Algoritmos de MPC robusto para modelos industriais de entrada e saída

Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2020.Os algoritmos de controle preditivo têm uma grande aceitação na indústria de processos devido à capacidade de lidar com sistemas multivariáveis e com restrições. Esses são projetados baseando-se no modelo da planta que geralmente está sujeito a incertezas. Nesse contexto, é definido como controle preditivo robusto (RMPC) aquele que garante a estabilidade da malha fechada da planta mesmo na presença dessas incertezas. Existem diversas formulações RMPC, no entanto, estas são baseadas em modelos de espaço de estados para os quais a estabilidade é garantida sob a suposição de que os estados podem ser medidos, o que não acontece na prática. Assim, o objetivo deste trabalho é adaptar diferentes métodos RMPC utilizando apenas dados mensuráveis de entrada e saída. Os métodos escolhidos foram o RMPC baseado em tubos e o RMPC com Custo-Contrativo, pois estes têm um custo computacional aceitável. Primeiramente, a estratégia Controle Preditivo Generalizado (GPC) é adaptada para incluir restrições de custo contrativo de forma a garantir estabilidade robusta em aplicações práticas onde não se tem acesso aos estados. Em seguida, um RMPC baseado em tubos é adaptado utilizando um modelo não mínimo de forma a atingir o mesmo objetivo. Por fim, um sistema multivariável não linear é usado como um estudo de caso para ilustrar a aplicação dos controladores propostos.Abstract: Model Predictive Control (MPC) algorithms are widely accepted in industry due to its ability to handle multivariable and constrained systems. These are designed assuming a perfect plant model, however such models are usually associated with uncertainties. In this context, a controller that guarantees the plant closed-loop stability even in the presence of such uncertainties is defined as robust predictive control (RMPC). There are several RMPC formulations, however, they are based on state-space models where stability is usually assured under the assumption that the system states can be mea- sured, which generally does not occur in practice. Thus, the aim of this work is to adapt different RMPC methods using only measurable input and output data. The methods chosen were the tube-based RMPC and the Cost-Contractive RMPC, as these have an acceptable computational burden. Firstly, the Generalized Predictive Control (GPC) strategy is adapted to include cost-contractive constraints to ensure robust stability in practical applications where there is no access to states. Then, a tube-based RMPC is adapted using a non-minimum model in order to achieve the same objective. Finally, a non-linear multivariable system is used as a case study to illustrate the application of the proposed controllers