Está en la página 1de 88

VII Simposio

Internacional de
Automatización Optimización de
Lazos de Control
Lima
Javier Román
23-26 de Octubre
2007
Agenda

1. ¿Por Qué Optimización de Lazos?


2. Conceptos de Teoría de Control
3. Sintonía de Lazos
4. Auditoria de Lazos
5. Análisis de Perturbaciones de Planta
6. Herramientas de Control Avanzado

2
Terminología

 Lazos de Control
 PV: valor de proceso
 SP: setpoint
 CO: salida de control
 PID: controlador Proporcional-Integral-Derivativo
 CLCM: Monitoreo de Condiciones de Lazos de Control
 KPI: Indicadores Clave de Performance
 APC: Control Avanzado de Procesos
 MPC: Control Predictivo basado en Modelo
 SPC: Control Estadístico de Proceso
 MvSPC: Control Estadístico Multivariable de Proceso
 RTO: Optimización en Tiempo Real 3
El Escenario de Control Avanzado de Procesos

LAB
Modelado Riguroso

SPC RTO Modelo

Modelos
Inferenciales MPC Operador

SPC MvSPC
Optimización
Control de Proceso en DCS de Lazos

Proceso
4
Diagrama de un Lazo de Control

Salida
Salidade
de
Control
Control“CO”
“CO” Objetivo
Objetivo Controlador
Controlador
“SP”
“SP”

Actuador Proceso
Proceso
Actuador
Medición
Medición
“PV”
“PV”

5
O
¿Cómo son los datos de un lazo de control?

Set-point & valor de proceso

Tiempo

Salida de control

6
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

7
O
Sintonía y Auditoria de Lazos
- un requerimiento para proyectos APC
o s s
lab tiv n o
ra c ió tim
e c a to s óp
op i fi
c du v o c s
Cálculo de Propiedades s e
ti e sp ro jeti
Inferenciales
lím e ep
d ob

Control Multivariable/
Predictivo basado en Modelo
Supervisión de Lazos
Sintonía y Auditoria
Control Regulatorio Básico
sensores

de Lazos

actuadores Sintonía Optimizada

Planta
8
Agenda

1. ¿Por Qué Optimización de Lazos?


2. Conceptos de Teoría de Control
3. Sintonía de Lazos
4. Auditoria de Lazos
5. Análisis de Perturbaciones de Planta
6. Herramientas de Control Avanzado

9
Diagrama en Bloques

Salida
Salidade
de
Control “CO”
Control “CO” Objetivo
Objetivo Controlador
Controlador
“SP”
“SP”

Proceso
Proceso
Actuador
Actuador
Medición
Medición
CO (u)
“PV”
“PV”
CPID GP
SP (r) - PV (y)

10
O
Transformada de Laplace

 Transformación matemática dada por:



F ( s )   f (t )  e  st dt
0

 Herramienta para solución de ecuaciones diferenciales


(se convierte en una ecuación algebraica en el dominio
de la variable compleja s).
 Ejemplos:
df (t ) F ( s)
dt
 sF ( s )  f (t ) 
s

11
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)

u(t) y(t) U(s) Y(s)


P G(s)

dy (t ) Y ( s) b
 b  u (t )  a  y (t )  G ( s) 
dt U ( s) sa
12
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

13
PID – Estructura interna
PID d
P: proporcional Kp*e

I: integral r e Ki e dt
u
Proceso
y

D: derivativo
Kd d e
dt

 El controlador PID está basado en 3 acciones paralelas


 Frecuentemente se utilizan solo los términos P e I
 Existen varias formulaciones matemáticas

d e t 
u PID  t   K p e t   K i  e t  dt  K d
dt
14
PID – Estructura matemática Paralela e Ideal

d e t 
u PID  t   K p e t   K i e t  dt  K d
 Forma Paralela
dt

 1 d e t  
u PID  t   K e t    e t  dt  Td  Forma Ideal
 Ti dt 

 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

15
O
PID – Función de Transferencia de un PI
 1 
u PI  t   K e t    e t  dt  Forma PI Ideal
 Ti 

 1 
C PI  s   K 1  
 sTi 
1  sTi
C PI  s   K
sTi
 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 16
PID – Función de Transferencia de un PID
 1 d e t  
u PID  t   K e t    e t  dt  Td
Forma PID Ideal

 Ti dt 

 1 
C PID  s   K 1   sTd 
 sTi 

17
PID – Estructura matemática Serie
Partiendo de la forma Ideal:  La forma Serie es útil
 1  cuando se analiza el
C PID  s   K 1   sTd  controlador en el dominio
 sTi  de la frecuencia, dado
que pone en evidencia las
1  sTi  s 2TiTd  constantes de tiempo
C PID  s   K   (polos y ceros)
 sTi   Observar:
 K, Ti y TD de la forma

C PID  s  K   1  sT1 1  sT2  ~


~ ~
Ideal difieren de K , Ti
y Td de la forma Serie
s

~ 1  ~
C PID  s   K 1  ~  1  sTd
    Forma Serie
 Ti s  18
PID – Estructura Interactiva y No-Interactiva
Forma No-Interactiva (Paralela e Ideal):
PID
P

Forma Interactiva (Serie o Clásica):

PID
PD I

19
PID – Implementaciones Industriales
Forma Paralela:
Ki sK d
u PID ( s )  K p (   r  y )   r  y   (  r  y )
s 1  TF s
 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
20
Respuesta de un sistema de primer orden
Td s
 Función de transferencia: G  s   G
e
0
1 T0 s
Respuesta a escalón unitario ( t Td )

y  t   G0 (1  e T0
)U 0
63%  Parámetros:
 G0: ganancia estática
G0
 T0: constante de tiempo
 Td: retardo puro o
Td T0 tiempo muerto

G
e 3s
G s   t r  2.2T0
1  5s 21
Respuesta de un sistema de segundo orden
n
2
 Función de transferencia: G  s   G0 2
s  2n s  n
2

 Parámetros:
Mp  G0: ganancia estática
 n: frecuencia natural
no amortiguada
ts   : relación de
Go amortiguamiento
  0.4 Sub -amortiguado
  0.7
 1 Crítico
  1.2 Sobre-amortiguado

Mp: sobretiro (“overshoot”) ts: tiempo de asentamiento (5%)



3.2
M p (%)  100e 1 2 t s (5%)  ,   0.69 22
n
Agenda

1. ¿Por Qué Optimización de Lazos?


2. Conceptos de Teoría de Control
3. Sintonía de Lazos
4. Auditoria de Lazos
5. Análisis de Perturbaciones de Planta
6. Herramientas de Control Avanzado

23
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

24
Procedimiento para la Sintonía

Salida
Salidade
de
Control “CO”
Control “CO” Objetivo
Objetivo Controlador
Controlador
“SP”
“SP”

1
Adquirir

Proceso
Proceso
Actuador
Actuador
3
Sintonizar Modelar 2
Medición
Medición
CO (u)
“PV”
“PV”
CPID GP
SP (r) - PV (y)

25
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

26
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

K 1  Tz s  e
Ds  Tz: constante de tiempo del cero
G s  
 
 T1, , n : constantes de polos
s 1  T1s  s  2 n s  n
2 2
 D: retardo de transporte (“tiempo
muerto”)

27
Sintonía: Método Ziegler-Nichols (Manual)

 Método manual clásico para elección de parámetros de


sintonía de PIDs
 Diseñado para rechazo de perturbaciones
 Procedimiento:
1. Se configura el controlador en modo proporcional únicamente.
2. Se aumenta la ganancia hasta producir una oscilación.
3. Se registra la ganancia (Ku) y el período de la oscilación (Tu).
4. Se eligen los parámetros del PID de acuerdo a una tabla.

 En la práctica
requiere re-sintonía o Controlador K Ti Td
atenuación de los P 0.5 Ku - -
parámetros para
PI 0.4 Ku 0.8 Tu -
respuesta más
estable PID 0.6 Ku 0.5 Tu 0.125 Tu
28
Sintonía: Método Lambda

 Requerimientos: modelo de primer orden, estable o integral, con


tiempo muerto
 Parámetros de diseño: constante de tiempo del lazo cerrado ()

P0
SP CO PV P s  
PID P P 1 T0 s
-
1
P  s  
1  s

 Factor Lambda (relación con lazo abierto): Factor 
T0
T0 1
 Controlador PI: K TI  T0 PID( s )  K (1  )
P0  TI s

29
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)
Gm modelo del proceso G f Gm
Gm inversa aprox. del modelo GC  
 PI ( D)
1  G f G Gm
Gf filtro, típicamente primero orden () m

 CO PV
Gf G GP GP
SP - Gc m
-
IMC
Gm -

30
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

CO
n
2
SP PV
PID G P G s   2
s  2n s  n
2
-

31
O
Sintonía: Método ITAE

 Índice de Performance ITAE


 Integral Time Absolute Error: ITAE   t e(t ) dt
 el producto por t reduce la contribución del error inicial y prioriza
el error final
du
 Índice modificado: ITAE   t e(t ) dt  p max( )
dt
 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
32
O
Métodos de Sintonía
Modelo de Proceso Tarea de Control Parámetros de Observaciones
Método Diseño

Manual Todos Cualquiera – el Parámetros del Partiendo de inicio o


usuario debe saber controlador ajustando los
como sintonizar resultados
automáticos
Lambda Primer orden, Seguimiento de Constante de tiempo Lambda es la
estable setpoint en lazo cerrado constante de tiempo
(Auto-regulados con deseada (Lambda o del lazo cerrado
solo una constante factor Lambda) El factor lambda es
de tiempo o la relación con el
puramente integral) lazo abierto
Ubicación de Todos Rechazo de Amortiguamiento ζ Sintonía universal
Polos Dominantes perturbaciones (y de transitorios y su para ambas tareas,
seguimiento de limitante de para controladores
setpont, ver velocidad ωmax con coef. de SP
observaciones) ajustable
IMC Estable Seguimiento de MS (Máxima Especificando MS se
(Auto-regulados o setpoint sensitividad) o garantiza robustez
Lambda directamente
integral)
ITAE Todos Minimizar función de Gradiente de la Requiere parámetros
costo salida de control iniciales de
controlador estable

33
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
34
Evaluación en el Dominio del Tiempo
4

1 6

2 5

1
Error Absoluto Integrado: IAE 
D  e(t ) dt
35
O
Evaluación en el Dominio de la Frecuencia
d n
r: referencia, set-point (SP)
u: acción de control (CO)
r e u y
C GP y: salida (PV)
- d: perturbación a la
entrada

Transferencia en lazo abierto: Gol  C ( s )GP ( s ) n: ruido de medida

y C ( s )GP ( s )
Transferencia en lazo cerrado: Gcl  
r 1  C ( s )GP ( s )
y 1
Función de Sensitividad: S  
n 1  C ( s )GP ( s )
e 1
Transferencia Señal de Error:  S
r 1  C ( s )GP ( s )
u  C (s)
Transferencia Ruido-Acción de Gun  
n 1  C ( s )GP ( s ) 36
Control:
Evaluación en el Dominio de la Frecuencia
Parámetros de Estabilidad Relativa - Robustez
Diagrama de Bode del lazo abierto, Gol(s)
Margen de Ganancia:
1
Am 
1 G ( j )
ol cg

Margen de Fase:

 m    arg(Gol ( jcp )

Margen de Retardo:
m
2 Td 
3 cp
Delay Margin

37
O
Lazos Feedforward y Cascada
K (TLead s  1)e  Ds
Feedforward: C FF  s  
D TLag s  1
GD

CFF
SP CO PV
CFB GP
-

Cascada:
COOUT = SPIN
SP COIN GIN PVIN GOUT PV
COUT CIN
- -

38
Agenda

1. ¿Por Qué Optimización de Lazos?


2. Conceptos de Teoría de Control
3. Sintonía de Lazos
4. Auditoria de Lazos
5. Análisis de Perturbaciones de Planta
6. Herramientas de Control Avanzado

39
O
¿Qué es ‘performance de control’?

 La pregunta de performance del controlador es considerada en la


fase de Diseño del Controlador

 constante de tiempo  ancho de banda


 IAE, ISE, …  frecuencia de corte
 tiempo de asentamiento  márgenes de ganancia/fase
 sobretiro  margen de retardo
40
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? 41
Supervisión de lazos de control – no-invasivo!

índices (KPI)

Monitoreo de
Condiciones
de Lazos de Control
(CLCM)
o
Auditoria

42
O
Evaluación de Performance por Pasos
1. Recolectar y analizar datos
2. Calcular Indicadores Claves de Performance (KPI)
3. Elaborar hipótesis y sugerencias basadas en los KPI

importante
matemática
involucrada

43
Diagnósticos de Lazos de Control
KPI
KPI

Reglas
+ Diagnósticos
Diagnósticosde
Mantenimiento
de
Mantenimiento
Reglasde
deAuditoria
Auditoria

 Diagnósticos típicos:
 Problema de sintonía
 Lazo oscilatorio Ranking de Lazos
 Perturbación externa según Performance
 Fricción estática en válvula  Buena
 Pérdida en válvula  Regular
 Tamaño de válvula incorrecto  Pobre

 Performance global aceptable


44
Indicadores Claves de Performance
 Estadísticas básicas  Índices de Oscilación
 Valor medio, desviación  Oscilando, si/no?
estándar
 Frecuencia/Período
 Validez de datos
 Índices de Válvulas
 “Outliers”
 Fricción estática
 Check de validez
 Compresión
 Índice de No-linealidad
 Índice de No-linealidad
 Modos de lazo de control
 Automático/Manual
 Índice de No-Gaussiano
 Saturado
 Cascada
 Nivel de ruido
 Índices de Performance
 Performance del lazo
 Índice Harris
 Retardo puro estimado 45
O
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

kurtosis

skewness

46
Validez de Datos
 ¿Son los datos válidos para análisis? “outliers”
 Compresión de datos
 si los datos se obtienen de un
historiador
 Cuantificación de datos
 Puede conducir a mala performance
de control

compresión cuantificación

47
Modos del Lazo de Control
320 35

 Automático / Manual
 Salida saturada

PV, SP

CO
 Cascada 300 30

280 25
PV, SP

0 200 400 600 800 1000 1200

time [s]

CO Modo
Modocascada
cascada==0%0%
Modo automático = 100%
Modo automático = 100%

time [s]

Modo
Modocascada
cascada==100%
100%
Modo
Modo automático =100%
automático = 100%
Saturación = 32.3%
Saturación = 32.3%
48
Detección de Oscilación – ¿una tarea simple?

Espectro
 Dominio de la frecuencia
 encontrar picos en el espectro

Frecuencia
 Dominio del tiempo

de error
Señal
 señales periódicas “a la vista” Tiempo [s]

Auto-correlación
 Auto-correlación
 considera el factor de amortiguación
 buena cancelación del ruido

Tiempo [s]
Auto-correlación

 Auto-correlación
 regularidad de cruces por cero

Tiempo [s] 49
O
Índices de Oscilación

 Detección de oscilación
 Interna - externa
 Cuantificación
 Período – amplitud
 Importante para análisis de causa
raíz (“root-cause analysis”)
5

 Diagnósticos de oscilación 4.5

4
 Fricción en válvulas
3.5

 No linealidad 3

2.5
Espectro
2

1.5

0.5

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45

50
Índice de Oscilación (dominio del tiempo)

0 = sin oscilación, 1 = oscilación perfecta


Caudal [%]

Tiempo [s]

0.88 0.25
Controlador sintonizado
51
Severidad de la Oscilación

 Cuantifica la oscilación

Período
Período==42.7
42.7[s]
[s]
Amplitud
Amplitud==23.9
23.9%%
Severidad
Severidad==79.8
79.8%%

Período
Período==21.1
21.1[s]
[s]
Amplitud
Amplitud==2.5
2.5%%
Severidad
Severidad==41.2
41.2%%

Tiempo [s] 52
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

Histéresis
Histéresis

Fricción
Fricciónestática
estática

Banda
Bandamuerta
muerta
53
Índices de Actuadores/Válvulas

 Estadística simple y diagnósticos


avanzados
 No linealidad en válvulas es un
problema importante

Desplazamiento/
Desplazamiento/hora
hora==3510
3510[%/h]
[%/h]
##Cambios
Cambiosde
dedirección/
dirección/hora
hora==1050
1050[#/h]
[#/h]
Tamaño
Tamañode
delalaválvula
válvula==100
100[%]
[%]
CO

54
Ejemplo de Investigación de Oscilación
carga cíclica

fricción
estática
F
FC

sintonía muy rápida


Índices Diagnósticos
 Detalles de la oscilación (período,  Verificar performance global
amplitud …)  Detectar oscilación
 Tendencias para cada índice  Decidir entre estas 3 causas

55
Señales ‘Perfectas’ de Fricción Estática

Setpoint
SP
Variable
de
Proceso
PV
Salida de
Control
CO

tiempo

56
Un Problema Típico: Lazos Acoplados

AC

no o.k. Lazo
Lazode
deComposición
Composición
Producto 2
A

Producto 1

o.k.
Lazo
Lazode
deCaudal
Caudal
F

FC
57
Ambos Lazos Oscilan

control de composición control de caudal

tiempo [s]
cross-corr.
cross-corr.

tiempo [s]

¿Cuál lazo está causando la oscilación?

Diagnosis: stiction no stiction


58
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

59
Si la causa es fricción estática ...

CCF

variable de
proceso
corrimientos

correlación cruzada
señal de control
60
Si la causa no es fricción estática ...
CCF

variable de
corrimientos
proceso

correlación cruzada
señal de
control 61
Diagnóstico usando correlación cruzada

control de composición control de caudal


señales
corr. cruzada

Diagnóstico: fricción no hay


estática fricción 62
Índices de Evaluación de Sintonía
 ¿Que tan cerca sigue el Valor de Proceso al Setpoint?
 Índice de Harris

25%

Índice de Cruce de Setpoint


0.02 5%

Índice de Harris
3%

0.96 0.3%

5.3%

0.92 0.6%

63
O
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:
 MVC
2
I 2
 SP  PV

 con valores entre 0 y 1, cuánto más alto, mejor la performance.

64
O
Índice de Harris (Mínima Variancia)

 Principio: comparación con control de mínima variancia

El índice de
Harris calcula la
parte predecible
mínima dada la
restricción del
tiempo muerto
=
+
Predecible, puede ser removido No predecible, no puede
por el control ser removido por el control

La
Laparte
partepredecible
predecibledepende
dependedel
deltiempo
tiempomuerto
muertodel
delproceso
proceso

65
O
Índice de Harris (Mínima Variancia)
 MVC
2

respuesta a impulso en lazo cerrado


I 2 Impulso control Respuesta a impulso

 SP  PV actual
estimada de datos de
operación normal

control
PI óptimo

control
MV
time [s]

Calcular índice de performance (I):

I= [0 1]

PERO 66
PERO...
...necesita
necesitasaber
sabereleltiempo
tiempomuerto
muertode
decada
cadalazo!
lazo!
O
Índice de Harris – Ejemplo

Antes: 0.47

Después: 0.96

67
Ejemplo de una Herramienta de Performance
Unidad de Proceso: Unit-xyz
Lazos investigados: 50
12%
Fecha: 2002-08-15 ba d
Performance global: buena

24%
# lazos de buena performance: 32 me dium
# lazos intermedios: 12
64%
# lazos de mala performance: 6
good

Lazos de mala performance


* oscilando: 3
* gran desviación estándar: 2
* comportamiento sospechoso: 1

Indicar malos lazos en pantalla


y reportes 68
Ejemplo de una Herramienta de Performance
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)
69
Agenda

1. ¿Por Qué Optimización de Lazos?


2. Conceptos de Teoría de Control
3. Sintonía de Lazos
4. Auditoria de Lazos
5. Análisis de Perturbaciones de Planta
6. Herramientas de Control Avanzado

70
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
71
Ejemplo de Perturbaciones a Nivel de Planta
Alimentación
 Columna de destilación
TI1
Salida de parte de un proceso mayor
Fluido
TI2
Calefactor  Reacción con dependencia
TI3
crítica de la temperatura
TI4
 Estructura de control:
TI5 Salida de
Producto
 Control cascada para el
TC1 Intermedio flujo calefactor de entrada
 Control de flujo de salida
TC2
mediante medida de nivel
Entrada  7 temperaturas
Fluido TI6 LC1 TI7 adicionales a lo largo de
Calefactor
flujo para supervisión
Salida de
Producto 72
Perturbación Afectando el Proceso
Alimentación
TI1
TI1
Salida de TI2
TI2 Fluido TI3
Calefactor
TI3 TI4
TI4 TI5

TI5 Salida de TC1


Producto TC2
TC1
Intermedio
TI6
TC2 15% LC1
osc. TI7
Entrada TI6 LC1 TI7
Fluido 0 50 100 150 200 250 300 350 400
Calefactor
Salida de Hipótesis de causa raíz:
Producto 1. Controlador de nivel LC1 mal sintonizado
2. Perturbación externa en alimentación TI1
73
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
74
Indicador 1: Resultados de No-Linealidad
Alimentación

TI1
Salida
Flujo
TI2
Calefactor
TI3

TI4

TI5 Producto
Intermedio
TC1

TC2

Entrada
Flujo TI6 LC1 TI7
Calefactor
Salida de
Producto
75
Indicador 2: Matriz de Causalidad
TI1 causa TI2
TI3 causa TI4
TI4 causa TI5
Causa

TI1

TI2

TI3

TI4

TI5

TC1

TC2

Efecto TI6 LC1 TI7

76
Indicador 3: Retardos Temporales

10 seg TI1

20 seg
TI2

TI3
20 seg
TI4

40 seg TI5

290 seg TC1 140 seg


TC2
30 seg
TI6 LC1 TI7

77
La perturbación es causada por la alimentación
TI1
TI1 TI2
TI2 TI3
TI3 TI4
TI4 TI5

TI5
TC1
TC2
TC
1 TI6
TC
2
LC1
TI7
TI6 LC1 TI7
0 50 100 150 200 250 300 350 400

Hipótesis de causa raíz:


1. Controlador LC1 mal sintonizado
2. Perturbaciónexterna
Perturbación externapor
por alimentación,
alimentación, TI1TI1
78
El Escenario: Control Avanzado de Procesos

LAB
Modelado Riguroso

SPC RTO Modelo

Modelos
Inferenciales MPC Operador

SPC MvSPC
Optimización
Control de Proceso en DCS de Lazos

Proceso
79
Auge de Modelos derivados de Datos
 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

80
Aplicación Típica: Sensores Inferenciales
 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

variables de variable de
proceso proceso
medidas estimada

Sensor Inferencial /
Modelo
 Tecnología usada: redes neuronales,
regresiones, algoritmos genéticos, SPC, MvSPC,
etc. 81
Sensores Inferenciales: ¿Por Qué?

Muestras
ANALISIS DE LABORATORIO

LIMS
PIMS Resultados
143.0 ppm

DCS
(Sistemas de
Información) • de 1 a 12 horas de
retraso en la medida
• efectuado cada X
horas
82
Información continua, en tiempo real

Muestras
ANALISIS DE LABORATORIO

LIMS
PIMS Resultados
143.0 ppm

DCS Sensores
Inferenciales
(Sistemas de
Información) • de 1• a sin
12 horas de
demoras
retraso en la medida
• medidas continuas
• efectuado cada X
horas• análisis de laboratorio usados
para validación periódica de los 83
sensores inferenciales
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

84
Introducción a MPC
FFs
Objetivos CV PVs

PID
Límites CV Optimiz. MVs PID COs
PROCESO
SPs PID

Objetivos MV
Automación
Modelo Básica
Límites MV
MPC
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

85
Cómo MPC mejora la Performance
 Vista Estadística

Reduce la variancia y mueve hacia los Límites


6
5
% Muestras/ Grado F

4
3
2
1
0
330° 350° 370° 390° 410° 430°
Grados F 86
Cómo MPC mejora la Performance
 Manejo simultáneo de restricciones y variables

Vapor
Restricción Óptimo
Restricción Desborde Económico
Condensador

MPC
Región MPC
de Operación
Preferida por el Operador Restricción de
Inicial
Temperatura en
Reboiler

Reflujo
87
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

88

También podría gustarte