Estimação de parâmetros em modelos de processo usando dados industriais e técnica de reconciliação de dados

• Ano de defesa: 2006
• Autor(a) principal: Oliveira Júnior, Antônio Martins
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Palavras-chave em Português: Variáveis; Parâmetros; Dados; Indústria; Produção
• Link de acesso: https://ri.ufs.br/handle/riufs/1479

A classificação de variáveis em plantas industriais modernas pode fornecer conjuntos de dados ricos e detalhados para o desenvolvimento de estudos de modelagem de processos e estimação de parâmetros. Todavia, devido à existência de erros aleatórios e, possivelmente, de erros grosseiros, as medidas geralmente não satisfazem as restrições dos processos. Esses dados precisam ser reconciliados. A estimação de parâmetros dos modelos de um processo a partir de dados industriais disponíveis se enquadra nesse contexto. Primeiramente, o modelo matemático fornece as restrições do processo. Em segundo lugar, os parâmetros do modelo devem ser ajustados de modo a minimizar os desvios observados entre as medidas do processo e as equações de conservação, a partir dos dados industriais utilizados para a construção do modelo. Foi desenvolvido um novo código computacional para classificação de variáveis em sistemas dinâmicos com uma abordagem diferenciada. A metodologia desenvolvida para classificação propiciou uma reconciliação eficiente dos dados, de modo que possibilitasse a estimação dos parâmetros cinéticos de uma polimerização industrial de propileno com catalisadores Ziegler-Natta (SUZANO-RJ). O algoritmo de classificação também foi testado para o balanço hídrico de uma fábrica de fertilizantes (FAFEN-SE) com sucesso. Os resultados obtidos mostram que a abordagem utilizada para classificação de variáveis e estimação de parâmetros, utilizando a técnica de reconciliação de dados, é capaz de descrever o comportamento dos dados industriais e predizer as respostas do processo, em diferentes condições operacionais, sem que seja necessário conduzir muitos experimentos em laboratório. _________________________________________________________________________________________ ABSTRACT: The classification of variables in modern industrial plants can supply a group of rich and detailed data sets for the development of modeling studies and parameter estimation. However, as a result of random and possibly, gross errors process measurements do not generally satisfy process constraints. Thus they need to be reconciled. The estimation of process model parameters from available plant data is certainly in this context. First, the mathematical model provides the process constraints to be satisfied. Second, model parameters have to be adjusted to minimize the deviations observed between process measurements and process constraints. Available data have yet to be filtered to allow for removal of inconsistent data sets from the process data used for model building. A new computational code was developed for classification of variables in dynamic systems with a differentiated approach. The methodology developed for classification propitiated efficient data reconciliation, so that it made possible, allowing for estimation of the kinetic parameters for industrial propylene polymerization using Ziegler-Natta catalysts (SUZANO-RJ). The classification algorithm was also tested with success for the hydric balance of a factory of fertilizers (FAFEN-SE). The obtained results show that the approach used for classification of variables and parameters estimation using the technique of data reconciliation is capable to describe the behavior of the industrial data and to predict process responses in different operational conditions, without to carry out extensive experimental plans in the laboratory.