CONTROLE DE PLANTAS NO LINEARES UTILIZANDO CONTROLE

PREDITIVO LINEAR BASEADO EM MODELOS LOCAIS

Claudio O. Ayala Bravo

cayala107a@hotmail.com
Julio E. Normey-Rico

julio@das.ufsc.br

Departamento de Ingeniera Elctrica, Universidad de Antofagasta Avenida Angamos 601, Antofagasta, Chile

Departamento de Automao e Sistemas, Universidade Federal de Santa Catarina Cx. P. 476, CEP 88040-900,
Florianpolis-SC, Brasil
RESUMO
Este artigo apresenta uma nova abordagem para o controle
preditivo no linear no contexto dos modelos locais. O algo-
ritmo de controle proposto usa um modelo no linear (MNL)
da planta para simular internamente o comportamento do
processo. Quando se aplica uma mudana de set-point no
processo, o algoritmo usa o MNL para identicar um modelo
ARX linear. O procedimento de otimizao ento execu-
tado usando este modelo linear e uma penalizao varivel
do controle, determinada em funo do ganho no linear do
modelo identicado. O controle proposto aplicado em al-
guns processos simulados e tambm se apresentam compa-
raes com outras tcnicas de controle preditivo aplicadas a
plantas no lineares disponveis na literatura para ilustrar as
principais vantagens da metodologia proposta: simplicidade,
baixo tempo de processamento computacional e comporta-
mento dinmico uniforme em todo o intervalo de operao
da planta.
PALAVRAS-CHAVE: Controle preditivo no linear, modelos
locais, identicao, penalizao do controle.
ABSTRACT
Approach for Non-linear Predictive Control Based On
the Local Model Ideas
This paper presents a new approach for non-linear predictive
Artigo submetido em 18/09/2008 (Id.: 00896)
Revisado em 06/12/2008, 24/04/2009, 27/05/2009
Aceito sob recomendao do Editor Associado Prof. Takashi Yoneyama
control based on the local model ideas. The algorithm uses
a non-linear (NL) model of the plant for internal simulation.
When a change in the operating point is required this NL
model is used to identify a linear ARX model of the process.
The optimization procedure is then executed using this lin-
ear model and a control weighting factor adapted to the non-
linear model static gain obtained from the inverse static char-
acteristic. The proposed controller is applied to some simu-
lated NL process and the obtained results compared to some
MPC algorithms recently presented in literature to show the
main advantages of this new approach: simplicity, low pro-
cessing time and uniformdynamic behaviour in the operating
range.
KEYWORDS: Predictive Control non-linear, local models,
identication, penalization control.
1 INTRODUO
O controle preditivo baseado em modelo (MPC) uma tc-
nica de controle poderosa desenvolvida e consolidada nas
duas ltimas dcadas. uma das poucas tcnicas de controle
avanado que tm tido um signicativo impacto na indstria
de controle de processos. Talvez a principal razo para este
xito seja que esta tcnica pode lidar com diversas situaes:
pode ser aplicada a sistemas SISO (Single Input Single Out-
put) e MIMO (Multiple Input Multiple Output), permite in-
cluso de aes de realimentao e pr-alimentao, podem
ser includas restries de entrada e sada na formulao da
lei de controle e pode tambm compensar intrinsecamente
Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009 465
os tempos mortos do processo (Normey-Rico & Camacho,
2007).
O MPC no uma estratgia de controle especca, mas o
nome dado a um conjunto de mtodos de controle que foram
desenvolvidos considerando o conceito de predio e a ob-
teno do sinal de controle, atravs da minimizao de uma
determinada funo objetivo. Esta funo considera o erro
futuro e as restries nas variveis de processo e/ou de con-
trole (Camacho & Bordons, 2004).
O MPC uma tcnica consolidada na indstria para sistemas
multivariveis, com restries, que podem ser representados
por modelos lineares (Henson, 1998). Apesar de a maioria
dos sistemas reais apresentarem caractersticas no lineares,
quando o processo opera numa pequena faixa ento seu com-
portamento pode ser aproximado satisfatoriamente atravs de
modelos lineares. Isto tem motivado o uso de modelos line-
ares em muitas tcnicas de MPC. Exemplos destes controla-
dores so: o DMC (Controle por Matriz Dinmica) (Cutler
& Ramaker, 1980); o MAC (Controle Algortmico Baseado
em Modelo) (Richalet et al., 1978); o GPC (Controle Predi-
tivo Generalizado) (Clarke et al., 1987) e o EPSAC (Controle
Preditivo Adaptativo Estendido) (De Keyser & Van Cuawen-
berghe, 1985). So muitas as aplicaes de controle base-
adas em programas comerciais que utilizam MPC linear na
indstria, principalmente nas petroqumicas e renarias de
petrleo no Brasil e no mundo (Camacho & Bordons, 2004).
A principal vantagem do MPC linear se comparado ao no
linear que o problema de otimizao associado mais sim-
ples de resolver. Porm, quando os processos tm um grau
mediano ou severo de no linearidade ou quando a faixa de
operao varivel ou quando os processos experimentam
transies contnuas em sua operao, necessariamente de-
ver ser tomado em conta o modelo no linear no projeto
do controle, de forma que permita manter a estabilidade e
desempenho desejado para o sistema em malha fechada (Ca-
macho & Bordons, 2004).
Do ponto de vista conceitual o MPC no linear (NMPC) no
apresenta diculdades, j que possvel considerar a mesma
funo objetivo que no caso linear e um modelo no linear
para o clculo das predies. O objetivo consiste novamente
em encontrar o controle que minimize a funo objetivo su-
jeito a um conjunto de restries. J do ponto de vista pr-
tico, so vrias as diculdades encontradas neste problema
(se comparado ao caso linear): (a) a obteno do sinal de
controle requer, em geral, a soluo de um problema de oti-
mizao no convexo e (b) a anlise de estabilidade e robus-
tez da soluo. Por estes motivos o NMPC atualmente um
campo aberto para pesquisas (Camacho & Bordons, 2004).
Vrias formulaes alternativas ao NPMC direto tm sido
propostas na literatura para evitar todos ou alguns dos incon-
venientes citados. A maioria das formulaes trata de evi-
tar, de distintas maneiras, o problema associado otimizao
no convexa. Algumas destas formulaes so: o MPC li-
near estendido (Hernandez & Arkun, 1991), o NMPC sub-
timo (Scokaert et al.,1999) o MPC baseado em Horizontes
Curtos (Zheng & Zhang, 2001), o MPC com Decomposi-
o da Sequncia de Controle (De Keyser & Lazar, 2003), o
MPC com Linearizao por Realimentao (Nevistic & Mo-
rari, 1995), o MPC baseado em Modelos de Volterra (Doyle
et al., 2001), o MPC baseado em Redes Neurais (Arahal et
al., 1998) e o MPC baseado em Modelos Locais.
Destas formulaes alternativas, aquelas que se baseiam em
modelos locais permitem a aplicao de controladores predi-
tivos lineares aproveitando as vantagens que estes apresen-
tam. A forma mais simples desta tcnica o uso do ponto de
operao (PO) atual para linearizar o modelo antes da execu-
o do controlador preditivo (Bequette, 1991). Isto permite
resolver on-line o MPC linear, a cada tempo de amostragem,
mediante programao quadrtica (QP).
Para melhorar a exatido do modelo linear podem-se reali-
zar sucessivas linearizaes dentro do perodo de amostra-
gem (Brengel & Seider, 1989). As linearizaes locais so
realizadas em tempos igualmente espaados dentro do pe-
rodo de amostragem como uma forma articial de reduzir
este perodo.
Uma extenso desta idia (Kouvaritakis et al., 1999) deno-
minada Local Linearization Trajectory (LLT) procura uti-
lizar mltiplos modelos para a minimizao de forma que
esta ocorra utilizando modelos lineares referentes aos pontos
transientes pelos quais o sistema vai passar, durante uma mu-
dana de referncia no caso que for utilizada a sequncia de
controle previamente determinada pela otimizao. O efeito
dos erros da linearizao pode ser reduzido pelo uso apropri-
ado da interpolao linear, compensando desta forma a perda
de otimizao.
Estas tcnicas de linearizaes sucessivas apresentam o pro-
blema de o custo computacional se incrementar linearmente
com o nmero de linearizaes. Alm do mais, no capturam
elmente a dinmica do modelo no linear que representa o
comportamento da planta.
O conceito de linearizaes locais semelhante ao uso de
uma rede de modelos locais. Esta rede de modelos locais
usada para capturar a dinmica do processo em diferen-
tes pontos de operao (Camacho & Bordons, 2004). Duas
formulaes so propostas na explorao desta idia, ambas
usando GPC (Kouvaritakis & Cannon, 2001). A primeira
trata de uma rede de GPCs (LC-GPC: Controle Preditivo
Generalizado com Controladores Locais), cada uma proje-
tada ao redor dos modelos locais. A ao de controle for-
mada pela combinao de sadas dos controladores lineares.
466 Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009
O segundo mtodo utiliza um nico GPC (LM-GPC: Con-
trole Preditivo Generalizado com Modelos Locais), com um
modelo local obtido como uma combinao dos modelos li-
neares locais. Uma funo de interpolao gera ponderaes
de ativao para cada modelo. Ponderaes altas so dadas
aos modelos que do uma boa aproximao em regime onde
o modelo est operando, enquanto que pesos prximos de
zero so dados aos outros. No primeiro tratamento (LC-
MPC) o ajuste dos controladores pode no ser fcil devido
ao nmero e o efeito das funes base normalizadas da LMN
(Shorten & Murray-Smith, 1997). A estratgia LM-GPC re-
quer s um conjunto de parmetros de ajuste. O modelo in-
terno de um nico controlador GPC atualizado a cada ins-
tante de amostragem. Este controle gera resultados conser-
vadores, pois a ao de controle deve ser limitada para um
funcionamento correto no pior caso; isto signica um fator
limitante quando a sada do processo mudada a um ponto
de operao de baixo ganho, onde, talvez, o melhor controle
pode no ser atingido (Kouvaritakis & Cannon, 2001).
Em todos os casos anteriores, onde so usadas aproximaes,
trata-se de compensar as perdas no desempenho com a maior
velocidade de processamento e simplicidade dos algoritmos.
Assim, pode-se considerar como o melhor aquele algoritmo
que consiga o melhor compromisso entre desempenho, sim-
plicidade e velocidade (Plucenio et al., 2007).
Este artigo prope um controlador preditivo no linear, base-
ado no GPC linear, que funciona satisfatoriamente em todo o
intervalo de operao do sistema no linear e que incorpora
tratamento de restries de entrada e sada, compensao
de tempos mortos do processo e aes de pr-alimentao.
O algoritmo tenta utilizar uma caracterstica da indstria de
processos onde o MPC est altamente difundido. Modelos
completos e complexos das unidades so utilizados para si-
mulao e treinamento de operrios, porm no aproveitados
para o sistema de controle. Aqui, o algoritmo utiliza a infor-
mao disponvel apenas para simular o comportamento do
processo e obter um modelo simples para controle.
O algoritmo, que melhora algumas caractersticas de pro-
postas anteriores, desenvolvido mediante um procedimento
composto por uma sequncia de passos realizados off-line
que determinam caractersticas estticas do processo em di-
ferentes pontos de operao e a obteno on-line de um mo-
delo linear a partir de um modelo no linear.
Neste trabalho o algoritmo proposto usado para o controle
de uma planta de neutralizao de pH, que altamente no
linear, e um sistema que apresenta dinmicas diferentes no
seu intervalo de operao.
Este artigo estruturado como se segue: na seo 2 se re-
visa o controlador preditivo generalizado, que a base para o
controle proposto, com seus parmetros e aspectos mais re-
levantes. Na seo 3 se apresenta a metodologia proposta e
uma descrio do algoritmo desenvolvido. Logo, na seo 4,
apresentam-se as aplicaes, comparando seu desempenho
com tcnicas de controladores preditivos que utilizam redes
de modelos locais. Finalmente se apresentam as concluses.
2 CONTROLE PREDITIVO BASEADO NO
MODELO
A metodologia de todos os controladores pertencentes fa-
mlia do MPC caracterizada pela estrutura mostrada na -
gura 1 e a estratgia representada na gura 2.
Em cada instante t e fazendo uso do modelo do processo se
predizem as futuras sadas para um determinado horizonte N,
chamado horizonte de predio. Estas sadas preditas, y(t +
k | t) (a notao indica o valor predito da varivel no instante
t+k calculado no instante t), para k={1. . . N}, dependem dos
valores conhecidos at o instante t (entradas e sadas passa-
das) e dos sinais de controle em t+k calculadas em t, (u(t + k
| t)) para k= {0. . . N-1}, que se pretende enviar ao sistema e
que so as que se desejam calcular.
O critrio normalmente considera uma funo quadrtica dos
erros entre a sada predita e a trajetria de referncia, in-
cluindo em muitos casos o esforo de controle. Se o critrio
for quadrtico e o modelo linear e no existirem restries
pode-se
obter uma soluo explcita; em outro caso, deve-se usar um
mtodo iterativo de otimizao. Adicionalmente, se faz al-
guma hiptese sobre a estrutura da lei de controle futura,
como, por exemplo, que vai ser constante a partir de certo
instante.
O sinal de controle u(t | t) enviado ao processo enquanto

Figura 1: Estrutura do MPC
Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009 467

Figura 2: Estratgia do MPC
que os seguintes sinais de controle calculados so despre-
zados, posto que no seguinte instante de amostragem j se
conhece y(t + 1) e se repete o passo anterior com este novo
valor e todas as sequncias atualizadas. Calcula-se, portanto
u(t + 1 | t + 1) (que em princpio ser diferente a u(t + 1 | t)
fazendo uso do conceito de horizonte deslizante.
2.1 Controle Preditivo Generalizado
(GPC)
A tcnica GPC se apoia no uso de modelos derivados de fun-
es de transferncia (matrizes de transferncia no caso mul-
tivarivel). O algoritmo GPC calcula as predies da sada
da planta usando um preditor timo que permite encontrar o
valor esperado da sada, como funo dos controles futuros a
partir de um modelo CARIMA (Controlled Auto-Regressive
Integrated Moving-Average), tal como mostra a eq. (1).
A(z
1
)y(t) = z
d
B(z
1
)u(t 1) + D(z
1
)v(t)+
C(z
1
)
e(t)

(1)
onde u(t) e y(t) so a entrada e a sada respectivamente, v(t)
uma perturbao medida, d o atraso em perodos de amos-
tragem, e(t) um rudo branco de media nula e =(1- z
1
).
A, B, C e D so polinmios com operador de deslocamento
para trs z
1
:
A(z
1
) = 1 + a
1
z
1
+ a
2
z
2
+ . . . + a
n
z
na
B(z
1
) = b
0
+ b
1
z
1
+ b
2
z
2
+ . . . + b
n
z
nb
C(z
1
) = 1 + c
1
z
1
+ c
2
z
2
+ . . . + c
n
z
nc
D(z
1
) = d
0
+ d
1
z
1
+ d
2
z
2
+ . . . + d
nd
z
nd
(2)
Como funo objetivo o GPC utiliza a seguinte expresso:
J(N
1
, N
2
, N
u
) =
N2

j=N1
[ y(t + j|t) w(t + j)]
2
+
Nu

j=1
(j)[u(t + j 1)]
2
(3)
onde w(t+j) a referncia, N
1
e N
2
denem a janela de predi-
o, N
u
o horizonte de controle e a ponderao do con-
trole. Os parmetros de ajuste do controlador so N
1
, N
2
, Nu
e . Normalmente N
1
, N
2
e Nu se escolhem de acordo com
as caractersticas do modelo dinmico da planta e usado
para obter um controle mais ou menos suave.
Aplicando um preditor timo no modelo (1) se obtm:
y = Gu + f

(4)
onde
f

= Hv + f (5)
y um vetor que contm as sadas futuras do sistema:
y = [ y(t + N
1
|t) y(t + N
1
+ 1|t) . . . y(t + N
2
|t)] (6)
e u um vetor que contm os incrementos de controle futu-
ros, tal que
u = [u(t)u(t + 1) . . . u(t + N
u
)] (7)
f a resposta livre obtida fazendo zero o controle futuro, G
a matriz que se pode calcular como a resposta da planta,
quando se aplica um degrau unitrio na varivel manipulada,
H uma matriz denida como:
H =
j

i=1
h
i
z
1
(8)
onde h
i
so os coecientes da resposta do sistema a um de-
grau na perturbao (Camacho & Bordons, 2004).
Considerando (j) = constante, a expresso da funo
objetivo pode ser escrita como:
J = (Gu + f

w)
T
(Gu + f

w) + u
T
u (9)
468 Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009
E em forma quadrtica:
J =
1
2
u
T
Lu + b
T
u + f
0
(10)
onde:
L = 2(G
T
G + I)
b
T
= 2(f

w)
T
G
f
0
= (f

w)
T
(f

w)
(11)
O mnimo de J pode ser calculado, quando no h restries,
igualando o gradiente de J a zero, obtendo-se:
u = (G
T
G + I)
1
G
T
(w f

) (12)
Como o algoritmo de horizonte deslizante, unicamente o
primeiro sinal ser aplicado. A lei de controle ca ento:
u(t) = K(w f

) (13)
Sendo K a primeira linha da matriz (G
T
G + I)
1
G
T
.
As restries impostas pelo processo podem ser resultado de
limites na amplitude dos sinais de controle (U
min
, U
max
),
limites nos incrementos dos sinais de controle do atuador
(u
min
, u
max
) e limites nos sinais de sada (y
min
, y
max
) e
podem matematicamente ser descritas, respectivamente, pe-
las seguintes expresses:
IU
min
Tu + u(t 1)I IU
max
Iu
min
u Iu
max
(14)
Iy
min
Gu + f

Iy
max
Onde I uma matriz (N m) n formada por N matrizes
identidade m m, T uma matriz bloco triangular inferior
cujos blocos no nulos so matrizes identidade m m. Es-
sas restries podem ser expressas de uma forma condensada
como:
Ru c (15)
onde R e c esto denidas pelas seguintes relaes:
R =

I
NN
I
NN
T
T
G
G

c =

Iu
max
Iu
min
IU
max
Iu(t 1)
IU
min
+ Iu(t 1)
Iy
max
f

Iy
min
+ f

(16)
O problema de otimizao do MPC passa a ser denido
como:
min J
s.a. Ru c
(17)
Se tem ento o problema da otimizao de uma funo qua-
drtica com restries lineares que se conhece comumente-
mente como um problema de programao quadrtica (Qua-
dratic Programming, QP) e que deve ser resolvido atravs de
mtodos numricos (Camacho & Bordons, 2004).
Uma das caractersticas principais dos processos no lineares
que apresentamdiferentes ganhos estticos equivalentes em
diferentes faixas de operao. Desta forma, a ponderao
do esforo de controle deve ser calculada de forma diferente
para cada faixa.
Se dois processos tm diferentes ganhos estticos e se deseja
ponderar o esforo de controle da mesma forma nos dois ca-
sos, deve-se usar uma relao quadrtica entre as pondera-
es.
Para mostrar esta relao, considere-se dois sistemas, o Sis-
tema 1 (S1) com ganho esttico ke
1
e o Sistema 2 (S2) com
ganho esttico ke
2
com a mesma dinmica. As respectivas
matrizes de resposta ao degrau G
1
e G
2
podem ser coloca-
das como:
G
1
= ke
1
G e G
2
= ke
2
G (18)
onde G a matriz de resposta ao degrau de um sistema com
ganho esttico unitrio e a mesma dinmica de S1 e S2.
Como no clculo de J a matriz Gaparece de forma quadrtica
(ver eq. (9)), o efeito do ganho ke
i
tambm quadrtico. As-
sim, para manter a relao entre e a ponderao do erro de
forma uniforme nos dois sistemas, deve-se utilizar a relao
dada por:

2
= (ke
2
/ke
1
)
2

1
(19)
Esta idia permite trabalhar com uma poderao do esforo
de controle normalizada que altera o comportamento em ma-
lha fechada do sistema de forma uniforme.
Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009 469
Mesmo que este ajuste de lambda, a partir do ganho esttico
da planta, no garante que as respostas transitrias de malha
fechada tero sempre as mesmas caractersticas, ele permite
uniformizar as respostas, se comparado com o controle que
no usa esta proposta. Como se ver nos exemplos apresen-
tados nas prximas sees, os resultados so satisfatrios em
todos os casos estudados.
3 ALGORITMO PROPOSTO E METODO-
LOGIA
A proposta de controle baseada no uso de um nico con-
trolador GPC linear com as predies determinadas atravs
de um modelo local linear atualizado de acordo com as con-
dies de operao da planta. A penalizao de controle
calculada e atualizada de acordo com o ganho do modelo lo-
cal obtido usando a eq. (19). Para o desenvolvimento do
algoritmo se prope a seguinte metodologia.
Metodologia proposta para processos estveis.
1. Supe-se conhecido e validado um modelo no linear
da planta a controlar.
2. Dene-se o intervalo de operao da planta e as restri-
es do controle e da sada, caso existam.
3. A partir do processo, ou de seu modelo, determina-se
sua caracterstica esttica.
4. Distribuem-se pontos de operao (PO) dentro do inter-
valo de operao da planta onde a curva esttica apre-
senta mudanas apreciveis de inclinao.
5. Para cada PO, realizam-se provas dinmicas determi-
nando constantes de tempo, tempos mortos e ganhos.
6. Determina-se a menor constante de tempo do sistema e
se calcula o tempo de amostragem.
7. Determina-se um modelo tipo ARX (Auto-Regressive
with exogenous inputs) em cada ponto de operao.
8. Ajusta-se o controlador preditivo para cada um dos pon-
tos, considerando-se as restries da sada e do controle,
registrando-se os parmetros de sintonia N, Nu e pon-
deraes, mantendo um critrio de comportamento uni-
forme.
9. Ajusta-se uma relao quadrtica (do tipo apresentada
na eq. (19)), entre os ganhos dos modelos obtidos no
ponto 7 e as penalizaes de controle obtidas em 8, re-
ferentes a cada ponto de operao.
10. Determina-se um modelo inverso esttico da planta a
controlar, a partir da caracterstica esttica obtida em 3.
Este modelo pode ser obtido analiticamente em alguns
casos ou por aproximaes polinomiais dos dados ob-
tidos experimentalmente ou por simulao do modelo
no linear da planta.
O procedimento anterior realizado off-line e providencia os
dados para o desenvolvimento e aplicao do algoritmo de
controle, cuja losoa se apresenta a seguir.
Dois so os aspectos principais em que se baseia esta pro-
posta de controle para plantas no lineares. O primeiro est
relacionado com a identicao da dinmica da planta a par-
tir do PO presente, utilizando para isso o modelo no linear
do processo. O segundo aspecto se refere a utilizar o ganho
do modelo linear identicado para determinar a penalizao
do controle, no clculo do preditor.
Em relao identicao do modelo, considera-se uma tc-
nica que pode ser denida como identicao direcionada,
em direo ao movimento do controle. Contemplam-se a
determinao de um modelo local no caso de mudanas de
referncias e outro para o caso de rejeio das perturbaes.
No primeiro caso, a idia da identicao direcionada da di-
nmica da planta, a partir do modelo no linear, determi-
nar, em um tempo de amostragem e em cada mudana de
referncia, um modelo que represente a dinmica da planta
desde o PO atual at o novo PO. Ressalta-se o fato de que a
identicao sobre o modelo no linear (MNL) da planta
e se realiza em malha aberta. A gura 3 ilustra o processo
de identicao. O controle requerido (U
EE
) para levar a
planta ao novo PO determinado utilizando o modelo est-
tico inverso da planta (MEI). O modelo obtido utilizando
como sinal de excitao um degrau de amplitude u=U
EE
-
u
eq
), necessrio para estabelecer nalmente a sada na nova
referncia. No mesmo tempo de amostragem, e utilizando o
modelo no linear da planta, se determina a evoluo da sada
da planta (y
e
) para o controle calculado previamente (U
EE
).
Considera-se t=0 no instante da mudana de referncia e o
nmero de dados registrados para a identicao igual ao
horizonte de predio N
2
-N
1
, que deve cobrir o tempo de
acomodao mais alto do sistema. Observa-se que, para a
identicao do modelo ARX, utilizam-se os valores incre-
mentais de controle e sada, u e y respectivamente (com
y=y
e
-y
eq
). O resultado desta identicao so os coeci-
entes dos polinmios A
k+1
e B
k+1
do modelo ARX a ser
usado no preditor do GPC. No caso o processo tenha tempo
morto, esse se determina mediante um procedimento exposto
mais adiante de tal maneira que este parmetro ca fora do
processo de identicao anterior.
A identicao realizada desta forma permite obter um mo-
delo linear paramtrico que captura a dinmica da planta en-
tre o PO atual e o novo PO solicitado.
470 Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009

Figura 3: Processo de identicao no caso de mudana na
referncia.
Para entender melhor o processo de identicao utiliza-se a
gura 4 que representa um diagrama de uxo do processo de
identicao realizado on-line pelo algoritmo proposto. Uma
vez produzida uma mudana na referncia, calcula-se o sinal
absoluto do controle necessrio (U
EE
), mediante MEI, para
estabelecer a planta no novo PO. Logo, utilizando este sinal
de controle, se determina por simulao a trajetria da sada
y
e
da planta, mediante o bloco MNL, e se registra o conjunto
de N pontos. A seguir, se determina o delta de controle, u,
necessrio para levar a planta desde o PO atual (u
eq
, y
eq
) ao
novo PO. Finalmente, se determina e registra a variao da
sada y (N amostras) desde o PO atual at o novo PO. Com
os dados de y registrados e considerando a entrada como
um sinal degrau determina-se o modelo ARX local para as
predies.
Simulaes com modelos no lineares, de distintas caracte-
rsticas, foram realizadas para comprovar que utilizando um
modelo ARX de baixa ordem possvel capturar a dinmica
no linear da planta desde o PO atual at o novo PO.
Para ilustrar as propriedades desta modelagem apresentam-
se a seguir dois exemplos. A gura 5 registra as respostas,
para uma entrada degrau do ponto de operao PO1 at PO2,
de trs modelos, um modelo no linear de um CSTR (Con-
tinuous Stirred Tank Reactor) (Gao et al., 2002), e de dois
modelos lineares obtidos a partir deste modelo. O modelo
1 obtido com a metodologia aqui proposta e o modelo 2
obtido mediante linearizao Jacobiana no PO1, que o m-
todo utilizado normalmente na tcnica de modelos locais e
que utiliza uma aproximao da srie de Taylor de primeira
ordem. preciso adicionar que, ainda comuma aproximao
da srie de Taylor de ordem maior, o modelo assim obtido re-
presenta s a dinmica da planta ao redor do PO atual e no a
dinmica at o novo PO. A gura 6 mostra uma experincia
similar anterior utilizando um modelo no linear discreto
com dinmica complexa (Lazar, M., 2001), este modelo

Figura 4: Diagrama de uxo do processo de identicao.
usado no exemplo 1 da seo 4. Novamente, para um degrau
de PO1 at PO2, um modelo linear obtido com a meto-
dologia proposta e outro modelo linear obtido aplicando
a tcnica da curva de reao no PO1. Em ambos os casos
as sadas do modelo no linear e do modelo linear proposto
praticamente se superpem. No entanto, se observa que os
modelos locais linearizados no so capazes de seguir a din-
mica da planta desde o PO1 at PO2. Em relao estrutura
do modelo ARX, e aps realizar dezenas de identicaes,
determinou-se que a estrutura que produz resultados adequa-
dos para todos os casos, quando no se considera o tempo
morto, na=4, nb=4. Em Wojsznis et al. (2003) se registra
que a ordem quatro para modelos ARX satisfaz a maioria das
aplicaes prticas. A losoa da proposta procurar sim-
plicar os procedimentos em benefcio da praticidade de sua
aplicao.
No caso de o sistema no linear apresentar tempo morto
possivel estimar seu valor, antes do processo de identi-
cao, mediante uma simples prova de curva de reao,
determinando-se, desta forma, o valor de d
k
na estrutura do
modelo ARX. Como o modelo no linear simulado sem
rudo, muitos dos problemas apresentados pelos algoritmos
de identicao de sistemas com atraso no afetam o clculo
neste caso. Portanto, no caso de tempos mortos modelados
simples determinar este parmetro em cada PO da planta.
Tcnicas de modelos locais mais elaboradas como LMN (Li-
near Model Network) poderiam ser usadas para capturar a di-
Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009 471
0 5 10 15 20 25 30 35
0.02
0.025
0.03
0.035
0.04
0.045
Amostras
C
o
n
c
e
n
t
r
a

o

(
m
o
l
/
l
)
Y modelo no linear
Y modelo proposta
Y modelo linearizado

Figura 5: Exemplo 1, sada do sistema no linear e dos dois
modelos identicados.
0 2 4 6 8 10 12 14 16
0
0.2
0.4
0.6
0.8
1
1.2
1.4
Amostras
S
a

d
a
Y modelo no linear
Y modelo proposta
Y modelo linearizado

Figura 6: Exemplo 2, sada do sistema no linear e dos dois
modelos identicados.
nmica dos sistemas no lineares com melhor delidade que
os mtodos de linearizaes locais, mas, como se demonstra
na seo 4, a proposta mostra um melhor desempenho que
esta tcnica e com um custo computacional menor.
O modelo assim obtido s vlido para a transio entre es-
ses dois PO. Portanto, estabelecida a planta na nova refern-
cia, se determina um novo modelo para a rejeio das pertur-
baes. Para obter este modelo se utiliza a tcnica da curva
de reao aplicando um degrau do controle acima do PO e
outro em direo oposta no MNL da planta. Com os dados
assim obtidos se identica um modelo aproximado, ao redor
do PO atual.
Na maioria dos controladores preditivos, incluindo os no li-
neares, os parmetros de sintonia N, Nu e so ajustados
com valores constantes para satisfazer um comportamento
adequado em todo o intervalo de operao da planta. Esta
forma de sintonizar o controlador pode limitar a performance
do controle em certas regies de operao da planta, princi-
palmente no que se refere a tempos de acomodao.
Neste algoritmo, a penalizao do controle ca dependente
do ganho do modelo da planta no ponto de operao atual.
Este procedimento fornece uma resposta mais uniforme do
sinal controlado, em toda a faixa de operao, possibilitando
desta forma alcanar tempos de acomodao uniformes e
mais ajustados. Uma aplicao que avalia este procedimento
pode ser encontrada em (Altinten, 2007), onde a penalizao
do controle foi variada para alcanar timo desempenho do
GPC no controle de pH.
Para incorporar aes de pr-alimentao nos controladores
preditivos necessario ter um modelo da perturbao e esta
deve ser medvel (Camacho & Bordons, 2004). No caso
no linear possivel obter um modelo linear do efeito das
perturbaes no PO da planta. Este modelo linear obtido
mediante a tcnica da curva de reao aplicada no MNL da
planta no PO. A proposta permite realizar esta ao de pr-
alimentao atravs da incorporao deste modelo na predi-
o.
4 APLICAES
Nesta seo a tcnica proposta aplicada a dois sistemas no
lineares. No primeiro exemplo se estuda um sistema bastante
tratado na literatura de controle no linear. Na segunda apli-
cao se decreve passo a passo o procedimento proposto para
o projeto do controlador para um processo de pH e os resul-
tados so comparados com outros algoritmos propostos na
literatura e que fazem uso de modelos locais para o clculo
do controle.
Para as simulaes apresentadas aqui, foi utilizado o Matlab
7.0 e um computador Toshiba, modelo Satellite 2410, Pro-
cessador x86, GenuineIntel, 2 GHz, RAM 256 MB, Cache
256 KB. J para o algoritmo de controle preditivo, foi usada
a funo quadprog do Matlab optimization Toolbox.
4.1 Exemplo ilustrativo
Para apresentar a abordagem proposta, escolhe-se, em pri-
meiro lugar, um sistema que exibe dinmicas diferentes no
seu intervalo de operao (Lazar, 2001). O modelo no li-
near, do tipo SISO, mostra-se na eq. (20).
472 Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
1
2
3
4
5
6
7
Controle
S
a

d
a

Figura 7: Curva caracterstica esttica do sistema.
y(k) =
2.5y(k 1)y(k 2)
(1 + y(k 1)
2
+ y(k 2)
2
)
+
0.3 cos(0.5(y(k 1) + y(k 2))) + 1.2u(k 1) (20)
A gura 7 registra a caracterstica esttica do sistema a con-
trolar. Observa-se nesta gura que o sistema apresenta uma
no linearidade mais acentuada para valores do controle me-
nores que 0.5.
A caracterstica esttica inversa do sistema determina-se,
neste caso, diretamente da eq. (20). Fazendo y(k)=y(k-
1)=y(k-2)=y
eq
e u(k)=u
eq
, se obtem a seguinte equao:
u
eq
=
2.083y
2
eq
1 + 2y
2
eq
+
y
eq
0.3 cos(y
eq
)
1.2
(21)
Esta relao permite calcular o controle necessrio para atin-
gir a sada desejada.
A gura 8 mostra a sada do sistema em malha aberta para
diferentes valores do controle. Observa-se a dinmica parti-
cular que apresenta este sistema, comtempos de acomodao
diferentes e respostas sub-amortecidas e sobre-amortecidas.
A gura 9 mostra o resultado obtido com a aplicao do con-
trole proposto para uma seqncia de mudanas de refern-
cia. A aplicao do algoritmo de controle consegue um bom
seguimento das referncias. Observa-se tambm que o es-
foro do controle bastante aceitvel, sem picos e uniforme.
Neste exemplo o tempo de CPU consumido menor que 0.05
segundos e devido, principalmente, ao processo de iden-
ticao. O horizonte de predio e controle foram 15 e
5, respectivamente. Assim como foi exposto na seo 3, o
horizonte de predio deve cobrir o tempo de acomodao
maior do sistema. Tambm, como foi registrado na seo 3,
a ordem da identicao do modelo ARX foi na=4, nb=4,
10 20 30 40 50 60 70 80 90
0
1
2
3
Amostras
S
a

d
a
10 20 30 40 50 60 70 80 90
-0.5
0
0.5
1
1.5
2
2.5
Amostras
C
o
n
t
r
o
l
e

Figura 8: Controle e sada em malha aberta do sistema repre-
sentado pela eq. (15).
20 40 60 80 100 120 140 160
0
2
4
Amostras
S
a

d
a
20 40 60 80 100 120 140 160
0
1
2
3
Amostras
C
o
n
t
r
o
l
e
20 40 60 80 100 120 140 160
0
0.05
0.1
Amostras
t
e
m
p
o

d
e

C
P
U

(
s
e
g
)
y
SP

Figura 9: Seguimento de referncia, controle e tempo de
CPU com penalizao do controle varivel.
utilizando-se para ele a rotina de estimao de mnimos qua-
drados do Matlab disponvel para este tipo de modelo.
As guras 10 e 11 mostram, respectivamente, a dinmica do
sistema e do modelo identicado para o caso da primeira e
terceira mudana de referncia (SP), apresentadas na gura
8. O baixo ndice SQE (soma do quadrado dos erros) regis-
trado avalia a delidade do modelo.
Para testar o controle na rejeio de perturbaes se realiza-
ram duas provas. Aplicou-se um degrau de 10%, do valor
mximo do intervalo de controle, entrada do sistema, na
amostra 65, e uma perturbao na sada, tambm de 10% da
sada mxima, na amostra 80. A gura 12 registra a resposta
e o controle para ambas as situaes.
Observa-se que, ainda mantendo a perturbao na entrada do
sistema, o controlador consegue um bom desempenho diante
Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009 473
2 4 6 8 10 12 14 16 18 20
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
Amostras
S
a

d
a
SQE= 3.1446e-5

Figura 10: Sada do sistema e do modelo identicado para o
caso da primeira mudana na referncia.
2 4 6 8 10 12 14 16 18 20
0.5
1
1.5
2
2.5
3
3.5
Amostras
S
a

d
a

Figura 11: Sada do sistema e do modelo identicado para o
caso de terceira mudana na referncia.
40 50 60 70 80 90 100 110
1
2
3
4
5
6
Amostras
S
a

d
a
40 50 60 70 80 90 100 110
-1
0
1
2
3
Amostras
C
o
n
t
r
o
l
e
y
SP

Figura 12: Sada e controle no caso de perturbao na entrada
e sada da planta.
20 40 60 80 100 120 140 160
0
1
2
3
4
Amostras
S
a

d
a
20 40 60 80 100 120 140 160
0
1
2
3
Amostras
C
o
n
t
r
o
l
e
y
SP

Figura 13: Seguimento de referncia e controle com cons-
tante.
da perturbao da sada aplicada na amostra 80 e diante uma
nova mudana na referncia feita na amostra 93.
A gura 13 ilustra a sada e controle para a mesma sequn-
cia de mudanas na referncia mostrada na gura 9. A dife-
rena com o teste anterior que se considera uma penaliza-
o constante no clculo de J. Apenalizao foi ajustada para
obter um comportamento similar ao caso anterior no centro
da faixa de operao. Observa-se uma oscilao no controle
e sada na primeira mudana de referncia.
Neste caso particular as diferenas no so muito signica-
tivas, uma vez que a caracterstica esttica do sistema tem
um baixo grau de no linearidade, principalmente a partir do
ponto de equilbrio (0.8, 2.0).
Na prxima seo, o algoritmo aplica-se numa planta de pH
com caracterstica esttica altamente no linear.
4.2 Controle de PH
Um diagrama esquemtico simplicado de uma planta de
neutralizao de pH mostra-se na gura 14. O processo con-
siste de uma vazo de cido (q
1
), vazo de tampo (q
2
) e
vazo de base (q
3
) que so misturados no tanque. Para esta
aplicao a vazo de cido e de base so reguladas com vl-
vulas de controle de vazo e a vazo do tampo regulada
manualmente com o auxilio de um rotmetro. A vazo de
sada dependente da altura do udo dentro do tanque e da
posio da vlvula de sada que posicionada manualmente.
O objetivo do controle neste caso o controle de pH da vazo
de sada q
4
variando a vazo de entrada de base q
3
.
As variveis medidas so o nvel do tanque e o pH.
Os parmetros nominais para o sistema so resumidos na ta-
474 Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009

Figura 14: Planta de Neutralizao de pH.
bela 1. Uma descrio mais detalhada do processo encontra-
se em Nahas et al. (1992) e Henson & Seborg (1994).
Os modelos desenvolvidos para o projeto do controlador pre-
ditivo e para a simulao da planta consideram, inicialmente,
dinmicas desprezveis e sem atraso dos transmissores de n-
vel, pH e vlvula de controle.
Com estas simplicaes se obtm um modelo no linear no
espao de estados do processo.
O equilbrio qumico para o processo obtido pela denio
de duas reaes invariantes para cada uxo de entrada e sada
(i [1,4]):
W
ai
= [H
+
] [OH

] [HCO

3
] 2[CO

3
]
W
bi
= [H
2
CO
3
] + [HCO

3
] + [CO

3
]
(22)
Onde:
W
ai
:Concentrao da especie invariante referida carga (M)
W
bi
: Concentrao do on carbonato (M)
Denem-se variveis de estado, perturbaes e sada como
segue.
x = [W
a4
W
b4
h]
T
,
y = pH, u
c
= q
3
, d = q
2
(23)
O modelo do processo dado por:
x = f(x) + g(x)u
c
+ p(x)d (24)
c(x, y) = 0 (25)
onde:
Tabela 1: Condies de operao nominal da planta de pH
Nome Dimenso
A
1
: rea de base do tanque 207 cm2
z : Distncia denida na gura 14 11.5 cm
n : Expoente da vlvula 0.607
h : Altura do tanque 14
Cv : Coeciente da vlvula 4.57

v
: Constante de tempo da vlvula 6.0 s
:Tempo morto 10 s
pH : pH no ponto de operao 7.0
q
1
: Vazo de cido no ponto de operao 16.6 ml/s
q
2
: Vazo de tampo no ponto de
operao
0.55 ml/s
q
3
: Vazo da base no ponto de operao 15.6 ml/s
q
4
: Vazo de sada no ponto de operao 32.8 ml/s
f(x) =

q
1
A
1
x
3
(W
a1
x
1
)
q
1
A
1
x
3
(W
b1
x
2
)
1
A
1
(q
1
C
v
(h + z)
n
)

T
(26)
g(x) =

1
A
1
x
3
(W
a3
x
1
)
1
A
1
x
3
(W
b3
x
2
)
1
A
1

T
(27)
p(x) =

1
A
1
x
3
(W
a2
x
1
)
1
A
1
x
3
(W
b2
x
2
)
1
A
1

T
(28)
e
c(x, y) = x
1
+10
y14
10
y
+x
2
1 + 2(10
ypK
2
)
1 + 10
pK
1
y
+ 10
ypK
2
(29)
onde:
pK
1
e pK
2
so a primeira e segunda constantes de disossia-
o do cido fraco, H
2
CO
3
.
Derivando c(x,y), se obtm:
y = c
1
y
(x, y)c
x
(y)[f(x) + g(x)u
c
+ p(x)d] (30)
Onde c
y
(x,y) e c
x
(y) so:
Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009 475
c
y
(x, y) = ln10

10
y14
+ 10
y
+
x
2
10
pK
1
y
1
+ 10
ypK
2
+ 4(10
pK
1
y
1
)(10
ypK
2
)
(1 + 10
pK
1
y
+ 10
ypK
2
)
2

(31)
c
x
(y) =

1
1 + 2(10
ypK
2
)
1 + 10
pK
1
y
+ 10
ypK
2
0

(32)
e correspondem respectivamente a:
c
y
(x, y) =
c(x, y)
y
, c
x
(y) =
c(x, y)
x
(33)
Para esta planta o ganho esttico entre a vazo de base e o pH
varia conforme se observa na gura 15. Esta curva representa
a caracterstica esttica do processo de pH.
4.2.1 Congurao e ajuste do controle
Seguindo o procedimento proposto na seo 3, dene-se a
faixa de operao da planta para pH entre 3 e 11. Den-
tro desta faixa e de acordo com a caracterstica esttica da
planta, denem-se 5 pontos de operao estveis, cada um
no centro das zonas de inclinao constante da caracters-
tica esttica. Nas provas dinmicas, feitas em cada ponto de
operao, determinam-se a constante de tempo, o ganho e o
tempo morto de um modelo de primeira ordem com atraso
(ver Tabela 2).
A partir da constante de tempo mnima (0.62 min) se deter-
mina o tempo de amostragem (12 seg) e escolhe-se para o
horizonte de predio N=40 para cobrir o maior tempo de
acomodao obtido nos testes dinmicos. O horizonte de
controle N
u
foi calculado como 1/3 do horizonte de predi-
o.
Para cada PO identica-se um modelo tipo ARX e ajusta-se
um controlador, com um mesmo critrio de comportamento.
O ajuste para cada ponto de operao foi realizado conside-
rando para a sada o menor tempo de acomodao, sem ul-
trapassagem. A Tabela 3 registra os valores dos parmetros
de ajuste do controlador preditivo para cada PO denido na
caracterstica esttica.
Com os dados de ajuste de e os ganhos dos modelos ARX
obtidos, ajusta-se a seguinte relao quadrtica, eq. (34),
onde n representa o parmetro a determinar:
= n (Ke)
2
(34)
0 5 10 15 20 25 30
2
3
4
5
6
7
8
9
10
11
Vazo Base (ml/s)
p
H
PO4
PO5
PO3
PO2
PO1

Figura 15: Curva caracterstica esttica do sistema.
Tabela 2: Parmetros dinmicos para cada PO
PO
Ganho
K
Cte. tempo
(min)
tempo morto
(min)
1 0.1441 0.6250 0
2 0.7034 1.0625 0
3 0.3669 1.9375 0
4 2.8137 1.3750 0
5 0.0694 1.6250 0
Esta ltima equao representa, como j foi comentado an-
teriormente, uma penalizao ponderada do controle. Para
os valores da tabela 3, obte-se n =300. Este valor pode ser
reajustado a valores menores para obter tempos de acomoda-
o mais baixos, mas com certo nvel de ultrapassagem na
sada da planta, ou maiores para obter respostas mais lentas
com a vantagem de que um nico parmetro de ajuste per-
mite alterar de forma uniforme as respostas em toda a faixa
de operao.
A relao dada na eq. (34) utilizada no clculo da pena-
Tabela 3: Parmetros de Ajuste
PO N Nu : Penalizao do Controle
1 40 13 10
2 40 13 200
3 40 13 70
4 40 13 2250
5 40 13 3
476 Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009
2 3 4 5 6 7 8 9 10 11
0
5
10
15
20
25
30
pH
V
a
z

o

d
e

B
a
s
e

(
m
l
/
s
)

Figura 16: Curva caracterstica esttica inversa.
lizao do controle em cada tempo de amostragem. Para o
clculo, determina-se o ganho Ke do modelo obtido na iden-
ticao em tempo real.
Finalmente determina-se um modelo inverso esttico da
planta a controlar. Para obter este modelo se utiliza a ca-
racterstica esttica inversa mostrada na gura 16.
A eq. (35) representa o modelo matemtico ajustado carac-
terstica esttica inversa da planta, onde x a vazo base e y
o pH.
x = 0.02733y
5
0.9189y
4
+ 11.89y
3
74.36y
2
+
226.2y
1
258.9 (35)
A gura 17 representa os resultados obtidos com o controle
proposto para diferentes mudanas na referncia e um valor
de n = 300.
Como se observa na gura, a aplicao do controle gera uma
resposta uniforme em todo o intervalo de operao da planta.
4.2.2 Estudo Comparativo
Nesta seo comparam-se os resultados do controle proposto
com os obtidos em Kouvaritakis & Cannon (2001), onde se
utilizaram redes locais e as estratgias LM-GPC e LC-GPC.
Utilizam-se a mesma planta e as mesmas condies de teste
da quele trabalho que no considera restries.
Para efeitos de comparao, se consideram dois casos de
ajuste: lambda normalizado e lambda xo. Para o caso de
ponderao normalizada um novo valor de n=160 usado,
com a nalidade de ajustar as respostas da planta s respostas
registradas em Kouvaritakis & Cannon (2001) que apresen-
0 10 20 30 40 50 60 70 80 90 100 110
4
6
8
10
Tempo (min)
p
H
0 10 20 30 40 50 60 70 80 90 100 110
10
15
20
Tempo (min)
C
o
n
t
r
o
l
e

(
m
l
/
s
)
pH
SP

Figura 17: Seguimento de referncia e controle com vari-
vel.
30 50 70 90 110 130 150 170 190 210 230
4
6
8
10
Tempo (min)
p
H
30 50 70 90 110 130 150 170 190 210 230
10
15
20
Tempo (min)
C
o
n
t
r
o
l
e

(
m
l
/
s
)
pH
SP

Figura 18: Seguimento de referncia e controle com vari-
vel.
tam certo nvel de ultrapassagem. Deve ser lembrado que ini-
cialmente o ajuste para cada ponto de operao foi realizado
considerando para a sada o menor tempo de acomodao,
sem ultrapassagem.
Como se observa da gura 18, a aplicao do controle gera
novamente uma resposta uniforme em todo o intervalo de
operao da planta mas com tempos de acomodao menores
e uma pequena ultrapassagem para o pH de 8. Alm disso o
sinal de controle tem um comportamento quase sem picos
com suaves mudanas de inclinao.
Para o caso onde se mantm lambda num valor xo de 35, a
soluo obtida, como se observa na gura 19, tem um com-
portamento que varia de acordo com o ponto de operao
solicitado.
Na Tabela 4 so mostrados os resultados do estudo compa-
rativo. Observam-se as vantagens do mtodo em relao
uniformidade dos tempos de acomodao principalmente nas
Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009 477
40 60 80 100 120 140 160 180 200 220230
4
6
8
10
Tempo (min)
p
H
40 60 80 100 120 140 160 180 200 220230
10
15
20
Tempo (min)
C
o
n
t
r
o
l
e

(
m
l
/
s
)
pH
SP

Figura 19: Seguimento de referncia e controle com xo.
mudanas de referncia de pH=7 a pH=8 e de pH=9 a pH=10.
Observe-se tambm que no caso de controlador proposto,
com lambda xo, os tempos de acomodao e ultrapassa-
gem mxima ainda so melhores que os resultados obtidos
em Kouvaritakis & Cannon (2001).
Tabela 4: Comparao dos parmetros de resposta entre LM-
GPC, LC-GPC e o mtodo proposto.
Parmetros
de
Resposta
Ref.
pH
LM-
GPC
LC-
GPC
Proposta

Varivel
Proposta
= 35
Fixo
4 - 5 6 5 5 4
Tempo 5 - 6 9 6 5 5
de 6 - 7 9 9 5 8
acomodao 7 - 8 12 8 6 5
(min) 8 - 9 8 4 5 4
9 -
10
16 16 6 13
4 - 5 0 5 0 0
Ultrapassagem 5 - 6 0 0 0 0
mxima 6 - 7 0 0 0 0
(%) 7 - 8 20 50 10 20
8 - 9 0 0 0 0
9 -
10
0 0 0 0
A gura 20 registra o comportamento do controle e da sada
da planta frente a perturbaes na vazo da base ao mudar
esta de 0.55 ml/s a 0.15 ml/s e operando no pH de 7.0.
A gura 21 mostra o mesmo experimento de rejeio de per-
49 50 51 52 53 54 55 56 57 58 59 60
6.6
6.8
7
Tempo (min)
p
H
49 50 51 52 53 54 55 56 57 58 59 60
15
15.5
16
16.5
17
Tempo (min)
C
o
n
t
r
o
l
e

(
m
l
/
s
)

Figura 20: Respostas para um degrau de perturbao na va-
zo da base para uma referncia no pH de 7.0.
86 88 90 92 94 96 98
8.95
9
9.05
9.1
Tempo(min)
p
H
86 88 90 92 94 96 98
16.8
16.9
17
17.1
17.2
Tempo (min)
C
o
n
t
r
o
l
e

(
m
l
/
s
)

Figura 21: Respostas para um degrau de perturbao na va-
zo da base para uma referncia no pH de 9.0.
turbaes para um ponto de operao de pH=9.0.
Comparando com os resultados obtidos em Kouvaritakis &
Cannon (2001), sob as mesmas condies, se observam na
Tabela 5 vantagens tanto na amplitude como nos tempos de
acomodao da sada. Como exemplo, para a referncia de
pH= 7.0 e aplicando a nova proposta, o pH varia entre 6.9 a
7.12 com um tempo de acomodao de aproximadamente 6
minutos.
Entretanto, em Kouvaritakis & Cannon (2001), considerando
seu melhor caso, o pH varia entre 6.65 a 7.12 com um tempo
de acomodao de aproximadamente 10 minutos.
4.2.3 ANLISE DO CASO COM RESTRIES
Para ilustrar o manejo das restries do controlador proposto
se dene na sada da planta uma restrio no pH de 6.7, como
478 Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009
Tabela 5: Parmetros de resposta do LM-GPC, LC-GPC e o
mtodo proposto diante uma perturbao na vazo da base.
Parmetros
de
Resposta
Refe-
rncia
LC-GPC
LM-
GPC
Nova
Proposta
Tempo de
acomoda-
o
7.0
9.0
10
9
10
10
6
8
Faixa de
variao da
sada em
relao
referncia
7.0
9.0
6.65-
7.12
8.95-
9.13
6.68-
7.14
8.94-
9.12
6.90-
7.12
9.00-
9.12
35 40 45 50 55 60 65 70
6.4
6.5
6.6
6.7
6.8
6.9
7
Tempo (min)
p
H
35 40 45 50 55 60 65 70
12
13
14
15
16
Tempo (min)
C
o
n
t
r
o
l
e

(
m
l
/
s
)

Figura 22: Respostas diante uma perturbao na vazo da
base sem considerar restries.
limite a no ser ultrapassado. Operando a planta no PO de
pH=6.5 se aplica uma perturbo na vazo da base mudando
esta de 0.55 ml/s a 0.95 ml/s. As guras 22 e 23 mostram o
caso sem e com restries, respectivamente.
Como pode ser observado, o controlador com restries res-
peita os limites impostos mantendo a caraterstica suave do
sinal de controle. Esta uma importante vantagem do con-
trole preditivo.
4.2.4 Anlise do caso com tempo morto
Na seguinte simulao se supe que o processo apresenta um
tempo morto de 1.5 minutos. O tempo morto considerado
constante em toda a faixa de operao da planta e pode
ser o resultado, por exemplo, do atraso na medio do pH
causado pelo transporte do udo at o medidor e pelo tempo
de processamento do sensor. Neste caso o parametro d
k
, do
modelo linear, se mantm constante e igual a 8.
35 40 45 50 55 60 65 70
6.4
6.5
6.6
6.7
6.8
6.9
7
Tempo (min)
p
H
35 40 45 50 55 60 65 70
12
13
14
15
16
Tempo (min)
C
o
n
t
r
o
l
e

(
m
l
/
s
)

Figura 23: Respostas diante uma perturbao na vazo da
base considerando restrio na sada.
0 20 40 60 80 100 120
4
5
6
7
Tempo (min)
p
H
(a)
(b)
45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70
4.5
5
5.5
6
6.5
Tempo (min)
p
H

Figura 24: Respostas diante mudanas de referncias consi-
derando tempo morto no processo.
Ressalta-se que, para alguns dos PO, registrados na tabela 2,
o atraso maior que a constante de tempo respectiva. A -
gura 24(a) registra a sada da planta para distintas mudanas
na referncia. Observa-se que se mantm as mesmas carac-
tersticas de comportamento da sada do sistema sem tempo
morto, registradas na gura 17. A gura 24(b) mostra, em
detalhe, a sada da planta quando a referncia vai de pH=5 a
pH=6 . Pode-se observar, nesta ltima gura, que o tempo
morto de 1.5 minuto e que a sada da planta tem uma boa
resposta de acordo com o critrio de comportamento estipu-
lado no projeto. Esta uma importante vantagem do controle
preditivo.
Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009 479
40 50 60 70 80 90 100 110 120 130
4
6
8
10
Tempo (min)
p
H
40 50 60 70 80 90 100 110 120 130
10
15
20
Tempo (min)
C
o
n
t
r
o
l
e

(
m
l
/
s
)
pH
SP

Figura 25: Seguimento de referncia e controle com vari-
vel.
4.2.5 Caso de mudanas maiores na referncia
Finalmente se aplicam duas mudanas de referncias de
maior amplitude para testar o algoritmo em outras situaes
onde o efeito das no linearidades mais importante. Na
gura 25 se mostram os resultados obtidos. Observa-se a
uniformidade das respostas em tempos de acomodao, ul-
trapassagem e tambm no esforo de controle.
5 CONCLUSES E PERSPECTIVAS
Apresentou-se neste trabalho umcontrolador MPCno linear
utilizando uma nova tcnica no contexto de modelos locais.
O mtodo utiliza, da mesma forma que outros da mesma fa-
mlia, um modelo no linear para obter a informao neces-
sria para o clculo do controle. Porm, no usa mtodos
iterativos para o clculo do controle nem ponderao entre
vrios modelos e sim um nico modelo linear que se adapta
ao ponto de operao do processo. Esta caracterstica torna
o mtodo proposto uma ferramenta de simples aplicao e
entendimento.
O algortimo testado em dois casos de estudo e os resulta-
dos obtidos so sempre superiores aos conseguidos por ou-
tros mtodos.
O uso de uma penalizao do esforo do controle em fun-
o do ganho do processo permite um bom comportamento
e uniformidade na sada e controle, em todo o intervalo de
operao da planta.
O algoritmo proposto mostrou ser bastante simples e eci-
ente para estabelecer a varivel controlada emseu novo ponto
de operao e tambm de rejeitar satisfatoriamente as pertur-
baes. O tempo de computao reduzido a um simples
processo de identicao e de otimizao quadrtica.
REFERNCIAS
Altinten, A. (2007). Generalized predictive control applied to
a pH neutralization process, Computers and Chemical
Engineering, Vol.31, No.10, pp. 1199-1204.
Arahal, M. R., Berenguel, M. & Camacho, E. F. (1998). Neu-
ral Identication Applied to Predictive Control of a So-
lar Plant, Control Engineering Practice, Vol. 6, No.3,
pp. 333-344.
Bequette, B. W. (1991). Non-linear control of chemical pro-
cesses: a review, Ind. Engng. Chem. Res., Vol.30, pp.
1391-1413.
Brengel, D. M. & Seider, W. D. (1989). Multistep non-linear
predictive controller. Ind. Engng. Chem. Res.,Vol. 28,
pp.1812-1822.
Camacho, E. F. & Bordons, C. (2004). Model Predictive
Control, Springer-Verlag, London, United Kingdom.
Clarke, D. W., Mohtadi, C. &Tuffs, P. S. (1987). Generalized
predictive control: Part I: The basic algorithm and Part
II: Extensions and interpretations, Automatica, Vol.23,
No.2, pp. 137-160.
Cutler, C. R., & Ramaker, B. C. (1980). Dynamic matrix
control: A computer control algorithm, Proceedings of
American Control Conference, Paper WP5-B.
De Keyser, R. M. C. & Van Cuawenberghe, A. R. (1985).
Extended prediction self-adaptive control, Proceedings
of IFAC Symposium on Identication and System Para-
meter Estimation, York, pp. 1317-1322.
De Keyser, R. & Lazar, M. (2003). A Gent-le Approach
to Nonlinear Predictive Control, the NEPSAC Strategy,
Plenary Paper in the ACA-Congress of the Automatic
Control Association, Medellin, Colombia.
Doyle, F. J., Pearson, R. K. & Ogunnaike, B. A. (2001). Iden-
tication and Control Using Volterra Models, Springer,
London, United Kingdom.
Gao, R., ODwyer, A. & Coyle, E. (2002). Model Predic-
tive Control of CSTR Based on Local Model Networks,
Proceedings of the Irish Signals and systems Confe-
rence, University College, pp. 397-402.
Hernandez, E. & Arkun, Y. (1991). A Non-linear DMC Con-
troller: Some Modeling and Robustness Considerati-
ons, Proceedings of the American Control Conference,
Boston, MA.
Henson, M.A. & Seborg, D. E. (1994). Adaptive non-linear
Control of a pH Neutralization process, IEEE Transac-
tions on Control Systems Technology, Vol.2, No.3, pp.
169-182.
480 Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009
Henson, M. A. (1998). Non-linear model predictive control:
Currente status and future directions, Computers and
Chemical Engineering, Vol.23, pp. 187-202.
Kouvaritakis, B., Cannon, M. & Rossiter, J. A. (1999).
Non-linear model based predictive control, Internatio-
nal Journal of Control, Vol. 72, No.10, pp. 919-928.
Kouvaritakis, B. & Cannon, M. (2001). Non-linear predic-
tive control, chapter: Non-linear Model Based Predic-
tive Control Using Multiple Local Models, The Insti-
tute of Electrical Engineers: London, United Kingdom.
Lazar, M. (2001). Non-linear Controler Based on the EP-
SAC Approach, Masters thesis, University of Ghent,
Department of Control, Engineering and Automation.
Flanders, Belgium.
Nahas, E.P., Henson, M.A. & Seborg, D.E. (1992).
Non-linear internal model control strategy for neu-
ral network models, Computers Chem. Eng., Vol.16,
No.12, pp. 1039-1057.
Nevistic, V. & Morari, M. (1995). Constrained control of
feedback-linearizable systems, Proceedings of. Euro-
pean Control Conference., Rome, Italy, pp. 1726-1731.
Normey-Rico, J. E. & Camacho, E. F. (2007). Control of
Dead-time Processes, Springer-Verlag, London Limi-
ted, United Kingdom.
Plucenio, A., Normey, J., Pagano, D. & Bruciapaglia, A.
(2007). Controle preditivo no linear na indstria do pe-
trleo e gs, 4 PDPETRO, Campinas, SP, 21-24 Outu-
bro.
Richalet, J., Rault, A., Testud, J. L. & Papon, J. (1978). Mo-
del Predictive Heuristic Control: Applications to Indus-
trial Process, Automatica, Vol.14, No.2, pp. 413-428.
Scokaert, P. O. M., Mayne, D. Q. & Rawlings, J. B. (1999).
Suboptimal model predictive control (feasibility im-
plies stability), IEEE Transactions on Automatic Con-
trol, Vol.44, No.3, pp. 648-654.
Shorten, R. & Murray-Smith, R. (1997). Side-effects of nor-
malising basis functions, in Multiple model approaches
to modelling and control, (Taylor and Francis), pp. 221-
28.
Wojsznis, W., Gudaz, J., Blevins, T. & Mehta, A. (2003).
Practical approach to tuning MPC. ISA Transactions,
Vol. 42, pp. 149162.
Zheng, A., & Zhang, W. (2001). Non-linear Predictive
Control, chapter: Computationally Efcient Non-linear
Model Predictive Control Algorithm for Control of
Constrained Non-linear Systems, IEE Control Engine-
ering series.
Revista Controle & Automao/Vol.20 no.4/Outubro, Novembro e Dezembro 2009 481