Sintonización de Lazos de Control (página 3)

32 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

33 Señales ‘Perfectas’ de Fricción Estática tiempo Setpoint SP Variable de Proceso PV Salida de Control CO

34 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

35 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]

36 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

37 Si la causa es fricción estática … (Gp:) variable de proceso (Gp:) señal de control

(Gp:) correlación cruzada (Gp:) CCF (Gp:) corrimientos

38 Si la causa no es fricción estática … variable de proceso señal de control (Gp:) correlación cruzada (Gp:) CCF (Gp:) corrimientos

39 Diagnóstico usando correlación cruzada señales control de composición control de caudal corr. cruzada (Gp:) Diagnóstico: (Gp:) fricción estática (Gp:) no hay fricción

40 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

41 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.

42 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

43 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

44 Antes: Después: Índice de Harris – Ejemplo 0.47 0.96

45 # 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

46 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

47 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

48 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

49 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

50 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

51 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

52 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

53 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

54 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

55 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

56 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

57 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.

58 143.0 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

59 143.0 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

60 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

61 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

62 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

63 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

64 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