Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/267590
Type: TESE
Title: FCC : controle preditivo e identificação via redes neurais
Author: Vieira, William Gonçalves
Advisor: Fileti, Ana Maria Frattini, 1965-
Abstract: Resumo: A unidade de Craqueamento Catalítico em Leito Fluido - FCC, modelo Kellogg Orthoflow F., representa um processo de refino de petróleo apresentando característica altamente não linear, possuindo fortes interaçães entre as variáveis de produção, e condições de operação extremamente severas. Essas unidades são constituídas basicamente de duas seções: uma de reação catalítica na qual ocorrem as reações de quebra de cadeia hidrocarbônica e também há formação de coque, desativando o catalisador; e outra seção onde ocorre a regeneração do catalisador desativado. O objetivo dessa unidade é transformar produtos de elevado peso molecu1ar, que apresentam baixo valor agregado, em compostos de elevado valor comercial. As unidades FCC, devido às condições severas de operação, necessitam de um controle rigoroso de determinadas variáveis operacionais. Apesar de existirem instalados controladores avançados baseados em modelos de convolução, fteqüentemente essas unidades são reguladas por meio de controladores PID padrões e também através de controle manual baseado no conhecimento de operadores das refinarias. O presente estudo tem como objetivo desenvolver um controlador preditivo multivariável (Multivariable Predictive Control - MPC) para ser implementado na unidade FCC, utilizando Redes Neurais Artificiais (RNA) como modelo interno do controlador. Inicialmente é previsto realizar a identificação do processo da FCC em RNA, obedecendo a seguinte estratégia: usando um modelo fenomenológico que representa a unidade industrial, e partindo de um estado inicial são aplicados diversos degraus nas variáveis manipuladas analisando as respostas nas variáveis controladas do processo. A partir destas simulações são gerados diversos conjuntos de dados divididos em grupos de treinamento, validação e teste. Diversas redes neurais do tipo multicamada feedforward são então criadas para representar o modelo fenomenológico, sendo selecionada aquela que apresenta melhor desempenho, quando comparada com o modelo. A configuração da RNA escolhida como modelo interno foi 8x15x4 (camadas de entrada, escondida e de saída, respectivamente) apresentando um erro relativo máximo de 1% quando comparado com os resultados do modelo rigoroso. Posteriormente, foi previsto desenvolver um controlador preditivo multivariável usando como modelo interno esta rede selecionada. Este controlador foi implementado dentro da rotina do modelo fenomenológico, sendo então realizados testes para verificar seu desempenho, comparando o resultado com o sistema aberto e também com o controlador DMC (Dynamic Matrix Contro!) existente. Diversos horizontes de predição e controle foram analisados, sendo selecionados aqueles que apresentaram melhor desempenho. Foi introduzido um ruído nos sinais do modelo fenomenológico para testar a robustez do controlador proposto. O controlador apresentou bom desempenho mesmo na presença de ruídos de 1,5%, levando sempre as variáveis controladas para seus valores de referência, o que comprova sua robustez. Baseados nestes resultados, conclui-se que um controlador preditivo multivariável baseado em RNA é perfeitamente capaz de controlar um sistema não linear de porte do FCC, onde elevada interação entre suas variáveis operacionais e fortes restrições estão presentes. Isto nos permite extrapolar que são boas as expectativas para uma futura utilização na unidade industrial, principalmente devido à sua simplicidade, robustez e facilidade de implementação, a despeito da dificuldade de sintonia do controlador

Abstract: The Fluid Cracking Catalytic unit - FCC, Kellogg Orthotlow F. model, represents a very strong nonlinear process, with severe interactions among the process variables, and extremely severe operation conditions. The unit is composed of two sections: one is the catalytic reaction, where the hydrocarbon breaks chain reactions and coke deposition take place becoming the catalyst inactive, and the other where the catalyst regeneration happens. The objective is to transform products derived ITom petroleum, with high molecular weight and low added value, into products with higher profit. Due to the severe operation conditions, rigorous control of some variable is needed. In spite of the existence of advanced control based on a convolution model, in practice, FCC units are ftequently regulated by standard PID controllers, and also through manual control actions based on the knowledge of the refinery operators. The objective of this study is to develop a Multivariable Predictive Control (MPC) to be implemented in the FCC unit, using the Artificial Neural Networks (ANN) as internal model. Initially, the process identification in ANN of the FCC was done by the following strategy: an initial state was fust achieved using numerical simulations based on the phenomenological mo deI. Then, several steps changes were applied to the manipulated variables and the response in the controlled variables were monitored and recorded. From these simulations, several groups of data were generated for training, validation and testing. The Neural Network of multilayer feedforward type were created to represent the phenomenological model, being selected the one that better represents the phenomenological model. The ANN configuration chosen to be the internal model was 8x15x4 (Input x Hidden x Output) architecture, with a maximum relative error below 1 % when comparing the results with the phenomenological model results. Later on, it was developed a multivariable predictive control based on this internal model. This control was implemented inside the routine of the phenomenological model. The performance tests were evaluated comparing the results with the open system and with the Dynamics Matrix Control (DMC). Several prediction and control horizons were analyzed. The ANN control presented good performance even in the presence of noise of 1,5% of intensity, taking back the controlled variables to its setpoints, proving its robustness. Based on these results, a multivariable predictive control based on ANN showed be perfectly able to control a nonlinear system like a FCC unit, where high interactions among process variables, and strong restriction conditions exists. This allows us to have good expectations for a future use in the industrial unit, mainly due to its simplicity, robustness and facility ofuse, in spite ofthe difliculty oftune control
Subject: Craqueamento catalítico
Redes neurais (Computação)
Controle preditivo
Language: Português
Editor: [s.n.]
Date Issue: 2002
Appears in Collections:FEQ - Dissertação e Tese

Files in This Item:
File SizeFormat 
Vieira_WilliamGoncalves_D.pdf6.89 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.