Professional Documents
Culture Documents
=
) 1 ( ) 1 ( ) ( + = t u N t X M t X
) ( ) ( t X Q t y =
) ( ) (
1
) 1 ( ) ( ) ( ) (
1 1 1
t e z C t u z z t y z
d
A
+ B = A
) ( ) (
1
) 1 ( ) ( ) ( ) (
1 1 1
t e z C t u z z t y z
d
A
+ B = A
) e( 1) u(t ) z b (b z y(t) ) az (1
1
1 0
3 1
t + + = +
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
interfaz. En este caso el archivo
contendr otras matrices del sistema
nombrados por Ap y Bp para el
CARIMA, gp para la Respuesta a
escaln, y Mp, Np y Qp para el modelo
de espacio de estado.
Una informacin sobre el sistema en el
archivo se encuentra en la celda o
matriz Sinfo.
El archivo de sistema tambin contiene
dos variables que son la entrada y la
referencia para el sistema:
1. constante de Referencia: vrefc, que
contiene una referencia constante
para las salidas. Es un vector columna
con los valores establecidos, en el caso
de utilizar una referencia constante en
el experimento. Tenga en cuenta que
su tamao ser el nmero de salidas del
sistema.
2 Referencia Variable: vrefv, construida
por el creador del archivo de sistema
para describir cambios en el Set-Point.
Es una matriz cuyos vectores son los
valores establecidos para cada salida.
La longitud de estos vectores se puede
adaptar para el tiempo de simulacin
del experimento.
Un ejemplo de la estructura de un
archivo-m que aceptada IMPACT es la
siguiente (sistema SISO):
% E1s1d0.m
% Matrices Modelo
A = [1 -0.8];
B = [0,2];
% Matrices Error Modelo:
Ap = [1 -0,875];
Bp = [0.154];
Modelo de respuesta% Paso y error
de modelado
g = [0; 0,2; 0,36; 0,488; 0,5904;
0,67232; 0.737856; 0,7902;
0,83222;...
0,865782272; 0,8926258176;
0,91410065408; 0.9312805; 0.945];
gp = g;
gninputs = 1;% Necesario si el
sistema slo funciona con g
% Modelo en Espacio de Estado
Mm = 0,8; Nm = 0,5; Qm = 0,4;
% Estado de error de espacio de
modelado
Pf = 0,9; Np = 0,5; Qp = 0,35;
% Informacin del sistema
Sinfo = {'SISTEMA DE PRIMER ORDEN
SIN DEMORA'};
% SP Constant
vrefc = [0,5];
SP Variable% Construido construido
sobre vrefv
INTT = 50; totalt = 100; % Las
variables locales a vrefv
construido
vrefv = [0,5 queridos * (1, INTT),
0,25 * queridos (1, (totalt-INTT)
1)];
Hay varias opciones para los archivos
del sistema que se describen en el
Apndice I. Estos seres estn
especficamente diseados para
cargar un experimento directamente
con el archivo de sistema. Se han
utilizado con el ejemplo y el ejercicio
archivos que acompaan a este
software, que corresponden a los
captulos del libro de MPC.
A pesar de ello, estas opciones pueden
ser utilizadas por el usuario para crear su
sistema y experimentar los archivos.
4. 5. Sistema
La parte del sistema presente
inicialmente dos campos:
- Un men de la lista que incluye los
archivos-m del directorio
- Un botn que permite cambiar el
directorio que los archivos de sistema se
incluyen en.
Al pulsar este botn aparece la
siguiente ventana:
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
En el campo "Directorio" es posible
escribir directamente la raz del archivo
de sistema de ubicacin. Para buscarla,
presione el botn para ir al directorio
superior de elegir en el men de la lista
de algunos de los subdirectorios para
continuar. Cuando el directorio raz est
lista, pulse el botn Aplicar.
A continuacin, la ventana principal de
carga los nombres de todos los
archivos-m en la raz en el campo
Archivo. Se puede visualizar y elegir
algunos de los archivos del sistema.
ATENCIN 1: Cuando se selecciona un
archivo, el programa ejecuta el
archivo-m, por lo que ste debe tener
almacenado los parmetros requeridos
por la interfaz. Sin embargo, si usted
elige otro tipo de sistema, los resultados
podran ser impredecibles, provocando
errores. En este caso, cierre la interface
IMPACT y cargarlo de nuevo,
seleccionando el archivo de un sistema
apropiado.
ATENCIN 2: Escriba el nombre de la
unidad en el campo editable si desea
cambiar de C: \ la unidad que
almacena los archivos del sistema.
Al seleccionar uno de los archivos del
sistema del sistema se completa con los
siguientes campos:
En el caso de seleccionar un archivo
de sistema con la posibilidad de cargar
un experimento desde el archivo, como
los archivos con ejemplos y ejercicios
del libro, aparece un nuevo botn.
Pulsando ensayo Cargar todos los
parmetros del experimento y el control
se cargan (ver Apndice I para ms
informacin).
Este paso es suficiente para continuar
con la seleccin del controlador
acondicionado y el experimento.
Si quieres ver ms detalles del sistema,
cambiarlo de gravar a nuevo sistema
en un archivo, pulse el botn de
informacin del sistema para abrir la
ventana de archivos de sistema.
4.6. Ventana sistema de archivos
Todos los campos indicados en el punto
anterior se podran mostraron pulsando
la informacin del sistema en el men
principal.
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
Los campos entradas, salidas y retrasos
se calculan automticamente por el
impact a travs del modelo dado.
Entonces, es posible cambiar el sistema
por algunos de sus descripciones de
modelos, escribir directamente sobre los
campos de edicin. En este caso los
campos de entradas, salidas y retardos,
pueden ser automticamente
seleccionados o cargados y as
cambiar las matrices del sistema.
Pulse Cancelar si no desea cargar los
cambios. Los cambios se activarn
pulsando en "Guardar cambios y
cerrar".
Si queremos guardar los cambios en el
sistema presionamos Guardar en un
archivo, aparece una nueva ventana
que, preguntando por el nombre y la
raz del archivo.
Cambie el directorio o el nombre del
archivo deseado. Una informacin
general sobre el sistema (comentarios,
descripcin, 5 lneas mximo) se podra
agregar tambin. Al pulsar el botn
GUARDAR los cambios se completan y
se guarda el archivo.
4.7. Controlador
Esta parte permite cargar el tipo de
controlador para ser utilizado, y la
posibilidad de considerar un error de
modelado para la carga del sistema
por encima.
El botn de error de modelado permite
que para la Prediccin de modelo, Ap,
Bp, o Mp, Np y Qp en lugar del modelo
representado por A, B o Mm, Nm y Qm.
Este modo ser posible slo si el archivo
contiene un sistema de modelado de
error, en otro caso se mostrar una
ventana de advertencia.
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
5. CONTROL PREDICTIVO ROBUSTO
Los modelos matemticos son
necesariamente simplificados de la
realidad, especialmente en el caso de
los modelos de control que han de
tener estructuras simples (lineal en la
mayor parte de los casos) y con un
orden suficientemente pequeo.
La mayor parte de las tcnicas de
diseo de control necesitan un modelo
de la planta, con estructuras y
parmetros conocidos (modelo
nominal), que se usa en el diseo. Si el
modelo de control fuera exacto, en
lugar de aproximado y no hubiera
perturbaciones externas podra ser
controlado por un controlador en bucle
abierto. La realimentacin es necesaria
en control debido a las perturbaciones
externas y a los errores de modelado. El
objetivo de un controlador robusto es
hacer frente a los errores en el modelo.
Aunque la realimentacin hace frente
a estos problemas de forma implcita el
trmino Control Robusto se utiliza en la
literatura para aquellos controladores
que tiene en cuenta las incertidumbres
en forma implcita.
Normalmente se supone que existe una
familia de modelos y que la planta se
puede describir exactamente por un
modelo de esa familia. Las tcnicas de
control ms utilizadas en el contexto de
Control Robusto son incertidumbres en
las respuestas frecuenciales o
incertidumbre en los parmetros de la
funcin de transferencia del proceso.
Ambos modelos asumen que la planta
es lineal con una respuesta de
frecuencia dentro de la banda de
incertidumbre en el primer caso y en el
segundo caso que la planta es del
mismo orden. En el caso de control
predictivo, las incertidumbres afectan a
la capacidad de prediccin del
modelo, la prediccin en lugar de ser
una trayectoria es una banda
alrededor del modelo nominal.
Considrese un sistema discreteado en
el tiempo cuya dinmica viene definida
por:
Donde Y t y e ) ( y U t u e ) ( son vectores
de salida y entradas de dimensiones n y
m respectivamente, + e es un vector
de parmetros y Z t z e ) ( es un vector
de variables exgenas (fuera o
alrededor).
Considrese una familia de modelos
definida por:
( ) ( ) ( ) ( ) ( ) ( ) ( )
^
^
^
, ,..., ,..., , ,..., 1 u
nb na
n t u t u t u n t y t y t y
f
= +
(18)
Donde ( ) 1
^
+ t y es la prediccin de la
salida para el instante 1 + t generada
por los modelos de la familia;
^
f es una
funcin vector, usualmente una
simplificacin de f ;
na
n y
nb
n son el
nmero de salidas y entradas pasadas
consideradas por el modelo; y O e u es
un vector de incertidumbres sobre el
modelo. Ntese que las variables ( ) t z
que afectan a la respuesta del proceso
no se consideran por el modelo.
La dinmica del proceso (17) est
completamente descrita por la familia
de modelos (18) si para cada posible
( ) , ),..., ( Y e
y
n t y t y ( ) , ),..., ( U n t u t u
u
e
( ) , ),..., ( Z e
z
n t z t z y + e existe un
valor del vector de parmetros O e
i
u
tal que ( ) ( ) 1 1
^
+ = + t y t y . La forma de
definir los parmetros de incertidumbres
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
u y su dominio Odepende de la
estructura de f y
^
f y el grado de
certeza sobre el modelo. Usualmente se
consideran que los parmetros del
modelo estn definidos dentro de una
banda de incertidumbre alrededor de
los parmetros nominales. Lo ms
prctico es considerar todos los errores
globalizados de forma que la planta se
describe por la siguiente familia de
modelos:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) t n t u t u t u n t y t y t y
nb na f
u + = +
^
^
^
,..., ,..., , ,..., 1
Con ( ) ( ) n t = u dim . Aunque esta
descripcin es ms conservadora, es
ms fcil de obtener y mucho ms
intuitiva y refleja lo buena que es la
prediccin a un paso del modelo. Otra
ventaja a destacar de esta descripcin
es que la ecuacin de prediccin es
afn en el vector de incertidumbre
pudindose escribir como:
( ) t x G G u G y
x u
+ + = u
u
Ntese que al utilizar esta descripcin
no se asume que el proceso sea lineal,
aunque el modelo lo sea, como es el
caso de las incertidumbres
paramtricas o frecuenciales. Esta
descripcin asume nicamente que el
modelo puede predecir con toda
certeza cul va a ser el valor de las
variables de salida del proceso en el
prximo instante de muestreo con un
grado de tolerancia determinado. Se
podra argumentar que estas
incertidumbres son en realidad
perturbaciones no medibles por la
forma que afectan al modelo. Pero
aqu la hiptesis que se hace es que las
incertidumbres estn acotadas; de
hecho, ( ) t u podran ser funciones de las
entradas y salidas pasadas (estado).
La forma normal de operar al
considerar incertidumbres estocsticas
es minimizar la funcin objetivo J para
la situacin ms esperada. En el caso
de control robusto, la estrategia ms
extendida es considerar la peor de las
situaciones posibles, que en el contexto
de control predictivo equivale a
minimizar la funcin objetivo en el peor
de los caso. Es decir,
U ue
min
O e u
max ( ) u , u J
Si se utilizan normas o normas 1, el
problema puede expresarse como un
problema LP resultante es mucho ms
complejo que el caso nominal porque
el nmero de restricciones aumenta
considerablemente.
5.1. Mejoras y formulacin con norma 1
El trabajo original de Campo and Morari
(1987) fue desarrollado por Allwright y
Papavasiliou, en una serie de trabajos
en los que se mejora la formulacin
basada en la norma
(Allwright and
Papavasilou, 1991) y se extiende la
estrategia original a funciones de coste
basadas en la norma 1 (Allwright and
Papavasilou, 1992; Allwright, 1994).
Tambin se presenta un algoritmo
eficiente (no de programacin lineal)
para resolver el problema min-max con
una funcin de coste basada en la
norma 1 (Papavasilou and Allwright,
1991).
Uno de los inconvenientes del MMMPC
de Campo y Morari es la gran cantidad
de restricciones que aparecen en el
problema LP (en principio una por cada
vrtice del politopo sobre el cual varan
los coeficientes de la respuesta
impulsional). En (Allwright and
Papavasilou, 1991) se presenta un
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
mtodo para reescribir el problema LP,
de manera que se evita tener que
manejar un nmero de restricciones
que depende de manera exponencial
del nmero de coeficientes del modelo.
En lugar de eso, el nmero de
restricciones que aparecen depende
linealmente del nmero de coeficientes
del modelo, sin tener que eliminar
restricciones redundantes.
En (Papavasilou and Allwright, 1991) se
describe un algoritmo del tipo de
direcciones factibles para resolver el
problema minn-max que aparece
cuando se considera la siguiente
funcin de coste basada en la norma 1:
( ) ( ) ( ) 1 | ,
^
t r t j t y u J + = u
La norma 1 para un vector
k
c 9 e se
puede calcular como:
c mx c
T
V
k
u
ue
=
1
{ } k j V
j
k
k
,..., 1 , 1 1 : = s s 9 e = u u
Donde, por convexidad, el mximo se
alcanzara en uno de los vrtices de
k
V .
La seal de control se calculara
mediante el algoritmo que se describe
a continuacin. La seal de control se
obtendr minimizando una funcin que
tiene la forma:
( ) { }
e e
b u a mx u J
T
n w
= -
= ,.., 1
Para minimizar esta clase de funcin,
Papavasilou and Allwrigth (1191)
proponen emplear el siguiente
algoritmo:
1. Determinar el conjunto de
hiperplanos en los que se alcanza el
mximo para
k
u u = , es decir:
( ) ( ) { }
i k
T
i k k
b u a u J i u I = - = |
2. Determinar la direccin de
descenso
k
s resolviendo:
s
mn t (2.6)
. .a s
t s a
T
i
s ( )
k i
u I e
1 s
s (2.7)
Sea k s
^
, la solucin del problema
(2.6) y k t
^
el valor mximo alcanzado
de t . Parar el proceso de
optimizacin si e > k
k
t par un 0 e>
y pequeo.
3. Calcular:
( ) ( ) { }
k
k k k
s u I u I mx + _ = |
4. Mejorar la solucin candidata
tomando:
k
k k k k
s u u
^
1
+ + =
+
Incrementar k e ir al paso 1.
El trabajo presentado en (Papavasilou
and Allwright, 1991) tiene como inters
ser el primero que aborda la
formulacin MMMPC basada en la
norma 1. Sin embargo la solucin
propuesta no es satisfactoria,
pudindose plantear esta estrategia de
una manera ms eficiente.
Cuando se utiliza una funcin
cuadrtica, la funcin objetivo es
convexa en
u
, lo que implica que el
mximo de J se alcanza en uno de los
vrtices del
O
(Bazaraa y Shetty, 1979).
La funcin es tambin convexa en u lo
que implica que si se alcanza un
ptimo, este es global.
5.2. Robustez y restricciones
Una forma de hacer un controlador
predictivo robusto es imponer que las
condiciones de estabilidad se
verifiquen para cualquier realizacin de
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
las restricciones. Las condiciones de
estabilidad (Mayne et al., 2000) en
control predictivo requieren en general
que la funcin objetivo contenga un
coste terminal y que el estado al final
del horizonte de control este incluido en
una regin terminal.
El control predictivo robusto consiste en
encontrar los movimientos de control
futuro minimizando la funcin objetivo y
forzando al estado terminal alcanzar la
regin terminal para todos los valores
posibles de las incertidumbres; esto es,
(19)
( ) ( )
( )
( )
O e
)
`
O e +
+ s
u
T
u
N t x
t Vx r Ru
t x J min
Donde el conjunto terminal
T
O se define
usualmente como un poliedro
{ }
T T T
r x R x s = O : . Las restricciones
( ) t Vx r Ru + s corresponden a las
restricciones de operacin. El vector r
depende de forma afn de las
incertidumbres u u
u
R r r e i + =
0
., . ; . El
vector de predicciones se puede
escribir como:
( ) t x f G u G x
x u
+ + = u
u
(20)
Tomando las filas correspondientes a
( ) N t x + y sustituyendo en las
restricciones de regin terminal,
( ) ( )
T xN N uN T
r t x f g u g R s + + u
u
(21)
Donde
uN
g ,
N
g
u
, and
xN
f son las ultimas
n filas de
u
G ,
u
G , and
x
F
respectivamente, con ( ) x n dim = .
La parte izquierda de las desigualdades
(21) dependen de forma afn del vector
de incertidumbre u . El problema (19)
resulta un problema Qp o Lp
(dependiendo de la funcin objetivo)
con un nmero infinito de restricciones.
Como las restricciones son afines, si las
restricciones se cumplen en los vrtices
del poliedro se cumplen para todos los
puntos en su interior, por lo que el
nmero infinito de restricciones se
transforma en un nmero finito (aunque
muy grande). El problema se puede
expresar como,
(22)
(23)
( )
( ) ( )
O e
)
`
s + +
+ + s
u
u
u
u
u
T xN N uN T
i
r t x f g u g R
t Vx R r Ru
0
Donde c es el conjunto finito de puntos
extremos (vrtices) de O.
5.3. Predicciones en Bucle Cerrado
Al resolver el problema min-max la
solucin tiene que satisfacer las
restricciones para todos los valores
posibles de las incertidumbres. En
muchos casos estas condiciones
plantean problemas de no-factibilidad
porque el tamao de la banda de las
predicciones crece de tal forma que es
imposible satisfacer las restricciones.
Esta forma de operar no tiene en
cuenta hasta sus ltimas consecuencias
el concepto de horizonte deslizante. La
secuencia de control
( ) ( ) ( ) 1 1 , + + N t u t u t u se calcula para
todo el horizonte sin ninguna
informacin sobre las incertidumbres.
Sin embargo en la realidad cuando
haya que calcular ( ) j t u + el
controlador ya tiene informacin sobre
las incertidumbres hasta ese instante de
tiempo.
( ) ( ) t x J
u
min
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
El problema es muy difcil de resolver,
una forma que permite una solucin en
ciertos casos es utilizando Programacin
Dinmica. Considrese el sistema
descrito por: ( ) ( ) ( ) ( ) ( ) t t u t x f t x u , , 1 = + y el
problema:
(24)
( ) ( ) ( ) ( )
( )
(
+ +
J
N t t u t t u 1 1
max min max min
u u
La idea fundamental de la
Programacin Dinmica es resolver el
problema (24) desde el corchete ms
interior hacia el exterior. Es decir desde
el problema ( )
1 +N t
J definido por:
(25)
( )
( ) ( ) ( ) 1 , 1 min
1
1
+ +
+
+
N t u N t x J
N t
N t u
Con
( ) ( ) ( ) ( ) 1 max 1 , 1
1
+ = + +
+
N t N t u N t x J
N t u
( ) ( ) ( ) ( ) ( ) N t x F N t u N t x L + + + + 1 , 1 .
Note que ( ) ( ) N t x F + mide el mrito de
la ltima posicin y de esta forma se
evita entrar en un bucle infinito.
Supngase que se puede resolver el
problema (25) explcitamente, i.e.,
determinando ( ) ( ) 1
1
+
-
+
N t x J
N t
como
una funcin de ( ) 1 + N t x al final. A
partir de este coste se podra obtener
( ) ( ) 2
2
+
-
+
N t x J
N t
y se puede llegar a:
(26)
( ) ( )
( )
( ) ( ) ( ) t u t x J t x J
t
t u
t
, min =
-
Con
( ) ( ) ( )
( )
( ) ( ) ( )+ = t u t x L t u t x J
t
t
, max ,
u
( ) ( ) ( ) ( ) ( ) t t u t x f J
j t
u , ,
-
+
El control predictivo min-max en el
bucle cerrado consiste en calcular los
movimientos de control ( ) t u
-
minimizando ( ) ( ) ( ) t u t x J
t
, . El factor clave
de la Programacin Dinmica es
encontrar la funcin ( ) ( ) j t x J
j t
+
-
+
.
Se ha podido demostrar (Bemporad et
al., 2003) que si el sistema es lineal
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) t E t u t B t x t A t x u e e + + = +1 ,
con el vector incertidumbre
( ) ( ) ( ) | |
T T T
t t t u e u = , y la funcin coste de
un paso
( ) ( ) ( ) ( ) ( )
p p
j t Ru j t Qx j t u j t x L + + = + + ,
con el coste terminal
( ) ( ) ( )
p
N t
N t Px N t x J + = +
-
+
, la solucin es
afn a trozos y se puede encontrar
utilizando programacin paramtrica.
Otra estrategia utilizada es aproximar la
funcin ( ) ( ) j t x J
t
+
-
en una rejilla de
puntos como se dugiere en (Lee y Yu,
1997). La idea es calcular
( ) ( ) 1
1
+
-
+
N t x J
N t
en todos los puntos
de la rejilla en el primer paso para en un
segundo paso calcular la funcin
( ) ( ) 2
2
+
-
+
N t x J
N t
utilizando una
interpolacin de ( ) ( ) 1
1
+
-
+
N t x J
N t
cuando
( ) ( ) ( ) ( ) ( ) ( ) 2 , 2 , 2 1 + + + = + N t N t u N t x f N t x u
no coinciden con uno de los puntos de
la rejilla.
Una forma de reducir la banda de
incertidumbre de la prediccin es
utilizar una realimentacin lineal
(Bemporad, 1998), (Chisci et al., 2001)
del vector de estado antes de aplicar el
control predictivo. Es decir, hacer:
(27)
( ) ( ) ( ) k t t k t Kx k t u + + + = + u |
Donde K es una realimentacin que
estabiliza al sistema y la variable auxiliar
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
( ) t u es la referencia para el bucle
interno y la variable manipulable para
el controlador predictivo. De esta forma
se consigue disminuir el tamao de la
banda de incertidumbre de la
prediccin.
6. CONTROL PREDICTIVO Y
SISTEMASHBRIDOS
En el rea de control automtico
existen dos tipos de modelos que son
ampliamente utilizados.
El primer tipo de modelos es llamado
sistemas dinmicos continuos, y se basa
fundamentalmente en la utilizacin de
ecuaciones diferenciales como medio
de representacin.
Este tipo de modelos tiene una larga
historia en la teora de sistemas, y
constituye una de las herramientas ms
verstiles y poderosas de que se
dispone actualmente. El controlador
ms utilizado en la industria para este
tipo de sistemas es el PID.
El segundo tipo de modelos es llamado
sistema a eventos discretos, y se basa
en la utilizacin de autmatas o
lenguajes como medio de
representacin. Este ltimo tipo de
modelos tiene una historia mucho ms
reciente, ligada al estudio matemtico
de sistemas lgicos y computarizados.
Los controladores utilizados en la
automatizacin de estos sistemas son
los PLC con formalismos como el
diagrama escalera o el GRAFCET.
Estos dos tipos de modelos pueden
representar aspectos independientes
de un mismo proceso, sin embargo,
debido a la fuerte interaccin existente
hoy en da entre sistemas continuos y
computadores de control, el estudio de
modelos que incluyan explcitamente
ambos tipos de comportamientos se ha
hecho necesario, y ha dado
surgimiento a un rea de trabajo
relativamente nueva llamada Sistemas
Dinmicos Hbridos o simplemente
Sistemas Hbridos.
Ejemplo:
Una de las tcnicas de modelamiento
ms utilizada en sistemas hbridos es la
llamada Sistemas Lineales a Trazos
(Piecewise Linear Systems - PWA) y las
tcnicas de modelamiento en
programacin con variables enteras
mixtas (Mixed Logical Dynamical MLD
systems).
6.1 Sistemas Dinmicos con variables lgicas.
Este sistema se describe por:
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
Donde u son las variables de entrada, x
las variables de estado, y las variables
de salida, las variables binarias y z las
variables que representan la
interaccin entre variables continuas y
variables binarias. Las variables u, x, y
estn compuestas por una parte
continua y otra discreta.
La construccin de un modelo en
programacin con variables enteras
requiere dos pasos, nosotros suponemos
que se dispone de un modelo bsico
expresado como proposiciones
enlazadas con operadores bolanos:
1. Cada proposicin simple, es
relacionada con una variable
binaria. Por ejemplo,
a) L1 L2 L1 OR L2
1 1 1
1 0 1
0 1 1
0 0 0
b) L1 L2
L1 AND
L2
1 1 1
1 0 0
0 1 0
0 0 0
2. Cada proposicin es representada
en forma de restricciones. Por ejemplo:
a) L1+L2 1
b) L1+L2 2
6.2 Control Predictivo de Sistemas MLD
El problema de control predictivo
basados en modelos MLD se puede
formular como:
Donde , , , y son matrices de
peso de dimensiones apropiadas y
todas las seales se predicen con la
informacin disponible hasta el instante
t en la forma usual del control
predictivo. Los vectores x, u, , z, , ,
y son los vectores de estados
futuros predichos, movimientos de
control, variables lgicas auxiliares,
variables reales auxiliares, y sus
referencias futuras respectivamente.
6.3 Sistemas afines a trozos
Una forma de modelar este sistema es
definir todas las posibles combinaciones
de las variables discretas, cada una de
ellas representa un modelo continuo del
sistema que ser vlido mientras no se
cambie de combinacin, y definir la
forma en que a partir de una
combinacin se puede pasar a otra.
Esto puede ser representado como:
Cada modelo continuo del proceso,
ms la respectiva combinacin de
variables discretas asociada, es
llamado un modo de operacin del
sistema.
Una forma de representar este sistema
en ecuaciones matemticas,
asumiendo que los modelos continuos
de cada modo de operacin pueden
ser lineales, es como se muestra a
continuacin.
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
Donde es una particin
polidrica del espacio de estado-
entrada. Cada est dada por:
Dnde: x(t), u(t), y(t) denotan los
vectores de estados, de las entradas y
salida, respectivamente.
Cada subsistema est definido por la
7-tupla (Ai ,Bi ,Ci , f i , g i Ri ,ri ), i={1,2,,
s} denominado componente del
sistema PWA.
Los sistemas PWA tienen la ventaja de
permitir aproximar sistemas no lineales
con un grado de precisin arbitrario y el
principal problema de esta
identificacin es que su mejora tiene
que ser lograda introduciendo un alto
nmero de pequeas regiones.
6.4 Control Predictivo de Sistemas PWA
Asumiendo que todo el estado est
disponible (en caso contrario, un
estimador del estado ser necesario), la
formulacin del control predictivo es:
Donde J representa un ndice de
comportamiento que penaliza el error
de seguimiento de la salida predicha
del sistema y(t+i) en el instante (t+i)
conocida la del instante t con respecto
a la referencia w(t+i) en el instante (t+i)
y penaliza el esfuerzo de control
relacionado con el cuadrado de la
variable manipulada u(t+i) en el
instante (t+i). Se incluyen constantes y
como pesos relativos.
7. METODOS RAPIDOS PARA
IMPLEMENTAR CONTROLADORES
PREDICTIVOS
Una de las desventajas de los
controladores predictivos es que
requieren, en algunos casos, tiempos de
clculo demasiado grandes para
aplicaciones de tiempo real. Esto ocurre
por ejemplo en el caso de presencia de
restricciones, cambios en los
parmetros del proceso, control
predictivo robusto o control predictivo
no lineal. Han aparecido algoritmos en
la literatura que permiten la
implementacin fcil de controladores
predictivos.
Tal es el caso de la estructura descrita
por el mtodo de la curva de reaccin
o la utilizacin de redes neuronales
para aproximar controladores
predictivos no lineales.
Recientemente se ha demostrado que
un controlador predictivo se puede
expresar como un programa
multiparamtrico cuya solucin resulta
en un controlador que es afn a trozos
en el espacio de estado. La idea es
simple y fue sugerida por primera vez en
(Za_riou, 1990): el ptimo de un
problema QP se alcanza en un
conjunto de restricciones activas (el
conjunto puede ser vaco) y para todos
los puntos del espacio que tengan el
mismo conjunto de restricciones activas,
la solucin es afn.
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
8. MPC NO LINEAL
Los procesos industriales son no lineales,
pero aun as, la mayora de las
aplicaciones del MPC estn basadas en
el uso de modelos lineales.
Existen dos importantes razones para
ello: por un lado, la identificacin de un
modelo lineal a partir de datos de
proceso es relativamente sencilla y por
otro, los modelos lineales proporcionan
buenos resultados cuando la planta
opera a las cercanas del punto de
operacin.
Sin embargo, la respuesta dinmica de
los controladores lineales que resultan
es inaceptable cuando se aplican a
procesos que son no lineales con
distinto grado de severidad. Aunque el
nmero de aplicaciones de Nonlinear
Model Predictive Control (NMPC) es aun
limitada, su potencial es realmente
grande.
En esta seccin se muestra los
desarrollos ms recientes tanto tericos
como prcticos de NMPC. Ambos
aspectos son importantes ya que hay
temas tericos tales como modelados o
estabilidad que poseen tanta
importancia como aquellos de ndole
prctica como identificacin o
complejidad computacional. Los temas
ms relevantes en este campo son el
desarrollo de modelos que sean
capaces de capturar la dinmica no
lineal de proceso y la obtencin de una
solucin factible en tiempo real al
problema de la minimizacin.
Gran parte del xito del MPC se ha
debido a la facilidad con que se
pueden obtener modelos de
convolucion (impulso o escaln) o
funciones de transferencias de bajo
orden. Los modelos no lineales son ms
difciles de construir, bien por
correlaciones de datos de entrada-
salida o bien por el uso de primeros
principios a partir de ecuaciones de
balance de masa y energa.
Hay tres tipos de modelos que se usan
en las formulaciones de NMPC:
Modelos empricos, que se obtienen de
datos reales y pueden tomar la forma
de modelos de entrada-salida o
modelos no lineales en el espacio de
estados.
Modelos fundamentales, que provienen
de ecuaciones de balance. Las
ecuaciones se obtienen por el
conocimiento del proceso, aplicando
balance de masa, energa y momento.
La prediccin se hace como una
simulacin de las ecuaciones no
lineales que describen la dinmica del
proceso. Para procesos industriales
complejos, este tipo de modelos es
difcil y costoso de construir, ya que
necesita conocimiento muy experto.
Modelos de caja gris, que se desarrollan
combinando el enfoque emprico y
fundamental, haciendo uso de las
ventajas de cada tipo de modelo. Este
enfoque hibrido se ve enriquecido con
datos empricos.
El otro asunto crucial en NMPC es la
solucin del problema. Requiere la
consideracin de un problema no lineal
no convexo (NLP) que da lugar a una
serie de dificultades computacionales
relacionadas con el coste y la fiabilidad
de la resolucin del problema NLP en
lnea.
Normalmente el problema se resuelve
haciendo uso de la programacin
cuadrtica secuencial. El mtodo debe
garantizar convergencia rpida y debe
tratar problemas de mal
acondicionamiento y no linealidad
extremas.
En los ltimos aos ha aparecido una
serie de formulaciones que pretenden
evitar los problemas asociados a la
optimizacin no convexa. Estas
formulaciones deben abordar la
estabilidad y la factibilidad de la
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
solucin que debe calcularse durante
el periodo de muestreo. Algunas de
estas formulaciones son como MPC
lineal extendido, modelos locales,
NMPC subptimo, uso de horizontes
cortos, descomposicin de la
secuencia de control, linealizacin por
realimentacin o NMPC con redes
neuronales.
9. ESTABILIDAD
La solucin eficiente del problema del
control ptimo es importante para
cualquier aplicacin a procesos reales,
pero la estabilidad del bucle cerrado es
tambin de crucial importancia.
Incluso en el caso de que el algoritmo
de optimizacin encuentre una
solucin, esto no garantiza la
estabilidad del bucle cerrado.
Este problema ha sido abordado desde
punto de vista, dando lugar a una serie
de contribuciones que siempre analizan
el problema del regulador en el marco
del espacio de estados.
La clave de un MPC estabilizante son el
conjunto terminal y el coste terminal. El
estado terminal denota el estado
predicho del sistema al final del
horizonte de prediccin. Se fuerza a
que este estado terminal alcance un
conjunto terminal que contenga el
estado en rgimen estacionario y tiene
un coste asociado que se denomina
coste terminal, que se aade como un
nuevo termino a la funcin coste.
Se supone que el sistema es localmente
estabilizante mediante una ley de
control de la forma u=h(x), que debe
satisfacer las siguientes condiciones:
- Existe una regin tal que para
todo x(t) , entones h(x(t)) U
y el estado del sistema en el
siguiente tiempo de muestreo
x(t+1) .
- Para todo x(t) , existe una
funcin de Lyapunov V(x) tal que
Si se verifican estas condiciones,
entonces al considerar como
conjunto terminal y V(x) como coste
terminal, el controlador MPC (con
iguales valores de horizonte de control y
de prediccin) estabiliza
asintticamente todos los estados
iniciales que sean factible. Por lo tanto si
el estado inicial es tal que el problema
de optimizacin tiene solucin,
entonces el sistema es llevado al
rgimen permanente asintticamente y
satisface las restricciones durante su
evolucin.
La condicin que se impone sobre
asegura la satisfaccin de las
restricciones y la segunda condicin
asegura que el coste ptimo es una
funcin de Lyapunov.
Como el problema de optimizacin que
se debe resolver en cada periodo de
muestreo puede ser no convexo, la
solucin ptima puede no ser nica y
puede ser muy difcil de obtener. La
principal contribucin en este tema es
la prueba de estabilidad asinttica en
el caso de soluciones sub-optimas,
basta considerar cualquier solucin
factible con coste asociado
estrictamente menor que el del tiempo
de muestreo anterior. Es conveniente
remarcar que la sub-optimilidad no es
deseable, ya que implica perdidas de
prestaciones.
Otra tcnica para reducir la carga
computacional del problema de
optimizacin en la eliminacin de la
restriccin terminal.
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
El horizonte de prediccin es un
parmetro de diseo del MPC de gran
importancia. Si se aumenta su valor el
dominio de atraccin del controlador
se hace mayor y se mejora el
comportamiento. Sin embargo, el
nmero de variables de decisin
tambin es mayor y por tanto se
incrementa la complejidad del
problema de optimizacin. La
condicin necesaria que se debe
considerar para elegir el horizonte de
prediccin es la factibilidad del estado
inicial. As el horizonte se puede reducir
aumentando la regin terminal.
10. TEMAS ABIERTOS
El control predictivo se considera un
controlador maduro en el caso de
procesos lineales y es utilizado con
bastante xito en la industria, en
cualquier caso es una rama del control
de gran efervescencia. Esto se puede
constatar por el hecho de que en todos
los congresos de control siempre hay
sesiones especficas de control
predictivo.
El control predictivo es muy difcil de
implementar en tiempo real para
procesos no lineales, procesos hbridos o
procesos muy rpidos. En el caso de
sistemas no lineales e hbridos han
aparecido soluciones para casos
particulares y normalmente de
pequea dimensin, pero no existen
soluciones generales.
El otro gran problema todava no
resuelto es el problema de la
estabilidad y robustez de estos
controladores. Aun en el caso de que el
optimizador fuera capaz de encontrar
una solucin, no est garantizada la
estabilidad del bucle cerrado. La
utilizacin de penalizaciones terminales
y/o restricciones, funciones de
Lyapunov, o conjuntos invariantes han
dado lugar a una familia de tcnicas
que garantizan la estabilidad del
sistema. Se han obtenido resultados que
utilizan tcnicas de control robusto en el
contexto del controladores predictivos.
La idea bsica es tener en cuenta la
incertidumbre sobre el proceso de una
manera explcita y disear el
controlador predictivo para optimizar la
funcin objetivo ante la peor situacin
posible de las incertidumbres.
Estos resultados prometedores permiten
pensar que el control predictivo
experimentara una mayor diseminacin
tanto en el mundo acadmico como
en la comunidad industrial en los
prximos aos.
11. RECONOCIMIENTOS
Los autores quieren reconocer el apoyo
de Ministerio de Ciencias y Tecnologa a
travs de los proyectos DPI2001-2380-
C02-01 y DPI200-4375-C03-01 y los
comentarios de los componentes del
Grupo de Control Predictivo de la
Universidad de Sevilla.
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
12. ANEXOS
Artculos Individuales:
Alfonso Agama
Tema: Control de la glucemia, en
lazo cerrado para pacientes en
estado crtico basado en modelo
predictivo de control dirigido por
datos
Carlos Cevallos
Tema:
Juan Domnguez
Tema: Aplicacin del Control
Predictivo Multivariable a una
Columna de Destilacin Binaria
Freddy Maquiln
Tema: Control predictivo de
corriente para una mquina
hexafsica.
Jorge Oviedo
Tema: Estrategia de control
predictivo sobre un modelo
matemtico de un evaporador
Bernica Rojas
Tema: Implementacin de un
Control Predictivo Basado en
Modelo Aplicado a un Sistema
de Control de Caudal de Agua
Didctico.
Jos Sandoya
Tema: Implementacin de un
algoritmo de control predictivo
en espacio de estados sobre una
plataforma de simulacin
desarrolllada en Matlab.
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
Implementacin de un Control Predictivo Basado
en Modelo Aplicado a un Sistema de Control de
Caudal de Agua Didctico.
Introduccin:
El controlador PID ha sido el algoritmo
ms utilizado durante las ltimas
dcadas, se estima que el 95% de los
controladores implementados son de
este tipo, y que slo en los casos en que
la dinmica de los procesos es
demasiado compleja los ingenieros de
control consideran el uso de tcnicas y
algoritmos ms avanzados y ms
sofisticados como es el caso de los
controlares CPM.
Generacin de la Tecnologa CPM
1. MPHC-DMC
2. QDMC
3. IDCOM-M, HIECON, SMCA,
SMOC.
4. DMC-Plus, RMPCT
El CPM ha sido considerando un
referente industrial para el control de
procesos multivariables con
restricciones, por lo que se constituye
hoy en da en una de las herramientas
ms poderosas para el control de
procesos tecnolgicos industriales, pues
su estructura interna, sustentada en un
proceso de optimizacin, permite
predecir el desempeo futuro de las
variables de la planta y sus seales de
control, basndose fundamentalmente
en el conocimiento de las variables que
caracterizan el proceso.
El MPC hace uso explcito de un modelo
de proceso para obtener la seal de
control, optimizando una funcin
objetivo en tiempo real. Los diversos
algoritmos del CPM difieren entre si
principalmente en el modelo utilizado
para representar el proceso que se
desea controlar y en la funcin objetivo
que va a ser minimizada.
Ventajas y Desventajas:
Ventajas:
- Se hace uso del modelo del proceso y
las restricciones de las variables en su
formulacin, lo cual permite que el
controlador trabaje con una rplica
exacta o muy aproximada de la
dinmica del sistema real,
Desventajas:
- El tiempo que requiere el algoritmo
para su ejecucin por parte del equipo
de procesamiento puede limitar su
aplicacin sobre sistemas de dinmicas
rpidas.
- Es difcil obtener el modelo terico o
experimental de la planta.
Diagrama de bloques de un CPM
El CPM genera un control en tiempo
discreto y acta sobre un intervalo de
tiempo especfico denominado
Intervalo de Control.
Para el clculo del prximo movimiento,
el CPM opera en dos fases: estimacin y
optimizacin. En la fase de estimacin,
el controlador utiliza todos los cambios
previos, los valores actuales de las
variables conocidas y el modelo de la
planta para predecir el desempeo de
la variable de salida, mientras que en la
fase de optimizacin, los valores de la
seal de referencia, las perturbaciones
medibles y las restricciones, se
especifican para un Horizonte de
Prediccin o instantes de muestreo
posteriores.
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
Descripcin del Proceso.
Este sistema est ubicado en el
Laboratorio de Fluidos del INSTITUTO
TECNOLGICO METROPOLITANO1, los
componentes generales del sistema
dinmico para el control de caudal y
de nivel corresponden a: un tanque
cilndrico; un tanque construido en
lmina metlica; dos transmisores e
indicadores electrnicos para la
medicin de nivel de cada tanque; dos
transmisores electrnicos y sus
respectivos componentes
complementarios, que miden el caudal
de lquido que se transporta desde el
tanque metlico hasta el tanque de
acrlico, el cual puede ser regulado
usando un variador de frecuencia, que
acta sobre una bomba centrfuga
trifsica, o a travs de una vlvula
neumtica proporcional; una bomba
centrfuga monofsica para transportar
agua hacia el tanque metlico;
detectores de nivel y de caudal que
pueden programarse para evitar el
desbordamiento del lquido de los
tanques y la operacin en vaco de las
bombas centrfugas; dos electrovlvulas
para controlar el ingreso de fluido a
cada uno de los tanques; un
controlador universal; un controlador
lgico programable y un equipo de
cmputo.
Metodologa.
En este caso, se realizan diversas
pruebas experimentales para definir un
modelo matemtico aproximado que
relacione el comportamiento del
caudal de fluido desde el tanque 1
hacia el tanque 2, con respecto a la
variacin de frecuencia y voltaje de la
bomba trifsica, en una zona de
operacin lineal. Como restricciones del
sistema se consideran los lmites de
operacin de la velocidad de la
bomba trifsica y el caudal sobre la
tubera.
El modelo de la planta se puede
aproximar al de un sistema lineal
invariante en el tiempo, el cual se
describe por:
Donde:
vector de estados de la planta
u( k )
vector de variables manipuladas
v( k ) vector de perturbaciones medibles
d( k )
vector de perturbaciones no
medibles
ym( k )
vector de las salidas medibles
yu( k )
vector de salidas no medibles
y( k ) vector de salidas. y( k )= ym( k ) y yu( k
)
La accin de control se obtiene
resolviendo el problema de
optimizacin presentado por:
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
j -simo componente del vector
"( k +i | k )" valor predicho para el tiempo k
+i basado en la informacin
disponible en el tiempo k
r( k )
muestra actual de la seal de
referencia
ny Horizonte de Prediccin
nu Horizonte de Control
pesos para la variable
correspondiente
penalizan la violacin de las
restricciones
referencia para el vector de
entradas
Las restricciones de este problema de
optimizacin se plantean de la
siguiente manera:
,
indican los lmites
mnimo y mximo de
cada variable
relajan las
correspondientes
restricciones
Modelo de la Planta
Para determinar las posibles zonas de
operacin lineal del sistema se aplica
una seal de entrada correspondiente
a la frecuencia elctrica aplicada por
el variador de frecuencia. Esta seal
est formada por una serie de
pequeos escalones sucesivos, de
forma ascendente y descendente
sobre todo el rango de operacin de
las dos variables involucradas, de tal
forma que frente a cada uno de ellos se
pueda evidenciar la respuesta
transitoria del caudal hasta su
estabilizacin.
En la Figura que se aplicaron escalones
de 5 Hz de amplitud con una duracin
de 7 segundos cada uno, y que el
caudal mximo del sistema para la
frecuencia nominal de la bomba es de
39 gal/min. Con la tarjeta de
adquisicin de datos utilizada se
adquirieron seales con un periodo de
muestreo de 1 ms.
Evaluando los valores de estabilizacin
de la variable caudal frente a cada
una de las seales tipo escaln
aplicadas, se obtuvo
En esta grfica se observa que la planta
presenta una zona de operacin
aproximadamente lineal entre 10
gal/min y 35 gal/min. Sin embargo, se
evidencia una leve histresis en la zona
de operacin intermedia,
aproximadamente entre 15 gal/min y 30
gal/min. Por debajo de los 10 Hz no se
genera un caudal apreciable en la
tubera, debido a la cabeza de presin
que debe vencer la bomba para lograr
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
la descarga de agua por la parte
superior del tanque de acrlico. Esta
situacin es la que genera la mayor no
linealidad de la planta para el control
del caudal.
Evaluando con mayor detalle la zona
claramente no lineal de esta planta, es
decir, por debajo de los 10 gal/min, se
aplicaron pequeos escalones de 1 Hz,
desde 0 Hz hasta 15 Hz, y se observ
que se requieren al menos 7 Hz para
producir un caudal mnimo visible, que
el transmisor en esas condiciones no es
capaz de detectar; y que slo hasta los
11 Hz se obtiene un valor de caudal
representativo, medible por el
transmisor.
Con el fin de obtener el modelo
matemtico lineal requerido se
trabajar con el siguiente rango de
datos.
En la figura la lnea discontinua
corresponde a la respuesta transitoria
del caudal para esta seal tipo escaln
de 5 Hz, cabe indicar que ambas
seales han sido referenciadas a cero
para un tratamiento ms cmodo de su
informacin. Al ver esta grfica, se
hace evidente un retardo en la
respuesta del sistema, cuyas principales
razones son las rampas de aceleracin
y desaceleracin seguidas por el
variador de frecuencia frente a una
consigna de velocidad especfica, y la
cabeza de presin que debe vencer la
bomba, mencionada anteriormente.
Utilizando un aplicativo para la
identificacin de sistemas y
considerando los datos experimentales
se obtuvo un modelo que entrega una
correspondencia de 97,10 % con los
datos experimentales.
Considerando que el retardo de tiempo
correspondiente a este modelo es de
0.632 segundos y que el periodo de
muestreo utilizado para estas seales
fue de 1 ms, la representacin en
espacio de estados del sistema, est
dada por:
No se incluyeron las dems matrices del
modelo, dado que no se consideraron
las perturbaciones que podran afectar
el comportamiento del sistema.
Restricciones
Caudal mnimo: = 0 gal/min
Caudal mximo: = 39 gal/min
Frecuencia mnima: = 0 Hz
Frecuencia mxima: = 60 Hz
Variacin de la frecuencia mxima:
= 60 Hz/seg.
Parmetros del CPM
Luego de diversas pruebas
experimentales con el algoritmo.
Intervalo de control: 0,1 segundos
Horizonte de prediccin: =10
intervalos
Horizonte de control: = 2 intervalos
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
De estos parmetros, el Intervalo de
Control es el que ms influye sobre el
desempeo del controlador: para
valores mucho ms pequeos que el
indicado, el controlador no alcanza a
procesar el algoritmo de optimizacin
entregndose as una seal de control
nula; si por el contrario se programa un
Intervalo de Control ms grande, se
obtiene una regulacin bastante
pobre, ya que en este caso el algoritmo
no puede responder a la velocidad de
respuesta del sistema. Cabe resaltar en
este punto que los valores iniciales que
requieren los pesos del problema de
automatizacin tambin exigen de un
ajuste que puede afectar el
desempeo del controlador.
Resultados.
Se observa que el CPM cumple
satisfactoriamente con la regulacin
del caudal en la zona de operacin
con comportamiento
aproximadamente lineal. Si bien es
cierto que en la zona identificada
como lineal, es decir, para caudales
inferiores a 10 gal/min, el controlador
pierde el seguimiento de la seal de
referencia, tambin es evidente su
tendencia a recuperarla rpidamente
en pocos segundos. Tambin se
aprecia que el CPM no tiene
inconvenientes con el pequeo
fenmeno de histresis de la planta
identificado en la curva de linealidad,
que en el caso de un controlador PID, y
sumado al componente no lineal de la
planta, podra producir un
comportamiento bastante inestable
sobre la variable controlada, tal como
se evidencia en la Figura a
continuacin, donde se utiliz un
controlador PID en el sistema, usando la
misma seal de referencia, que
present un comportamiento
aceptable en la regulacin de caudal
inicialmente, pero que progresivamente
fue perdiendo su capacidad de
respuesta por los fenmenos
mencionados.
Con el CPM se evidencia un muy buen
comportamiento del controlador frente
al retardo de tiempo que presenta la
planta, lo que normalmente es difcil de
enfrentar con otro tipo de reguladores.
Conclusiones.
- El CPM es una es una de las mejores
alternativas existentes para reemplazar
la regulacin de variables fsicas en los
procesos industriales que no operan
satisfactoriamente con los tradicionales
controladores PID.
- No solamente un buen modelo
matemtico de la planta es suficiente
para la implementacin del algoritmo,
en la prctica existen factores
importantes que requieren que quien lo
ponga en operacin conozca con
detalle el comportamiento de la planta
y la estructura del algoritmo.
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
Estrategia de control predictivo sobre un modelo matemtico de un evaporador
Predictive Control Applied to an Evaporator Mathematical
Resumen:
Los procesos qumicos se caracterizan por ser sistemas multivariables no lineales con interacciones
fuertes entre las variables, por lo que la aplicacin de una estrategia de control clsico puede, en
ocasiones, ser inadecuada. Con el avance en los sistemas computacin se ha facilitado el anlisis y la
simulacin de modelos matemticos ms complejos, lo cual ha impulsado el desarrollo de nuevas
tcnicas de control avanzado para procesos multivariables.
Aqu se presenta el diseo de una estrategia de control predictivo sobre un modelo matemtico de un
evaporador de pelcula descendente con recompresin mecnica de vapor usado en la industria lctea.
Para disear el controlador, se emple el programa Connoiseur
TM
a partir de datos recolectados de la
simulacin de un modelo no lineal. Se emplea una ley de control obtenida de la minimizacin de la
funcin de costo, sujeta a restricciones del proceso, empleando un algoritmo de programacin
cuadrtico (QP). Finalmente, se ejecut un algoritmo de programacin lineal (LP) que encuentra un
punto de operacin subptimo para el proceso en estado estacionario.
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO
CONTROL PREDICTIVO: PASADO, PRESENTE Y FUTURO