Resumo: Uma malha de controle com baixo desempenho implica em um aumento dos custos de produção, causando descarte de produto fora da especificação e desgaste desnecessário dos elementos finais de controle. A depender do processo controlado, uma malha deficiente pode também acarretar em paradas não previstas na planta e até mesmo em danos ao meio ambiente. Diante do exposto, o controle preditivo baseado em modelos (MPC) é um dos poucos algoritmos comprovadamente capazes de estabilizar processos na presença de não-linearidades e restrições. Para atender aos seus objetivos de controle, o algoritmo clássico MPC utiliza um procedimento de otimização baseado no modelo linear da planta. Contudo, o afastamento da região de projeto do modelo linear resulta na perda de sua efetividade e consequente do controlador que o utiliza. Deste modo, objetivou-se a partir de uma descrição não-linear do sistema a melhoria do desempenho do controlador. Os objetivos específicos dessa dissertação foram o estudo e análise de um controlador GPC (generalized predictive controller) operando em paralelo com uma rede de modelos lineares locais, identificada por meio do algoritmo LOLIMOT (local linear model trees), capaz de adequar o modelo de predição do controlador para a faixa de operação atual do processo. Para a avaliação e análise da qualidade do controlador proposto foi montado um aparato experimental para controle de pH. A estratégia de controle foi implementada em um sistema em código aberto para monitoramento e controle do processo. Portanto, considerando a característica estática não-linear do processo foram realizados estudos comparativos entre o GPC tradicional (baseado em um único modelo linear) e a abordagem proposta. Os resultados mostraram que a rede foi capaz de representar satisfatoriamente a saída do sistema, resultando em uma estrutura simples, com modelos locais na forma de estruturas ARX. Também foi demonstrado que o GPC utilizando a rede de modelos lineares locais desempenhou de forma satisfatória e até mesmo superior ao GPC tradicional.Observou-se que a saída calculada pelo controlador proposto foi consideravelmente menos agressiva que o controlador tradicional, levando a uma considerável diminuição do esforço de controle empregado ao sistema. Os resultados obtidos demonstraram que houve uma economia de até 45% no esforço de controle. Observou-se ainda que o sistema desenvolvido é conveniente para aplicações reais, já que a estratégia de controle preditivo concebida em Scilab obteve sucesso na solução do problema de controle dentro do intervalo de amostragem inclusive quando incorporado o problema QP (programação quadrática) com restrições. Tendo em vista que a estrutura destes sistemas permite que sejam utilizados nas mesmas aplicações destinadas a modelos lineares, comprovou-se também a viabilidade e aplicabilidade do uso das redes de modelos lineares locais diretamente em algoritmos de controle avançado já disponíveis para indústria, como nos controladores GPC Ver menos

Abstract: Low performance control loops imply in higher production costs, leading to off-specification production loss and unnecessary wear of the final control elements. Depending on the controlled process, the deficient loop can also lead to non-expected plant stops and even on environment damage. In this sense, model predictive control (MPC) is one of the few algorithms proved capable to stabilize processes in the presence of nonlinearities and constraints. To meet its control objectives, the classic MPC algorithm is based on an optimization problem which relies in the system's linear model. Although, the removal of the linear model from its designed condition deteriorates the model's and controller's effectiveness. Hence, the general objective of the presented work relies in the non-linear description of the system for improving the control performance. The main objectives were the study and analysis of a generalized predictive controller (GPC) operating in parallel with a linear local model network, identified by the LOLIMOT algorithm, able to adequate the controller's prediction model for the process operation range. For the quality assessment of the proposed controller, tests were evaluated in an experimental apparatus for pH control. The control strategy was implemented in an open source system for monitoring and control. Therefore, considering the static nonlinear characteristics of the process, comparative studies were applied between the traditional GPC (based on an single global model) and the proposed approach. The results showed that the dynamic network was able to effectively represent the system output, resulting in a simple structure, given the fact that the local models are indeed local ARX models. It was also shown that the GPC using the linear local model network performed satisfactorily and even better than the single model GPC. It was observed that the output calculated by the proposed controller has been considerably less aggressive than the traditional controller, leading to a considerable reduction in the system's control effort. The results showed that there was a saving up to 45% in the control effort. It was also observed that the developed monitoring and control system is suitable for real applications, since the predictive control strategy, implemented in Scilab, succeeded in solving the control problem within the sampling time even with the embedded constrained QP (quadratic programming) problem. Considering that the structure of these systems allows them to be used in similar applications to linear models, it was also proved the viability and applicability of using the linear local models network directly into advanced control algorithms already available to industry as in the GPC controllers Ver menos