O escopo desta dissertação é o desenvolvimento de uma metodologia para identificar os modelos de canais da matriz dinâmica que estejam degradando o desempenho de controladores preditivos, ou MPC (Model Predictive Control), baseado nas técnicas de auditoria e diagnóstico deste tipo de controlador propostas por BOTELHO et al. (2015) e BOTELHO; TRIERWEILER; FARENZENA (2016) e CLARO (2016). A metodologia desenvolvida contempla dois métodos distintos. O primeiro, chamado método direto compensado, tem como base o método direto de identificação em malha fechada (LJUNG, 1987)e compensa cada saída medida do processo de modo a se reter apenas a contribuição do canal que se deseja identificar. O segundo, chamado método do erro nominal, utiliza a definição de saída nominal do processo, proposta por BOTELHO et al. (2015), como métrica para se quantificar o quão próximo o modelo está do comportamento da planta através da minimização do erro nominal. Os métodos foram aplicados ao sistema de quatro tanques cilíndricos (JOHANSSON, 2000) para dois cenários distintos, sendo o primeiro um sistema 2x2 em fase não mínima contendo um MPC trabalhando com setpoint e o segundo um sistema 4x4 em fase mínima com o MPC atuando por faixas. Para o sistema 2x2, se avaliou a influência da localização do canal discrepante (dentro ou fora da diagonal principal da matriz dinâmica de transferência) na eficácia dos métodos. Para o sistema 4x4, o estudo foi voltado para a eficácia dos métodos frentes a controladores que atuam dentro de limites para as variáveis. Os modelos identificados foram comparados pela capacidade de identificar um modelo que capturasse o zero de transmissão da planta e o RGA dinâmico, par ao sistema 2x2, e pelas respostas degrau e diagrama de Bode para o sistema 4x4. O método direto compensado resultou em baixo erro relativo no valor do zero para a discrepância na diagonal principal da matriz dinâmica e alto valor quando a discrepância se encontrava fora da diagonal principal. O método do erro nominal, por sua vez, foi capaz de identificar um modelo cujo zero de transmissão possuía baixo erro relativo frente ao zero da planta em ambos os cenários. No cenário do controlador atuando por faixas, os métodos propostos obtiveram melhores estimativas dos modelos quando comparados com o método concorrente, uma vez que apresentou alto percentual de aderência das saídas simuladas com as saídas medidas. Em todos os cenários estudados, o método do erro nominal se mostrou capaz de identificar um modelo mais robusto, pois este apresentou RGA dinâmico compatível com a planta em todo o range de frequências analisado. / The objective of this dissertation is to develop a method to identify the model for the channel of the dynamic matrix that are affecting the performance of model predictive controllers (MPC), based on the assessment and diagnosis techniques for this type of controller proposed by BOTELHO et al. (2015) e BOTELHO; TRIERWEILER; FARENZENA (2016) and CLARO (2016). The proposed methodology includes two different methods. The first, called the compensated direct method, is based on the closed-loop direct identification method (LJUNG, 1987) and compensates each process measured output in order to retain only the contribution of the channel being identified. The second, called nominal error method, uses the definition of the process nominal output, proposed by BOTELHO et al. (2015), as a metric to quantify how close the model is to the actual plant behavior by minimizing the nominal error. The proposed methods were applied to the quadruple-tank system (JOHANSSON, 2000) for two distinct scenarios, the first being a nonminimum-phase 2x2 system containing a MPC working with setpoint and the second a minimum-phase 4x4 system with the MPC working by ranges. For the 2x2 system, the influence of the model mismatch location (inside or outside the main diagonal of the dynamic transfer matrix) on the effectiveness of the methods was evaluated. For the 4x4 system, the study was focused on the effectiveness of the methods with controllers that operate within limits for the variables. The identified models were compared by the capability of identifying a model with accurate plant transmission zero and dynamic RGA, for the 2x2 system, and by the step responses and Bode diagram for the 4x4 system. The compensated direct method resulted in low relative error in the value of the transmission zero for the model mismatch located in the main diagonal of the dynamic matrix and high relative error when the mismatch was outside the main diagonal. On the other hand, the nominal error method was able to identify a model whose transmission zero had low relative error against the plant zero in both scenarios. In the scenario of a controller working by range, the proposed methods obtained better estimates of the models when compared to the concurrent method, since it presented a high percentage of adherence of the simulated outputs with the measured outputs. In all the studied scenarios, the nominal error method was able to identify a more robust model, since it presented dynamic RGA compatible with the plant in the entire range of analyzed frequencies.

A crescente demanda pela melhoria operacional dos processos aliada ao desenvolvimento da tecnologia da informação tornam a utilização de controladores preditivos baseados em modelos (MPC) uma prática comum na indústria. Estes controladores estimam, a partir dos dados de planta e de um modelo do processo, uma sequência de ações de controle que levam as variáveis ao valor desejado de forma otimizada. Dessa forma, dentre os parâmetros de configuração de um MPC, a baixa qualidade do modelo é, indiscutivelmente, a mais importante fonte de degradação de seu desempenho. Este trabalho propõe uma série de metodologias para a avaliação da qualidade do modelo do controlador preditivo, as quais consideram sua velocidade em malha fechada. Tais metodologias são baseadas na filtragem dos erros de simulação a partir função nominal de sensibilidade, e possuem a capacidade de informar o impacto dos problemas de modelagem no desempenho do sistema, além de localizar as variáveis controladas que estão com tais problemas e se os mesmos são provenientes de uma discrepância no modelo ou de um distúrbio não medido. As técnicas ainda possuem a vantagem de serem independentes do setpoint, o que as torna flexível de também serem utilizadas em controladores nos quais as variáveis são controladas por faixas. A abordagem proposta foi testada em dois estudos de caso simulados, sendo eles: a Fracionadora de Óleo Pesado da Shell e a Planta de Quatro tanques Cilíndricos. As técnicas também foram avaliadas em dados de processo da Unidade de Coqueamento Retardado de uma refinaria. Os resultados indicam que as mesmas apresentam resultados coerentes, corroborando seu elevado potencial de aplicação industrial. / The growing demand for operational improvement and the development of information technology make the use of model predictive controllers (MPCs) a common practice in industry. This kind of controller uses past plant data and a process model to estimate a sequence of control actions to lead the variables to a desired value following an optimal policy. Thus, the model quality is the most important source of MPC performance degradation. This work proposes a series of methods to investigate the controller model quality taking into account its closed loop performance. The methods are based on filtering the simulation errors using the nominal sensitivity function. They are capable detect the impact of modeling problems in the controller performance, and also to locate the controlled variables that have such problems and if it is caused by a model-plant mismatch or unmeasured disturbance. The techniques have the advantage to be setpoint independent, making them flexible to be also used in MPCs with controlled variables working by range. The proposed approach was tested in two simulated case studies The Shell Heavy Oil Fractionator Process and The Quadruple-tanks Process. The methods are also evaluated in process data of the Delayed Coking Unit of a Brazilian refinery. Results indicate that the method is technically coherent and has high potential of industrial application.

The increasing reliance on oceans, rivers and waterways in a spectrum of human activities have demonstrated the large demand for advanced marine technologies that facilitate multifarious in-water services and tasks. The autonomous underwater vehicle (AUV) is a representative marine technology which has been contributing continuously to many ocean-related fields. An elaborate control system is essential to AUVs. However, AUVs present difficult control system design problems due to their nonlinear dynamics, the unpredictable environment and the poor knowledge about the hydrodynamic coupling of the vehicle degrees of freedom. When designing the motion controller, the practical constraints on the AUV system such as limited perceiving, computing and actuating capabilities should also be respected. The model predictive control (MPC) is an advanced control technology that leverages optimization to calculate the control command. Thanks to the optimization nature, MPC can conveniently handle the complex nonlinearity in system dynamics as well as the state and control constraints. MPC takes the receding horizon control paradigm which gains satisfactory robustness against model uncertainties and external disturbances. Therefore, MPC is an ideal candidate for solving the AUV motion control problems. On the other hand, since the optimization is solved by iterative numerical algorithms, the obtained control signal is an implicit function of the system state, which complicates the characterization of the closed-loop properties. Moreover, the nonlinear system dynamics makes the online optimization nonlinear programming (NLP) problems. The high computational complexity may cause an issue on the real-time control for embedded platforms with limited computing resources. In order to push the advanced MPC technology towards real-world AUV applications, this PhD dissertation is concerned with fundamental AUV motion control problems and attempts to address the aforementioned challenges and provide novel solutions. This dissertation proceeds with Chapter 1 by providing state-of-the-art introductions to related research areas. The mathematical model used for the AUV motion control is elaborated in Chapter 2. In Chapter 3, we consider the AUV navigation and control problem in constrained workspace. A unified receding horizon optimization framework consisting of the dynamic path planning and the nonlinear model predictive control (NMPC) tracking control is developed. Although the NMPC tracking controller well accommodates the practical constraints on the AUV system, it presents a brand new design philosophy compared with the existing control systems that are implemented on real AUVs. Since the existing AUV control systems are reliable controllers, AUV practitioners tend not to fully replace them but to improve the control performance by adding features. By considering this, in Chapter 4, we develop the Lyapunov-based model predictive control (LMPC) scheme which builds on the existing AUV control system and invoke online optimization to improve the control performance. Chapter 5 focuses on the path following (PF) problem. Unlike the trajectory tracking control which equally emphasizes the spatial and temporal control objectives, the PF control often prioritizes the path convergence over the speed assignment. To incorporate this objective prioritization into the controller design, a novel multi-objective model predictive control (MOMPC) scheme is developed. While the MPC technique provides several salient features (e.g., optimality, constraints handling, objective prioritization, robustness, etc.), those features come at a price: a computational bottleneck is formed by the heavy burden of solving online optimizations in real time. To explicitly address this issue, in Chapter 6, the computational complexity of the MPC algorithms is particularly emphasized. Two novel strategies which potentially alleviate the computational burden of the MPC-based AUV tracking control are proposed. In Chapter 7, some conclusive remarks are provided and a few avenues for future research are identified. / Graduate

O projeto de estratégias de controle preditivo (MPC) com estabilidade garantida, que incorpora explicitamente a incerteza de modelo na formulação de controle, ainda permanece uma questão em aberto na literatura, embora uma ampla teoria já tenha sido desenvolvida para a síntese de algoritmos MPC robustamente estáveis. Em verdade, as soluções existentes para o problema de MPC robusto estão longe de uma etapa aceitável de implementação prática, principalmente se o sistema de processo é composto de modos integradores ou instáveis, e também apresenta atrasos de tempo (tempos mortos) entre suas variáveis de entrada e saída. Sob esta perspectiva, o objetivo principal desta tese é desenvolver uma estrutura de síntese de controladores MPC com estabilidade robusta garantida para sistemas de processo com as características integradoras ou instáveis, assim como tempos mortos entre as variáveis. Particularmente, três diferentes estratégias de MPC robusto são desenvolvidas neste trabalho. As duas primeiras referem-se a sistemas integradores com tempos mortos: o primeiro algoritmo é baseado em uma formulação de controle em dois passos, enquanto o segundo é posto como um problema de otimização de controle em um passo e a representação de modelo em variáveis de estado é mais geral do que aquela adotada na formulação do primeiro método. A terceira estratégia proposta focaliza os sistemas instáveis com tempos mortos através de uma formulação de controle em um passo. Ademais, visando o caso de implementação prática, os controladores desenvolvidos compreende os seguintes aspectos: (i) as leis de controle livre de erro permanente são obtidas sem a necessidade de incluir uma camada de otimização adicional de cálculo de estados estacionários, devido à formulação adequada de modelos em espaço de estados na forma incremental das entradas, os quais são derivados de expressões analíticas de resposta ao degrau do sistema de processo; (ii) a incerteza de todos os parâmetros do modelo, e.g. ganhos, constantes de tempo, atrasos de tempo, é considerada na formulação do problema; (iii) as provas de estabilidade robusta segundo Lyapunov são realizadas de uma forma intuitiva através da imposição de restrições terminais de igualdade e restrições de contração de custo; (iv) a inclusão adequada de variáveis de folga, que não comprometem as propriedades estabilizantes dos controladores, assegura que os problemas de otimização são sempre viáveis; (v) integração estável com camada de otimização em tempo real, visto que os controladores são projetados de tal forma a rastrear targets ótimos para algumas entradas e saídas do processo, mantendo as variáveis remanescentes dentro de faixas pré-definidas, ao invés de set-points xos. Exemplos de simulação típicos da indústria de processo são explorados para ilustrar as potenciais utilidades dos métodos propostos e demonstrar que eles podem ser aplicados em casos reais. / The design of stable model predictive control (MPC) strategies that explicitly incorporate the model uncertainty into the control formulation still remains an open issue, although a rich theory has been developed to the synthesis of robustly stabilizing MPC schemes. In fact, the existing solutions to the robust MPC problem seem far from an acceptable stage of practical imple mentations, chiey when the process system is composed of integrating and unstable poles, as well as time delays between its input and output variables. Within this perspective, the ultimate goal of this thesis is to develop a new framework for robust MPC synthesis which guarantees closed-loop stability of integrating and unstable time delay processes. On this subject, three different robust MPC strategies are developed. The two rst concerns on integrating time delay processes; the former is based on a two-step control formulation, whereas the latter is posed as a one-step control optimization problem and state-space model description is more general than that adopted in the former formulation. The third proposed strategy focuses on one-step control formulation-based unstable time delay processes. Aiming at practical implementation purposes, the controllers proposed herein comprise the following aspects: (i) the offset free control laws are obtained without the need to include an additional steady-state calculation op timization layer due to the enclosure of proper state-space models in the incremental form of the inputs, which are derived of analytical expressions of step response of the process system; (ii) the uncertainty of all model parameters, e.g. gains, time constants, time delays and so on, is considered in the problem formulation; (iii) the proofs of robust Lyapunov stability are easily carried out of an intuitive way by imposing terminal equality constraints and cost-contracting constraints; (iv) the suitable inclusion of slack variables, which does not commit the stabil ity properties of the controllers, ensure that the proposed optimization problems are always feasible; (v) stable integration with real-time optimization layer, seeing as the controllers are designed to work in the optimum target tracking scheme where they should drive the process to the optimum operating point, while maintaining the remaining inputs and outputs inside pre dened zones instead of xed set-points. Simulation examples typical of the process industry are exploited to illustrate the helpfulness of the proposed control methods and demonstrate that they can be implemented in real applications.

This work presents an embedded model predictive control application to a 2-DOF Helicopter Process. The mathematical modeling of the plant is first presented along with an analysis of the linear model. Then, the incremental state-space representations used in the MPC formulation are derived. The MPC technique is then defined, along with how to rewrite the physical constraints into the problem formulation. After that, a discussion on the utilized Quadratic Programming solver is presented along with possible alternatives to it, showing some considerations on which matrices to calculate beforehand for an embedded application. Finally, system identification is performed and the experimental results are presented. / Este trabalho apresenta uma aplicação de controle preditivo embarcado em um helicóptero de bancada com dois graus de liberdade. A modelagem matemática é apresentada, junto com uma análise do modelo linear obtido. São obtidas duas representações de modelos de espaço de estados considerando a entrada incremental, que serão usadas posteriormente para a formulação do controlador. Então, é definida a técnica de controle utilizada, juntamente com a inclusão das restrições físicas da planta na formulação do problema. Após isto, é feita uma discussão sobre qual solver para a programação quadrática utilizar, junto com algumas alternativas ao solver escolhido, bem como algumas considerações sobre a aplicação embarcada. Finalmente, são apresentados os resultados da identificação de sistemas aplicadas ao protótipo, bem como os resultados experimentais obtidos.

O sucesso de estratégias de controle preditivo baseado em modelo (MPC, na sigla em inglês) tanto em ambiente industrial quanto acadêmico tem sido marcante. No entanto, ainda há diversas questões em aberto na área, especialmente quando a hipótese simplificadora de modelo perfeito é abandonada. A consideração explícita de incertezas levou a importantes progressos na área de controle robusto, mas esta ainda apresenta alguns problemas: a alta demanda computacional e o excesso de conservadorismo são questões que podem ter prejudicado a aplicação de estratégias de controle robusto na prática. A abordagem de controle preditivo estocástico (SMPC, na sigla em inglês) busca a redução do conservadorismo através da incorporação de informação estatística dos ruídos. Como processos na indústria química sempre estão sujeito a distúrbios, seja devido a diferenças entre planta e modelo ou a distúrbios não medidos, está técnica surge como uma interessante alternativa para o futuro. O principal objetivo desta tese é o desenvolvimento de algoritmos de SMPC que levem em conta algumas das especificidades de tais processos, as quais não foram adequadamente tratadas na literatura até o presente. A contribuição mais importante é a inclusão de ação integral no controlador através de uma descrição do modelo em termos de velocidade. Além disso, restrições obrigatórias (hard) nas entradas associadas a limites físicos ou de segurança e restrições probabilísticas nos estados normalmente advindas de especificações de produtos também são consideradas na formulação. Duas abordagens foram seguidas neste trabalho, a primeira é mais direta enquanto a segunda fornece garantias de estabilidade em malha fechada, contudo aumenta o conservadorismo. Outro ponto interessante desenvolvido nesta tese é o controle por zonas de sistemas sujeitos a distúrbios. Essa forma de controle é comum na indústria devido à falta de graus de liberdade, sendo a abordagem proposta a primeira contribuição da literatura a unir controle por zonas e SMPC. Diversas simulações de todos os controladores propostos e comparações com modelos da literatura são exibidas para demonstrar o potencial de aplicação das técnicas desenvolvidas. / The success of Model Predictive Control (MPC) strategies in industrial and academic environments in the last decades has been remarkable. However, there are many open questions in the area, especially when the simplifying hypothesis of perfect model is dropped. The explicit consideration of uncertainties lead to important progresses in the area of robust control, but it still exhibits a few drawbacks: high computational load and over conservative behavior are issues that may have hindered the application of robust strategies in practice. The approach of Stochastic Model Predictive Control (SMPC) aims at the reduction of conservativeness due to the incorporation of statistical information about noise. Since processes in chemical industry are always subject to disturbances, resulting from model-plant mismatch or from unmeasured disturbances, this technique is an interesting alternative for future control algorithms. The main objective of this thesis is the development of SMPC algorithms that take into account some of the specificities of such processes, which have not been adequately handled in the literature so far. The most important contribution is the inclusion of integral action in the controller through a velocity description of the model. Besides, hard input constraints associated with safety or physical limits and probabilistic state constraints usually derived from product specification - are also included in the formulation. Two approaches were followed in this work, the first is more direct and the second provides closed-loop stability guarantee at the price of increased conservativeness. Another interesting feature that is developed in this thesis is the zone control of systems subject to disturbances. This form of control is often present in industrial arrays due to the lack of degrees of freedom, and the proposed approach is the first to merge zone control and SMPC. Different simulations of all proposed controllers and comparison to literature benchmarks are provided to show the application potential of the developed techniques.

O desenvolvimento de métodos que aumentem a eficiência de controle de processos de cristalização ganhou importância devido à necessidade de melhoras nas taxas de produção, minimizando os custos de energia e mantendo a qualidade das partículas. Neste trabalho os autores estudaram a aplicação de um controlador preditivo (MPC) a um processo de cristalização de cloreto de sódio por evaporação múltiplo-efeito, com alimentação paralela, permitindo que a planta busque, em tempo real, o melhor ponto de operação respeitando os limites definidos. Primeiramente, foi criado um modelo fenomenológico não linear através de balanços de massa, energia e momento considerando a cinética de cristalização, de forma que se possa simular a dinâmica de operação dos cinco efeitos operando dependentemente. O modelo físico possibilitou a aplicação de um controlador do tipo MPC com zona de controle permitindo que as principais variáveis de saída encontrem, dentro de uma faixa de operação aceitável, o ponto ótimo do processo nas condições atuais. Ao mesmo sistema foi aplicado um controlador clássico do tipo PID para avaliação dos ganhos adquiridos pela técnica de controle por predição do estado futuro da planta, observando uma melhor estabilidade e queda no consumo energético. / The development of methods to increase the efficiency of the crystallization process control has gained importance due to the need to improve production rates, to minimize energy costs and to improve the quality of particulate products. In this work the author has applied a model predictive control (MPC) to a continuous forced circulation five-stage evaporative sodium chloride crystallizer with parallel feed, providing the real time search of the best operating point inside the defined set of constraints. First, a non-linear phenomenological model was developed by mass, energy and moment balances coupled to the crystallization kinetics, to simulate the dynamic operation of the five effects working dependently. The physical model enabled the study of the implementation of a model predictive control MPC with zone control that allows the main output variables to be controlled in acceptable operating ranges and the detection of the optimum operating point of the process corresponding to current economic conditions. To evaluate the benefits of the advanced control strategy, a classical PID control system was also implemented in the crystallization system and the two strategies were compared to evaluate the benefit of the model based predictive strategy that provides a better stability and a decrease in the energy consumption.

O propósito desta Tese é desenvolver controladores preditivos (MPC) com garantia de estabilidade e que são parte de uma estrutura onde a otimização em tempo real (RTO) produz targets otimizantes para o controlador preditivo. As aproximações de duas e três camadas foram consideradas. Três diferentes estratégias são apresentadas: A primeira estratégia é desenvolvida para sistemas com pólos integradores; esta consiste em um algoritmo MPC de horizonte infinito em duas versões estendidas. Este controlador é formulado para implementação em uma estrutura de duas camadas. Os resultados de simulação em um sistema linear com modos estáveis e integradores mostram a capacidade do controlador MPC para seguir targets nas entradas vindos da camada RTO mesmo quando há targets para sistemas integradores. Como segunda estratégia, foi desenvolvido um algoritmo que garante estabilidade nominal do controlador MPC quando este interage com a camada intermediária da estrutura em três camadas. Além da versão nominal, é desenvolvida uma extensão deste controlador para sistemas com incerteza, o controlador resultante tem estabilidade robusta. Esta aproximação é testada com um sistema linear e um sistema não linear. Para o sistema não-linear, que é um processo industrial, é simulada a estrutura completa incluindo a RTO com o algoritmo robusto. Os resultados mostram que a estrutura é capaz de seguir mudanças nos targets quando os distúrbios afetam o processo. Finalmente, a última estratégia proposta nesta Tese consiste na inclusão de uma função convexa no controlador MPC para seguir os targets. O gradiente desta função convexa é considerada num termo quadrático na função objetivo do controlador MPC. Este controlador é simulado com um sistema linear e um sistema não linear. Com o objetivo de desenvolver uma versão robusta, o MPC com gradiente foi estendido ao caso de sistemas com incertezas. Para todas as estratégias apresentadas em esta Tese, foram formulados teoremas que garantem a viabilidade recursiva e a convergência do sistema em malha fechada. / The aim of this Thesis is the development of predictive controllers (MPC) with guarantee of stability and that are part of a control structure where Real Time Optimization (RTO) is present and produces optimizing targets for the predictive controller. The approaches of two and three-layer are considered. Three different strategies are presented: the first strategy is developed for integrating systems; it consists on an infinite horizon MPC algorithm in two extended versions. This controller is designed to be implemented in the two-layer structure. Simulation results in a linear system with integrating and stable modes show the ability of the MPC controller to follow input targets from the RTO layer even when there are targets for integrating systems. As a second strategy, it is developed an algorithm that guarantees nominal stability of the MPC controller when it interacts with the intermediary layer of the three-layer structure. In order to produce a robust structure, an extension to uncertain systems is also developed. This approach is tested with both a linear and a nonlinear system. For the nonlinear system, which is an industrial process, the full structure that includes the RTO with the robust algorithm is simulated. Results show that the structure is capable to follow target changes when disturbances affect the process. Finally, the last strategy proposed in this Thesis consists on the inclusion of a convex function in the MPC controller to follow the RTO targets. The gradient of this convex function is considered in a quadratic term in the objective function of the MPC controller. This controller is also simulated with both a linear system and a nonlinear system. For the MPC with gradient, an extension to the case of uncertain systems is developed in order to provide a more robust controller. For the strategies developed in this Thesis, theorems that guarantee the recursive feasibility and the convergence of the closed-loop system are provided.

A crescente demanda pela melhoria operacional dos processos aliada ao desenvolvimento da tecnologia da informação tornam a utilização de controladores preditivos baseados em modelos (MPC) uma prática comum na indústria. Estes controladores estimam, a partir dos dados de planta e de um modelo do processo, uma sequência de ações de controle que levam as variáveis ao valor desejado de forma otimizada. Dessa forma, dentre os parâmetros de configuração de um MPC, a baixa qualidade do modelo é, indiscutivelmente, a mais importante fonte de degradação de seu desempenho. Este trabalho propõe uma série de metodologias para a avaliação da qualidade do modelo do controlador preditivo, as quais consideram sua velocidade em malha fechada. Tais metodologias são baseadas na filtragem dos erros de simulação a partir função nominal de sensibilidade, e possuem a capacidade de informar o impacto dos problemas de modelagem no desempenho do sistema, além de localizar as variáveis controladas que estão com tais problemas e se os mesmos são provenientes de uma discrepância no modelo ou de um distúrbio não medido. As técnicas ainda possuem a vantagem de serem independentes do setpoint, o que as torna flexível de também serem utilizadas em controladores nos quais as variáveis são controladas por faixas. A abordagem proposta foi testada em dois estudos de caso simulados, sendo eles: a Fracionadora de Óleo Pesado da Shell e a Planta de Quatro tanques Cilíndricos. As técnicas também foram avaliadas em dados de processo da Unidade de Coqueamento Retardado de uma refinaria. Os resultados indicam que as mesmas apresentam resultados coerentes, corroborando seu elevado potencial de aplicação industrial. / The growing demand for operational improvement and the development of information technology make the use of model predictive controllers (MPCs) a common practice in industry. This kind of controller uses past plant data and a process model to estimate a sequence of control actions to lead the variables to a desired value following an optimal policy. Thus, the model quality is the most important source of MPC performance degradation. This work proposes a series of methods to investigate the controller model quality taking into account its closed loop performance. The methods are based on filtering the simulation errors using the nominal sensitivity function. They are capable detect the impact of modeling problems in the controller performance, and also to locate the controlled variables that have such problems and if it is caused by a model-plant mismatch or unmeasured disturbance. The techniques have the advantage to be setpoint independent, making them flexible to be also used in MPCs with controlled variables working by range. The proposed approach was tested in two simulated case studies The Shell Heavy Oil Fractionator Process and The Quadruple-tanks Process. The methods are also evaluated in process data of the Delayed Coking Unit of a Brazilian refinery. Results indicate that the method is technically coherent and has high potential of industrial application.

Esta dissertação estuda o controle multivariável de uma plataforma \"offshore\" típica. Com esse propósito, um modelo dinâmico rigoroso do processo não-linear foi desenvolvido e usado para representar o processo real nas simulações das estratégias de controle propostas. Baseado no modelo rigoroso e usando métodos de identificação, foram desenvolvidos modelos lineares aproximados para representar o processo no controlador preditivo (MPC). O sistema de controle foi projetado visando manter as variáveis controladas em valores adequados e reduzir o efeito de golfadas severas nos equipamentos à jusante da plataforma. Foram testados dois controladores preditivos: o MPC convencional que opera com \"setpoints\" fixos para as variáveis controladas e o controlador preditivo que opera com zonas para as variáveis controladas. Os resultados da simulação mostram que o controlador preditivo com controle por zonas é capaz de ter uma performance bem melhor que o controlador preditivo convencional, com uma significativa redução na amplitude das oscilações causadas pelas golfadas na vazão de petróleo na saída da plataforma. / This dissertation studies the multivariable control of a typical offshore platform. For this purpose, a rigorous nonlinear dynamic model of the process system is developed and used to represent the true process in the simulation of the proposed control strategies. Based on this rigorous model, approximate linear models are obtained through identification methods in order to represent the platform process in the Model Predictive Control (MPC). The control system was designed aimed at keeping all the controlled variables at adequate values and to reduce the effect of severe riser slugging on the downstream systems. Two model predictive controllers are tested: the conventional MPC with fixed set-points to the controlled outputs and the MPC with zone control of the outputs. The simulation results show that the controller based on the output zone control has a better performance than the conventional MPC with a significant reduction on the amplitude of the oscillation of oil flow at the outlet of the platform process.