control predictivo basado en modelos - … · 1 control predictivo basado en modelos tecnologías y...

1

CONTROL PREDICTIVOBASADO EN MODELOS

Tecnologías y Proyectos Industriales

Carlos Alberto RuizDirector Área de Sistemas Informáticos Industriales,

Control Avanzado y OptimizaciónSoteica Latinoamérica S.A.

Alvarez Thomas 796, 4 B (CCU1427) Buenos Aires, ArgentinaTel: +54 11 4555 5702, Fax: +54 11 4551 0751

e-mail: [email protected]

XX Congreso Argentino de Control AutomáticoAADECA 2006

Buenos Aires, Argentina, 30 de Agosto de 2006

Soteica

Compañía Consultora de Sistemas e Ingeniería, fundada en 1985Oficinas en• Buenos Aires,

San Pablo,Ciudad de México,Barcelona (Europa), Houston,

Proyectos realizados internacionalmente

2

Antecedentes de Soteica

Más de 21 años de actividadUn equipo experimentado en el Modelado: desde las Unidades de Planta hasta los modelos gerencialesProyectos realizados en gran parte del mundo: Petrobras, Repsol YPF, PEMEX, PDVSA, ENAP, ANCAP, Total, …Servicios completos que cubren:

• Implementación• Transferencia de tecnología• Soporte local completo• Programa de mejoras continuas

Actualización tecnológica constante

Soteica = Modelado

Desde 1985 Soteica trabaja para capturar el conocimiento de los procesos dentro de modelos que puedan ser utilizados para tomar decisiones acerca del Negocio

3

NegocioNegocio

DecisionesDecisiones

DatosDatos

InformaciInformacióónn

ConocimientoConocimiento

Una mejor toma de decisiones: El único camino hacia una mayor rentabilidad

El Paradigma

Servicios tecnológicos de Soteica

Control AvanzadoOptimización Energética de Sitios Completos en tiempo real (Vapor y Electricidad)Gerenciamiento de datos de Inventarios y Playas de TanquesReconciliación de Datos, Balance de Masa y Contabilidad de la ProducciónSistemas de Información de Plantas y Monitorización de la PerformanceEntrenamiento de Operadores basado en modelos dinámicos rigurososPlanificación y Scheduling AvanzadosOptimización de procesos en Tiempo Real...

4

CONTROL PREDICTIVOBASADO EN MODELOS

(MPC)

Tecnologías y Proyectos Industriales

Agenda de la presentación• Fundamentos de la tecnología de Control Predictivo

Basado en Modelos (MPC)• Historia• Tecnologías comparadas

• Metodología de los proyectos industriales de control predictivo

• Ejemplos de proyectos industriales de control predictivo:• Monovariable:

Reactor discontinuo (batch) en una Planta de PoliolesNivel de fondo de una columna de destilación en una Planta de Hidrotratamiento

• Multivariable:Unidad de Destilación al VacíoUnidad de Coquificación Retardada

• Conclusiones

5

Fundamentos de la tecnología de Control Predictivo Basado en Modelos (MPC)

Fundamentos del MPC

La tecnología MPC se desarrolló en la industria de procesos a partir de finales de los 1960’s y principios de los 70’sEstá basado principalmente en ideas heurísticas y modelos empíricos de respuesta al impulso.El principio básico de todos los enfoques consiste en resolver un problema de control optimal a lazo abierto en cada paso de tiempo,con las variables decisión siendo los movimientos a realizarse sobre las variables manipuladas durante un “horizonte de control“y la función objetivo la minimización de la desviación con respecto a una cierta trayectoria deseada dentro de un “horizonte de predicción”

6

Fundamentos del MPC

Las restricciones sobre las variables manipuladas, de estado y salida se manejan naturalmente con esa formulaciónla realimentación se maneja proporcionando una actualización del modelo en cada paso (a menudo mediante una “corrección de perturbación aditiva”).

Historia del MPCDos vertientes que aún persisten:

• 1976-1978: Jacques RichaletADERSA, Francia,MAC: Model AlgorithmicControl (IDCOM-HIECON)

Richalet, J.A., A. Rault, J.D. Testud and J. Papon, "Model Predictive HeuristicControl: Applications to Industrial Processes," Automatica, 14, 413-428 (1978).

• 1979-1980: Charles CutlerShell / DMCC, USA,DMC: Dynamic Matrix Control (DMCplus)

Cutler, C.R. and B.L. Ramaker, "Dynamic Matrix Control - A Computer Control Algorithm,“ Proc. Joint Automatic Control Conference, San Francisco, CA, Paper WP5-B (1980).

7

MPC tiene su lugar en Wikipedia

Notas y aclaraciones (1)

Las figuras de la siguiente sección fueron extraídas del paper de Qin, S. J. and T. A. Badgwell. “AnOverview of Industrial Model Predictive Control Technology”, CPC V, 1996http://www.che.utexas.edu/~qin/cpcv/cpcv14.htmlEn ese trabajo, los autores realizaron un survey de aplicaciones industriales para sistemas lineales (que constituyen la vasta mayoría de las aplicaciones industriales actuales y a la que nos referiremos en exclusividad en el curso de esta exposición)

9

Objetivo final para las MVs/CVs

Movimiento de las MVsteniendo en cuenta su impacto en las CVs

12

TecnologíasComparadas

Referencia: Qin, S. J. and T. A. Badgwell. “An Overview of Industrial ModelPredictive Control Technology”, CPC V, 1996

http://www.che.utexas.edu/~qin/cpcv/cpcv14.html

15

Hoy en día…

Hoy en día...

Prácticamente todo proveedor de DCSs tiene disponible un software para realizar Control Predictivo:

• Honeywell: RMPCT (Profit Controller)• Foxboro: Connoisseur• Emerson: SMOC (desarrollado por MDC), DeltaV

PredictPro• ABB: 3DMPC• ...

La mayoría de las tecnologías industriales de la actualidad están basadas en sistemas lineales.Sin embargo, aparece ya en el mercado software industrial para aplicaciones no lineales.De los proveedores independientes (es decir, no proveedores de DCSs), el software más popular hoy día es el DMCplus (merced a la muy buena base instalada que Aspen heredara de DMCC, Setpoint y Treiber).

16

Hoy en día...

Los implementadores de aplicaciones se han multiplicado por fuera de los proveedores independientes (que parecen querer desprenderse del personal que realiza proyectos para enfocarse a vender sólo el software).Algunas compañías industriales adoptaron uno de los software como “estándar”, muchas veces por el intento de aprovechar el entrenamiento y experiencia de grupos internos dedicados al control avanzado y sistemas.Varias compañías implementan otras tecnologías además que la “estándar”, por razones de precio y/o capacidad propia de las mismas.

• Por ejemplo, una empresa de refinación internacional emplea: DMC, RMPCT, PCR

Hoy en día...

Algunas compañías productoras desarrollaron su propio controlador interno y lo licenciaron externamente, por ej.:

• Shell: el DMC primero (a DMCC, ahora de Aspen), luego el SMOC (a MDC, ahora de Emerson)

• Petrobras: SICONPero muy pocas compañías productoras continúan con desarrollos internos propios.Todas las compañías recurren al mix: grupo interno + soporte de especialistas externos (en mayor o menor proporción relativa, dependiendo del grado de recursos y/o madurez en el dominio de la tecnología).

17

Hoy en día...

El aporte de especialistas externos hace que el panorama del grupo interno se amplíe y se puedan capitalizar las experiencias logradas en otros sitios.El grupo interno consolida las aplicaciones, las mantiene y las sistematiza para que sean mantenidos en el tiempo los beneficios de las tecnologías.Soteica siempre ha insistido, desde los primeros proyectos, en asegurar la correcta asimilación de estas tecnologías por grupos internos para que ean ellos luego quienes las consoliden dentro de cada Organización.

Hoy en día...

Es un gran inconveniente encontrar personal Junior que haya tenido formación académica en estas tecnologías (pobre preparación en control, en general, nula preparación en control predictivo, en particular).Hay muy poco personal Senior con experiencia industrial concreta en MPC en nuestra región.La mayoría de las tecnologías aplicadas industrialmente en la actualidad están basadas en sistemas lineales.Sin embargo, aparecen ya en el mercado software industrial para aplicaciones no lineales.

18

Hoy en díaAplicaciones de MPC a las más diversas problemáticas de control, más allá de los campos originarios de refinación, aeroespacioy defensa

Notas y aclaraciones (2)Los interesados en control predictivo no lineal pueden consultar: • Qin, S. J., and T. A. Badgwell, "An Overview of

Nonlinear Model Predictive Control Applications," In Frank Allgöwer and Alex Zheng, editors, NonlinearModel Predictive Control. Birkhäuser, 369-392, 2000

• Findeisen, R. and F. Allgöwer, “An Introduction toNonlinear Model Predictive Control”, 21st BeneluxMeeting on Systems and Control, 2002, Veldhoven, Belgiumhttp://www.ist.uni-stuttgart.de/reports/pdf/2002-1.pdf

• Allgöwer, F., R. Findeisen and Z. Nagy, “NonlinearModel Predictive Control: From Theory to Application”, J. Chin. Inst. Chem. Engrs., Vol. 35, No. 3, 299-315, 2004http://www.ist.uni-stuttgart.de/~findeise/papers/chinchemeng04.pdf

19

Metodología y etapas de los proyectos de MPC

FAMILIARIZ.OPERACION

ENE FEB MAR ABR MAY JUN JUL AGO SET

ETAPAS DE UN PROYECTO MPC

20

Revisión de P&IDsRecopilación de ManualesOperativosReuniones con Personal de Operaciones, Procesos e InstrumentosEl objetivo es entenderperfectamente los objetivostécnico/económicos del proceso

FAMILIARIZACION CON LA OPERACION


PRE-TEST / DISEÑO PRELIM.



21

Chequeo y puesta a puntodel sistema de control convencionalAjuste de sintonía de lazosPID existentes, cambios de estrategias y filtrado de señalesEnsayo dinámico preliminarNuevos sensores y cálculos a implementarse en el DCSEmisión de informe con diseño preliminar y lista de recomendaciones

PRE-TEST Y DISEÑO PRELIMINAR



RECONFIG. CONTR. / INSTR.



22

Ejecución de lo recomendadoluego del Pre-TestReparación de válvulas y sensoresInstalación de nuevosanalizadoresConfiguración de lazos nuevos y cálculos en línea (por ej., pararealizar inferencias)

RECONFIGURACIÓN DE CONTROLA-DORES E INSTRUMENTACIÓN



TEST DE PLANTA




23

Etapa más importante del proyectoPara los proyectos multivariable, se lleva a cabo las 24 hrs. del díacon supervisión de los ingenierosde controlSe colecta toda la informacióngenerada (pueden llegar a ser cientos de tags)Consiste en excitar la Planta paraobtener información dinámica quepermita luego la identificación de la misma (usualmente con perturbaciones escalón)

TEST DE PLANTA

B501 AI5012.5

MPC

TEST DE PLANTA

• Se trata de ver el efecto quetiene sobre cada variable dependiente (CVs) la modificación de las variables independientes (MVs y DVs)

• Se diseña un programa de pruebas introduciendo escalonesen las variables independientes

• Prestando especial atención a todo lo que ocurra en la Planta y pudiese llegar a invalidar lasrespuestas

• Se intenta mantener el rangooperativo “habitual” de la Planta

0

0

3 4 5 6 7 8 9 10 11 12 13 14 151 2

A1A2

A3

A4

A6

A15

A0

1

VARIABLE INDEPENDIENTE

VARIABLE DEPENDIENTE

0

24



IDENTIFIC. DEL MODELO

TEST DE PLANTA




Se realiza a partir de los datoscolectados durante el Test de PlantaSe lleva a cabo off-line, con la participación del personal de ingeniería de la Empresa (hands-on training)Culmina con el modelo dinámicode la Planta

IDENTIFICACION DEL MODELO

MPC

25

IDENTIFICACIÓN DEL MODELO• Utilizando el software de

identificación se obtienen lasrespuestas dinámicas

• Se comparan las respuestaspredichas y los errores de predicción con los datosexperimentales.

• Los modelos se inspeccionancuidadosamente y, frecuentemente, se “retocan” a mano.

• Se presta especial atención a la obtención de modelos que no introduzcan “problemas numéricosni físicos” evidentes (colinealidad, casi singularidad, gananciaserróneas, ...)

VI1

VI2

VD1

VD2

VI1

VI2

VI3

VD1 VD2 VD3 VD4

VARIABLES DEPENDIENTESVARIABLES DEPENDIENTES

VARIABLES

VARIABLES

INDEPEND.

INDEPEND.

MPC

26



CONSTRUC. CONTROLADOR


TEST DE PLANTA




Se realiza a partir de los modelosdinámicos identificadosSe lleva a cabo off-line, con la participación del personal de ingenieríade la Empresa (hands-on training)Involucra una etapa de simulación paraverificar sintoníaSe evalúa el comportamiento del controlador ante discrepancias entre el modelo y la Planta real (robustez)Se incluyen posible funcionales de optimización a ser tenidos en cuentapor el MPC (costos de MVs y CVs)Culmina con el controlador diseñado y ajustado para cumplir los requisitosoperativos y económicos del proceso

CONSTRUCCION DEL CONTROLADOR

MPC

27





TEST DE PLANTA



GEN.INTERF.CON OPERADOR


La lleva a cabo la Empresa, sobre el sistema de controlConsiste en tablas operativas simples con las que los operadoresinteractúan con el controlador MPC

GENERACION DE LA INTERFASE CON EL OPERADOR

28





TEST DE PLANTA




INST.SOFT MPC/ INTERFASE


Se realiza sobre el sistema de control y/o la computadora externa de aplicacionesConsiste en recompilar el software en la plataforma de cómputo que se utilice (PC WIN NT, RISC UNIX, VAX, etc.) o en programar el algoritmo del controlador en el lenguaje propio del DCS (CL, HLBL, TCL, etc.)Se utilizan las interfases propias de cada DCS (APIs) o genéricas (OPC). Cada una de ellas presenta ventajasy desventajas relativas

INSTALACION DEL MPC E INTERFASE CON EL SISTEMA DE CONTROL

MPC

29





TEST DE PLANTA




INST.SOFT DMC / INTERFASE

PUESTA EN MARCHA


Para controladores multivariable, se suele ejecutar con cobertura de ingeniería durante las 24 hrs. del díaSe realizan los ajustes finales en la sintonía del controladorSe entrena simultáneamente a los operadores

PUESTA EN MARCHA DEL CONTROLADOR

I

B501 AI5012.5

MPC

30





TEST DE PLANTA





PUESTA EN MARCHA [DMC]

CAPACIT. OPERADORES






TEST DE PLANTA






CAPACIT. OPERADORES

EVALUACION BENEFICIOS


31

Se realiza luego de colectar historiaoperativa suficiente a partir de la puesta en marcha del controladorSe evalúan los resultados obtenidos

EVALUACIÓN DE LOS BENEFICIOS OBTENIDOS (POST-AUDITORÍA)

MPC





TEST DE PLANTA






CAPACIT. OPERADORES

EVALUACION BENEFICIOS

FINALIZADO YA EL PROYECTO...

MANTENIMIENTO !!!

32

Los modelos y controladores suelen ser muy robustos (en un caso, hemos vistocómo está funcionando durante casi 12 años sin modificación alguna)Pero toda Planta evoluciona y cambia. Algunas de estas cosas pueden hacerque los MPC dejen de funcionar:• mal funcionamiento de sensores• reubicación de algunos sensores• reemplazo o agregado de equipos• nuevas estrategias operativas

Hay pocas herramientas de software “industriales y simples” que permitanmonitorizar los MPC y alertar sobredegradación de su performanceEl “ojo del ingeniero” y la experiencia del día a día ayudan a detectar, identificar y resolver potenciales problemas

MANTENIMIENTO

MPC

Ejemplos de Proyecto Industrial de control PCR

“Application of Predictive Control to a Batch Reactor”, Diego Ruiz Massa, Carlos Ruiz García, Jacques Papon, Stephane Guesneux, Ana Isabel Sanz Mendez, European Refining Technology Conference (ERTC) Computing, Milan, Italy, June 2003.

“Model Based Predictive Control Increases Batch Reactor Production”, A. Sanz, A. Cardete, R. Lucio, R. Martínez, S. Muñoz, D. Ruiz, C. Ruiz, O. Gerbiand J. Papon, Hydrocarbon Processing, Vol 84, Nro. 5, 61-65, 2005.

33

Control de un reactor discontinuo industrial empleando la tecnología PCR

• Descripción del proceso• Objetivos del proyecto• Actividades del proyecto

• Step Test• Modelado / Identificación• Diseño del controlador• Verificación en lazo cerrado (simulación)

• Resultados• Conclusiones

MPCMultivariable

Control básico PID

MPC MonovariablePFC/PCR

Ubicación de la tecnología PFC/PCR en la jerarquía del control

34

Descripción del proceso

Steam

Water

PI P LI

L

TCT

TCT’

TCTr

TIT’

TITr

FIFr

PIP

Water PIPReactants

FCI F FC PC

PC

Reactor

LI

TC1

TC2 TI4

PC

TC3

FI

TI5

Heat Exchanger

To Vacuum System

TI Tr

TI6

Primary loop

Secondary loop

CV

HV

2000 4000 6000 8000 10000 12000 1400090

100

110

120

130

140

150

Control PID

Tiempo (seg)

Tem

pera

tura

(C)

35

Objetivos del proyecto PCR

Mejorar en la calidad del polímero mediante una mayor estabilidad de la temperaturaAumentar el SP de la temperatura de reacción (no posible bajo el control PID debido a que, operando a altas temperaturas, se dispara la parada de emergencia por culpa de las oscilaciones)Aumentar la producción mediante la reducción del tiempo de procesamiento de cada loteAumentar la disponibilidad de la planta, evitando paradas de mantenimiento al no desgastar tanto las válvulasDisminuir los costos marginales al consumir menos servicios (vapor y agua de refrigeración)

1) Análisis del proceso y especificaciones

2) Step Test

3) Modelado / Identificación

4) Simulación

5) Diseño del controlador

6) Verificación en lazo cerrado (simulación)

7) Comisionado

8) Pruebas en Planta

9) Entrenamiento de los usuarios

Actividades del proyecto PCR

36


2) Step Test


4) Simulación



7) Comisionado




Step Test

0

20

40

60

80

100

120

140

15:26:00 15:33:12 15:40:24 15:47:36 15:54:48 16:02:00 16:09:12 16:16:24 16:23:36

Time

ºC

0

10

20

30

40

50

60

70

80

90

100

%

TC1

TC2

TI4

TC3

CV

El step test se realiza con el reactor lleno de producto, pero sin reacción

37


2) Step Test


4) Simulación



7) Comisionado




GLIDE: herramienta de identificación en Matlab

38

Identificación (TC2 a partir de TC1 y TC3)

Steam

Water

PI P LI

L

TCT

TCT’

TCTr

TIT’

TITr

FIFr

PIP

Water PIPReactants

FCI F FC PC

PC

Reactor

LI

TC1

TC2 TI4

PC

TC3

FI

TI5

Heat Exchanger

To Vacuum System

TI Tr

TI6

Primary loop

Secondary loop

CV

HV

TC2 ΔºC

TC3 ΔºC

TC1 ΔºC

ºC

(seconds)

Identificación (TC2 a partir de TC1 y TC3)

39


2) Step Test


4) Simulación



7) Comisionado




Biblioteca PCR de Matlab Simulink: Listado de bloques de control

Controller Group:PCR_EF1 : Enhanced First order system with pure time delayPCR_IF1 : Integrative First order system with pure time delayPCR_RD1 : Ramp & Docking setpoint controllerPCR_SF1 : Simple First order system with pure time delayPCR_SHE : Simple Heat Exchanger controllerPCR_SPF : Simple Parametric control with Flow as manipulated

variablePCR_ZTR : Zone Time-varying TRBF (CLTR)

Generator Group:PCR_RSP : Ramp & Docking setpoint generator

Model Group:PCR_FF1 : Model for first order Feed Forward compensation

Supervisor Group:PCR_SR1 : Supervisor for two controllers in Split Range

configuration

40

Simulador del proceso

Reactor

Cooling Cicuit

Cooling Valve (CV)

Heating Valve (HV)

Datos de planta vs. simulación

41


2) Step Test


4) Simulación



7) Comisionado




Estructura de los controladores PCR

R3R2C

H

TC2sp

TC1sp

TC3sp

HVsp

CVsp

SR

ESTRUCTURA DE CONTROL

HVCV

Cada línea de controladores calcula la acción de control requerida para mantener el SP deseado del reactor. El bloque de split range (SR) implementa la acción necesaria en un momento dado (enfriamiento o calentamiento).

42

Diseño del controlador PCR

TC1sp

SR

HVsp

CVsp

TC3spTC2sp

CLTR

CLTR

CLTR CLTR

CLTR: sintonía controlador PCR

TC2

HVsp

TC1

Reactants

H

TC1

TC3TC2

R2

TI4

CVspTC3

R3

Se cargan los modelos identificados en cada bloque PCR.

En este caso en particular se identificaron 10 modelos.

CV

TC2

TC1

C

Reactants

modelos MVs (controlador PCR)modelos DVs (perturbación PCR)


2) Step Test


4) Simulación



7) Comisionado




43

Verificación en lazo cerrado (Proceso + Controlador PCR)

Proceso

Controlador PCR

Resultados simulados (control perfecto, modelo sin discrepancia)

TC1

CV HV

44

Resultados simulados (modelo con discrepancia aceptable en HV)

TC1

CV HV

Resultados simulados (modelo con discrepancia inaceptable en HV)

TC1

CV HV

45


2) Step Test


4) Simulación



7) Comisionado




a. El diseño del controlador se proporciona comouna serie de bloques de control interconectados.

b. Traducción de cada bloque al lenguaje del DCS (por ej., Foxboro HLBL, ABB TCL, Honeywell CL,…)

c. Validación de los bloques integrados y del controlador global.

d. Condiciones operativas y modos de control.

Integración del PCR diseñadodentro del DCS

46

El proyecto se comisionó en el 2003El PCR se instaló en un DCS Honeywell TDC 3000 DCS (rutinas codificadas en el lenguaje Honeywell CL)Rutinas CL totalmente re-usablesLa tecnología fue transferida al clienteSe presentan a continuación los resultados obtenidos:

Comisionado del Proyecto PCR

2000 4000 6000 8000 10000 12000 1400090

100

110

120

130

140

150

Control PID, con SP = 114 C

Tiempo (seg)

Tem

pera

tura

(C)

ANTES: La estructura PID original (configuración estandarddel fabricante del reactor) proporcionaba un control inestable.

47

2000 4000 6000 8000 10000 12000 14000 1600090

100

110

120

130

140

150

Control PCR, con SP = 114 C

Tiempo (seg)

Tem

pera

tura

(C)

DESPUÉS: La estructura de controladores PCR anidados proporciona un control estable. El desvío estándar se redujo a menos de la cuarta parte.

2000 4000 6000 8000 10000 12000 1400090

100

110

120

130

140

150

Control PCR, con SP = 120 C

Time (secs)

Tem

pera

ture

(C)

DESPUÉS: La estructura de control PCR permitió aumentar el SP de la temperatura sin riesgos de que se active la parada de emergencia del reactor debido a picos altos.

48

Control PCR del reactor batch: resumenEl control de la temperatura del reactor empleando PCR evitala competencia entre los lazos de enfriamiento y calentamiento.Las condiciones operativas son más reproducibles. En consecuencia, se obtiene una calidad más uniforme.Se pueden mantener SP de temperatura más altos con seguridadLa duración tatal del lote se reduce debido al aumento en la velocidad de adición de los reactivosSe aumenta la dispoinibilidad del proceso y se disminuyen los costos de mantenimiento.Sintonía “fácil” (sólo un parámetro de sintonía por controlador: CLTR)El ajuste de parámetros para otras recetas a producirse en el mismo reactor es fácil de realizar.Las rutinas CL pueden ser re-utilizadas para otros reactores.

Aplicaciones de PCR en un lazocontinuo de Refinería

“Predictive Functional Control (PFC) Applied to an Unstable System. An Industrial Application”, Carlos Ruiz, Marta S. Basualdo, Aldo Molina, Benjamin Parisse and Jacques Richalet, European Symposium on Computer Aided Process Engineering 11 (ESCAPE 11), Denmark, October 2001.

49

A pesar que es una tecnología orientada a reactoresbatch, aplicamos algunos esquemas de control SISO / MISO a varios lazos continuos.Tres aplicaciones(2000-2001):• Nivel de la base de la columna T-301 (Hydrobon), lazo con

gran tiempo muerto.• Control de temperatura del Horno Reboiler de la columna T-

301 (Hydrobon).• Línea de transferencia horno de carga H-101 (Topping), con

2 perturbaciones feedforward.

Transferencia de tecnología: el personal de la refinería fueentrenado para poder implementar nuevos controladores.DCS: El PCR se instaló en un DCS Foxboro IA (rutinascodificadas en el lenguaje HLBO de Foxboro).

PCR: Aplicaciones en la refineríaREPSOL YPF Plaza Huincul

Variable Controlada :LT304

Variable Manipulada :FIC304_SP-FIC311_SP

Variable Manipulada Real :FIC304_SP

Control de Nivel:Planta Hydrobon

50

Ensayos (Step Test) para la Identificación del Modelo

Steps en la MV

Respuesta de la CV

Los datos del Test se colectaron de la base de datos del PI (PI-Excel DataLink)

Período de muestreo de 10 segundos, sin banda muerta de compresión

Extracción de Datos con el PI-Excel DataLink

51

Identificación del Sistema Empleando PCR

Parámetros internos del Modelo

Sensitividad Paramétrica

Respuesta del Modelo (Amarilla) & Datos del Nivel (Rosa) bajo la misma perturbación (Blanca)

Estructura del Modelo : Integrativode 1er Orden con Demora

Muy difícil de controlar manualmente o con un PID

Implementación

- Algoritmo implementado en una forma genérica

Puede ser re-utilizado para otras aplicaciones

- Evaluación y Monitoreo de la performance del lazo: * Implementado sobre el PI (ProcessBook)* Guardando las variables internas del controlador

- Algoritmo implementado en el lenguaje HLBL, corriendoen el Foxboro IA System Control Processor(no se necesita computadora de control de procesos)

52

Display de Ingeniería

Clickear en elLT304 paradesplegar eloverlay delcontroladorPCR

Display Operativo

53

Seguimiento del Lazo por Medio del PI-ProcessBook

Performance (antes y después del PCR, PI-Excel DataLink)

54

Reacción de los Operadores muy Positiva:

Transferencia de Conocimiento para Ingeniería:- 2.5 días de entrenamiento sobre :

• Modelado • Identificación• Tecnología MPC & Enfoque usando PCR

- Biblioteca de Algoritmos PCR (códigos fuente en C) proporcionadas al personal de REPSOL YPF

Propósito: Autonomía del Cliente para futuros proyectos PCR

• El control manual era muy dificultoso• Buen comportamiento en lazo cerrado• Entrenamiento de operadores fácil y rápido• Lazo PCR fácil de poner on y off

Operadores de Planta & PCR

Resumen del proyecto de control de nivelempleando PCR

Control predictivo fácilmente aplicable a lazos SISOCorriendo directamente en el DCS (no se necesitancomputadoras adiionales ni interfases especiales) Fácil entrenamiento de operadoresTransferencia de tecnologíaAplicable a un amplio rango de problemas de control industrial, donde los PID no resultan suficientes.

55

Resultados de la aplicación de MPC multivariable

Unidad de Vacío

“Aplicaciones de Controladores Optimizantes por Matriz Dinámica [DMC]™ a Procesos de Refinación”, C. Ramírez, M. Ruiz, C. Lago, C. A. Ruiz, Ch. Johnston, A. Monterrubio and José Basteris, Primer Congreso Latinoamericano de Refinación (COLAREF ’95), Buenos Aires, Argentina, Septiembre 1995.

Planta de Vacío

Esta Unidad procesa fracciones muy pesadas, mediante destilación al vacío.Produce GOPV, GOLV y un fondo pesado (FO o asfalto).Posee un horno de carga, que suministra el calor necesario para la destilación.A la carga se recicla una fracción del producto de fondo a los efectos de aumentar la velocidad espacial y limpiar el fondo de la columna de restos de carbón.Se suele operar en campañas produciendo FO o asfalto por el fondo, con condiciones operativas muy diferentes en cada caso.

56

Modelo Planta de Vacío (Completo)

Modelo del Vacío (Parcial)

57

Modelo del Vacío (Horno)

MPC en un Vacío: aumento de capacidad de procesamiento

Porcentaje de la Carga derivado a Fuel

0.00

5.00

10.00

15.00

20.00

25.00

30.00

35.00

26-M

ar

9-A

pr

23-A

pr

7-M

ay

21-M

ay

4-Ju

n

18-J

un

2-Ju

l

16-J

ul

30-J

ul

13-A

ug

27-A

ug

10-S

ep

24-S

ep

8-O

ct

22-O

ct

4-N

ov

18-N

ov

2-D

ec

16-D

ec

30-D

ec

13-J

an

27-J

an

10-F

eb

24-F

eb

10-M

ar

24-M

ar

7-A

pr

21-A

pr

Tiempo

Porc

enta

je a

Fue

l

Datos

Promedio

58

MPC en un Vacío: mejora de rendimientos

Rendimiento de HVGO + LVGO (% de la Carga)

20.00

25.00

30.00

35.00

40.00

45.00

50.00

26-M

ar

9-A

pr

23-A

pr

7-M

ay

21-M

ay

4-Ju

n

18-J

un

2-Ju

l

16-J

ul

30-J

ul

13-A

ug

27-A

ug

10-S

ep

24-S

ep

8-O

ct

22-O

ct

4-No

v

18-N

ov

2-De

c

16-D

ec

30-D

ec

13-J

an

27-J

an

10-F

eb

24-F

eb

10-M

ar

24-M

ar

7-A

pr

21-A

pr

Tiempo

Rend

. HV

GO

+ L

VG

O (%

)

Datos

Promedio

MPC en un Vacío: operando sobre las restricciones

Reciclo a Horno

5.00

7.00

9.00

11.00

13.00

15.00

17.00

19.00

26-M

ar

9-Ap

r

23-A

pr

7-M

ay

21-M

ay

4-Ju

n

18-J

un

2-Ju

l

16-J

ul

30-J

ul

13-A

ug

27-A

ug

10-S

ep

24-S

ep

8-O

ct

22-O

ct

4-N

ov

18-N

ov

2-D

ec

16-D

ec

30-D

ec

13-J

an

27-J

an

10-F

eb

24-F

eb

10-M

ar

24-M

ar

7-Ap

r

21-A

pr

Tiempo

Rec

iclo

(m3/

h)

•Datos•Promedio

59

MPC en un Vacío: porcentaje de O2 en humos

O2 EN FLUE GAS DEL HORNO B501

1.00

2.00

3.00

4.00

5.00

6.00

7.00

8.00

9.00

26-M

ar-9

4

9-Ap

r-94

23-A

pr-9

4

7-M

ay-9

4

21-M

ay-9

4

4-Ju

n-94

18-J

un-9

4

2-Ju

l-94

16-J

ul-9

4

30-J

ul-9

4

13-A

ug-9

4

27-A

ug-9

4

10-S

ep-9

4

23-S

ep-9

4

7-O

ct-9

4

21-O

ct-9

4

4-N

ov-9

4

18-N

ov-9

4

1-D

ec-9

4

15-D

ec-9

4

28-D

ec-9

4

11-J

an-9

5

24-J

an-9

5

7-Fe

b-95

21-F

eb-9

5

7-M

ar-9

5

21-M

ar-9

5

4-Ap

r-95

18-A

pr-9

5

Tiempo

O2

en h

umos

(%)

DatosPromedio

Resultados de la aplicación de MPC multivariable

Unidad de Coque

“Implementación de un Controlador por Matriz Dinámica [DMC]™ en una Planta de Coqueo Retardado”, C. Ramírez, M. Ruiz, C. Lago, C. A. Ruiz, Ch. Johnston and A. Monterrubio, VI Reunión de Trabajo en Procesamiento de la Información y Control (VI RPIC), Bahía Blanca, Argentina, Noviembre 1995.

60

Planta de Coque

Esta Unidad procesa los residuos finales en una refinería de petróleo.Realiza un cracking térmico profundo sobre esos residuos obteniendo como productos carga caliente para otras unidades (GO para crackingcatalítico) y coque.La carga se calienta en dos hornos en paralelo, se hace pasar por una cámara donde se deposita el coque (carbón) y el remanente se destila en una única columna de destilación compleja.Cuando cada cámara de coque se llena, se interrumpe el paso de carga por la misma y se comienza a llenar la cámara vacía que estaba en espera, operación esta que introduce una gran perturbación a la columna de destilación.

M

C-65

E-01

E-03

E-02

F-05

C-05

C-04 C-59

C-06

FC537

AGUAALIM.

FC508

FC509

C-02

G.O.P.

C-03

DE E-52C-58

A E-52

M

F-12

FI1005

PC557

EXCESOF.O.

CR

VA III

VA1000

G.O.L.

FC510

FC535

A E-51

PI509

PC504

A J-51

CHIM.

A J-51

C-11

C-01

FC511

FC506

TC508

D-03

FC504

FC505

B-502

AI502

TC504 B

TC505 B

PC552

PC549 PI

507

D-04

FC592

FC587

TC5253

D-01

FC502

FC503

B-501

AI501

TC500B

TC501B

PC543

PC546 PI

507

D-02

FC584

FC579

TC5218

LC510

PC-591_O (VTI)PC-593_O (VTF)

COND.

COND.

COND.

COND.

F1PINBIAS F1CRTBIASDF502_3 TOTALFD1TARGFD1 F1F2BIAS

F2PINBIAS F1CRTBIASDF504_5 TOTALFD2TARGFD2 RECYCLE

TI5280HI

TI5274

TI5281HI

TI5275

TI5294HI

TI5288

TI5295HI

TI5289

SI501

TARGET

LC512

A

BHC

TC509

LC514

TI5311

CONT. P/E-01

F-F P/B-501/502

LC509

TC522

PI570

PI571

PI574

PI575

PI576

PI577

PI572

PI573

TARGET

TI5309

TI5310

Manipuladas Feed-ForwardControladas

PC-591 (VTI)PC-593 (VTF)

PC-595_O (VTI)PC-597_O (VTF)

PC-595 (VTI)PC-597 (VTF)

YPF S.A. - DRRLPCONTROLADOR [DMC]PLANTA DE COQUE B

TI5500

TI5501

TI5502

TI5503

SWITCH12

SWITCH34

TI5305PDI

501

TC5 10

LC515

EXCESOF.O.

61

MPC en un Coque: aumento de capacidad

CARGA TOTAL A COQUE B (m3/h)

40 .0 0

60 .0 0

80 .0 0

100 .0 0

120 .0 0

140 .0 0

160 .0 0

26-Mar-

94

09-Ab

r-94

23-Ab

r-94

07-May-

94

21-May-

94

04-Jun

-94

18-Jun

-94

02-Jul

-94

16-Jul

-94

30-Jul

-94

13-Ag

o-94

27-Ag

o-94

10-Se

p-94

23-Se

p-94

07-Oct-

94

21-Oct-

94

04-Nov-

94

18-Nov-

94

01-Dic-

94

15-Dic-

94

28-Dic-

94

11-En

e-95

24-En

e-95

07-Fe

b-95

21-Fe

b-95

07-Mar-

95

21-Mar-

95

04-Ab

r-95

18-Ab

r-95

Tiempo

Carga (m3/h)

DatosPro medi o

MPC en un Coque: O2 en uno de los hornos

O 2 EN FLUE GAS DEL HORNO B 502

1 .0 0

2 .0 0

3 .0 0

4 .0 0

5 .0 0

6 .0 0

7 .0 0

8 .0 0

9 .0 0

26-Mar-

94

09-Ab

r-94

23-Ab

r-94

07-May-

94

21-May-

94

04-Jun

-94

18-Jun

-94

02-Jul

-94

16-Jul

-94

30-Jul

-94

13-Ag

o-94

27-Ag

o-94

10-Se

p-94

23-Se

p-94

07-Oct-

94

21-Oct-

94

04-Nov-

94

18-Nov-

94

01-Dic-

94

15-Dic-

94

28-Dic-

94

11-En

e-95

24-En

e-95

07-Fe

b-95

21-Fe

b-95

07-Mar-

95

21-Mar-

95

04-Ab

r-95

18-Ab

r-95

T ie mpo

O2 en

hum

os (%

)

DatosPro medio

62

Beneficios económicos obtenidos

Tiempos de pago de los proyectos:• MPC del Vacío: 3 meses• MPC del Coque: 5 meses

Los tiempos de pago menores a un año son bastante habituales en MBPCs de gran porte en Unidades de refinación o petroquímica

Conclusiones

63

Conclusiones

El Control Predictivo Basado en Modelos se ha establecido como firme opción en la industria de procesos.La oferta tecnológica (software industrial) ha crecido notablemente, al punto que todos los proveedores de DCSs ofrecen algo al respecto.A pesar su popularidad creciente, aún hay una cierta escasez de personal de ingeniería con práctica industrial real sobre la aplicación de la tecnología.La investigación y aplicación se está extendiendo a otras ramas industriales y para el control de sistemas físico-químicos o empresariales diversos.

control predictivo basado en modelos - … · 1 control predictivo basado en modelos tecnologías y...

Documents