IHMPC adaptativo com múltiplos modelos e função de chaveamento.

• Ano de defesa: 2020
• Autor(a) principal: Xavier, Tiago
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Controle de processos; Controle multimodelos; Controle preditivo; Controle robusto; Multimodel control; Predictive control; Process control; Robust control
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3137/tde-22012021-160234/

Um dos fatores mais importantes para o bom desempenho de um controlador preditivo é a utilização de um modelo nominal que represente o processo de forma confiável, sendo a etapa de identificação deste modelo a parte mais trabalhosa e demorada de um projeto de implementação de MPC. Comumente, para processos que apresentam grande não linearidade na região normal de operação é utilizada a estratégia de controlador robusto para incertezas no modelo, ou então, abordagens de controladores com múltiplos modelos, visto a complexidade da utilização de modelos não lineares. Este trabalho apresenta uma alternativa para casos de sistemas não lineares, uma estratégia de controle adaptativo que altera o modelo nominal do controlador sempre que este tem uma queda de performance. Esta nova abordagem se mostrou muito interessante, visto que tem uma complexidade computacional menor do que as abordagens Robustas e de Múltiplos Modelos. Esta técnica de MPC Adaptativo com Múltiplos Modelos e com função de chaveamento foi estudada em dois processos, uma coluna separadora de C3/C4 e um sistema de leito catalítico. Em ambos os casos os resultados se mostraram interessantes, pode-se alterar o modelo nominal do controlador, obtendo um ganho de desempenho. Em um terceiro caso foi estudado a estratégia de combinação politópica de modelos, utilizando além da função de chaveamento, uma rotina de identificação dos pesos de cada modelo na combinação politópica. Esta abordagem também apresentou resultados interessantes, tendo sua estabilidade garantida para casos onde as incertezas estão somente nos ganhos dos modelos.