A identificação de modelos é usualmente a tarefa mais significativa e demorada no trabalho de implementação e manutenção de sistemas de controle que usam Controle Preditivo baseado em Modelos (MPC) tendo em vista a complexidade da tarefa e a importância que o modelo possui para um bom desempenho do controlador. Após a implementação, o controlador tende a permanecer com o modelo original mesmo que mudanças de processo tenham ocorrido levando a uma degradação das ações do controlador. Este trabalho apresenta uma aplicação industrial de re-identificação em malha fechada. A metodologia de excitação da planta utilizada foi apresentada em Sotomayor et al. (2009). Tal técnica permite obter o comportamento das variáveis de processo sem desligar o MPC e sem modificar sua estrutura, aumentando assim, o automatismo e a segurança do procedimento de re-identificação. O sistema re-identificado foi uma coluna debutanizadora de uma refinaria brasileira sendo que os modelos fazem parte do controle preditivo multivariável dessa coluna de destilação. A metodologia foi aplicada com sucesso podendo-se obter os seis novos modelos para atualizar o controlador em questão, o que resultou em uma melhoria de seu desempenho. / Model identification is usually the most significant and time-consuming task of implementing and maintaining control systems based on models (MPC) concerning the complexity of the task and the importance of the model for a good performance of the controller. After being implemented the MPC tends to remain with the original model even after process changes have occurred, leading to a degradation of the controller actions. The present work shows an industrial application of closed-loop re-identification. The plant excitation methodology used here was presented in Sotomayor et al. (2009). Such technique allows for obtaining the behavior of the process variables with the MPC still working and without modifying the MPC structure, increasing automation and safety of the re-identification procedure. The system re-identified was a debutanizer column of a Brazilian refinery being the models part of the multivariable predictive control of this distillation column. The methodology was applied with reasonable success managing to obtain 6 new models to update this MPC, and resulting in improved control performance.

A identificação de modelos é usualmente a tarefa mais significativa e demorada no trabalho de implementação e manutenção de sistemas de controle que usam Controle Preditivo baseado em Modelos (MPC) tendo em vista a complexidade da tarefa e a importância que o modelo possui para um bom desempenho do controlador. Após a implementação, o controlador tende a permanecer com o modelo original mesmo que mudanças de processo tenham ocorrido levando a uma degradação das ações do controlador. Este trabalho apresenta uma aplicação industrial de re-identificação em malha fechada. A metodologia de excitação da planta utilizada foi apresentada em Sotomayor et al. (2009). Tal técnica permite obter o comportamento das variáveis de processo sem desligar o MPC e sem modificar sua estrutura, aumentando assim, o automatismo e a segurança do procedimento de re-identificação. O sistema re-identificado foi uma coluna debutanizadora de uma refinaria brasileira sendo que os modelos fazem parte do controle preditivo multivariável dessa coluna de destilação. A metodologia foi aplicada com sucesso podendo-se obter os seis novos modelos para atualizar o controlador em questão, o que resultou em uma melhoria de seu desempenho. / Model identification is usually the most significant and time-consuming task of implementing and maintaining control systems based on models (MPC) concerning the complexity of the task and the importance of the model for a good performance of the controller. After being implemented the MPC tends to remain with the original model even after process changes have occurred, leading to a degradation of the controller actions. The present work shows an industrial application of closed-loop re-identification. The plant excitation methodology used here was presented in Sotomayor et al. (2009). Such technique allows for obtaining the behavior of the process variables with the MPC still working and without modifying the MPC structure, increasing automation and safety of the re-identification procedure. The system re-identified was a debutanizer column of a Brazilian refinery being the models part of the multivariable predictive control of this distillation column. The methodology was applied with reasonable success managing to obtain 6 new models to update this MPC, and resulting in improved control performance.

Controle preditivo baseado em modelos (MPC) é uma técnica de controle amplamente utilizada na indústria de processos químicos. Por outro lado, o método de identificação em subespaços (SID) tem se mostrado uma alternativa eficiente para os métodos clássicos de identificação de sistemas. Pela combinação dos conceitos de MPC e SID, surgiu, no final da década de 90, uma nova técnica de controle, denominada controle preditivo com enfoque em subespaços (SPC). Essa técnica também é conhecida como controle preditivo orientado a dados. Ela substitui por um único passo as três etapas do projeto de um MPC: a identificação do modelo, o cálculo do observador de estados e a construção das matrizes de predição. Este trabalho tem como principal objetivo revisar estudos feitos na área de SPC, aplicar esse método em sistemas típicos da indústria química e propor novos algoritmos. São desenvolvidos três algoritmos de excitação interna para o método SPC, que permitem gerar dados persistentemente excitantes enquanto um controle mínimo do processo é garantido. Esses algoritmos possibilitam aplicar identificação em malha fechada, na qual o modelo do controlador SPC é reidentificado utilizando dados previamente excitados. Os controladores SPC e SPC com excitação interna são testados e comparados ao MPC por meio de simulações em dois processos distintos. O primeiro consiste em uma coluna debutanizadora de uma unidade de destilação, para a qual são disponibilizados dois modelos lineares referentes a pontos de operação diferentes. O segundo é um reator de polimerização de estireno com dinâmica não linear, cujo modelo fenomenológico é conhecido. Os resultados dos testes indicam que o SPC é mais suscetível a ruídos de medição. Entretanto, verifica-se que esse controlador corrige perturbações nos set-points das variáveis controladas mais rapidamente que o MPC. Simulações realizadas para o SPC com excitação interna mostram que os algoritmos propostos neste trabalho excitam o sistema satisfatoriamente, de modo que modelos mais precisos são obtidos na reidentificação com os dados excitados. / Model Predictive Control (MPC) technology is widely used in chemical process industries. Subspace identification (SID) on the other hand has proven to be an efficient alternative for classical system identification methods. Based on the results from MPC and SID, it was developed in the late 90s a new control approach, called Subspace Predictive Control (SPC). This approach is also known as data-driven predictive control. In this new method, one single operation replaces the three steps in a MPC controller design: system identification, the state observer design and the predictor matrices construction. The aim of this work is to review studies in the field of SPC, to apply this technology to typical systems of chemical industry and to propose new algorithms. It is developed three internal excitation algorithms for the SPC method, which allow the system to be persistently excited while a minimal control of the process is still guaranteed. These algorithms enable the application of closedloop identification, where the SPC controller model is re-identified using the previously excited data. The SPC controller and the SPC controller with internal excitation are tested through simulation for two different processes. The first one is a debutanizer column of a distillation unit for which two linear models corresponding to two different operating points are available. The second one is a non-linear system consisting of a styrene polymerization reactor. A phenomenological model is provided for this system. Tests results indicate that SPC is more susceptible to measurement noises. However, it is noticed that SPC controller corrects perturbations on set-points faster than MPC. Simulations for the SPC with internal excitation show that the proposed algorithms sufficiently excite the system, in the sense that more precise models are obtained from the re-identification with excited data.

Controle preditivo baseado em modelos (MPC) é uma técnica de controle amplamente utilizada na indústria de processos químicos. Por outro lado, o método de identificação em subespaços (SID) tem se mostrado uma alternativa eficiente para os métodos clássicos de identificação de sistemas. Pela combinação dos conceitos de MPC e SID, surgiu, no final da década de 90, uma nova técnica de controle, denominada controle preditivo com enfoque em subespaços (SPC). Essa técnica também é conhecida como controle preditivo orientado a dados. Ela substitui por um único passo as três etapas do projeto de um MPC: a identificação do modelo, o cálculo do observador de estados e a construção das matrizes de predição. Este trabalho tem como principal objetivo revisar estudos feitos na área de SPC, aplicar esse método em sistemas típicos da indústria química e propor novos algoritmos. São desenvolvidos três algoritmos de excitação interna para o método SPC, que permitem gerar dados persistentemente excitantes enquanto um controle mínimo do processo é garantido. Esses algoritmos possibilitam aplicar identificação em malha fechada, na qual o modelo do controlador SPC é reidentificado utilizando dados previamente excitados. Os controladores SPC e SPC com excitação interna são testados e comparados ao MPC por meio de simulações em dois processos distintos. O primeiro consiste em uma coluna debutanizadora de uma unidade de destilação, para a qual são disponibilizados dois modelos lineares referentes a pontos de operação diferentes. O segundo é um reator de polimerização de estireno com dinâmica não linear, cujo modelo fenomenológico é conhecido. Os resultados dos testes indicam que o SPC é mais suscetível a ruídos de medição. Entretanto, verifica-se que esse controlador corrige perturbações nos set-points das variáveis controladas mais rapidamente que o MPC. Simulações realizadas para o SPC com excitação interna mostram que os algoritmos propostos neste trabalho excitam o sistema satisfatoriamente, de modo que modelos mais precisos são obtidos na reidentificação com os dados excitados. / Model Predictive Control (MPC) technology is widely used in chemical process industries. Subspace identification (SID) on the other hand has proven to be an efficient alternative for classical system identification methods. Based on the results from MPC and SID, it was developed in the late 90s a new control approach, called Subspace Predictive Control (SPC). This approach is also known as data-driven predictive control. In this new method, one single operation replaces the three steps in a MPC controller design: system identification, the state observer design and the predictor matrices construction. The aim of this work is to review studies in the field of SPC, to apply this technology to typical systems of chemical industry and to propose new algorithms. It is developed three internal excitation algorithms for the SPC method, which allow the system to be persistently excited while a minimal control of the process is still guaranteed. These algorithms enable the application of closedloop identification, where the SPC controller model is re-identified using the previously excited data. The SPC controller and the SPC controller with internal excitation are tested through simulation for two different processes. The first one is a debutanizer column of a distillation unit for which two linear models corresponding to two different operating points are available. The second one is a non-linear system consisting of a styrene polymerization reactor. A phenomenological model is provided for this system. Tests results indicate that SPC is more susceptible to measurement noises. However, it is noticed that SPC controller corrects perturbations on set-points faster than MPC. Simulations for the SPC with internal excitation show that the proposed algorithms sufficiently excite the system, in the sense that more precise models are obtained from the re-identification with excited data.