Reconciliação dinâmica de dados baseada em estimadores em uma malha de controle MPC

• Ano de defesa: 2017
• Autor(a) principal: Silva, Guilherme Moura Afonso da
• Orientador(a): Cardoso, Carlos Alberto Villacorta
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Sergipe
• Programa de Pós-Graduação: Pós-Graduação em Engenharia Elétrica
• País: Brasil
• Palavras-chave em Português: Engenharia elétrica; Algoritmos; Filtragem de Kalman; Controle preditivo; MPC; Reconciliação de dados; Filtro de Kalman; Algoritmo DDR preditor-corretor; Estimador do horizonte móvel
• Palavras-chave em Inglês: Data reconciliation; Kalman filter; DDR algorithm; Moving horizon estimator; Model predictive control
• Área do conhecimento CNPq: ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://ri.ufs.br/handle/riufs/5026

The data reconciliation in process control is extremely important regarding the industries because from this it is possible to obtain a greater efficiency in the performance in industrial process control meshes aiming at a lower cost and a higher quality of the product. In this work we approach data estimation techniques for the implementation of an online dynamic data reconciliation system in order to reduce the noise and the measurement uncertainties that are submitted in the process variables. The techniques used here are: the Kalman Filter, the Preditor-Corrector DDR Algorithm, the Moving Horizon Estimator (MHE) and the Constrained Extended Kalman Filter (CEKF). The analysis is performed by applying the dynamic data reconciliation system in a simulated process, characteristic of the chemical industry, operating under MPC (Model Predictive Control). The performance of the MPC controller is also enhanced by the use of the reconciled data in the feedback control loop.