1 Optimización de Lazos de ControlJavier Román
2 Agenda Introducción ¿Por Qué Optimización de Lazos?Conceptos de Teoría de Control Sintonía de Lazos Auditoria de Lazos Análisis de Perturbaciones de Planta Herramientas de Control Avanzado
3 Terminología Lazos de ControlPV: 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
4 El Escenario de Control Avanzado de ProcesosLAB Modelo RTO Modelado Riguroso SPC Modelos Inferenciales MPC Operador SPC MvSPC Optimización de Lazos Control de Proceso en DCS Proceso
5 Diagrama de un Lazo de ControlSalida de Control “CO” Objetivo “SP” Controlador Actuador Proceso Medición “PV”
6 Agenda Introducción ¿Por Qué Optimización de Lazos?Conceptos de Teoría de Control Sintonía de Lazos Auditoria de Lazos Análisis de Perturbaciones de Planta Herramientas de Control Avanzado
7 ¿Por Qué Optimización de Lazos?“¿Opera mi planta en forma óptima?” Si no, ¿cuánto se debe a automación de proceso, especialmente lazos de control? Deberíamos usar medidas disponibles en lugar de solamente almacenarlas Operación normal no necesariamente significa operación óptima Optimización de lazos ahorra dinero sin mayores inversiones de capital
8 Performance: Variabilidad es una amenaza!Oscilaciones ¿El lazo presenta oscilaciones? ¿Cuáles son las causas posibles? ¿Qué podemos hacer para eliminarlas? Alta variabilidad ¿Es la variabilidad mínima? ¿Qué tan lejos se encuentra del mínimo? ¿Por qué ha aumentado? ¿Puede mejorarse?
9 Performance real no es óptima!
10 Una inversión que debe dar repago!Lazo de control típico es un activo de $ 25,000 La mitad se pierde 50 % bien sintonizados 25 % control no efectivo 25 % reduce performance Mitad de tiempo de buena performance = 6 meses 2 – 4 horas para investigar y mejorar performance de un lazo de control Proceso típico contiene 2000 – 4000 lazos de control Pocas personas con conocimiento apropiado En promedio, un ingeniero de proceso está a cargo de 400 lazos de control 25 % de 4000 lazos impacta severamente, lo que significa pérdidas de $ 25,000,000 !!
11 Los analistas comienzan a comprender...Edición de Junio 2003: “Se debe incluir lazos de control en manejo de activos” Les A. Kane, Editor 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.”
12 ¿Cómo son los datos de un lazo de control?Set-point & valor de proceso Tiempo Salida de control
13 Sueño realista con AuditoriaCosto de un mal control Alto Bajo Tiempo Sueño Costo Sintonía del lazo Alto Bajo Realidad Costo Tiempo Alto Bajo Sueño realista con Auditoria Costo Tiempo
14 Beneficios de Sintonía y AuditoriaMantener 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
15 Sintonía y Auditoria de Lazos- un requerimiento para proyectos APC lab límites operativos especificación de productos objetivos óptimos Cálculo de Propiedades Inferenciales Control Multivariable/ Predictivo basado en Modelo Supervisión de Lazos Sintonía y Auditoria de Lazos Control Regulatorio Básico sensores actuadores Sintonía Optimizada Planta
16 Agenda Introducción ¿Por Qué Optimización de Lazos?Conceptos de Teoría de Control Sintonía de Lazos Auditoria de Lazos Análisis de Perturbaciones de Planta Herramientas de Control Avanzado
17 Diagrama en Bloques CPID GP Salida de Control “CO” Objetivo“SP” Controlador Proceso Actuador Medición “PV” CO (u) CPID GP SP (r) - PV (y)
18 Transformada de LaplaceTransformación matemática dada por: Herramienta para solución de ecuaciones diferenciales (se convierte en una ecuación algebraica en el dominio de la variable compleja s). Ejemplos:
19 Función de TransferenciaUso 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)
20 Controlador PID – Breve ReseñaPropuesto 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
21 PID – Estructura internaP: proporcional I: integral D: derivativo El controlador PID está basado en 3 acciones paralelas Frecuentemente se utilizan solo los términos P e I Existen varias formulaciones matemáticas
22 PID – Estructura matemática Paralela e IdealForma Paralela Forma 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
23 PID – Función de Transferencia de un PIO PID – Función de Transferencia de un PI Forma PI Ideal 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
24 PID – Función de Transferencia de un PIDForma PID Ideal
25 PID – Estructura matemática SeriePartiendo de la forma Ideal: 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
26 PID – Estructura Interactiva y No-InteractivaForma No-Interactiva (Paralela e Ideal): P PID D I Forma Interactiva (Serie o Clásica): I P PD PID
27 PID – Implementaciones IndustrialesForma 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
28 Respuesta de un sistema de primer ordenFunción de transferencia: Respuesta a escalón unitario 63% Parámetros: G0: ganancia estática T0: constante de tiempo Td: retardo puro o tiempo muerto G0 Td T0 G
29 Respuesta de un sistema de segundo ordenFunción de transferencia: Parámetros: G0: ganancia estática n: frecuencia natural no amortiguada : relación de amortiguamiento Mp ts Go Sub -amortiguado Crítico Sobre-amortiguado Mp: sobretiro (“overshoot”) ts: tiempo de asentamiento (5%)
30 Agenda Introducción ¿Por Qué Optimización de Lazos?Conceptos de Teoría de Control Sintonía de Lazos Auditoria de Lazos Análisis de Perturbaciones de Planta Herramientas de Control Avanzado
31 Sintonía de Controladores PIDObjetivo 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
32 Procedimiento para la SintoníaSalida de Control “CO” Objetivo “SP” Controlador Adquirir 1 Modelar 2 Proceso Actuador Sintonizar 3 Medición “PV” CO (u) CPID GP SP (r) - PV (y)
33 Adquisición de RespuestasEnsayos 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
34 Identificación del ModeloUsualmente 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 (
35 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 Controlador K Ti Td P 0.5 Ku - PI 0.4 Ku 0.8 Tu PID 0.6 Ku 0.5 Tu 0.125 Tu
36 Sintonía: Método LambdaRequerimientos: modelo de primer orden, estable o integral, con tiempo muerto Parámetros de diseño: constante de tiempo del lazo cerrado () P CO SP PV PID P - Factor Lambda (relación con lazo abierto): Controlador PI:
37 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) modelo del proceso inversa aprox. del modelo filtro, típicamente primero orden () IMC GP Gc - PV Gf CO SP - -
38 Sintonía: Método de Ubicación de Polos DominantesRequerimientos: ninguno Aproxima el lazo cerrado a una transferencia de segundo orden Parámetros de diseño: : relación de amortiguamiento : frecuencia natural G CO SP PV PID P -
39 Sintonía: Método ITAE O Índice de Performance ITAEIntegral 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
40 Métodos de Sintonía O Método Manual LambdaModelo de Proceso Tarea de Control Parámetros de Diseño Observaciones Manual Todos Cualquiera – el usuario debe saber como sintonizar Parámetros del controlador Partiendo de inicio o ajustando los resultados automáticos Lambda Primer orden, estable (Auto-regulados con solo una constante de tiempo o puramente integral) Seguimiento de setpoint Constante de tiempo en lazo cerrado deseada (Lambda o factor Lambda) Lambda es la constante de tiempo del lazo cerrado El factor lambda es la relación con el lazo abierto Ubicación de Polos Dominantes Rechazo de perturbaciones (y seguimiento de setpont, ver observaciones) Amortiguamiento ζ de transitorios y su limitante de velocidad ωmax Sintonía universal para ambas tareas, para controladores con coef. de SP ajustable IMC Estable (Auto-regulados o integral) MS (Máxima sensitividad) o Lambda Especificando MS se garantiza robustez directamente ITAE Minimizar función de costo Gradiente de la salida de control Requiere parámetros iniciales de controlador estable
41 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
42 Evaluación en el Dominio del Tiempo4 6 1 5 2 3 Error Absoluto Integrado:
43 Evaluación en el Dominio de la Frecuenciar: referencia, set-point (SP) u: acción de control (CO) y: salida (PV) d: perturbación a la entrada n: ruido de medida r e u y C GP - Transferencia en lazo abierto: Transferencia en lazo cerrado: Función de Sensitividad: Transferencia Señal de Error: Transferencia Ruido-Acción de Control:
44 Evaluación en el Dominio de la FrecuenciaParámetros de Estabilidad Relativa - Robustez Diagrama de Bode del lazo abierto, Gol(s) Margen de Ganancia: 1 Margen de Fase: Margen de Retardo: 3 Delay Margin 2
45 Lazos Feedforward y CascadaGD CFF SP CO PV CFB GP - Cascada: GIN COUT SP PV - CIN GOUT COOUT = SPIN PVIN COIN
46 Agenda Introducción ¿Por Qué Optimización de Lazos?Conceptos de Teoría de Control Sintonía de Lazos Auditoria de Lazos Análisis de Perturbaciones de Planta Herramientas de Control Avanzado
47 ¿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
48 Diferencia entre Sintonía y EvaluaciónEtapa de Diseño Etapa de Evaluación Diseño razonable ? Diseño ligeramente agresivo ¿es esto un buen control? Si no: ¿por qué?
49 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.)
50 Supervisión de lazos de control – no-invasivo!índices (KPI) Monitoreo de Condiciones de Lazos de Control (CLCM) o Auditoria
51 Evaluación de Performance por PasosRecolectar y analizar datos Calcular Indicadores Claves de Performance (KPI) Elaborar hipótesis y sugerencias basadas en los KPI importante matemática involucrada
52 Diagnósticos de Lazos de ControlKPI + Diagnósticos de Mantenimiento Reglas de Auditoria Diagnósticos típicos: Problema de sintonía Lazo oscilatorio Perturbación externa Fricción estática en válvula Pérdida en válvula Tamaño de válvula incorrecto Performance global aceptable Ranking de Lazos según Performance Buena Regular Pobre
53 Indicadores Claves de PerformanceEstadísticas 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-Gaussiano
54 Estadísticas Básicas O kurtosis skewness Valor medioDesviación 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 skewness kurtosis
55 Validez de Datos “outliers” compresión cuantificación¿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
56 Modos del Lazo de ControlAutomático / Manual Salida saturada Cascada PV, SP CO time [s] PV, SP CO Modo cascada = 0% Modo automático = 100% time [s] Modo cascada = 100% Modo automático = 100% Saturación = 32.3%
57 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 regularidad de cruces por cero Espectro Frecuencia Señal de error Tiempo [s] Auto-correlación Tiempo [s] Auto-correlación Tiempo [s]
58 Índices de Oscilación O Detección de oscilación CuantificaciónInterna - externa Cuantificación Período – amplitud Importante para análisis de causa raíz (“root-cause analysis”) Diagnósticos de oscilación Fricción en válvulas No linealidad Espectro
59 Índice de Oscilación (dominio del tiempo)0 = sin oscilación, 1 = oscilación perfecta Caudal [%] Tiempo [s] 0.88 0.25 Controlador sintonizado
60 Severidad de la OscilaciónCuantifica la oscilación Período = 42.7 [s] Amplitud = 23.9 % Severidad = 79.8 % Período = 21.1 [s] Amplitud = 2.5 % Severidad = 41.2 % Tiempo [s]
61 Índices de No-linealidadAnálisis de causa raíz de oscilaciones Identificación de problemas en actuadores Sumamente útil en conexión con detección y diagnóstico de oscilación Histéresis Fricción estática Banda muerta
62 Índices de Actuadores/VálvulasEstadística 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
63 Ejemplo de Investigación de Oscilacióncarga cíclica F FC fricción estática sintonía muy rápida Índices Detalles de la oscilación (período, amplitud …) Tendencias para cada índice Diagnósticos Verificar performance global Detectar oscilación Decidir entre estas 3 causas
64 Señales ‘Perfectas’ de Fricción EstáticaSetpoint SP Variable de Proceso PV Salida de Control CO tiempo
65 Un Problema Típico: Lazos AcopladosF FC A AC no o.k. Lazo de Composición Producto 2 Producto 1 o.k. Lazo de Caudal
66 ¿Cuál lazo está causando la oscilación?Ambos Lazos Oscilan control de composición control de caudal tiempo [s] tiempo [s] ¿Cuál lazo está causando la oscilación? cross-corr. Diagnosis: stiction no stiction
67 Solución con Correlación CruzadaLa 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
68 Si la causa es fricción estática ...correlación cruzada CCF corrimientos variable de proceso señal de control
69 Si la causa no es fricción estática ...correlación cruzada CCF corrimientos variable de proceso señal de control
70 Diagnóstico usando correlación cruzadacontrol de composición control de caudal señales corr. cruzada Diagnóstico: fricción estática no hay fricción
71 Índices de Evaluación de Sintonía¿Que tan cerca sigue el Valor de Proceso al Setpoint? Índice de Harris 25% 0.02 5% 3% Índice de Cruce de Setpoint 0.96 Índice de Harris 0.3% 5.3% 0.92 0.6%
72 Índice de Harris (Mínima Variancia)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: con valores entre 0 y 1, cuánto más alto, mejor la performance.
73 Índice de Harris (Mínima Variancia)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 por el control No predecible, no puede ser removido por el control La parte predecible depende del tiempo muerto del proceso
74 Índice de Harris (Mínima Variancia)O Índice de Harris (Mínima Variancia) Impulso Respuesta a impulso estimada de datos de operación normal control actual control PI óptimo respuesta a impulso en lazo cerrado control MV time [s] I = + Calcular índice de performance (I): [0 1] PERO ... necesita saber el tiempo muerto de cada lazo!
75 Índice de Harris – EjemploAntes: 0.47 Después: 0.96
76 Ejemplo de una Herramienta de PerformanceUnidad de Proceso: Unit-xyz Lazos investigados: 50 Fecha: Performance global: buena # lazos de buena performance: 32 # lazos intermedios: 12 # lazos de mala performance: 6 Lazos de mala performance * oscilando: 3 * gran desviación estándar: 2 * comportamiento sospechoso: 1 Indicar malos lazos en pantalla y reportes
77 Ejemplo de una Herramienta de PerformanceLoop 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)
78 Agenda Introducción ¿Por Qué Optimización de Lazos?Conceptos de Teoría de Control Sintonía de Lazos Auditoria de Lazos Análisis de Perturbaciones de Planta Herramientas de Control Avanzado
79 Análisis de Perturbaciones de PlantaPerturbaciones 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
80 Salida de Producto IntermedioEjemplo de Perturbaciones a Nivel de Planta Alimentación 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 TI1 TI2 TI3 TI7 TI6 TI4 TI5 Salida de Fluido Calefactor Salida de Producto Intermedio TC2 TC1 Entrada Fluido Calefactor LC1 Salida de Producto
81 Perturbación Afectando el ProcesoAlimentación TI1 TI1 TI2 TI3 TI7 TI6 TI4 TI5 TI2 Salida de Fluido Calefactor TI3 TI4 TI5 TC1 Salida de Producto Intermedio TC2 TC2 TC1 TI6 15% osc. LC1 TI7 Entrada Fluido Calefactor LC1 50 100 150 200 250 300 350 400 Hipótesis de causa raíz: Controlador de nivel LC1 mal sintonizado Perturbación externa en alimentación TI1 Salida de Producto
82 Metodología de Análisis de PerturbacionesRecolección 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
83 Indicador 1: Resultados de No-LinealidadAlimentación TI1 TI2 TI3 TI4 TI5 LC1 TI1 Salida Flujo Calefactor TI2 TI3 TI4 TI5 Producto Intermedio TC1 TC2 Entrada Flujo Calefactor TI6 LC1 TI7 Salida de Producto
84 Indicador 2: Matriz de CausalidadTI1 causa TI2 TI3 causa TI4 TI4 causa TI5 Causa TI1 TI2 TI3 TI4 TI5 TC1 TC2 Efecto TI6 LC1 TI7
85 Indicador 3: Retardos Temporales10 seg TI1 20 seg TI2 20 seg TI3 TI4 40 seg 140 seg TI5 290 seg TC1 30 seg TC2 TI6 LC1 TI7
86 La perturbación es causada por la alimentaciónTI1 TI1 TI2 TI3 TI7 TI6 TI4 TI5 TI2 TI3 TI4 TI5 TC1 TC2 TC2 TC1 TI6 LC1 TI7 LC1 50 100 150 200 250 300 350 400 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
87 Agenda Introducción ¿Por Qué Optimización de Lazos?Conceptos de Teoría de Control Sintonía de Lazos Auditoria de Lazos Análisis de Perturbaciones de Planta Herramientas de Control Avanzado
88 El Escenario de Control Avanzado de ProcesosLAB Modelo RTO Modelado Riguroso SPC Modelos Inferenciales MPC Operador SPC MvSPC Optimización de Lazos Control de Proceso en DCS Proceso
89 Auge de Modelos derivados de DatosAmplia 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
90 Aplicación Típica: Sensores InferencialesEstimar 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. variables de proceso medidas variable de proceso estimada Sensor Inferencial / Modelo
91 Sensores Inferenciales: ¿Por Qué?Muestras ANALISIS DE LABORATORIO LIMS PIMS DCS (Sistemas de Información) Resultados 143.0 ppm de 1 a 12 horas de retraso en la medida efectuado cada X horas
92 Información continua, en tiempo realMuestras ANALISIS DE LABORATORIO Sensores Inferenciales LIMS PIMS DCS (Sistemas de Información) Resultados 143.0 ppm sin demoras medidas continuas análisis de laboratorio usados para validación periódica de los sensores inferenciales de 1 a 12 horas de retraso en la medida efectuado cada X horas
93 Aplicaciones Típicas de Modelos InferencialesMedidas Inferenciales Validación de Sensores PEMS – Monitoreo Predictivo de Emisiones Monitoreo de Calidad Monitoreo de Performance de Proceso Aviso de Mantenimiento
94 Introducción a MPC FFs MVs MPC CVs & PVs PROCESO SPs Automación BásicaObjetivos CV Objetivos MV Límites CV Límites MV PVs Modelo Optimiz. PID MVs COs PID PROCESO PID SPs Automación Básica 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
95 Cómo MPC mejora la PerformanceVista Estadística Reduce la variancia y mueve hacia los Límites 6 5 4 3 % Muestras/ Grado F 2 1 330° 350° 370° 390° 410° 430° Grados F
96 Cómo MPC mejora la PerformanceManejo simultáneo de restricciones y variables Óptimo Económico Restricción Desborde Condensador Restricción de Temperatura en Reboiler Vapor Reflujo MPC Región de Operación Preferida por el Operador MPC Inicial
97 Aplicaciones Típicas de MPCImportante 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
98 Muchas Gracias por su AtenciónAgenda Introducción ¿Por Qué Optimización de Lazos? Conceptos de Teoría de Control Sintonía de Lazos Auditoria de Lazos Análisis de Perturbaciones de Planta Herramientas de Control Avanzado Muchas Gracias por su Atención