Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / The data reconciliation in process control is extremely important regarding the industries because from this it is possible to obtain a greater efficiency in the performance in industrial process control meshes aiming at a lower cost and a higher quality of the product. In this work we approach data estimation techniques for the implementation of an online dynamic data reconciliation system in order to reduce the noise and the measurement uncertainties that are submitted in the process variables. The techniques used here are: the Kalman Filter, the Preditor-Corrector DDR Algorithm, the Moving Horizon Estimator (MHE) and the Constrained Extended Kalman Filter (CEKF). The analysis is performed by applying the dynamic data reconciliation system in a simulated process, characteristic of the chemical industry, operating under MPC (Model Predictive Control). The performance of the MPC controller is also enhanced by the use of the reconciled data in the feedback control loop. / A reconciliação de dados em controle de processos é extremamente importante no que diz respeito às indústrias, pois a partir dessa é possível obter uma maior eficiência no desempenho em malhas de controle de processos industriais visando à minimização dos custos e maximizando a qualidade do produto. Neste trabalho abordam-se técnicas de estimação de dados para a implementação de um sistema de reconciliação dinâmica de dados on-line a fim de reduzir os ruídos e as incertezas de medições a que estão submetidas às variáveis do processo. As técnicas aqui empregadas são: o Filtro de Kalman, o Algoritmo DDR Preditor-Corretor, o Estimador de Horizonte Móvel (MHE) e o Filtro de Kalman Estendido com Restrições (CEKF). As análises são efetuadas aplicando o sistema de reconciliação dinâmica de dados em um processo simulado, característico da indústria química, operando sob controle preditivo (MPC). Também é efetuado o aprimoramento no desempenho do controlador MPC utilizando os dados reconciliados na malha de realimentação do controlador.

Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Model predictive control (MPC) strategies have become the standard for advanced control applications in the process industry. Significant benefits are generated from the MPC's capacity to ensure that the plant operates within its constraints more profitably. However, like any controller, after some time under operation, MPCs rarely function as when they were initially designed. A large percentage of performance degradation of MPC is associated with the deterioration of model that controller uses to predict process outputs and calculate inputs. The objective of the present work is implementation of mathematical methods that can be used to detect model-plant mismatch in linear and nonlinear MPC systems. In this work, techniques based on cross correlation, partial correlation and mutual information are implemented and tested by numerical simulation in case studies characteristic of the petrochemical industry, represented by linear and nonlinear models, operating under MPC control. The results obtained through the applying the techniques are analyzed and compared as to their efficiency is not intended to offer their potential for real industrial applications. / Estratégias de controle preditivo (MPC) têm-se tornado o padrão para aplicações de controle avançado na indústria de processos. Os benefícios significativos são gerados a partir da habilidade do controlador MPC de assegurar que a planta opere dentro das restrições de forma mais lucrativa. Porém, como todo controlador, depois de algum tempo em operação, os MPCs raramente funcionam como quando foram inicialmente projetados. Uma grande porcentagem da degradação do desempenho dos controladores MPC está associada à deterioração do modelo que o controlador usa para fazer a predição das saídas do processo e calcular as entradas. O objetivo do presente trabalho é a implementação de métodos matemáticos que possam ser utilizados para a detecção de erros planta-modelo em sistemas de controle MPC lineares e não lineares. Neste trabalho, técnicas baseadas em correlação cruzada, correlação parcial e informação mútua são implementadas e testadas por simulação numérica em estudos de caso característicos da indústria petroquímica, representados por modelos lineares e não lineares, operando sob controle MPC. Os resultados obtidos através da aplicação das técnicas são analisados e comparados quanto à sua eficiência no objetivo proposto avaliando seu potencial para aplicações industriais reais.

Orientadores: Carlos Alberto de Castro Junior, Luiz Carlos Pereira da Silva / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-08T23:29:31Z (GMT). No. of bitstreams: 1 BedoyaBedoya_DuvierRolando_M.pdf: 801505 bytes, checksum: 8566b9558e25c36e418f2d8d82398e68 (MD5) Previous issue date: 2007 / Resumo: Este trabalho apresenta uma nova e rápida metodologia para calcular a margem mínima de estabilidade de tensão de sistemas de potência. O cálculo da margem de estabilidade de tensão (MET) é normalmente requerido no planejamento e operação dos sistemas de potência. Usualmente, a carga é incrementada em uma direção predefinida baseada em históricos ou previsão da demanda (por exemplo, com fator de potência constante, seguido por um incremento proporcional nos MW da geração) até que o ponto de máximo carregamento (PMC) seja obtido. O cálculo da margem mínima METm, permite obter a pior direção de incremento de carga. Além disso, podem se apresentar situações onde incrementos de carga imprevistos em uma barra ou área conduzam a uma margem menor, arriscando a operação do sistema em modo seguro. O objetivo deste trabalho é apresentar uma metodologia nova e eficiente, do ponto de vista computacional, para obter a METm e a correspondente direção que é equivalente à pior direção de incremento de carga. Esta informação, com a margem que usualmente é calculada, permite que os operadores do sistema tomem medidas preventivas de controle para retornar ou manter o sistema em modo de operação seguro. Adicionalmente, é apresentado um estudo de áreas críticas para identificar as regiões ou barras que mais estão contribuindo a perda de estabilidade de tensão. É possível encontrar a melhor ação de controle, como corte de carga ou compensação reativa / Abstract: This work presents a new and fast method for computing the minimum voltage stability margin of electric power systems. The computation of the voltage stability margin (VSM) is often required for the planning and operation of power systems. Usually, loads are increased along a predefined direction, which can be estimated based on historical data or load forecast (e.g. with constant power factor, followed by a proportional MW generation increase) up to the system's maximum loading point is reached. The computation of the minimum VSM (mVSM) allows obtaining the load increase worst scenario. Also, situations may occur where variations from the predefined load increase direction, as for example, an unexpected load increase at some bus or area, may result in smaller VSM, taking the system to an insecure operating state. The aim of this work is to propose a new and fast method to compute the mVSM? and the corresponding load increase direction for which it occurs. This information, along with the usual VSM, allows operators to take measures like preventive control actions to move the system to securer operating points. Also a general study of critical areas is shown in order to identify the weakest region and bus that are contributing to the loss of voltage stability. It is possible to _nd the best control actions, like load curtailment or reactive compensation / Mestrado / Energia Eletrica / Mestre em Engenharia Elétrica

Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2017-10-06T12:04:38Z No. of bitstreams: 2 Dissertação - Lázaro Rubens Araújo Pinto - 2017.pdf: 16272237 bytes, checksum: 9f3d1693d0282cbf28a35702c1a9cf17 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2017-10-06T12:04:51Z (GMT) No. of bitstreams: 2 Dissertação - Lázaro Rubens Araújo Pinto - 2017.pdf: 16272237 bytes, checksum: 9f3d1693d0282cbf28a35702c1a9cf17 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2017-10-06T12:04:52Z (GMT). No. of bitstreams: 2 Dissertação - Lázaro Rubens Araújo Pinto - 2017.pdf: 16272237 bytes, checksum: 9f3d1693d0282cbf28a35702c1a9cf17 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2017-08-07 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / This work proposes an analysis of the closed-loop operation of a distributed generation system connected to a three-phase four-wire AC power system by a three-phase four-leg inverter. The modulation strategy adopted for this inverter is determined by the Model Predictive Control (MPC) method. Reasons for the use of this topology and the control method are discussed. The chosen structure for the MPC predictive control aims to supply of active and reactive power by the inverter in order to maximize the power factor measured by the four-wire AC source (Y-n). Four possible cases of operation are reported for the analysis of the proposal in the three-phase four-leg inverter and other two cases for a three-phase full-bridge inverter (3F) for comparison purposes. Based on the monitoring of the active powers involved and the other variables of interest, it was possible to exemplify the achievement of the proposed objectives and validate the adopted method, at least under modeling and software simulation level. / Este trabalho propõe uma análise da operação em malha fechada de um sistema de geração distribuída para conexão em um sistema trifásico a quatro fios, a partir do controle de um inversor trifásico a quatro braços. A estratégia de modulação adotada para este inversor é determinada pelo método de controle preditivo baseado em modelo (MPC - Model Predictive Control). Justificativas para a utilização dessa topologia e do método de controle são discutidas. A estrutura escolhida para o controle preditivo MPC objetiva o fornecimento de potência ativa e reativa pelo inversor tendo em vista a maximização do fator de potência medido a partir da fonte pela fonte CA a quatro fios (Y-n). Quatro casos são abordados para análise da proposta no inversor trifásico a quatro braços e dois casos para um inversor trifásico em ponte completa (3F) para efeito de comparação. Baseando-se no monitoramento das potências elétricas envolvidas e nas demais grandezas de interesse, foi possível concluir que os resultados de simulações exemplificam o alcance dos objetivos propostos e validam o método adotado, pelo menos em relação à modelagem matemática empregada e à simulação do sistema de geração proposto em ambiente computacional.

[pt] A crescente demanda por sistemas de transporte autônomos e inteligentes exige o desenvolvimento de técnicas avançadas de controle e estimativa, visando garantir operações seguras e eficientes. Devido à natureza não linear da dinâmica veicular e seus fenômenos característicos, os métodos clássicos de estimativa e controle podem não alcançar resultados adequados, o que incentiva a pesquisa de novos algoritmos. Por algumas contribuições, a primeira parte deste trabalho trata de algoritmos de estimação, tanto para identificação de parâmetros invariantes no tempo, quanto para estimação de estados e parâmetros variantes no tempo. Especial destaque é dados aos algoritmos de Estimação de Estados por Horizonte Móvel (MHSE), que se apresenta como robusto e preciso, devido ao problema de otimização com restrição em que se baseia. Este algoritmo é avaliado em dinâmica longitudinal de veículos, para estimativa de deslizamento longitudinal e coeficiente de atrito pneu-estrada. Apesar de sua eficiência, o alto custo computacional torna necessária a busca por alternativas sub-ótimas, e o emprego de Redes Neurais que mapeiam os resultados da otimização é uma solução promissora, que é tratada como Estimação por Horizonte Móvel com Redes Neurais (NNMHE). O NNMHE é avaliado em uma estimativa do estado de carga (SOC) de baterias para veículos elétricos, demonstrando, através de dados experimentais, que o NNMHE emula com precisão o problema de otimização e a literatura indica sua aplicação efetiva em hardwares embarcados. Por fim, é apresentada uma contribuição sobre o controle preditivo baseado em modelo não linear (NMPC). É proposto e avaliado seu uso compondo uma nova estrutura de controle hierárquica para veículos elétricos com motores independentes nas rodas, através do qual é possível controlar adequadamente o veículo em tarefas de rastreamento de velocidade e trajetória, com reduzido esforço computacional. O controle é avaliado usando dados experimentais de pneus obtidos, que aproximam a simulação de situações reais. / [en] The rising demand of autonomous and intelligent transportation systems requires the development of advanced control and estimation techniques, aiming to ensure safety and efficient operations. Due to the nonlinear nature of vehicle dynamics and its characteristic phenomena, classical estimation and control methods may not achieve adequate results, which encourages the research of novel algorithms. By some contributions, the first part of this work deals with estimation algorithms, both for identification of time invariant parameters and for estimation of states and time varying parameters. Special emphasis is given to Moving-Horizon State Estimation (MHSE), which is presented to be robust and accurate, due to the constrained optimization problem on which it is based. This algorithm is evaluated in vehicle longitudinal dynamics, for slip and tire-road friction estimation. Despite its efficiency, the high computational cost makes it necessary to search for suboptimal alternatives, and the employ of a Neural Networks that maps the optimization results is a promising solution, which is treated as Neural Networks Moving-Horizon Estimation (NNMHE). The NNMHE is evaluated on a state-of-charge (SOC) estimation of batteries for electric vehicles, demonstrating, through experimental data, that the NNMHE emulates accurately the optimization problem, and the literature indicates its effectively application on embedded hardware. Finally, a contribution about Nonlinear Model-based Predictive Control (NMPC) is presented. It is proposed and evaluated its use compounding a novel hierarchical control framework for electric vehicles with independent in-wheel motors, through which it is possible to adequately control the vehicle on velocity and path tracking tasks, with reduced computational effort. The control is evaluated using experimental obtained tire data, which approaches the simulation to real situations.

[pt] Os avanços da Robótica nas últimas décadas permitem um aumento nas gamas de aplicações de manipuladores robóticos em diversos setores da indústria. Isto, impacta diretamente a interação Homem-Robô (HRI), resultando em um aumento de tarefas que requerem compartilhamento de ambiente de trabalho, desempenho de segurança e a habilidade de detecção de contato do manipulador robótico. Consequentemente, métodos de controle capazes de prever contato, controlar força ou trajetória para evitar danos durante colisões se tornam cada vez mais necessários seja por questões de segurança ou de desempenho. Separando a dinâmica de um manipulador de um único elo em dois modos, sendo eles modo de controle de posição (modo livre) e modo de controle de torque (modo de contato), a primeira parte desta dissertação, lida com o problema de estimação de estados para detecção do modo ativo através da implementação do método de Estimação de Estados de Horizonte móvel com Redes Neurais (NNMHSE). A efetividade do método de estimação proposto é avaliada através da comparação dos estados e modos gerados pelo MHSE e dos estimados pela Rede Neural. Este método apresentou baixos valores de RMSE, altos valores de R(2), e uma redução do tempo de processamento do algoritmo de estimação. A segunda parte desta dissertação lida com o problema de controle de posição e força chaveado para um manipulador robótico não linear, aplicando Controle Preditivo Baseado em Modelo (MPC). O algoritmo MPC chaveado implementado mostrou-se capaz de controlar efetivamente ambos os modos do sistema apresentando baixo erro na predição, aproximadamente 2 por cento no modo de controle de posição e 0.5 por cento no modo de controle de torque, mesmo considerando alterações cíclicas nos modos. Ambos os métodos provam ser adequados para controle de manipuladores robóticos colocalizados com seres humanos ou em ambientes desestruturados por meio da detecção do modo de operação e do controle chaveado posição-torque. / [en] The advances in Robotics in recent decades allow a growing range of robotic manipulator applications in various industry sectors. This directly impacts Human-Robot Interaction (HRI), increasing tasks that require a shared work environment, safety performance, and the contact detection ability of the robotic manipulator. Consequently, control methods capable of predicting contact, and controlling force or trajectory to avoid damage during collisions become increasingly necessary either for safety or performance reasons. Separating the dynamics of a single-link manipulator into two modes, namely position control mode (free mode) and torque control mode (contact mode), the first part of this dissertation deals with the estimation problem of states for active mode detection through the implementation of the Moving Horizon State Estimation with Neural Networks (NNMHSE) method. The effectiveness of the proposed estimation method is evaluated by comparing the states and modes generated by the MHSE and those estimated by the Neural Network. This method showed low RMSE values, high values of R(2), and a reduction in the processing time of the estimation algorithm. The second part of this dissertation deals with the position and force switching problem for a non-linear robotic manipulator, applying Model-Based Predictive Control (MPC). The implemented switched MPC algorithm effectively controlled both modes of the system, presenting low prediction error, approximately 2 percent in position control mode and 0.5 percent in torque control mode, even considering cyclical changes in the modes. Both methods prove to be suitable for controlling co-located robotic manipulators with humans or in unstructured environments through operation mode detection and position-torque switching control.

[pt] Os veículos automatizados devem trafegar em determinado ambiente detectando, planejando e seguindo uma trajetória segura. De modo a se mostrarem mais seguros que seres humanos, eles devem ser capazes de executar essas tarefas tão bem ou melhor do que motoristas humanos sob diferentes condições críticas. Uma parte essencial no estudo de veículos automatizados o desenvolvimento de modelos representativos que sejam precisos e computacionalmente eficientes. Assim, para lidar com esses problemas, o presente trabalho aplica métodos de inteligência computational e identificação de sistemas para realizar modelagem de veículos e controle de rastreamento de trajetória. Primeiro, arquiteturas neurais são usadas para capturar as características do pneu na interação entre a dinâmica lateral e longitudinal do veículo, reduzindo o custo computacional em controladores preditivos. Em segundo lugar, uma combinação de modelos caixa-preta é usada para melhorar o controle preditivo. Em seguida, uma abordagem híbrida combina modelos baseados na física e orientados por dados com modelagem de caixa-preta das discrepâncias. Essa abordagem é escolhida para melhorar a precisão da modelagem de veículos, propondo um modelo de discrepância para capturar incompatibilidades entre modelos de veículos e dados medidos. Os resultados são mostrados quando os métodos propostos são aplicados a sistemas com dados simulados/reais e comparados com abordagens encontradas na literatura, mostrando um aumento de precisão (até 40 por cento) em termos de métricas baseadas em erro, com menor esforço computacional (redução de até 88 por cento) do que os controladores preditivos convencionais. / [en] Automated vehicles must travel in a given environment detecting, planning, and following a safe path. In order to be safer than humans, they must be able to perform these tasks as well or better than human drivers under different critical conditions. An essential part of the study of automated vehicles is the development of representative models that are accurate and computationally efficient. Thus, to cope with these problems, the present work applies artificial neural networks and system identification methods to perform vehicle modeling and trajectory tracking control. First, neural architectures are used to capture tire characteristics present in the interaction between lateral and longitudinal vehicle dynamics, reducing computational costs for predictive controllers. Secondly, a combination of black-box models is used to improve predictive control. Then, a hybrid approach combines physics-based and data-driven models with black-box modeling of the discrepancies. This approach is chosen to improve the accuracy of vehicle modeling by proposing a discrepancy model to capture mismatches between vehicle models and measured data. Results are shown when the proposed methods are applied to systems with simulated/real data and compared with approaches found in the literature, showing an increase of accuracy (up to 40 percent) in terms of error-based metrics while having lesser computational effort (reduction by up to 88 percent) than conventional predictive controllers.

[pt] Este trabalho apresenta a modelagem e o desenvolvimento de uma metodologia baseada em Controle com Modelo Preditivo (MPC) aplicada ao controle da produção de óleo em um reservatório de petróleo com poços produtores e injetores já existentes. A estratégia MPC utiliza um modelo de aprendizado de máquina, baseado em Aprendizado por Reforço (Reinforcement Learning), como método de busca da política ótima de controle. Os experimentos se realizaram em um reservatório petrolífero sintético com atuadores que são 3 válvulas de injeção de água. Assim, a atuação é realizada através das taxas de injeção de água para determinados intervalos de tempo. As variáveis de saída do campo são: Pressão média do reservatório, taxa diária de produção de óleo, gás, água e water cut na produção. A previsão dessas variáveis é realizada mediante a utilização de uma proxy, a qual é um modelo identificado da planta implementado utilizando redes neurais. Os resultados obtidos indicam que o modelo proposto é capaz de controlar a produção de óleo mesmo com perturbações no poço produtor, para diferentes valores de referência de produção de óleo. / [en] This work presents the modeling and development of a methodology based on Model Predictive Control with (MPC) applied to the control of oil production in an oil reservoir with existing production and injection wells. The MPC strategy is based on a machine learning model - Reinforcement Learning (Reinforcement Learning) - as the method of searching the optimal control policy. The experiments were carried out in an oil reservoir with synthetic valve actuators that are 3 water injections. Therefore, the action is performed by injecting water rates for certain time intervals. The output variables of the field are: average pressure of the reservoir, the daily production of oil, gas, water and water cut. The forecast of these variables is accomplished by a proxy, which is a model identification og the plant implemented by neural networks. The results indicate that the proposed model is capable of controlling oil production even with disturbances in the producing well, for different reference values for oil production.

[pt] Este trabalho tem como objetivo estudar estratégias de Controle Preditivo baseado em Modelo Não-Linear (NMPC) aplicadas a uma coluna de destilação despropanizadora simulada. Essas colunas são empregadas em unidades de processamento de gás natural (UPGNs) para a separação do produto propano do butano. Colunas de destilação possuem características particularmente desafiadoras sob o ponto de vista de controle, como: não-linearidades, grandes constantes de tempo, atraso, restrições de variáveis e inversão do sinal de ganho estático. Como as medidas de composição frequentemente possuem atrasos e dados esparsos, os sistemas de controle convencionais não são capazes de controlar a composição diretamente e possuem dificuldade em manter os produtos dentro das especificações. Contudo, controladores baseados em modelo possuem a habilidade de prever a composição através do modelo interno do processo, além de serem capazes de lidar com restrições. Na literatura, nenhuma aplicação do modelo de Hammerstein modificado para coluna de destilação ou para sistemas multivariáveis foi encontrada, sendo esta uma novidade. Desta forma, foram estudadas três estratégias de controle: controle PID tradicional, NMPC com modelo de Hammerstein modificado (H-NMPC) e NMPC com modelo por Redes Neurais (NN-NMPC). O sistema estudado foi identificado de forma a se obter valores numéricos adequados aos parâmetros dos modelos. A identificação dos parâmetros dos modelos e os algoritmos de NMPC foram implementados no ambiente MATLAB. A coluna de destilação foi simulada usando o Aspen Plus Dynamics. Como resultado, o H-NMPC teve o melhor desempenho de controle ao rastrear diferentes trajetórias de referência, a desacoplar as variáveis controladas e a rejeitar os distúrbios. Além disso, esta apresentou maior rapidez computacional comparado com a estratégia NNNMPC. / [en] This work aims to study strategies of Nonlinear Model Predictive Control (NMPC) applied to a simulated depropanizer distillation column. These columns are used in natural gas processing units (NGPUs) for the separation of the product propane from butane. Distillation columns have particularly challenging features from the control point of view, such as: nonlinearities, large time constants, delay, variable constraints and static gain signal inversion. Because compositional measures often have delays and sparse data, conventional control systems are not able to control composition directly and have difficulty keeping products within specifications. However, model-based controllers predict composition through the internal process model, besides being able to handle constraints. In the literature, no applications of the modified Hammerstein model for distillation column or multivariable systems was found, so this is a novelty. Therefore, three control strategies were studied: traditional PID control, NMPC with modified Hammerstein model (H-NMPC) and NMPC with neural network model (NN-NMPC). The studied system was identified in order to obtain adequate numerical values of the model parameters. The model identification and the NMPC algorithms were implemented in the MATLAB environment. The distillation column was simulated using Aspen Plus Dynamics. As a result, the H-NMPC provided better control performance for different setpoint tracking, control variables decoupling, and disturbance rejection. Furthermore, it presented faster computational speed compared to NN-NMPC.

[pt] Na última década, os robôs móveis com pernas ganharam notoriedade por sua capacidade de se movimentar com segurança em terrenos acidentados e superar obstáculos, como declives e escadas, podendo ser utilizados em mais aplicações em comparação com os robôs móveis com rodas. Novos desenvolvimentos que melhorem a robustez do planejamento de trajetória e o controle dinâmico de robôs com pernas são cruciais para o avanço desse campo. O objetivo deste trabalho é desenvolver um framework baseado em C++ e ROS Noetic que integre otimização de trajetória off-line para robôs com pernas com Model Predictive Control (MPC) on-line, considerando o mapa de elevação do terreno. A otimização de trajetória é baseada na biblioteca de código aberto TOWR (Trajectory Optimization for Walking Robots), que emprega uma função contínua para representar o mapa do terreno. Para tornála mais genérica, foi implementada uma interface que permite que mapas de elevação 2,5D sejam usados como representação do terreno. Além disso, as trajetórias geradas pelo TOWR são fornecidas como referências para um controlador MPC baseado na biblioteca de código aberto OCS2. As trajetórias otimizadas pelo MPC são então rastreadas por um Whole-Body Controller (WBC), que calcula os torques de atuação das juntas do robô. A estrutura é validada em simulações usando a dinâmica completa do robô, com diferentes tipos de terreno e sob perturbação externa. / [en] In the last decade, legged mobile robots have gained notoriety for their ability to move safely over rough terrain and overcome obstacles such as slopes and stairs, opening up new applications compared to wheeled mobile robots. New developments that improve the robustness of trajectory planning and dynamic control of legged robots are crucial for the advancement of this field. The aim of this work is to develop a framework based in C++ and ROS Noetic that integrates offline trajectory optimization for legged robots with online Model Predictive Control (MPC) while taking into account the elevation map of the terrain. The trajectory optimization is based on the open-source library TOWR (Trajectory Optimization for Walking Robots), which employs a continuous function to represent the map of the terrain. To make it more generic, an interface was implemented to allow 2.5D elevation maps to be used as terrain representation. Furthermore, the trajectories generated by TOWR are provided as references for a MPC implemented based on the open-source library OCS2. The trajectories optimized by the MPC are then tracked by a weighted Whole-Body Controller (WBC), which computes the actuation torques for the robot s joints. The framework is validated in simulations using the full dynamics of the robot, with different terrain types and under external disturbance.