⚡ electrical engineering

Model Predictive Control (MPC) Applied To Coupled Tank Liquid Level System

Este artigo apresenta uma abordagem sistemática para projetar e modelar uma estratégia de Controle Preditivo Baseado em Modelo (MPC) para um sistema de nível de líquido de dois tanques acoplados, focando no desenvolvimento do modelo de espaço de estados, na implementação do controlador via válvulas de controle de fluxo e na análise da resposta do sistema a distúrbios.

Autores originais: Med. Essahafi

Publicado 2026-06-04

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 3.0

Autores originais: Med. Essahafi

Artigo original sob licença CC BY 3.0 (http://creativecommons.org/licenses/by/3.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando manter o nível da água em duas banheiras conectadas perfeitamente estável. Estas não são banheiras comuns; elas são "acopladas", o que significa que há um furo no meio conectando-as, de modo que a água flui de um lado para o outro. Se você despejar água na primeira banheira, ela não fica apenas lá; ela transborda para a segunda, o que também altera o nível na primeira. Este é um problema clássico em fábricas (como usinas químicas) onde a mistura de líquidos exige níveis precisos.

Este artigo é um "levantamento" ou um projeto para resolver este problema usando um cérebro de computador inteligente e progressivo chamado Controle Preditivo Baseado em Modelo (MPC).

Aqui está a divisão da jornada do artigo, explicada de forma simples:

1. O Problema: O Cabo de Guerra

Os autores descrevem um sistema com dois tanques, duas válvulas (para deixar a água entrar) e dois sensores (para medir a altura da água). Como os tanques estão conectados, mudar a água em um afeta o outro. É como um jogo de cabo de guerra onde puxar de um lado sacode instantaneamente o outro lado. Os controladores tradicionais costumam ter dificuldades com isso porque reagem depois que as coisas dão errado.

2. A Solução: O Controlador "Bola de Cristal"

O artigo propõe o uso do Controle Preditivo Baseado em Modelo (MPC). Pense no MPC não como um bombeiro reativo, mas como um jogador de xadrez ou um motorista com uma bola de cristal.

Como funciona: Em vez de apenas olhar para o nível da água agora, o MPC olha para um modelo matemático dos tanques. Ele pergunta: "Se eu abrir esta válvula um pouquinho agora, o que acontecerá com os níveis de água nos próximos 5 segundos? E quanto aos próximos 10?"
A Estratégia: Ele calcula toda uma trajetória de movimentos futuros para garantir que a água permaneça exatamente onde precisa estar, mesmo antes de uma perturbação acontecer.

3. A Matemática: Transformando uma Estrada Curva em uma Linha Reta

A física real da água fluindo através de tubos e tanques é bagunçada e "não linear" (como uma estrada curva e acidentada). Computadores odeiam estradas curvas quando estão tentando calcular a rota mais rápida.

O Truque: Os autores pegaram este sistema bagunçado e curvo e o "linearizaram". Imagine pegar uma seção muito pequena dessa estrada curva e fingir que ela é uma linha perfeitamente reta.
O Resultado: Eles criaram um "Modelo de Espaço de Estados" simplificado. Isso é apenas um conjunto chique de equações que atua como um mapa, dizendo ao computador exatamente como os tanques se comportam em uma zona pequena e gerenciável ao redor de um nível de água específico.

4. O Motor: A Otimização

Uma vez que o computador tem seu "mapo" (o modelo linear), ele executa um processo de otimização.

O Objetivo: O computador quer minimizar o "erro". Ele quer que o nível da água corresponda ao alvo (o "set point") o mais de perto possível.
A Função de Custo: O artigo descreve uma "função de custo". Pense nisso como uma pontuação. O computador tenta encontrar a sequência de movimentos das válvulas que lhe dê a menor pontuação possível (significando o mínimo de erro e a viagem mais suave).
A Matriz Hessiana: Isso é mencionado como parte da matemática para encontrar a "melhor" solução. Em nossa analogia, esta é a calculadora que garante que o computador não apenas adivinhe, mas encontre o movimento matematicamente perfeito.

5. O Teste de Direção: Simulação

Os autores não apenas falaram sobre isso; eles construíram uma versão virtual dos tanques em um programa de computador chamado Matlab.

A Configuração: Eles definiram os níveis de água para alturas específicas (4 unidades e 3,5 unidades).
O Desafio: Eles lançaram uma "perturbação" contra o sistema (um pulso súbito de água extra) e perguntaram ao MPC para corrigir o problema.
O Resultado: O artigo afirma que o MPC funcionou maravilhosamente. Quando o nível da água saltou, o controlador ajustou as válvulas suavemente para trazê-lo de volta sem tremer ou oscilar. Ele lidou com o "cabo de guerra" entre os dois tanques de forma eficaz.

6. A Conclusão

O artigo conclui que esta abordagem "preditiva" é uma ferramenta poderosa para esses tipos de sistemas acoplados. Ele afirma que o MPC é:

Robusto: Pode lidar com perturbações (como aquele respingo súbito de água) sem entrar em pânico.
Preciso: Mantém os níveis exatamente no alvo.
Versátil: Os autores sugerem que este método pode ser usado para outros problemas semelhantes de nível de líquido no futuro.

Em resumo: O artigo mostra como ensinar um computador a ser um "motorista proativo" para dois tanques de água conectados, usando matemática para prever o futuro e ajustar as válvulas perfeitamente para manter o nível da água estável, mesmo quando as coisas ficam bagunçadas.

Resumo Técnico: Controle Preditivo Baseado em Modelo Aplicado a um Sistema de Nível de Tanques Acoplados

Definição do Problema
O artigo aborda o desafio de controlar os níveis de líquidos em um sistema de tanques acoplados, um modelo comum que representa processos de Múltiplas Entradas e Múltiplas Saídas (MIMO) encontrados em ambientes industriais, particularmente nas indústrias de processos químicos. Esses sistemas são caracterizados por fortes interações entre sinais (por exemplo, vazões e níveis de líquido em tanques interconectados), o que frequentemente torna insuficientes as estratégias de controle tradicionais de Entrada Única e Saída Única (SISO). O problema específico envolve o gerenciamento de dois tanques com duas válvulas de controle de fluxo (entradas) e duas medições de nível de líquido (saídas), ao mesmo tempo em que se lida com dinâmicas não lineares e distúrbios externos.

Metodologia
Os autores propõem uma abordagem sistemática para o projeto de uma estratégia de Controle Preditivo Baseado em Modelo (MPC) para este sistema acoplado. A metodologia prossegue através das seguintes etapas:

Modelagem do Sistema: O processo físico é inicialmente descrito por equações diferenciais não lineares baseadas em princípios de balanço de massa, onde as vazões estão relacionadas à raiz quadrada das diferenças de altura do líquido.
Linearização: Para facilitar o projeto do controlador, o modelo não linear é linearizado em torno de um ponto de operação específico ( $L_1 = 4$ , $L_2 = 3,5$ ), utilizando uma expansão de série de Taylor. Isso gera uma representação de espaço de estados linear adequada para pequenas variações de nível e vazão.
Formulação de Espaço de Estados Aumentado: Para lidar com a ação integral e distúrbios, os autores transformam o modelo linear em uma forma de espaço de estados aumentado. Isso envolve a definição de variáveis de diferença para estados e entradas, resultando em um novo modelo onde a entrada é a mudança incremental nas variáveis de controle ( $\Delta u$ ).
Projeto do Algoritmo MPC:
- Predição: Utilizando o modelo aumentado, estados e saídas futuros são preditos ao longo de um horizonte de predição ( $N_p$ ) com base em um horizonte de controle ( $N_c$ ).
- Otimização: Uma função de custo é definida para minimizar o erro entre a saída prevista e o ponto de ajuste (set-point), enquanto penaliza o esforço de controle. A sequência de controle ótima ( $\Delta U$ ) é derivada analiticamente através da minimização desta função de custo quadrática, resultando em uma solução que envolve a matriz Hessiana.
Simulação: O controlador projetado é implementado em um ambiente de simulação de malha fechada (Matlab). O sistema é testado com mudanças de pulso no ponto de ajuste para ambos os níveis dos tanques e um distúrbio de pulso na vazão de entrada.

Principais Contribuições

Estrutura de Projeto Sistemática: O artigo apresenta uma derivação passo a passo de um controlador MPC especificamente para um sistema de tanques duplos acoplados, partindo de uma modelagem não linear de primeira ordem até uma implementação de espaço de estados linear.
Implementação de Modelo Aumentado: Detalha a construção do modelo de espaço de estados aumentado, que é crítico para que o algoritmo MPC rejeite efetivamente distúrbios e rastreie pontos de ajuste sem erro de regime permanente.
Análise de Distúrbios: O estudo investiga explicitamente o efeito de distúrbios nas saídas de nível medidas, demonstrando a capacidade do controlador de manter o desempenho apesar de perturbações externas.

Resultados
Os resultados da simulação indicam que o controlador MPC proposto alcança o seguinte:

Desempenho de Rastreamento: O sistema rastreia com sucesso as mudanças de pulso nos pontos de ajuste para ambos os níveis dos tanques ( $h_1$ e $h_2$ ) com bom desempenho dinâmico.
Robustez: O controlador demonstra robustez na manutenção da estabilidade e do desempenho na presença de distúrbios.
Ação de Controle: As variáveis manipuladas (vazões $u_1$ e $u_2$ ) respondem diretamente às variações nas saídas de medição, mostrando uma ação de controle coordenada típica de sistemas MIMO.
Estabilidade: O sistema responde sem oscilações, sugerindo um ajuste eficaz dos horizontes de predição e controle ( $N_p=1$ , $N_c=3$ no caso específico da simulação).

Significância e Alegações
O artigo afirma que a implementação de um Controlador Preditivo Baseado em Modelo em uma válvula de controle de fluxo dentro de um sistema de nível de tanques acoplados representa um novo método para controlar tais processos. Os autores afirmam que o MPC é altamente adequado para processos não lineares e oferece vantagens distintas, incluindo:

Rejeição eficaz de distúrbios.
Boa robustez contra erros de modelo.
Desempenho superior em sistemas multivariáveis comparado a estratégias de controle tradicionais.

O artigo conclui que esta abordagem fornece uma base viável para o projeto de outros modelos de controle de processo, como o Controle Preditivo Generalizado (GPC), que poderia incorporar ainda mais ruídos e distúrbios nas entradas e saídas. O trabalho posiciona o MPC como uma ferramenta prática e avançada para aplicações industriais de controle de nível.