Os KPIs de malhas de controle são o ponto de partida de qualquer programa de CLPM bem-sucedido. A maioria das plantas industriais opera entre algumas centenas e vários milhares de malhas de controle regulatório. Contudo, quase nenhuma delas é acompanhada de forma sistemática. O operador percebe a malha que compromete a operação da unidade. O engenheiro percebe a malha que virou reclamação. As demais, porém, degradam-se aos poucos e de forma silenciosa.
Uma válvula apresenta agarramento em um ponto. Em outro, um controlador permanece em modo manual. Com o tempo, essa variabilidade acumulada aparece na forma de produto fora de especificação, consumo excessivo de energia ou redução inexplicada dos intervalos de manutenção.
O Gerenciamento de Desempenho de Malhas de Controle (CLPM, do inglês Control Loop Performance Management) existe justamente para eliminar essa lacuna. Trata-se da prática de medir continuamente o quanto cada malha cumpre sua função, diagnosticar as causas do desempenho insatisfatório e transformar esse diagnóstico em uma lista de trabalho priorizada e acionável. Como em qualquer prática de gestão, o sucesso do CLPM depende diretamente da qualidade dos seus KPIs de malhas de controle.
Em resumo, o propósito de um bom conjunto de KPIs de malhas de controle é a triagem: direcionar uma equipe reduzida de engenheiros de controle para o pequeno subconjunto de malhas em que seu tempo trará o maior retorno no período.
Painel do PlantESP exibindo KPIs de malhas de controle
A hierarquia dos KPIs de malhas de controle
Sistemas de CLPM bem projetados organizam seus KPIs de malhas de controle em camadas. Entender essa estrutura é mais importante do que dominar qualquer cálculo isolado.
No nível superior, encontra-se um índice único e consolidado: o Desempenho Geral, ou Eficácia Geral do Controlador (OCE, Overall Controller Effectiveness). A analogia com o OEE (Eficiência Global do Equipamento), já consagrado na engenharia de confiabilidade, é proposital: trata-se de um único número, comparável entre ativos, criado para priorização, e não para diagnóstico.
Assim como o OEE resulta do produto entre disponibilidade, desempenho e qualidade, o OCE combina três dimensões. Ele avalia se a malha esteve disponível para controlar, se controlou adequadamente enquanto disponível e se o elemento final de controle teve condição física de executar o comando. Por exemplo, uma malha com índice de 40% justifica a alocação de tempo de engenharia. Já uma malha com 95%, em geral, não justifica.
No nível intermediário, situam-se as categorias de saúde de diagnóstico: Saúde do Processo, Saúde de Sintonia e Saúde Mecânica. Elas respondem à pergunta que o índice consolidado sempre suscita: por quê. Afinal, um mesmo Desempenho Geral insatisfatório pode decorrer de uma válvula com agarramento severo, de um controlador sintonizado para outro regime operacional ou de um distúrbio a montante que nenhuma sintonia local resolve. São três achados diferentes, e cada um encaminha a ordem de serviço para um departamento distinto. É justamente nessa camada que o CLPM deixa de ser um relatório e passa a operar como um programa de manutenção.
Na base, encontram-se as métricas fundamentais: as grandezas estatísticas calculadas diretamente do histórico de processo que alimentam as categorias de saúde. É nesse nível que estão, por exemplo, o erro médio absoluto, as estimativas de agarramento, os índices de oscilação e a excursão de saída.
Quatro famílias de KPIs de malhas de controle
Disponibilidade: a malha está efetivamente em uso?
O Tempo em Operação, as Mudanças de Modo, o % do Tempo em Modo Normal e a família das intervenções (Mudanças de Modo Direcionadas, Alterações Manuais de Saída e Alterações Locais de Setpoint) respondem a uma pergunta que antecede todas as demais: a estratégia de controle está sendo usada conforme projetada?
Essa família costuma ser subestimada, mas deveria ser o ponto de partida de qualquer programa de CLPM. Um controlador PID pode estar perfeitamente sintonizado. No entanto, se os operadores o colocam em modo manual a cada turno, ele não entrega benefício algum.
Além disso, a contagem de intervenções funciona como um indicador indireto de confiança. Quando o operador sobrepõe uma malha repetidamente, ele está reportando um problema pelo único canal que o historiador de processo registra. Ou seja, uma malha com contagem crescente de alterações manuais de saída sinaliza uma anomalia muito antes de as estatísticas regulatórias se degradarem, já que o operador está compensando a falha por intervenção direta.
Por outro lado, as Alterações Locais de Setpoint merecem atenção particular em arquiteturas em cascata e de controle avançado. Quando o operador contorna a camada supervisória e escreve setpoints diretamente, a aplicação de controle avançado de processos (APC) vai sendo desativada na prática. Curiosamente, os relatórios de desempenho do próprio APC não mostram esse fenômeno.
Desempenho regulatório: com que precisão a variável é mantida?
O Erro Médio Absoluto (AAE), o % de Erro Aceitável e a Variabilidade Normalizada quantificam a função central da malha: manter a variável de processo próxima ao setpoint.
Dois princípios de projeto são relevantes aqui. Primeiro, valores de erro absoluto não são comparáveis entre malhas. Um erro de 2 °C em um reator representa uma condição crítica, mas o mesmo erro em um coletor de utilidades é irrelevante. Por isso, são as métricas normalizadas, que expressam a variabilidade em relação à faixa aceitável da própria malha ou a um benchmark teórico de variância mínima, que permitem o ranqueamento entre unidades e plantas.
Segundo, as estatísticas de erro só fazem sentido dentro de um enquadramento econômico. A variabilidade importa porque obriga a operação a se afastar das restrições do processo. Assim, o valor de reduzir pela metade o desvio-padrão de uma malha corresponde à margem capturada ao aproximar o setpoint do limite operacional. Se o setpoint não for ajustado depois, o projeto de melhoria não gera resultado algum. Essa é, com frequência, a principal razão pela qual programas de CLPM falham em demonstrar valor.
A Variação de Setpoint pertence a essa família como elemento de contexto, e não como item de avaliação. Isso porque uma malha que acompanha um setpoint em constante movimento executa uma tarefa fundamentalmente diferente daquela que mantém um alvo fixo. Submeter ambas à mesma estatística de erro, portanto, leva a conclusões equivocadas.
Saúde de sintonia: os parâmetros do controlador estão adequados?
A Oscilação, o Desvio de Sintonia, as Sugestões de Sintonia e o Ruído avaliam o controlador propriamente dito.
A detecção de oscilação é o diagnóstico de maior valor do CLPM, por uma razão nem sempre evidente: oscilações se propagam. Uma única malha mal sintonizada, ou com válvula apresentando agarramento, injeta um distúrbio periódico. Esse distúrbio percorre a unidade e é reproduzido pelas malhas a jusante. Por exemplo, uma planta com quarenta malhas oscilando com frequência costuma apresentar apenas três ou quatro causas-raiz.
Nesse contexto, a análise no domínio da frequência agrupa malhas pelo período de oscilação e rastreia a fonte a montante. Com isso, ela resolve rotineiramente dezenas de sintomas com um número reduzido de intervenções. É justamente nesse ponto que o CLPM produz resultados que a revisão manual, malha a malha, raramente alcança.
O Desvio de Sintonia compara os parâmetros atuais com os valores sugeridos pelo modelo de processo identificado. Por isso, ele é mais bem interpretado como um indicador de deriva. Afinal, os processos mudam: catalisadores envelhecem, trocadores de calor incrustam, metas de carga se deslocam. Assim, uma sintonia adequada no comissionamento pode se tornar inadequada mesmo sem que nenhum parâmetro tenha sido alterado.
A caracterização do ruído também entra nessa categoria. Um ruído de medição elevado, amplificado pela ação derivativa, produz desgaste de válvula que parece ter origem mecânica, mas na verdade é uma falha de sintonia.
Saúde mecânica: o elemento final de controle é capaz de executar o comando?
O Stiction, a Distribuição da Saída, a Excursão da Saída e as Reversões de Saída caracterizam o elemento final de controle.
Essas métricas elevam o CLPM de exercício de engenharia de controle a programa de confiabilidade. Em especial, a detecção de stiction apresenta um retorno desproporcional. Uma válvula com agarramento produz um ciclo-limite característico que nenhuma ressintonia consegue eliminar. Por isso, o erro clássico é o engenheiro de controle dedicar tempo considerável a lentificar uma malha para suprimir uma oscilação de origem mecânica. Distinguir os dois casos antes de despachar o serviço, portanto, representa boa parte do valor prático do CLPM.
A Excursão da Saída e as Reversões de Saída cumprem uma segunda função: são preditores de desgaste. A excursão acumulada da haste e a contagem de reversões alimentam diretamente o planejamento de manutenção de válvulas. Dessa forma, uma parada pode priorizar a gaxeta efetivamente submetida a milhões de ciclos, em vez daquela indicada apenas pelo calendário.
Por fim, a Distribuição da Saída completa o conjunto ao expor malhas operando em saturação ou contra um limite. Um controlador estacionado em 95% de saída, afinal, não está exercendo controle: ele está evidenciando um problema de capacidade.
Condições para a efetividade das métricas
Alguns fatores distinguem os programas de CLPM que se sustentam além do primeiro ano daqueles que viram relatórios periódicos sem leitura.
- Defina limites por tipo de malha, não de forma global. Malhas de vazão, nível, temperatura e pressão têm dinâmicas e comportamentos aceitáveis fundamentalmente diferentes. Por exemplo, um controle de nível por média em tanque pulmão pode parecer inadequado sob critérios de controle rigoroso, mas essa é justamente a sua função. Limites globais, portanto, geram falsos positivos, e falsos positivos condicionam as equipes a ignorar o relatório.
- Ranqueie e limite a lista. A saída de um sistema de CLPM deve ser o conjunto das dez malhas de pior desempenho, cada uma com uma ação sugerida, e não um índice de saúde para todas as malhas. Isso porque o recurso escasso sob gestão é a atenção da equipe de engenharia.
- Feche o ciclo sobre cada malha. Toda correção deve ser medida antes e depois com a mesma métrica. Além disso, o resultado deve ser expresso, sempre que possível, em termos de produção. É essa demonstração de valor que garante a continuidade do programa.
- Trate as intervenções como indicadores antecedentes. As estatísticas regulatórias mostram que a malha tem desempenho insatisfatório no presente. Já a contagem de intervenções costuma indicar que a malha está se degradando, com semanas de antecedência.
Em resumo, o princípio subjacente é direto: uma malha de controle é um ativo, degrada-se como qualquer outro ativo, e o que não é medido não é mantido. Os KPIs de malhas de controle descritos aqui constituem a instrumentação necessária para tornar essa degradação visível.