O "controle preditivo baseado em modelo" (em inglês: Model Predictive Control) ou ainda"MPC" ganhou protagonismo no controle de processos da indústria química por sua superioridade em relação a outras tecnologias de controle. Seu funcionamento baseia-se em estimar e minimizar, a partir de um modelo de funcionamento da planta, a diferença entre um estado desejado e um estado previsto - calculado a partir deste modelo e das entradas da planta. Além disso, o MPC permite levar em conta restrições, como os limites físicos da planta e de atuadores. Em suma, o MPC funciona como uma minimização de função com restrições. No presente trabalho, desenvolveu-se o chamado "MPC Distribuído e Cooperativo" (em inglês: Distributed and Cooperative Model Predictive Control (DCMPC)). Tal MPC resolve o problema de descentralizar o controle da planta com confiabilidade. A necessidade de descentralização, por sua vez, surge a partir do alto custo e alta complexidade dos sistemas atuais, bem como da possibilidade de se incluir no pacote de controle tecnologias complementares, as quais seriam impraticáveis em sistemas centralizados de grande porte. Foram desenvolvidos diferentes tipos de MPCs: o primeiro é capaz de atuar em sistemas quadrados com alvos nas variáveis controladas, o segundo atua em uma estrutura com camadas superiores de otimização (RTO), o terceiro é uma variação que permite lidar com tempo morto, finalmente, o quarto é capaz de lidar com sistemas com dinâmicas temporais distintas, operando em múltiplas escalas de tempo. Para ilustrar o desempenho dos controladores, foram feitas simulações de casos teóricos e de um caso industrial: o conjunto de fracionadoras de petróleo cru da refinaria de Capuava, SP - Petrobras. Em todas as simulações, os controladores foram capazes de controlar os sistemas adequadamente. No caso industrial, o controlador desenvolvido levou 25.30ms para resolver o problema de otimização, enquanto que o controlador centralizado levou63.14ms para resolver o mesmo problema.

Model Predictive Control (MPC) has obtained protagonism in industrial process control due to its superiority compared with other control technologies. It works by estimating and minimizing the difference between desired and forecasted states, based on a state model. Besides, MPC allows to account for actuators and plant constraints. To sum up, MPC usually works as a quadratic programming optimization problem with constraints. The current work addressed the Distributed and Cooperative Model Predictive Control (DCMPC). Such system targets the decentralization problem without control or reliability losses. The need for decentralization, on the other hand arises from the high costs and complexity in large scale facilities, as well as the possibility to include several other technologies in the control package - which would be impractical in large centralized systems. Moreover, it was developed in this work several control packages: the first one deals with output set-points; the second one with input targets and optimization integration; the third one is an adaptation to deal with time delayed systems and finally, the forth one deals with systems with different dynamics, which require multiple time scales. To illustrate the proposed control approach, simple as well as complex (Crude Distillation Unit - Capuava, Brazil - Petrobras) systems were simulated.