Os testes realizados nas diversas plantas mostram diversos resultados, alguns esperados outros nem tanto. Embora o que normalmente se esperaria é um comportamento padrão do controlador mediante os ajustes dos parâmetros de sintonia, as diferentes características das plantas podem fazer com que o desempenho do controlador seja diferente do esperado.
O que se observa principalmente na análise dos vários testes é que o GPC é capaz de estabilizar a saída de cada uma das plantas utilizadas, mesmo com diferentes características dinâmicas que tornam o controle mais difícil. Como exemplo, cita-se as não linearidades impostas ao circuito RC, devido provavelmente a questões construtivas da planta, a saturação do sinal de controle nos sistemas de vazão e de nível e as características singulares das plantas simuladas.
Verificou-se, de uma forma geral, que o parâmetro mais simples de sintonia é o peso do esforço de controle , que atua diretamente no ganho de realimentação do GPC. Este ganho, dado pela matriz K, conforme Equação (44), é análogo ao ganho de realimentação de estados do controlador linear quadrático gaussiano (LQG), que, segundo Qin e Badgwell (2003, p. 734), busca encontrar um conjunto ótimo de estados e utilizá- los na determinação de uma ação de controle também ótima.
A atuação de está diretamente relacionada ao esforço de controle. Tipicamente, o aumento de implica em um controle mais moderado, exigindo menos do atuador com maior variância, sobressinal e tempo de subida. O que se observou é que o valor de influencia principalmente na dinâmica da planta controlada,
envolvendo velocidade de resposta e sobressinal. Conceitualmente quando tende a zero o GPC se aproxima do controle de variância mínima, exigindo o máximo da energia de controle a fim de garantir a menor variação em relação à referência.
A análise da influência do horizonte máximo de predição N2 revelou que este parâmetro incorpora o
conhecimento que se tem sobre o comportamento futuro da planta, baseado no tamanho do conjunto de predições realizadas. Mesmo assim, o aumento do horizonte não se mostrou eficaz em todas as plantas testadas. Apenas nas plantas simuladas do PAM e do sistema instável obteve-se resultados positivos nos aspectos do sobressinal e do tempo de subida. Na planta de controle de nível obteve-se melhores resultados em algumas faixas de horizonte, mas nas demais os resultados foram piores.
Um dos pontos a ser ressaltado em relação ao horizonte de predição, é que valores muito baixos resultaram em respostas ruins. Logo, é necessário que o horizonte de predição englobe todo o regime transitório da resposta da planta, a fim de que o conjunto de predições realizadas garantam que as ações de controle calculadas possam levar a planta ao regime permanente da forma desejada. Assim, recomenda-se que N2 seja
pelo menos igual ao tempo de estabilização da planta. Em relação ao horizonte de controle NU verificou-
se que sua atuação está ligada diretamente à dinâmica do controlador, agindo como um parâmetro de sintonia para a forma como a planta deve responder ao estímulo. Notou-se que não há um padrão constante para a influência do horizonte de controle, pois para cada tipo de planta obteve-se resultados diferentes. O que se verificou é que para as plantas de ordem menor, como no caso do controle de vazão, a escolha de um horizonte
de controle reduzido trouxe melhores resultados do que para as plantas mais complexas, como o CSTR.
Para ajudar a entender essa dinâmica, Clarke, Mohtadi e Tuffs (1987a, p. 143) relatam que o incremento no horizonte de controle é mais apropriado para sistemas mais complexos e explicam que foi constatado que a resposta é melhor para essas plantas quando NU é igual ou superior ao número de polos
instáveis ou pouco amortecidos.
Na maioria dos testes realizados, foi determinado que há um valor de NU intermediário, mais próximo a 1
ou mais próximo a N2, conforme a planta, que produz os
melhores resultados sob um determinado aspecto. Logo, levantado o melhor horizonte de predição, pode-se, através de alguns ensaios, obter o melhor valor para o horizonte de controle, lembrando que para plantas de dinâmicas mais simples vale buscar o menor horizonte (NU = 1) e para plantas de dinâmicas mais complexas, o
melhor valor para NU provavelmente será um pouco
maior, mais próximo ao valor do horizonte de predição. Um aspecto que se julga importante ressaltar é a contribuição do algoritmo de identificação de modelo de planta. Quando se compara os resultados dos testes realizados com a incorporação do MQR ao GPC, houve significativa melhora nos resultados, principalmente na estabilização da planta com valores menores de . Mesmo considerando um pequeno atraso na estabilização do sinal devido ao tempo que é necessário para que o MQR estabilize os parâmetros do modelo, houve diminuição na variância do erro do sinal de saída e diminuição do sobressinal, o que mostra como a correta identificação do modelo de planta melhora o desempenho da malha de controle.
Aqui, os resultados encontrados com a incorporação do MQR indicam que a não ser que se
conheça muito bem a dinâmica da planta, é interessante adicionar o método a fim de casar melhor o modelo da planta. O grande empecilho dessa incorporação é o aumento do tempo de processamento, devido à incorporação de todas as rotinas do GPC ao loop de execução do algoritmo. Obviamente, quando um modelo de planta não pode ser obtido com precisão pelo método fenomenológico, deve-se utilizar um estimador a fim de determinar os parâmetros do modelo da planta (Åstrom; Wittenmark, 1971, p. 90).
Além do exposto até aqui, verificou-se com os inúmeros testes realizados que a dinâmica do GPC é bastante complexa para ser avaliada como uma simples estrutura de ganhos ou funções discretas. As dificuldades encontradas levam a entender que o algoritmo GPC tem características preditivas, com vários parâmetros de sintonia e que influenciam o desempenho do controlador de forma diferente. Portanto, durante o projeto, deve-se levar em conta o tipo de resposta da planta, os fatores de qualidade aos quais se deseja dar ênfase e por fim os demais parâmetros que fazem parte do projeto, como o período de amostragem e uso de estratégias adicionais.
Porém, considerando os resultados expostos e a compreensão da capacidade do controlador GPC, acredita-se que o uso de técnicas mais complexas na busca por um controle do processo mais efetivo é factível e traz um retorno certo do investimento. Conforme afirma Kember, Dubay e Mansour (2005, p. 345), "a simples transferência dessas aplicações de controle para controladores preditivos mais avançados como um MPC permite melhorar a robustez, eficiência e o custo efetivo dos métodos preditivos".