típicas de MPC Importante número de aplicaciones probadas de MPC en industrias de proceso Destilación & Fraccionamiento Reactores Químicos Operación de Unidades en Refinería Plantas de Etileno Digestor de Pulpa
| Página siguiente |