Método de ajuste para MPC baseado em multi-cenários para sistemas não quadrados

A utilização de controladores preditivos multivariáveis na indústria de processos cresceu significativamente nos últimos anos principalmente devido à versatilidade e a confiabilidade que essa ferramenta proporciona em termos de controle avançado. No entanto, aspectos relacionados à aplicação prática do que vem sendo desenvolvido no meio acadêmico possui pouca difusão na indústria devido às configurações clássicas adotadas, como sistemas quadrados (com o mesmo número de variáveis controladas e manipuladas), modelos lineares, utilização de setpoint e etc. diferindo daquilo que está disponível e é amplamente utilizado industrialmente: sistemas não-quadrados (geralmente com mais variáveis controladas do que manipuladas), modelos não-lineares e utilização de soft-constraints. Esse trabalho propõe uma metodologia para ajuste dos parâmetros presentes em um controlador preditivo, atento à variedade de algoritmos presentes na indústria de processos. Essa metodologia se baseia na obtenção do melhor desempenho alcançável para cada cenário de um modelo global do processo, atendendo as restrições de Número de Desempenho Robusto relativo (rRPN), Máxima Sensibilidade e restrições nas ações de controle. Baseado em um desempenho que é alcançável, o modelo linear global é escalonado (assim como a planta não-linear) e os pesos que levam o sistema para a melhor condição operacional são estimados. Essa técnica abrange controladores operando em faixas e/ou setpoint e configurações não-quadradas, i.e., com mais variáveis controladas do que manipuladas. A abordagem proposta foi testada em uma planta de quatro tanques esféricos com aquecimento apresentando resultados coerentes, corroborando seu potencial de aplicação industrial.Due to their versatility and reliability, Model Predictive Controllers (MPCs) are the standard solution for advanced process control in the process industry. However, there is a gap between the academic developments and the actual industrial applications, since the most academic studies focus on systems working with set-points and same number of manipulated and controlled variables, whereas the industrial application cope with non-squared configuration usually with several controlled variables in ranging and a reduced number of manipulated variables. This work proposes a tuning methodology for the countable parameters presents in a typical industrial predictive controller, considering the variety of the algorithms presents commercially in the process industry. This methodology is based on the estimation of the best attainable performance for each scenario of the global model of the process, constrained by the relative Robust Performance Number (rRPN), Maximal Sensitivity and restrictions in the control actions. Based on a performance that is attainable, the linear global model is scaled (and the non-linear) and the weights that lead the system to the best operational condition are estimated. This technique covers controllers operating in zones of control and/or set-point tracking and non-square configurations, i.e., with more controlled variables than manipulated. The proposed approach was tested in a Quadruple-Spherical tanks heating system presenting coherent results indicating its potential for industrial applications