Skip to content
Voltar aos resultados

Controle Preditivo por Modelo

Proposto por
Jacques Richalet
Ano
1978
Tipo
algorithm
Família
Optimal Control

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Controle Preditivo por Modelo (MPC) é uma estratégia de controle avançada que utiliza um modelo explícito do processo para prever o comportamento futuro do sistema em um horizonte finito e resolve um problema de otimização em cada etapa de controle.

Formalizado primeiramente por Richalet et al. em 1978, o MPC tornou-se a abordagem dominante nas indústrias de controle de processos, desde plantas químicas até veículos autônomos, pois lida naturalmente com restrições e pode otimizar múltiplos objetivos simultaneamente.

A intuição por trás do método

A ideia central do MPC é usar um modelo matemático do sistema para simular múltiplos cenários futuros possíveis e computar as melhores ações de controle que manterão o sistema próximo aos pontos de ajuste desejados, respeitando as restrições operacionais. Em cada instante de amostragem, o algoritmo prevê a saída do sistema em um horizonte futuro, resolve um problema de otimização para encontrar a sequência de entrada de controle que minimiza uma função de custo, aplica apenas a primeira ação de controle e, em seguida, repete o processo com novas medições. Esse mecanismo de feedback — predição, otimização, ação, medição, repetição — torna o MPC robusto a distúrbios e incertezas do modelo, ao mesmo tempo que considera explicitamente os limites físicos e operacionais.

História

Richalet introduziu o conceito em 1978 como Heuristic Model Predictive Control (HMPC) para processos industriais. Garcia et al. forneceram um arcabouço teórico abrangente em 1989, estabelecendo conexões com programação dinâmica e teoria de estabilidade. Mayne et al. (2000) formalizaram o MPC com restrições e condições de estabilidade. Desde então, o campo expandiu-se para MPC não linear (NMPC), MPC explícito (leis de controle pré-computadas) e algoritmos de otimização rápidos que permitem implementação em tempo real em sistemas embarcados.

Quando usar

Utilizar MPC quando for necessário lidar explicitamente com restrições (por exemplo, limites de válvulas, limites de segurança), gerenciar múltiplas variáveis correlacionadas (controle multivariável) ou quando distúrbios e não linearidades forem significativos. É mais eficaz para sistemas com dinâmica lenta a moderada, onde o tempo de computação permite otimização em tempo real. Aplicações típicas incluem controle de processos químicos, sistemas HVAC, usinas de energia e direção autônoma. Evitar MPC se o seu sistema exigir taxas de controle de microssegundos ou se um modelo de processo de alta fidelidade não estiver disponível.

Limitações e considerações

  • Computacionalmente caro; resolver o problema de otimização em cada etapa pode ser inviável para sistemas muito rápidos.
  • Requer um modelo de processo preciso; a baixa precisão do modelo degrada significativamente o desempenho.
  • MPC não linear é não convexo e pode ficar preso em mínimos locais.
  • Garantias de estabilidade e viabilidade não são triviais, especialmente para problemas com restrições.

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Lida naturalmente com restrições de entrada e estado através de otimização explícita.
  • Fornece controle multivariável, coordenando automaticamente múltiplas entradas e saídas.
  • Robusto a distúrbios e desalinhamento do modelo devido ao loop de feedback de horizonte deslizante.
  • Permite a incorporação de trajetórias de referência futuras ou mudanças de set-point.
  • Fácil de sintonizar (pesos da função de custo) em comparação com a sintonia tradicional de PID.

Aplicações

  • Controle de processos químicos: Otimização de temperatura, pressão e vazão em reatores e colunas de destilação, respeitando restrições de segurança.
  • Veículos autônomos: Gerenciamento de aceleração, direção e desaceleração para seguir uma trajetória desejada, evitando obstáculos e respeitando restrições da via.
  • Gerenciamento de rede elétrica: Equilíbrio entre oferta e demanda, controle de agendamento de geração e estabilidade de tensão em um horizonte de previsão contínuo.
  • Sistemas HVAC de edifícios: Coordenação de aquecimento, refrigeração e ventilação para manter os set-points de conforto, minimizando o consumo de energia.
  • Planejamento de trajetória de robôs: Computação de trajetórias suaves e viáveis que respeitam limites de atuadores e restrições de colisão.

Como funciona

Como funciona

1

Utilizar o modelo do sistema e o estado atual para prever saídas futuras em um horizonte de predição (tipicamente 10-100 passos à frente).

2

Formular e resolver um problema de otimização com restrições para encontrar a sequência de entrada ótima que minimiza o erro de rastreamento e o esforço de controle, respeitando os limites de entrada e estado.

3

Implementar apenas a primeira entrada de controle da sequência otimizada no processo.

4

Medir o novo estado do sistema, atualizar a predição e repetir todo o ciclo no próximo instante de amostragem.

Erros comuns

  • Definir o horizonte de predição muito curto leva a um controle míope e subótimo; muito longo aumenta a computação.
  • Falhar na sintonia da função de custo (por exemplo, ponderação entre erro e esforço de controle) leva a respostas lentas ou agressivas.
  • Usar um modelo excessivamente simplificado ou impreciso que não captura a dinâmica do sistema resulta em desempenho ruim no mundo real.

Perguntas frequentes

Qual é o princípio do horizonte deslizante e por que ele é importante?

O princípio do horizonte deslizante significa resolver um problema de otimização em uma janela futura finita, aplicar apenas a primeira ação de controle e, em seguida, deslocar a janela para frente. Esse mecanismo cria um loop de feedback que corrige erros e distúrbios a cada etapa, tornando o MPC robusto mesmo quando o modelo não é perfeito.

Como escolho o comprimento do horizonte de predição?

Uma regra geral é definir o horizonte de predição para 3-5 vezes o tempo de acomodação da constante de tempo dominante do sistema. Muito curto leva a comportamento míope; muito longo aumenta a computação sem benefício adicional e pode causar inviabilidade. A sintonia empírica ou a análise de resposta em malha aberta ajudam.

O MPC pode lidar com sistemas não lineares?

Sim, o MPC não linear (NMPC) pode lidar com modelos de sistemas não lineares. No entanto, a otimização torna-se não convexa, exigindo solucionadores iterativos que são mais lentos e podem convergir para mínimos locais. Linearização em torno de uma trajetória nominal ou métodos de aproximação são frequentemente usados para reduzir o tempo de computação.

Quais ferramentas de software estão disponíveis para implementar MPC?

Ferramentas populares incluem a Model Predictive Control Toolbox do MATLAB, Simulink, pacotes de código aberto como CasADi (para otimização) e plataformas comerciais especializadas como EMSO e gProms. Para sistemas embarcados, bibliotecas como ACADO e solucionadores rápidos de programação quadrática (por exemplo, qpOASES) permitem a implementação em tempo real.

Métodos relacionados

Fontes

  1. Richalet, J., Rault, A., Testud, J., & Papon, J. (1978). Model predictive heuristic control. Automatica, 14(5), 413-428.

    Abrir referência DOI
    Copiado.
  2. Garcia, C. E., Prett, D. M., & Morari, M. (1989). Model predictive control: Theory and practice. Automatica, 25(3), 335-348.

    Abrir referência DOI
    Copiado.
  3. Mayne, D. Q., Rawlings, J. B., Rao, C. V., & Scokaert, P. O. (2000). Constrained model predictive control: Stability and optimality. Automatica, 36(6), 789-814.

    Abrir referência DOI
    Copiado.