You are on page 1of 10

4o PDPETRO, Campinas, SP 21-24 Outubro 2007

9.2.0084-3 - 1

Controle Preditivo No Linear na indstria do petrleo e gs a u o a


Agustinho Plucenio (UFSC), Julio Elias Normey Rico (UFSC), Daniel J. Pagano (UFSC) e Augusto H. Bruciapaglia (UFSC) Universidade Federal de Santa Catarina Caixa Postal 476, Florianpolis, SC 88040-900, Brasil o {plucenio},{julio},{daniel},{augusto}@das.ufsc.br Este artigo apresenta as idias e conceitos fundamentais de um conjunto de estratgias de Controle e e Preditivo Baseado em Modelo (cpbm ou mpc-model predictive control) para sistemas no lineares a desde uma perpectiva das aplicaes industriais. Formula-se o problema de controle preditivo, discutindo co primeiro o caso linear, que sem d vidas o mais utilizado no meio industrial, e a seguir apresenta-se um e u apanhado de metodologias para sistemas no lineares. Uma anlise das vantagens e disvantagens destas a a metodologias apresentada considerando como objetivo a aplicao no meio industrial. Na sequncia e ca e se apresenta uma abordagem prtica para a implementao de um mpc no linear que tem um bom a ca a compromisso entre complexidade e desempenho. Controle e Automaao, Controle Preditivo, Sistemas no-lineares . c a

Introduo ca

O controle preditivo baseado em modelo (mpc) uma das tcnicas de controle moderno mais potentes e e e provavelmente a que teve mais xito em aplicaes industriais (Takatsu, Itoh and Araki, 1998) prine co cipalmente na ind stria do petrleo. As principais causas deste xito devem-se a que as estrategias de u o e mpc podem ser aplicadas tanto a sistemas monovariaveis como multivariaveis lineares ou no lineares, a as restries nas sa co das e nas aes de controle podem ser consideradas no projeto da lei de controle co em tempo real e, pela prpria denio dos algoritmos, podem ser usadas para controlar processos com o ca atrasos (J.E. Normey-Rico and E.F. Camacho, 2007). O mpc no uma estratgia de controle espec a e e ca, mas o nome dado a um conjunto muito grande de e mtodos de controle que foram desenvolvidos considerando algumas ideias comuns baseadas no conceito e de predio. Na gura 1 mostra-se a estrutura geral de um mpc onde pode ser observado o funcionamento ca do algoritmo: com o controle e o erro atuais e um modelo calcula-se primeiro a predio da sa futura ca da do processo; com estas informaes um mdulo de otimizao calcula o sinal de controle a ser aplicado co o ca ao processo no prximo passo considerando a minimizao de um determinado o ca ndice de desempenho e as restries nas variaveis de processo e/ou de controle (E.F. Camacho and C. Bordons, 2004). co A maioria dos sistemas reais tm dinmica no linear, porm quando o processo opera numa pequena e a a e
Controle Atual

Processo
Controle Atual

Sada Atual

Sada do Modelo

Modelo

Clculo do Controle
Restries Referncia

Figura 1: Estrutura do mpc. faixa ento a sua dinmica pode ser aproximada satisfatriamente atravs de modelos lineares. Isto tem a a o e motivado a que muitas tcnicas de mpc foram abordadas utilizando modelos lineares: Matriz Dinmica e a de Controle (dinamix matrix control-dmc), (C.R. Cutler and B.L. Ramaker, 1988); Controle Algor tmico Baseado em Modelo (model algorithm control-mac), (Richalet, Rault, Testud and Papon, 1976); Controle Preditivo Generalizado (generalized predictive control-gpc), (Clarke, Mothadi and Tus, 1987)); Controle Preditivo Adaptativo (extended predictive self adaptive control-epsac), (R. De Keyser, 2003). So muitas as aplicaes de controle baseadas em softwares a co

Copyright c 2007 ABPG

4o PDPETRO, Campinas, SP 21-24 Outubro 2007

9.2.0084-3 - 2

comerciais que implementam lmpc nas renarias de petrleo no Brasil e no mundo (E.F. Camacho and o C. Bordons, 2004). As principais vantagens do lmpc esto vinculadas as facilidades de obteno de modelos lineares, a ca se comparados aos no lineares, e as menores dicultades para se resolver os problemas de otimizaao a c associados. Porm, quando os processos tm dinmica muito no linear ou quando a faixa de operaao e e a a c e varivel, ento necessariamente dever ser tomado em conta o modelo no linear no projeto do controle, a a a a de forma que permita manter o desempenho desejado para o sistema em malha fechada. Do ponto de vista conceitual o mpc no linear (nmpc) no apresenta diculdades. Considerando a a a mesma funo objetivo (J) que no caso linear e um modelo no linear para o clculo das predioes o ca a a c objetivo consiste novamente em encontrar o controle que minimize a funo objetivo num algoritmo de ca horizonte deslizante. J do ponto de vista prtico so vrias as diculdades encontradas neste problema a a a a (se comparado ao caso linear): (a) a determinao do modelo do processo quando deve ser obtido por ca identicao, (b) a obteno do sinal de controle requer, em geral, a soluo de um problema otimizaao ca ca ca c no convexo e (c) a anlise de estabilidade e robustez da soluo. Por estes motivos o nmpc um campo a a ca e aberto para pesquisas tanto na rea de determinao de modelos como nos procedimentos e algoritmos a ca de otimizao para o clculo do controle (D. Limon, 2002; E.F. Camacho and C. Bordons, 2004). ca a Neste trabalho analisam-se vrias das tcnicas utilizadas em mpc para a soluo destes problemas a e ca ressaltando a importncia prtica e as questes relativas ` implementao. Assim, na seo 2 apresentaa a o a ca ca se uma reviso das idias do mpc. Na seo 3 so revisadas diversas alternativas para o nmpc. Na seao a e ca a c 4 apresentada uma formulao prtica de nmpc. O artigo naliza com as concluses. e ca a o

Conceitos Bsicos de MPC a

Os algoritmos mpc possuem algumas caracter sticas comuns (E.F. Camacho and C. Bordons, 2004): (a) usam um modelo expl cito do processo e das perturbaes para predizer a sa do mesmo co da num determinado horizonte nito; (b) calculam as aes de controle para todo o horizonte a partir da co minimizao de uma determinada funo objetivo; (c) o horizonte deslizante, pelo que para cada periodo ca ca e de amostragem o horizonte deslocado um passo para frente, aplica-se unicamente a ao de controle de e ca aquele instante e desconsidera-se o resto dos controles dentro do horizonte. As diferenas entre os diversos algoritmos existentes devem-se basicamente ` forma de escolher os c a modelos para o processo e as perturbaes, ao tipo de funo objetivo e ao procedimento para manipular co ca as restries e o clculo do controle (J.A. Rossiter, 2003). co a O modelo de predio provavelmente o elemento mais importante dentro do controlador dado que ele ca e deve ser capaz de representar adequadamente a dinmica do processo para permitir o clculo das predioes a a c da sua sa da, ser intuitivo e ao mesmo tempo permitir uma anlise terica do sistema. As diferentes a o estrategias de mpc utilizam diferentes formas para representar as relaes entre entradas manipuladas, co perturbaes e sa co das do processo. Em geral o modelo separado em duas partes: no modelo do processo e propriamente dito e no modelo das perturbaes; ambos necessrios para o clculo das predioes. Os co a a c modelos lineares so os mais usados na prtica para representar o processo e podem ser de entrada sa a a da (resposta impulsiva, resposta ao degrau e funo de transferncia) ou de variveis de estado. ca e a Os modelos de resposta impulsiva ou ao degrau so bastante utilizados na prtica por oferecem as a a seguintes vantagens: (a) so intuitivos e podem ser usados em plantas multivariveis sem acrescentar a a complexidade; (b) quando identicados no precisam de conhecimento a-priori do processo e (c) descrevem a de maneira simples efeitos mais complexos da dinmica do processo como atrasos e comportamentos de a fase no minima. Por outro lado apresentam alguns inconvenientes: (a) no podem ser usados com a a plantas instveis e (b) necessitam utilizar um grande n mero de parmetros para descrever o modelo, a u a sobre tudo se o processo tiver um atraso grande. O modelo de funo de transferncia tem como vantagens principais que pode ser usado para plantas ca e instveis e que precisa, em geral, de poucos parmetros para descrever o comportamento do sistema (o a a atraso, por exemplo, pode ser descrito apenas com um parmetro). J seu principal inconveniente a a a e necessidade de conhecer a priori a ordem dos polinomios numerador e denominador quando o modelo deve ser identicado a partir de dados experimentais. Os modelos de espao de estados podem ser usados diretamente para processos multivariaveis e no c a lineares. Como inconvenientes cabe mencionar que em geral os estados no tem signicado f a sico e que na maioria das vezes necessrio o uso de observadores, aumentando assim a complexidade de clculo e a a do controle. Os modelos no lineares so geralmente usados para descrever a dinmica do processo quando os a a a modelos lineares no geram bons resultados. Modelos fenomenolgicos (M. Pomar, J.E. Normeya o
Copyright c 2007 ABPG

4o PDPETRO, Campinas, SP 21-24 Outubro 2007

9.2.0084-3 - 3

Rico and E. Camponogara, 2005), emp ricos (O. Nelles, 2001), redes neurais (Y. Tan and R. De Keyser, 1994) ou lgica nebulosa (I. Skrjanc and D. Matko, 1994) podem ser usados em agumas o aplicaes para determinar o modelo de predio. O inconveniente no uso destes modelos a maior co ca e complexidade tanto no procedimento de obteno do modelo do processo quanto no clculo da lei de ca a controle. A escolha de um modelo para as perturbaes to importante quanto a do processo. O modelo co e a mais utilizado para a descrio de perturbaes deterministicas e estocsticas o conhecido como modelo ca co a e autoregressivo integrado de media mvel (Auto-Regressive and Integrated Moving Average, ARIMA) o (Clarke et al., 1987). Este modelo permite representar mudancas aleatrias, o-setse outros fenmenos o o normalmente encontrados nos medios industriais. A funo objetivo a ser minimizada pode ter diferentes formas mas a mais utilizada do tipo quadrtica ca e a contendo o somatrio do quadrado do erro entre uma trajetria desejada e a trajetria obtida ao longo o o o de um horizonte de predio e o somatrio do quadrado dos incrementos de ao de controle em um ca o ca horizonte de controle (J.A. Rossiter, 2003).

Metodologias de MPC para Processos No Lineares a

Existem uma grande quantidade de tcnicas mpc que direta ou indiretamente tratam sistemas noe a lineares (R. Findeisen and F. Allg wer, 2002). Uma poss classicao destas tcnicas as divide em o vel ca e 3 grupos: (a) as que utilizam diretamente um modelo no linear genrico e um algoritmo de otimizaao no a e c a linear de propsito geral; (b) as que utilizam modelos no lineares particulares e mtodos de otimizaao o a e c espec cos para o modelo escolhido; (c) as que utilizam um ou vrios modelos lineares para representar a o processo e algortimos de otimizao lineares. Evidentemente as vantagens de uma ou outra alternativa ca esto diretamente relacionadas ao compromisso desempenho-custo computacional. Nesta seo discutema ca se, com uma viso prtica, as vantagens e desvantagens de algumas destas tcnicas, para fornecer subsidios a a e ao projetista na hora de escolher uma ou outra metodologia.

3.1

MPC com modelos de predio no-lineares na Funo Objetivo ca a ca

Uma abordagem natural a utilizao das predies na funo objetivo empregando o modelo noe ca co ca a linear. A minimizao da funo objetivo realizada com programas de otimizao especializados na ca ca e ca soluo de funes no-lineares como Programao No Linear ou Sequential Quadratic Programming ca co a ca a (sqp), etc. So preservadas as caracter a sticas de horizonte deslizante e a repetio da otimizao a cada ca ca per odo de amostragem. O problema de otimizao a ser resolvido pode em geral ser colocado como ca u = arg min f (W, Y, , u) u Sujeito a : h(u) = 0, g(u) 0, onde W o vetor com as referncias futuras, Y o vetor com as sa e e e das presentes e passadas, o vetor com u e as entradas passadas e u o vetor com as entradas presente e futuras. Alm disso, f : Rn R, h : e e Rn Rm e g : Rn Rp so funes cont a co nuas e diferenciaveis. Do ponto de vista prtico a principal vantagem deste mtodo reside no uso de um modelo no linear, a e a que permite em geral, obter predies muito prximas as sa co o das reais da planta. Como desvantagens devem citar-se as questes iterativas dos mtodos de otimizao, a incerteza no tempo que levam para o e ca entregar uma resposta, a convergncia, as solues em m e co nimos locais, etc. que fazem com que sua utilizao para controle em tempo real seja ainda pouco difundida. Alguns deste pontos so discutidos ca a em (Mark Cannon, 2004). (1)

3.2

Mtodos baseados em modelos particulares e

Uma forma de obter uma soluo mais simples que a correspondente ao modelo no linear genrico ca a e consiste em utilizar modelos no lineares particulares como por exemplo Sries de Volterra ou modelos a e de Hammerstein (Bloemen, van den Boom and Verbruggen, 2000; Santos, 2005). Estas alternativas so interesantes na prtica quando o caso estudado enquadra-se bem na aproximao selecionada. O a a ca compromisso entre complexidade de clculo e desempenho novamente o fator determinante da escolha. a e A otimizao nestes casos pode ser mais simples que no caso geral. Do ponto de vista prtico importante ca a e
Copyright c 2007 ABPG

4o PDPETRO, Campinas, SP 21-24 Outubro 2007

9.2.0084-3 - 4

notar que o uso de um modelo mais complexo que represente melhor a dinmica do processo real somente a ser benecioso quando o erro de modelagem seja pequeno. Em outros casos a des-sintonia do controlador a necessria para manter a robustez pode eliminar a vantagem do uso de um melhor modelo. a

3.3

Mtodos baseados em linearizaes e co

A terceira abordagem consiste em utilizar uma verso linearizada do modelo para a s a ntese do controlador. Normalmente as formulaes lmpc incorporam procedimentos de linearizao em varios pontos co ca de operao e uma tcnica de tratamento de erro de modelagem introduzido. Entretanto a perda no ca e desempenho do sistema controlado ser proporcional as diferencas entre o modelo e o processo. Diversas a abordagens baseadas em simplicaes, linearizaes e lmpc tem sido propostas. Algumas delas so co co a analisadas no que segue. 3.3.1 Ponderao de mltiplos modelos lineares ca u

Para um determinado modelo no linear representado por a x y = f (x, u) = h(x) (2)

podem-se obter modelos lineares nos equil brios do sistema. Estes equil brios so denidos pelo conjunto a de pontos P = {(x , u ) s.t. x = f (x , u ) = 0}. Um modelo linear pode ser obtido ao redor de um equil brio (xi , ui ) P como x y = Ai (x xi ) + Bi (u ui ) = h(xi ) + Ci (x xi ), onde (3)

(x,u) (x,u) Ai = f x |(xi ,ui ) , Bi = f u |(xi ,ui ) e Ci = h(x,u) |(xi ,ui ) . Os modelos cont nuos obtidos tem um x equivalente discreto com matizes Ad , Bd , Cd . Em algumas condies, o modelo no linear da planta pode co a ser recuperado pela combinao de N modelos politpicos ca o i=N i=N

[Ad , Bd ] =
i=1

i [Ai , Bi ], onde d d
i=1

i = 1

(4)

Esta idia pode ser explorada no contexto de controle mpc robusto, mpc adaptativo ou mpc escalonado. e Em (M.V. Kothare, V. Balakrishnan and M. Morari, 1996), (W.K. Son, J.Y. Choi and O.K. Kwon, 2002) e (A.M. Manthanwar, V. Sakizlis and E.N. Pistikopoulos, 2005) discute-se a utilizao de m ltiplos modelos lineares com enfoque na proposta de controle mpc robusto. Em (Y.Lu ca u and Y.Arkunl, 1999) discute-se a utilizao de m ltimos modelos em uma proposta de mpc escalonado. ca u Em (Y.Lu and Y.Arkunl, 2003) um esquema adaptativo utilizando mpc dmc apresentado para um e sistema de uma entrada e uma sa da. O custo computacional e o desempenho destes mdodos est e a diretamente relacionado ao n mero de modelos necessrios e aos procedimentos de ponderao, que em u a ca geral no so simples de generalizar. a a 3.3.2 Mtodo min-max e

Este mtodo foi desenvolvido para sistemas lineares que apresentam comportamentos dependentes de e parmetros variveis no tempo ou perturbaes e pode ser usado para processos no lineares quando a a co a estes so representados aproximadamente por um conjunto de modelos lineares. A losoa utilizada a na tcnica min-max determinar a ao de controle que minimiza uma funo objetivo para o cenrio e e ca ca a em que o conjunto de perturbaes e incertezas a maximizam. A funo objetivo penaliza o desvio do co ca comportamento predito pelo modelo e aquele desejado. Considerando o conjunto de variveis incertas ou a perturbveis como , pode-se escrever o problema da seguinte forma a
u = arg min J (W, Y, , u) u J = arg max J(W, Y, u , u, )

(5)

sujeito `s restries nas variveis de controle e de processo. Esta tcnica considerada custosa computaa co a e e cionalmente pois, dependendo do n mero de variveis incertas e dos horizontes de predio e controle u a ca
Copyright c 2007 ABPG

4o PDPETRO, Campinas, SP 21-24 Outubro 2007

9.2.0084-3 - 5

pode haver uma exploso de combinaes a serem investigadas para a determinao do mximo. A tcnica a co ca a e de otimizao min-max surgiu de pesquisas na rea da teoria dos jogos dinmicos. Em (P.J. Campo and ca a a M. Morari, 1987), (E. Zafiriou, 1990), (H. Genceli and M. Nikolaou, 1995) e (Z.H. Zheng and M. Morari, 1993) prope-se a utilizao da otimizao min-max em mpc utilizando modelos baseados o ca ca na resposta ao impulso. Outros autores desenvolveram algoritmos mpc utilizando a tcnica de otimizae co min-max para sistemas representados por equaes de estados. Em um trabalho recente nesta area, a co (D.R.Ramirez, T. Alamo, E.F. Camacho, M. de la Penha, 2006) prope-se uma tcnica mpc o e baseada em otimizao min-max mas que sugere uma forma de diminuir o custo computacional. No ca lugar de buscar o mximo da funo custo considerando todas as combinaes poss a ca co veis para o conjunto de incertezas e o horizonte de predio, os autores mostram uma tcnica onde se determina um limite ca e superior (upper bound ) para a maximizao da funo custo que ser ento minimizada. ca ca a a Assim, esta abordagem no se apresenta interessante do ponto de vista prtico dado que no se mostra a a a computacionalmente mais atrativa que a de nmpc. 3.3.3 Linearizaes a cada instante de amostragem co

Muitas pesquisas nesta rea visam a resoluo, por mtodos alternativos, do problema de otimizaao a ca e c no linear. Em alguns casos, como em (R.M.C. De Keyser, 1998), extende-se a idia de resposta livre a e yl e forada yf usando um modelo no linear para o clculo de yl e um modelo linear para yf supondo que c a a esta ultima pode convergir a zero num procedimento iterativo. Desta forma o problema de otimizaao c no linear pode ser transformado numa sequncia de problemas de otimizao linear. Esta metodologia a e ca pode funcionar adequadamente em alguns casos prticos sem necessidade de muitas iteraes mas no a co a garante a obteno do timo nem a convergncia do processo iterativo (M. Pomar Garcia, 2005). Em ca o e outros casos utilizam-se linearizaes sucessivas em torno ao ponto de operao transformando o modelo co ca num sistema variante no tempo, mas que permite utilizar algoritmos mais simples para minimizar J (B. Kouvaritakis, M. Cannon and J.A. Rossiter, 1999; F. Kunhe, 2005). Em todos os casos anteriores onde so usadas aproximaes trata-se de compensar as perdas no a co desempenho com a maior velocidade de processamento e simplicidade dos algoritmos. Assim, pode-se considerar como melhor aquele algoritmo que consiga o melhor compromisso desempenho-simplicidadevelocidade. Como se ver na proxima seo, este objetivo pode ser atingido com uma abordagem prtica a ca a e simples de nmpc.

Uma abordagem prtica de NMPC a

Um dos elementos importantes da tcnica mpc a representao das predies. Por dcadas tem se e e ca co e utilizado a representao do vetor de predies, Y como Y = F + Gu onde, F, chamada de resposta ca co livre, o vetor contendo os valores das sa e das no horizonte de predio para u = 0 e G a matriz ca e dinmica obtida a partir da resposta ao degrau unitrio. u o vetor com os incrementos nas aoes a a e c de controle futuras no horizonte de controle. Vrias tcnicas de nmpc utilizam a resposta ao degrau a e unitrio para calcular G nas vizinhanas do ponto de operao. Nesta seo desenvolve-se um mtodo a c ca ca e para o clculo das predies que serve tanto para um sistema linear como no-linear e tem baixo custo a co a computacional. Seja w1 (x1 , x2 , . . . , xm ) w2 (x1 , x2 , . . . , xm ) W= (6) . . . wp (x1 , x2 , . . . , xm ) um vetor de funes p 1 das m variveis do vetor X = x1 x2 . . . xm co a . Supondo que deseje-se calcular os novos valores do vetor de funes W para uma mudana nas variveis do vetor X. Utilizando co c a a representao na forma da srie de Taylor, pode-se fazer a seguinte aproximao ca e ca W W(X + X) W(X) + X, = X (7)
T

Copyright c 2007 ABPG

4o PDPETRO, Campinas, SP 21-24 Outubro 2007

9.2.0084-3 - 6

onde

W X

O vetor de predies pode ser escrito como co

a matriz Jacobiana (as vezes chamada de matriz Gradiente) de W em relao a X. e ca w w1 w1 1 xm x x w1 w2 w2 2 2 x1 x2 xm W= . . . wp wp wp xm x1 x2 Y = f ( Y, , u0 + u) onde u u = u0 + u = u(k 1)1 + Du,

(8)

(9) (10)

1 um vetor m 1 contendo uns, D uma matriz triangular inferior m m de uns e e e T u = u(k) u(k + 1) . . . u(k + m 1) . A Eq. (9) mostra que as predies somente podem co ser mudadas manipulando-se os elementos do vetor u uma vez que todas as demais variveis j esto a a a denidas no instante k. Usando o mesmo procedimento que na Eq. (7), Y Y = f ( Y , , u0 ) + u u. u Usando Eq. (10): Y Y u = u. u u (12) (11)

Y e co Chamando F = f ( Y , , u0 ) e GPNMPC = u , onde F o vetor das predies que seria obtido para u u = 0 e GPNMPC o Jacobiano das predies com relao ao vetor dos incrementos de controle u, e co ca obtm-se a seguinte representao compacta e ca Y = F + GPNMPC u. GPNMPC a matriz mpc No Linear Prtica que pode ser obtida pela denio do Jacobiano, e a a ca yk+1 0 0 uk yk+2 yk+2 0 uk uk+1 GPNMPC = . . . yk+p yk+p yk+p uk+m1 uk uk+1 (13)

(14)

A forma triangular inferior da matriz GPNMPC deve-se ao fato do sistema ser causal e de se considerar que no h acoplamento direto entrada sa a a da. Em (A. Plucenio, D.J. Pagano, G. A. Mafra and A. H. Bruciapaglia, 2006) prova-se que para sistemas lineares a matriz GPNMPC igual a matriz G e obtida pela resposta ao degrau unitrio nas tcnicas dmc e gpc. a e Para sistemas no-lineares a matriz GPNMPC no invariante. Apesar de ser poss a a e vel, em alguns casos, obter-se uma expresso para a matriz GPNMPC em funo da expresso matemtica do modelo a ca a a no-linear decidiu-se por buscar uma forma de montagem da matriz que no dependesse da estrutura a a matemtica utilizada para a representao do modelo. Para isto optou-se pela determinao n mrica da a ca ca u e matriz Jacobiana. Alm disso, a m de obter uma predio que considerasse as mudanas no horizonte de e ca c predio buscou-se uma forma de obter a matriz GPNMPC que quando utilizada fornecesse uma prediao ca c semelhante a que se obteria com a aplicaao da aproximao por srie de Taylor de segunda ordem. Para c ca e isso adotou-se o seguinte procedimento. A cada instante de amostragem utiliza-se a matriz GPNMPC calculada no instante anterior e determina-se o vetor incremento de controle intermedirio ui . Com a este vetor atualiza-se o vetor u fazendo-se ui = u(k 1)1 + Dui e obtm-se o Jacobiano intermedirio e a GPNMPC i . O Jacobiano nal utilizado na funo objetivo obtido como ca e GPNMPC k = (1 )GPNMPC i + GPNMPC i , k1 k (15)

com = 0, 5. A obteno numrica do Jacobiano realizada da seguinte maneira. Uma funao ca e e c e programada para fornecer o vetor de predies Y quando entra-se com os valores antigos das entradas e co e sa das e com o vetor u. Um primeiro vetor Y0 obtido entrando-se com u = ui . Em seguida a primeira
Copyright c 2007 ABPG

4o PDPETRO, Campinas, SP 21-24 Outubro 2007

9.2.0084-3 - 7

coluna de GPNMPC i obtida entrando-se com o vetor ui modicado para obter-se Y1 . A modicaao e c i i i consiste em somar ao elemento u (k) de forma a obter u1 (k) = u (k)+. A primeira coluna do Jacobiano calculada como e Y1 Y0 Gi N MP C (:, 1) = (16) P A segunda coluna obtida acessando a funo que fornece as predies com ui modicado no seu segundo e ca co elemento, fazendo-se ui (k + 1) = ui (k + 1) + para obter-se Y2 . 2 Gi N MP C (:, 2) = P Y2 Y0 (17)

O procedimento repetido at o ultimo elemento de ui , ou seja, este clculo feito tantas vzes quanto for e e a e e o horizonte de controle m. O vetor F obtido executando a funo que fornece as predies com u = 0 e ca co ou com u = u(k 1)1. Uma interpretao grca do procedimento utilizado na Eq.(15) mostrada na ca a e gura 2 para o caso escalar. Pode-se observar na gura 2 que o primeiro valor de x = xi diferente e
y Gradiente no ponto [y(x),x]
Clculo intermedirio de D u(k)

Gradiente ponderado
Gradiente no ponto intermedirio

yd=y(x+ D x)

y(x)

Dx Dx D xi x x+ D xp x
p

Figura 2: Interpretao grca do gradiente ponderado ca a do valor que seria necessrio para que a funo atingisse o valor desejado yd = y(x + x). Utilizando-se o a ca i i valor de x obtido com o primeiro gradiente obtido em x, calcula-se o gradiente intermedirio y(x+x ) . a x Em seguida calcula-se o gradiente ponderado que a mdia entre o gradiente em y(x) e em y(x + xi ). e e A utilizao do gradiente ponderado ir fornecer uma valor de x = xp que muito mais prximo do ca a e o valor correto para que a funo atinja yd = y(x + x). Este procedimento uma tentativa de atingir ca e uma aproximao de Taylor de segunda ordem, onde ca f (x) 1 2 f (x) y(x + x) f (x) + x + x2 . = x 2 x2 Obtendo-se xi = yd y(x)
f (x) x i

(18)

, pode-se calcular

(19)

f (x + x ) e fazer a seguinte aproximao ca x 2 f (x) = x2 Assim, a Eq. (18) pode ser reescrita como y(x + x) f (x) + =
f (x+xi ) x

f (x) x

xi
f (x+xi ) x

f (x) 1 x + x 2

f (x) x

xi

x2 .

(20)

Pode-se dizer que xi = x(1), onde um valor que depende da curvatura da funo, sendo positivo e ca para funo cncava e negativa para funo convexa. Introduzindo esta relao na Eq. (20), tem-se ca o ca ca y(x + x) f (x) + (1 =
Copyright c 2007 ABPG

1 f (x) 1 f (x + xi ) ) + x. 2(1 ) x 2(1 ) x

(21)

4o PDPETRO, Campinas, SP 21-24 Outubro 2007

9.2.0084-3 - 8

Uma avaliao de iria necessitar da avaliao da derivada segunda de f (x) que o que quer se evitar. ca ca e Assim o melhor compromisso considerar = 0 e e y(x + x) f (x) + 0.5 = f (x) f (x + xi ) + 0.5 x. x x (22)

O resultado do caso escalar pode ser extendido para a Matriz Jacobiana Ponderada com = 0.5 na Eq. (15).

4.1

Tratamento do erro de modelagem e perturbaes co

Para o tratamento do erro de modelagem o modelo completo das predies inclui um fator que a co e integral da diferena ltrada entre a varivel de sa medida no instante atual e o valor predito. A c a da expresso completa para o vetor com as predies se transforma em a co Y = F + GPNMPC u + . (23)

C Para um sistema de uma entrada e uma sa da, = (k)1p1 e (k) = D (y(k) y (k)), onde 1 um e vetor p 1 de uns, C e D so o numerador e denominador de um ltro discreto, y(k) y(k) o erro entre a e a sa medida e a sa predita. Como o fator de correo mantido constante ao longo do horizonte da da ca e de predio, seu impacto visto somente no vetor F. De forma semelhante ao que acontece no algoritmo ca e gpc, a escolha de C e D tem uma inuncia importante na robustez e desempenho do algoritmo para e erros de modelagem e perturbaes. co De forma resumida o pnmpc procura investir em uma boa predio que permita a soluao do problema ca c de otimizao com algoritmos de Programao Quadrtica sem iteraes e com uma qualidade de resposta ca ca a co similar ao do nmpc direto.

Estudo de Caso

O exemplo apresentado nesta seo pretende mostrar que uma abordagem no linear utilizando a ca a tcnica pnmpc desenvolvida pode fornecer resultados excelentes com muito pouco esforo computacional. e c Seja o sistema no linear a y = 10y + 0.732u2 10.183 (24)

que representa a dinmica de um sistema de aquecimento com atuador no linear. Este sistema, quando a a linearizado em dois pontos da sua curva de equil brios (1, 018; 0, 0683) e (0, 9842; 0, 6831) pode ser 0,1 1 representado respectivamente pelas funes de transferncia H1 (s) = s+10 e H2 (s) = s+10 . co e O pnmpc foi ajustado para este processo com horizonte de controle e de predio iguais a 3 e ponca derao do esforo de controle igual a 0,25. A gura 3(a,b) mostra as respostas para uma mudana de ca c c referncia de 0 a -1. Na gura 3(c,d) apresenta-se o comportamento do sistema controlado para uma e mudana de referncia de 0 para 1 e tambm a resposta ` uma perturbao de 0, 1 somada ` sa no c e e a ca a da per odo entre 2 e 3 segundos. Em ambos os casos o sistema controlado utilizando tanto o modelo igual e ao processo como tambm para o caso quando o modelo apresenta um erro de 100% no coeciente do e termo u2 , ou seja o modelo y = 10y + 1.464u2 10.183. Como pode-se observar, mesmo com um erro e grande de modelagem o seguimento de referncia muito bom e sem grandes oscilaes. e e co O esforo computacional muito menor que o de um controle nmpc e praticamente comparvel ao do c e a lmpc j que a montagem da matriz Jacobiana GP N MP C simples e a minimizao da funo objetivo a e ca ca foi realizada com Programao Quadrtica. No entanto o desempenho do controlador bem superior ao ca a e obtido com outros mtodos aproximados que tem igual ou maior custo computacional. Por exemplo, em e (Y.J.Wang and J.B. Rawlings, 2004) apresenta-se um algoritmo de controle mpc robusto baseado na tcnica min-max e cita-se o sucesso da aplicao da tcnica para um exemplo onde o sistema representado e ca e e pelas funes de transferncia H1 (s) e H2 (s) acima citadas. O custo computacional neste caso bem co e e maior que o do pnmpc e o desempenho bem inferior. O tempo de estabilizao cerca de 20 vezes maior ca e para a mudana de referncia de 0 a -1. c e

Concluses o

O desenvolvimento de tcnicas para a aplicao segura de Controle Preditivo para sistemas no line ca a eares ainda carece de desenvolvimentos para lidar com problemas como modelagem, robustez, ecincia e
Copyright c 2007 ABPG

4o PDPETRO, Campinas, SP 21-24 Outubro 2007

9.2.0084-3 - 9

a 0 0.2 0.4 y 0.6 0.8 1 1.2 0 0.5 1 1.5 2 Tempo [ s ] b 1 0 u, du 1 2 3 4 0 u (modelo ideal) du (modelo ideal) u (modelo c/ erro) du (modelo c/ erro) 8 6 4 2 0 2 0 2.5 3 y (modelo ideal) referncia y (modelo c/ erro) y 1 0.8 0.6 0.4 0.2 0 0.2 0 1

y (modelo ideal) referncia y (modelo c/ erro)

2 3 Tempo [ s ] d

u (modelo ideal) du (modelo ideal) u (modelo c/ erro) du (modelo c/ erro)

0.5

1.5 2 Tempo [ s ]

2.5

u, du

2 Tempo

Figura 3: Seguimento de referncia para modelo no linear e a computacional, soluo em tempo real, etc. A tcnica que utiliza as predies no lineares na funao ca e co a c objetivo apresenta algumas caracter sticas indesejveis como alta complexidade na formulao, grande a ca demanda por capacidade computacional e diculdade em se garantir a entrega da ao de controle em ca tempo hbil. Os mtodos que utilizam tcnicas de linearizao buscam investir em bons modelos lineares a e e ca para diminuir a complexidade dos algoritmos de otimizao da funo objetivo. Entretanto algumas ca ca destas tcnicas acabam por utilizar tambm mtodos iterativos que j eram indesejveis nos algoritmos e e e a a de otimizao. ca A tcnica pnmpc mostra uma forma de obter uma linearizao que fornece uma predio com aproxie ca ca mao prxima a que se obteria com Taylor de segunda ordem e, alm disso, no utiliza mtodo iterativo. ca o e a e Para a minimizao da funo objetivo pode-se continuar utilizando toda a tecnologia j desenvolvida ca ca a para sistemas lineares como o j consagrado mtodo de Programao Quadrtica, por exemplo. Alm a e ca a e disso, a obteno numrica da matriz GP N MP C permite a utilizao de qualquer estrutura de modelo ca e ca incluindo a Redes Neurais, modelos NARMAX, etc. O mtodo funciona igualmente para sistemas de e uma entrada e uma sa como para sistemas multivariveis e tem a sua maior rea de aplicaao em da a a c processos t picamente no lineares como reatores e colunas reativas. a A semelhana do mtodo com os tradicionais algortimos de lmpc bem conhecidos no meio industrial, c e tanto no que se refere a losoa de projeto como ao ajuste, tornam o pnmpc uma ferramenta com grande potencial para ser adotada na ind stria do petrleo. u o

Agradecimentos
Os autores agradecem a Agncia Nacional do Petrleo, Gs Natural e Biocombustiveis (ANP) pelo e o a apoio fornecido na forma do Programa de Recursos Humanos PRH 34 ANP/MCT.

Referncias e
A.M. Manthanwar, V. Sakizlis and E.N. Pistikopoulos (2005). Robust parametric predictive control design for polytopically uncertain systems, American Control Conference . A. Plucenio, D.J. Pagano, G. A. Mafra and A. H. Bruciapaglia (2006). Uma extenso do controle preditivo a DMC para sistemas no lineares, XVI Congresso Brasileiro de Automatica 1: 26442649. a B. Kouvaritakis, M. Cannon and J.A. Rossiter (1999). Non-linear model based predictive control, International Journal of Control 72(10): 919928.

Copyright c 2007 ABPG

4o PDPETRO, Campinas, SP 21-24 Outubro 2007

9.2.0084-3 - 10

Bloemen, H., van den Boom, T. and Verbruggen, H. (2000). Model-based predictive control for hammerstein systems, Proceedings of the 39th IEEE Conference on Decision and Control. Sydney, Australia. Clarke, D., Mothadi, C. and Tus, P. (1987). Generalized predictive control. Part I: The basic algorithm. Part II: Extensions and interpretations, Automatica 23(2): 137160. C.R. Cutler and B.L. Ramaker (1988). Dynamic matrix control - A computer control algorithm, AIChE 86th National Meeting, Houston, TX. D. Limon (2002). Control Predictivo de Sistemas No Lineales Sujetos a Resticciones: Estabilidad y Robustez, PhD thesis, Universidad de Sevilla. D.R.Ramirez, T. Alamo, E.F. Camacho, M. de la Penha (2006). Min-max mpc based on a computationally ecient upper bound of worst case cost, Journal of Process Control 16: 511519. E.F. Camacho and C. Bordons (2004). Model Predictive Control, Springer, Berlin. E. Zafiriou (1990). Robust model predictive control of processes with hard constraints, Comp. Chem. Eng. 14(4/5): 359371. F. Kunhe (2005). Controle Preditivo aplicado a Robtica Mvel, Diss. de Mestrado, UFRGS. o o H. Genceli and M. Nikolaou (1995). Design of robust constrained model predictive controllers with volterra series, AIChE Journal 41(9): 20982107. I. Skrjanc and D. Matko (1994). Advances in Model-Based Predictive Control, Oxford University Press, chapter Fuzzy Predictive Controller with Adaptive Gain. J.A. Rossiter (2003). Model-Based Predictive Control: A practical Approach, CRC Press. J.E. Normey-Rico and E.F. Camacho (2007). Control of Dead-time Processes, Spinger, Berlin. Mark Cannon (2004). Ecient nonlinear model predictive control algorithms, Annual Reviews in Control 28: 229237. M. Pomar Garcia (2005). Controle Preditivo No-Linear com aplicaes em eletrnica de potncia, PhD thesis, a co o e Universidade Federal de Santa Catarina. M. Pomar, J.E. Normey-Rico and E. Camponogara (2005). Non linear model based predictive controller of a buck boost converter, Proc. of the XVI IFAC World Congress, Prague. M.V. Kothare, V. Balakrishnan and M. Morari (1996). Robust constrained model predictive control using linear matrix inequalities, Automatica 32: 13611379. O. Nelles (2001). Nonlinear System Identication, Spinger, Berlin. P.J. Campo and M. Morari (1987). Robust model predictive control, 1987 American Control Conference pp. 10211026. R. De Keyser (2003). A Gentle Approach to Predictive Control, in E. P. C. Ltd (ed.), Encyclopedia of Life Support Systems (EoLSS), Oxford. R. Findeisen and F. Allg wer (2002). An introduction to nonlinear model predictive control, 21st Benelux o Meeting on Systems and Control pp. 229237. Richalet, J., Rault, A., Testud, J. and Papon, J. (1976). Algorithm control for industrial processes, Proc. 4th IFAC Symp. on Identication and System Parameter Estimation, Tbilisi, USSR. R.M.C. De Keyser (1998). A gentle introduction to model based predictive control, PADI2 International Conference on Control Engineering and Signal Processing, Piura, Peru. Santos, J. (2005). Controle Preditivo nao Linear para Sistemas de Hammerstein, Tese de doutorado. UFSC. Takatsu, H., Itoh, T. and Araki, M. (1998). Future needs for the control theory in industries-report and topics of the control technology survey in the japanese industry, Journal of Process Control 8(5-6): 369374. W.K. Son, J.Y. Choi and O.K. Kwon (2002). Robust predictive control of uncertain nonlinear systemv with constrained input, Transaction on Control, Automation and Systems Engineering 4: 289295. Y.J.Wang and J.B. Rawlings (2004). A new robust model predictive control method.II:examples, IEEE Transaction on Control Systems Techonology 14: 249262. Y.Lu and Y.Arkunl (1999). A scheduling quasi-minmax mpc for lpv systems, American Control Conference pp. 22722276. Y.Lu and Y.Arkunl (2003). A practical multiple model adaptive strategy for single-loop mpc, Control Engineering Practice 11: 141159. Y. Tan and R. De Keyser (1994). Advances in Model-Based Predictive Control, Oxford University Press, chapter Neural Network Based Predictive Control. Z.H. Zheng and M. Morari (1993). Robust stability of constrained model predictive control, American Control Conference pp. 379383.

Copyright c 2007 ABPG

You might also like