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.