Visando manter a competitividade em meio a crises mundiais através da busca pela otimização em meio industrial, iniciou-se o desenvolvimento dos controladores preditivos. Houve evolução ao longo dos anos, mas o termo MPC (controle preditivo baseado em modelo) ganhou popularidade no meio acadêmico e industrial. Nesse tipo de controle, as ações ótimas são obtidas a partir da resolução de um problema de otimização online (durante a aplicação do controlador). Uma alternativa explorada na literatura é a aproximação de MPCs através de algoritmos de aprendizado de máquina, a qual oferece a possibilidade de manter a robustez associada a um controlador avançado, mas com um menor esforço computacional. Essa abordagem foi discutida anteriormente na literatura, mas com limitações, entre elas a geração de offset, a imposição de restrições das ações de controle através de algoritmos de otimização e a ausência da abordagem por faixas. Nesse contexto, o presente trabalho aborda o desenvolvimento de estratégia para lidar com o offset gerado pela aproximação do controlador SISO, considerando dados de instantes passados por meio de redes neurais artificiais. A extensão do controlador aproximado desenvolvido para a abordagem MIMO com restrições também é apresentada, incluindo uma etapa de pré-processamento dos dados, o que possibilita alterações das restrições online. Além disso, foram desenvolvidas duas estratégias de controle aproximado por faixas, não antes abordadas na literatura, com boa performance para os casos avaliados e livre de vieses relacionados aos dados utilizados na etapa de treinamento. Os controladores foram testados utilizando modelos identificados com dados de um sistema industrial de vaporização de fluido térmico.

Aiming to improve competitiveness during global crises through the search for optimization in the industrial environment, the development of predictive controllers was initiated. There has been evolution over the years, but the term MPC (Model Predictive Control) has gained popularity in academia and industry. In this type of control, the optimal actions are obtained from solving an online optimization problem (during the application of the controller). An alternative explored in the literature is the approximation of MPCs through machine learning algorithms, which offers the possibility of maintaining the robustness associated with an advanced controller, but with less computational effort. This approach was previously discussed in literature, but with limitations, including the generation of offset, the imposition of constraints on control actions through optimization algorithms and the absence of control zones approach. In this context, the present work addresses the development of a strategy to deal with the offset generated by the approach of the SISO controller, considering data from past sampling moments through artificial neural networks. The evolution of the approximate controller extension developed for the MIMO approach with constraints is also presented, including a data pre-processing step, which allows changes to the constraints online. Furthermore, two approximate zone control strategies were developed, not previously discussed in the literature, with good performance for the cases evaluated and free from biases related to the data used in the training stage. The controllers were tested using models identified with data from an industrial thermal fluid vaporization system.