Você está na página 1de 36

CAPÍTULO 4 – CONTROLE PREDITIVO 54

4. CONTROLE PREDITIVO

4.1 INTRODUÇÃO
O controle preditivo baseado em modelo (MPC – Model Predictive Control) surge
atualmente como uma das mais populares e eficientes estratégias de controle na indústria
de processos. Muitos dos aspectos fundamentais num projeto de controle industrial prático
podem ser explorados num controle preditivo baseado em modelo, como a trajetória de
referência futura, previsão de perturbações e a possibilidade de inclusão de restrições,
verificando a flexibilidade desta técnica de controle (Ogunnaike e Ray, 1994; Zambrano e
Camacho, 2002).
Embora idealizado inicialmente para aplicações em sistemas de potência e na
indústria petrolífera, atualmente, o controle preditivo é empregado nas mais diversas áreas
não somente da indústria (regulação de tensão, controle de temperatura, pressão, nível,
etc.) mas também em outras áreas do conhecimento humano como a medicina (anestesia,
controle de pressão sangüínea) mostrando a evolução prática destas estratégias e
comprovando que em breve devem substituir a maioria dos controladores clássicos
utilizados que muitas vezes mostram-se ineficientes em ambientes complexos (Kwok,
1994; Santos, 1998; Rawlings, 2000).
A estrutura básica do MPC é apresentada na Error: Reference source not found
onde os principais elementos envolvidos são:
Trajetória de Referências - representa o comportamento do sinal desejado para a
saída no futuro. É o conhecimento prévio desta trajetória que garante ao controlador uma
característica antecipativa.
Modelo - modelo matemático do processo que deve ser capaz de representar o seu
comportamento dinâmico de forma suficientemente precisa. Conforme a necessidade este
CAPÍTULO 4 – CONTROLE PREDITIVO 55

modelo pode ser linear ou não-linear e podendo, ainda, ser atualizado através de métodos
de identificação on line conferindo ao controlador uma característica adaptativa.
Preditor - fornece através do modelo matemático uma previsão da saída futura com
base na informação atual da planta.
Otimizador - minimiza a função custo a cada período de amostragem de forma a
obter uma ação de controle que garanta um desempenho adequado ao sistema. A função a
ser minimizada pode contemplar, além de parcelas associadas ao erro futuro e ao
incremento no sinal de controle, outros termos que forneçam ao controlador propriedades
que melhorem o seu desempenho frente às particularidades do processo. Quando da
utilização de uma função custo quadrática, modelos lineares e na ausência de restrições o
problema de otimização apresenta uma solução analítica, caso contrário, algum método de
otimização numérica deve ser empregado.

erro de
previsão
+ controle saída
TRAJETÓRIA OTIMIZADO PROCESSO
DE – R
REFERÊNCIAS
previsão
da saída

PREDITOR MODELO

Figura 4.1 – Estrutura de um Controlador Preditivo.

O MPC baseia-se na previsão do comportamento futuro do processo para o cálculo


do sinal de controle. As previsões são feitas através de um modelo matemático do processo
sobre um intervalo de tempo denominado horizonte de previsão cujo conceito é ilustrado
na Error: Reference source not found.
CAPÍTULO 4 – CONTROLE PREDITIVO 56

passado futuro

referência futura

saída prevista
y

controle futuro
u

t+N2 tempo
t-1 t+1 t+Nu-1 t+Nu
t

Figura 4.2 – Horizontes de Previsão.

O horizonte de previsão final (N2) representa o intervalo futuro onde está sendo
considerado o comportamento da saída da planta e o horizonte de controle (Nu)
corresponde ao número de ações de controle consideradas.

4.2 CONTROLE PREDITIVO BASEADO EM MODELO LINEAR


A utilização de modelos lineares numa aplicação de controle preditivo é bastante
comum pois além da popularidade deste tipo de modelo, muitas vezes, torna-se necessário
o emprego de um modelo simplificado para possibilitar que todos os cálculos envolvidos
sejam realizados dentro do intervalo correspondente a um período de amostragem
viabilizando, assim, o controle em tempo-real. Um modelo linear possibilita, também
solução analítica para o problema de minimização da função custo quando não são
consideradas restrições. A opção por um modelo linear para a representação da planta deve
ser a escolha preferencial sempre que este possibilite que o controlador alcance o
desempenho almejado pelo usuário.
Nos últimos anos houve um grande crescimento nas aplicações industriais de
controle preditivo baseado em modelos lineares. A Tabela Controle Preditivo.1 apresenta
algumas destas aplicações presentes no trabalho de Qin e Badgwell (2000; 2003).
CAPÍTULO 4 – CONTROLE PREDITIVO 57

Tabela Controle Preditivo.1 – Aplicações Comerciais de MPC.


Área Adersa Aspen Honneywel Invensys SGS Total
Technology Hi-Spec
refinaria 1200 480 280 25 – 1985
petroquímica 450 80 – 20 – 550
química 100 20 03 21 – 144
papel 18 50 – – – 68
ar e gás – 10 – – – 10
utilidades – 10 – 04 – 14
metalurgia 08 06 07 16 – 37
alimentos – – 41 10 – 51
polímeros 17 – – – – 17
fornos – – 42 03 – 45
aeroespacial – – 13 – – 13
automotiva – – 07 – – 07
outras 40 40 1045 26 450 1601
Total 1833 696 1438 125 450 4542

4.2.1 Controle de Variância Mínima Generalizada (GMV)


O controlador GMV (Generalized Minimum Variance) foi proposto por D. W.
Clarke e P. J. Gawthrop (Clarke e Gawthrop, 1975) como uma generalização do regulador
de variância mínima proposto por K. J. Åström e B. Wittenmark (Åström e
Wittenmark,1973), onde a função custo a ser minimizada é obtida em função do modelo do
processo e da dinâmica desejada para a malha de controle através de uma saída
generalizada (t), equação (Controle Preditivo.1). O sinal de controle é otimizado de
maneira a determinar, através dos parâmetros de projeto, a dinâmica transitória, reduzindo
a sobre-elevação e eliminando o erro em regime permanente, isto é,

(Cont
role
 (t + d ) = Y ( q -1 ) y (t + d ) - G(q -1 ) yr (t ) + L (q -1 )u (t )
Predit
ivo.1)

onde Y(q-1), G(q-1) e L (q-1) são polinômios de ponderação da saída, controle e referência,
respectivamente.
O controlador GMV utiliza um modelo matemático do tipo CARMA conforme
caracterizado pela seguinte equação a diferenças:
CAPÍTULO 4 – CONTROLE PREDITIVO 58

(Cont
role
A(q -1 ) y (t ) = q - d B (q -1 )u (t ) + C (q -1 )x (t )
Predit
ivo.2)

onde y(t) é a saída do processo, u(t) é a variável manipulada, d é o atraso de transporte, x(t)
representa ruído na medição, perturbações e/ou erros de modelagem.
A função custo a ser minimizada é

(Cont
role
J GMV =  2 (t + d )
Predit
ivo.3)

Seja a identidade polinomial

(Cont
role
Y (q -1 )C (q -1 ) = A(q -1 ) E (q -1 ) + q - d S (q -1 )
Predit
ivo.4)

onde
E (q -1 ) = 1 + e1q -1 + ... + e ne q - ne

S (q -1 ) = s0 + s1q -1 + ... + s ns q - ns

ne = d –1 ns = max(na – 1, nY + nc – d)

Pela manipulação das equações (Controle Preditivo.1), (Controle Preditivo.2) e


(Controle Preditivo.4) obtêm-se

1 (Cont
 (t + d ) =
C
{ Sy(t ) + [ BE + LC ] u (t ) - CGyr (t )} + Ex (t + d )
role
| informações disponíveis | |futuro| Predit
no instante t
ivo.5)
CAPÍTULO 4 – CONTROLE PREDITIVO 59

Assim, minimiza-se a função custo JGMV, função (Controle Preditivo.3), zerando o


primeiro termo da equação (Controle Preditivo.5), isto é

(Cont
role
B(q -1 ) E (q -1 ) + L( q -1 )C (q -1 ) �

� �u (t ) = C (q -1 )G( q -1 ) yr (t ) - S (q -1 ) y (t )
Predit
ivo.6)

e a lei de controle pode ser representada da forma

(Cont
role
R (q -1 )u (t ) = T (q -1 ) yr (t ) - S (q -1 ) y (t )
Predit
ivo.7)

onde
R(q -1 ) = B(q -1 ) E (q -1 ) + L( q -1 )C ( q -1 )

T (q -1 ) = G(q -1 )C (q -1 )
ns = na – 1, nt = nb + d – 1 e nr = nL + nc

A estrutura utilizada pelo controlador GMV é ilustrada na Error: Reference source


not found.
CAPÍTULO 4 – CONTROLE PREDITIVO 60

x(t)

C(q–1)
A(q–1)

yr(t) + 1 u(t) q–d B(q–1) y(t)


T(q–1) +
– R(q–1) A(q–1)

S(q–1)

Figura 4.3 – Estrutura do Controlador GMV.

Substituindo a lei de controle na equação do processo, Eq. (Controle Preditivo.2),


obtêm-se a equação de malha fechada dada por

(Cont
q - d BG BE + GC role
y (t ) = yr (t ) + x (t )
YB + AL YB + AL Predit
ivo.8)

Para que o sistema apresente erro nulo em regime permanente torna-se necessário
satisfazer a relação

B ( q -1 ) G ( q -1 )
=1
Y (q -1 ) B( q -1 ) + A(q -1 ) L (q -1 ) q =1

Uma das maneiras de obter-se erro nulo em regime permanente corresponde à


utilização de uma ponderação incremental para o controle, ou seja, L(q–1) = L(1 – q–1), ou
ainda, pelo uso de um modelo CARIMA (Vaz, 1999). Através da correta seleção do
polinômio L(q–1), cujo objetivo é limitar o esforço de controle, pode-se tratar sistemas de
CAPÍTULO 4 – CONTROLE PREDITIVO 61

fase não-mínima bem como instáveis em malha aberta. A sintonia adequada dos
polinômios Y(q–1) eG(q–1) pode reduzir a sobre-elevação da resposta transitória do sistema.
A estratégia de controle GMV apresenta, ainda, como características:
 permite a penalização do esforço de controle na função custo;
 apresenta bom seguimento da referência;
 trata alguns sistemas de fase não-mínima sem a utilização de métodos auxiliares.

4.2.2 Controle por Matriz Dinâmica (DMC)


O controlador DMC (Dynamic Matrix Control) desenvolvido por C. R. Cutler e B.
L. Ramaker foi um dos primeiros controladores preditivos baseados em modelo a
apresentar disponibilidade comercial. O DMC para um sistema SISO é baseado no modelo
da resposta ao degrau do tipo ISR (Infinite Step Response) dado por:

(Cont
� role
y (t ) = �g i Du (t - i ) + h (t )
i =1 Predit
ivo.9)

onde y(t) é a saída do processo, u(t) é a variável manipulada, gi correspondem aos valores
dos coeficientes da resposta ao degrau do processo e h(t) é uma perturbação agindo no
instante t.
O sinal de controle u(t) é obtido minimizando a função custo, equação (Controle
Preditivo.10), em relação a Du(t)

(Cont
role
N2 Nu

�[ yˆ (t + j ) - y (t + j )] + �LDu
2
J DMC = r
2
(t + j - 1) Predit
j = N1 j =1
ivo.10
)

onde considera-se Du(t) = 0 para j  Nu, yr(t) é a referência, L é um fator de ponderação


aplicado sobre o incremento no esforço de controle e yˆ (t + j ) representa as previsões da
saída nos instantes de tempo (t + j).
CAPÍTULO 4 – CONTROLE PREDITIVO 62

Agrupando os elementos das previsões da saída têm-se

(Cont
role
j �
yˆ (t + j ) = �gi Du (t + j - i ) + �g Du (t + j - i ) + h (t + j )
i Predit
i =1 i = j +1
ivo.11
)

Considerando que a melhor estimativa dos valores futuros da perturbação h(t + j) é


o valor atual h(t)

(Cont
role

h (t + j ) = h (t ) = y (t ) - �gi Du (t - i ) Predit
i =1
ivo.12
)

Substituindo a equação (Controle Preditivo.12) em (Controle Preditivo.11) e


reagrupando obtêm-se

(Cont
role
yˆ (t + j ) = G j (q -1 ) Du (t + j ) + p j Predit
ivo.13
)

-1 -1 -2 -j
onde G j (q ) = g1q + g 2 q + K + g j q e pj representa a resposta livre do sistema dada
por

(Cont
role

p j = y (t ) +  ( g j + i - g i ) Du (t - i ) Predit
i =1

ivo.14
)
CAPÍTULO 4 – CONTROLE PREDITIVO 63

Para um processo assintoticamente estável os coeficientes da resposta ao degrau


tendem a um valor constante, ou seja, (gj+i – gi)  0 para i > N e, desta forma, a Eq.
(Controle Preditivo.14) pode ser reduzida para

(Cont
role
N
p j = y (t ) +  ( g j + i - g i )Du (t - i ) Predit
i =1
ivo.15
)

A partir das previsões da Eq. (Controle Preditivo.11) a função custo pode ser
reescrita na forma matricial

(Cont
role
J DMC = ΔU �
�G G + LI �
T T
�ΔU - 2e GΔU + e e
T
0
T
0 0 Predit
ivo.16
)

onde DU = [Du(t), Du(t+1), ... , Du(t+Nu–1)]T é o vetor do controle futuro a ser calculado
e0 = [yr(t+N1) – pN1, ... , yr(t+N2) – pN2]T é o vetor do erro entre a referência e a
estimativa da resposta livre do sistema e G é uma matriz dada por

 g N1 ... g1 0 ... 0 
g ... g 2 g1 0 ... 0 
 N1 +1
G=  ... ... ... ... ...  
 
  ... ... ... ... ...  
 gN ... ... ... ... ... g N 2 - N u +1 
 2

Na ausência de restrições, a minimização da função custo da Eq. (Controle


Preditivo.16) é obtida analiticamente levando a
CAPÍTULO 4 – CONTROLE PREDITIVO 64

(Cont
role
-1
ΔU = �
�G G + LI �
T T
� G e0 Predit
ivo.17
)

que fornece Nu valores para o sinal de controle, mas somente Du(t) é aplicado. No período
de amostragem seguinte a solução é calculada novamente e outro conjunto de Nu valores de
controle é obtido (receding horizon strategy).
Características do controle DMC:
 O número de termos do modelo resposta ao degrau (N) deve ser suficientemente
grande, tal que NTs  ts, onde ts (settling time) é o tempo de estabilização do
processo;
 O processo deve ser estável em malha aberta;
 O erro de previsão deve poder ser modelado como uma perturbação do tipo degrau
atuando na saída do processo.

Os parâmetros de sintonia do DMC permitem uma maior flexibilidade de projeto


para o sistema controlado. No entanto, algumas peculiaridades que devem ser levadas em
conta na sua seleção (Prada et al., 1994; Pike et al., 1996; Brosilow e Joseph, 2002):

Horizonte de Previsão Inicial (N1) - Normalmente é selecionado como 1 (um), mas nos
casos em que o atraso de transporte é perfeitamente conhecido este pode ser ajustado com
N1  d fazendo com que o esforço computacional seja reduzido.

Horizonte de Previsão Final (N2) - Sua seleção, normalmente, é tal que este seja maior do
que o tempo de subida porém não superior ao tempo de estabilização (ts) do processo. Para
a maioria dos processos estáveis em malha aberta, a dinâmica de malha fechada torna-se
mais rápida com a diminuição de N2. O aumento de N2 provoca um aumento da robustez do
sistema quanto à presença de dinâmicas não-modeladas aumentando, porém, o esforço
computacional.
CAPÍTULO 4 – CONTROLE PREDITIVO 65

Horizonte de Controle (Nu) - Valores elevados de Nu, além de aumentar o esforço


computacional (inversão da matriz [GTG + LI] de dimensões Nu x Nu), aumenta a
agressividade da ação de controle. Para sistemas estáveis em malha aberta, Nu = 1 mostra-
se, geralmente, adequado. Na prática o valor de Nu deve ser o menor possível que permita
um desempenho satisfatório do sistema.

Ponderação do Controle (L) - A introdução desta ponderação faz com que a magnitude do
sinal de controle seja levada em conta na função custo a ser minimizada. Isto provoca uma
diminuição dos níveis do sinal de controle podendo causar, também, aumento na sobre-
elevação da saída do sistema. A ponderação L com um valor diferente de zero melhora o
condicionamento da matriz [GTG + LI], possibilitando sua inversão, além de aumentar a
robustez do sistema quando sujeito a incertezas de modelagem (Banerjee e Shah, 1995).

4.2.3 Controle Preditivo Generalizado (GPC)


Com o objetivo de suprir algumas deficiências dos controladores GMV que falham
no controle de alguns processos de fase não-mínima ou quando o atraso de transporte não é
perfeitamente conhecido, D. W. Clarke, C. Mohtadi e P. S. Tuffs (Clarke et al., 1987)
desenvolveram uma nova estratégia de controle denominada de GPC (Generalized
Predictive Control).
O controlador GPC utiliza um modelo do tipo CARIMA conforme representado
pela seguinte equação a diferenças

(Cont
role
A(q -1 )Dy (t ) = q - d B (q -1 )Du (t ) + C (q -1 )x (t ) Predit
ivo.18
)

onde y(t) é a saída do processo, u(t) é a variável manipulada, d é o atraso de transporte, x(t)
representa ruído na medição, perturbações e/ou erros de modelagem.
A lei de controle GPC é obtida pela minimização do seguinte critério
CAPÍTULO 4 – CONTROLE PREDITIVO 66

(Cont

N2 Nu
role
�[ y(t + j ) - y (t + j )] + �LDu
2
J GPC = r
2
(t + j - 1) Predit
j = N1 j =1
ivo.19
)

onde L é a ponderação do sinal de controle, N1 e N2 são os horizontes de previsão da saída


inicial e final, respectivamente, e Nu é o horizonte de controle. Os termos y(t+j) e yr(t+j)
representam o sinal da saída e o sinal de referência j passos a frente e, Du(t+j–1) é o
incremento do sinal de controle no instante (t+j–1).
Os horizontes de previsão e a ponderação do controle são os principais parâmetros
de sintonia do GPC. A partir da seleção destes parâmetros é possível obter-se diferentes
tipos de controladores preditivos e ajustar o desempenho desejado para o sistema
controlado (Clarke et al., 1987; De Keyser et al., 1988; Bitmead et al., 1991).
Seja a identidade polinomial

(Cont
role
C (q -1 ) = A(q -1 )DE j (q -1 ) + q - j F j (q -1 ) Predit
ivo.20
)

onde os coeficientes dos polinômios

E j (q -1 ) = 1 + e1q -1 + ... + e ne q - ne
-nf
Fj (q -1 ) = f 0 + f1q -1 + ... + f nf q

ne = j –1; nf = max(na, nc – j)

são determinados pelo conhecimento do intervalo de previsão j e dos polinômios A(q–1) e


C(q–1).
Pela manipulação do modelo do sistema, equação (Controle Preditivo.18), e a
equação (Controle Preditivo.20) chega-se a seguinte representação
CAPÍTULO 4 – CONTROLE PREDITIVO 67

(Cont
role
F j ( q -1 ) G j '(q -1 )
y (t + j ) = y (t ) + Du (t + j - d ) + E j (q -1 )x (t + j ) Predit
C ( q -1 ) C ( q -1 )
ivo.21
)

onde
G 'j (q -1 ) = E j (q -1 ) B (q -1 )

Como o ruído está descorrelacionado dos sinais mensuráveis no instante t têm-se


que a previsão da saída no instante (t + j) é

(Cont
role
F j ( q -1 ) G j '(q -1 )
yˆ (t + j ) = y (t ) + Du (t + j - d ) Predit
C ( q -1 ) C (q -1 )
ivo.22
)

Utilizando a identidade polinomial

(Cont
role
G j '(q -1 ) = C (q -1 )G j (q -1 ) + q - j G j (q -1 ) Predit
ivo.23
)

e substituindo na equação (Controle Preditivo.21) obtêm-se

(Cont
F j ( q -1 ) G j ( q -1 )
yˆ (t + j ) = -1
y (t ) + -1
Du (t - d ) + G j (q -1 )Du (t + j - d ) role
C (q ) C (q )
Predit
| informações disponíveis | | futuro |
no instante t ivo.24
)
CAPÍTULO 4 – CONTROLE PREDITIVO 68

onde os elementos gi de Gj(q–1) são formados a partir da resposta ao degrau do modelo do


processo, que correspondem aos termos da divisão de B(q–1)/A(q–1)D. A partir da equação
(Controle Preditivo.24) retira-se a previsão da resposta livre do sistema (com base na
informação disponível no instante t), isto é

(Cont
role
F j ( q -1 ) G j ( q -1 )
yˆ (t + j / t ) = y (t ) + Du (t - d ) Predit
C (q -1 ) C ( q -1 )
ivo.25
)

Seja o vetor f formado a partir das previsões da resposta livre

(Cont
role
f = [ yˆ (t + N1 / t ) yˆ (t + N 2 / t ) ]
T
yˆ (t + N1 + 1/ t ) K Predit
ivo.26
)

e o vetor do controle incremental futuro

(Cont
role
ΔU = [ Du (t ) Du (t + 1) K Du (t + N u - 1)]
T
Predit
ivo.27
)

A equação (Controle Preditivo.22) pode ser representada na forma vetorial

(Cont
role
ˆ = GDU + f
Y Predit
ivo.28
)
CAPÍTULO 4 – CONTROLE PREDITIVO 69

onde

ˆ = [ yˆ (t + N )
Y yˆ (t + N1 + 1) K yˆ (t + N 2 ) ]
T
1

�g N1 - d K g0 0 0 L 0 �
� �
�g N1 - d +1 K g1 g0 0 L 0 �
� M O O M �
G=� �
� M O g0 �
� �
� M K M �
�g N -d g N 2 - d -1 K g N 2 - Nu -d +1 �
� 2 �

A matriz G tem dimensões (N2 – N1 + 1) x Nu pois leva em conta a suposição de que


Du(t+j–1) = 0, j > Nu penalizando o controle além deste horizonte e reduzindo, portanto,
o esforço computacional do algoritmo de controle.
A função custo do GPC pode ser representada na forma vetorial

(Cont
role
T
J GPC = �
Yˆ - Y ��Yˆ - Y �+ LDUT DU Predit
� r �� r�

ivo.29
)

onde

Yr = [ yr (t + N1 ) yr (t + N 2 ) ]
T
yr (t + N1 + 1) K

Assim, minimiza-se a função custo JGPC da função (Controle Preditivo.29) obtendo


a seguinte lei de controle
CAPÍTULO 4 – CONTROLE PREDITIVO 70

(Cont
role
-1
DU = [G G + LI ] G [Yr - f ]
T T
Predit
ivo.30
)

Na prática, somente o primeiro sinal de controle é aplicado e, a cada iteração, um


novo problema de minimização é resolvido. Assim, calcula-se a lei de controle por

(Cont
role
u(t) = u(t – 1) + Du(t) Predit
ivo.31
)

A utilização do GPC possibilita tratar processos que possuam atrasos de transporte


desconhecidos ou variantes, sistemas sob restrições, não-linearidades, sistemas de fase
não-mínima, bem como plantas instáveis em malha aberta (Clarke et al., 1987b).
A estrutura utilizada pelo controlador preditivo generalizado é ilustrada na Error:
Reference source not found.
CAPÍTULO 4 – CONTROLE PREDITIVO 71

x(t)

C(q–1)
DA(q–1)

yr(t) + 1 u(t) q–d B(q–1) y(t)


T(q–1) +
– DR(q–1) A(q–1)

S(q–1)

Figura 4.4 – Estrutura do Controlador GPC.

Seja o vetor M representado pela primeira linha da matriz (GTG + LI) –1 GT

(Cont
role
M = [1 0 K 0] �
( G T G + L I ) -1 G T �
� � Predit
ivo.32
)

onde M = �
mN1
� mN1 +1 K mN 2 �

O controle aplicado ao processo pode ser descrito como

(Cont
role
Du (t ) = M [Yr - f ] Predit
ivo.33
)
CAPÍTULO 4 – CONTROLE PREDITIVO 72

A lei de controle, que satisfaz a Error: Reference source not found, pode ser
representada como

(Cont
role
R(q -1 )Du (t ) = T ( q -1 ) yr (t + N 2 ) - S ( q -1 ) y(t ) Predit
ivo.34
)

onde
N2
R (q -1 ) = C (q -1 ) + q - d �m G (q
j = N1
j j
-1
)

N2
S ( q -1 ) = �m F (q
j = N1
j j
-1
)

N2
T (q -1 ) = C (q -1 ) �mN 2 + N1 - j q - ( j - N1 )
j = N1

nr = N2 – N1; ns = max(na, nc – N2) e nt = max(nc, nb)

Substituindo a lei de controle, equação (Controle Preditivo.34), na equação do


processo, equação (Controle Preditivo.18) obtêm-se

(Cont
role

� q - d B(q -1 )T ( q -1 ) �
� yr (t + N 2 ) C (q -1 ) R (q -1 )x (t )
y (t ) = -1 -1 -d -1 -1
+ Predit

A
� ( q ) D R ( q ) + q B ( q ) S ( q ) �
� �A(q -1 ) DR (q -1 ) + q - d B( q -1 ) S (q -1 ) �
� �
ivo.35
)

A partir da equação (Controle Preditivo.35) têm-se o polinômio característico do


sistema em malha fechada calculado por
CAPÍTULO 4 – CONTROLE PREDITIVO 73

(Cont
role
-1 -1 -1 -d -1 -1
Pmf (q ) = A( q )DR(q ) + q B( q ) S (q ) Predit
ivo.36
)

A sintonia do controlador GPC pode ser feita com base nas propriedades já
apresentadas aos parâmetros do controlador DMC podendo-se destacar, ainda, as seguintes
características:
 É capaz de lidar com processos que possuam atrasos de transporte desconhecidos
ou variantes, não-linearidades, sistemas de fase não-mínima, bem como plantas
instáveis em malha aberta;
 Para processos instáveis em malha aberta a seleção de um N2 elevado pode levar o
sistema à instabilidade também em malha fechada pois os pólos do sistema em
malha fechada tendem aos de malha aberta quando N2  .

Atualmente, o controle preditivo é empregado nas mais diversas áreas não somente
da indústria (regulação de tensão, controle de temperatura, pressão, nível, etc.) mas
também em outras áreas do conhecimento humano como a medicina (anestesia, controle de
pressão sangüínea) mostrando a evolução prática destas estratégias e passando a ocupar um
lugar de destaque na área de controle de processos.

Na presença de restrições o problema de minimização tem que ser resolvido


numericamente e, neste caso, o condicionamento da matriz [GTG + LI] afeta a qualidade
da solução obtida.

4.2.4 Abordagem Mean Level Control (MLC)


Um controlador de modelo inverso em regime permanente ou controlador Mean
Level fornece um simples degrau como ação de controle para uma variação do tipo degrau
para a referência, o que leva o processo exatamente para a nova referência em regime
permanente, Error: Reference source not found.
CAPÍTULO 4 – CONTROLE PREDITIVO 74

passado futuro

referência futura

saída prevista
y

controle futuro
u

t+N2 tempo
t-1 t+1 t+Nu-1 t+Nu
t

Figura 4.5 – Abordagem Mean Level Control.

Utilizando a forma linear geral da lei de controle do GPC que tende ao controlador
MLC quando N2   se N1 = d = 1, Nu = 1, L = 0 (McIntosh et al., 1991), o controlador
MLC posiciona os pólos de malha fechada na mesma posição dos pólos de malha aberta de
um processo estável.
Com N1 = d = 1, Nu = 1, L = 0 a lei de controle do GPC torna-se

(Cont
role
-1
Du (t ) = � � G ( Yr - f )
GT G � T
� Predit
ivo.37
)

onde
N 2 -1
T
G=�
g0
� g1 L g N2 -1 �
� e G G=
T
�g
i=0
2
i

Para um horizonte de saída de N2 os elementos da primeira linha de [GTG]-1GT são:


CAPÍTULO 4 – CONTROLE PREDITIVO 75

(Cont
g j -1 role
mj = N 2 -1
j = 1, ... , N2 Predit
�g 2
i
i=0 ivo.38
)

Considerando a forma geral para a lei de controle

(Cont
role
R(q -1 )Du (t ) = T (q -1 ) yr (t ) - S (q -1 ) y (t ) Predit
ivo.39
)

obtêm-se

�N2 � �N 2 �  N2 
�� g j -1G j (q -1 ) � �� g j -1 Fj ( q -1 ) �   g j -1 
T (q -1 ) =  N -1 
j =1
R (q -1 ) = 1 + q -1 �j =1 N2 -1 �, S (q -1 ) = �j =1 N2 -1 � e
� � � �  2 2 
� �gi � �gi   gi 
2 2
� �
� i =0 � � i =0 �  i =0 

Pode-se escrever um conjunto similar de equações para um horizonte de saída N2 +


1 e, fazendo a diferença (para um N2 de valor elevado), têm-se

1 �FN 2 +1 (q -1 ) �  1 
R ( q -1 ) = �
g + q -1
G ( q -1
) � -1
�, S (q ) = � � e T (q -1 ) =  
g N2 � 2
N N 2 +1
� g N2 �  g N 2 

O polinômio característico para o sistema em malha fechada é

(Cont
role
Pmf (q -1 ) = R( q -1 ) A(q -1 )D + q -1B(q -1 ) S ( q -1 ) Predit
ivo.40
)
CAPÍTULO 4 – CONTROLE PREDITIVO 76

Substituindo R(q-1) e S(q-1) o polinômio característico torna-se

(Cont
role
g N 2 A(q -1 )D + q -1 �
GN 2 +1 A(q -1 ) D + B(q -1 ) FN 2 +1 �
� �
Pmf (q -1 ) = Predit
g N2
ivo.41
)

Considerando a identidade polinomial

(Cont
role
-1 -1 - ( N 2 +1) -1
1 = E N 2 +1 ( q ) A ( q ) D + q FN2 +1 (q ) Predit
ivo.42
)

e que

(Cont
role
-1 -1 -1 -1 -j -1
E j (q ) B (q ) = G j (q )C ( q ) + q G j (q ) Predit
ivo.43
)

obtêm-se pela manipulação das Eq. (Controle Preditivo.42) e (Controle Preditivo.43)

(Cont
role
B(q -1 ) = GN 2 +1 (q -1 ) A(q -1 )D + q - ( N2 +1) �
GN 2 +1 (q -1 ) A(q -1 )D + B (q -1 ) FN2 +1 (q -1 ) �
� � Predit
ivo.44
)

De maneira que reescrevendo a Eq. (Controle Preditivo.41) obtém-se


CAPÍTULO 4 – CONTROLE PREDITIVO 77

(Cont
role
-1
Pmf (q ) =
{
A(q -1 )D g N2 + q N 2 �
� }
B (q -1 ) / A(q -1 ) D - GN2 +1 �
� Predit
g N2
ivo.45
)

Visto que os coeficientes de B/AD e de

(Cont
role
-1 -1 - N2
GN2 -1 ( q ) = g 0 + g1q + L + g N2 q Predit
ivo.46
)

são coeficientes de resposta ao degrau, o polinômio característico pode ser reescrito na


forma

(Cont
role
A(q -1 )D �
g N 2 + g N 2 +1q -1 + ...�
� �
Pmf (q -1 ) = Predit
g N2
ivo.47
)

Levando ao limite quando N2   para um processo estável em malha aberta

(Cont
role
-1
lim � -1
�A(q ) -1 -2

� -1
Pmf (q ) = � g N2 + ( g N2 +1 - g N2 ) q + ( g N2 + 2 - g N2 +1 ) q + ...�

� �= A( q ) Predit

N 2 �� � g N 2 �
ivo.48
)

verifica-se que, para um controlador MLC atuando sobre um processo estável, os pólos de
malha fechada permanecem nas mesmas posições dos pólos de malha aberta.
CAPÍTULO 4 – CONTROLE PREDITIVO 78

4.3 CONTROLE PREDITIVO BASEADO EM MODELO NÃO-LINEAR


Quando o processo não-linear atua numa faixa de operação muito ampla ou a não-
linearidade do processo é forte o bastante para tornar o desempenho do controlador
inadequado para atender os requisitos estabelecidos, a utilização de um modelo não-linear
deve ser considerada (Rawlings, 2000).
Nos últimos anos houve um grande crescimento nas aplicações industriais de
controle preditivo não-linear (NMPC – Nonlinear Model Predictive Control) que se
apresenta como uma estratégia de controle bastante promissora para diversas áreas da
engenharia. A Tabela Controle Preditivo.2 ilustra algumas aplicações presentes em Qin e
Badgwell, 2000.

Tabela Controle Preditivo.2 – Aplicações Comerciais de NMPC.


Área Adersa Aspen Continental DOT Pavilion Total
Technology Controls Products Techno.
ar e gás 18 18
química 02 15 05 22
alimentos 09 09
polímeros 01 05 15 21
papel 01 01
refinaria 13 13
utilidades 05 02 07
outras 01 01 02
Total 03 06 36 05 43 93

Os principais motivos deste crescimento são o pobre desempenho de controladores


lineares em processos altamente não-lineares ou em plantas que trabalham numa ampla
faixa de operação, a evolução de estratégias de controle baseadas em modelos não-lineares
e o desenvolvimento de processadores poderosos o bastante para tornar possíveis estas
implementações.
O emprego de controladores preditivos baseados no modelo de Hammerstein tem
motivado uma série de aplicações bem sucedidas ao longo dos últimos anos (Bars e Haber,
1991; Katende e Jutan, 1996; Fruzzetti et al., 1997). Isto se deve ao fato que este modelo
apresenta propriedades que simplificam o projeto do controlador preditivo não-linear
possibilitando, inclusive, uma solução analítica para o problema de minimização da função
custo (caso sem restrições).
CAPÍTULO 4 – CONTROLE PREDITIVO 79

4.3.1 Controlador de Bars e Haber


Consiste de um controlador preditivo do tipo GMV (Bars e Haber, 1991) cuja
função custo é

(Cont
role
J B = [ y (t + d ) - yr (t + d ) ] + LDu 2 (t )
2
Predit
ivo.49
)

onde d é o atraso de transporte discreto, yr é a referência e L é a ponderação do incremento


do sinal de controle.
O sinal de controle que minimiza a função custo, Eq. (Controle Preditivo.49), pode
ser determinado como a solução da seguinte equação

(Cont
role
2 m -1
k2 m -1u (t ) + K + k 2u (t ) + k1u (t ) + k0 = 0
2
Predit
ivo.50
)

onde os coeficientes ki (i = 0, ..., 2m-1) são calculados de acordo com o modelo utilizado
para representar o processo.
Seja o caso específico onde um processo de segunda ordem do tipo Hammerstein é
representado pela seguinte equação a diferenças:

(Cont
role
y(t ) = -a1 y(t - 1) - a2 y(t - 2) + b0g 1u (t - 1) + b0 g 2 u (t - 1) + b1g 1u (t - 2) + b1g 2 u (t - 2) Predit
2 2

ivo.51
)

A minimização irrestrita da função custo, Eq. (Controle Preditivo.49), na forma


CAPÍTULO 4 – CONTROLE PREDITIVO 80

(Cont
role
�JB
=0 Predit

u (t )
ivo.52
)

leva ao seguinte polinômio

(Cont
role
k3u 3 (t ) + k2u 2 (t ) + k1u (t ) + k0 = 0 Predit
ivo.53
)

onde
k3 = 3b02g 22

k2 = 3b02g 1g 2

k1 = b0g 2 �
-a1 y (t ) - a2 y (t - 1) + b1g 1u (t - 1) + b1g 2u 2 (t - 1) - yr (t + 1) �
� �+ b0 g 1 + L
2 2

k0 = b0g 1 �
-a1 y (t ) - a2 y (t - 1) + b1g 1u (t - 1) + b1g 2u 2 (t - 1) - yr (t + 1) �
� �- Lu (t - 1)

cuja solução gera três possíveis sinais de controle para serem aplicados ao processo. A
multiplicidade de soluções implica na aplicação de alguma técnica para selecionar, dentre
os sinais candidatos, aquele mais apropriado. Um critério possível é selecionar aquele sinal
de controle que mais se aproxime do sinal aplicado no instante anterior, u(t-1), de forma a
minimizar as variações no esforço de controle preservando, assim, a vida útil dos
atuadores.
O grau ímpar do polinômio representado pela equação (Controle Preditivo.50)
garante a existência de pelo menos uma raiz real e, portanto, um valor factível para
implementação do sinal de controle.
CAPÍTULO 4 – CONTROLE PREDITIVO 81

4.3.2 Controlador Preditivo Baseado num Modelo Quase-Linear


Considerando um sistema que pode ser representado por um modelo de
Hammerstein na forma

(Cont
role
g 1 + g 2u (t ) + ... + g mu (t )m -1 �
y (t ) = H (q -1 ) �
� u (t )
� Predit
ivo.54
)

que após algumas manipulações torna-se

(Cont
role
y (t ) = y (t - 1) + H (q -1 , u )Du (t ) Predit
ivo.55
)

onde
g 1 + g 2u (t ) + ... + g mu (t ) m-1 �
H (q -1 , u ) = H (q -1 ) �
� �
m
H (q -1 , u ) = H ( q -1 )�g j u (t ) j -1
j =1

N m
H (q -1 , u ) = ��hig j u (t ) j -1
i =1 j =1

Esta técnica de controle é formulada, empregando o modelo quase-linear da


equação (Controle Preditivo.55), a partir da função custo do GPC, Eq. (Controle
Preditivo.56), cuja otimização leva à minimização dos desvios futuros da saída em relação
aos seus valores desejados ao longo de um horizonte de previsão definido pelo usuário
(Fontes et al., 2002a; 2002b).
CAPÍTULO 4 – CONTROLE PREDITIVO 82

(Cont

N2 Nu
role
J QL = �[ yˆ (t + i ) - yr (t + i ) ] + �L [ Du (t + i - 1)]
2 2
Predit
i = N1 i =1
ivo.56
)

onde N1 e N2 são os horizontes de previsão, inicial e final, respectivamente, Nu é o


horizonte de controle e L é uma seqüência de ponderações sobre o incremento do sinal de
controle.
Em relação ao exemplo da Eq. (Controle Preditivo.51) o modelo quase-linear
resulta em

-1 b0 q -1 + b1q -2
H (q ) =
1 + a1q -1 + a2 q -2

H ( q -1 , u ) = H ( q - 1 ) [ g 1 + g 2 u (t ) ]

4.3.3 Controlador de Katende e Jutan


Esta estratégia (Katende e Jutan, 1996) emprega um controlador preditivo
generalizado não-linear (NGPC – Nonlinear Generalized Predictive Controller) cuja
função custo é

(Cont

N2 Nu
role
J K = �[ Yyˆ (t + i ) - Y (1) yr (t + i ) ] + L �x '2 (t + i - 1)
2
Predit
i = N1 i =1
ivo.57
)

onde Y é um polinômio mônico de maneira que

nY
Y (1) = �Y j
j =0
CAPÍTULO 4 – CONTROLE PREDITIVO 83

e x' é função da saída do controlador x(t ) , na forma x '(t ) = B (q -1 ) x (t ) .


A função custo, Eq. (Controle Preditivo.57), que penaliza x'(t) ao invés do sinal de
controle u(t), é minimizada, sem restrições, na forma

(Cont
role
�JK
=0 Predit

x '(t )
ivo.58
)

O valor ótimo para x'(t) é calculado e, a partir deste, determina-se o valor ótimo de u(t)
através da solução do polinômio

(Cont
role
m

x(t) = g1u(t) + g2u2(t) + ... + gmum(t) = �g u (t )


i =1
i
i
Predit
ivo.59
)

ou diretamente de

(Cont
role
m
x '(t ) = B (q -1 )�g i u i (t ) Predit
i =1
ivo.60
)

que pode ser reescrita na forma

(Cont
role
m m nb
 = �b g u + ��b jg i u (t - j ) - x '(t ) = 0
i
0 i o
i
Predit
i =1 i =1 j =1
ivo.61
)
CAPÍTULO 4 – CONTROLE PREDITIVO 84

separando o controle ótimo, uo = u(t), a ser calculado e as entradas passadas.


O gradiente da função (Controle Preditivo.61) em relação a uo é dado por

(Cont
role
� m
�ui
'= = �b0g i o Predit

u o i =1 �uo
ivo.62
)

e o sinal de controle ótimo pode ser determinado, iterativamente, pelo método de Newton,
através da equação

(Cont
role

uo ( k + 1) = uo (k ) - Predit
'
ivo.63
)

4.3.4 Controlador de Fruzzetti


Este controlador é baseado na estratégia NMPC (Fruzzetti et al., 1997) cuja
estrutura é ilustrada na Error: Reference source not found.

h(t)
yr(t) F e(t) Gc x (t ) NL I u(t) PLANT + y(t)
+ A +

NLI x(t ) H ym(t) +



h(t)

Figura 4.6 – Estrutura do Controlador de Fruzzetti.


CAPÍTULO 4 – CONTROLE PREDITIVO 85

onde F representa um filtro linear, Gc é o controlador MPC linear, NL é o elemento estático


não-linear, NLI é a inversa da não-linearidade NL (suas raízes), x é a saída do controlador,
ym é a saída do modelo e h é uma variável auxiliar de forma que h = y - ym.
A função custo a ser minimizada é

(Cont

N2 Nu
role
J F = �Ye (t + i ) + �LDx (t + i - 1)
2 2
Predit
i = N1 i =1
ivo.64
)

onde e(t) é o erro, e(t) = yˆ (t ) – yr(t); Y e L são as ponderações de e(t) e Dx (t ) ,


respectivamente.
Como a não-linearidade do sistema é representa por uma expansão polinomial
finita, a inversa da não-linearidade pode ser representada diretamente por suas raízes. O
projeto de controlador preditivo é linear gerando x(t) que, a partir de NLI, gera o sinal de
controle a ser aplicado na planta, u(t). O sinal de controle deve ser selecionado dentre as
raízes válidas (valores reais que atendam as restrições) do polinômio de NL, Eq. (Controle
Preditivo.59), sendo recomendável que este tenha grau ímpar para garantir pelo menos uma
solução real.

4.3.5 Multiplicidade de Soluções para a Lei de Controle


As estratégias de controle de Bars e Haber, Katende e Jutan, e Fruzzetti resultam
em multiplicidade de soluções para o problema de controle, isto ocorre porque o
controlador encontra o valor ótimo para a pseudo-saída x(t) a qual, através da Eq. (Controle
Preditivo.59) fornece diversas soluções. Além disso, as estratégias de Katende e Jutan, e
Fruzzetti necessitam que o polinômio que representa a não-linearidade estática tenha grau
ímpar para que possam garantir pelo menos um valor factível para o sinal de controle, ou
seja, pelo menos uma raiz real na solução do polinômio da equação (Controle
Preditivo.59). Estes problemas podem ser resolvidos através de uma segunda operação de
otimização, por exemplo, através de um método iterativo de busca (Zhu et al., 1991;
Isermann et al., 1992), ou, ainda, empregando algum tipo de aproximação.
CAPÍTULO 4 – CONTROLE PREDITIVO 86

 Busca Iterativa
Um possível método de busca das raízes pode ser representado pelo seguinte
algoritmo:

Algoritmo de Busca do Controle Ótimo


1. Minimiza a função custo analiticamente, obtendo o valor ótimo para a
��J �
pseudo-saída, xo � = 0 �;
� �x �
2. Obtém as raízes do polinômio: xo = g1u +g2u2 + ... +g1um;
3. Descarta as raízes que violem restrições ou sejam complexas;
4. Seleciona para uo aquela que minimize |u(t) – u(t-1)|;
5. Não havendo solução que atenda estes critérios, uo será um valor pré-
determinado.

 Aproximação de Zhu e Seborg


Esta aproximação além de fornecer uma única solução para o controle, dispensa a
obrigatoriedade de um modelo com não-linearidade de grau ímpar que pode ser restritivo,
apresenta resultados adequados quando a entrada varia lentamente mas, tem algumas
limitações de aplicabilidade quando o sinal de controle sofre variações muito bruscas
podendo, inclusive, comprometer a estabilidade do sistema (Zhu e Seborg, 1994; Pearson e
Ogunnaike, 1997).

(Cont
role
1
u (t ) ; x(t ) - g 2u 2 (t - 1) - ... - g mu m (t - 1) �
� Predit
g1 � �
ivo.65
)

Para o exemplo da Eq. (Controle Preditivo.51) esta aproximação torna-se

1
u (t ) ; x (t ) - g 2u 2 (t - 1) �

g1 � �

 Aproximação por Série de Taylor


Apresenta as mesmas vantagens da aproximação de Zhu e Seborg além de uma
maior robustez em relação à estabilidade do sistema para grandes variações no sinal de
CAPÍTULO 4 – CONTROLE PREDITIVO 87

controle. Sua desvantagem é a necessidade de substituir todo termo do sinal de controle


com expoente maior que um tornando-se trabalhosa quando o grau da não-linearidade é
elevado.
Considerando que f = um, a aplicação de uma linearização em torno de um ponto u0
leva a


f
f = f0 + ( u - u0 ) = u0m + mu0m-1 ( u - u0 )

u
u = u0

e considerando que o ponto u0 = u(t-1),

f = u m (t - 1) + mu m -1 (t - 1) [ u (t ) - u (t - 1) ] = mu m -1 (t - 1)u (t ) - ( m - 1)u m (t - 1)

e, desta forma, a não-linearidade do sistema

(Cont
role
m
x(t ) = g 1u (t ) + g 2u (t ) + L + g mu (t ) = �g i u (t )
2 m i
Predit
i =1
ivo.66
)

pode ser representada, aproximadamente por

m
x(t ) ; g 1u (t ) + g 2u (t ) + L + g mu (t ) = g 1u (t ) + �g i u i (t )
2 m

i =2

ou, ainda,
CAPÍTULO 4 – CONTROLE PREDITIVO 88

(Cont
role
�m � m
x(t ) ; ��
�i =1
u (t ) - �(i - 1)g i u i (t - 1)
ig i u i -1 (t - 1) �
� i=2
Predit
ivo.67
)

O sinal de controle torna-se único e determinado pela equação

(Cont
m
x(t ) + �(i - 1)g i u i (t - 1) role
i =2
u (t ) ; Predit
�m �
��
�i =1
ig i u i -1 (t - 1) �
� ivo.68
)

Para o exemplo da Eq. (Controle Preditivo.51) a aproximação resulta

x(t ) + g 2u 2 (t - 1)
u (t ) ;
g 1 + g 2u (t - 1)

Mesmo quando se utilizam aproximações para evitar a aplicação de um método


numérico, pode ocorrer que o sinal de controle calculado não atenda as restrições do
sistema e, neste caso, é necessário definir um valor de controle a ser aplicado que pode ser
o sinal aplicado no instante anterior, u(t-1), ou mesmo o valor da entrada em regime
permanente, conforme o conhecimento prévio do processo.
A Figura Controle Preditivo.1 ilustra uma proposta de procedimento de tomada de
decisão na seleção de uma estratégia para a determinação do sinal de controle a ser
aplicado na planta.
CAPÍTULO 4 – CONTROLE PREDITIVO 89

Figura Controle Preditivo.1 – Seleção do Sinal de Controle.

A literatura de controle preditivo não-linear baseado em modelos de Hammerstein /


Wiener apresenta, em geral, uma busca de raízes com técnicas que se assemelham entre si,
não diferindo muito em relação ao algoritmo de busca iterativa apresentado nesta seção
(Zhu et al., 1991; Isermann et al., 1992). A aproximação de Zhu-Seborg apresenta-se como
alternativa à busca iterativa de solução para a lei de controle embora, registrando alguns
problemas em relação à estabilidade robusta (Zhu e Seborg, 1994; Pearson e Ogunnaike,
1997). A aproximação por série de Taylor destaca-se como uma estratégia alternativa ao
problema de seleção do sinal de controle apresentando resultados semelhantes em relação
ao método tradicional de busca iterativa. Na prática, o uso de aproximações só torna-se
necessário quando a estratégia de controle é “pesada” computacionalmente e / ou quando
as restrições de tempo-real são muito fortes (cumprimento do período de amostragem).

Você também pode gostar