RAPHAEL DE MEDEIROS SOUTO MAIOR BALTAR (COORDENADOR)

GERÔNIMO BARBOSA ALEXANDRE

APLICAÇÕES EM CONTROLE E AUTOMAÇÃO INDUSTRIAL

Projeto apresentado como requisito para o processo de

cadastramento de Pesquisa na Pró-reitoria de Pesquisa
(PROPESQ) do Instituto Federal de Educação, Ciência e
Tecnologia de Pernambuco (IFPE).

LINHA DE PESQUISA: CONTROLE, AUTOMAÇÃO INDUSTRIAL E SISTEMAS

INTELIGENTES.

Grupo de Pesquisa em Energia, Automação e Sistemas Inteligentes

GARANHUNS – PE

MAIO, 2017
RESUMO

Identificação de sistemas é uma área da modelagem matemática que lida com o problema
de formular modelos matemáticos de sistemas dinâmicos baseando-se em dados
experimentais gerados pelos próprios sistemas (LJUNG, 1999), (ISERMANN; MüNCHHOF,
2011).

Existem principalmente duas formas de construir modelos matemáticos de sistemas

dinâmicos. Uma das abordagens consiste na construção analítica dos modelos através de
leis físicas e químicas inerentes aos processos analisados. Entretanto, na engenharia
muitas vezes as informações acerca da dinâmica dos sistemas é escassa e insuficiente, por
isso as leis e os parâmetros exatos dos fenômenos são desconhecidos. Assim, faz-se
necessário realizar uma aproximação que descreva satisfatoriamente o processo para uma
dada aplicação. Na prática, existe um comprometimento entre a complexidade e a precisão
dos modelos, incertezas são toleradas desde que não comprometam a robustez ou o
desempenho do sistema (MOOR, 1996).

Todo modelo obtido por técnicas de identificação de sistemas será inevitavelmente uma
aproximação do processo real, assim a validade de um modelo está diretamente relacionada
com o seu propósito de uso. Um modelo preciso pode ser utilizado para simular o
comportamento dinâmico do sistema. Já a classe de métodos de identificação CRI (Control
Relevant Identification) tem como motivação a necessidade de explorar os modelos lineares
em projetos de controladores baseados em modelos. Sendo assim, os métodos CRI
propõem-se a gerar um modelo que seja adequado ao problema de controle em questão,
criando uma sinergia entre os algoritmos de identificação e os de controle.

Nesse contexto, este trabalho tem como objetivo geral aprofundar os conhecimentos acerca
de identificação e controle utilizando-se de plantas em escala laboratorial. Como objetivos
específicos, destacam-se a implantação de rede OPC (sigla para “OLE for Process Control”,
onde OLE significa “Object Linking and Embedding”) no laboratório de controle e
automação, criação de sensor industrial utilizando câmera e visão computacional
embarcada, criação de processo térmico multivariável, criação de um pêndulo invertido,
aplicação e estudos de algoritmos de identificação e controle nas plantas criadas e na planta
de controle de vazão e temperatura já existente no laboratório.

Palavras chave: Identificação de sistemas, Controle preditivo, Controle de processos,

Automação
CARACTERIZAÇÃO DO PROBLEMA E JUSTIFICATIVA

Na indústria, é crescente a demanda por controladores cada vez mais sofisticados.

Na área de controle avançado, destaca-se o Controle Preditivo por Modelo (MPC). Em
essência, o objetivo do MPC é otimizar a previsão do comportamento futuro do processo a
partir das variáveis manipuláveis. O MPC consiste em uma família de técnicas de controle
multivariável de processos que é utilizada em uma grande quantidade cenários práticos, tais
quais controle de processos industriais, controle estocástico em estatística, aplicações
automotivas e aeroespaciais. Este tipo de controle é habilitado para lidar com restrições nas
entradas e saídas, e por este motivo permite que o sistema seja controlado próximo de seu
limite físico. Por isso geralmente os controladores preditivos apresentam desempenho
superior aos controladores lineares tradicionais, especialmente para sistemas multivariáveis
(MACIEJOWSKI, 2002).

É reconhecido na literatura que a teoria de identificação de sistemas começou a ser

estuda efetivamente nos anos 60 com os trabalhos apresentados em (ASTROM, 1965) e
(KALMAN, 1966). O objetivo de Astrom e Bohlin foi elaborar modelos ARMAX SISO
(Autoregressive Moving Average with Exogenous inputs, Single Input Single Output) partindo
de sequências de dados dos sinais de entrada e saída. Desde a apresentação desse artigo,
inúmeras técnicas de identificação estatística surgiram denominadas Métodos de Erro de
Predição (PEM), culminando em trabalhos reconhecidamente estabelecidos como (LJUNG,
1999) e (STOICA, 1989).

A necessidade da obtenção de modelos matemáticos para o desenvolvimento de

algoritmos de controle não é exclusiva dos controladores preditivos, um caso crítico ocorre
com os algoritmos de controle robusto, nos quais, além do modelo da planta, é necessário
também informações acerca do erro de modelagem. Em (GEVERS, 2002) é revisado um
dos grandes desafios existentes no início da década de 90, que eram as divergências entre
as estruturas de modelos obtidos por métodos de identificação tradicionais e as estruturas
de modelos que o projeto dos controladores demandava.

A linha de pesquisa conhecida como MRI (MPC Relevant Identification) originou-se

com o trabalho desenvolvido em (SHOOK, 1991). Aplicações de controle preditivo
demandam modelos que forneçam predições confiáveis sobre todo o horizonte de predição.
Com essa premissa, em (SHOOK, 1991) apresentou-se um método cujo o objetivo era a
obtenção de um modelo que fornecesse uma boa predição da resposta do sistema para
todos os passos de tempo à frente, onde é conhecido como horizonte de
predição. Também neste artigo foi verificado que os parâmetros estimados a partir das
funções objetivo baseadas em preditores de múltiplos passos à frente, geralmente resultam
em melhores modelos para aplicações MPC.

O Controle Preditivo foi proposto independentemente por diversos pesquisadores em

uma mesma época. Apesar da data de publicação fornecer uma ideia de precedência, o
Controle Preditivo foi originalmente desenvolvido por profissionais da indústria que
implementaram os conceitos inerentes ao MPC alguns anos antes das primeiras
publicações aparecerem (ASTROM, 1965).

A patente mais antiga relacionada ao Controle Preditivo foi obtida por Martin-
Sanchez em 1976, cujo método foi chamado de Adaptive Predictive Control. Assim como o
nome indica, a ênfase estava no uso do modelo interno para obter um controle adaptativo,
isto era feito pela adaptação do modelo e otimização dos sinais de controle.

Em (RICHALET, 1978), Richalet, engenheiro da companhia francesa Adersa, propôs

um algoritmo de controle preditivo sob o nome de Model Predictive Heuristic Control. O
software foi batizado como IDCOM, um anacronismo para Identificação e Comando. O
objetivo nesse caso era de criar uma metodologia de controle que pudesse solucionar
problemas difíceis de lidar com o convencional controlador PID, mas que também fosse
baseado em conceitos intuitivos e de fácil sintonia. Manipulação de restrições e otimização
não foram enfatizadas nesse método.

Em (MORARI,1999), as ideias de Controle Receding Horizon e Controle Predítivo por

Modelo são anteriores à década de 60, como o preditor de Smith publicado em 1957.
Apesar disso, o interesse nesse campo surgiu apenas nos anos 80 após publicação de
artigos referentes ao Controle por Matriz Dinâmica (DMC) (CUTLER, 1980) e Controle
Preditivo Generalizado (GPC) (CLARKE, 1987).

Embora os controladores preditivos tenham se originado na indústria petroquímica

(CUTLER, 1980), eles têm sido aplicados com sucesso em muitas outras áreas, e.g.,
controle de tráfego (BELLEMANS, 2006), conversores de potência (KOURO, 2009) e
indústria automotiva (HROVAT, 2012).

Pesquisas recentes em MPC propõem-se a encorajar e simplificar seu uso,

implementando por exemplo, algoritmos mais rápidos para aplica-los em dispositivos
embarcados, e.g. controladores lógico programáveis (CLP), field-programmable gate arrays
(FPGAs) (FERREAU, 2008); (WANG, 2010); (MATTINGLEY, 2012).

Processos em escala laboratorial são ferramentas importantes que auxiliam no

estudo acadêmico de vários fenômenos observados na indústria. Através da utilização de
plantas didáticas é possível demonstrar a operação de diversas malhas de controle
utilizando equipamentos e ferramentas desenvolvidas para aplicações industriais. Em um
arranjo compacto, a planta didática torna acessível aos estudantes todos os componentes
das malhas, não sendo apenas uma estrutura para ser observada, mas também para ser
manipulada.

Os módulos didáticos a serem desenvolvidos neste projeto buscarão integrar os

conteúdos teóricos e práticos ministrados nas disciplinas da ênfase de Automação e
Controle do curso de Engenharia Elétrica, favorecendo a interdisciplinaridade e propiciando
um ambiente de testes, para ensino e pesquisa.

O pêndulo invertido é um problema clássico bastante estudado em sistemas de

controle, uma vez que sua dinâmica é intrinsecamente não linear e pode ser construído com
baixo custo. Apesar de se tratar de um sistema mecânico bastante simples, várias situações
práticas podem ser analisadas a partir dos conceitos envolvidos em seu estudo. O conceito
de pêndulo invertido móvel tem sido utilizado em várias aplicações como, por exemplo,
veículos de transporte humano (Segway), o que futuramente pode se apresentar como
alternativa de transporte automático para áreas urbanas, incluindo sua utilização por
deficientes físicos (VENDRAMINI, 2010).

A planta do processo térmico multivariável será composta de dois elementos peltier

acionados separadamente o que possibilita o estudo de estratégias de controle
multivariáveis. Como a montagem é acoplada termicamente, será possível analisar as
malhas diretas e cruzadas, assim como realizar estudos de perturbações de carga.

Cada pastilha peltier possui uma face acoplada a um dissipador de calor de um

cooler, com o objetivo de melhorar a troca de calor com o ambiente. A outra face é acoplada
termicamente a uma peça cilíndrica de alumínio sólido, composta por 3 discos de diâmetros
diferentes, conforme a Figura 1. Nesta peça de alumínio, estão fixados dois sensores de
temperatura do tipo LM35.
 Figura 1: Módulo de temperatura

A planta é composta pelo módulo de temperatura com duas pastilhas peltier, circuitos
de acionamento em ponte H, amplificadores para o sensor de temperatura, uma fonte de
alimentação ATX um micro controlador Arduino e um PC, ver Figura 2. A comunicação entre
o PC e o Arduino é baseada em uma arquitetura cliente OPC.

Figura 2: Diagrama da planta do trocador térmico

Por fim, deseja-se realizar estudos sobre identificação e controle de processos na

planta didática de controle de vazão, nível e temperatura – CP2 da Vivacity existente no
laboratório de controle e automação do campus (Figura 3).
 Figura 3: Diagrama da planta

OBJETIVOS

Objetivos Gerais:

O objetivo geral deste trabalho é aprofundar os conhecimentos acerca de identificação e

controle utilizando-se de plantas em escala laboratorial.

Objetivos Específicos:

Como objetivos específicos, destacam-se:

1. Implantação de rede OPC no laboratório de controle e automação;

2. Criação de processo térmico multivariável com uso de pastilhas peltier;
3. Criação de um pêndulo invertido;
4. Aplicação e estudos de algoritmos de identificação nas plantas criadas e na planta
de controle de vazão e temperatura já existente no laboratório;
5. Aplicação e estudos de algoritmos de controle nas plantas criadas e na planta de
controle de vazão e temperatura já existente no laboratório;
 6. Estudo da sinergia entre os resultados da identificação e do controle nos sistemas
propostos;

FUNDAMENTAÇÃO TEÓRICA

Controle preditivo, ou do inglês Model Preditive Control (MPC) é uma ténia avançada de
controle multivariável de processos usada em diversas aplicações práticas, tais quais
controle industrial de processos; controle estocástico, em economia; em aplicações auto-
motivas e aeronáuticas. Tal abrangência deve-se ao fato de que o MPC é baseado em
ideias bastante intuitivas e por considerar sistemas multivariáveis sujeitos a restrições nas
entradas e saídas, desde a concepção do controlador (MACIEJOWSKI, 2002). As premissas
básicas, comuns aos diversos tipos de controladores preditivos, são descritas a seguir:

 Como passo inicial, o modelo do processo é usado para realizar as predições aera
do comportamento do processo em uma dada janela de predição: ̂
. Onde ̂ são as predições em k + i a partir das informações
disponíveis até o instante ; , o número de saídas do processo; , o número de
passos futuros preditos, também chamado de horizonte de predição.
 A sequência de controle será obtida a partir da minimização de uma função de custo.
Funções de custo típicas que são usadas no projeto de controladores devem
ponderar: desvios entre saída e uma dada trajetória desejada e o esforço de
controle. Se a função de custo for quadrática, o modelo linear e não houverem
restrições de desigualdades impostas ao sistema, haverá uma expressão analítica
para o controlador MPC. Caso contrário, otimização numérica pode ser usada para
encontrar a ação de controle que minimiza a função de custo.
 A cada instante de amostragem uma sequência de controle é obtida, seguindo os
passos anteriores, porém apenas a primeira ação de controle será, de fato, aplicada
ao processo. Esta caraterística do MPC é conhecida como horizonte móvel. O motivo
de se utilizar a política de horizonte móvel é que no instante k + 1 haverão
informações aera das saídas que não estavam disponíveis no instante k, assim,
estes erros de predição podem ser contabilizados no cálculo da próxima ação de
controle.

Na figura 4 é ilustrada uma malha de controle MPC típica:

 Figura 4: Diagrama de blocos do MPC.

Preditor

O preditor é responsável por fornecer as predições das saídas do processo sobre uma
janela de tempo futura. As predições são realizadas a partir do modelo do processo e são
expressas em termos das informações conhecidas à priori das entradas, saídas e da
sequência de controle futura. O preditor é o componente fundamental no projeto de um
controlador preditivo, uma vez que as ações de controle são baseadas nas predições das
variáveis controladas. Quão melhor for o preditor, melhor será a performance do controlador;
assim, obter um preditor confiável é crucial em MPC. Uma forma generalizada das predições
futuras pode ser expressa como:

Na figura 5 é apresentado um exemplo dos sinais que compõem o MPC. Os vetores linhas
são definidos como:

onde é o horizonte do passado das entradas; na o horizonte passado das saídas; éo

horizonte de predição e o horizonte de controle. Os detalhes de como se obter
dependem da estratégia de identificação e/ou modelo utilizado. A subseção a seguir explica
como obter um modelo linear para ser usado como preditor.
 Figura 5: Representação de um MPC.

Assumindo uma estrutura linear, o preditor será:

Onde é a matriz que contém os parâmetros do preditor linear e é o vetor de

regressão no instante .

Quando há um conjunto de dados de identificação, as seguintes matrizes podem ser

formadas:

nas quais os vetores linha são obtidos como:

. Note que é um vetor linha com colunas, e é um vetor linha

com colunas. Assim, .

Considerando o erro de modelagem tem-se:

onde é o vetor do erro de modelagem e ̂ é a matriz de predições. Dadas as matrizes e
, a abordagem de identificação mais simples é utilizar o LS (least squares) para ajustar o
modelo:

Função de custo de controle

A expressão geral para a função de custo no MPC, em um dado instante, é dada por:

onde é o vetor de referência das saídas.

No projeto de controladores geralmente utiliza-se modelos lineares (QIN; BADGWELL,

2003), além disso a minimização de funções quadráticas om restrições é tratável
matematicamente. Assim, a função de custo típica em MPC é dada por:

onde é a matriz de ponderação dos desvios das saídas; Wu a matriz de ponderação do

esforço de controle; , o peso geral das ações de ontroles. Também é omum utilizar
incrementos das ações de controle ao invés da própria ação de controle a fim de
obter um controle livre de offset (ROSSITER, 2003).

A minimização da função de custo na equação (2.3) sujeita a restrições de desigualdades

nas MVs (Manipulated Variables) ou CVs (Controlled Variables) pode ser expressa como:

No caso geral, deve-se utilizar um otimizador online para resolver o problema de

minimização e obter a sequência de controle . Se o modelo for linear e a função de
custo quadrática, a minimização pode ser resolvida utilizando QP (Quadratic Programming).
Caso a função de custo seja não linear em , geralmente utiliza-se métodos de otimização
numérica não convexos.

METODOLOGIA

O projeto consiste na investigação da fatores e indicadores de sinergia entre as técnicas de

identificação e controle de forma a obter os condicionantes que otimizam a eficiência do
processo.

O projeto será executado com infraestrutura e recursos humanos disponíveis nas

Coordenações do Curso de Engenharia do IFPE – Campus Garanhuns, desenvolvido
mediante a realização de atividades de pesquisas e transferências de resultados.

Os estudos concernentes a este projeto se restringirão ao desenvolvimento de protótipos,

aplicação, desenvolvimento e análise de performance de técnicas de identificação e
controle. Com base nesses estudos, ao final do projeto serão estabelecidos identificadores
de eficiência e de sinergia entre as técnicas utilizadas.

As ações desenvolvidas serão realizadas nas seguintes etapas:

I. Diretrizes

 Etapa de conhecimento da base de dados, levantamento de informações em torno

dos elementos e tecnologias constituintes.
 Estabelecimento de procedimentos/diretrizes que serão utilizados nos estudos.

II. Revisão Bibliográfica

 Levantamento e especificação da bibliografia das técnicas de identificação de

sistemas e controle de processos.
 Nesta etapa também serão feitas a aquisição de material bibliográfico, mapeamento
de softwares/hardwares e suprimentos para o desenvolvimento do projeto.

III. Estimativas e Instrumentalização

 Estado da arte, simulações, implementação as técnicas idealizadas, instrumentação

e obtenção de resultados de simulações e práticos;

IV. Diagnósticos

 Estudo detalhado dos resultados obtidos, análise comparativa entre as técnicas

utilizadas com indicadores clássicos de performance;
 Propor indicador de sinergia entre as técnicas de identificação e controle sintetizando
os indicadores individuais.

V. Avaliação Parcial do Projeto

 Avaliação parcial do projeto por parte da equipe, análise e propostas de ajustes.

VI. Transferência dos Resultados

 Elaboração dos manuais dos procedimentos, técnicas e produtos adotados.

 Elaboração do relatório final do projeto.
  Organização de workshop para a transferência de conhecimento e dos resultados
finais.
 Divulgação dos resultados finais do projeto em conferência nacional, internacional
e/ou revistas especializadas.

Quanto à transferência de conhecimento, à medida que os resultados forem sendo obtidos,

deverão ser buscadas formas de se divulgá-los junto à comunidade científica através de
eventos (congressos, simpósios, conferências, ...) e/ou revistas.

Os participantes do presente projeto se colocam à disposição da comunidade científica e

tecnológica (regional e nacional) para eventuais consultas que possam se tornar
necessárias sobre os resultados desenvolvidos ou implementados no decorrer das
atividades, mantendo-se o sigilo apenas quando necessário, para se resguardar o direito de
propriedade intelectual.

CONTRIBUIÇÕES CIENTÍFICAS, TECNOLÓGICAS E SOCIAIS E/OU DE INOVAÇÃO

O problema de identificação de sistemas MIMO para sintonia de controladores, em especial, o

controlador MPC é um problema ainda em aberto. Além disso, é evidente a demanda do setor
industrial por eficiência dos controladores dos processos. Dessa forma, pretende-se contribuir em:

1. Implantar rede OPC no laboratório do controle e automação industrial, oportunizando

realização de mais experimentos às plantas já existentes;
2. Construir planta industrial em escala laboratorial de processo térmico multivariável;
3. Construir planta industrial em escala laboratorial de um pêndulo invertido;
4. Aplicar e realizar análise comparativa em técnicas de identificação e de controle às plantas
construídas e à planta de vazão e temperatura da Vivacity existente no laboratório;
5. Propor indicador de sinergia entre técnicas de identificação e controle;
6. Propor técnicas de sintonia de controladores MPC baseando-se nos modelos identificados;
7. Avaliar os modelos obtidos tanto no sentido da identificação como no do projeto de
controladores MPC;
8. Estudar a possibilidade de implementação do controlador preditivo em um sistema
embarcado;
9. Avaliar o desempenho do controlador preditivo implementado em sistema embarcado;
10. Desenvolvimento de manual de orientações.
RECURSOS NECESSÁRIOS

Destacam-se como recursos básicos necessários à pesquisa:

 Laboratório de Eletrônica;
 Laboratório de Automação Industrial;
 Computadores tipo desktop barramento mínimo de 800MHz, cachê mínimo de 2MB,
memória ram mínima de 2GB, HD mínimo de 240 GB com gravador de CD e DVD,
monitor tipo LCD com tela mínima de 15", teclado multimídia, mouse óptico, sistema
operacional Windows;
 Livros técnicos e científicos diversos;
 Impressora multifuncional;
 Suprimentos: papel, cartuchos de tinta, tonner, CDs, pen drives, encadernações, etc;
 Transporte para visitas em campo e em outras missões de trabalho;
 Materiais e equipamentos para construção de protótipos;
 Plataformas para uso/desenvolvimento de softwares de análise;

DISPONIBILIDADE DE INFRAESTRUTURA E APOIO TÉCNICO

A infraestrutura de laboratórios dos Cursos Técnicos em Eletroeletrônica e Curso

Superior em Engenharia Elétrica do IFPE – Campus Garanhuns conta com alguns
equipamentos e instrumentos para medição e análise de variáveis. Dispõe ainda de
estrutura com foco no desenvolvimento e análise de desempenho de dispositivos para
monitoramento de grandezas. Além disso, o Campus dispõe de 5 plantas de processo
térmico e de vazão da empresa Vivacity que serão utilizadas nesta pesquisa. A Diretoria de
Pesquisa, Inovação Tecnológica e Extensão (DIPEX) disponibiliza ainda sala específica
para Desenvolvimento de projetos, com infraestrutura preparada para utilização por
docentes e discentes pesquisadores.
O campus dispõe de um corpo administrativo de suporte formado por técnicos,
mestres, doutores e doutorandos, dispondo de pessoal com habilidades profissionais e
capacitação nas áreas de Controle e Automação de Processos, os quais se fazem
essenciais em consultas e integração durante a execução do projeto.
INDICAÇÃO DE COLABORADORES OU PARCERIAS

Inicialmente os trabalhos serão conduzidos nos laboratórios do próprio campus e

com os recursos humanos do mesmo. Todavia, serão buscadas cooperações técnicas com
outras instituições e industrias da região que poderiam se beneficiar com os estudos
desenvolvidos neste projeto.

ESTIMATIVA DE RECURSOS FINANCEIROS DE OUTRAS FONTES

Para obtenção de recursos de outras fontes podem ser submetidas propostas aos
órgãos financiadores, como a FINEP – Financiadora de Estudos e Projetos, através de
editais lançados pelo fundo setorial CT-Infra, cujos recursos destinam-se a financiar e apoiar
projetos de implantação de infraestrutura de pesquisa.

REFERÊNCIAS BIBLIOGRÁFICAS E BIBLIOGRAFIA BÁSICA

ASTROM, K. J.; BOHLIN, T. Numerical identification of linear dynamic systems for normal
operating records. 2nd IFAC Symp. Theory of Self-Adaptive Systems, Teddington, 1965.
BELLEMANS, T.; SCHUTTER, B. D.; MOOR, B. D. Model predictive control for ramp
metering of motorway traffic - a case study. Control Engineering Practice, 14, p. 757 _ 767,
2006.
CLARKE, D. W.; MOHTADI, C.; S, P. S. T. Generalized predictive control-part 1. Automatica,
1987.
CUTLER, C.; RAMAKER, B. Dynamic matrix control - a computer control algorithm.
Proceedings of the joint American control conference, San Franisco, p. Paper WP5_B, 1980.
FERREAU, H. J.; BOCK, H. G.; DIEHL, M. An online active set strategy to overcome the
limitations of explicit MPC. International Journal of Robust and Nonlinear Control, 18, 2008.
GEVERS, M. A decade of progress in iterative process control design: from theory to
practice. Journal of Process Control, v. 12, 2002.
HROVAT, D. et al. The development of model predictive control in automotive industry: A
survey. IEEE international conference on control applications, p. 295 _ 302, 2012.
ISERMANN, R.; MüNCHHOF, M. Identification of Dynamic Systems: An Introduction with
applications. [S.l.]: Springer, 2011.
KALMAN, B. L. H. R. E. Effective construction of linear state-variable models from
input/output functions. Regelungstechnik vol. 14, 1966.
KOURO, S. et al. Model predictive control - a simple and powerful method to control power
converters. IEEE Transactions on Industrial Electronics, 56, p. 1826 _ 1838, 2009.
LJUNG, L. System Identification: Theory for the user. 2nd ed. [S.l.]: Prentice Hall, 1999.
MATTINGLEY, J.; BOYD, S. Cvxgen: A code generator for embedded convex optimization.
Optimization and Engineering, 13, 2012.
MACIEJOWSKI, J. M. Predictive Control with Constraints. Englewood Cliffs: Prentice Hall,
2002.
MORARI, M.; LEE., J. H. Model predictive control: past, present and future. Computers and
Chemical Engineering, vol. 23, p. 667 _ 682, 1999.
MOOR, P. V. O. B. Subspace Identification for Linear Systems. [S.l.]: Kluwer Academic
Publishers, 1996.
QIN, S. J.; BADGWELL, T. A. A survey of industrial model predictive control technology.
Control Engineering Practice, v. 11, n. 7, p. 733 _ 764, 2003.
SHOOK, D.; MOHTADI, C.; SHAH, S. Identification for long-range predictive error. IEE
proceedings, v. 138, 1991.
STOICA, T. S. P. System Identification. [S.l.]: Prentice Hall, New Jersey, 1989.
RICHALET, J. et al. Paper: Model predictive heuristic control. Automatica, v. 14, n. 5, p.
413_428, set. 1978. ISSN 0005-1098.
ROSSITER, J. A. Model-Based Predictive Control: a Practical Approach. [S.l.]: CRC press,
2003
VENDRAMINI, G.; SILVA, P. S. (2010). Controle de um pêndulo invertido sobre uma
plataforma móvel utilizando PID e MFAC (model free adaptive control), Proceeding of the 9th
Brazilian Conference on Dynamics, Control and Their Applications (DINCON'10), 2010.
WANG, Y.; BOYD., S. Fast model predictive control using online optimization. IEEE
Transactions on Control Systems Technology, 18, 2010.

CRONOGRAMA TRIMESTRAL

As atividades descritas no cronograma serão realizadas por todos os membros da equipe executora
do projeto, paralelamente, sobre as respectivas plantas propostas.
TRIMESTRE
ATIVIDADE
1 2 3 4 5 6 7 8
Diretrizes
Revisão Bibliográfica
Estimativas e Instrumentalização
Diagnósticos
Avaliação Parcial do Projeto
Transferência dos Resultados
Avaliação Final do Projeto