Controle preditivo baseado em modelo (MPC) recebeu ampla aceitação na indústria química nos últimos 30 anos. O funcionamento básico dessa técnica é a utilização de um modelo para calcular o comportamento de uma planta em função das entradas que ela receberia nos próximos instantes. Define-se um objetivo, cuja principal contribuição é dada por uma medida da distância entre a condição predita da planta e um valor desejado previamente estipulado. Esse objetivo pode incluir ainda, por exemplo, penalizações sobre o esforço de controle necessário para levar a planta a uma condição mais próxima do desejável. São incorporadas restrições como limites físicos da planta e dos atuadores e formula-se um problema de otimização, buscando o ponto ótimo dessa função objetivo e respeitando as restrições. Neste trabalho é abordado o problema de controle preditivo baseado em modelo para sistemas que apresentem integradores e/ou tempos mortos. Estes elementos tornam mais difícil o controle de processos baseado apenas em técnicas clássicas. Apresenta-se aqui um modelo em espaço de estados que permite a representação dessas dinâmicas de modo suficientemente preciso. A formulação de modelo apresentada permite ainda a incorporação de informações sobre distúrbios medidos. É feita uma demonstração da estabilidade desse controlador quando o modelo por ele utilizado é idêntico ao comportamento real da planta. Numa aplicação real do controlador proposto, seria necessário estimar os estados da planta a partir das medidas das saídas. Em geral, utiliza-se um Filtro de Kalman para realizar esta tarefa. São estudados aqui os efeitos que a presença desse filtro teria sobre o desempenho do sistema em malha fechada. É proposto um observador baseado numa mudança heurística feita sobre o Filtro de Kalman e que permite, em certos casos, uma melhoria de desempenho. São apresentados os resultados de simulações de uma planta de óxido de etileno com o intuito de ilustrar a atuação do controlador estável desenvolvido e do observador proposto.

Model Predictive Control (MPC) has gained wide acceptance in chemical industry in the last 30 years. The basic principle of this technique is to use a model to calculate plants future behavior based on the inputs it would receive in the next sampling periods. It must be set an objective, mainly composed of some measure of the distance between plants predicted state and a previously specified condition. Objective value may also include, for example, penalty on control effort necessary to drive the plant closer to the desired state. It is possible to include constraints, such as physical limits of the plant or of the actuators and therefore to pose an optimization problem, searching the best value of the objective function that satisfies all constraints. This work addresses the problem of MPC applied to integrating systems and/or processes with dead-time. These kinds of plants are often difficult to control using only classical techniques. It is presented here a state space model to represent both cases accurately. Measured disturbances may also be incorporated to the model. Finally, it is shown that the proposed controller is stable when its internal model represents exactly plants dynamics. In any real application of this controller, it would be necessary to estimate plants states from outputs measures. In general, Kalman Filter solves this problem. It is studied in this work the effects caused by filters inclusion on closed loop performance. A new observer is proposed, based on a heuristic improvement over Kalman Filter which induces, for some systems, improved performance. Numerical simulation has been performed over a model of an ethylene oxide plant, illustrating the use of this stable controller and the proposed observer.