Columna de Destilación Binaria

SUBSECRETARA DE EDUCACIN E
INVESTIGACIN TECNOLGICAS
SEP
SECRETARA DE
EDUCACIN
PBLICA
Centro Nacional de Investigaci on y Desarrollo Tecnol ogico
Departamento de Ingeniera Electronica
TESIS DE MAESTR
IA EN CIENCIAS
Aplicacion del Control Predictivo Multivariable
a una Columna de Destilacion Binaria
presentada por
Guillermo Valencia Palomo
Ing. Electronico por el I. T. de Merida
como requisito para la obtencion de grado de:
Maestra en Ciencias en Ingeniera Electronica
Director de tesis:
Dr. Carlos Manuel Astorga Zaragoza
Co-Director de tesis:
Dr. Manuel Adam Medina
Jurado:
Dr. Victor Vctor Manuel Alvarado Martnez - Presidente
Dr. Enrique Quintero-Marmol Marquez - Secretario
Dr. Alejandro Rodriguez Palacios - Vocal
Dr. Carlos Manuel Astorga Zaragoza - Vocal Suplente
Cuernavaca, Morelos, Mexico. 18 de Diciembre de 2006
Dedicatoria
A mis , por luchar siempre por mi y por ser el mejor ejemplo en mi vida. Los amo.
A mis , con quienes he pasado los mejores momentos de mi vida.
A mis , con toda mi admiracin y respeto, gracias por estar siempre tan cerca de mi.
A , que siempre ha estado de mi lado.
Con todo mi amor y cario, para ustedes:
El amor nunca dejar de ser. Un da cesarn las profecas, y no se hablar ms en lenguas ni ser
necesaria la ciencia. Porque la ciencia y la profeca son imperfectas.
1 Corintios 13; 8:9.
Agradecimientos
Durante este tiempo en que realice mi maestra pude constatar el apoyo
de profesores, familiares y amigos, a los cuales quiero expresar mi mas sin-
cero agradecimiento.
A mis asesores el Dr. Carlos M. Astorga Zaragoza y el Dr. Manuel
Adam Medina, gracias por guiarme en este trabajo de investigaci on mediante
sus invaluables consejos y observaciones, por su conanza y sobre todo por
su amistad.
A los miembros de mi comite revisor; el Dr. Victor Manuel Alvarado, el
Dr. Enrique Quintero-Marmol Marquez y el Dr. Alejandro Rodrguez Pala-
cios, gracias por sus acertados comentarios y correcciones que contribuyeron
a enriquecer este trabajo.
Agradezco tambien a todos mis profesores de CENIDET, por su labor
dentro y fuera de las aulas. A mis compa neros de potencia: Enrique Contre-
ras, Jorge A. Perez, Rosendo Flores, Alfonso Perez, Roberto Ovando, Palo-
ma E. Torres, Arnoldo Pacheco, Juan Carlos Tujillo y Francisco Pereyra;
y de control: Fernando A. Alegra, Leonel Alonso, Marcos A. Mendez, Juan
Carlos Gracia, J. Hector Ramirez, Eber J. Martnez, Jose E. Martnez y
Cesar A. Villanueva, con quienes compart momentos agradables de trabajo
y la ilusion de alg un da ver nuestros estudios concluidos, por esos ratos de
diversion y por su amistad.
Les agradesco al Dr. David Juarez Romero, a Fernando Rivas y a Fran-
cisco Ronay, con quienes pase horas en la columna, gracias por sus aporta-
ciones dentro del Grupo de Destilacion, por su amistad y por los ratos que
compartimos.
Agradezco profundamente a mis padres Guillermo y Mara Luca, para
quienes sus hijos son la esencia de su vida, su dicha y la ilusion de su exis-
tencia ha sido verlos convertidos en personas de provecho. A mis hermanos
Jorge y Lizardo; ustedes son parte de mi inspiracion. Gracias por quererme
como solo ustedes podran hacerlo.
A mis abuelos, Papa Guillermo y Mama Mechita que han velado por
mi en todo momento.
Sin duda he dejado de mencionar a muchas otras personas que hicieron
mas placentera mi estancia en Cuernavaca, tanto los que aqu conoc como
a los que desde Merida y otros lugares siempre estuvieron pendientes de
mi. No obstante, a todos ustedes los tengo presentes y les reitero mi mas
profundo agradecimiento.
Agradezco al CONACYT y DGEST por el apoyo economico brinda-
do, sin el cual no hubiera sido posible dedicarme de tiempo completo al
desarrollo de este trabajo de tesis.
Finalmente, agradezco al Centro Nacional de Investigaci on de Desarro-
llo Tecnologico por proporcionarme los medios necesarios para mi formacion
academica y por las facilidades otorgadas durante mi estancia.
Resumen
En un proceso, las variables pueden clasicarse en variables controladas
y variables manipuladas. La mayor parte de estas variables se encuentran
acopladas, como en el caso de una columna de destilacion. Para hacer
frente a esto, en la mayora de los casos, se busca desacoplar las variables
del proceso y dise nar m ultiples controladores monovariables. En aquellos
casos en los que el controlador PI se usa para regular estos lazos de
control, la sintona normalmente se realiza en un punto de operacion.
Esta sintona no puede ser efectiva si los puntos de operacion cambian
considerablemente, pudiendo originar una degradacion del desempe no
del controlador. Esto podra incluso causar, en el caso mas extremo, la
inestabilidad del proceso.
Cuando estas interacciones entre variables no se pueden evitar, la plan-
ta, debe considerarse como un proceso multivariable en vez de un con-
junto de procesos monovariables.
En este trabajo se exponen las bases conceptuales para el dise no de un
controlador predictivo multivariable basado en modelo. El controlador
es formulado en espacio de estados y se programa en Matlab
para su
evaluaci on. Este controlador combina la simplicidad de los modelos linea-
les con las no linealidades esenciales del proceso utilizando una tecnica
conocida como linealizacion en lnea. El controlador se desarrolla para
una planta piloto de destilacion binaria, presentando como principales
ventajas la facilidad de sintona y su adaptacion a los distintos puntos
de operacion de la planta sin necesidad de reajustar los parametros de
los controladores. Se presentan los resultados obtenidos en simulaci on
para diversos casos estudiados. Entre estos se incluye la compensacion
de perturbaciones medibles que permite eliminar los errores de estado
estacionario.
Como caso particular del caso multivariable, se presenta la imple-
mentaci on experimental de un controlador monovariable para regular el
ujo de agua al condensador de la planta piloto de destilacion.
Abstract
In a process, the variables can be classied in manipulated variables
and controlled variables. Most of these variables are coupled, as in the
case of a distillation column. In order to face this, the most popular
way of control the multivariable processes, is by designing decoupling
compensators to suppress the interactions and then designing multiple
monovariable controllers. In those cases in which PI controllers are used
to regulate these control loops, the tuning normally is made in a operating
point. As the set points are modied, the poor tuning originates a loss of
yield in the controller, causing a high variability in the controlled outputs
that even can arrived in instability.
When these interactions are not negligible, the process must be con-
sidered to be a multivariable process instead of a set of monovariable
process.
In this work the conceptual bases for the design of a multivariable
model-based predictive controller are exposed. The controller uses a space
state formulation and is programed in Matlab
for his evaluation. This

controller combines the simplicity of the linear models with the essen-
tial nonlinearities of the process using a technique known as on-line
linearization. The controller has been developed for a bench-scale disti-
llation column, presenting as main advantages the facility of tuning and
its adaptation to the dierent set points of the plant with no need of
readjusting the controller parameters. The results obtained in simulation
for diverse studied cases are exposed. Between these, the compensation of
measurable disturbances is included, this allows to eliminate the steady
state errors.
As particular case of the multivariable controller, appears the experi-
mental implementation of a monovariable controller to regulate the ow
of cooling water to the condenser of the bench-scale distillation column.
Indice general
Lista de guras V
Lista de tablas IX
Notacion XI
1. Introduccion 1
1.1. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Ventajas del control predictivo . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Hipotesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4. Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5. Justicacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6. Estado del arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6.1. Temas abiertos a la investigacion . . . . . . . . . . . . . . . . . 10
1.7. Organizacion del documento . . . . . . . . . . . . . . . . . . . . . . . . 11
2. Conceptos basicos del control predictivo 13
2.1. Estrategia de los controladores predictivos . . . . . . . . . . . . . . . . 13
2.2. Elementos basicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1. Modelo de prediccion . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.2. Funcion objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.3. Obtencion de la ley de control . . . . . . . . . . . . . . . . . . . 22
2.3. Revision de los principales algoritmos . . . . . . . . . . . . . . . . . . . 23
2.3.1. Control por matriz dinamica (DMC) . . . . . . . . . . . . . . . 23
2.3.2. Control algortmico de modelo (MAC) . . . . . . . . . . . . . . 24
2.3.3. Control predictivo funcional (PFC) . . . . . . . . . . . . . . . . 25
i
ii

Indice general
2.3.4. Control autosintonizado de prediccion extendida
(EPSAC) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.5. Control adaptable de horizonte extendido (EHAC) . . . . . . . 26
2.3.6. Control predictivo generalizado (GPC) . . . . . . . . . . . . . . 27
2.3.7. Control predictivo no lineal (NLMPC) . . . . . . . . . . . . . . 28
2.4. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3. El control predictivo multivariable 31
3.1. El control multivariable . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2. Formulacion del MPC en espacio de estados . . . . . . . . . . . . . . . 32
3.3. Estimacion de estados . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4. Alternativas del vector de estados . . . . . . . . . . . . . . . . . . . . . 39
3.5. Restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.5.1. Restricciones en el control predictivo . . . . . . . . . . . . . . . 41
3.5.2. Solucion del problema . . . . . . . . . . . . . . . . . . . . . . . 42
3.5.3. Gestion de restricciones . . . . . . . . . . . . . . . . . . . . . . 46
3.6. Pruebas realizadas al controlador . . . . . . . . . . . . . . . . . . . . . 47
3.6.1. Caso 1: Control monovariable . . . . . . . . . . . . . . . . . . . 48
3.6.2. Caso 2: Modelo de prediccion diferente a la planta . . . . . . . . 50
3.6.3. Caso 3: Restricciones . . . . . . . . . . . . . . . . . . . . . . . . 52
3.6.4. Caso 4: Control multivariable . . . . . . . . . . . . . . . . . . . 53
3.7. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4. Modelado matematico de una columna de destilacion binaria 57
4.1. Perspectiva historica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2. Hipotesis sobre el modelo . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3. Relacion de equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3.1. Mezcla ideal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3.2. Mezcla no ideal . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.3.3. Eciencias de Murphree . . . . . . . . . . . . . . . . . . . . . . 60
4.3.4. Diagrama de equilibrio . . . . . . . . . . . . . . . . . . . . . . . 61
4.4. Flujos y masas molares . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.5. Par ametros de alimentaci on . . . . . . . . . . . . . . . . . . . . . . . . 62
Indice general iii

4.6. Balance de materia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.7. Balance de energa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.8. Pruebas en la columna de destilacion . . . . . . . . . . . . . . . . . . . 65
4.8.1. Descripcion del la planta piloto de destilacion . . . . . . . . . . 65
4.8.2. Validacion del modelo matematico . . . . . . . . . . . . . . . . 74
4.9. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5. Dise no e implementacion de controladores 79
5.1. Conguraciones de control en la CDD . . . . . . . . . . . . . . . . . . . 79
5.1.1. Conguracion de balance de energa (L V ) . . . . . . . . . . . 80
5.1.2. Conguracion de balance de materia (D V ) y (L B) . . . . 81
5.1.3. Otras conguraciones de control . . . . . . . . . . . . . . . . . . 81
5.2. Metodologa para la implementaci on de controladores predictivos en la
columna de destilacion . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.3. Controlador MPC para el ujo de agua al condensador . . . . . . . . . 83
5.3.1. Seleccion de variables . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3.2. Obtencion de la respuesta temporal del proceso . . . . . . . . . 85
5.3.3. Obtencion del modelo de prediccion . . . . . . . . . . . . . . . . 85
5.3.4. Pruebas en simulacion . . . . . . . . . . . . . . . . . . . . . . . 86
5.3.5. Desarrollo de una interfaz operador-proceso . . . . . . . . . . . 89
5.3.6. Pruebas experimentales . . . . . . . . . . . . . . . . . . . . . . . 91
5.3.7. Validacion y analisis de resultados . . . . . . . . . . . . . . . . . 91
5.4. Controlador MPC para la columna de destilacion . . . . . . . . . . . . 94
5.4.1. Seleccion de variables . . . . . . . . . . . . . . . . . . . . . . . . 94
5.4.2. Obtencion de la respuesta temporal . . . . . . . . . . . . . . . . 95
5.4.3. Obtencion del modelo de prediccion . . . . . . . . . . . . . . . . 95
5.4.4. Pruebas en simulacion . . . . . . . . . . . . . . . . . . . . . . . 99
5.4.5. Analisis de resultados . . . . . . . . . . . . . . . . . . . . . . . . 109
5.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6. Conclusiones generales y perspectivas 111
6.1. Conclusiones generales . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.2. Trabajos futuros propuestos . . . . . . . . . . . . . . . . . . . . . . . . 114
iv

Indice general
Bibliografa 115
A. Tablas de parametros 119
B. Descripcion de los programas 121
B.1. El modelo de la columna de destilacion . . . . . . . . . . . . . . . . . . 121
B.2. El controlador MPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
Lista de guras
1.1. Diagrama esquematico de una columna de destilacion. . . . . . . . . . . 2
1.2. Columna de destilacion fraccionaria. . . . . . . . . . . . . . . . . . . . 2
1.3. Principio de operacion de la columna de destilacion. . . . . . . . . . . . 3
1.4. Esquema del objetivo de la tesis. . . . . . . . . . . . . . . . . . . . . . 7
2.1. Estrategia de control predictivo. . . . . . . . . . . . . . . . . . . . . . . 14
2.2. Estructura basica del control predictivo. . . . . . . . . . . . . . . . . . 15
2.3. Respuestas del sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
a. Respuesta al impulso. . . . . . . . . . . . . . . . . . . . . . . . . 17
b. Respuesta al escalon. . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4. Estructura ARIMA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5. Respuestas libre y forzada. . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.6. Puntos de coincidencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1. Estructura del control MPC en espacio de estados. . . . . . . . . . . . . 38
3.2. Estructura del control MPC en espacio de estados con observador. . . . 38
3.3. Punto de control optimo en un proceso. . . . . . . . . . . . . . . . . . . 41
3.4. Diagrama de ujo del controlador. . . . . . . . . . . . . . . . . . . . . . 48
3.5. Calentador de agua. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.6. Respuesta al escalon del calentador de agua. . . . . . . . . . . . . . . . 49
3.7. Caso 1. Respuesta a diferentes valores de y . . . . . . . . . . . . . . 50
3.8. Caso 2. Modelo diferente de la planta. . . . . . . . . . . . . . . . . . . 51
3.9. Caso 3. Restricciones en el controlador. . . . . . . . . . . . . . . . . . . 52
3.10. Sistema de cuatro tanques. . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.11. Caso 4. Respuesta del sistema. . . . . . . . . . . . . . . . . . . . . . . . 55
v
vi Lista de guras
4.1. Diagrama de equilibrio lquido-vapor. . . . . . . . . . . . . . . . . . . . 61
4.2. Esquema de un plato generico. . . . . . . . . . . . . . . . . . . . . . . . 63
4.3. Planta piloto de destilacion. . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4. Diagrama de instrumentaci on de la columna. . . . . . . . . . . . . . . . 67
4.5. Cuerpo de la columna. . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
a. Seccion del cuerpo de la columna. . . . . . . . . . . . . . . . . . 68
b. Plato. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.6. Alimentaci on de la mezcla. . . . . . . . . . . . . . . . . . . . . . . . . . 68
a. Bomba de alimentaci on. . . . . . . . . . . . . . . . . . . . . . . . 68
b. Termorresistencia de precalentamiento. . . . . . . . . . . . . . . 68
4.7. Tablero de control. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.8. Interpolacion de los puntos de operacion de la bomba de alimentaci on. 69
4.9. Adicion de calor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
a. Termorresistencia de calentamiento. . . . . . . . . . . . . . . . . 70
b. Hervidor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.10. Parte superior de la columna. . . . . . . . . . . . . . . . . . . . . . . . 71
a. Condensador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
b. Valvula de control para el ujo del agua. . . . . . . . . . . . . . 71
c. Electrov alvula de reujo. . . . . . . . . . . . . . . . . . . . . . . 71
4.11. Bomba de anillo lquido. . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.12. Regulador Digitric 500. . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.13. Diagrama de equilibrio Metanol-Etanol. . . . . . . . . . . . . . . . . . . 74
4.14. Comparacion entre los datos del modelo y la planta piloto de destilacion. 76
5.1. Conguracion de control en la columna de destilacion. . . . . . . . . . . 82
a. Columna en lazo abierto. . . . . . . . . . . . . . . . . . . . . . . 82
b. Conguracion (L V ). . . . . . . . . . . . . . . . . . . . . . . . 82
c. Conguracion (D V ). . . . . . . . . . . . . . . . . . . . . . . . 82
d. Conguracion (L B). . . . . . . . . . . . . . . . . . . . . . . . 82
5.2. Diagrama de instrumentaci on de la seccion del condensador. . . . . . . 84
5.3. Variables manipulada y controlada para el control de ujo de agua de
alimentacion al condensador. . . . . . . . . . . . . . . . . . . . . . . . . 84
Lista de guras vii
a. Valvula neumatica FV1. . . . . . . . . . . . . . . . . . . . . . . 84
b. Sensor de ujo FI1. . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4. Respuesta al escalon del ujo de agua de alimentaci on. . . . . . . . . . 85
5.5. Esquema de simulacion para el control MPC de ujo de agua al conden-
sador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.6. Simulacion del control de ujo de agua al condensador. . . . . . . . . . 88
5.7. Pantalla principal del programa para el control en tiempo real. . . . . . 89
5.8. Jerarqua de la interfaz operador-proceso. . . . . . . . . . . . . . . . . . 90
5.9. Programa del control interactuando con la planta piloto. . . . . . . . . 90
5.10. Control del lazo de ujo de agua al condensador (tiempo real). . . . . . 92
5.11. Par ametros estimados (tiempo real). . . . . . . . . . . . . . . . . . . . 92
5.12. Control del lazo de ujo de agua al condensador (tiempo real). . . . . . 93
5.13. Respuesta al escalon de la CDD. . . . . . . . . . . . . . . . . . . . . . . 95
5.14. Esquemas de simulacion. . . . . . . . . . . . . . . . . . . . . . . . . . . 101
a. Esquema MPC. . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
b. Esquema PID. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.15. Caso 1. Modelo de prediccion lineal, Regulacion. . . . . . . . . . . . . . 103
5.16. Caso 1. Modelo de prediccion lineal, Seguimiento. . . . . . . . . . . . . 104
5.17. Caso 2a. R (apertura proporcional). MPC y PI, Regulacion. . . . . . . 105
5.18. Caso 2a. R (apertura proporcional). MPC y PI, Seguimiento. . . . . . . 106
5.19. Caso 2b. R (On/O). MPC y PI, Regulacion. . . . . . . . . . . . . . . 107
5.20. Caso 2b. R (On/O). MPC y PI, Seguimiento. . . . . . . . . . . . . . . 108
B.1. Simulador de la columna de destilacion en lazo abierto. . . . . . . . . . 122
B.2. Comparacion de la columna de destilacion en lazo abierto y la columna
de destilacion linealizada en lnea. . . . . . . . . . . . . . . . . . . . . . 122
B.3. Bloque del controlador MPC en Simulink
. . . . . . . . . . . . . . . . 124
B.4. Cuadro de dialogo del controlador MPC. . . . . . . . . . . . . . . . . . 124
B.5. Simulador del control de ujo de agua al condensador. . . . . . . . . . 125
B.6. Cuadro de dialogo del bloque de estimacion de parametros. . . . . . . . 125
B.7. Programa en LabView
para el control MPC en tiempo real. . . . . . . 126

a. Pantalla inicial. . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
viii Lista de guras
b. Salida del sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . 126
c. Entrada al sistema. . . . . . . . . . . . . . . . . . . . . . . . . . 126
B.8. Programa en LabView
para el control MPC en tiempo real, parametros

estimados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
a. Estimados a
1
y a
2
. . . . . . . . . . . . . . . . . . . . . . . . . . 127
b. Estimados b
0
y b
1
. . . . . . . . . . . . . . . . . . . . . . . . . . . 127
B.9. Simulador del control de ujo de agua al condensador. . . . . . . . . . 128
Lista de tablas
3.1. Dimensiones de las matrices y vectores involucrados en el calculo de u(k) 38
3.2. Valores de los parametros del sistema de cuatro tanques. . . . . . . . . 54
4.1. Calidad de la alimentacion q. . . . . . . . . . . . . . . . . . . . . . . . 62
4.2. Nomenclatura del diagrama de instrumentaci on. . . . . . . . . . . . . . 66
4.3. Elementos monitoreados y controlados por los reguladores. . . . . . . . 73
4.4. Se nales de entrada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.5. Error del modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.1. Conguraciones de control. . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2. Parametros de los controladores del ujo de agua al condensador. . . . 87
5.3. Error medio cuadratico del control del ujo de agua de alimentacion. . 93
5.4. Parametros de sintona los controladores de la planta piloto de destilacion.101
5.5. Error medio cuadratico de las simulaciones. . . . . . . . . . . . . . . . . 109
6.1. Tabla comparativa entre el controlador programado y el toolbox de MPC
de Matlab
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
A.1. Caractersticas fsicas de la planta piloto de destilacion. . . . . . . . . . 119
A.2. Propiedades termodinamicas de la mezcla Metanol-Etanol. . . . . . . . 120
A.3. Par ametros iniciales de las simulaciones. . . . . . . . . . . . . . . . . . 120
ix
x Lista de tablas
Notacion
Letras may usculas
A
c
Constante de Antoine.
B Flujo molar del producto de fondo (mol/min).
B
c
C
c
Cp
c
Calor especco (kJ/mol
o
C).
D Flujo molar del producto destilado (mol/min).
E Eciencia de Murphree en la seccion de empobrecimiento.
F Flujo molar en la alimentaci on (mol/min).
F
C
Flujo de agua al condensador (L/hr).
F
PB
Porcentaje de variaci on en la frecuencia de la bomba.
F
V
Flujo volumetrico en la alimentaci on (mL/min).
H
ci
Entalpa de vapor (J/mol).
H
C
Horizonte de control.
H
P
Horizonte de prediccion.
K
ci
Coeciente de equilibrio.
L Flujo molar lquido (mol/min).
L
R
Flujo molar lquido en la seccion de enriquecimiento (mol/min).
L
S
Flujo molar lquido en la seccion de empobrecimiento (mol/min).
M
ci
Masa molar retenida en cada estado (mol).
M
Wc
Peso molecular (gr/mol).
P
T
Presion total (kPa).
P
ci
Presion del componente c puro (kPa).
PA
B
Porcentaje de apertura de la valvula de fondo.
Q
B
Potencia calefactora a nadida al hervidor (Watt).
R Reujo {0,1}.
T Perodo de la se nal aplicada a la valvula.
T
i
Temperatura en cada estado (
o
C).
T
F
Temperatura de la alimentaci on (
o
C).
T
bc
Temperatura de ebullicion (
o
C).
xi
xii Notacion.
V Flujo molar de vapor (mol/min).
V
ci
Volumen de cada estado (mL).
V
F
Volumen de un componente en la alimentaci on (mL).
V
R
Flujo molar de vapor en la seccion de enriquecimiento (mol/min).
V
S
Flujo molar de vapor en la seccion de empobrecimiento (mol/min).
Wt
c
Porcentaje de peso de un componente en la alimentacion.
Letras min usculas
e Eciencia de Murphree en la seccion de enriquecimiento.
f Plato de alimentacion.
f
0
ci
Fugacidad del lquido en un estado de referencia.
h
ci
Entalpa lquida (J/mol).
n N umero total de estados.
q
1
Operador de desplazamiento hacia atras.
q Calidad de la alimentaci on.
s Se nal de salida deseada.
t
d
Tiempo de duracion de la se nal aplicada a la valvula de reujo (s).
t
on
Tiempo de apertura de la valvula (s).
w Trayectoria interna o de referencia.
x
Fc
Concentracion lquida en la alimentaci on.
x
ci
Concentraciones molares lquidas.
y
ci
Concentraciones molares de vapor.
Letras griegas
H
vap
c
Entalpa de vaporizacion (kJ/mol).
u Incremento en u.
Peso de la se nal de control.
f
Factor de olvido.
ci
Coeciente de actividad.
ci
Coeciente de fugacidad.
c
Densidad (g/cm
3
).
Caracteres especiales
R Campo de los n umeros reales.
Notacion. xiii
Subndices
c Componente.
i i-esima etapa de la columna.
F Etapa de alimentaci on.
R Seccion de enriquecimiento.
S Seccion de empobrecimiento.
Superndices
equ En equilibrio.
min Valor mnimo.
max Valor maximo.
real Valor real.
set Valor deseado.
mod Valor calculado por el modelo.
vap En la fase de vapor.
Marcas diacrticas
Predicho.
Estimado.
Abreviaturas
CENIDET Centro Nacional de Investigaci on y Desarrollo Tecnol ogico.
CDD Columna de destilacion.
EMC Error medio cuadratico.
EOH Etanol.
MeOH Metanol.
MIMO M ultiples entradas, m ultiples salidas.
MPC Control predictivo basado en modelo.
PI Control proporcional-integral.
PID Control proporcional-integral-derivativo.
PWM Modulacion por ancho de pulso.
SISO Una entrada, una salida.
xiv Notacion.
Captulo 1
Introduccion
La destilacion se dene como la separacion fsica de una mezcla lquida en dos
o mas fracciones que tienen diferentes puntos de ebullicion. Esta operacion es la mas
empleada e importante en las reneras e industrias qumicas, aunque tambien encuentra
aplicaciones en otras areas como lo son la industria farmaceutica, alimenticia, perfumera
y licorera. El equipo utilizado para llevar a cabo este proceso es la columna de destilacion
y representa una fuerte inversi on para las industrias en el mundo. Ademas, una gran
parte de la energa usada en estas empresas se consume en los procesos de destilacion.
Es por ello que la destilacion es una de las areas de control de procesos mas investigada
en el mundo y se dice que es el proceso mas beneciado por estas tecnicas (de control)
en las plantas industriales [Schmitz, 2001].
Los procesos de separacion alcanzan sus objetivos mediante la creacion de dos
o mas zonas (etapas) que coexisten y que tienen diferencia de temperatura, presion,
composicion y fase. Cada componente molecular de la mezcla que se vaya a separar
reaccionara de modo unico ante los diversos ambientes presentes en esas etapas. En
consecuencia, conforme el sistema se desplaza hacia el equilibrio, cada componente
establecera una concentracion diferente en cada etapa y esto da como resultado una
separacion entre los componentes.
El proceso de destilacion utiliza fases de vapor y lquido, esencialmente a la misma
temperatura y a la misma presion, para las etapas coexistentes. Se utilizan varios tipos
de dispositivos, como, por ejemplo el hervidor, el condensador y las bandejas o platos
para que las dos fases entren en contacto ntimo. Los platos se colocan uno sobre otro
y se encierran con una cubierta cilndrica para formar una columna. Una columna de
destilacion cuenta con n 2 platos, se etiqueta al condensador como n umero 1 y al
hervidor como n umero n y los platos intermedios son numerados ascendentemente del
condensador al hervidor. En la Figura 1.1 aparece la representacion esquematica de
una columna caracterstica de destilacion del tipo de platos, junto con sus principales
accesorios externos.
1
2 Captulo 1. Introduccion.
n
n-1
f
f+1
f-1
2
1
F
B
D
R
Condensador
Hervidor
Seccin de
enriquecimiento
Seccin de
empobrecimiento
Figura 1.1: Diagrama esquematico de una columna de destilacion.
C1 a C4 Gases
20
Naftalina
70
Petrleo
(Gasolina)
120
Keroseno
170
Diesel
270
Lubricantes
Aceite
combustible
600
Residuos
Petrleo
crudo
Combustible
para
vehculos
Combustible
para
aviones,
parafina,
etc..
Qumicos
Diesel
Lubricantes,
aceites,
ceras, etc..
Betn para
caminos y
techos.
Petrleo liquado
Combustible
para barcos,
industrias
etc..
Figura 1.2: Columna de destilacion fraccionaria.
3
Flujo de vapor
Flujo lquido
L
i
x
ci
V
i
y
ci
V
i-1
y
ci-1
L
i+1
X
ci+1
Figura 1.3: Principio de operacion de la columna de destilacion.
En cada etapa de la columna se tienen diferentes concentraciones o grado de pureza
de los elementos (ver ejemplo en la Figura 1.2), para ello se emplea una variable
fsica denominada fraccion molar e indica la relacion que hay entre los moles de un
componente y los moles totales de la solucion. x
ci
es la fraccion molar lquida del
componente c en el plato i y y
ci
es la fraccion molar de vapor del componente c en el
plato i.
La alimentaci on se introduce en un punto situado a lo largo de la coraza de la
columna, conocido como plato de alimentaci on y etiquetado con el n umero f. La columna
se divide en una seccion superior, que se denomina con frecuencia seccion de recticacion
o enriquecimiento, y otra inferior, que suele recibir el nombre de seccion de agotamiento
o empobrecimiento. Estos terminos se vuelven bastante indenidos en columnas en las
cuales se retira una corriente lateral de producto en alg un punto a lo largo de la columna,
ademas de las dos corrientes de productos de los extremos.
El material de alimentaci on que se debe separar en fracciones, se introduce en uno
o mas puntos a lo largo de la coraza de la columna. Debido a la diferencia de gravedad
entre la fase de vapor y la lquida, el lquido corre hacia abajo de la columna, cayendo
en cascada de plato a plato, mientras que el vapor asciende por la columna, para entrar
en contacto con el lquido en cada uno de los platos, como se muestra en la Figura 1.3.
El lquido que llega al fondo de la columna se vaporiza parcialmente en un hervidor
para proporcionar vapor que asciende por la columna. El resto del lquido se retira como
producto del fondo (B). El vapor que llega a la parte superior de la columna se enfra
y condensa como lquido en el condensador superior. Parte de este lquido regresa a la
columna como reujo (R), para proporcionar un derrame lquido en los platos. El resto
de la corriente superior se retira como producto destilado o superior (D).
Este patron de ujo en la columna de destilacion proporciona un contacto, a contra
corriente de la corriente de vapor y lquido, en todos los platos de la columna. Las fases
de vapor y lquido en un plato dado se acercan a los equilibrios de temperatura, presion
y composicion, hasta un punto que depende la eciencia del plato de contacto.
Los componentes de punto de ebullicion mas bajo, llamados componentes ligeros,
tienden a concentrarse en la fase de vapor, mientras que los de punto de ebullicion
mas altos, llamados componentes pesados, tienden a la fase lquida. El resultado es una
fase de vapor que se hace mas rica en componentes ligeros al ir ascendiendo por la
columna, y una fase lquida que se va haciendo cada vez mas rica en los componentes
pesados conforme desciende en cascada. La separacion general que se logra entre el
producto superior y del fondo depende primordialmente de las volatilidades relativas
de los componentes, el n umero de platos de contacto y la relacion de reujo.
1.1. Planteamiento del problema
Aunque en el pasado poda considerarse que el unico objetivo del control consista
en mantener una operacion estable del proceso, actualmente la industrias se enfrentan
a un mercado cambiante y difcil de predecir, lo que les obliga a operar sus proce-
sos productivos en consonancia con la evoluci on del mercado para poder mantenerse
competitivas y rentables.
La competencia en muchos sectores industriales as como el creciente interes social
por los problemas medioambientales relacionados con los procesos de produccion provo-
ca la necesidad de disponer de tecnicas ables que permitan la operacion del proceso
con gran eciencia y alto grado de exibilidad.
Actualmente los sistemas de control en la industria de procesos deben satisfacer
criterios economicos, asociados con el mantenimiento de las variables de proceso en
sus puntos de ajuste (set points) minimizando dinamicamente una funcion de costo
de operacion, criterios de seguridad, medioambientales, y de calidad en la produccion,
la cual debe satisfacer ciertas especicaciones sujetas a una demanda normalmente
variable.
Por ello, se puede considerar que en la actualidad el objetivo de todo sistema de
control consiste en actuar sobre las variables manipuladas de forma que puedan satis-
facerse m ultiples y cambiantes criterios de funcionamiento (economicos, de seguridad,
medioambientales o de calidad) en presencia de cambios en las caractersticas del pro-
ceso.
La gran variedad de metodologas actuales de control de procesos se enfrenta al
cumplimiento de este objetivo. La diferencia entre las diversas tecnicas radica basica-
1.2. Ventajas del control predictivo. 5
mente en los compromisos hechos en la formulaci on matematica de los criterios de
funcionamiento y en la eleccion de la manera de representar el proceso.
Todas las operaciones de separacion requieren un suministro de energa en forma
de calor o trabajo. En la operacion convencional de destilacion, la energa requerida
para la separacion de los componentes se agrega en forma de calor al hervidor, en el
fondo de la columna, donde la temperatura es maxima. Ademas, se elimina calor del
condensador en la parte superior de la columna, donde la temperatura es mnima. Con
frecuencia, esto da por resultado un requerimiento elevado de energa y una baja ecien-
cia termodinamica en general, que tena poca importancia (excepto para los procesos
criogenicos y de alta temperatura) cuando los costos de la energa eran bajos. Con el
reciente incremento en los costos de energa, las operaciones complejas de destilacion
requieren una eciencia termodinamica mas elevada. La mejor manera de reducir gastos
de explotacion de unidades existentes, es mejorar la ecacia y operacion por medio de
la optimizacion y control del proceso para que los productos se obtengan con la pureza
deseada en el menor tiempo posible, y con la menor inversion en energa aplicada al
sistema.
Adicionalmente, en la industria de procesos, los reguladores PID solucionan bien
la mayora de los problemas de control monovariable, como lo son ujo, presion, tempe-
ratura etc., sin embargo, en sistemas mas complejos con interacci on entre sus variables,
perturbaciones etc., como lo es una columna de destilacion, las llamadas estructuras de
control convencionales no siempre dan buenos resultados y son difciles de mantener.
En consecuencia, a menudo la unidad se regula manualmente por un operador.
Para cada uno de todos los problemas mencionados, podemos encontrar en la li-
teratura trabajos que proponen alguna solucion, sin embargo en la mayora de estos
trabajos, las soluciones que se proponen no han sido probadas experimentalmente ni
mucho menos explotadas a nivel industrial. En el Centro Nacional de Investigaci on y
Desarrollo Tecnol ogico se cuenta con una planta piloto de destilacion, que posee la
instrumentaci on necesaria para poner en practica conceptos teoricos de control, con la
nalidad de obtener resultados en un caso real de manera experimental.
1.2. Ventajas del control predictivo
La tecnica de control predictivo parece constituir una poderosa herramienta para
afrontar los retos anteriormente planteados. El control predictivo es una de las areas
de control que mas exito ha tenido en la industria. Este exito se debe principalmente a
que [Maciejowsky, 2002]:
1. La idea general de funcionamiento no es difcil de entender.
2. Las restricciones en las se nales de control, debido a los actuadores as como las
restricciones en los estados del proceso son faciles de incorporar al algoritmo de
control.
3. Es una tecnica de control mas poderosa que los PID, a un para los lazos de control
sencillos y sin restricciones.
4. Posee intrnsecamente compensacion del retardo.
5. La sintonizaci on de estos controladores no es complicada, a un en los lazos de
control que presentan cierto grado de dicultad de sintonizacion (utilizando otras
tecnicas de control) debido a retardos de tiempo.
El control predictivo basado en modelo Model (Based) Predictive Control (MBPC
o MPC) constituye un campo muy amplio de metodos de control desarrollados en
torno a ciertas ideas comunes e integra diversas disciplinas como control optimo, control
estocastico, control de procesos con tiempos muertos, control multivariable o control
con restricciones.
Las ideas que aparecen en mayor o menor medida en toda la familia de contro-
ladores predictivos son basicamente:
Uso explcito de un modelo para predecir la salida del proceso en instantes de
tiempo futuros (horizonte).
Calculo de las se nales de control minimizando una cierta funcion objetivo.
Estrategia deslizante, de forma que en cada instante el horizonte se va despla-
zando hacia el futuro, lo que implica aplicar la primera se nal de control en cada
instante y desechar el resto, repitiendo el calculo en cada instante de muestreo.
Los distintos algoritmos de MPC dieren entre s casi exclusivamente en (i ) la
funcion de costo a minimizar y (ii ) en el modelo usado para representar el proceso y los
ruidos. Aunque las diferencias puedan parecer peque nas a priori, pueden provocar dis-
tintos comportamientos en lazo cerrado, siendo crticas para el exito de un determinado
algoritmo en una determinada aplicacion.
1.3. Hipotesis
Dado el problema planteado para este trabajo y las ventajas expuestas anteriormen-
te de los controladores predictivos, se plantea la siguiente hipotesis para este trabajo:
Con el control predictivo multivariable se obtendra una mejora en
el desempe no del proceso de una columna de destilacion binaria
comparado con un controlador convencional (PI).
1.4. Objetivo. 7
1.4. Objetivo
El objetivo de este trabajo es desarrollar un controlador predictivo multivariable
para una columna de destilacion binaria, con el n de controlar las composiciones
lquidas de los productos en el fondo y la salida del condensador.
F
B
D
R
FC FT
TT
TT
FT
LC LT
MPC
Multivariable
LT
LC
Figura 1.4: Esquema del objetivo de la tesis.
El esquema del objetivo de la tesis se puede ver en la Figura 1.4. La validaci on
del controlador multivariable se hara en simulacion. Sin embargo, se desarrollara un
controlador monovariable (como caso particular del controlador multivariable) para el
control del ujo de agua al condensador de la columna de destilacion. Este controlador
monovariable se validar a en tiempo real ya que se cuenta con los sensores y actuadores
necesarios para llevar a cabo la validaci on experimental.
1.5. Justicacion
Dada la expansion y desarrollo que tendra el sector qumico en los proximos a nos, es
necesario prepararse para hacer frente a la demanda masiva de un producto calicado.
Debido a la complejidad que presentan las unidades de destilacion que se encuentran en
las plantas industriales (tales como en la petroqumica), la demanda de un producto con
calidad y de bajo costo no podra satisfacerse si no se usan herramientas matematicas y
nuevas tecnicas para el control del procesos. Lo que conlleva un cierto tipo de ventajas
que han motivado fuertemente su estudio hoy en da en algunos pases de Europa y de
Norteamerica. Estas ventajas pueden ser:
Aumentar la eciencia y conabilidad de una unidad de destilacion.
Optimizar el proceso a su maxima capacidad.
Mejorar los procedimientos de operacion.
Adiestramiento de operadores para la reduccion de riesgos e incremento de la
seguridad.
Promover la investigacion de este campo en el pas para lograr tener una tecnologa
de vanguardia.
1.6. Estado del arte
El control predictivo fue introducido por [Richalet et al., 1978] presentando el con-
trol predictivo heurstico basado en modelo (Model Predictive Heuristic Control,
MPHC), mas tarde conocido como control algortmico basado en modelo (Model Al-
gorithmic Control, MAC); y por otro lado, de forma independiente: Cutler y Ramaker,
ingenieros de la compa na Shell, presentaron en [Cutler y Ramaker, 1980] sobre control
con matriz dinamica (Dynamic Matrix Control, DMC). Ambos algoritmos utilizan
explcitamente un modelo dinamico del proceso (obtenido de la respuesta impulso en el
primer caso y de la respuesta escalon en el segundo) para predecir el efecto de las futuras
se nales de control en las variables a controlar. Estas formulaciones eran heursticas.
Estos controladores estaban ntimamente ligados al problema de control optimo
en tiempo mnimo y a la programacion lineal [Zadeh y Whalen, 1962]. El concepto de
horizonte deslizante, una de las ideas centrales del control predictivo, fue propuesto
por [Propoi, 1963], en el marco de realimentacion optima en lazo abierto (open-loop
optimal feedback) que fue utilizada extensamente en los a nos 70.
El control predictivo llego a ser popular particularmente en la industria de procesos
qumicos debido a la simplicidad del algoritmo y a la utilizacion del modelo de respuesta
ante impulso que, aunque requiriendo muchos mas parametros que las formulaciones en
el espacio de estado o en el dominio de entrada y salida, resulta mas intuitivo y requiere
mucha menos informacion a priori para la identicacion.
La mayora de estas aplicaciones se llevaron a cabo en sistemas multivariables que
incluan restricciones. A pesar de este exito, estas formulaciones carecan de una teora
formal para proveer resultados sobre la estabilidad y robustez. De hecho, el caso de
horizonte nito pareca demasiado difcil de analizar excepto en casos muy especcos.
1.6. Estado del arte. 9
Otra lnea de trabajo se desarrollo independientemente en torno a las ideas de con-
trol adaptable, desarrollandose estrategias de control predictivo para sistemas mono-
variables y formulada sobre modelos de entrada y salida. El control autosintoniza-
do basado en predictores (Predictor-Based Self-Tuning Control) en el trabajo de
[Peterka, 1984], el control adaptable de horizonte extendido (Extended Horizon Adap-
tive Control, EHAC) por [Ydstie, 1984], el controlador autosintonizado (Extended
Prediction Self Adaptive Control, EPSAC) [Keyser y Cuawenberghe, 1985], y el con-
trol predictivo generalizado (Generalized Predictive Control, GPC) desarrollado por
[Clarke et al., 1987] se pueden mencionar en este contexto. El GPC utiliza ideas de
los controladores de varianza mnima generalizada (Generalized Minimum Variance,
GMV) [Clarke y Gawthrop, 1979] y es en la actualidad uno de los metodos mas utiliza-
dos a nivel academico.
Existen numerosas formulaciones de control predictivo basadas en las mismas ideas
comunes, entre las que se puede incluir control adaptable multivariable multipaso (Mul-
tistep Multivariable Adaptive Control, MUSMAR) [Greco et al., 1984], control pre-
dictivo funcional (Predictive Functional Control, PFC) [Richalet, 1992]. El MPC,
tambien ha sido formulado en el espacio de estados [Morari, 1994], lo que permite una
utilizacion de resultados bien conocidos sobre estabilidad y tambien la generalizacion
a casos mas complejos como procesos multivariables, procesos no lineales y sistemas
con perturbaciones estocasticas. Aunque los primeros trabajos sobre GPC contienen
algunos resultados de estabilidad para el caso nominal, la falta de resultados generales
sobre la estabilidad de los controladores de horizontes nito y deslizante constituyo un
inconveniente para su utilizacion al principio. Para hacer frente a esto, aparecio en
los noventa una nueva lnea de trabajo sobre controladores predictivos con estabilidad
garantizada, imponiendo que la se nal de salida alcanzara a la referencia al nal del
horizonte.
Existen muchas aplicaciones del control predictivo en la industria. La mayor parte
de las aplicaciones estan en el sector petroqumico en el area de renera
[Qin y Badgwell, 2003], pero tambien existen numerosas aplicaciones en los sectores
de pulpa y papel, procesado de alimentos, gas, mineral, hornos, metalurgia, industria
aeroespacial e industria automotriz. Una excelente revision sobre MPC dirigida princi-
palmente a personal de la industria con experiencia en control se puede encontrar en
[Rawlings, 2000].
Recientemente han aparecido en la literatura aplicaciones de los controladores pre-
dictivos a sistemas hbridos
1
[Camacho, 2004]. Donde los sistemas hbridos se han mo-
delado de distintas formas, bien, como un grafo de transicion de estados (con dinamica
continua dentro de cada estado) o bien como un conjunto de ecuaciones diferenciales
con variables discretas.
1
Un sistema hbrido es un sistema continuo con eventos discretos.
Para el caso de las columnas de destilacion, cuyo control es predictivo, existen
diferentes trabajos, en los que actualmente se trata el caso del control MPC aplica-
do a procesos mal condicionados [Pannocchia, 2003], [Waller et al., 2005]; y el caso del
MPC no lineal [Jana et al., 2005], [Volk et al., 2005], en los que la principal alternativa
esta basada en una linealizacion iterativa (linealizacion en cada instante de muestreo)
de la respuesta del modelo, para asegurar una solucion factible al problema de la mini-
mizacion. De igual forma se encuentran reportados en la literatura trabajos que presen-
tan resultados experimentales, como en [Alpbaz et al., 2002], donde se aplica el control
a una planta piloto de destilacion, pero usando el control predictivo multivariable en
su forma lineal, sin restricciones y trabajando dentro de una region de operacion.
1.6.1. Temas abiertos a la investigacion
No se puede considerar al control predictivo como una disciplina ya cerrada a la
investigacion, sino que, al contrario, es una rama del control de gran efervescencia. Esto
se puede constatar por el hecho de que en todos los congresos de control de estos ultimos
a nos siempre hay sesiones especcas de control predictivo y raro es el n umero de las
revistas de control donde no aparezca alg un artculo sobre este tema.
Los temas todava no del todo resueltos y que son objeto de investigaci on se pueden
clasicar en problemas de implementaci on y problemas de analisis y dise no.
Temas abiertos a
Anlisis de estabilidad y robustez de estos controladores
Aplicados a sistemas:
Hbridos
No lineales
Muy rpidos
la investigacin
Implementacin y anlisis de diseo
El control predictivo es muy difcil de implementar en tiempo real para procesos
no lineales, procesos hbridos o procesos muy rapidos. En el caso de sistemas no lineales
e hbridos han aparecido soluciones para casos particulares y normalmente de peque na
dimension, pero no existen soluciones generales. Se ha demostrado recientemente que
la estructura de control predictivo para procesos lineales es afn a trozos (picewise
ane systems) y por lo tanto el controlador puede calcularse previamente. Esto ha
permitido que el control predictivo pueda ser aplicado a procesos mas rapidos, pero,
desafortunadamente, la tecnica solo es aplicable a problemas especcos (incluyendo
horizontes de control peque nos).
El otro gran problema todava no resuelto es el problema del analisis de estabilidad
1.7. Organizacion del documento. 11
y robustez de estos controladores. Es decir, a un en el caso de que los controladores sean
implementables, analizar como se puede asegurar su estabilidad en el caso nominal o
en el caso de que el modelo no sea exacto. Para el caso de restricciones, el analisis
de estabilidad pareca ser un problema demasiado complicado de resolver. A un en el
caso de que el optimizador fuera capaz de encontrar una solucion, no esta garantizada
la estabilidad del sistema en lazo cerrado. La utilizacion de penalizaciones terminales
y/o restricciones, funciones de Lyapunov, o conjuntos invariantes han dado lugar a una
familia de tecnicas que garantizan la estabilidad del sistema. Este problema ha sido
atacado desde distintos puntos de vista y han aparecido numerosas contribuciones en
a nos recientes, siempre analizando el problema del regulador (llevar el estado al reposo)
y normalmente en espacio de estados. Se han obtenido resultados que utilizan tecnicas
de control robusto en el contexto de controladores predictivos. La idea basica es tener
en cuenta las incertidumbres sobre el proceso de una manera explcita y dise nar el
controlador predictivo para optimizar la funcion objetivo ante la peor situacion posible
de las incertidumbres. En cualquier caso, estos resultados exigen el computo de regiones
invariantes que, salvo en el caso de sistemas lineales, son difcilmente calculables.
Estos avances prometedores permiten pensar que el control predictivo experimen-
tara una mayor diseminacion tanto en el mundo academico como en la comunidad
industrial en los proximos a nos.
1.7. Organizacion del documento
El presente documento consta de 6 captulos y 2 apendices.
En el Captulo 2 se presentan los conceptos basicos del control predictivo basado
en modelo, se incluyen sus puntos clave y hace una revision de los principales algoritmos
presentando sus caractersticas mas importantes.
En el Captulo 3 se desarrolla la formulacion en espacio de estados del control pre-
dictivo, siendo esta formulaci on facilmente extendible al caso multivariable. Finalmente,
se integra este controlador a un programa y se realizan unas pruebas en simulaci on de
su funcionamiento.
En el Captulo 4 se presenta el modelo dinamico de la planta piloto de destilacion,
se estudian los fenomenos involucrados en su dinamica, posteriormente se hace una
descripcion de la planta piloto utilizada para las pruebas y se valida modelo comparando
valores experimentales con los teoricos.
En el Captulo 5 se muestran los resultados obtenidos al aplicarle el control
predictivo al lazo de ujo de agua al condensador (caso SISO) en simulacion y de
forma experimental, as como las simulaciones del control al modelo de la columna
(caso MIMO).
En el Captulo 6 se dan las conclusiones generales de la tesis, y los trabajos futuros
propuestos.
En el Apendice A se muestran los valores numericos de los parametros utilizados
en esta tesis para las simulaciones y los experimentos realizados.
En el Apendice Bse da una descripcion de los programas utilizados y una peque na
gua de su uso.
Captulo 2
Conceptos basicos del control
predictivo
En este captulo se presentan los conceptos basicos del control predictivo basado
en modelo y se describen los elementos que son comunes a todos estos controladores,
mostrando algunas alternativas que son utilizadas en diferentes implementaciones.
En la Seccion 2.1 se describe la estrategia general que siguen los controladores que
pertenecen a la familia de los controladores predictivos. En la Seccion 2.2 se detallan
los elementos comunes de los controladores predictivos, como lo son: el modelo utiliza-
do para la prediccion, la funcion objetivo y la obtencion de la ley de control. En la
Seccion 2.3 se presenta una revision general de los principales algoritmos reportados en
la literatura. Finalmente, en la Seccion 2.4 se dan las conclusiones del captulo en base
a lo estudiado.
2.1. Estrategia de los controladores predictivos
El principio de operacion de todos los controladores pertenecientes a la familia del
MPC se caracteriza por la estrategia siguiente, representada en la Figura 2.1:
1. En cada instante k y haciendo uso del modelo del proceso se predicen las futuras
salidas para un determinado horizonte, llamado horizonte de prediccion H
P
. Estas
salidas predichas y
f
(k + i|k)
1
(para i = 1, 2, ..., H
P
), dependen de los valores
conocidos hasta el instante k (entradas y salidas pasadas) y de las se nales de
control futuras u(k + i|k) (para i = 0, 1, ..., H
P
1) que se pretenden mandar al
sistema y que son las que se quieren calcular.
1
La notacion indica el valor de la variable en el instante k +i, calculado en el instante k. As como
la marca diacrtica denota prediccion.
13
14 Captulo 2. Conceptos basicos del control predictivo.
k k+H
C
s(t)
w(k+i|k)
y(t)
k+H
P
k
y(k+i|k)
^
y
f
(k+i|k)
^
Hp
Hc
Entrada
Salida
u(t)
u(k+i|k)
Figura 2.1: Estrategia de control predictivo.
2. El conjunto de se nales de control futuras se calcula optimizando un determinado
criterio en el que se pretende mantener el proceso lo mas proximo posible a la
trayectoria de referencia w(k +i|k) (que puede ser directamente la salida deseada
s(k) o una suave aproximaci on a esta). Este criterio suele tomar la forma de
una funcion cuadratica de los errores entre la salida predicha y la trayectoria de
referencia tambien predicha, incluyendo en muchos casos el esfuerzo de control.
Si el criterio es cuadratico, el modelo lineal y no existen restricciones se puede
obtener una solucion explcita, de otra manera se debe usar un metodo iterativo
de optimizacion. Adicionalmente se hace alguna suposicion sobre la estructura de
la ley de control futura, como por ejemplo que va a ser constante a partir de cierto
instante H
C
.
3. La primera se nal de control u(k|k) es enviada al proceso mientras que las siguientes
se nales de control calculadas son desechadas. Puesto que en el siguiente instante
de muestreo ya se conoce y(k + 1), se repite el paso 1 con este nuevo valor y to-
das las secuencias son actualizadas. Se calcula por tanto la nueva se nal de control
u(k + 1|k + 1) (que en principio sera diferente a la secuencia de salida anterior
u(k + 1|k), al disponer de nueva informacion), haciendo uso del concepto de hori-
zonte deslizante.
2.2. Elementos basicos. 15
s(k)
y
f
(k+i|k)
^
u(k|k)
y(k)
Predictor
Optimizador
Proceso
v(k)
Figura 2.2: Estructura basica del control predictivo.
Para llevar a cabo esta estrategia, se usa una estructura como la mostrada en la
Figura 2.2. Se hace uso de un modelo para predecir las salidas futuras del proceso
basandose en las futuras se nales de control propuestas. Estas se nales son calculadas por
el predictor teniendo en cuenta la funcion de costo (donde aparece el futuro error de
seguimiento) as como las restricciones.
Por lo tanto, el modelo del proceso juega un papel decisivo en el controlador.
El modelo elegido debe ser capaz de reproducir la dinamica del proceso para poder
predecir correctamente las salidas futuras. Al mismo tiempo, debe ser sencillo de usar
y de comprender.
El optimizador es otra parte fundamental de la estrategia pues proporciona las
acciones de control. Si la funcion de costo es cuadratica, el mnimo se puede obtener
como una funcion explcita (lineal) de las entradas pasadas, las salidas pasadas y de
la trayectoria de referencia. Sin embargo, cuando existen restricciones de desigualdad
la solucion debe de ser calculada por metodos numericos con mas carga de calculo.
La complejidad del problema de optimizacion depende directamente del n umero de
variables y el tama no de los horizontes elegidos.
2.2. Elementos basicos
Todos los controladores predictivos poseen elementos comunes y para cada uno de
estos elementos se pueden elegir diversas opciones, dando lugar a distintos algoritmos.
Estos elementos son:
Modelo de prediccion.
Funcion objetivo.
Obtencion de la ley de control.
2.2.1. Modelo de prediccion
La piedra angular del MPC es el modelo del proceso; un dise no completo debe de
incluir los mecanismos necesarios para la obtencion del mejor modelo posible, el cual
debe de ser lo sucientemente rico para capturar al maximo la dinamica del proceso y
debe de ser capaz de permitir el calculo de las predicciones. A la vez, debe ser intuitivo
y debe ser posible llevar a cabo en el un analisis teorico. El uso del modelo del proceso
viene determinado por la necesidad del calculo de la salida predicha en instantes futu-
ros y
f
(k +i|k). Las diferentes estrategias del MPC pueden usar distintos modelos para
representar la relacion de las salidas con las entradas medibles, que pueden ser compen-
sadas con una accion prealimentada. Ademas se debe de tener en cuenta un modelo de
las perturbaciones para intentar describir el comportamiento que no aparece reejado
en el modelo del proceso, englobandose aqu el efecto de las entradas no medibles, el
ruido y los errores de modelado.
Para este n, se puede separar el modelo en dos partes: el modelo del proceso
propiamente dicho y el modelo de las perturbaciones. Cualquier metodo utilizara ambas
partes para la prediccion.
Modelo del proceso
Casi todas las formas posibles de modelar un proceso aparecen en alguna formu-
lacion del MPC siendo las mas usadas las siguientes:
Respuesta al impulso. Tambien conocida por secuencia de ponderacion o modelo
de convolucion. La salida viene relacionada con la entrada por la ecuacion:
y(k) =
j=1
h
j
u(k j)
donde h
j
son los valores muestreados obtenidos al someter al proceso a un impulso
unitario de amplitud igual a un perodo de muestreo (ver Figura 2.3a). Esta suma
es truncada y solo se consideran N valores (por lo tanto solo permite representar
procesos estables y sin integradores), teniendo
y(k) =
N
j=1
h
j
u(k j) = H(q
1
)u(k) (2.1)
donde: H(q
1
) = h
1
q
1
+ h
2
q
2
+ + h
N
q
N
, siendo q
1
el operador de des-
plazamiento hacia atras. Un inconveniente de este metodo es el gran n umero de
parametros que necesita, ya que N normalmente es de un valor elevado (del orden
y(k)
k k+1 k+2 k+N
. . .
h
1
h
2
h
j
h
N
a Respuesta al impulso.
y(k)
k k+1 k+2 k+N
. . .
g
1
g
2
g
j
g
N
b Respuesta al escalon.
Figura 2.3: Respuestas del sistema.
de 30-40) [Camacho, 2001]. La prediccion vendr a dada por:
y(k + i|k) =
N
j=1
h
j
u(k + i j|k)
= H(q
1
)u(k + i|k)
Este metodo es ampliamente aceptado en la practica industrial debido a que es
muy intuitivo y no requiere de informacion previa del proceso, con lo que el pro-
cedimiento de identicacion se simplica, a la vez que permite describir facilmente
dinamicas complejas como fase no mnima o retardos.
Respuesta al escalon. Es muy similar al anterior solo que la se nal de entrada es
un escalon. Para sistemas estables se tiene la respuesta truncada que sera (ver
Figura 2.3b):
y(k) = y
0
+
N
j=1
g
j
u(k j) = y
0
+ G(q
1
)(1 q
1
)u(k) (2.2)
donde las g
j
son los valores muestreados ante la entrada escalon y u(k) =
u(k) u(k 1). El valor de y
0
puede tomarse como 0 sin perdida de generalidad,
con lo cual el predictor sera:
y(k + i|k) =
N
j=1
g
j
u(k + i j|k)
Este metodo presenta las mismas ventajas y desventajas que el metodo anterior.
Funciones de transferencia. Se utiliza el concepto de funcion de transferencia
G = B/A con lo que la salida viene dada por:
A(q
1
)y(k) = B(q
1
)u(k)
donde:
A(q
1
) = 1 + a
1
q
1
+ a
2
q
2
+ + a
na
q
na
B(q
1
) = b
1
q
1
+ b
2
q
2
+ + b
nb
q
nb
Por lo tanto la prediccion viene dada por:
y(k + i|k) =
B (q
1
)
A(q
1
)
u(k + i|k)
Esta representaci on tambien es valida para procesos inestables y posee la ventaja
de necesitar pocos parametros, aunque es fundamental un conocimiento a priori
del proceso, sobre todo en cuanto al orden de los polinomios A y B.
Espacio de estados. Tiene la siguiente representacion:
x (k + 1) = Ax (k) + Bu (k)
y (k) = Cx (k)
siendo x el estado y A, B y C las matrices del sistema, de entrada y salida respec-
tivamente. Para este modelo la prediccion viene dada por:
y(k + i|k) = C x(k + i|k) = C[A
i
x(k) +
i
j=1
A
j1
Bu(k + i j|k)]
Posee la ventaja de que sirve tambien para sistemas multivariables a la vez que
permite analizar la estructura interna del proceso (aunque a veces los estados
obtenidos al discretizar no tienen ning un signicado fsico). Los calculos pueden
ser complicados, con la necesidad adicional de incluir un observador si los estados
no son accesibles.
Otros. Los modelos no lineales tambien pueden ser utilizados para representar al
proceso pero el problema de su uso radica en el hecho de que es muy complicado
encontrar la respuesta al problema de optimizacion. Las redes neuronales as como
la logica difusa son otras formas de representaci on usadas en algunas aplicaciones.
Modelo de perturbaciones
Tan importante es la eleccion de un determinado modelo del proceso como lo
es la eleccion del modelo utilizado para representar las perturbaciones. Un modelo
q
-nk
B(q
-1
)
C(q
-1
)
D(q
-1
)
1
A(q
-1
)
u(k) y(k)
e(k)
n(k)
+
+
Figura 2.4: Estructura ARIMA.
bastante extendido es el Autoregresivo Integrado de Media Movil (Auto-Regressive
and Integrated Moving Average, ARIMA) mostrado en la Figura 2.4, en el que las
perturbaciones, es decir, las diferencias entre la salida medida y calculada por el modelo
vienen dadas por:
n(k) =
C(q
1
)e(k)
D(q
1
)
donde el polinomio D(q
1
) incluye explcitamente el integrador = 1 q
1
, e(k) es
un ruido de media cero y normalmente el polinomio C se considera igual a uno. Este
modelo se considera apropiado para dos tipos de perturbaciones: cambios aleatorios
ocurridos en instantes aleatorios (por ejemplo la calidad del material) y movimiento
browniano (en procesos con balance de energa) y es usado en varios metodos. Notese
que al incluir un integrador se consigue un control sin errores en el estado estable.
Respuestas libre y forzada
Una caracterstica tpica de los controladores predictivos es el empleo de los con-
ceptos de respuesta libre y forzada. La idea es expresar la secuencia de acciones de
control como la suma de dos se nales:
u(k) = u(k)
f
+ u
c
(k)
La se nal u(k)
f
corresponde a las entradas pasadas (anteriores al instante k) y en el
futuro se mantiene constante e igual al ultimo valor de la variable manipulada. Es
decir:
u
f
(k j) = u(k j) para j = 1, 2, . . .
u
f
(k + j) = u(k 1) para j = 0, 1, 2, . . .
Proceso
u y
k
k k
k
k k
u
c
u
f
y
f
y
c
Figura 2.5: Respuestas libre y forzada.
La se nal u
c
vale cero en el pasado y corresponde a las se nales de control en los tiempo
futuros:
u
c
(k j) = 0 para j = 1, 2, . . .
u
c
(k + j) = u(k + j) u(k 1) para j = 0, 1, 2, . . .
La prediccion de la secuencia de salida se separa en dos partes, como se ve en la
Figura 2.5. Una de ellas y
f
(k), la respuesta libre, corresponde a la prediccion de la
salida cuando se toma como entrada unicamente u
f
(k), y la otra, la respuesta forzada
y
c
(k), corresponde a la salida cuando la se nal de control es u
c
(k). La respuesta libre
corresponde a la evoluci on del proceso debido a su estado actual (inuido principalmente
por las acciones de control pasadas) mientras que la respuesta forzada es la debida a
las acciones de control futuras.
2.2.2. Funci on objetivo
Los diversos algoritmos de MPC proponen distintas funciones de costo para la
obtencion de la ley de control. En general se busca que la salida futura ( y) en el horizonte
considerado siga una determinada se nal de referencia (w) al mismo tiempo que se puede
penalizar el esfuerzo de control (u) requerido para hacerlo. La expresion general de
esta funcion objetivo es:
J(H
1
, H
P
, H
C
) =
H
P
i=H
1
(i)[ y(k + i|k) w(k + i|k)]
2
+
H
C
i=1
(i)[u(k + i 1|k)]
2
(2.3)
En algunos metodos el segundo sumando, que se considera el esfuerzo de control,
no se toma en cuenta, mientras que en otros aparecen directamente los valores de la
se nal de control (no sus incrementos). En la funcion de costo se pueden considerar:
Par ametros. H
1
y H
P
son los horizontes mnimo y maximo de costo (o de predic-
cion) y H
C
es el horizonte de control, que no tiene que coincidir con el horizonte
maximo, como se ver a posteriormente. El signicado de H
1
y H
P
resulta bastante
intuitivo: marcan los lmites de los instantes en que se desea que la salida siga la
referencia. As si se toma un valor grande de H
1
es porque no importa que haya
errores en los primeros instantes, lo cual provocara una respuesta suave del pro-
ceso. Notese que para procesos con tiempo muerto d no tiene sentido que H
1
sea
menor que dicho valor puesto que la salida no empezara a evolucionar hasta el
instante k +d. Ademas, si el proceso es de fase no mnima, este parametro permite
eliminar de la funcion objetivo los primeros instantes de respuesta inversa.
Los coecientes (i) y (i) son secuencias que ponderan el comportamiento fu-
turo. Usualmente se consideran valores constantes o secuencias exponenciales. Por
ejemplo se puede conseguir un paso exponencial de (i) a lo largo del horizonte
usando:
(i) =
H
P
i
Si esta comprendido entre 0 y 1 signica que se penaliza mas a los errores alejados
del instante k que a lo mas proximos, dando lugar a un control mas suave y con
menor esfuerzo. Si, por el contrario, > 1 es que se penalizan mas los primeros
errores, provocando un error mas brusco.
Todos estos valores pueden ser usados como parametros de sintonizaci on, obtenien-
do muchas posibilidades con las que se puede cubrir una amplia gama de opciones,
desde un control estandar hasta una estrategia dise nada especcamente para un
proceso en particular.
Trayectoria de referencia. Una de las ventajas del control predictivo es que si se
conoce de antemano la evoluci on futura de la referencia, el sistema puede empezar
a reaccionar antes de que el cambio se haya efectivamente realizado, evitando los
efectos de retardo en la respuesta del proceso. En muchas aplicaciones la evolu-
cion futura de referencia es conocida de antemano, como en robotica, los servos o
procesos en lote; en otras aplicaciones aunque la referencia es constante, se puede
conseguir una sensible mejora de prestaciones simplemente conociendo el instante
de cambio de valor y adelant andose a esa circunstancia.
En el criterio de minimizacion (2.3), la mayora de los metodos suelen utilizar
una referencia w(k + i|k) que no tiene por que coincidir con la referencia real.
Normalmente sera una suave aproximacion desde el valor actual de la salida y(k)
a la referencia conocida s(k) mediante un sistema de primer orden:
w(k|k) = y(k) w(k + i|k) = w(k + i 1|k) + (1 )s(k + i|k) i = 1...H
P
(2.4)
es un parametro comprendido entre 0 y 1 (mientras mas proximo a 1 mas suave
sera la aproximacion) que constituye un valor ajustable que inuira en la respues-
ta dinamica del sistema. Otra estrategia es la utilizada en el control predictivo
funcional, la cual es util para puntos de ajuste (set points) variables:
w(k + i|k) = s(k + i|k)
i
(y(k) s(k)) (2.5)
Restricciones. Una de las grandes bondades que proporciona el control predictivo es
la posibilidad de tomar en cuenta las restricciones propias del proceso. El principal
motivo para considerar restricciones en las variables del proceso consiste en que
violarlas puede ser muy costoso o peligroso, porque puede originar da nos en los
equipos y perdidas en la produccion. Por ejemplo, en la mayora de los reactores
por lote, la calidad de la produccion requiere que las variables del proceso se
mantengan dentro de lmites durante la reaccion; violar estos lmites puede llevar
a una produccion de calidad inferior a la requerida. Cuando los lmites han sido
impuestos por razones de seguridad, la violacion de estos lmites puede producir
da nos en los equipos, derrames de los productos nocivos o en la mayora de los casos
que se activen los dispositivos de seguridad produciendo paradas de emergencia.
2.2.3. Obtencion de la ley de control
Para obtener los valores de u(k +i|k) sera necesario minimizar la funcion de costo,
la ecuacion (2.3). Para ello se calculan los valores de la salida predicha y(k + i|k) en
funcion de los valores pasados de entradas y salidas y de se nales de control futuras,
haciendo uso del modelo del proceso que se haya elegido y se sustituyen en la funcion
de costo, obteniendo una expresion cuya minimizacion conduce a los valores buscados.
Para el criterio cuadratico, si el modelo es lineal y no existen restricciones, se puede
obtener la solucion de forma analtica; en otro caso se debe de usar un metodo iterativo
de optimizacion.
De cualquier manera, la obtencion de la solucion no resulta tan trivial pues existiran
H
P
H
C
+ 1 variables independientes, valor que puede ser elevado (del orden de 10 a
30). Con la idea de reducir estos grados de libertad se puede proponer cierta estructura
a la ley de control. Ademas se ha encontrado en [Clarke y Morari, 1989] que estructurar
la ley de control produce una mejora en la robustez y en el comportamiento general
del sistema. Lo anterior se debe fundamentalmente a que el hecho de permitir la libre
evolucion las variables manipuladas (sin estructurar) puede conducir a se nales de control
de alta frecuencia no deseables y que en el peor de los casos podran conducir a la
inestabilidad. Esta estructura a la ley control se plasma en el uso del concepto de
horizonte de control H
C
, que consiste en considerar que tras un cierto tiempo H
C
(0 < H
C
< H
P
) no hay variaci on en las se nales de control propuestas, es decir:
u(k + i 1|k) = 0 i > H
C
2.3. Revision de los principales algoritmos. 23
lo cual es equivalente a dar pesos innitos a los cambios en el control a partir de H
C
.
El caso extremo sera considerar H
C
igual a 1 con lo que todas las se nales de control
futuras seran igual a u(k|k)
2
.
Otra manera de estructurar la se nal de control es mediante el uso de funciones base:
un procedimiento utilizado en el control predictivo funcional, que consiste en representar
la se nal de control como una combinaci on lineal de ciertas funciones predeterminadas.
2.3. Revision de los principales algoritmos
A continuaci on se presentan los principales algoritmos de control predictivo, mos-
trando de manera general sus principales caractersticas. Se pueden encontrar estu-
dios comparativos de las diferentes tecnicas en [Garca et al., 1989], [Kramer, 1991],
[Keyser et al., 1989] y [Qin y Badgwell, 2003].
2.3.1. Control por matriz dinamica (DMC)
Este metodo desarrollado por [Cutler y Ramaker, 1980], usa la respuesta ante un
escalon (2.2) para modelar el proceso, considerando solo los H
P
primeros terminos, asu-
miendo por tanto que el proceso es estable. En cuanto a las perturbaciones, se considera
que su valor permanece constante e igual al existente en el instante actual durante todo
el horizonte, es decir, igual al valor medido de la salida y
m
menos el estimado por el
modelo y(k + i|k).
n(k + i|k) = n(k|k) = y
m
(k) y(k|k)
y por lo tanto el valor predicho sera:
y(k + i|k) =
i
j=1
g
j
u(k + i j) +
H
P
j=i+1
g
j
u(k + i j) + n(k + i|k)
donde el primer termino contiene las acciones de control futuras (que seran calculadas),
el segundo los valores pasados de las acciones de control (conocidas) y el ultimo repre-
senta las perturbaciones. La funcion de costo puede considerar solo errores futuros o
incluir tambien el esfuerzo de control.
Una de las caractersticas de este metodo que lo ha hecho muy popular en la
industria es la inclusion de restricciones, que se traduce en inecuaciones de la forma
2
Recuerde que en el control predictivo: se calculan H
P
movimientos de control durante cada
instante de muestreo; se le enva al proceso solo la primera de estas se nales calculadas; y, debido al
concepto de horizonte deslizante, en el siguiente instante de muestreo de repite el calculo con nueva
informacion.
generica:
H
P
j=1
C
r
yj
y (k + i|k) + C
r
uj
u(k + i j|k) + c
r
0 r = 1, ..., H
C
.
Donde:
C
yj
Corresponde a la relacion que existe entre j-esima salida restingida y la
se nal de control.
C
uj
Corresponde a la relacion que existe entre j-esima entrada restingida y la
se nal de control.
c Valor de la restriccion.
En este caso la optimizacion debe ser numerica y se lleva a cabo en cada periodo
de muestreo, enviandose la se nal u(k|k) y recalculando todo en el nuevo periodo de
muestreo, como en todos los metodos MPC. Los principales inconvenientes de este
metodo son el tama no del modelo empleado y la imposibilidad de tratar procesos ines-
tables.
2.3.2. Control algortmico de modelo (MAC)
Este metodo fue presentado por [Richalet et al., 1978]. Se conoce tambien como
control predictivo heurstico y el producto comercial se llama IDCOM
3
(Identication-
Command). Es muy similar al DMC con la diferencia principal de usar un modelo de
respuesta al impulso (2.1). No utiliza el concepto de horizonte de control, por lo que
calcula todos los movimientos de control correspondientes al horizonte de prediccion.
Introduce el concepto de trayectoria de referencia como un sistema de primer orden que
evoluciona desde la salida actual a la salida deseada seg un una determinada constante
de tiempo, utilizando la expresion (2.4). La varianza del error entre esta trayectoria y
la salida es lo que marca la minimizacion de la funcion objetivo.
Las perturbaciones se pueden tratar como en el metodo anterior o se pueden estimar
seg un la siguiente expresion:
n(k + i|k) = n(k + i 1|k) + (1 ) [y
m
(k) y (k|k)]
con:
n(k|k) = 0
siendo y
m
el valor medido de la salida y un parametro ajustable (0 < 1) rela-
cionado con el tiempo de respuesta, el ancho de banda y la robustez del sistema en lazo
cerrado.
El metodo tambien considera restricciones en los actuadores, en las variables in-
ternas o en salidas secundarias.
3
Fabricado por la compana Adersa.
2.3.3. Control predictivo funcional (PFC)
Este controlador fue desarrollado por [Richalet et al., 1987] para procesos rapidos.
Emplea un modelo en espacio de estados, por lo que permite el manejo de procesos
inestables, y tambien la extension al caso no lineal. Este esquema de control tiene dos
caractersticas que lo distinguen del resto de controladores de la familia: el uso de puntos
de coincidencia y de funciones base.
El concepto de puntos de coincidencia (ver Figura 2.6) se emplea para simplicar
los calculos considerando solo un subconjunto de puntos en el horizonte de prediccion.
La salida deseada y la predicha deben coincidir en dichos puntos, no en todo el horizonte
de prediccion.
Figura 2.6: Puntos de coincidencia.
La otra idea innovadora de este metodo es la parametrizacion de la se nal de con-
trol como una combinacion lineal de ciertas funciones base, que son elegidas seg un la
naturaleza del proceso y la referencia:
u(k + i|k) =
n
B
j=1
j
(k) B (i)
Estas funciones se escogen de acuerdo a la naturaleza del proceso y normalmente son
de tipo polinomico: escalones (B
1
(i) = 1), rampas (B
2
(i) = i) o parabolas
(B
3
(i) = i
2
), ya que la mayora de referencias se pueden especicar como combinacion
de estas funciones. Con esta estrategia, un perl de entrada complejo se puede especi-
car usando un n umero peque no (generalmente n
B
es del orden de 2 o 3) de parametros
desconocidos
j
que son las incognitas del problema de minimizacion. De esta manera,
el concepto de horizonte de control, no existe en esta formulacion porque se reemplaza
por el n umero de funciones base utilizadas.
La funcion a minimizar es:
J =
H
P
j=1
[ y (k + h
j
|k) w(k + h
j
|k)]
2
donde h
j
corresponde a los puntos de coincidencia elegidos. Notese que el n umero
de puntos de coincidencia, debe de ser, al menos igual al n umero de funciones base
utilizadas.
2.3.4. Control autosintonizado de prediccion extendida
(EPSAC)
El algoritmo EPSAC usa un modelo de funcion de transferencia
A(q
1
)y(k) = B(q
1
)u(k d) + v(k) (2.6)
donde d es el retardo y v(k) la perturbacion a la salida. Este modelo puede am-
pliarse para tratar perturbaciones medibles d(k) a nadiendo un termino D(q
1
)d(k)
para incluir efecto de prealimentaci on. La prediccion se obtiene seg un se muestra en
[Keyser et al., 1989] y la estructura de la ley de control es muy simple, ya que se con-
sidera que la se nal de control permanecera constante a partir del instante k (es decir,
horizonte de control igual a 1): u(k + i|k) = 0 para i > 0. Para obtener la se nal de
control se minimiza una funcion de costo de la forma:
J =
H
P
i=d
(i)[w(k + i|k) P(q
1
) y(k + i|k)]
2
donde P(q
1
) es un polinomio de dise no con ganancia unitaria y (i) es una secuencia
de ponderacion similar a la de la ecuacion (2.3). La se nal de control se puede calcular
analticamente de la forma:
u(k|k) =
H
P
i=d
h
i
(i) [w(k + i|k) P (q
1
) y (k + i|k)]
H
P
i=d
(i)h
2
i
siendo h
i
los coecientes de la respuesta al impulso del sistema.
2.3.5. Control adaptable de horizonte extendido (EHAC)
Esta formulacion tambien emplea un modelo de funcion de transferencia (2.6) sin
tomar en cuenta las perturbaciones v(k) y pretende minimizar la diferencia entre la
salida calculada y la referencia en el instante k +H
P
: y(k +H
P
|k) w(t +H
P
|k), con
H
P
d. La solucion a este problema no es unica (a menos que H
P
= d) [Ydstie, 1984];
una posible estrategia es considerar horizonte de control igual a 1:
u(k + i + 1|k) = 0 1 < i H
P
d
o minimizar el esfuerzo de control
J =
H
P
d
i=0
u
2
(k + i|k)
Este metodo utiliza un predictor de H
P
pasos de la forma
y (k + H
P
|k) = y (k) + F
_
q
1
_
y (k) + E
_
q
1
_
B
_
q
1
_
u(k + H
P
d|k)
donde E(q
1
) y F(q
1
) son polinomios que satisfacen la relacion:
_
1 q
1
_
= A
_
q
1
_
E
_
q
1
_ _
1 q
1
_
+ q
H
P
F
_
q
1
_ _
1 q
1
_
con el grado de E igual a H
P
1. Una ventaja de este metodo es que se puede encontrar
facilmente una solucion explcita, dada por:
u(k|k) = u(k 1) +

0
[w(k + H
P
|k) y (k + H
P
|k)]
H
P
d
i=0
2
j
siendo
i
el coeciente correspondiente a u(k + i|k) en la ecuacion de prediccion.
Por lo tanto, la ley de control depende solo de los parametros del proceso y puede
hacerse facilmente adaptable si se emplea un identicador en lnea. El unico coeciente
de ajuste es el horizonte de prediccion H
P
, lo cual simplica el uso pero proporciona
poca libertad para el dise no. En este metodo no puede usarse trayectoria de referencia
porque el error se considera solo en un instante (k + H
P
), ni tampoco la ponderacion
del esfuerzo de control.
2.3.6. Control predictivo generalizado (GPC)
El control predictivo generalizado fue desarrollado por [Clarke et al., 1987] y se ha
convertido en uno de los metodos mas populares en el ambito de control predictivo, sobre
todo en el mundo academico. Puede resolver muchos problemas de control diferentes
para un amplio campo de procesos con un n umero razonable de variables de dise no, que
son especicadas por el operador dependiendo de los conocimientos previos del proceso
y de los objetivos de control.
El GPC emplea un modelo CARIMA (Controlled Auto-Regressive Integrated Mo-
ving Average) para la prediccion de la salida:
A
_
q
1
_
y (k) = B
_
q
1
_
q
d
u (k 1) + C
_
q
1
_
e (k)
1 q
1
donde u(k) y y(k) son respectivamente la se nal de control y salida del proceso y e(k) es
un ruido blanco de media cero. A, B y C son los siguientes polinomios en el operador
de desplazamiento hacia atras q
1
:
A(q
1
) = 1 + a
1
q
1
+ a
2
q
2
+ + a
na
q
na
B(q
1
) = b
0
q
1
+ b
1
q
2
+ + b
nb
q
nb
C(q
1
) = 1 + c
1
q
1
+ c
2
q
2
+ + c
nc
q
nc
Como en la practica es difcil encontrar el verdadero valor del polinomio C(q
1
),
se puede emplear como parametro de dise no para rechazo de perturbaciones o mejora
de la robustez.
La prediccion optima se lleva a cabo resolviendo una ecuacion diofantina
4
, lo
cual puede hacerse ecazmente de forma recursiva [Camacho, 2004]. Este algoritmo, al
igual que otros que usan el modelo de funcion de transferencia, se puede implementar
facilmente en forma adaptable usando un algoritmo de identicacion en lnea como los
mnimos cuadrados recursivos. El control predictivo generalizado usa una funcion de
costo cuadratica de la forma:
J (H
1
, H
P
, H
C
) =
H
P
i=H
1
(i) [ y (k + i|k) w(k + i|k)]
2
+
H
C
i=1
(k) [u(k + i 1|k)]
2
Las bases teoricas del algoritmo GPC han sido ampliamente estudiadas
[Clarke et al., 1987], [Clarke y Morari, 1989] y se puede demostrar que, para distin-
tos conjuntos de parametros, el algoritmo es estable y que otros controladores, como el
control por establecimiento nito (dead beat), son casos incluidos en este.
2.3.7. Control predictivo no lineal (NLMPC)
En general, los procesos industriales son no lineales, pero a un as, la mayora de
aplicaciones del MPC estan basadas en el uso de modelos lineales. Existen dos impor-
tantes razones para ello: por un lado, la identicacion de un modelo lineal a partir de
datos de proceso es relativamente sencilla y por otro, los modelos lineales proporcio-
nan buenos resultados cuando la planta opera en las cercanas del punto de operacion.
4
Una ecuacion diofantina es aquella que tiene solamente coecientes enteros, exponentes enteros y
cuyas soluciones son tambien n umeros enteros.
Ademas, el uso de un modelo lineal junto con una funcion de costo cuadratica da lu-
gar a un problema convexo haciendo uso de la programacion cuadratica (Quadratic
Programming, QP), cuya solucion esta bien estudiada y existen numerosos productos
comerciales disponibles.
Sin embargo, la respuesta dinamica de los controladores lineales que resultan es
inaceptable cuando se aplican a procesos que son no lineales con distinto grado de
severidad. Aunque el n umero de aplicaciones de control predictivo no lineal es a un
limitada [Qin y Badgwell, 2003], su potencial es realmente grande y acabara abriendose
camino en aquellas areas donde las no-linealidades son severas y la demanda de mercado
exige frecuentes cambios en el punto de operacion.
El desarrollo de modelos no lineales adecuados puede ser una tarea muy complicada
y en general no existe una forma claramente apropiada para representar este tipo de
sistemas.
Hay tres tipos de modelos que se usan en las formulaciones de modelos no lineales:
Modelos empricos, que se obtienen de datos reales y pueden tomar la forma de
modelos de entrada-salida (tales como NARX, modelos de Volterra, Hammerstein
o bilineales y redes neuronales) o modelos no lineales en el espacio de estados.
Modelos fundamentales, que provienen de ecuaciones de balance, tambien llamados
de primeros principios. Las ecuaciones se obtienen por el conocimiento del proceso,
aplicando ecuaciones de balance de masa, energa o momento. En este caso, la
prediccion se hace como una simulacion de las ecuaciones no lineales que describen
la dinamica del proceso. Para procesos industriales complejos, este tipo de modelos
es difcil y costoso de construir, ya que se necesita un conocimiento experto del
proceso.
Modelos de caja gris, que se desarrollan combinando los enfoques emprico y fun-
damental, haciendo uso de las ventajas de cada tipo de modelo. En este enfoque
hbrido, la informacion de los modelos fundamentales se ve enriquecida con datos
empricos.
El otro asunto crucial en NLMPC es la solucion del problema. Requiere la con-
sideracion (y al menos la resolucion parcial) de un problema no lineal no convexo
(programacion no lineal, NLP) que da lugar a una serie de dicultades computacionales
relacionadas con el costo y la habilidad de la resolucion del problema de optimizacion
en lnea. Esta perdida de convexidad hace que sea mucho mas difcil encontrar una
solucion y que, una vez encontrada, no se pueda garantizar que sea un optimo global.
Normalmente el problema se resuelve haciendo uso de la Programacion Cuadratica
Secuencial (Sequential Quadratic Programming, SQP), que son extensiones de metodos
de tipo Newton
5
para lograr la convergencia a las condiciones de Karush-Kuhn-Tucker
6
(KKT) del problema de optimizacion. El metodo debe garantizar convergencia rapida
y debe tratar problemas de mal acondicionamiento y no linealidades extremas. SQP
es una tecnica iterativa en la cual la solucion en cada paso se obtiene mediante la
resolucion de una aproximacion al problema no lineal en la que el objetivo es sustituido
por una aproximacion cuadratica y las restricciones no lineales por aproximaciones que
s lo son.
La solucion exacta del problema de optimizacion en cada instante de muestreo
es una tarea ardua. Por ello, en los ultimos a nos ha aparecido una serie de formu-
laciones que pretenden evitar los problemas asociados a la optimizacion no convexa.
Estas formulaciones deben abordar la estabilidad y la factibilidad de la solucion que
debe calcularse durante el periodo de muestreo.
Una revision de las tecnicas existentes se puede encontrar en [Camacho, 2004],
donde se describen formulaciones como MPC lineal extendido, modelos locales, NLMPC
suboptimo, uso de horizontes cortos, descomposicion de la secuencia de control, lineali-
zacion por retroalimentaci on, MPC basado en modelos de Volterra o NLMPC con redes
neuronales.
2.4. Conclusiones
En este captulo se presentaron nociones basicas del control predictivo basado en
modelo. Se puede observar que la estrategia general de estos controladores es muy sen-
cilla de entender y estan claramente denidos sus 3 elementos basicos: el modelo de
prediccion, la funcion objetivo y la obtencion de la ley de control. Estas nociones son
necesarias para estudiar la estructura de las diferentes implementaciones de contro-
ladores predictivos.
Aunado a lo anterior se present o un resumen general de las principales tecnicas
de varios tipos de controladores predictivos con el objetivo de mostrar la diversidad de
estos en la literatura. Y, expuestas sus ventajas y desventajas no se elige una tecnica
de control predictivo pura, sino una combinacion de ellas. Para el modelo de prediccion
se usa la representaci on en espacio de estados, la funcion objetivo es la del control
predictivo generalizado (2.3), y en la obtencion de la ley de control se utiliza el concepto
de horizonte de control para la estructuracion de la se nal de control. La formulaci on
matematica completa del controlador sera desarrollada en el proximo captulo, para su
posterior aplicacion en un proceso de destilacion.
5
Metodos de solucion para problemas de programacion cuadratica, para mayor informacion ver
[Fletcher, 1980].
6
Las condiciones de Karush-Kuhn-Tucker, son condiciones necesarias y sucientes que aseguran la
optimalidad global de la solucion de un problema de programacion cuadratica.
Captulo 3
El control predictivo multivariable
En este captulo se desarrolla el algoritmo de control predictivo propuesto en esta
tesis para resolver los problemas de control. El objetivo del desarrollo de este algoritmo
es que es capaz de controlar sistemas formulados en espacio de estados y por ello
facilmente extendible al caso multivariable.
En la Seccion 3.1 se expone brevemente la razon principal del uso de un controlador
multivariable. En la Seccion 3.2 se desarrolla la prediccion de estados, de salidas y el
calculo de la se nal de control para el caso sin restricciones. Debido a que no en todos
los procesos se tiene el vector de estados completamente disponible, en la Seccion 3.3
se muestra la manera en que se hara la estimacion de estados para el control. En la
Seccion 3.4 se dan algunas alternativas a la eleccion del vector de estados utilizadas en
otros algoritmos. En la Seccion 3.5 se presenta la manera de incorporar restricciones al
calculo de la se nal de control. En la Seccion 3.6 se integra el algoritmo en un programa
y se hacen algunas pruebas en simulaci on para comprobar su comportamiento. Para
nalizar, en la Seccion 3.7 se dan las conclusiones del captulo.
3.1. El control multivariable
La mayora de las plantas industriales tienen diversas variables para ser contro-
ladas (salidas) y diversas variables para ser manipuladas (entradas). En ciertos casos el
cambio en una de las variables manipuladas afecta unicamente la variable controlada
correspondiente y cada uno de los pares de entrada-salida se puede considerar como una
sola planta de una entrada y una salida (single input, single output, SISO) y de esta
forma se puede controlar por lazos independientes. En muchos casos cuando alguna de
estas variables manipuladas cambia de valor, no solamente afecta a la correspondiente
variable controlada sino tambien afecta a otra u otras variables controladas. Estas in-
teracciones entre las variables del proceso llevan a un bajo rendimiento del control del
31
32 Captulo 3. El control predictivo multivariable.
proceso e incluso a la inestabilidad. Cuando estas interacciones entre variables no se
pueden evitar, la planta, debe de considerarse como un proceso de m ultiples entradas
y m ultiples salidas (multiple input, multiple output, MIMO) en vez de un conjunto
de procesos SISO.
El control de procesos multivariables ha sido ampliamente tratado en la literatura;
y el modo mas popular de controlar un sistema de este tipo es mediante el dise no de
compensadores que desacoplen las variables para suprimir las interacciones entre ellas
y posteriormente dise nar m ultiples controladores monovariables. Para esto, primero se
requiere relacionar las variables de entradas y salidas, esto es, determinar cual variable
de entrada estara asociada a cierta variable de salida y ademas de que la planta debe
de tener el mismo n umero de entradas que de salidas. El desacoplo total es difcil de
lograr para procesos con dinamica compleja o con tiempos muertos.
Una de las ventajas del control predictivo formulado en espacio de estados es que los
procesos multivariables pueden ser tratados facilmente, al ser el controlador extendible
al caso multivariable de forma directa.
3.2. Formulaci on del MPC en espacio de estados
La formulaci on del control predictivo se hace en base a la eleccion de un modelo,
como se vio anteriormente. Varios modelos pueden ser usados: modelos de convoluci on,
de funcion de transferencia o modelos en espacio de estados.
La formulaci on del MPC en el espacio de estados es una metodologa unicada
para entender y generalizar los algoritmos de MPC. Esta formulaci on permite hacer
un estudio sistematico de las propiedades de los sistemas en el lazo cerrado desde el
punto de vista del control optimo. Ademas, el MPC formulado en espacio de estados se
puede extender al caso no lineal. Basta con cambiar a modelos no lineales en espacio de
estados. En este trabajo, se presenta la formulaci on del control predictivo en espacio de
estados como se muestra en [Maciejowsky, 2002]. Ademas que esta formulaci on puede
ser usada tanto para problemas monovariables como multivariables.
Considere el sistema discreto sin perturbaciones ni errores de medicion:
x (k + 1) = Ax (k) + Bu (k) (3.1)
y (k) = Cx (k) (3.2)
donde x(k) es el vector de estados y en el caso monovariable y(k), u(k) R. Un pro-
ceso multivariable tiene la misma descripcion pero con u(k) R
m
y y(k) R
n
. Por
simplicidad en la notacion solo se considera el primer caso, la extension al caso MIMO
es directa.
Para predecir la evoluci on de los estados en los siguientes H
P
instantes de muestreo
3.2. Formulacion del MPC en espacio de estados. 33
(horizonte de prediccion), se considera el vector de estados completamente medible, por
lo que solo se necesita iterar sobre la ecuacion de estado (3.1):
x (k + 1|k) =Ax (k) + Bu(k|k) (3.3)
x (k + 2|k) =A x (k + 1|k) + Bu (k + 1|k) (3.4)
=A
2
x (k) + ABu (k|k) + Bu (k + 1|k) (3.5)
.
.
.
x (k + H
P
|k) =A x (k + H
P
1|k) + Bu(k + H
P
1|k) (3.6)
=A
H
P
x (k) + A
H
P
1
Bu(k|k) + . . . + Bu(k + H
P
1|k) (3.7)
En la primera lnea se utilizo u(k|k) en lugar de u(k), esto por que en el momento en
el que se necesite calcular las predicciones de los estados se desconoce cual sera la u(k).
Tambien se utilizara el concepto: horizonte de control H
C
, lo que signica que la
entrada solamente cambia en los tiempos: k, k + 1, ..., k + H
C
1. Por lo que se tiene
u(k + i|k) = u(k + H
C
1|k)
para
H
C
i H
P
1.
De igual forma se sabe que:
u (k + i|k) = u(k + i|k) u(k + i 1|k)
y para cada tiempo k se conoce u(k 1), por lo que:
u(k|k) =u(k|k) + u(k 1)
u(k + 1|k) =u(k + 1|k) + u (k|k) + u(k 1)
.
.
.
u (k + H
C
1|k) =u(k + H
C
1|k) + . . . + u (k|k) + u(k 1)
Y por lo tanto sustituyendo en la prediccion de estados:
x (k + 1|k) =Ax (k) + B [u (k|k) + u(k 1)]
x (k + 2|k) =A
2
x (k) + AB [u(k|k) + u(k 1)]
+ B [u(k + 1|k) + u(k|k) + u (k 1)]
. .
u(k+1|k)
=A
2
x (k) + (A + I) Bu (k|k) + Bu (k + 1|k)
+ (A + I) Bu (k 1)
.
.
.
x (k + H
C
|k) =A
H
C
x (k) +
_
A
H
C
1
+ . . . + A + I
_
Bu(k|k)
. . . + Bu (k + H
C
1|k) +
_
A
H
C
1
+ . . . + A + I
_
Bu(k 1)
x (k + H
C
+ 1|k) =A
H
C
+1
x (k) +
_
A
H
C
+ . . . + A + I
_
Bu(k|k)
. . . + (A + I)Bu(k + H
C
1|k)
+ (A
H
C
+ . . . + A + I)Bu(k 1)
.
.
.
x (k + H
P
|k) =A
H
P
x (k) +
_
A
H
P
1
+ . . . + A + I
_
Bu(k|k)
. . . +
_
A
H
P
H
C
+ . . . + A + I
_
Bu(k + H
C
1|k)
+
_
A
H
P
1
+ . . . + A + I
_
Bu(k 1)
Finalmente escribiendo de forma matricial:
_
_
x (k + 1|k)
.
.
.
x (k + H
C
|k)
x (k + H
C
+ 1|k)
.
.
.
x (k + H
P
|k)
_
_
=
_
_
A
.
.
.
A
H
C
A
H
C
+1
.
.
.
A
H
P
_
_
x (k) +
_
_
B
.
.
.
H
C
1
i=0
A
i
B
H
C
i=0
A
i
B
.
.
.
H
P1
i=0
A
i
B
_
_
u(k 1)
. .
Pasado
+
_
_
B 0
.
.
.
.
.
.
.
.
.
H
C
1
i=0
A
i
B
.
.
.
B
H
C
i=0
A
i
B AB + B
.
.
.
.
.
.
.
.
.
H
P
1
i=0
A
i
B

H
P
H
C
i=0
A
i
B
_
_
_
_
u(k|k)
.
.
.
u(k + H
C
1|k)
_
_
. .
Futuro
(3.8)
Por ultimo el calculo de las salidas predichas, estan dadas por:
y (k + 1|k) =C x (k + 1|k) (3.9)
y (k + 2|k) =C x (k + 2|k) (3.10)
.
.
.
y (k + H
P
|k) =C x (k + H
P
|k) (3.11)
De forma matricial:
_
_
y (k + 1|k)
y (k + 2|k)
.
.
.
y (k + H
P
|k)
_
_
=
_
_
C 0 0
0 C 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 C
_
_
_
_
x (k + 1|k)
x (k + 2|k)
.
.
.
x (k + H
P
|k)
_
_
(3.12)
3.2. Formulacion del MPC en espacio de estados. 35
Esta ecuacion de salida tambien se puede descomponer en una parte que dependa de
los estados actuales x(k) y la se nal de control anterior u(k 1), y otra que dependa de
los incrementos futuros de la se nal de control u(k +i|k). Combinando las ecuaciones
(3.8) y (3.12). Esto es:
y
H
P
= F
H
P
+G
H
PC
u
H
C
(3.13)
donde:
y
H
P
=
_
_
y (k + H
1
|k)
.
.
.
y (k + H
P
|k)
_
_
F
H
P
= x (k) + u(k 1)
=
_
_
CA
.
.
.
CA
H
C
CA
H
C
+1
.
.
.
CA
H
P
_
_
x (k) +
_
_
CB
.
.
.
H
C
1
i=0
CA
i
B
H
C
i=0
CA
i
B
.
.
.
H
P1
i=0
CA
i
B
_
_
u(k 1)
G
H
PC
=
_
_
CB 0
.
.
.
.
.
.
.
.
.
H
C
1
i=0
CA
i
B
.
.
.
CB
H
C
i=0
CA
i
B CAB + CB
.
.
.
.
.
.
.
.
.
H
P
1
i=0
CA
i
B

H
P
H
C
i=0
CA
i
B
_
_
u
H
C
=
_
_
u (k|k)
.
.
.
u(k + H
C
1|k)
_
_
La se nal de control optima se calcula minimizando una funcion de costo a lo largo
de un horizonte de prediccion. La formulaci on de la funcion de costo se puede hacer
de muchas maneras, pero generalmente se dene un ndice cuadratico. El objetivo es
minimizar el error entre la salida predicha y(k + i|k) y la trayectoria de referencia
w(k + i|k) durante un horizonte de prediccion. La formulaci on general de esta funcion
de costo se basa en la distancia entre la trayectoria de referencia futura y la salida
predicha del proceso y una penalizacion al esfuerzo de control:
J =
H
P
i=H
1
[w(k + i|k) y (k + i|k)]
2
+
H
C
i=1
[u (k + i 1|k)]
2
(3.14)
Donde:
H
1
y H
P
son los lmites en el horizonte de prediccion (se toma H
1
= 1).
H
C
es el horizonte de control.
es el factor de peso de los incrementos de se nal de control.
La trayectoria de referencia w(k +i|k), es la respuesta deseada en lazo cerrado del
sistema y tiene que ser considerado en la sintona del controlador. La construccion de
esta se nal esta basada en un modelo de referencia, el cual puede ser de cualquier orden;
esto depende de las necesidades del control de proceso. Cabe mencionar que a medida
que el orden sea mayor, el n umero de calculos aumentara.
Los criterios para determinar que modelo usar son: tiempo de respuesta, no sobrepa-
so, etc. Su naturaleza es generalmente diferente del modelo del proceso. Por facilidad
de calculo, el modelo que se utiliza es de primer orden, dejando abierta la opcion de
usar modelos de orden mayor:
w(k + i|k) = s (k + i|k)
i
[s (k) y (k)] 1 i H
P
(3.15)
Donde:
s(k) Es la se nal de salida del proceso deseada.
y(k) Es la salida actual del proceso.
Determina la suavidad de aproximacion de la se nal de salida actual a la
salida deseada, por lo general es una constante (0 1).
Deniendo:
w =
_
_
w(k + 1|k)
.
.
.
w(k + H
P
|k)
_
_
la funcion de costo (3.14) puede ser reescrita en terminos de (3.13) de la siguiente
manera:
J = (G
H
PC
u
H
C
+F
H
P
w)
T
(G
H
PC
u
H
C
+F
H
P
w) + u
T
H
C
u
H
C
(3.16)
Derivando esta expresion con respecto a u
H
C
e igualando a cero, podemos obtener
los incrementos optimos de la se nal de control a lo largo de H
C
:
J
u
H
C
= 0
3.3. Estimacion de estados. 37
(G
H
PC
u
opt
+F
H
P
w)
T
G
H
PC
+ u
T
opt
I = 0
Finalmente la expresion de los incrementos optimos en se nal de control esta dado
por:
u
opt
=
_
G
T
H
PC
G
H
PC
+ I
_
1
G
H
PC
(wF
H
P
) (3.17)
Como se usa una estrategia de control deslizante, solo se enva el primer elemento de la
secuencia u
opt
, y se vuelven a repetir los calculos en el siguiente perodo de muestreo.
Notese que en caso de no tener el vector de estados completamente medible, se requerira
de un observador.
La estructura de este controlador puede ser representado como se muestra en las
Figuras 3.1 y 3.2 donde se muestran los casos del vector de estados completamente
medible y con el uso del observador de estados respectivamente. El bloque K
MPC
esta denido por:
K
MPC
= [I 0 0 . . . 0] (G
T
H
PC
G
H
PC
+ I)
1
G
H
PC
Para el caso multivariable en donde se tiene una planta con m entradas, l estados
y n salidas controladas las dimensiones de las matrices y vectores involucrados en el
calculo de la ley de control se resumen en la Tabla 3.1.
3.3. Estimacion de estados
El algoritmo para obtener la se nal de control optima en cada tiempo de muestreo,
considera el vector de estados x(k) completamente medible. Dado que este no siempre
es el caso, se requiere en ocasiones estimar el estado
1
. Para este proposito, se utilizara el
ltro de Kalman:
x(k + 1) = A x(k) + Bu(k) + K(y(k) C x(k)) (3.18)
donde x es el estado estimado, y A, B y C las matrices del sistema, de entrada y salida
respectivamente. Si se asumen las matrices de covarianza de los estados (W) y del ruido
a la salida (V ) conocidos; la matriz de ganancia K puede ser obtenida resolviendo la
ecuacion algebraica de Riccati [
Astrom y Wittenmark, 1990]:

K = (B
T
SB + V )
1
B
T
SA
donde S satisfase la ecuacion:
A
T
SA S A
T
SB(B
T
SB + V )
1
B
T
SA + W = 0.
1
Estimar se rere al hecho de calcular el valor del estado en el tiempo actual, mientras que, predecir
es calcular como evolucionara el estado en instantes futuros.
Planta
Z
-1
Z - 1
Z
K
MPC
u(k)
u(k-1)
w(k) (k)
y(k) = x(k)
u(k|k)
Figura 3.1: Estructura del control MPC en espacio de estados.
Planta
Z
-1
Z - 1
Z
K
MPC
u(k)
u(k-1)
u(k|k) w(k) (k) y(k)
Observador
x(k|k) x(k|k)
~
Figura 3.2: Estructura del control MPC en espacio de estados con observador.
Tabla 3.1: Dimensiones de las matrices y vectores involucrados en el calculo de u(k)
Matriz Dimensiones
I mH
C
mH
C
n(H
P
H
1
+ 1) l
n(H
P
H
1
+ 1) m
G
H
PC
n(H
P
H
1
+ 1) mH
C
(wF
H
P
) n(H
P
H
1
+ 1) 1
(G
T
H
PC
G
H
PC
+ I) mH
C
mH
C
G
T
H
PC
(wF
H
P
) mH
C
1
3.4. Alternativas del vector de estados. 39
3.4. Alternativas del vector de estados
Como es usual, el modelo de la planta: ecuaciones (3.1) y (3.2), expresa a los
estados x de la planta en terminos de la entrada u, sin embargo la funcion de costo
(3.14) penaliza los incrementos de la se nal de control (u) en vez de los valores de la
se nal de control (u) por s mismos e incluso el controlador MPC calcula incrementos de
la se nal de control y no la se nal propiamente. Es por ello que en ocasiones es conveniente
redenir el vector de estados. Una manera de hacer esto es:
=
_
x(k)
u(k 1)
_
(3.19)
lo cual nos lleva a un modelo incremental de la planta:
_
x(k + 1)
u(k)
_
=
_
A B
0 I
_ _
x(k)
u(k 1)
_
+
_
B
I
_
u(k)
y(k) =
_
C 0
_
x(k + 1)
u(k)
_
Otra forma menos obvia de denir el estado es:
=
_
_
x(k)
y(k)
z(k)
_
_
(3.20)
donde x(k) = x(k) x(k 1), y(k) son las salidas del sistema y z(k) corresponde a
las salidas controladas, puesto que se considera que no todas las variables de salida son
variables controladas. De la ecuacion (3.1) tenemos:
x (k + 1) = Ax (k) + Bu (k)
x (k) = Ax (k 1) + Bu(k 1)
x (k + 1) = Ax (k) + Bu(k)
Por lo que tenemos la representaci on:
_
_
x(k + 1)
y(k + 1)
z(k + 1)
_
_
=
_
_
A 0 0
C
y
A I 0
C
z
A 0 I
_
_
_
_
x(k)
y(k)
z(k)
_
_
+
_
_
B
C
y
B
C
z
B
_
_
u(k)
y(k) =
_
0 I 0
0 0 I
_
_
_
x(k)
y(k)
z(k)
_
_
A partir de estas nuevas representaciones es posible hacer un procedimiento similar
que el presentado en la Seccion 3.2 y encontrar una nueva ley de control equivalente a
la que se muestra en la ecuacion (3.17). Ambas representaciones han sido utilizadas en
la literatura de MPC, la primera representacion (3.19) fue utilizada en la formulaci on
del PFC
2
[Richalet, 1992], mientras que la segunda representacion (3.20) fue propuesta
por [Morari y Ricker, 1998] y es la que actualmente utiliza el Model Predictive Control
Toolbox
de Matlab
.
3.5. Restricciones
En los puntos anteriores, el problema de control fue formulado considerando que
todas las se nales en el proceso tienen un rango ilimitado, sin embargo en la practica
todos los procesos estan sujetos a restricciones. Los actuadores tienen un campo limitado
de accion as como una determinada velocidad de cambio (slew rate), como es el caso
de las valvulas, limitadas por las posiciones de totalmente abierta o cerrada y por
la velocidad de su respuesta. Razones constructivas, de seguridad o medioambientales
o bien los propios alcances de los sensores pueden causar lmites en las variables de
proceso, tales como niveles en depositos, ujo en tuberas o temperaturas y presiones
maximas. Considere la Figura 3.3 donde se ilustra el punto de operacion usual de un
proceso cuando es controlado por una tecnica de control convencional (como lo pudiera
ser un PI). El proceso trabaja dentro de una region de confort para el operador. Esto
para evitar violar alguna de las restricciones marcadas para el proceso. Sin embargo,
el punto de operacion, no es el punto en donde se pueden obtener los maximos bene-
cios economicos, ya que este punto se ubica cerca de las restricciones. Para operar
en este punto sin peligro de violar alguna restriccion, el sistema de control, tiene que
anticiparse a las violaciones de las restricciones, y corregirlas de manera apropiada.
En la practica, la forma mas com un de manejar esto es calculando la se nal de
control u(k) sin tomar en cuenta las restricciones. Si u(k) viola la restriccion, se satura
a sus lmites, ya sea por el programa de control o por el mismo actuador. La capacidad
de predecir es una de las grandes ventajas del control predictivo y no se utiliza a todo
su potencial con esta manera de operar, ademas que no se garantiza que se obtendra la
se nal optima u(k) cuando se violen las restricciones.
Las restricciones de un proceso pueden originar, lmites en la se nal de control
(U
min
,U
max
), limites en el slew rate en el actuador (u
min
,u
max
) y lmites en las
se nales de salida (y
min
,y
max
), y pueden ser descritas respectivamente por:
U
min
u(k) U
max
u
min
u (k) u (k 1) u
max
y
min
y (k) y
max
(3.21)
2
PFC, por sus siglas en ingles: Control Predictivo Funcional. Ver pagina 25.
3.5. Restricciones. 41
Aperturas de las vlvulas
Presin
Flujos de lquidos
Niveles
Mximas temperaturas
Agua de
enfriamiento
Regin de confort
para el operador
ptimo econmico
Beneficios
obtenidos
Punto de
operacin usual
(No ptimo)
Regin
operativa
aceptable
Figura 3.3: Punto de control optimo en un proceso.
3.5.1. Restricciones en el control predictivo
Parece logico que al disponer de un modelo dinamico del proceso se pueda conocer
la evoluci on futura de su salida y por tanto se pueda saber si esta va a violar o no las
restricciones y poder actuar en consecuencia.
Para formular el algoritmo MPC con restricciones hay que expresar estas en funcion
de la variable sobre la que se puede actuar, es decir, en funcion de u. Las restricciones
en la entrada estan ya expresadas en funcion de u y para las restricciones en la salida
se hace uso de las ecuaciones de prediccion que expresan el valor futuro de las salidas
en funcion de las se nales de control futuras y valores conocidos en el instante k.
El controlador calcula la prediccion como lo expresa la ecuacion (3.13), por lo que
tanto entradas como salidas se pueden expresar en funcion del vector de incrementos
de la se nal de control, as para un proceso de m entradas, n salidas y restricciones en
los horizontes H
P
y H
C
, las restricciones de las inecuaciones (3.21) se pueden expresar
como:
1
m
U
min
Tu
H
C
+1
m
u(k 1) 1
m
U
max
1
m
u
min
u
H
C
1
m
u
max
1
n
y
min
F
H
P
+G
H
PC
u
H
C
1
n
y
max
(3.22)
donde 1
m
es una matriz de dimension (H
C
m)m formada por H
C
matrices identidad
de mm; 1
n
es una matriz de dimension (H
P
n)n formada por H
P
matrices identidad
de n n; y T es una matriz de dimension H
C
H
C
, con forma triangular inferior por
bloques cuyos elementos no nulos son matrices identidad de m m. Es decir:
1
m
=
_
_
I
mm
I
mm
.
.
.
I
mm
_
_
; 1
n
=
_
_
I
nn
I
nn
.
.
.
I
nn
_
_
; T =
_
_
I
mm
0 0
I
mm
I
mm
.
.
.
.
.
.
.
.
.
0
I
mm
I
mm
_
_
Las restricciones, en forma condensada se pueden expresar como:
Ru c (3.23)
siendo:
R =
_
_
I
H
C
H
C
I
H
C
H
C
T
T
G
H
PC
G
H
PC
_
_
; u = u
H
C
; c =
_
_
1
m
u
max
1
m
u
min
1
m
U
max
1
m
u(k 1)
1
m
U
min
+1
m
u(k 1)
1
n
y
max
F
H
P
1
n
y
min
+F
H
P
_
_
Aparte de las restricciones en amplitud, a la salida se le pueden aplicar otro tipo de
restricciones para forzar un determinado comportamiento temporal (movimiento dentro
de una banda, comportamiento monotono, evitar respuesta inicial inversa, etc.) como se
muestra en [Camacho, 2004], pudiendo expresarlas tambien de la forma generica (3.23).
3.5.2. Solucion del problema
Con la adicion de restricciones el problema general de control predictivo cambia.
Se puede formular ahora como:
min
u
J(u) = min
u
1
2
u
T
Hu +f
T
u +b (3.24)
sujeto a Ru c (3.25)
con:
H = 2
_
G
T
H
PC
G
H
PC
+ I
_
f
T
= 2 (F
H
P
w)
T
G
H
PC
b = (F
H
P
w)
T
(F
H
P
w)
Por lo que la solucion se convierte en un problema de optimizacion con una funcion
objetivo cuadratica y restricciones lineales, es decir se requiere la solucion de un proble-
ma de programacion cuadratica (QP). Como se sabe que el Hessiano
3
de J(u) es una
3
El Hessiano o discriminante de una funcion es la doble derivada de dicha funcion.
matriz denida positiva (H > 0), este problema es convexo, tiene solucion y existen
metodos sucientemente probados, como lo es el metodo de conjuntos activos que se
describe a continuaci on.
Conjuntos activos
El metodo de solucion utilizado para la resolucion del problema de programacion
cuadratica en esta tesis es un metodo iterativo de optimizacion llamado: conjuntos
activos [Fletcher, 1980].
En esta seccion se considerara el problema general de programacion cuadratica
4
:
min
J() = min
1
2
T
+
T
( =
T
0) (3.26)
sujeto a H = h (3.27)
(3.28)
Como resultado de que el problema es convexo ( =
T
0) las condiciones
necesarias y sucientes para que sea el optimo global, estan dadas por las condiciones
de Karush-Kun-Tucker: deben existir vectores (multiplicadores Lagrangianos) 0 y
, as como un vector 0, tal que
+ H
T
+
T
= (3.29)
H = h (3.30)
= w (3.31)
T
= 0 (3.32)
El metodo de conjuntos activos asume un punto inicial en la variable de decision
que cumpla con las restricciones. Para tal solucion, las restricciones de igualdad (3.27)
por supuesto se cumplen y un subconjunto de restricciones de desigualdad (3.28) estan
activas
5
. Este subconjunto de restricciones se llama conjunto activo. Es posible que
este subconjunto este vaco si ninguna de las restricciones se encuentra activa en el
punto factible. Se usa el sujo a para denotar las las de (3.28) que se encuentran en
el conjunto activo, por lo que
a
=
a
Suponga que en la r-esima iteracion se tiene una solucion factible
r
. El metodo de
conjunto activo encuentra una posible solucion en
r
+ la cual minimiza la funcion de
4
Note que este problema es el mismo problema que el presentado en las ecuaciones (3.24) y (3.25).
Solamente se cambian las variables (u = , H = , f
T
= , R = , c = w) y se aumenta una restriccion
de igualdad (3.27) para tratar el problema general de programacion cuadratica.
5
La restriccion esta activa si la posible solucion se encuentra en la restriccion.
costo (3.26) que cumple con las restricciones de igualdad H = h y
a
=
a
, sin tomar
en cuenta las restricciones de desigualdad que no estan activas. Si la solucion es factible,
esto es si (
r
+) , entonces se acepta la siguiente iteracion
r+1
=
r
+. Si no
es factible, entonces se hace una b usqueda en la direccion de para encontrar donde
se perdio la factibilidad (donde alguna restriccion se volvio activa). La solucion en este
punto se acepta como la siguiente iteracion
r+1
=
r
+
r
, donde 0
r
1, y una
nueva restriccion activa se suma al conjunto activo.
Solamente falta saber cuando se tiene una solucion global del problema de progra-
macion o cuando se puede tener otra respuesta que reduzca J(). Esta decision puede ser
tomada vericando si las condiciones de Karush-Kun-Tucker (3.29)-(3.32) se cumplen
en
r+1
. Note que la condicion complementaria (3.32) implica que los elementos de
correspondientes a las restricciones inactivas son cero, ya que los elementos de son
positivos. As, solo los elementos de correspondientes a las restricciones activas nece-
sitan ser evaluados; si 0 la solucion global ha sido encontrada, si no, se requiere
de otra iteracion. Suponga que
q
< 0. Ya que
q
es un multiplicador Lagrangiano co-
rrespondiente a la q-esima restriccion de desigualdad activa (por suposicion), su valor
negativo indica que la funcion de costo puede ser reducida haciendo esta restriccion
inactiva, por lo que la q-esima restriccion se remueve del conjunto activo (si mas de un
elemento de es negativo, entonces solamente se remueve la correspondiente restriccion
mas negativa).
Notese que J(
r+1
) < J(
r
) por lo que el proceso de iteracion garantiza llegar
al optimo global, debido a la convexidad del problema. Una ventaja del metodo de
conjuntos activos sobre otros metodos de solucion en el control predictivo es que las
iteraciones permanecen factibles una vez que la solucion factible inicial se haya encon-
trado. En muchos problemas de control predictivo la factibilidad es mas importante que
el hecho que la solucion sea optima.
Ahora se considera con mas detalle la minimizacion de la funcion de costo en la
r-esima iteracion. La nueva funcion de costo es
J (
r
+ ) =
1
2
(
r
+ )
T
(
r
+ ) +
T
(
r
+ ) (3.33)
= J(
r
) +
1
2
T
+ (
T
+
T
r
) (3.34)
Por lo que el problema de minimizacion a resolver se puede escribir como
min
J() = min
1
2
T
+
T
r
(3.35)
sujeto a H = 0 (3.36)
a
= 0 (3.37)
donde
r
= +
r
. Este es un problema convexo de programacion cuadratica pero
ahora solamente con restricciones lineales. Se resuelve mediante el metodo de multi-
plicadores Lagrangianos esto es, usando las condiciones de Karush-Kun-Tucker
pero como solo hay restricciones lineales unicamente se necesitan (3.29) y (3.30). Sin
embargo es conveniente separar el vector en aquellas restricciones correspondientes
a H = 0 y a las correspondientes a
a
= 0. A las que se llamaran y
respectivamente. Por lo que las condiciones Karush-Kun-Tucker son que deben existir
vectores y tal que
+ H
T
+
T
a
=
r
(3.38)
H = 0 (3.39)
a
= 0 (3.40)
Las cuales se pueden poner de forma matricial
_
_
H
T
T
a
H 0 0
a
0 0
_
_
_
_
_
_
=
_
_
r
0
0
_
_
y puede ser resuelta por una versi on de la eliminacion Gausiana, la cual involucra la
factorizacion de la matriz del lado izquierdo en el producto de una matriz triangular
inferior L y una matriz triangular superior U:
_
_
H
T
T
a
H 0 0
a
0 0
_
_
= LU
Obteniendose la factorizacion, la solucion de la minimizacion de J () se obtiene rapi-
damente ya que se requiere la solucion (para ) de
L =
_
_
r
0
0
_
_
seguido por la solucion de
U
_
_
_
_
=
obteniendose el valor buscado de .
Punto inicial factible
Para iniciar el algoritmo se requiere un punto inicial que cumpla con la restric-
ciones (3.27) y (3.28), claro, este punto no es unico. El punto es facilmente encontrado
haciendolo igual a la ultima se nal de control aplicada al proceso u(k + i) = u(k 1),
suponiendo de que u(k 1) se encuentre en una region permitida. Sin embargo, este
no es un buen punto inicial sobre todo si la salida deseada cambia en el instante k, y
puede verse reejado en la eciencia del algoritmo.
Si se encuentran presentes restricciones complejas, como lo pueden ser las restric-
ciones de salida, el punto inicial no puede calcularse utilizando la ultima se nal de control.
Una manera de encontrar este punto es usando el siguiente algoritmo [Camacho, 2004]:
1. Proponer cualquier punto inicial u
0
.
2. Calcular r = Ru
0
c.
3. Si r 0 ALTO, el punto es factible.
4. r
max
= max(r).
5. Resuelva el problema aumentado de optimizacion usando conjuntos activos
min
u
J(u) = min
u
[0 0 . . . 0 1] u
sujeto a Ru c
con:
u =
_
u
z
_
, R =
_
R
1
_
y el punto inicial
u =
_
u
0
r
max
_
Este punto inicial es factible para este problema.
6. Si J( u
opt
) 0 se ha encontrado una solucion inicial para el problema original
(3.24), de otra manera, el problema original no es factible.
3.5.3. Gestion de restricciones
Durante la etapa de optimizacion pueden aparecer problemas de no existencia de
una solucion optima para un conjunto restricciones dadas. La factibilidad de un pro-
blema de optimizacion signica que la funcion objetivo esta acotada y que todas las
restricciones se cumplen.
El problema de la falta de solucion puede ser debido a cambios en referencias que
hagan incompatibles las restricciones (se quiera llevar alguna variable a un punto que es
imposible de alcanzar con una entrada que este acotada). Restricciones que no causan
problemas en operacion normal pueden producir problemas bajo ciertas circunstancias.
3.6. Pruebas realizadas al controlador. 47
Puede que una perturbacion o cambio de referencia grande force a una variable fuera
de su lmite y sea imposible introducirla de nuevo en su zona permitida con se nales
de control de energa limitada. En estos casos las restricciones se hacen temporalmente
incompatibles.
Las posibles soluciones para este problema, son [Camacho, 2001]:
1. Desconexion del controlador. Consiste en la posicion manual cuando aparecen
las incompatibilidades de restricciones y volver a operacion automatica cuando se
recupera la admisibilidad de la solucion. Este metodo tiene la seria desventaja de
depender de la habilidad del operador para llevar al proceso de vuelta a la region
permitida de operacion.
2. Eliminacion de restricciones. La factibilidad se analiza en cada perodo de muestreo,
por lo que la eliminacion de restricciones se realiza de forma temporal. La elimi-
nacion de un grupo de restricciones ha de realizarse en aquellos casos en que el
conjunto completo de restricciones que se imponen sobre el sistema sea incom-
patible. Cada vez que existe un problema de incompatibilidad de restricciones, se
forma un conjunto de restricciones no admisibles que no se tienen en cuenta en el
proceso de optimizacion.
3. Relajacion de restricciones. Se puede hacer una relajacion de los lmites de forma
temporal o convertir restricciones duras (Ru c), cambi andolas en restricciones
blandas (Ru c + , con 0). Esto para asegurar la existencia de solucion. Se
a nade un termino
T
a la funcion de costo de forma que se penalice la violacion
de la restriccion y as obtener un mejor comportamiento del sistema controlado.
A largo plazo, el termino de penalizacion en la funcion objetivo llevar a al proceso
de vuelta a la region permitida de operacion.
3.6. Pruebas realizadas al controlador
El controlador MPC propuesto en la Secciones 3.2 a 3.5 fue programado en una
funcion S discreta. Una funcion S es la descripcion mediante lneas de codigo de un
bloque de Simulink
y utilizan una sintaxis especial para interactuar con los algoritmos

internos de Simulink
para solucionar los diversos tipos ecuaciones y otras funciones

propias de Matlab
.
El programa se resume en el diagrama de ujo de la Figura 3.4 que se ejecuta
en cada instante de muestreo. Donde con ayuda del modelo del proceso formulado en
espacio de estados (parametros A, B, C, D) se predice la evoluci on futura de la salida y
con la ecuacion (3.13). Al mismo tiempo se genera una trayectoria de referencia w con
la ecuacion (3.15), para tener una suave aproximacion al punto de ajuste (set point).
y y w se sustituyen en la funcion de costo (3.16) y nalmente, si existen restricciones
A, B, C, D
Fin(u)
Generacin
de predicciones
(Ec. 3.13)
Inicio
Modelo
Interno
(Ecs. 3.1, 3.2)
Generacin
de trayectoria
interna
(Ec. 3.15)
Optimizacin
(Ec. 3.17/conjuntos activos)
Funcin
objetivo
(Ec. 3.24/3.25)
x, y, u, v
y
^
u(k)
w
, y
Figura 3.4: Diagrama de ujo del controlador.
se resuelve el problema de optimizacion con el metodo de conjuntos activos, si no, se
utiliza la solucion explcita (3.17).
Se presentan a continuaci on algunas pruebas realizadas con el controlador pre-
dictivo con el objetivo de mostrar mediante simulaciones de que manera afectan los
parametros de sintona del controlador y a la respuesta en lazo cerrado; el hecho de
que el modelo de prediccion sea diferente del modelo real del proceso; la incorporacion
de restricciones al problema de control; y la extension al caso multivariable.
3.6.1. Caso 1: Control monovariable
Considere un calentador de agua donde la temperatura de salida depende de la
energa suministrada al agua a traves de un quemador, vea la Figura 3.5. Entonces la
temperatura y(z) puede ser controlada a traves de la valvula u(z) que manipula el ujo
de gas que alimenta al quemador. La funcion de transferencia que describe al sistema
es [Camacho, 2001]:
G(z) =
y(z)
u(z)
=
0.16278
z
3
0.8351z
2
(3.41)
con un tiempo de muestreo de 1 minuto.
Agua caliente Agua fra
Vlvula de
control
Gas
Figura 3.5: Calentador de agua.
El sistema puede ser descrito en espacio de estados como:
x (k + 1) =
_
_
0.8351 0 0
1 0 0
0 1 0
_
_
x (k) +
_
_
1
0
0
_
_
u(k)
y (k) =
_
0 0 0.16278
x (k)
La eleccion de los horizontes de prediccion y de control se hacen con base en las
constantes de tiempo del sistema y el tiempo de muestreo. La respuesta al escalon
(unitario) de G(z) se muestra en la Figura 3.6, donde se aprecia que la constante de
tiempo del sistema es de alrededor de 10 min. Se escoge un horizonte de prediccion
igual a la constante de tiempo del sistema. Ya que el tiempo de muestreo es de 1 min,
H
P
= 10. El horizonte de control se escoge menor al horizonte de prediccion, H
C
= 5.
Con lo que obtenemos las respuestas del sistema mostradas en la Figura 3.7.
Los parametros y son los correspondientes a las ecuaciones (3.14) y (3.15)
respectivamente. Se observa que a medida que el factor de peso de la se nal de control
decrece, se tienen cambios en la se nal de control mas grandes, y a medida de que el
parametro de ajuste de la trayectoria de referencia aumenta, la convergencia de la
salida con la salida deseada es mas suave.
0 5 10 15 20 25 30
0
0.5
1
1.5
2
Respuesta al escaln
Tiempo (min)

T
e
m
p
e
r
a
t
u
r
a

(
o
C
)
Figura 3.6: Respuesta al escalon del calentador de agua.
0 5 10 15
0
20
40
60
80
Tiempo (min)

T
e
m
p

(
o
C
)
Salida
Set point
=1 =0.7
=1 =0
=0.5 =0.7
0 5 10 15
0
20
40
60
80
100
120
140
Tiempo (min)

A
p
e
r
t
u
r
a

d
e

l
a

v
l
v
u
l
a

(
%
)
Entrada
Figura 3.7: Caso 1. Respuesta a diferentes valores de y .
3.6.2. Caso 2: Modelo de prediccion diferente a la planta
El caso anterior, es el caso mas sencillo puesto que se tiene un modelo de prediccion
identico al modelo real de la planta, esto implica que se tiene un modelado perfecto.
Sin embargo, en la practica es imposible tener un modelo que logre representar la
dinamica de la planta al cien por ciento. Por ello, en este caso se plantea un modelo de
prediccion diferente al modelo real. El modelo de prediccion sera ahora la funcion de
transferencia discreta muestreada a 1 min:
G(z) =
0.18
z
3
0.8351z
2
(3.42)
Note que ahora el modelo de la planta (3.41) diere del modelo utilizado para la
prediccion (3.42) por una ligera variaci on en el numerador, que pudiera corresponder a
una variaci on en el ujo de agua fra (ver Figura 3.5). Para este caso, la respuesta en
lazo cerrado no va a ser la que se quiere lograr debido a que no se predice la salida del
calentador correctamente. Se puede corregir este problema introduciendo a la prediccion
un termino de correccion que consiste en la diferencia entre la salida actual de la planta y
la salida del predictor para posteriormente introducirla al calculo de la se nal de control.
y
P
(k + i + 1|k) = y
M
(k + i + 1|k) + [y
S
(k) y
M
(k|k)] (3.43)
Donde y
M
(k|k) es la primera prediccion con el modelo en el tiempo de muestreo k;
y
P
(k + i|k) es la i-esima prediccion corregida en el tiempo de muestreo k; y
S
(k) es
la salida del sistema en el tiempo de muestreo k. Esta nueva prediccion y
P
se conoce
tambien como prediccion en lazo cerrado.
Se observa en la Figura 3.8, la comparacion del control del calentador de agua
(3.41) con un modelo de prediccion diferente al modelo de la planta (3.42). En el primer
controlador no se toma en cuenta esta variacion, por lo que la respuesta en lazo cerrado
de la planta no converge a la salida deseada; mientras que en el segundo controlador se
toma en consideracion la diferencia que existe entre el modelo de prediccion y la planta
mediante (3.43). En donde se puede apreciar, que haciendo uso de la prediccion en lazo
cerrado se puede llegar a la salida deseada, a pesar de la diferencia del modelo. Los
parametros de sintona de ambos controladores son H
P
= 10, H
C
= 5, = 1 y = 0.7.
0 2 4 6 8 10 12 14 16 18 20
0
10
20
30
40
50
60
70
Tiempo (min)

T
e
m
p

(
o
C
)
Salida
Set point
Controlador 1
Controlador 2
0 2 4 6 8 10 12 14 16 18 20
0
20
40
60
80
100

A
p
e
r
t
u
r
a

d
e

l
a

v
l
v
u
l
a

(
%
)
Tiempo (min)
Entrada
Figura 3.8: Caso 2. Modelo diferente de la planta.
3.6.3. Caso 3: Restricciones
En la Figura 3.7, se aprecia que todas las se nales de control aplicadas demandan
que la valvula supere el 100 % de apertura. Desde un punto de vista practico esto no
es posible, por lo que en este caso se introduce una restriccion a la se nal de control:
0 u(t) 100
En la Figura 3.9 se aprecia la comparacion del control del calentador de agua (3.41)
cuando se tiene en cuenta la restriccion en la se nal de control. En el primer controlador
se hace el calculo de la se nal de control como fue calculada en la Seccion 3.2 y si u(k)
viola la restriccion se satura a sus lmites. Para el segundo controlador se toma en cuenta
la restriccion en la optimizacion y la se nal de control u(k) se calcula con el metodo de
conjuntos activos. Ambos controladores fueron sintonizados con los mismos parametros
(H
P
= 10, H
C
= 5, = 1, = 0.7).
Se dice que la familia de controladores predictivos son un tipo de control optimo
porque optimiza el proceso tomando en cuenta alg un criterio (el error en este caso) y
esto se puede comprobar sacando el area bajo la curva de las se nales de control aplicadas
0 5 10 15 20 25 30
0
10
20
30
40
50
60
70
Tiempo (min)

T
e
m
p

(
o
C
)
Salida
Controlador 1
Controlador 2
Setpoint
0 5 10 15 20 25 30
0
20
40
60
80
100
Tiempo (min)

A
p
e
r
t
u
r
a

d
e

l
a

v
l
v
u
l
a

(
%
)
Entrada
Figura 3.9: Caso 3. Restricciones en el controlador.
al proceso que son proporcionales al gas suministrado al quemador. En el caso cuando
se consideran las restricciones en el calculo de la se nal de control, el area bajo la curva
es menor (5, 682.1 < 5, 705.8) y la se nal controlada se estabiliza antes que cuando no se
toman en cuenta las restricciones del proceso, pues el controlador logra anticiparse a
la violacion de las restricciones.
3.6.4. Caso 4: Control multivariable
Finalmente se tiene como ultimo caso, un sistema multivariable. Como se ha men-
cionado, la extension de la formulaci on del caso monovariable al caso multivariable del
controlador predictivo es directa.
Considere el proceso mostrado en la Figura 3.10, el proceso consiste en cuatro
tanques, organizados en parejas (derecha e izquierda), donde el agua de los tanques de
arriba uye hacia los tanques de abajo. Se utilizan dos bombas para alimentar a los
tanques. Cada una bombea agua a un tanque superior y uno inferior de lados opuestos,
con una valvula de tres vas se regula el ujo de agua hacia cada tanque. Las variables
de control son los voltajes de las bombas que van de 0 a 10 V.
Tanque
3
Tanque
4
Tanque
1
Tanque
2
Bomba 2
u
2
Bomba 1
u
1
Figura 3.10: Sistema de cuatro tanques.
Los estados del sistema son los niveles de agua en cada tanque (expresados en cm)
x
1
, x
2
, x
3
y x
4
respectivamente, siendo el maximo nivel de cada tanque 19.8 cm. La
dinamica del sistema esta dada por [Johanson, 2006]:
dx(t)
dt
=
_
1
T
1
0
A
4
A
1
T
3
0
0
1
T
2
0
A
4
A
2
T
4
0 0
1
T
3
0
0 0 0
1
T
4
_
_
x(t) +
_
1
k
1
A
1
0
0
2
k
2
A
2
0
(1
2
)k
2
A
3
(1
1
)k
1
A
4
0
_
_
u(t)
y(t) =
_
1 0 0 0
0 1 0 0
_
x(t)
donde:
T
i
=
A
i
a
i
2x
0
i
g
Los parametros del sistema se presentan en la Tabla 3.2. Los valores escogidos para
las aperturas de las valvulas hacen que el sistema sea de fase no mnima
6
, los polos se
encuentran en -0.0196, -0.0090, -0.0270 y en -0.0133; mientras que los ceros en -0.0654 y
0.0251. El objetivo de control es mantener los niveles de los tanques inferiores de forma
independiente y sin que el agua sobrepase la capacidad de los tanques.
Tabla 3.2: Valores de los parametros del sistema de cuatro tanques.
Parametros Valor Unidad Descripcion
A
1
, A
2
28 cm
2

Area transversal de los tanques 1 y 2.
A
1
, A
2
32 cm
2

Area transversal de los tanques 3 y 4.
a
1
, a
2
0.071 cm
2

Area transversal de los oricios de los
tanques 1 y 2.
a
3
, a
4
0.057 cm
2

Area transversal de los oricios de los
tanques 3 y 4.
k
1
, k
2
3.33, 3.35 cm
3
/V s Relacion de ujo/voltaje de las bombas.
1
,
2
0.25, 0.35 Apertura de las valvulas.
g 981 cm/s
2
Gravedad.
x
0
1
, x
0
2
, x
0
3
, x
0
4
8.2,19.1,4.3,8.8 cm Punto de linealizacion.
6
Un sistema de fase mnima es un sistema dinamico que tiene todos sus ceros en la region de
estabilidad (semiplano izquierdo para sistema continuos e interior del crculo unitario para sistemas de
tiempo discreto). Si no se cumple dicha condicion se dice que el sistema es de fase no mnima.
Los valores de restricciones introducidos al controlador son las que marca el sistema,
19.8 cm de nivel maximo para los tanques (salidas) y el rango de operacion de la bomba
(se nal de control 0-10 V).
La eleccion de los horizontes de control y prediccion, fueron escogidos en base a
las constantes de tiempo del sistema (como en el primer caso). Horizontes muy cortos
pueden causar inestabilidad. Sin embargo, tampoco deben de ser escogidos muy grandes
ya que las operaciones se haran mas complejas. El horizonte de prediccion es de 30 y
el de control es de 10. El tiempo de muestreo es de 3 segundos. Los valores de y
son 0.1 y 0.7 respectivamente.
Como no todos los estados son medibles (x
3
y x
4
no son medibles), se debe de usar
un observador, que en este caso es el ltro de Kalman de la Seccion 3.3, para estimar los
estados. La matriz de covarianza de los estados W es una matriz identidad y la matriz
de covarianza ruido a la salida V es una matriz diagonal cuyos elementos no nulos son
0.01.
0 10 20 30 40
0
5
10
15
Tiempo (min)
N
i
v
e
l

d
e
l

t
a
n
q
u
e

1

(
c
m
)
Nivel
0 10 20 30 40
0
5
10
Tiempo (min)
N
i
v
e
l

d
e
l

t
a
n
q
u
e

2

(
c
m
)
Nivel
0 10 20 30 40
5
10
15
Tiempo (min)
N
i
v
e
l

d
e
l

t
a
n
q
u
e

3

(
c
m
)
Nivel
Setpoint
0 10 20 30 40
12
14
16
18
20
Tiempo (min)
N
i
v
e
l

d
e
l

t
a
n
q
u
e

4

(
c
m
)
Nivel
Setpoint
0 10 20 30 40
0
2
4
6
8
Tiempo (min)
S
e
a
l

a

l
a

b
o
m
b
a

1

(
V
o
l
t
s
)
Voltaje
0 10 20 30 40
0
2
4
6
8
Tiempo (min)
S
e
a
l

a

l
a

b
o
m
b
a

2

(
V
o
l
t
s
)
Voltaje
Figura 3.11: Caso 4. Respuesta del sistema.
Los resultados del control se muestran en la Figura 3.11. Como se logra apreciar
en la simulaci on, el nivel inicial del segundo tanque se encuentra cerca de la restriccion.
La combinacion de un sistema de fase no mnima, multivariable, y operando cerca de
las restricciones, constituye un gran reto de control.
3.7. Conclusiones
En este captulo se present o la formulaci on del control predictivo propuesto es esta
tesis para resolver los problemas de control. El modelo de prediccion es un modelo
en espacio de estados por la facilidad para la extension al caso multivariable. Para
la funcion de costo, se elige una funcion que minimiza los errores al cuadrado entre
la salida predicha (3.13) y una trayectoria de referencia (3.15); esta funcion de costo
(3.16) tambien penaliza los esfuerzos de control. La obtencion de la se nal de control se
puede dividir en 2 casos:
1. Cuando no se toman en cuenta las restricciones del proceso. Entonces, la solucion
a la minimizacion se puede hallar de manera explcita (3.17).
2. Cuando se toman en cuenta las restricciones. Para poder obtener la se nal de control
se requiere de un metodo iterativo de optimizacion. Este metodo se presenta en la
Seccion 3.5.
Por ultimo, se programa el algoritmo de control para realizar algunas pruebas de
su funcionamiento. Para los cuatro casos presentados se observa un buen desempe no
del controlador, inclusive, cuando el modelo de prediccion diere del modelo real del
proceso controlado o cuando el proceso es multivariable, de fase no mnima y opera
cerca de las restricciones.
Captulo 4
Modelado matematico de una
columna de destilacion binaria
El objetivo principal de este captulo es presentar el modelo dinamico de la colum-
na de destilacion binaria que sera utilizada para las pruebas nales del controlador
predictivo expuesto en el Captulo 3.
En la Seccion 4.1 hace una peque na rese na historica del estudio de las columnas de
destilacion. En la Seccion 4.2 se enumeran las suposiciones hechas para la formulacion
del modelo. En la Seccion 4.3 se describe la relacion de equilibrio que existe entre las
fases lquida y de vapor correspondiente a la mezcla binaria. Las Secciones 4.4 y 4.5
tratan el calculo de los ujos molares, masas molares y los parametros fsicos de la
mezcla en la etapa de alimentaci on. En la Secciones 4.6 y 4.7 se describen los balances
de materia y energa mediante ecuaciones diferenciales. La Seccion 4.8 contiene la des-
cripcion de la planta piloto donde se realizan pruebas experimentales y la validaci on de
modelo obtenido. Por ultimo, en la Seccion 4.9 se dan las conclusiones del captulo.
4.1. Perspectiva historica
En 1832, Coey fue uno de los primeros en fabricar alambiques comerciales o desti-
ladores para la produccion de alcohol utilizando solamente sus principios fundamentales.
Fue hasta 1893 que Sorel, Rayleigh y Lewis empezaron con el estudio sistematico de
las columnas de destilacion. Estos primeros estudios se resolvieron manualmente por
medio de algoritmos cortos y soluciones gracas.
Con la introduccion de la computadora digital y el desarrollo del control en las
cuatro ultimas decadas se han realizado estudios mas profundos sobre la dinamica de
sistemas de destilacion. Uno de los primeros en formalizar un algoritmo matematico
en una computadora fue Peiser en 1962. Otros estudios importantes fueron los de
57
58 Captulo 4. Modelado matematico de una columna de destilacion binaria.
[Rosenbrock, 1960], [Rademarker et al., 1975]. Estas personas se consideran los pioneros
en la investigacion del modelado dinamico, estabilidad, algoritmos de control y posibles
soluciones del proceso de destilacion.
En la decada de los setenta [Rademarker et al., 1975] escribio un artculo sobre la
dinamica y control de columnas de destilacion donde presenta un excelente material
describiendo los balances de masa y de energa para cada plato o etapa.
En la decada de los ochenta [Tolliver y Waggoner, 1980] presentaron una clasi-
cacion de las investigaciones existentes dependiendo del tipo de control: clasico o
moderno. Se presento un estudio similar en [McAvoy y Wang, 1986].
En la decada de los noventa [Luyben, 1992] present o un libro sobre el modelado
y control del proceso de destilacion haciendo comentarios importantes en su imple-
mentacion por la gran experiencia que tena en el proceso. [Skogestad, 1997] present o una
recopilacion de la literatura existente, comentando la importancia de trabajar con mo-
delos complejos y validados para la obtencion de resultados ecientes.
Las investigaciones mas recientes estan basadas en el dise no y mejoras de los al-
goritmos de control y optimizacion inteligente. Y existen en la actualidad diferentes
modelos basandose en diferentes teoras e hipotesis sobre la relacion de equilibrio que
debe existir entre las dos fases existentes.
4.2. Hipotesis sobre el modelo
El modelo dinamico de una columna de destilacion consiste en un conjunto de ecua-
ciones diferenciales derivadas de balances de masa y energa en cada plato de la columna,
y un conjunto de ecuaciones algebraicas utilizadas para describir las propiedades fsicas
y termodinamicas.
Considerense las siguientes hipotesis de trabajo:
H1 La mezcla es binaria e ideal.
H2 La pureza de los componentes se considera del 100 %.
H3 La presion es constante a lo largo de la columna.
H4 La masa molar de vapor es insignicante comparada con la masa molar lquida.
H5 La masa volumetrica y la masa molar lquida retenidas en cada etapa son cons-
tantes.
H6 El condensador es total, por lo que la composicion del vapor que abandona la
columna por la cabeza sera la misma que la corriente de reujo y destilado.
H7 No hay perdidas de calor, la columna es adiabatica.
4.3. Relacion de equilibrio. 59
4.3. Relacion de equilibrio
Denicion 1. Equilibrio lquido-vapor. Si un vapor y un lquido estan en ntimo con-
tacto por un largo periodo de tiempo se alcanza el equilibrio entre las dos fases. Esto
signica que no ocurre ning un ujo de calor, ni de masa ni de momentum entre las dos
fases.
La relacion de equilibrio entre las fases lquida y de vapor se representa por una
constante K
ci
. De esta relacion dependen los calculos de las concentraciones molares
lquidas y de vapor si se consideran como grados de libertad a la temperatura y a la
presion total del proceso [Poling et al., 2001]. En general la constante de equilibrio se
dene como:
K
ci
=
y
equ
ci
x
equ
ci
=

ci
f
0
ci
ci
P
T
(4.1)
donde:
y
equ
ci
Fraccion molar de vapor del componente c en equilibrio.
x
equ
ci
Fraccion molar lquida del componente c en equilibrio.
ci
Coeciente de actividad.
f
0
ci
Fugacidad del lquido en un estado de referencia.
ci
Coeciente de fugacidad.
P
T
Presion total del proceso.
Es preciso conocer las propiedades termodinamicas de la mezcla para calcular esta
constante de equilibrio. Las mezclas se clasican, de acuerdo a sus propiedades ter-
modinamicas en: ideales y no ideales.
4.3.1. Mezcla ideal
Una mezcla se considera ideal cuando cumple con las siguientes leyes:
Ley de Raoult. Establece que la presion de vapor de un componente de una
mezcla P
vap
ci
es proporcional a la fraccion molar lquida de dicho componente
x
ci
y a la presion de vapor del componente puro P
ci
:
P
vap
ci
= P
ci
x
ci
Ley de Dalton. Establece que la presion parcial de un componente en una
mezcla de gases P
g
ci
es proporcional a la fraccion molar de dicho componente
y
ci
y a la presion total del sistema P
T
:
P
g
ci
= P
T
y
ci
Cuando el gas esta en equilibrio con el lquido, las presiones P
vap
ci
y P
g
ci
deben ser
iguales pues hacen referencia al mismo valor (la presion del componente c como gas),
de modo que igualando ambos valores se obtiene:
K
ci
=
y
ci
x
ci
=
P
ci
P
T
(4.2)
Estrictamente, no existen mezclas ideales, sin embargo, bajo ciertas condiciones
se pueden considerar como tales. Muchas operaciones de separacion se realizan a baja
presion o en un vaco parcial donde las leyes de las mezclas ideales son validas, en estas
condiciones tanto
ci
como
ci
en la ecuacion (4.1) son iguales a uno. Ademas, a bajas
presiones f
0
ci
tiende a la presion de vapor del componente, y entonces resulta que el
calculo de la constante de equilibrio para este caso, es equivalente a calcular la K
ci
de
una mezcla ideal. El calculo de la presion de vapor de un componente P
ci
se puede
realizar con la ecuacion de Antoine:
log P
ci
= A
c

B
c
T
i
+ C
c
4.3.2. Mezcla no ideal
La no idealidad de los sistemas lquido-vapor se presenta por diversas causas. La
causa mas frecuente de no idealidad de la mezcla es la no idealidad de la fase lquida,
es decir, cuando no se cumple la ley de Raoult. Si la presion del sistema es alta, ademas
existira no idealidad de la fase vapor, es decir, que no se cumple con la ley de Dalton.
En consecuencia, se deberan usar modelos especialmente dise nados para representar
sistemas no ideales cuando: la presion es elevada o la fase lquida es no ideal.
4.3.3. Eciencias de Murphree
Las fracciones molares en cada plato pueden calcularse a partir de la relacion de
equilibrio, pero existen limitaciones como el propio dise no de los platos que afectan
la transferencia de masa e impiden al vapor saliente estar en equilibrio preciso con el
lquido en cada plato. Para reforzar el concepto de equilibrio y pasar de platos ideales
a platos reales, se utiliza la eciencia de Murphree, que esta denida en la seccion de
empobrecimiento (enriquecimiento), como la variaci on de la fraccion de vapor (lquido)
al pasar de un plato al siguiente, dividida por la variaci on que tendra lugar si el vapor
(lquido) que sale estuviese en equilibrio con el lquido (vapor) que sale.
La eciencia de Murphree para la seccion de empobrecimiento es:
E
ci
=
y
ci
y
ci+1
y
equ
ci
y
ci+1
(4.3)
La eciencia de Murphree para la seccion de enriquecimiento es:
e
ci
=
x
ci
x
ci1
x
equ
ci
x
ci1
(4.4)
4.4. Flujos y masas molares. 61
4.3.4. Diagrama de equilibrio
El diagrama de equilibrio entre las fases lquida y de vapor es una herramienta
graca util en el modelado de columnas de destilacion. En ella se muestran las curvas
obtenidas a partir de la relacion entre la fraccion molar lquida, fraccion molar de vapor
y la temperatura a una presion constante. El diagrama de equilibrio de una mezcla
binaria cualquiera es mostrado en la Figura 4.1.
T
e
m
p
e
r
a
t
u
r
a
Lquido
Vapor
Concentracin
x y
Figura 4.1: Diagrama de equilibrio lquido-vapor.
4.4. Flujos y masas molares
En la columna de destilacion uyen tasas molares de lquido y vapor internas y
provenientes del exterior. Estos ujos varan en cada estado. Con las suposiciones reali-
zadas, el calculo de estos ujos molares [Halvorsen y Skogestad, 1997], [Luyben, 1992],
se obtienen con las siguientes expresiones
1
:
Seccion de enriquecimiento.
V
R
= V
S
+ (1 q) F (4.5)
L
R
= (1 R) V
R
(4.6)
Seccion de empobrecimiento.
V
S
=
Q
B
H
vap
1
x
1n
+ H
vap
2
(1 x
1n
)
(4.7)
L
S
= L
R
+ qF (4.8)
1
Vea la Seccion de Notacion (pagina xi) para la denicion de cada una de las variables.
Flujos externos.
F = F
V
[
1
Wt
1
+
2
(1 Wt
1
)]
_
x
F1
M
W1
+
1 x
F1
M
W2
_
(4.9)
D = (1 R)V
R
(4.10)
B = (L
S
V
S
) PA
B
(4.11)
El calculo de la masa molar lquida con respecto al componente mas ligero se
considera constante y puede calcularse mediante [Murray, 2003]:
M
1i
= V
1i
__

1
M
W1

2
M
W2
_
Wt
1
+

1
M
W2
_
(4.12)
4.5. Parametros de alimentaci on
La calidad del ujo de alimentacion q es el parametro que indica en que fase se en-
cuentra un componente en la alimentacion antes de entrar al proceso (ver la Tabla 4.1).
Este parametro se obtiene mediante:
q = 1 +
Cp
c
(T
bc
T
F
)
H
vap
c
(4.13)
Tabla 4.1: Calidad de la alimentacion q.
Alimentacion Calidad
Alimentacion subenfriada. q > 1
Alimentacion en el punto de burbuja (lquido saturado). q = 1
Alimentacion parte vapor, parte lquido. 0 < q < 1
Alimentacion al punto de roco (vapor saturado). q = 0
Alimentacion sobre calentada. q < 0
La concentraci on molar lquida de la alimentaci on con respecto al componente
ligero, es calculada a partir de [Murray, 2003]:
x
ci
=
M
W2
Wt
1
(M
W2
M
W1
) Wt
1
+ M
W1
(4.14)
donde el porcentaje en peso del componente ligero se obtiene de:
Wt
1F
=

1
V
F1
1
V
F1
+
2
V
F2
(4.15)
4.6. Balance de materia. 63
i
M
i
F
1 i
V
1 i
L
i
L
i
V
Alimentacin
D, B
Salida
Plato i
Figura 4.2: Esquema de un plato generico.
4.6. Balance de materia
Las ecuaciones (4.16) y (4.17) describen el principio de conservacion de la materia
aplicado a cada estado de la columna de destilacion con respecto al componente c (ver
la Figura 4.2).
_
_
dM
1
dt
= V
2
L
1
D;
dM
i
dt
= V
i+1
L
i
V
i
+ L
i1
+ (i) F; i = 2, ..., n 1
dM
n
dt
= L
n1
V
n
B;
(4.16)
_
_
dM
1
x
c1
dt
= V
2
y
c2
L
1
x
c1
Dx
c1
;
dM
i
x
ci
dt
= V
i+1
y
ci+1
L
i
x
ci
V
i
y
ci
+ L
i1
x
ci1
+ (i) Fx
Fc
; i = 2, ..., n 1
dM
n
x
cn
dt
= L
n1
x
cn1
V
n
y
cn
Bx
cn
;
(4.17)
donde:
(i) =
_
0 cuando i = f
1 cuando i = f
Los terminos de la derecha del balance de las masas representado por la ecuacion
(4.16) son iguales a cero debido a que se consideran constantes las masas molares
lquidas de cada etapa.

Esto permite obtener el siguiente modelo en espacio de
estados
2
:
_
_
M
1
dx
11
dt
= V
2
(y
12
x
11
)
M
i
dx
1i
dt
= V
i+1
y
1i+1
V
i
y
1i
+ L
i1
x
1i1
L
i
x
1i
; i = 2, ..., f 1
M
f
dx
1f
dt
= V
f+1
y
1f+1
V
f
y
1f
+ L
f1
x
1f1
L
f
x
1f
+ Fx
Fc
M
i
dx
1i
dt
= V
i+1
y
1i+1
V
i
y
1i
+ L
i1
x
1i1
L
i
x
1i
; i = f + 1, ..., n 1
M
n
dx
cn
dt
= L
n1
x
1n1
L
n
x
1n
V
n
(y
1n
x
n
)
(4.18)
Finalmente, si se consideran ujos molares constantes en cada seccion (enriqueci-
miento y empobrecimiento), esto es:
V
i
= V
i1
= V
L
i
= L
i+1
= L
El modelo anterior en terminos del componente ligero queda de la siguiente manera:
_
_
M
1
dx
1
dt
= V
R
(y
2
x
1
) ; En el condensador.
M
i
dx
i
dt
= V
R
(y
i+1
y
i
) + L
R
(x
i1
x
i
) ; i = 2, ..., f 1
M
f
dx
f
dt
= V
S
y
f+1
V
R
y
f
+ L
R
x
f1
L
S
x
f
+ Fx
Fc
;
M
i
dx
i
dt
= V
S
(y
i+1
y
i
) + L
S
(x
i1
x
i
) ; i = f + 1, ..., n 1
M
n
dx
n
dt
= V
S
(x
n
y
n
) + L
S
(x
n1
x
n
) ; En el hervidor.
(4.19)
4.7. Balance de energa
El balance de energa para cada etapa de la columna se expresa por medio de las
siguientes ecuaciones diferenciales:
_
_
dM
1
(h
c1
)
dt
= V
2
H
c2
L
1
h
c1
Dh
c1
dM
i
(h
ci
)
dt
= V
i+1
H
ci+1
L
i
h
ci
V
i
H
ci
+ L
i1
h
ci1
+ (i) Fh
Fc
; i = 2, ..., n 1
dM
n
(h
cn
)
dt
= L
n1
h
cn1
V
n
H
cn
Bh
cn
(4.20)
2
Utilizando las relaciones: D = V
1
L
1
y B = L
n
V
n
.
4.8. Pruebas en la columna de destilacion. 65
donde:
(i) =
_
0 cuando i = f
1 cuando i = f
Por ultimo, la suposicion de un ujo de vapor constante a traves de la columna de
destilacion vuelve insignicante al balance de energa, el cual entonces puede eliminarse
de la formulacion del modelo [Torres-Ortiz, 2005]. La justicacion de cuando se pueden
utilizar estas suposiciones, que son bastante comunes en la simulacion de columnas de
destilacion, se puede encontrar en [Skogestad, 1997].
De esta forma, las ecuaciones algebraicas (4.5) a la (4.15) y el sistema de ecuaciones
diferenciales (4.19) representan al modelo dinamico de una de columna de destilacion
binaria y es el que se usara en el Captulo 5 para el control multivariable.
4.8. Pruebas en la columna de destilacion
Para comprobar que un modelo matematico representa el comportamiento dinami-
co de una columna de destilacion, es necesario que la respuesta de este sea capaz de
reproducir lo mejor posible la respuesta dinamica del proceso.
En la Subseccion 4.8.1 se hace una descripcion de la planta piloto de destilacion em-
pleada para la validaci on del modelo mostrando algunas de sus caractersticas tecnicas
proporcionadas en el manual de usuario [E.Veneta, 1998]. La Subseccion 4.8.2 describe
el procedimiento utilizado para la realizacion de la validacion y se hace una compara-
cion entre los resultados obtenidos de manera experimental y la respuesta del simulador
basado en el modelo matematico.
4.8.1. Descripcion del la planta piloto de destilacion
La planta piloto de destilacion utilizada para la validacion experimental se mues-
tra en la Figura 4.3. En la Figura 4.4 se muestra el diagrama de instrumentaci on. El
diagrama utiliza la nomenclatura mostrada en la Tabla 4.2.
El cuerpo principal
El cuerpo principal de la planta piloto (ver Figura 4.5a) consiste en un recipiente
vertical cilndrico de vidrio tipo PIREX transparente, para que se aprecie el efecto de
transferencia de masa. El contacto de las dos fases se realiza en los 10 platos perforados
(ver Figura 4.5b) distribuidos a lo largo de la columna. El dise no de los platos es
fundamental, pues de ellos dependera la eciencia de la separacion de los productos.
Figura 4.3: Planta piloto de destilacion.
Tabla 4.2: Nomenclatura del diagrama de instrumentaci on.
Abreviatura Descripcion
ATM Atm osfera.
C1 Hervidor.
D1 a D4 Depositos.
E1 a E3 Condensadores.
EV1, EV2 Electrov alvulas.
FC1, LC1, PC1, TC1 Controladores de ujo, nivel, presion y temperatura.
FI1, PI1, TI1 a TI12 Indicadores de ujo, presion y temperatura.
FT1, LT1, PT1, TT1 Transmisores de ujo, nivel, presion y temperatura.
FV1, PV1 Valvulas neumaticas.
G1, G2 Bombas.
H
2
O Agua.
J1, J2 Termorresistencias.
V1 a V26 Valvulas de paso.
V
1
7
V
2
1
V
2
3
V
3
V
2
6
V
2
5
V
2
4
V
2
0
V
1
9
V
1
5
V
1
8
V
1
6
V
1
4
V
1
0
V
1
2
V
1
1
V
1
V
2
V
6
V
4
V
5
V
9
V
8
V
7
V
2
7
H
2
O
H
2
O
F
C
1
F
T
1
F
I
1
F
V
1
T
I
1
0
T
I
9
T
I
8
T
I
7
T
I
6
T
I
5
T
I
4
T
I
3
T
I
2
T
I
1
T
T
1
T
C
1
D
1
C
1
J
1
J
2
G
1
E
1
E
V
1
E
V
2
T
I
1
1
T
I
1
2
P
I
1
P
S
V
1
L
T
1
L
C
1
H
2
O
H
2
O
G
2
P
T
1
P
C
1
P
I
1
P
V
1
P
d
l
1
E
2
E
3
D
2
D
4
D
3
A
T
M
Figura 4.4: Diagrama de instrumentacion de la columna.
a Seccion del cuerpo de la
columna.
b Plato.
Figura 4.5: Cuerpo de la columna.
a Bomba de alimentacion. b Termorresistencia de
precalentamiento.
Figura 4.6: Alimentacion de la mezcla.
Alimentacion de la mezcla
La mezcla se almacena en el deposito D1 (con capacidad de 15 L), y se sumi-
nistra de manera intermitente por la bomba de alimentaci on G1 (Figura 4.6a) que
se manipula desde el tablero de control de la planta (Figura 4.7). Debido a que la
alimentaci on es intermitente, se hace una interpolacion de varios puntos de operacion
de la bomba (Figura 4.8), con el n de conocer una funcion para calcular el ujo
volumetrico F
V
(L/hr) suministrada a la columna en funcion de la frecuencia de los
pulsos F
PB
(0 100 %). La funcion obtenida es
F
V
= 0.0201F
PB
0.0481 (4.21)
La temperatura a la cual se introduce la mezcla se controla por medio de la resistencia
electrica de precalentamiento J1 (Figura 4.6b) que puede alcanzar hasta 500 Watts.
Figura 4.7: Tablero de control.
0 20 40 60 80 100
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
F
l
u
j
o

v
o
l
u
m
t
r
i
c
o

(
L
t
/
h
r
)
Porcentaje de frecuencia de bombeo (%)
Flujo volumtrico de alimentacin
Datos experimentales
Interpolacin lineal
Figura 4.8: Interpolacion de los puntos de operacion de la bomba de alimentaci on.
Adicion de calor
La energa calorca necesaria para llevar a cabo la destilacion en la planta piloto
de destilacion, se controla por medio la termorresistencia electrica de calentamiento J2
(Figura 4.9a), la cual se encuentra alojada en el hervidor C1 (Figura 4.9b). La potencia
maxima de la termorresistencia es de 2500 Watts y la capacidad del hervidor es de 6L.
La temperatura transferida a la mezcla almacenada en el hervidor sirve para lograr la
evaporacion del componente mas ligero.
a Termorresistencia de
calentamiento.
b Hervidor.
Figura 4.9: Adicion de calor.
Condensador
El condensador E1 (Figura 4.10a) de la planta piloto de destilacion lo compone un
recipiente que contiene el lquido refrigerante (agua). El lquido refrigerante se suminis-
tra por una bomba externa a la planta piloto y su ujo se regula por la valvula neumatica
FV1 (Figura 4.10b). El vapor a condensar uye a traves de un tubo helicoidal. El lquido
refrigerante y el vapor a condensar estan separados por una supercie de intercambio
de calor tubular.
Ademas del condensador principal existe un segundo intercambiador de calor E3
a la entrada del recipiente que colecta los condensados D3 para enfriar al producto
destilado y as evitar perdidas por evaporacion durante el almacenamiento. Este segundo
intercambiador no se considera en el modelo debido a que no interviene directamente
en el proceso.
Reujo
El reujo se controla mediante la electrov alvula de tres vas EV1 (Figura 4.10c)
que se localiza a la salida del condensador. Esta valvula permite que parte del vapor
condensado se colecte como producto destilado y otra parte se enve a la columna como
reujo para favorecer la destilacion. Los tiempos de apertura y cierre de la valvula de
reujo se controlan por medio de dos temporizadores.
a Condensador. b Valvula de control para el ujo
del agua.
c Electrovalvula de reujo.
Figura 4.10: Parte superior de la columna.
Manipulacion de la presion
El parametro fsico que afecta directamente la volatilidad de los componentes es
la presion. La mayora de sistemas de control aplicados a columnas de destilacion,
mantienen el valor de la presion en un valor constante, ya al que variar la presion se
cambian las condiciones de equilibrio en la columna. La planta piloto del CENIDET
ademas de operarse a presion atmosferica, existe la posibilidad de operar la columna a
presiones menores a la de la atmosfera. Para esto, se cuenta con una bomba de vaco
de anillo lquido G2 (Figura 4.11).
Figura 4.11: Bomba de anillo lquido.
Instrumentacion de medicion
Finalmente la columna de destilacion cuenta con:
12 sensores de temperatura de tipo RTD de platino PT100.
12 indicadores de temperatura (TI1 a TI12) asociados a los RTDs.
1 indicador de ujo volumetrico (FI1) para el agua de enfriamiento del conden-
sador.
1 sensor de presion diferencial (Pdl1) para conocer la diferencia de presion entre
el hervidor y el condensador.
1 sensor de presion (PT1) que indica la presion a lo largo de la columna.
1 sensor de nivel (LT1) para el deposito de recogida de destilado (D2).
Los sensores y actuadores de la planta piloto se encuentran gobernados por dos regu-
ladores Digitric 500 (se muestra uno de ellos en la Figura 4.12). Estos reguladores tienen
una interfaz RS485 para comunicaci on entre el controlador y la PC usando el protocolo
denominado MODBUS, para la conexion de sistemas de alto nivel. Mediante estos
Figura 4.12: Regulador Digitric 500.
Tabla 4.3: Elementos monitoreados y controlados por los reguladores.
Regulador 1 Regulador 2
Variable Temperatura del ujo de entrada. Potencia en la
controlada Flujo de agua al condensador. termorresistencia del
Presion en la columna. hervidor.
Variable Temperaturas 1 a la 6. Temperaturas 7 a la 12.
monitoreada Flujo de agua al condensador.
Presion en la columna.
Variable Potencia en la termorresistencia J1. Potencia en la
manipulada Apertura de valvula FV1. termorresistencia J2.
Apertura de valvula PV1.
reguladores y el programa desarrollado en [Rivas et al., 2006] se pueden monitorear
las variables que intervienen en el proceso de destilacion, manipular los actuadores y
modicar la conguracion de los parametros de sintona de los controladores (FC1,
LC1, PC1, TC1).
El regulador 1, contiene cinco dispositivos que pueden ser controlados, ocho para
monitoreo, y dos dispositivos que operan en estado encendido-apagado. El regulador 2,
tiene una salida de tipo analogica, ocho variables capaces de ser monitoreadas, dos
entradas digitales y un dispositivo con dos estados encendido-apagado.
En la Tabla 4.3 se muestran las variables que son monitoreadas y/o controladas con
el programa desarrollado en [Rivas et al., 2006], dependiendo de las conexiones al regu-
lador. Se indican los dispositivos conectados fsicamente a cada uno de los reguladores,
as como la sigla con que se identican en el diagrama de instrumentaci on (Figura 4.4).
64 66 68 70 72 74 76 78 80
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Temperatura C
F
r
a
c
c
i
n

m
o
l
a
r
Fraccin molar lquidas
Fraccin molar de vapor
Figura 4.13: Diagrama de equilibrio Metanol-Etanol.
4.8.2. Validaci on del modelo matematico
Para la validaci on del modelo se elige una mezcla formada por Metanol-Etanol cuyas
propiedades termodinamicas la clasican como una mezcla ideal. Estas propiedades se
muestran en la Tabla A.2 (del Apendice A). Es necesario mencionar que la pureza de
los componentes no son del 100 %. Sin embargo, se toman como componentes puros
para no involucrar un tercer elemento (agua) en la relacion de equilibrio.
A partir de las mediciones de temperatura en los platos 2, 4, 6, 7, 9, en el condensador
y el hervidor se pueden obtener las fraciones molares de alguno de los componentes
mediante la relacion de equilibrio.
Se desean obtener las fracciones molares del componente ligero, en este caso el
Metanol. Para calcular el valor de las fracciones molares a partir de las mediciones de
temperatura, es necesario gracar el diagrama de equilibrio correspondiente a la mezcla
Metanol-Etanol con el objetivo de obtener una relacion sencilla entre la temperatura
en funcion de las fracciones molares.
En la Figura 4.13 se puede observar el diagrama de equilibrio de la mezcla Metanol-
Etanol donde las fracciones molares lquidas y de vapor corresponden al componente
ligero (Metanol). Las curvas mostradas en el diagrama pueden ser interpoladas para
obtener las fracciones molares lquidas en funcion de las temperaturas. La interpolacion
que se utiliza es un polinomio de tercer orden:
x
i
= 1.8408 10
5
T
3
i
+ 0.0051057T
2
i
0.51947T
i
+ 18.209
Para la realizacion de las pruebas se consideran las caractersticas fsicas de la planta
piloto de destilacion mostradas en la Tabla A.1 (del Apendice A).
Los valores de las entradas fsicas del proceso (Q
B
, F
V
y R ) se utilizan para calcular
los ujos molares (V
R
, L
R
, V
S
, L
S
, F, D y B). La relacion que existe entre las entradas
fsicas y los ujos molares puede apreciarse en las ecuaciones (4.5) a la (4.11).
Los parametros utilizados en las pruebas se detallan en la Tabla A.3. Los parametros
V
F1
, V
F2
y T
F
de esta tabla, estan involucrados en la obtencion del porcentaje en peso
del componente ligero (Metanol), calculado con la ecuacion (4.15). Los parametros V
112
y V
212
, son utilizados para calcular la masa molar lquida de metanol en el hervidor con
la ecuacion (4.12).
El periodo de muestreo de las mediciones de temperatura es de 1 minuto y las mues-
tras se toman a partir del momento en el que todas las etapas de la columna han
alcanzado el equilibrio, es decir, cuando todos los platos contengan a la mezcla en ebu-
llicion. El tiempo que tarda el proceso para llegar a este punto se desprecia, por lo tanto
se considera el instante en que se obtiene la primera gota de reujo como tiempo inicial
(t = 0) de la prueba.
Las se nales de entrada aplicadas a la planta piloto se muestran en la Tabla 4.4.
En esta tabla se se nala la entrada manipulada, la se nal de excitacion y el tiempo de
aplicacion. Las se nales de entrada al modelo son una simulacion de las entradas reales
a la planta piloto. Los resultados de la comparacion entre el modelo matematico y los
datos experimentales se aprecian en la Figura 4.14.
Tabla 4.4: Se nales de entrada.
Entrada Se nal Tiempo
Potencia calefactora (Q
B
) Escalon 0-1250 Watts 0 min
Flujo de alimentacion (F
V
) Escalon 0-57.1433 mL/min 16 min
B
V
) Escalon 57.1433-49.5117 mL/min 47 min
V
) Escalon 49.5117-21.8983 mL/min 59 min
Reujo (R) Pulso (T = t
on
= 600 seg) 67 min
B
Reujo (R) Pulso (T = 24 seg, t
on
= 4 seg) 84 min
B
Se puede apreciar, en las gracas de la Figura 4.14 que el modelo simulado numeri-
camente sigue la dinamica del proceso real aunque no existe un ajuste perfecto, sin
embargo el modelo se toma como valido.
En la Tabla 4.5 se puede apreciar el error en cada etapa de la columna de acuerdo
con la expresion:
=
_
N
j=1
x
real
cij
x
mod
cij
x
real
cij
/N
_
100 (4.22)
10 20 30 40 50 60 70 80 90 100
0.55
0.6
0.65
0.7
0.75
0.8
0.85
0.9
0.95
1
Condensador
Tiempo (min)
C
o
n
c
e
n
t
r
a
c
i
n

m
o
l
a
r

(
M
e
O
H
)
Modelo de la CDD
Datos experimentales
10 20 30 40 50 60 70 80 90 100
0.5
0.55
0.6
0.65
0.7
0.75
0.8
0.85
0.9
0.95
1
Plato 2
Tiempo (min)
C
o
n
c
e
n
t
r
a
c
i
n

m
o
l
a
r

(
M
e
O
H
)
10 20 30 40 50 60 70 80 90 100
0.55
0.6
0.65
0.7
0.75
0.8
0.85
0.9
0.95
1
Plato 4
Tiempo (min)
C
o
n
c
e
n
t
r
a
c
i
n

m
o
l
a
r

(
M
e
O
H
)
10 20 30 40 50 60 70 80 90 100
0.55
0.6
0.65
0.7
0.75
0.8
0.85
0.9
0.95
1
Plato 6
Tiempo (min)
C
o
n
c
e
n
t
r
a
c
i
n

m
o
l
a
r

(
M
e
O
H
)
10 20 30 40 50 60 70 80 90 100
0.55
0.6
0.65
0.7
0.75
0.8
0.85
0.9
0.95
Plato 7
Tiempo (min)
C
o
n
c
e
n
t
r
a
c
i
n

m
o
l
a
r

(
M
e
O
H
)
10 20 30 40 50 60 70 80 90 100
0.55
0.6
0.65
0.7
0.75
0.8
0.85
0.9
Plato 9
Tiempo (min)
C
o
n
c
e
n
t
r
a
c
i
n

m
o
l
a
r

(
M
e
O
H
)
10 20 30 40 50 60 70 80 90 100
0.2
0.3
0.4
0.5
0.6
0.7
0.8
Hervidor
Tiempo (min)
C
o
n
c
e
n
t
r
a
c
i
n

m
o
l
a
r

(
M
e
O
H
)
Figura 4.14: Comparacion entre los datos del modelo y la planta piloto de destilacion.
4.9. Conclusiones. 77
donde N es el n umero de muestras. Esta expresion calcula el error proporcional entre
los valores reales y los calculados.
Tabla 4.5: Error del modelo.
Etapa de la columna Error del modelo
Condensador 2.44 %
Plato 2 2.43 %
Plato 4 2.15 %
Plato 6 1.38 %
Plato 7 1.42 %
Plato 9 1.56 %
Hervidor 2.60 %
El error entre los valores reales y los calculados depende de muchos factores, prin-
cipalmente por las suposiciones hechas en la Seccion 4.2. El modelo se puede mejorar
tomando en cuenta el balance de energa, un modelo mas completo del condensador,
la dinamica del hervidor, las perdidas de calor al medio ambiente y ajustando algunos
parametros en los que se tiene cierta incertidumbre (por ejemplo: eciencia de Mur-
phree) o que no se conocen (por ejemplo: coeciente de efervescencia de la mezcla)
como se propone en [Juarez et al., 2006].
4.9. Conclusiones
En este captulo se present o la formulacion de un modelo matematico para una colum-
na de destilacion binaria. La formulacion del modelo esta basada en ciertas hipotesis
de trabajo presentadas en la Seccion 4.2. Estas hipotesis determinan en gran medida
la complejidad y precision del modelo. El modelo presentado es un modelo simplicado
que es apto para estrategias de control y es ampliamente usado en la literatura para
representar columnas de destilacion para mezclas binarias e ideales.
La validaci on del modelo descrito se llevo a cabo mediante la comparacion de los datos
obtenidos con el modelo y datos obtenidos de la medicion de temperatura tomadas en
diferentes etapas de una planta piloto (para despues calcular las fracciones molares
lquidas del componente ligero). La mezcla utilizada para llevar a cabo este experimen-
to fue una mezcla formada por Metanol y Etanol. La descripcion de la planta piloto
donde se hicieron las pruebas se encuentra en la Subseccion 4.8.1. Una caracterstica
importante de esta planta piloto es su conguracion en la parte superior, debido a que
no cuenta con un acumulador entre el condensador y la valvula de reujo.

Esto es im-
portante ya que casi no se encuentran reportados trabajos en la literatura (tanto para
el modelado como para el control) de esta conguracion.
Captulo 5
Dise no e implementaci on de
controladores
En este captulo se muestran los resultados obtenidos al aplicarle el control predictivo
al lazo de ujo de agua al condensador (caso monovariable) en simulaci on y de forma
experimental; as como las simulaciones del control a la planta piloto de destilacion (caso
multivariable). El desempe no de estos controladores se compara con controladores PI.
En la Seccion 5.1 se presentan las principales conguraciones de control que se aplican
a columnas de destilacion. En la Seccion 5.2 se presenta la metodologa que se propone
para implementar algoritmos de control predictivo a una columna de destilacion. En
la Seccion 5.3 se aplica la metodologa propuesta para la implementaci on del control
de ujo de agua de alimentacion al condensador y se compara un controlador PI de
manera experimental. En la Seccion 5.4 se presenta el dise no de un controlador pre-
dictivo multivariable aplicado al modelo de la columna de destilacion presentado en el
Captulo 4. Por ultimo, en la Seccion 5.5 se dan las conclusiones del captulo.
5.1. Conguraciones de control en la CDD
Para una columna de destilacion, es muy com un descomponer el problema de control
en al menos dos subsistemas, control de inventario
1
(niveles en los tanques, presion
en la columna), necesario para mantener la operacion de forma continua y el control
de productos nales (composicion de los productos). En la practica, cada uno de estos
subsistemas se descomponen en sistemas SISO. La principal razon radica en que es
mucho mas facil controlar m ultiples lazos SISO que un sistema MIMO.
1
Control de inventario es un termino utilizado en [Luyben, 1992] para referirse al control de las
variables secundarias, llamadas variables de inventario. Las variables secundarias son variables que no
intervienen directamente en el control del producto nal (las composiciones o temperaturas en el caso
de una columna de destilacion).
79
80 Captulo 5. Dise no e implementacion de controladores.
En terminos de la teora de control, los grados de libertad de un proceso son el n umero
de variables que pueden o deben de ser controladas. Siempre es necesario conocer estas
variables con el n de no sobrecontrolar o subcontrolar alg un proceso.
Una columna de destilacion con alimentacion constante y sin reujos intermedios
(como la que se muestra en la Figura 5.1a), tiene cuatro grados de libertad. Es decir,
cuatro ujos que pueden ser utilizados para el control de la columna: ujo molar lquido
L, ujo molar de vapor V , ujo molar de producto destilado D, ujo molar de producto
de fondo B.
Sin embargo, hay que considerar que se tienen que controlar los niveles en el hervidor
y en el acumulador (salidas secundarias). Por lo que, en estado estable, la suposicion
de presion constante y perfecto control de nivel en el acumulador y hervidor (sin es-
tancamiento ni vaciamiento de lquido), reduce el grado de libertad a dos (puesto que
se utilizaran las otras dos variables para controlar los niveles en el hervidor y en el acu-
mulador). Estos dos grados de libertad se utilizan para el control de las composiciones
de los dos productos: el producto en el condensador (x
1
) y producto en el hervidor (x
n
).
Los dos grados de libertad son las variables independientes que controlan el sistema,
pueden ser los ujos L, V , D o B; siendo estos usados por la caracterstica de ser de
facil manipulacion. A la combinaci on de estos dos ujos manipulados para el control de
la columna se le conoce como conguracion de control.
Usualmente se utilizan combinaciones de (L D) cuando el producto que se desea
obtener es el producto destilado D y combinaciones de (V B), cuando el producto
deseado es el producto de fondo de la columna B. Para el control de una columna
de destilacion de dos productos, hay tres conguraciones de control comunes, la con-
guracion de balance de energa (L V ) y las conguraciones de balance de materia
(D V ) y (L B). Estas conguraciones se describen a continuaci on.
5.1.1. Conguracion de balance de energa (L V )
La conguracion de balance de energa (Figura 5.1b) se puede considerar la con-
guracion estandar de control para el control de composicion dual en una columna de
destilacion. En esta estructura de control, el ujo de lquido L y el ujo de vapor V (que
puede ser cualquier variable que afecte directamente a L o V , como la potencia aplicada
a la resistencia calefactora, para V ), se usan para controlar las salidas asociadas con las
especicaciones del producto (salidas primarias), que usualmente son las composiciones
o las temperaturas de la mezcla en la columna.
El nivel en el tanque de reujo y en el hervidor (salidas secundarias) se controlan por
el ujo del destilado D y el ujo en el fondo de la columna B. Su principal ventaja es que
las variables manipuladas afectan directamente la composicion y es independiente del
control de nivel en el acumulador y en el hervidor, a diferencia de otras conguraciones,
5.1. Conguraciones de control en la CDD. 81
donde el ajuste de control de estos niveles es muy importante.
5.1.2. Conguracion de balance de materia (D V ) y (L B)
Otras conguraciones muy utilizadas en el control de columnas de destilacion es la
llamada conguracion de balance de materia (D V ) y (L B), mostradas en las
Figuras 5.1c y 5.1d respectivamente. En la conguracion (D V ) las variables D y V
se utilizan como variables primarias para controlar las composiciones x
1
y x
n
, mientras
que las variables L y B se utilizan para el control de nivel en el hervidor y en el
acumulador. En la conguracion (LB) se hace exactamente lo contrario: las variables
L y B sirven para controlar las salidas primarias, mientras que D y V controlan las
salidas secundarias.
Las propiedades de control de estas conguraciones son muy diferentes, ya que L y
V son ujos que afectan directamente la composicion, mientras que D y B solamente
afectan a la composicion a traves de la sensibilidad de L y V a cambios en D y B. Por
ejemplo, un incremento en ujo volumetrico de alimentaci on resultara un incremento
en los ujos de fondo en la conguracion (L V ) mientras que en la conguracion
(L B) resultara un incremento en el ujo destilado.
5.1.3. Otras conguraciones de control
Existen diferentes combinaciones para formar diferentes conguraciones de control.
En la Tabla 5.1 se muestran otras conguraciones de control reportadas en la lite-
ratura. Una descripcion mas amplia de las diferentes estructuras de control y sus
propiedades puede encontrarse en [Al-Arfaj y Luyben, 2000], [Hurowitz et al., 2003],
[Nooraiil y Romagnoli, 1998] y [Skogestad, 1997].
Tabla 5.1: Conguraciones de control.
Cong. de control Variables secundarias Variables primarias
1 (D V ) L, B D, V
2 (L V ) D, B L, V
3 (L B) D, V L, B
4 (L/D V ) D, B L/D, V
5 (L/D B) D, Q L/D, B
6 (D V/B) L, B D, V/B
7 (L V/B) D, B L, V/B
8 (L/D V/B) D, B L/D, V/B
D
xn
B
F
z
V
D
B
V
L
L
Q
x1
Acumulador
a Columna en lazo abierto.
TC
TC
LC
LC
D x1
xn
B
F
z
V
D
B
V
L
L
Acumulador
b Conguracion (L V ).
TC
TC
LC
LC
D
B
F
z
V
D
B
V
L
L
xn
x1
Acumulador
c Conguracion (D V ).
TC
LC
D
B
F
z
V
D
B
V
L
L
TC
LC
xn
x1
Acumulador
d Conguracion (L B).
Figura 5.1: Conguracion de control en la columna de destilacion.
5.2. Metodologa para la implementacion de controladores predictivos en la columna de
destilacion. 83
5.2. Metodologa para la implementacion de contro-
ladores predictivos en la columna de destilacion
La metodologa utilizada para la implementaci on de controladores en la columna de
destilacion es la siguiente:
1. Seleccion de variables. Involucra la seleccion de variables manipuladas, contro-
ladas y prealimentadas. Aunque estas variables pudieran cambiar durante el dise no
del controlador, este estara fuertemente afectado por las decisiones iniciales.
2. Obtencion de la respuesta temporal del proceso. Se deben vericar los
tiempos de respuesta del proceso para escoger el tiempo de muestreo.
3. Obtencion del modelo de prediccion. El modelo de prediccion es lo mas
importante en este tipo de controladores, debe de ser formulado dependiendo de
la complejidad de la dinamica del proceso y la capacidad de procesamiento del
hardware donde se implementara el controlador.
4. Pruebas en simulacion. En esta etapa se ajustan los parametros del controlador
y se procede a la simulaci on para vericar su funcionamiento.
5. Desarrollo de una interfaz operador-proceso. Con la simulacion completa,
se desarrolla el software necesario para el control en tiempo real.
6. Pruebas experimentales. El controlador se pone a trabajar en tiempo real en
modo de prediccion. En este momento se observan las predicciones hechas, as co-
mo los movimientos de control calculados, para asegurarse de que sean razonables.
7. Validaci on y analisis de resultados. Finalmente se cierra el lazo y se observa
su funcionamiento. Los resultados de los controladores MPC se cuantican gene-
ralmente en mejoras al rendimiento del proceso.
5.3. Controlador MPC para el ujo de agua al con-
densador
Antes de pasar al control de las composiciones de los productos de la columna, se
necesitan jar algunas variables como lo son la presion, la temperatura de entrada
de la mezcla, los niveles en los tanques y el ujo de agua al condensador. Esto para
asegurar ciertas condiciones de operacion. Y aunque en realidad en la planta piloto de
destilacion ya se tienen controladas estas variables por medio de controladores PIs y,
en las suposiciones hechas en la Seccion 4.2 se asume que el condensador es total; se
realiza el control de ujo de agua de alimentacion al condensador para mostrar el dise no
e implementacion experimental de un controlador a la columna de destilacion.
V8
V7
H
2
O FI1
FV1
E1
Figura 5.2: Diagrama de instrumentaci on de la seccion del condensador.
5.3.1. Seleccion de variables
El ujo de agua al condensador E1 se suministra por una bomba externa a la planta
piloto de destilacion. El lquido uye a traves de un tubo de acero inoxidable y se regula
mediante una valvula neumatica FV1. El ujo volumetrico de agua se sensa por un
medidor electronico de area variable FI1 de rango 100-1000 Lts/hr. El diagrama de
instrumentacion de esta seccion de la columna se muestra en la Figura 5.2
2
.
Por lo que la variable manipulada es la valvula neumatica FV1 (mostrada en la
Figura 5.3a) y la variable controlada es la medicion del ujo volumetrico mediante el
sensor FI1 (mostrado en la Figura 5.3b).
a Valvula neumatica FV1. b Sensor de ujo FI1.
Figura 5.3: Variables manipulada y controlada para el control de ujo de agua de
alimentacion al condensador.
2
Vea la nomenclatura de este diagrama en la Tabla 4.2 de la pagina 66.
5.3. Controlador MPC para el ujo de agua al condensador. 85
5.3.2. Obtencion de la respuesta temporal del proceso
En esta etapa, mediante la aplicacion de un escalon de 0 a 100 % de apertura a
la valvula neumatica FV1, se obtiene la respuesta temporal del sistema mostrada en
la Figura 5.4. En esta gura se aprecia que la constante de tiempo del sistema es
aproximadamente 0.5 segundos, lo que indica que el sistema es rapido. Por lo que el
tiempo de muestreo elegido es de 0.05 segundos (tomando en cuenta que se requiere un
tiempo de muestreo de aproximadamente entre 4 y 10 veces la constante de tiempo del
sistema).
Adicionalmente, en esta etapa se pudo vericar que las variables elegidas en la etapa
de seleccion de variables son utilizables.
0 0.25 0.5 0.75 1 1.25 1.5 1.75 2 2.25 2.5 2.75 33
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Tiempo (seg)

F
l
u
j
o

d
e

a
g
u
a

a
l

c
o
n
d
e
n
s
a
d
o
r

(
L
/
h
r
)

x

1
0
0
0
Respuesta al escaln
Figura 5.4: Respuesta al escalon del ujo de agua de alimentaci on.
5.3.3. Obtencion del modelo de prediccion
Habiendose desarrollado en Simulink
el bloque MPC, el control del ujo es una

tarea trivial, donde unicamente bastara obtener el modelo de prediccion en una repre-
sentaci on de espacio de estados discreto y jar los parametros de sintona del contro-
lador. Sin embargo, como se sabe que el modelo es parte fundamental del controlador,
el modelo del proceso se estima mediante el algoritmo de mnimos cuadrados recursivos.
La respuesta temporal de la Figura 5.4 nos puede dar informacion adicional del
modelo, como son: el tiempo de establecimiento, sobretiro, etc. Esto principalmente
para conocer el orden del sistema a controlar. Y, debido a estas caractersticas, se
concluye que el modelo del proceso (que se usara como modelo de prediccion) se puede
describir matematicamente por una funcion de transferencia de segundo orden:
F(z) =
b
0
z + b
1
z
2
+ a
1
z + a
2
(5.1)
los parametros de la funcion de transferencia b
0
, b
1
, a
1
y a
2
se estiman con el algoritmo
de mnimos cuadrados recursivos descrito a continuaci on.
Mnimos cuadrados recursivos
El algoritmo de mnimos cuadrados recursivos [
Astrom y Wittenmark, 1995] se re-

sume en :
(k) =

(k 1) + K(k)
_
y(k)
T
(k)
(k 1)
_
(5.2)
K(k) = P(k)(k)
= P(k 1)(k)
_
f
I +
T
(k)P(k 1)(k)
1
(5.3)
P(k) =
_
I K(k)
T
(k)
P(k 1)
f
(5.4)
Donde:
(k) Vector de parametros estimados en el instante k.

y(k) Valor de la salida del modelo en el instante k.
(k) Vector de regresion del modelo.
K(k) Vector de ganancias de identicaci on.
P(k) Matriz de covarianza de

(k) en el instante k.
f
Factor de olvido.
Si se restablece la matriz P(k) periodicamente a sus valores iniciales, hace que la
estimacion de parametros sea mas rapida y efectiva en el caso de que el proceso cambie
sus parametros. As como emplear un factor de olvido
f
< 1 hace que los elementos
de la matriz P(k) calculados por la ecuacion (5.4) no decrezcan drasticamente durante
la estimacion.
5.3.4. Pruebas en simulacion
El esquema de simulaci on del control MPC se muestra en la Figura 5.5 y se compara
con un controlador PI que fue sintonizado como esta actualmente en la planta piloto
de destilacion. Los parametros de sintona de los controladores se pueden apreciar en
la Tabla 5.2.
Planta: Flujo de agua
al condensador
Control MPC
Estimacin de
parmetros
Set Point
Entrada
Salida
Modelo del
proceso
Figura 5.5: Esquema de simulaci on para el control MPC de ujo de agua al condensador.
Tabla 5.2: Parametros de los controladores del ujo de agua al condensador.
Control PI Control MPC Estimacion de parametros
Parametro Valor Parametro Valor Par ametro Valor inicial
P 1 H
P
5

(0) [0 0 0 0]
T
I 5.5 H
C
3
f
0.98
0.7 P(0) 1 10
4
I
1 Reinicia cada 3 seg.
El modelo de prediccion es la representacion en espacio de estados discreto de la
ecuacion (5.1) con un tiempo de muestreo de 0.05 segundos.
El objetivo de control es que el ujo de agua se mantenga constante. Recomienda
[E.Veneta, 1998] un ujo aproximado de 300 L/hr en el ujo de agua del condensador
para un buen funcionamiento.
Para efectos de simulaci on y observar el comportamiento del controlador ante cambios
de parametros, el modelo a controlar es:
F(s) =
_
_
0.33
0.3s + 1
0 t < 11
0.3
0.35s + 0.9
11 t
La unica restriccion incluida en la optimizacion para el calculo de la se nal de control
en el MPC es la de la apertura de la valvula (variable manipulada) que va de totalmente
abierta a totalmente cerrada: 0 % u(k) 100 %. Para el caso del controlador PI, la
se nal se calcula sin tomar en cuenta las restricciones y se satura en caso de que se llegara
a violar.
0 5 10 15 20 25
0
0.1
0.2
0.3
Tiempo (seg)

F
l
u
j
o

d
e

a
g
u
a

(
L
/
h
)

x
1
0
0
0
Salida del sistema
Ref
PI
MPC
0 5 10 15 20 25
0
20
40
60
80
100
Seal de control

A
p
e
r
t
u
r
a

d
e

l
a

v
l
v
u
l
a

(
%
)
Tiempo (seg)
0 5 10 15 20 25
1
0.8
0.6
0.4
0.2
0
Tiempo (seg)

P
a
r
m
e
t
r
o
s
Estimacin de parmetros a
1
a
2
a
2
a
1
0 5 10 15 20 25
0
0.01
0.02
0.03
Tiempo (seg)

P
a
r
m
e
t
r
o
s
Estimacin de parmetros b
0
b
1
b
0
b
1
Figura 5.6: Simulaci on del control de ujo de agua al condensador.
Los resultados de la simulaci on se muestran en la Figura 5.6. Se puede apreciar
que para el controlador MPC los parametros del modelo (b
0
, b
1
, a
1
, a
2
) convergen
3
rapidamente y la salida controlada sigue sin problema la referencia. Sin embargo, en el
momento en que vara la dinamica de la planta (t = 11 seg), el control se ve severamente
afectado por unos instantes, hasta que convergen nuevamente los parametros. Esto se
debe a que el control depende directamente de las predicciones hechas con el modelo. El
controlador PI no se ve afectado visiblemente en el instante del cambio en la dinamica
de la planta. Sin embargo, s vara la respuesta en lazo cerrado afectando principalmente
el sobretiro y el tiempo de convergencia de la variable controlada a la referencia.
El analisis del error de forma cuantitativa se puede apreciar en la Tabla 5.3 de la
pagina 93.
5.3.5. Desarrollo de una interfaz operador-proceso
La implementacion experimental esta hecha en LabView
en donde se programa
el controlador MPC y el estimador de parametros por mnimos cuadrados recursivos.
El programa se presenta al usuario en un ambiente graco, la pantalla principal del
programa se puede apreciar en la Figura 5.7.
Figura 5.7: Pantalla principal del programa para el control en tiempo real.
Las mediciones de ujo hechas por el medidor electronico FI1 se envan al regulador
Digitric 500
4
por medio del cual se tiene acceso a los datos. Se act ua sobre la valvula
3
Los valores a los que se converge son para 0 t < 11: b
0
= 0.0314, b
1
= 0.0156, a
1
= 0.4076,
a
2
= 0.4499; para t 11: b
0
= 0.0247, b
1
= 0.0002, a
1
= 0.9337, a
2
= 0.0074.
4
Vea la descripcion de este dispositivo en la pagina 72.
Formato
Manejador de registros
Programa
para el
control MPC
MAESTRO
Ciclo peticin-respuesta
Digitric 500
ESCLAVOS
Red MODBUS
Actuador
FV1
Sensor
FI1
Figura 5.8: Jerarqua de la interfaz operador-proceso.
Figura 5.9: Programa del control interactuando con la planta piloto.
neumatica FV1 a traves del mismo regulador. La comunicaci on entre el regulador
Digitric 500 y el programa que contiene el algoritmo de control es mediante el protocolo
de comunicaci on MODBUS
5
. El diagrama jerarquico de la interfaz operador-proceso se
muestra en el Figura 5.8. La Figura 5.9 muestra al programa para el control en tiempo
real interactuando con la planta piloto de destilacion.
5.3.6. Pruebas experimentales
En esta etapa se pone a trabajar el controlador en tiempo real en modo de predic-
cion para vericar los calculos que el controlador realiza, tanto para la prediccion de
la salida como para la se nal de control. Esta vericaci on se hace con el n de evitar que
un mal calculo en las predicciones (por un mal modelado o errores en la programacion)
pudiera originar una se nal de control fuera de los lmites del proceso y da nar alg un
dispositivo del sistema, ya sea al actuador o al propio condensador.
Para el control en tiempo real del ujo de agua al condensador, se utiliza el mismo
esquema planteado en la simulacion del control (mostrado en la Figura 5.5), as como
tambien la misma sintonizacion para ambos controladores (mostrada en la Tabla 5.2).
El resultado mas importante que arroja esta prueba es que no se podra controlar
este sistema con un tiempo de muestreo de 0.05 segundos. Esto no es posible porque
el regulador Digitric 500 permite como tiempo mnimo de muestreo 0.2 segundos. Adi-
cionalmente, el tiempo de calculo de la se nal de control y la estimacion de parametros
del modelo en lnea es de aproximadamente 0.9 segundos. Debido a esto, el nuevo tiempo
de muestreo es de 1 segundo para el desarrollo experimental.
5.3.7. Validacion y analisis de resultados
Los resultados del control se muestran en la gracas de las Figuras 5.10 y 5.11. Es
evidente que con el controlador MPC se tiene un tiempo de establecimiento menor que
con el controlador PI
6
. Sin embargo, para el proceso de destilacion, donde se requiere
unicamente mantener el ujo de agua constante, no representa benecios notables ya
que el proceso de destilacion es un proceso muy lento. Finalmente para apreciar mejor
el transitorio, se tiene la graca mostrada en la Figura 5.12.
Ademas de estos resultados cualitativos, los resultados de control se pueden cuan-
5
El protocolo MODBUS es un estandar en las comunicaciones en entornos industriales y utiliza
una tecnica maestro - esclavo, en la cual solo un dispositivo (el maestro) puede iniciar transacciones
(llamadas peticiones). Los otros dispositivos (los esclavos) responden suministrando al maestro el
dato solicitado, o realizando la accion solicitada en la peticion [Digitric, 2001].
6
El controlador PI que se utiliza para las pruebas experimentales es el controlador de la planta
piloto de destilacion FC (sigla en el diagrama de instrumentacion de la pagina 67). Este controlador
se encuentra incorporado en el regulador Digitric 500.
0 200 400 600 800 1000 1200 1400 1600 1800
0
0.1
0.2
0.3

F
l
u
j
o

d
e

a
g
u
a

(
L
/
h
)

x

1
0
0
0
Salida del sistema
Setpoint
PI
MPC
0 200 400 600 800 1000 1200 1400 1600 1800
0
20
40
60
Seal de control

A
p
e
r
t
u
r
a

d
e

l
a

v
l
v
u
l
a

(
%
)
Tiempo (seg)
Figura 5.10: Control del lazo de ujo de agua al condensador (tiempo real).
0 2 4 6 8 10
2
1
0
1

P
a
r
m
e
t
r
o
s
Parmetros estimados a
1
a
2
a
2
a
1
0 2 4 6 8 10
0
0.05
0.1
0.15
0.2
Tiempo (seg)

P
a
r
m
e
t
r
o
s
Parmetros estimados b
0
b
1
b
0
b
1
Figura 5.11: Par ametros estimados (tiempo real).
1540 1560 1580 1600 1620 1640 1660 1680 1700
0.2
0.22
0.24
0.26

F
l
u
j
o

d
e

a
g
u
a

(
L
/
h
)

x

1
0
0
0
Salida del sistema
Setpoint
PI
MPC
1540 1560 1580 1600 1620 1640 1660 1680 1700
35
40
45
50
55
Seal de control

A
p
e
r
t
u
r
a

d
e

l
a

v
l
v
u
l
a

(
%
)
Tiempo (seg)
Figura 5.12: Control del lazo de ujo de agua al condensador (tiempo real).
ticar mediante una evaluacion del error entre los valores deseados y los valores obtenidos
con cada uno de los controladores. El ndice de error utilizado para este n es el error
medio cuadratico (EMC) y se expresa de la siguiente forma:
EMC =
_
N
j=1
_
F
set
Cj
F
real
Cj
_
2
N
donde F
C
es el ujo volumetrico de alimentaci on de agua al controlador y el error medio
cuadratico tiene unidades de L/hr. Se toman datos cada periodo de muestreo, por lo
que N = 864 para las simulaciones y N = 1800 para la parte experimental. Este error
nos proporciona el error promedio a lo largo del experimento, los valores calculados se
muestran en la Tabla 5.3.
Tabla 5.3: Error medio cuadratico del control del ujo de agua de alimentaci on.
Control MPC Control PI
Simulacion (Figura 5.6) 28.9 22.8
Tiempo real (Figura 5.10) 2.6 28.4
5.4. Controlador MPC para la columna de desti-
lacion
En esta seccion se hara el dise no de un controlador predictivo multivariable para una
columna de destilacion binaria. El objetivo de control es obtener los valores de salida
deseados para las composiciones en el condensador x
1
y en el hervidor x
n
. El proceso
a controlar esta ampliamente descrito en el Captulo 4. El controlador se validar a en
simulacion por lo que unicamente se abarcaran los pasos del 1 al 4 de la metodologa
propuesta en la Seccion 5.2, para posteriormente pasar al analisis de los resultados.
5.4.1. Seleccion de variables
Debido al conocimiento del proceso y a las diferentes conguraciones de control pre-
sentadas en la Seccion 5.1, se escoge la conguracion (L V ) ya que se considera un
estandar en el control de composicion dual.
Por las suposiciones hechas en la formulacion del modelo, se consideran como va-
riables secundarias: la presion a lo largo de la columna, ujo de agua al condensador,
temperatura de la mezcla de entrada, composicion de la mezcla de entrada y el nivel
en el hervidor
7
. Estas variables se consideran perfectamente controladas.
Las variables que se consideran para cumplir los objetivos de control son:
Variables controladas.
Composicion en el condensador x
1
.
Composicion en el hervidor x
n
.
Variables manipuladas.
Electrovalvula de reujo R.
Potencia calefactora en la termorresistencia de calentamiento Q
B
.
Variables prealimentadas.
Flujo volumetrico de alimentaci on F
V
.
Note de las ecuaciones (4.6), (4.7) y (4.9) que: la se nal aplicada a la electrovalvula R
afecta directamente al ujo molar lquido L
R
; la potencia aplicada a la termorresistencia
de calentamiento Q
B
afecta directamente al ujo molar de vapor V
S
; y, el ujo molar de
vapor F es afectado directamente por F
V
y puede considerarse como una perturbacion
medible.
7
Recuerde que la planta piloto de destilacion no cuenta con un tanque de reujo o acumulador, por
lo que no es necesario hacer el control de nivel de dicho tanque, vea el diagrama de instrumentacion
en la pagina 67.
5.4. Controlador MPC para la columna de destilacion. 95
5.4.2. Obtencion de la respuesta temporal
La respuesta al escalon (unitario) de la planta se muestra en la Figura 5.13. De estas
gracas se puede notar que los escalones que se aplican al ujo de alimentacion F
V
y
a la potencia de calefaccion Q
B
tienen muy poco efecto sobre las composiciones x
1
y
x
n
, si se comparan con el efecto que tiene un escalon aplicado en la electrovalvula de
reujo. Estos efectos tendran que ser compensados cuando se asignen las penalizaciones
a la se nal de control en la funcion de costo (3.14).
0 200 400
0.942
0.942
0.942
0.9421
0.9421
Escaln en la potencia calefactora
0 200 400
0.565
0.565
0.565
0.565
0.565
0.565
0.565
t (min)
0 200 400
0.9415
0.9416
0.9417
0.9418
0.9419
0.942
Escaln en flujo de alimentacin
0 200 400
0.565
0.5652
0.5654
0.5656
0.5658
0.566
0.5662
t (min)
0 200 400
0.86
0.88
0.9
0.92
0.94
0.96
C
o
m
p
o
s
i
c
i
n

m
o
l
a
r

l
q
u
i
d
a

e
n

e
l

c
o
n
d
e
n
s
a
d
o
r
Escaln en la electrovlvula de reflujo
0 200 400
-0.4
-0.2
0
0.2
0.4
0.6
C
o
m
p
o
s
i
c
i
n

m
o
l
a
r

l
q
u
i
d
a

e
n

e
l

h
e
r
v
i
d
o
r
t (min)
Figura 5.13: Respuesta al escalon de la CDD.
5.4.3. Obtencion del modelo de prediccion
El modelo de la columna de destilacion, compuesto por las ecuaciones algebraicas
(4.5) a la (4.15) y el conjunto de ecuaciones diferenciales (4.19) componen un sistema
no lineal y, aunque s se pueden predecir los estados futuros con un modelo no lineal, es
sumamente difcil encontrar una solucion al problema de minimizacion para el calculo
de las futuras entradas al proceso.

Esto principalmente por problemas de convexidad, ya
que no se puede garantizar una solucion global, as como tampoco se puede garantizar
la b usqueda de una solucion local dentro de un tiempo de calculo razonable.
En los ultimos a nos el control predictivo no lineal ha sido objeto de estudio, tanto
desde el punto de vista de sus propiedades como de su implementaci on. Y existen
algunas alternativas que buscan evitar la resolucion de un problema de programacion no
convexa, no lineal. En este caso, el controlador MPC propuesto, emplea una estrategia
conocida como linealizacion en lnea, es decir, una linealizacion del modelo del proceso
en cada perodo de muestreo para calcular una respuesta optimizada con el modelo
linealizado en ese instante. Esta estrategia es una alternativa aproximada al control
predictivo no lineal y garantiza que el control presente una menor sensibilidad a los
cambios de punto de operacion.
La ecuacion de equilibrio vapor-lquido describe la relacion entre las composiciones
de vapor y
i
y lquido x
i
en cada plato de la columna y esta dado por la expresion no
lineal:
y
i
=
x
i
1 + ( 1) x
i
, i = 1, ..., n. (5.5)
Donde es la volatilidad relativa y depende de la mezcla.
Siendo x el vector de estados de dimension n (igual al n umero de platos) cuyos
componentes son las composiciones x
i
y vector de entradas es u = ( L
R
V
S
F )
T
; se
compone un sistema no lineal (4.19) de la forma:
_
x = f (x, u)
y = g (x, u)
Se linealiza el modelo alrededor del punto (u, x, y) = (u
, x
, y
), que representa
el estado nominal o punto de operacion del sistema. Lo cual nos lleva a un sistema
continuo, lineal e invariante en el tiempo de la forma:
_
x = Ax + Bu
y = Cx + Du
Donde A =
f
x
(x
, u
), B =
f
u
(x
, u
), C =
g
x
(x
, u
) y D =
g
u
(x
, u
).
Se comienza linealizando la ecuacion (5.5) de equilibrio vapor-lquido:
y
i
x
i
=

[1 + ( 1) x
i
]
2
Linealizacion de la ecuacion condensador.
M
1
x
1
= V
R
(y
2
x
1
)
Pasando la ecuacion en terminos de u
, x
:
M
1
x
1
= [V
S
+ (1 q) F] (y
2
x
1
)
Linealizando:
f
L
R
(x
, u
) = 0;
f
x
1
(x
, u
) =
1
M
1
[V
S
+ (1 q) F]
f
V
S
(x
, u
) =
1
M
1
(y
2
x
1
) ; =
1
M
1
(L
R
+ D) ;
f
F
(x
, u
) =
1
M
1
(1 q) (y
2
x
1
) ;
f
x
2
(x
, u
) =
1
M
1
V
S
y
2
.
Linealizacion de la seccion de enriquecimiento.
M
i
x
i
= V
R
(y
i+1
y
i
) + L
R
(x
i1
x
i
) ; i = 2, ..., f 1
, x
:
M
i
x
i
= [V
S
+ (1 q) F] (y
i+1
y
i
) + L
R
(x
i1
x
i
)
Linealizando:
f
L
R
(x
, u
) =
1
M
i
_
x
i1
x
i
_
;
f
x
i1
(x
, u
) =
1
M
i
L
R
;
f
V
S
(x
, u
) =
1
M
i
(y
i+1
y
i
) ;
f
x
i
(x
, u
) =
1
M
i
(L
R
+ V
R
y
2
) ;
f
F
(x
, u
) =
1
M
i
(1 q) (y
i+1
y
i
) ;
f
x
i+1
(x
, u
) =
1
M
i
V
R
y
i+1
.
Linealizacion de la ecuacion plato de alimentacion.
M
f
x
f
= V
S
y
f+1
V
R
y
f
+ L
R
x
f1
L
S
x
f
+ Fx
Fc
, x
:
M
f
x
f
= V
S
y
f+1
V
S
y
f
(1 q) Fy
f
+ L
R
x
f1
L
R
x
f
qFx
f
+ Fx
Fc
Linealizando:
f
L
R
(x
, u
) =
1
M
f
_
x
f1
x
f
_
;
f
x
f1
(x
, u
) =
1
M
f
L
R
;
f
V
S
(x
, u
) =
1
M
f
(y
f+1
y
f
) ;
f
x
f
(x
, u
) =
1
M
f
_
L
S
+ V
R
y
f
_
;
f
F
(x
, u
) =
1
M
f
_
(1 q) y
f
qx
f
+ x
Fc
;
f
x
f+1
(x
, u
) =
1
M
f
V
S
y
f+1
.
Linealizacion de la seccion de empobrecimiento.
M
i
x
i
= V
S
(y
i+1
y
i
) + L
S
(x
i1
x
i
) ; i = f + 1, ..., n 1
, x
:
M
i
x
i
= V
S
(y
i+1
y
i
) + (L
R
+ qF) (x
i1
x
i
)
Linealizando:
f
L
R
(x
, u
) =
1
M
i
_
x
i1
x
i
_
;
f
x
i1
(x
, u
) =
1
M
i
L
S
;
f
V
S
(x
, u
) =
1
M
i
(y
i+1
y
i
) ;
f
x
i
(x
, u
) =
1
M
i
(L
S
+ V
S
y
i
) ;
f
F
(x
, u
) =
1
M
i
q
_
x
i+1
x
i
_
;
f
x
i+1
(x
, u
) =
1
M
i
V
S
y
i+1
.
Linealizacion de la ecuacion del hervidor.
M
n
x
n
= V
S
(x
n
y
n
) + L
S
(x
n1
x
n
)
, x
:
M
n
x
n
= (L
R
+ qF) x
n1
+ V
S
y
n
x
n
(L
R
+ qF V
S
)
Linealizando:
f
L
R
(x
, u
) =
1
M
n
_
x
n1
x
n
_
;
f
x
n1
(x
, u
) =
1
M
n
L
S
;
f
V
S
(x
, u
) =
1
M
n
(x
n
y
n
) ;
f
x
n
(x
, u
) =
1
M
n
[L
R
qF + V
S
V
S
y
n
]
f
F
(x
, u
) =
1
M
n
q
_
x
n1
x
n
_
; =
1
M
n
[B + V
S
y
n
]
De esta forma, la matriz A es una matriz tri-diagonal y tiene dimension n n y no
es cero para los siguientes terminos:
A
i,i1
=
_
_
L
R
M
i
i = 2, ..., f,
L
S
M
i
i = f + 1, ..., n 1,
L
S
M
i
i = n
A
i,i+1
=
_
_
V
R
y
i+1
M
i
i = 1,
V
R
y
i+1
M
i
i = 2, ..., f 1,
V
S
y
i+1
M
i
i = f, ..., n 1.
A
i,i
=
_
L
R
+ D
M
i
i = 1,
L
R
+ V
R
y
i
M
i
i = 2, ..., f 1,
L
S
+ V
R
y
i
M
i
i = f,
L
S
+ V
S
y
i
M
i
i = f + 1, ..., n 1,
B + V
S
y
i
M
i
i = n
La matriz B tiene dimension n 3 y la i-esima la esta dada por:
B
i
=
_
_
1
M
i
_
0 (y
i+1
x
i
) (1 q) (y
i+1
x
i
)
i = 1,
1
M
i
_ _
x
i1
x
i
_
(y
i+1
y
i
) (1 q) (y
i+1
y
i
)
1 < i < f,
1
M
i
_ _
x
i1
x
i
_
(y
i+1
y
i
) x
Fc
qx
i
(1 q) y
i
i = f,
1
M
i
_ _
x
i1
x
i
_
(y
i+1
y
i
) q
_
x
i1
x
i
_
f < i < n,
1
M
i
_ _
x
i1
x
i
_
(x
i
y
i
) q
_
x
i1
x
i
_
i = n.
Finalmente para tener todos los estados disponibles, la matriz C es una matriz iden-
tidad de n n y la matriz D = 0.
5.4.4. Pruebas en simulacion
El controlador MPC se aplicara al modelo de la columna de destilacion del Captulo 4
cuyas caractersticas fsicas se muestran en la Tabla A.1 y la mezcla a separar sera
Metanol-Etanol. En la Tabla A.2 se muestran las caractersticas termodinamicas de la
mezcla y los parametros iniciales de la planta piloto para las simulaciones se muestra
en la Tabla A.3. Todas estas tablas se encuentran en el Apendice A. La simulacion fue
hecha en Simulink
de Matlab
.
Finalmente se escoge un tiempo de muestreo de 0.2 minutos (12 segundos), esto para
que el modelo lineal calculado en cada instante de muestro, no diverja del modelo real.
Y, para que se compense el efecto de manipulacion de la electrov alvula de reujo con
la potencia calefactora (ver la Figura 5.13), se le pone un peso de 1 a la penalizacion de
esfuerzos de control de la electrov alvula y de 0.001 a la potencia de la termoresistencia.
Los esquemas de simulaci on se muestran en la Figura 5.14, se consideran dos casos
basicos:
Caso 1. MPC con modelo lineal de la columna para las predicciones.
Caso 2. MPC con modelo de la columna linealizado en lnea (linealizacion en cada
instante de muestreo) para las predicciones:
a) La valvula de reujo R puede abrirse proporcionalmente seg un las necesidades,
para el control de la columna.
b) La valvula de reujo R solamente puede tomar dos posiciones, totalmente
abierta, o totalmente cerrada, como es el caso de la planta piloto. Para este
caso, la se nal a la valvula calculada por el MPC se convierte a una se nal de
pulsos, de tipo PWM, para que pueda aplicarse a la valvula.
Se utilizan las mismas suposiciones de la Seccion 4.2, por lo que desde t = 0 los ujos
molares de las etapas de enriquecimiento y empobrecimiento son constantes; as co-
mo las masas retenidas en cada plato son constantes. Las condiciones iniciales de las
concentraciones en cada plato de la columna de destilacion son:
x
0
= [0.942, 0.915, 0.9, 0.865, 0.82, 0.81, 0.804, 0.73, 0.722, 0.65, 0.624, 0.565]
T
Para todos los casos se hacen pruebas de regulacion y seguimiento, se comienza
trabajando sin alimentacion (destilacion por lote) para posteriormente perturbar el
sistema en con un ujo volumetrico de alimentacion de 50 mL/min.
Note que la dinamica de la columna es no lineal, dadas por las ecuaciones algebraicas
(4.5) a la (4.15) y el conjunto de ecuaciones diferenciales (4.19). Lo unico que cambia
para cada caso es el modelo que se utiliza para las predicciones. Para todos los casos se
utilizan los mismos parametros sintona, mostrados en la Tabla 5.4.
Para la sintona del controlador MPC, se toman horizontes de prediccion y control
cortos debido a que el modelo de prediccion es un modelo linealizado en ese instante
de muestreo y valido solamente para la vecindad de ese punto de linealizacion. Por las
caractersticas fsicas del sistema, es necesario tomar en consideracion las restricciones
para el calculo de la se nal de control:
0 % R 100 %
0 watt Q
B
2500 watts
Para el caso del controlador PI, la sintona fue hecha en un punto de operacion, como
generalmente se hace para este tipo de controladores, siguiendo las guas de sintona
que se proporcionan en [Luyben, 1992]. Para este caso las restricciones no se toman en
cuenta en el calculo de la se nal de control, en caso de que se viole alguna restriccion, la
se nal se satura a sus lmites.
F
R
FC FT
FT
MPC
Multivariable
LC
LT
B
D
Tx
i
Tx
i
a Esquema MPC.
F
R
FC FT
LC
LT
B
D
PI-L
PI-V
Tx
i
Tx
i
b Esquema PID.
Figura 5.14: Esquemas de simulaci on.
Tabla 5.4: Par ametros de sintona los controladores de la planta piloto de destilacion.
Control PI (L) Control PI (V ) Control MPC
Parametro Valor Parametro Valor Par ametro Valor
P 200 P 2000 H
P
20
I 1 I 5000 H
C
10
0.7
R
1
Q
B
0.001
Ts 0.2 min
En las Figuras 5.15 y 5.16 se observan las simulaciones para el primer caso, cuando
se tiene un modelo de prediccion lineal. Se puede apreciar en ellas que, debido a las no
linealidades de la planta, solamente es posible controlarla bajo ciertas condiciones de
operacion, como por ejemplo el ujo de alimentaci on constante, as como operar dentro
de la region donde fue linealizado el modelo de prediccion.
En las Figuras 5.17 y 5.18 se observan las simulaciones para el caso 2a, con un
modelo de prediccion linealizado en cada instante de muestreo y la valvula de reujo R
operando como una valvula de apertura proporcional seg un las necesidades de control.
En el caso de regulacion (Figura 5.17) se observa la mutua dependencia de las variables
controladas: cuando una variable cambia de punto de operacion se afecta a la otra. Sin
embargo, el controlador MPC logra compensar ese efecto debido a que toma en cuenta
estas interacciones, as como los efectos de la perturbacion generado por el cambio en
F
V
. Mientras que el controlador PI se ve afectado por estos efectos e incluso en ciertas
regiones presenta mayor error en estado estable y en el transitorio mayores sobretiros.
Para el caso de seguimiento (Figura 5.18), para ambos controladores es un poco mas
sencillo el control, debido a que las variaciones en los puntos de operacion es mas suave,
sin embargo, el PI sigue teniendo error en estado estable en algunas regiones.
En las Figuras 5.19 y 5.20 se observan las simulaciones para el caso 2b, con un
modelo de prediccion linealizado en cada instante de muestreo y la valvula de reujo R
operando unicamente en las posiciones, totalmente abierta y totalmente cerrada. Para el
caso de regulacion (Figura 5.19) se aprecia que el control predictivo, toma mas tiempo en
estabilizarse que en el caso 2a, sobretodo en el control de x
C
, esto por el efecto de perdida
de informacion al momento de convertir la se nal de control calculada por el controlador a
una se nal de pulsos, sin embargo logra llevar a las salidas al punto deseado. El control PI
se pierde totalmente cuando hay cambios en los puntos de operacion grandes, pues en el
intento de llevar las salidas al punto deseado calcula se nales de control que sobrepasan
los lmites permitidos de estas variables y se saturan a sus lmites, mientras que el
control MPC se anticipa a la violacion de estas restricciones y por ello logra hacer un
mejor control. En el caso de seguimiento (Figura 5.20) se puede apreciar que al igual
que el caso 2a es mas sencillo porque los cambios en los puntos de operacion son mas
suaves, y por ello PI calcula se nales de control suaves, sin necesidad de violar alguna
restriccion.
Tanto para el caso 2a como para el caso 2b en regulacion y en seguimiento, el efecto
de la perturbacion F
V
se compensa debido a que esta es una variable medible y tomada
en cuenta para las predicciones en el control MPC, mientras que el control PI no lo
considera y por ello genera en esos puntos, errores en estado estable en las salidas
controladas.
0 50 100 150 200 250 300 350 400
0.85
0.9
0.95
1
Composicin en el condensador
Tiempo (min)

x
C
MPC
Set Point
0 50 100 150 200 250 300 350 400
0.4
0.45
0.5
0.55
Composicin en el hervidor
Tiempo (min)

x
B
MPC
Set Point
0 50 100 150 200 250 300 350 400
0
50
100
Seal de entrada a EV1

R

(
%
)
Tiempo (min)
0 50 100 150 200 250 300 350 400
0
20
40
60

F
V

(
m
L
/
m
i
n
)
Tiempo (min)
0 50 100 150 200 250 300 350 400
0
500
1000
1500
2000
2500
Potencia calefactora

Q
B

(
W
a
t
t
s
)
Tiempo (min)
Figura 5.15: Caso 1. Modelo de prediccion lineal, Regulacion.
0 50 100 150 200 250 300 350 400
0.92
0.94
0.96
0.98
1
Tiempo (min)

x
C
MPC
Set Point
0 50 100 150 200 250 300 350 400
0.4
0.45
0.5
0.55
Tiempo (min)

x
B
MPC
Set Point
0 50 100 150 200 250 300 350 400
0
20
40
60
80

R

(
%
)
Tiempo (min)
0 50 100 150 200 250 300 350 400
0
20
40
60

F
V

(
m
L
/
m
i
n
)
Tiempo (min)
0 50 100 150 200 250 300 350 400
0
500
1000
1500
2000
2500

Q
B

(
W
a
t
t
s
)
Tiempo (min)
Figura 5.16: Caso 1. Modelo de prediccion lineal, Seguimiento.
0 50 100 150 200 250 300 350 400
0.92
0.94
0.96
0.98
1
Tiempo (min)

x
C
Set Point
MPC
PI
0 50 100 150 200 250 300 350 400
0.35
0.4
0.45
0.5
0.55
Tiempo (min)

x
B
Set Point
MPC
PI
0 50 100 150 200 250 300 350 400
0
50
100

R

(
%
)
Tiempo (min)
MPC
PI
0 50 100 150 200 250 300 350 400
0
20
40
60
Fujo volumtrico de alimentacin

F
V

(
m
L
/
m
i
n
)
Tiempo (min)
0 50 100 150 200 250 300 350 400
0
1000
2000

Q
B

(
W
a
t
t
s
)
Tiempo (min)
MPC
PI
Figura 5.17: Caso 2a. R (apertura proporcional). MPC y PI, Regulacion.
0 50 100 150 200 250 300 350 400
0.94
0.95
0.96
0.97
0.98
0.99
1
1.01
Tiempo (min)

x
C
Set Point
MPC
PI
0 50 100 150 200 250 300 350 400
0.4
0.45
0.5
0.55
Tiempo (min)

x
B
Set Point
MPC
PI
0 50 100 150 200 250 300 350 400
0
50
100

R

(
%
)
Tiempo (min)
MPC
PI
0 50 100 150 200 250 300 350 400
0
20
40
60

F
V

(
m
L
/
m
i
n
)
Tiempo (min)
0 50 100 150 200 250 300 350 400
0
1000
2000

Q
B

(
W
a
t
t
s
)
Tiempo (min)
MPC
PI
Figura 5.18: Caso 2a. R (apertura proporcional). MPC y PI, Seguimiento.
0 50 100 150 200 250 300 350 400
0.92
0.94
0.96
0.98
1
1.02
Tiempo (min)

x
C
Set Point
MPC
PI
0 50 100 150 200 250 300 350 400
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
Tiempo (min)

x
B
Set Point
MPC
PI
0 50 100 150 200 250 300 350 400
0
50
100

R

(
%
)
Tiempo (min)
MPC
PI
0 50 100 150 200 250 300 350 400
0
20
40
60

F
V

(
m
L
/
m
i
n
)
Tiempo (min)
0 50 100 150 200 250 300 350 400
0
1000
2000

Q
B

(
W
a
t
t
s
)
Tiempo (min)
MPC
PI
Figura 5.19: Caso 2b. R (On/O). MPC y PI, Regulacion.
0 50 100 150 200 250 300 350 400
0.94
0.95
0.96
0.97
0.98
0.99
1
1.01
Tiempo (min)

x
C
Set Point
MPC
PI
0 50 100 150 200 250 300 350 400
0.4
0.45
0.5
0.55
Tiempo (min)

x
B
Set Point
MPC
PI
0 50 100 150 200 250 300 350 400
0
50
100

R

(
%
)
Tiempo (min)
MPC
PI
0 50 100 150 200 250 300 350 400
0
20
40
60

F
V

(
m
L
/
m
i
n
)
Tiempo (min)
0 50 100 150 200 250 300 350 400
0
1000
2000

Q
B

(
W
a
t
t
s
)
Tiempo (min)
MPC
PI
Figura 5.20: Caso 2b. R (On/O). MPC y PI, Seguimiento.
5.5. Conclusiones. 109
5.4.5. Analisis de resultados
El analisis cuantitativo de los resultados se hara nuevamente con el criterio del error
medio cuadratico (EMC) que nos proporciona el error promedio a lo largo de las simu-
laciones. Para este caso el error se expresa mediante:
EMC =
_
N
j=1
_
x
set
cij
x
real
cij
_
2
N
100
donde el error medio cuadratico tiene unidades de porcentaje de concentraci on (que
en este caso corresponde a la concentraci on de Metanol). El n umero de muestras es
N = 2000 al ser el perodo de muestreo de 0.2 min.
Los resultados se aprecian en la Tabla 5.5. Se puede ver de estos valores de error que
para ambas variables controladas (composicion en el condensador y composicion en el
hervidor), en todos los casos donde se linealiza en lnea el modelo de la columna (Caso
2a y 2b), el controlador MPC tiene un mejor desempe no que los controladores PI. El
caso donde se tiene un modelo lineal del proceso (Caso 1) tiene un error mayor debido
a que el modelo utilizado para las predicciones solamente es valido para un punto de
operacion y no representa el comportamiento dinamico del proceso fuera de este punto.
Tabla 5.5: Error medio cuadratico de las simulaciones.
Control MPC Control PI
Condensador Hervidor Condensador Hervidor
Caso 1. Regulacion 1.44 3.03
Caso 1. Seguimiento 1.11 1.21
Caso 2a. Regulacion 0.78 1.15 1.05 1.52
Caso 2a. Seguimiento 0.32 0.70 0.54 0.85
Caso 2b. Regulacion 0.81 1.13 2.24 6.99
Caso 2b. Seguimiento 0.35 0.77 0.54 0.85
5.5. Conclusiones
En este captulo se presentaron los resultados obtenidos al aplicarle el control pre-
dictivo al lazo de ujo de agua al condensador en simulacion y de forma experimental;
as como las simulaciones del control a la planta piloto de destilacion. El desempe no de
estos controladores se comparo con controladores PI. Para llevar a cabo el dise no e im-
plementaci on de los controladores se utilizo la metodologa planteada en la Seccion 5.2.
Para el control de ujo al condensador se presenta paso a paso el desarrollo del
sistema de control, siendo lo mas relevante la implementaci on experimental, donde la
solucion tecnologica para la comunicaci on entre la PC y la planta piloto es el protocolo
de comunicaciones MODBUS. Se compara el controlador desarrollado con el controlador
PI incorporado en el regulador Digitric 500. Los resultados de control nos muestran que
el control predictivo no es apto cuando los objetivos de control requieren una respuesta
rapida, principalmente porque el tiempo necesario para las predicciones y el calculo de
la se nal de control es grande (hasta de 1 segundo para este caso, recordando que la
constante de tiempo del sistema es de 0.5 segundos).
La evaluacion del controlador multivariable se realizo mediante simulaciones
numericas, donde el proceso a controlar se represent o por el modelo obtenido en el
Captulo 4 para una columna de destilacion y el modelo de prediccion fue un modelo
de la columna linealizado en lnea. Con este modelo de prediccion se evito la resolu-
cion de un problema de optimizacion no convexa, no lineal. Se mostro en este captulo
la efectividad del controlador en cuanto al rechazo de perturbaciones medibles y los
cambios en los puntos de operacion del proceso.
Los resultados del control para ambos casos fueron evaluados cuantitativamente me-
diante el criterio de error llamado: error medio cuadratico. El resultado de este criterio
de error representa el promedio de error a lo largo de la simulaci on o experimento.
Captulo 6
Conclusiones generales y
perspectivas
Para nalizar este trabajo, se presentan a continuaci on las conclusiones generales y
los trabajos futuros propuestos.
6.1. Conclusiones generales
En el actual documento se presenta el estudio de la tecnica del control predictivo desde
sus elementos basicos y las alternativas que se utilizan en diferentes formulaciones. Se
desarrolla un controlador predictivo en ambiente de Simulink
utilizando la formulacion
en espacio de estados, tomandose en consideracion diferentes aspectos clave en estos
controladores, como lo pueden ser: la diferencia que pudiera existir entre el modelo de
prediccion y el proceso, as como la incorporacion de restricciones en el calculo de la
se nal de control. Evidentemente, existen diversas herramientas de control predictivo en
el mercado, entre las que destaca el toolbox de MPC
1
[Morari y Ricker, 1998], que es
mas potente que la presentada en este trabajo, al ser su orientacion y objetivo distintos.
La Tabla 6.1 muestra una comparativa de las dos herramientas, donde se han destacado
en cursiva aquellas caractersticas del controlador programado.
Se presentan 4 casos de estudio en donde el controlador se pone a prueba. En estos
casos se aprecian: (i ) los efectos que tienen los parametros de sintona, (ii ) el control
con un modelo de prediccion diferente a la planta, (iii ) la incorporacion de restricciones
y (iv) un caso mas complejo donde se controla una planta multivariable, de fase no
mnima y operando cerca de las restricciones, donde se puede ver mas de cerca las
ventajas que nos ofrece esta tecnica de control.
1
El toolbox de MPC no fue empleado en esta tesis.
111
112 Captulo 6. Conclusiones generales y perspectivas.
Tabla 6.1: Tabla comparativa entre el controlador programado y el toolbox de MPC de
Matlab
.
Principales caractersticas de las herramientas Programa
de MPC
Toolbox de
Matlab
Codigo fuente disponible para el usuario.

Facil manejo (no necesita programacion para la reali-
zacion de ejemplos).

Representaci on de sistemas en funcion de transferencia
(para el modelo de prediccion).

Representaci on de sistemas en espacio de estados (para
el modelo de prediccion).

Sistemas multivariables.
Tratamiento de restricciones fsicas.
Tratamiento de sistemas no lineales.
Rechazo de perturbaciones medibles.
Rechazo de perturbaciones no medibles.
Permite analisis de estabilidad.
Identicaci on de sistemas.
Disponibilidad gratuita.
Posteriormente, se da a conocer el modelo y la descripcion de la planta piloto de des-
tilacion. El modelo se hace en base a ciertas suposiciones como ujos molares constantes
en cada seccion, mezcla binaria e ideal, constante de equilibrio ideal, masas retenidas
constantes, etc. Estas suposiciones son muy comunes en la formulacion de modelos de
columnas de destilacion por su simplicidad para probar estrategias de control. La va-
lidacion demuestra de forma graca que la simulacion numerica del modelo sigue la
dinamica de la planta y aunque no hay un ajuste perfecto se toma como valido.
Se pone en practica la metodologa propuesta en la Seccion 5.2 para la implementaci on
de un controlador predictivo monovariable para el control de ujo de agua al conden-
sador de donde se puede ver que el sistema presenta una dinamica rapida, su cons-
tante de tiempo es de 0.5 segundos aproximadamente, por lo que para una buena
discretizacion del sistema se requerira muestrear entre 4 y 10 veces la constante de
tiempo, esto es entre 0.05 y .125 seg. Sin embargo, debido a las caractersticas del re-
gulador Digitric 500 (ya que el tiempo mnimo de muestreo es de 0.2 segundos) y que
el tiempo de calculo de la se nal de control y de la estimacion de parametros en lnea,
no se pueden hacer lo sucientemente rapido, se utiliza un tiempo de muestreo de 1
segundo, que podra considerarse mucho tiempo. Pero recuerde que en el caso de
control de una columna de destilacion con conguracion de control (L V ), el ujo
de agua al condensador es una variable de control de inventario (secundaria) y debe
permanecer constante a lo largo de todo el proceso, y durante el tiempo de arranque
6.1. Conclusiones generales. 113
de la columna se logra controlar perfectamente antes de que el vapor llegue al conden-
sador, que tarda aproximadamente 30 min. Cabe se nalar que el control PI, con el que se
compara el control MPC, es el que se tiene en el lazo 2 del primer regulador Digitric 500
y los parametros de sintona son los que actualmente se tiene en dicho lazo y aunque
responde mas rapido el controlador MPC, es difcil de mostrar todas las ventajas de
un controlador MPC comparado con un control PI ya que en este caso no se aprecian
las ventajas del caso multivariable ni cuando se tienen restricciones en la salida, en los
estados, etc.
El tiempo del calculo de la se nal de control en tiempo real (casi 1 segundo para el
lazo SISO) nos demuestra que este tipo de control no esta hecho para controlar sistemas
rapidos, aunque existen alternativas, como el control predictivo funcional, que calcula
una se nal de control suboptima para agilizar el tiempo de calculo.
En el control de la columna se pueden apreciar con mas detalle los benecios del
control predictivo interactuando con una planta no lineal y en presencia de restricciones.
Para todos los casos estudiados, el control predictivo presenta un mejor comportamiento
que el controlador PI, ya que logra mantener un error en estado estable igual a cero y
puede compensar los efectos generados por los cambios de referencias en otras variables,
as como el cambio en el punto de operacion de la planta debido a la linealizacion en
lnea.
Por otro lado, el controlador MPC, tambien puede rechazar mejor las perturbaciones
generadas por el cambio de ujo de alimentacion ya que las toma en cuenta al ser un
controlador multivariable. El efecto del ruido generado por la perdida de informacion en
la modulacion PWM de la se nal de control a la electrov alvula genera oscilaciones de la
salida controlada sobre la referencia en cuanto al controlador MPC, pero el controlador
PI en el caso de cambios grandes en la referencia, no puede estabilizar la salida. La
incorporacion de restricciones al calculo de la se nal de control garantizan que el MPC
calcule una se nal de control acotada, mientras que para el PI, la saturacion de la se nal
de control afecta su desempe no.
Finalmente para la validacion de la hipotesis se utiliza el criterio del error medio
cuadratico. Los resultados que nos proporciona este ndice de desespe no se encuentran
en las Tablas 5.3 y 5.5. Se puede apreciar por simple comparacion, que para los diversos
casos estudiados y en todas las variables controladas se tiene un mejor desempe no del
control MPC.
Como ha podido observarse en las ecuaciones que describen la formulacion de las
predicciones y el problema de control, los controladores predictivos tratan problemas
complejos de forma optima, siendo una herramienta de gran valor para abordar pro-
blemas donde se necesita una mejora de la regulacion, sin una complejidad conceptual
elevada. Utilizan una serie de parametros cuyo signicado es facil de comprender y para
los que existen reglas de seleccion que hacen la sintona y el mantenimiento asequible al
114 Captulo 6. Conclusiones generales y perspectivas.
usuario. En todo caso, la sintona no suele ser un problema en control predictivo, donde
el esfuerzo y el tiempo de dise no, se pone en la obtencion y validaci on de un modelo
utilizado para las predicciones. Siendo despues relativamente sencillo escoger el tipo de
respuesta deseada para el controlador.
6.2. Trabajos futuros propuestos
Existen diferentes aspectos que se pueden seguir investigando a raz de este trabajo,
los cuales se pueden dividir de la siguiente manera:
El modelo de la columna de destilacion. El modelo de la columna de des-
tilacion presentado en el Captulo 4, es un modelo simplicado que es apto para
estrategias de control, sin embargo, puede mejorarse tomando en cuenta otros as-
pectos en el modelado, como pudieran ser: un modelo mas completo y detallado del
hervidor y del condensador, perdidas de calor en el medio ambiente etc. As como
ajustando parametros en los que se tiene incertidumbre (ej. la eciencia de Mur-
phree) y calculando los que no se conocen (ej. coeciente de efervescencia de la
mezcla).
Implementacion en tiempo real. En este trabajo se presenta la implementaci on
del control predictivo para el control de un lazo monovariable en la columna de
destilacion siguiendo la metodologa propuesta en la Seccion 5.2, quedandose como
un trabajo futuro la validaci on del control multivariable en tiempo real.
Control predictivo no lineal. Para el control de la columna de destilacion se
utiliza una alternativa al control predictivo no lineal conocida como linealizacion
en lnea. Actualmente no existen soluciones generales para el control predictivo
no lineal puro, pero si existen soluciones especcas para problemas particulares
y principalmente en simulacion, donde el inconveniente basico es la solucion de
un problema no lineal, no convexo. Se propone hacer un estudio de estas solu-
ciones especcas para poder aplicar el control predictivo no lineal a la columna
de destilacion.
Bibliografa
[Alpbaz et al., 2002] M. Alpbaz, S. Karacan, Y. Cabbar, H. Hapoglu (2002). Applica-
tion of model predictive control and dynamic analisis to a pilot distillation column
and experimental verication. Che. Eng. Journal 88, 163-174 .
[
Astrom y Wittenmark, 1990] K. J.

Astrom y B. Wittenmark (1990). Computer con-
troled system Teory and design. Prentice Hall, Englewood Clis, New Jersey.
[
Astrom y Wittenmark, 1995] K. J.

Astrom y B. Wittenmark (1995). Adaptative con-
trol. Addison Wesley. Segunda edicion.
[Al-Arfaj y Luyben, 2000] M. Al-Arfaj and W. L. Luyben (2000). Comparison of al-
ternative control structures for an ideal two-product reactive distillation column.
Ind. Eng. Chem. Res. 39, 3298-3307.
[Camacho, 2001] E. Camacho y C. Bordons (2001). Control predictivo: pasado, presente
y futuro. Reporte tecnico. Escuela Superior de Ingenieros. Universidad de Sevilla.
[Camacho, 2004] E. Camacho y C. Bordons (2004). Model predictive control. Second
edition. Springer-Verlag, 2004.
[Clarke y Gawthrop, 1979] D.W. Clarke y P.J. Gawthrop (1979). Self-tuning control.
IEEE Proceedings. 123, 633-640.
[Clarke et al., 1987] D.W. Clarke, C. Morari, P.S. Tus (1987). Generalized predictive
control. Part I. The basic algorithm. Automatica 23(2), 137-148.
[Clarke y Morari, 1989] D.W. Clarke, C. Morari (1989). Generalized predictive control.
Automatica 25(6), 859-875.
[Cutler y Ramaker, 1980] C.R. Cutler, B.C. Ramaker (1980). Dynamic matrix control.
A computer control algorithm. Automatic Control Conference, San Francisco.
[Digitric, 2001] Digitric, Manual (2001). Protonic 100/500/550 Digitric 500, MODBUS
interface description. Clasicacion 42/62-50040 EN, ABB Group. Alemania.
[E.Veneta, 1998] Manual Profesor/Alumno (1998). Planta piloto automatizada y com-
puterizada de destilacion continua. MOD DCA/EV. ElettronicaVeneta. Italia.
[Fletcher, 1980] R. Fletcher (1980). Practical methods of optimization. John Wiley &
Sons Ltd.
115
116 Bibliografa
[Garca et al., 1989] C.E. Garca, D.M. Prett y M. Morari (1989). Model predictive con-
trol: theory and practice - a survey. Automatica, 25(3), 335-348.
[Greco et al., 1984] C. Greco, G. Menga, E. Mosca y G. Zappa (1984). Performance im-
provement of self tuning controllers by multistep horizons: The musmar approach.
Automatica 20, 681-700.
[Halvorsen y Skogestad, 1997] I. J. Halvorsen , S. Skogestad (1997). Optimizing control
of petlyuk distillation: understanding the steady-state behavior. Computers chem.
Engng, 21, 249-254.
[Hurowitz et al., 2003] S. Hurowitz, J. Anderson, M. Duvall, J. B. Riggs (2003). Dis-
tillation control conguration selection. Journal of Process Control, 13, 357-362.
[Jana et al., 2005] Jana, K. Amiya, N. S. Amar, G. Saibal (2005). Globally linealized
control system design of a constrained multivariable distilation column. Journal
of Process Control. 15, 169-181.
[Johanson, 2006] K. H. Johanson (2006). Relay feedback and multivariable control. Tesis
de doctorado, Lund Institute of thecnology. Suecia.
[Juarez et al., 2006] D. Juarez-Romero, C.M. Astorga-Zaragoza, V.M. Alvarado-
Martnez, F.R. Lopez-Estrada (2006). A test-based methodology for parameter
estimation of a bench-scale distillation column. Conference on Dinamics, Instru-
mentation and Control CDIC06. Qeretaro, Mexico.
[Keyser y Cuawenberghe, 1985] R.M.C. De Keyser, A.R. Van Cuawenberghe (1985).
Extended prediction self-adaptive control. IFAC Symposium on Identication and
System Parameter Estimation. York, UK. 1317-1322.
[Keyser et al., 1989] R.M.C. De Keyser, Ph.G.A.Van deVelde, F.G.A. Dumortier
(1989). A comparative study of self-adaptive long-range predictive control methods.
Automatica, 24(2), 149-163.
[Kramer, 1991] K. Kramer, H. Ubehauen (1991). Predictive adaptive control. Compari-
son of main algorithms. Proceedings 1st European Control Conference, Grenoble,
327-332.
[Luyben, 1992] W. Luyben (1992). Practical distillation control. Van Nostrand-
Reynolds.
[Maciejowsky, 2002] J.M. Maciejowsky (2002). Predictive control with constraints.
Prentice Hall.
[McAvoy y Wang, 1986] T.J. McAvoy, Y.H. Wang (1986). Survey of recent distillation
control results. ISA Transactions, 24(1), 5-15.
[Morari, 1994] M. Morari (1994). Advances in model-based predictive control. Oxford
University Press.
Bibliografa 117
[Morari y Ricker, 1998] M. Morari, N.L. Ricker (1998). Model predictive control toolbox
users guide. MathWorks.
[Murray, 2003] A.G. Murray (2003). Dynamical mathematical model of a distillation
column. Masters thesis. University of Tennessee at Chatanooga. Tennesse, USA.
[Nooraiil y Romagnoli, 1998] AA. Nooraiil, J. A. Romagnoli (1998). Implementation
of advanced operational and control techniques for a pilot distillation column.
Computers chem. Engng. 22, 695-708.
[Pannocchia, 2003] G. Pannocchia (2003). Model predictive control with application to
multivariable ill-conditioned process. Journal of Process Control 13, 693-701.
[Peterka, 1984] V. Peterka (1984). Predictor-based self-tuning control. Automatica
20(1), 39-50.
[Poling et al., 2001] B.E. Poling, J.M. Prausnitz, J.P. OConnell (2001). The properties
of gases and liquids. McGrawHill.
[Propoi, 1963] A.I. Propoi (1963). Use of LP methods for synthesizing sampled-data
automatic systems. Automatic Remote Control.
[Qin y Badgwell, 2003] S.J. Qin, T.A. Badgwell (2003). A survey of industrial model
predictive control technology. Control Engineering Practice, 11, pp. 733-764.
[Rademarker et al., 1975] O. Rademaker, J.E. Rijnsdorp, A. Maarleveld (1975). Dyna-
mics and control of continuous distillation columns. American Elsevier Publishing
Company, Inc., New York, New York.
[Rawlings, 2000] J. Rawlings (2000). Tutorial overview of model predictive control.
IEEE Control Systems Magazine 20(3), 38-52.
[Richalet et al., 1978] J. Richalet, A. Rault, J.L. Testud y J. Papon (1978). Model pre-
dictive heuristic control: application to industrial processes. Automatica 14(2),
413-428.
[Richalet et al., 1987] J. Richalet, S. Abu, C. Arber H.B. Kuntze, A. Jacubash,
W.Schill. (1987). Predictive functional control. Aplication to fast and accurate
robots. In Proc. 10th IFAC Congress, Munich.
[Richalet, 1992] J. Richalet (1992). Practique de la commande predictive. Hermes, Fran-
cia.
[Rivas et al., 2006] F. Rivas-Cruz, G. Valencia-Palomo, R. Longoria-Ramrez, F.R.
Lopez-Estrada (2006). Real-time monitoring and control of a distillation column
via MODBUS protocol. Congreso anual de la Asociacion Mexicana de Control
Automatico AMCA06. UNAM, Mexico D.F.
[Rosenbrock, 1960] H. Rosenbrock (1960). A Theorem of Dynamic Conservation for
Distillation. Trans. Instn. Chem. Engrs, 38, 20-35.
118 Bibliografa
[Schmitz, 2001] E. Schmitz (2001). Modelado y simulacion de una torre de destilacion
multicomponente. Tesis de maestra, Universidad Politecnica de Valencia. Espa na.
[Skogestad, 1997] S. Skogestad (1997). Dynamics and control of distillation columns. A
critical survey. Modeling, Identication and control, 18, 177-217.
[Torres-Ortiz, 2005] F.L. Torres-Ortiz (2005). Observacion y control no lineal de colum-
nas de destilacion. Tesis de Maestra, CENIDET.
[Tolliver y Waggoner, 1980] T. L. Tolliver, R. C. Waggoner (1980). Distillation column
control: a review and perspective from the control process industry. ISA Transac-
tions, 35, 83-106.
[Volk et al., 2005] U. Volk, D. Kniese, R. Hahn, R. Haber, U. Schmitz (2005). Optimized
multivariable predictive control of an industrial distillation column considering
hard and soft constraints. Control Engineering Practice 13, 913-927.
[Waller et al., 2005] J.B. Waller, J.M. Boling (2005). Multivariable nonlinear MPC of
an ill-condicioned distilation column. Journal of Process Control. 15, 23-29.
[Ydstie, 1984] B.E. Ydstie (1984). Extended horizon adaptive control. Proc. 9th IFAC
World Congress, Budapest, Hungary.
[Zadeh y Whalen, 1962] L.A. Zadeh, B.H. Whalen (1962). Optimal control and linear
programming. IRE Trans. Automatic Control, 45-46.
Apendice A
Tablas de parametros
En este apendice se muestran los parametros utilizados a lo largo de la tesis para las
simulaciones y los experimentos realizados. La Tabla A.1 muestra las caractersticas de
la planta piloto de destilacion, la Tabla A.2 muestra las propiedades termodinamicas
de la mezcla Metanol-Etanol y nalmente la Tabla A.3 muestra las condiciones iniciales
utilizadas en la simulacion.
Tabla A.1: Caractersticas fsicas de la planta piloto de destilacion.
Caracterstica Valor Unidades
Etapas (n) 12
Platos 10
Plato de alimentaci on (f) 7
Espacio entre platos 11 cm
Diametro de platos 10 cm
Diametro de vertedero 0.5 cm
Altura de vertedero 2.5 cm
Capacidad del hervidor 6 L
Capacidad de recogida de producto de fondo 4 L
Area de transferencia del condensador 0.5 m
2
Capacidad de recogida de destilado 1 L
Potencia de termorresistencia de calentamiento 0-2500 Watts
Potencia de termorresistencia de precalentamiento 0-500 Watts
119
120 Apendice A. Tablas de parametros.
Tabla A.2: Propiedades termodinamicas de la mezcla Metanol-Etanol.
Parametro MeOH EOH Unidades
Densidad (
c
) 0.792 0.789 g/cm
3
Peso molecular (M
Wc
) 32 46.07 g/mol
Temperatura de ebullicion (T
bc
) 64.7 78.5
o
C
Entalpa de vaporizacion (H
vap
c
) 35.27 38.56 kJ/mol
Calor especco (Cp
c
) 0.0816 0.1124 kJ/mol
o
C
Constante de Antoine A
c
8.08097 7.58670
Constante de Antoine B
c
1582.271 1281.590
Constante de Antoine C
c
239.726 193.768
Tabla A.3: Parametros iniciales de las simulaciones.
Parametro Valor Unidades
Volumen de MeOH en la alimentaci on V
F1
2000 mL
Volumen de EOH en la alimentaci on V
F2
2000 mL
Volumen de MeOH en el hervidor V
112
2000 mL
Volumen de EOH en el hervidor V
212
2000 mL
Eciencia de Murphree (E) 0.9
Eciencia de Murphree (e) 0.9
Temperatura de alimentaci on (T
F
) 26

C
Presion del proceso (P
T
) 101.3 kPa
Apendice B
Descripcion de los programas
En este apendice se hace una descripcion breve del uso de los programas utilizados
para las simulaciones y la reproduccion de las gracas de este trabajo. Incluye tambien
una descripcion del programa utilizado para el control en tiempo real del ujo de agua
al condensador.
Los archivos involucrados en las simulaciones y el control de tiempo real se encuentran
en el disco compacto anexo a este documento de tesis.
B.1. El modelo de la columna de destilacion
La programacion del software de simulaci on se realizo utilizando Simulink
v. 6.5 de
Matlab
v. 7.2. Simulink
es un ambiente de programacion dise nado para construir si-

muladores numericos mediante modulos representados por bloques. Cada bloque esta pro-
gramado para realizar una funcion en particular.
Modelo no lineal de la CDD
El software necesario para la simulaci on del modelo no lineal de la planta piloto
de destilacion esta guardado bajo el nombre columna.mdl y requiere que el archi-
vo column.m este guardado en el mismo directorio. Para su simulacion unicamente
debera ejecutarse el programa (Figura B.1).
Modelo linealizado en lnea de la CDD
La programacion de la simulaci on de la columna de destilacion linealizada en ca-
da instante de muestreo esta realizada en el programa Linealizaciononline.mdl y
121
122 Apendice B. Descripcion de los programas.
Figura B.1: Simulador de la columna de destilacion en lazo abierto.
requiere del archivo collinonline.m. La comparacion de las respuestas del mode-
lo no lineal y el modelo linealizado en lnea se puede ver ejecutando el programa
(Figura B.2).
Figura B.2: Comparacion de la columna de destilacion en lazo abierto y la columna de
destilacion linealizada en lnea.
Los parametros de la columna de destilacion, para ambos casos, tanto el modelo lineal
como el linealizado en lnea, en caso de que requieran ser modicados, se tienen que
hacer directamente desde la lnea de codigo de cada simulador.
B.2. El controlador MPC. 123
B.2. El controlador MPC
A diferencia del modelo no lineal y el modelo linealizado en cada instante de muestreo,
que estan programados en una funcion S continua, el controlador MPC desarrollado en
esta tesis se encuentra programado en una funcion S discreta.
El programa del controlador se encuentra distribuido en 3 archivos:
MPCInicial.m Es una funcion de bajo nivel utilizada para la inicializacion del
controlador MPC. Las matrices requeridas para generar las predicciones, la trayec-
toria de referencia y las utilizadas para resolver el problema de optimizacion se
calculan en este bloque y son devueltas en una estructura llamada md.
MPCSoloptimizada.m Es una funcion de bajo nivel utilizada para calcular la
se nal de control dados los estados actuales (medidos o estimados) y el valor de las
salidas deseadas (set point).
MPCControlador.m Es la funcion S que contiene el algoritmo principal del
controlador, manda a llamar al archivo MPCInicial.m para que se inicialice,
posteriormente genera las predicciones y la trayectoria de referencia y manda a
llamar al archivo MPCSoloptimizada.m para el calculo de la se nal de control.
Estos archivos son almacenados en un directorio y son mandados a llamar durante
la ejecucion de la respectiva simulacion.
El bloque que llama a la funcion S (Figura B.3), tiene como entradas los esta-
dos medidos y las salidas deseadas. Las salidas del bloque son la se nal de control
para las entradas manipuladas y los estados predichos. Los parametros de entrada
al controlador se introducen directamente desde un cuadro de dialogo en Simulink
(Figura B.4).
Para el modelo introducido al controlador se asume un modelo discreto con intervalo
de muestreo Ts en espacio de estados:
x (k + 1) = Ax (k) + Bu(k)
y (k) = Cx (k)
z (k) = C
z
x (k)
z
c
(k) = C
c
x (k)
Donde y(k) son las salidas medidas, z(k) son las salidas controladas y z
c
(k) son las
salidas con restricciones. Las restricciones del sistema estan dadas por la ecuacion (3.21).
Ejemplos con el bloque de MPC
Se realizaron algunas pruebas en el Captulo 3 con el n de probar algunos aspectos
del controlador programado. Estas pruebas se encuentran en las carpetas bajo los nom-
bres Ejer01.mdl, Ejer02.mdl, Ejer03.mdl, RestriccionesSISO.mdl y por ultimo
Tanque.mdl. Basta con ejecutar estos programas para poder simularlos y obtener las
gracas correspondientes.
Seal de
control
Estados
predecidos
Estados
medidos
Set points
Figura B.3: Bloque del controlador MPC en Simulink
.
Figura B.4: Cuadro de dialogo del controlador MPC.
Control de ujo de agua al condensador
Simulaci on
Para la simulaci on del control de ujo de agua al condensador basta con ejecutar el
programa Flujoalcond.mdl (Figura B.5). La estimacion de parametros se encuentra
programada en estimacion.m, los parametros de la estimacion se pueden cambiar
directamente desde un cuadro de dialogo en Simulink
(Figura B.6).
Figura B.5: Simulador del control de ujo de agua al condensador.
Figura B.6: Cuadro de dialogo del bloque de estimacion de parametros.
Control en tiempo real
El programa de control en tiempo real del ujo de agua al condensador se encuentra
programado en LabView
v. 8.0, el programa tiene dos partes principales: la referente al

control predictivo (Figura B.7) y la referente a la estimacion de parametros (Figura B.8),
en cada una de ellas se pueden modicar sus parametros para diferentes sintonizaciones
o estimaciones.
a Pantalla inicial.
b Salida del sistema. c Entrada al sistema.
Figura B.7: Programa en LabView
para el control MPC en tiempo real.

a Estimados a
1
y a
2
. b Estimados b
0
y b
1
.
Figura B.8: Programa en LabView
para el control MPC en tiempo real, parametros

estimados.
Control de la planta piloto de destilacion
Las simulaciones del control de la planta piloto de destilacion (Figura B.9) se encuen-
tran divididas en 3 carpetas:
Columna control 01 Esta carpeta contiene el control MPC lineal de la planta
piloto de destilacion, el archivo para la simulacion es CDDconMPC.mdl.
Columna control 02 Esta carpeta contiene el control MPC mediante lineali-
zacion en lnea de la planta piloto de destilacion comparado con un control PI,
el archivo para la simulaci on es CDDComparacion.mdl. La electrovalvula de
reujo es considerada como una valvula de apertura proporcional.
Columna control PWM Esta carpeta contiene el control MPC mediante li-
nealizacion en lnea de la planta piloto de destilacion comparado con un control
PI, el archivo para la simulacion es CDDComparacion.mdl. La electrov alvula
de reujo es considerada como una valvula de apertura On/O.
Figura B.9: Simulador del control de ujo de agua al condensador.

Columna de Destilación Binaria

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Columna de Destilación Binaria

Uploaded by

Copyright:

Available Formats

SUBSECRETARA DE EDUCACIN E

for his evaluation. This

Indice general iii

para el control MPC en tiempo real. . . . . . . 126

para el control MPC en tiempo real, parametros

Astrom y Wittenmark, 1990]:

y utilizan una sintaxis especial para interactuar con los algoritmos

para solucionar los diversos tipos ecuaciones y otras funciones

el bloque MPC, el control del ujo es una

Astrom y Wittenmark, 1995] se re-

(k) Vector de parametros estimados en el instante k.

Codigo fuente disponible para el usuario.

Astrom y Wittenmark, 1990] K. J.

Astrom y Wittenmark, 1995] K. J.

es un ambiente de programacion dise nado para construir si-

v. 8.0, el programa tiene dos partes principales: la referente al

para el control MPC en tiempo real.

para el control MPC en tiempo real, parametros

You might also like