Professional Documents
Culture Documents
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/28141992
CITATIONS READS
25 1,463
2 authors:
Some of the authors of this publication are also working on these related projects:
Improving efficiency and operational range in unmanned vehicles using fuel cells (IUFCV Project)
View project
All content following this page was uploaded by Carlos Bordons on 24 February 2014.
The user has requested enhancement of the downloaded file. All in-text references underlined in blue are added to the original document
and are linked to publications on ResearchGate, letting you access and read them immediately.
CONTROL PREDICTIVO: PASADO,
PRESENTE Y FUTURO
Revista Iberoamericana de Automtica e Informtica Industrial, Vol. 1, Nm.3, Octubre 2004 pp. 5-28
6 Control Predictivo: Pasado, Presente y Futuro
Notese que cada producto no es solamente un al- donde 4 = 1 z 1 , u(t) e y(t) son las variables
goritmo, sino que viene acompanado por paquetes de entrada y salida respectivamente y e(t) es
adicionales para la identificacion de la planta o un ruido blanco de media cero. A, B y C son
realizacion de pruebas. polinomios en el operador retardo z 1 y d es el
Existen miles de aplicaciones del control predic- tiempo muerto del sistema. Este modelo es muy
tivo en la industria. La mayor parte de las apli- apropiado para muchas aplicaciones industriales
caciones estan en el sector petroqumico (Qin y en las que las perturbaciones no son estacionarias,
Badgwell, 1997) (Qin y Badgwell, 1998) en el area segun se justifica en (Clarke et al., 1987). A partir
de refino pero tambien existen numerosas aplica- de ahora el polinomio C se toma igual a 1. Notese
ciones en los sectores de pulpa y papel, procesado que si se puede truncar entonces puede ser incluido
de alimentos, gas, minera, hornos, metalurgia, in- en A y B. En (Camacho y Bordons, 2004) se trata
dustria aerospacial e industria del automovil. Una el caso general de ruido coloreado. En general es
excelente revision sobre mpc dirigida principal- difcil determinar el valor real de este polinomio,
mente a personal de la industria con experiencia por lo que se puede usar para rechazo optimo de
en control se puede encontrar en (Rawlings, 2000). perturbaciones, aunque es mas adecuado su papel
en la mejora de la robustez.
El algoritmo gpc consiste en aplicar la secuencia
2. FORMULACION DEL PROBLEMA de control que minimiza una funcion de coste de
la forma:
En la seccion anterior se ha mostrado la forma
generica de resolver el problema mpc, que consiste N2
X
basicamente en minimizar la funcion de coste ha- J= (j)[y(t + j | t) w(t + j)]2 +
ciendo uso del modelo del sistema para calcular las j=N1
predicciones. La solucion del problema depende Nu
X
principalmente del tipo de modelo que se use + (j)[4u(t + j 1)]2 (2)
para capturar la dinamica del proceso. Aunque el j=1
procedimiento general es practicamente el mismo,
los pasos necesarios para formular los algoritmos donde y(t + j | t) es la prediccion optima de la
de control son ligeramente distintos. salida j pasos hacia delante calculada con datos
conocidos en el instante t, N1 y N2 son los hori-
Se analizan aqu tres tipos de modelo: funcion de zontes mnimo y maximo de prediccion y Nu es el
transferencia, modelos de convolucion y modelo horizonte de control, (j) y (j) son secuencias de
de espacio de estados. ponderacion (normalmente constantes) y w(t + j)
es la futura trayectoria de referencia.
2.1 Modelo de funcion de transferencia Con objeto de minimizar la funcion de coste, hay
que calcular la prediccion optima y(t + j) para
La formulacion mas conocida que usa este tipo j N1 y j N2 . Esto se lleva a cabo resolviendo
de modelo es sin duda el Control Predictivo Ge- una ecuacion diofantica cuya solucion se puede
neralizado (Generalized Predictive Control, gpc) obtener mediante un algoritmo recursivo. Si se
(Clarke et al., 1987), aunque existen otras for- hace esto (Clarke et al., 1987)), se pueden escribir
mulaciones que tambien usan modelos de funcion los valores futuros de la salida como:
de transferencia (epsac y ehac, por ejemplo). El
gpc se ha convertido en uno de los metodos mas y(t + j) = Fj y(t) +
populares tanto en el mundo industrial como en el 1
academico y ha funcionado con exito en muchas Ej B(z ) 4 u(t + j d 1) + Ej e(t + j) (3)
aplicaciones industriales (Clarke, 1988), pudiendo
tratar plantas inestables y de fase no mnima a la Los polinomios Ej y Fj se derivan de la ecuacion
vez que incorpora la idea de horizonte de control diofantica y vienen unvocamente definidos con
y la consideracion de pesos en los incrementos de grados j 1 y na respectivamente. Se pueden
la senal de control. obtener dividiendo 1 entre A(z 1 ) hasta que el
resto se pueda factorizar como z j Fj (z 1 ). El
En el gpc el modelo de la planta viene dado
cociente de la division es el polinomio Ej (z 1 ).
por una funcion de transferencia discreta en la
Como el grado del polinomio Ej (z 1 ) = j 1, los
forma de un modelo carima (Controller Auto-
terminos de ruido de la ecuacion (3) se encuentran
Regressive Integrated Moving-Average):
en el futuro y por tanto la mejor prediccion viene
dada por:
e(t) y(t+j | t) = Gj (z 1 )4u(t+jd1)+Fj (z 1 )y(t)
A(z 1 )y(t) = B(z 1 )z d u(t 1) + C(z 1 )
4
(1) donde Gj (z 1 ) = Ej (z 1 )B(z 1 ).
10 Control Predictivo: Pasado, Presente y Futuro
con T
w = w(t + d + 1) w(t + d + N )
T
y = [y(t + d + 1 | t) . . . y(t + d + N | t)]
El mnimo de J, considerando que no hay res-
T
u = [4u(t) 4 u(t + 1) . . . 4 u(t + N 1)] tricciones se puede encontrar igualando a cero el
gradiente de J, lo que conduce a:
u = (GT G + I)1 GT (w f ) (6)
g0 0 ... 0
g1 g0 ... 0 En realidad, al usar una estrategia de horizonte
G= . . . . deslizante, la senal de control que verdaderamente
.. .. .. ..
se enva al proceso el el primer elemento del vector
gN 1 gN 2 ... g0
u, dado por:
(Gd+1 (z 1 ) g0 )z
(G d+2 (z
1
) g0 g1 z 1 )z 2 4u(t) = K(w f ) (7)
0 1
G (z ) = .
. donde K es la primera fila de la matriz (GT G +
.
(Gd+N (z 1 ) gN 1 z (N 1) )z N I)1 GT . Este hecho tiene un claro significado,
Fd+1 (z 1 )
que se puede derivar facilmente de la figura 4:
Fd+2 (z 1 ) si no hay errores futuros (predichos), es decir, si
F(z 1 ) = .
w f = 0, entonces no hay movimientos en la
.
.
1
Fd+N (z )
senal de control, ya que el objetivo se satisfara
con la evolucion libre del proceso. Sin embargo,
en cualquier otro caso existira un incremento de
Notese que los dos ultimos terminos en la ecuacion la accion de control proporcional (con factor K)
(4) dependen solo del pasado y se pueden agrupar al error futuro. Observese que la accion se toma
por tanto dentro del vector f (respuesta libre) respecto a errores futuros, no a errores pasados
dando lugar a: como en el caso de los controladores realimentados
y = Gu + f convencionales
La solucion del gpc precisa de la inversion (o
Si las condiciones iniciales son nulas, la respuesta al menos la triangularizacion) de una matriz de
libre tambien lo es. Si se aplica un escalon unitario dimension N N que requiere una carga de
a la entrada en el instante t, es decir, computo considerable. En (Clarke et al., 1987)
4u(t) = 1, 4u(t + 1) = 0, . . . , 4u(t + N 1) = 0 se introduce el concepto de horizonte de control
E. F. Camacho, C. Bordons 11
Los modelos de convolucion engloban los modelos donde f (t + k) es la respuesta libre del sistema,
de respuesta impulsional y respuesta ante escalon, que como se sabe no depende de las acciones de
de gran exito en la industria por ser muy intuitivos control futuras, y viene dada por:
y permitir un procedimiento de identificacion rel-
ativamente sencillo. Estos tipos de modelo han
dado lugar a dos de los controladores mas ex-
X
tendidos en la practica: Dynamic Matrix Control, f (t + k) = ym (t) + (gk+i gi ) 4 u(t i) (8)
(dmc) y Model Algorithmic Control (mac). Se i=1
muestra aqu la formulacion del primero de ellos,
siendo la del segundo muy similar. Si el proceso es asintoticamente estable los coefi-
El controlador dmc se desarrollo a finales de los cientes gi de la respuesta ante escalon tienden a
anos setenta del siglo pasado por Cutler y Ra- valores constantes tras un cierto numero N de pe-
maker (Cutler y Ramaker, 1980) de la Shell Oil riodos de muestreo, por lo que se puede considerar
Co. y ha sido ampliamente aceptado en el en- que
torno industrial, principalmente por la industria
petroqumica (Qin y Badgwell, 1997). Su gran
gk+i gi 0, i>N
exito proviene de su capacidad para tratar pro-
cesos multivariables, aunque en esta seccion solo y por lo tanto se puede calcular la respuesta libre
se aborda el caso monovariable ya que permite como
comprender mejor los fundamentos sin perderse
en notacion matematica.
N
Como se ha indicado previamente, se usa un X
modelo de respuesta ante escalon para capturar f (t + k) = ym (t) + (gk+i gi ) 4 u(t i)
la dinamica del proceso, mientras que la pertur- i=1
y(t + 1 | t) = g1 4 u(t) + f (t + 1)
X
y(t + k | t) = gi 4 u(t + k i) + n(t + k | t) y(t + 2 | t) = g2 4 u(t) + g1 4 u(t + 1) + f (t + 2)
i=1 ..
k
X
X .
p
= gi 4 u(t + k i) + gi 4 u(t + k i) X
i=1 i=k+1
y(t + p | t) = gi 4 u(t + p i) + f (t + p)
i=pm+1
+n(t + k | t)
Como se considera que las perturbaciones son Si se define ahora la matriz dinamica del sistema
constantes en el futuro, n(t + k | t) = n(t | t) = G (que da nombre al algoritmo) como
ym (t) y(t | t), se puede escribir:
12 Control Predictivo: Pasado, Presente y Futuro
horizonte. En el caso del modelo incremental, objetivo, que (en el caso de (j) = 1 y (j) = )
estas se obtienen usando (11) de manera recursiva, se puede escribir como:
dando lugar a:
J = (Hu + Fx(t) w)T (Hu + Fx(t) w) + uT u
j1
X
y(t + j) = QM j x(t) + QM ji1 N 4 u(t + i) Si no hay restricciones, la solucion analtica que
i=0 proporciona el optimo es:
Notese que las predicciones necesitan una esti-
u = (HT H + I)1 HT (w Fx(t))
macion insesgada del vector de estados x(t). Si
este no es accesible sera necesario incluir un ob- Como se usa una estrategia de control deslizante,
servador, que calcula la estimacion por medio de solo se enva el primer elemento de la secuencia,
4u(t), y se vuelven a repetir los calculos en
el siguiente periodo de muestreo. Notese que se
x(t | t) = x(t | t 1) + K(ym (t) y(t | t 1)) necesita un observador, ya que la ley de control
depende de x(t).
donde ym (t) es la salida medida. Si la planta
esta sujeta a perturbaciones en forma de ruido Se debe notar que cuando los horizontes de control
blanco que afectan a la salida y al proceso con y de prediccion tienden a infinito y no existen
matrices de covarianza conocidas, el observador restricciones, este controlador se convierte en el
se convierte en un filtro de Kalman (Astrom y conocido problema de regulador lineal optimo
Wittenmark, 1984) y la ganancia K se calcula cuadratico (lqr). La secuencia de control optima
resolviendo una ecuacion de Riccati. se genera entonces por una realimentacion lineal
del vector de estado donde la matriz de ganancia
Ahora, las predicciones a lo largo del horizonte
se calcula mediante la resolucion de una ecuacion
vienen dadas por:
de Riccati. Esta equivalencia permite un estudio
teorico de los problemas de mpc basado en los
y(t + 1|t) resultados del campo del Control Optimo, como
y(t + 2|t)
es el caso de la estabilidad en bucle cerrado.
y= .. =
. Si se emplea el modelo de espacio de estados de
y(t + N2 |t) la ecuacion (10), las predicciones se calculan de
QM x(t) + QN 4 u(t) forma ligeramente diferentes, como se muestra en
1
X (Maciejowski, 2001). Sea cual sea el modelo usado
QM 2 x(t) + QM 1i N 4 u(t + i)
la ley de control es una realimentacion del vector
i=0 de estado que necesita un observador.
= ..
.
NX
2 1
QM N2 x(t) + QM N2 1i N 4 u(t + i) 2.4 Perturbaciones medibles
i=0
que se puede expresar de forma vectorial como Muchos procesos se encuentran sometidos a per-
turbaciones externas provocadas por cambios en
y = Fx(t) + Hu (12) las variables que se pueden medir. Esta es una
donde u = [4u(t) 4u(t+1) . . . 4u(t+Nu 1)]T situacion tpica en procesos cuyas salidas se ven
es el vector de incrementos de control futuros, afectadas por variaciones en el regimen de carga.
H es una matriz triangular inferior por bloques Considerese, por ejemplo, un reactor encamisado
cuyos elementos no nulos vienen definidos por donde la temperatura se controla manipulando el
Hij = QM ij N y la matriz F viene dada por caudal de agua que entra en la camisa refrigerante.
Cualquier variacion del caudal de reactivo influira
en la temperatura del reactor. Este tipo de pertur-
QM baciones, tambien conocidas como perturbaciones
QM 2
en la carga, pueden ser abordadas mediante el
F= ..
uso de accion feedforward. Como se vera a contin-
.
QM N2 uacion, las perturbaciones conocidas pueden ser
consideradas de forma explcita en mpc.
Notese que la expresion (12) esta compuesta por La idea es que si se conoce el efecto de estas
dos terminos: el primero de ellos depende del perturbaciones en la salida del sistema entonces
estado actual y por lo tanto se conoce en el pueden ser incluidas en las predicciones. Esto
instante t, mientras que el segundo depende las permite que los controladores predictivos incluyan
acciones de control futuras, que son las variables accion feedforward, usada con gran exito en con-
de decision que deben ser calculadas. La secuencia juncion con los controladores pid. Las perturba-
de control u se calcula minimizando la funcion ciones medibles se pueden incluir facilmente en
14 Control Predictivo: Pasado, Presente y Futuro
(a) (b)
produccion. Por ejemplo, en la mayora de los El ultimo sumando de la expresion (13) depende
reactores por lotes, la calidad de la produccion re- del estado del proceso y ha de ser recalculado cada
quiere que las variables del proceso se mantengan instante de muestreo.
dentro de lmites durante la reaccion; violar estos
El problema completo puede expresarse como
lmites puede llevar a una produccion de calidad
inferior a la requerida. Cuando los limites han
sido impuestos debido a razones de seguridad, la 1 T
min u Hu + bu + f0 (14)
violacion de estos lmites puede producir danos u 2
en los equipos, derrames de productos nocivos, s.a: Ru r + Vx(t) (15)
o en la mayora de los casos que se activen los
Este problema recibe el nombre de problema
enclavamientos de seguridad produciendo paradas
de programacion cuadratica (qp). Desafortunada-
de emergencia con las perdidas aparejadas de pro-
mente no existe una solucion explcita del pro-
duccion y costosos procesos de puesta en marcha.
blema anterior como en el caso de mpc sin res-
Al contrario de lo que ocurre con las variables tricciones. El problema qp se tiene que resolver
manipuladas, que en ultimo extremo podemos aplicando algun algoritmo numerico. Aunque los
saturar para mantenerlas dentro de lmites, las algoritmos qp son muy eficientes y algunos de
variables de proceso son fijadas por este y no ellos tienen un tiempo de ejecucion garantizado, la
podemos manipularlas a voluntad. Mas aun, la solucion del problema con restricciones es mucho
violacion de las restricciones en una variable de mas compleja que el caso sin restricciones
proceso puede ser debida a acciones previamente
tomadas. Una de las ventajas del control predic-
tivo es su capacidad de prediccion y anticiparse a
la violacion de las restricciones. 3.2 Optimizacion y restricciones
Las restricciones que normalmente actuan en un La implementacion del control predictivo es mas
proceso sobre las variables manipuladas, la veloci- difcil que la de los esquemas de control clasicos
dad de cambio de las variables manipuladas y las basados en controladores pid, requiriendo mas
variables de proceso se pueden expresar como: tiempo y personal con mas conocimiento de con-
trol. Para empezar hay que encontrar un modelo
U u(t) U t del sistema, lo que requiere un conjunto de prue-
u u(t) u(t 1) u t bas sobre el proceso que en muchos casos implican
y(t) y(t) y(t) t perturbar las condiciones normales de operacion
del proceso. Los equipos de control que se re-
Notese que el ultimo conjunto de restricciones quieren son mas complicados, con computadores
fuerza a las variables a seguir trayectorias den- mas potentes, y software de control mas caros.
tro de bandas (normalmente formadas por una A pesar de todas estas dificultades, el control
trayectoria nominal a seguir mas una banda de predictivo ha demostrado que es economicamente
tolerancia). rentable, reduciendo los costes de operacion y
En algunos casos, el estado final del proceso (es- aumentando la produccion y la calidad. La razon
tado que se debe alcanzar al final del horizonte de este exito radica en que el control predictivo
de prediccion) se fuerza a alcanzar un conjunto opera optimizando funciones de costo y teniendo
terminal con el fin de satisfacer condiciones de en cuenta las restricciones explcitamente, lo que
operacion o de estabilidad. Es facil ver que el permite:
conjunto terminal induce un conjunto de restric- optimizar el punto de operacion,
ciones sobre el vector de acciones de control (ver optimizar las transiciones del proceso de un
(Camacho y Bordons, 2004)). punto otro
minimizar la varianza de operacion del pro-
ceso. Una varianza mas pequena permite au-
3.1 Forma general de las restricciones mentar la calidad del producto y tambien
operar mas cerca de las restricciones. Como
La mayor parte de las restricciones que pueden la mayora de los procesos estan sometidos
actuar sobre un proceso pueden ser descritas por a restricciones el punto optimo suele estar
Ru r + Vx(t) (13) en la interseccion del conjunto de restric-
ciones, el operar mas cerca de estos puntos
Las matrices R, r, y V dependen de los parametros implica operar mas cerca del optimo. Con-
del proceso y de los valores lmites de las variables siderese, por ejemplo, un proceso donde la
del proceso, por lo que solo tienen que ser calcu- produccion (caudal, por ejemplo) depende de
ladas cada vez que los parametros o los lmites la presion de operacion como se ilustra en
cambien (lo que suele ocurrir con poca frecuencia). la figura 6. Al estar la presion de operacion
16 Control Predictivo: Pasado, Presente y Futuro
puede depender del valor de las variables (en el y el objetivo reformulado coincide con el objetivo
caso de que una variable controlada se salga de de control original. Al introducir Ki , el objetivo
lmites, puede ser prioritario minimizar su error reformulado (restriccion) se satisface siempre in-
en detrimento de otras variable). cluso cuando no lo hace el correspondiente obje-
tivo de control Oi (L1 = 0).
Ademas, en muchos casos, el objetivo de con-
trol no es optimizar la suma de los errores al La priorizacion de los objetivos se establece im-
cuadrado, sino mantener ciertas variables dentro poniendo las siguientes restricciones:
de los lmites marcados. Este tipo de objetivos
se puede expresar como una penalizacion de la
Li Li+1 0 for i = 1, , m 1
cantidad que la variable se excede de su lmite.
Algunas veces todos los objetivos de control se El problema es maximizar el numero de objetivos
pueden representar con una sola funcion objetivo. de control satisfechos:
Considerese, por ejemplo, un proceso con una serie
de objetivos de control J1 , J2 , ..., Jm , cada uno m
X
de ellos con restricciones lineales. Alguno de los Li
objetivos puede ser mantener algunas variables i=1
lo mas cerca posible de sus referencias mientras Si el modelo del proceso es lineal, el proble-
que otros pueden estar relacionados con mantener ma se puede resolver mediante programacion li-
ciertas variables dentro de ciertas regiones. La neal mixta (Mixed Integer Linear Programming,
secuencia de control se obtendra resolviendo el milp). El numero de variables enteras se puede
siguiente problema de optimizacion: reducir tal como se indica en (Tyler y Morari,
1996). La idea es usar la misma variable Li para
m
X restricciones que no pueden ser violadas al mismo
min J = i J i tiempo, como es el caso de los lmites inferior
i=1 y superior de la misma variable. Aunque hay
s. a. Ri u ai for i = 1, , m algoritmos eficientes para resolver este tipo de
problemas, la carga de calculo es mucho mayor
La importancia de cada objetivo se puede pon- que la de problemas del tipo lp o qp.
derar con la eleccion de los i . Desde luego esto
no es trivial, ya que es muy difcil determinar el
conjunto de pesos que representaran la importan- 4. EJEMPLO
cia relativa de los objetivos de control. Ademas,
los objetivos de control en la practica son a ve- Esta seccion muestra un ejemplo realizado con
ces cualitativos, haciendo muy difcil la tarea de una herramienta que puede ser empleada para
determinar los pesos. simular la mayora de los controladores predic-
En algunos casos, la importancia relativa de los tivos existentes. Este paquete de programas per-
objetivos de control se puede establecer mediante mite al usuario centrarse solo en la definicion del
priorizacion. Es decir, los objetivos de mayor pri- problema y el ajuste del controlador, olvidandose
oridad (por ejemplo los relacionados con la se- de la carga de programacion del algoritmo. La
guridad) deben ser satisfechos antes de considerar herramienta se llama impact, y se trata de un
otros de prioridad menor. Notese que aunque los programa que se ejecuta en el entorno Mat-
objetivos se pueden priorizar dandole mayor valor lab con una comoda interface de usuario y
a los pesos, esto resulta una tarea complicada. que se puede descargar de forma gratuita de
www.esi.us.es/mpcbook. Este paquete de soft-
Considerese un proceso con una serie de m obje- ware permite la simulacion de la mayora de
tivos de control priorizados, Oi , de tal manera que los algoritmos existentes (gpc, dmc, pfc, state-
el objetivo Oi tiene mayor prioridad que el Oi+1 space mpc, etc.) para sistemas tanto monovari-
y que los objetivos se pueden expresar como: ables como multivariables con la inclusion de re-
Ri u a i stricciones, incertidumbres, ruido y cambios en la
El procedimiento para tener en cuenta dicha pri- referencia.
oridad consiste en introducir variables enteras Li El proceso elegido se trata de una columna de
que toman valor 1 cuando el objetivo se cumple destilacion que es usada como banco de pruebas
y 0 en caso contrario. Los objetivos se expresan para estrategias de control de destilacion y se
como: conoce en la literatura como Shell Oils heavy
oil fractionator (Arruda et al., 1994), (Chia y
Ri u ai + Ki (1 Li ) (16) Brosilow, 1991).
donde Ki es un lmite superior conservador de El proceso y el experimento estan descritos con
Ri u ai . Si se cumple el objetivo Oi , Li = 1 detalle en (Camacho y Bordons, 2004). Hay tres
18 Control Predictivo: Pasado, Presente y Futuro
0.6
0.5 Ref1
Ref2
0.4 Ref3
Output1
0.3
Output2
0.2 Output3
0.1
0
0 10 20 30 40 50 60 70 80 90 100
0.2
0.1
0
DeltaU1
DeltaU2
0.1 DeltaU3
0.2
0 10 20 30 40 50 60 70 80 90 100
Normalmente se supone que existe una familia con dim((t))=n. Aunque esta descripcion es mas
de modelos y que la planta se puede describir conservadora, es mas facil de obtener y mucho mas
exactamente por un modelo de esa familia. Las intuitiva y refleja lo buena que es la prediccion a
tecnicas mas utilizadas en el contexto de Con- un paso del modelo. Otra ventaja a destacar de
trol Robusto son incertidumbres en la respuestas esta descripcion es que la ecuacion de prediccion
frecuenciales o incertidumbres en los parametros es afin en el vector de incertidumbre pudiendose
de la funcion de transferencia del proceso. Ambos escribir como:
modelos asumen que la planta es lineal con una
y = Gu u + G + Gx x(t)
respuesta en frecuencia dentro de la banda de
incertidumbre en el primer caso y en el segundo
Notese que al utilizar esta descripcion no se
caso que la planta es ademas del mismo orden. En
asume que el proceso sea lineal, aunque el mode-
el caso de control predictivo, las incertidumbres
lo lo sea, como es el caso de las incertidumbres
afectan a la capacidad de prediccion del modelo,
parametricas o frecuenciales. Esta descripcion
la prediccion en lugar de ser una trayectoria es
asume unicamente que el modelo puede prede-
una banda alrededor del modelo nominal. Con-
cir con toda certeza cual va a ser el valor de
siderese un sistema discretizado en el tiempo cuya
las variables de salida del proceso en el proximo
dinamica viene definida por:
instante de muestreo con un grado de tolerancia
determinado. Se podra argumentar que estas in-
y(t + 1) = f (y(t), , y(t ny ), u(t), , certidumbres son en realidad perturbaciones no
u(t nu ), z(t), , z(t nz ), ) (17) medibles por la forma que afectan al modelo. Pero
aqu la hipotesis que se hace es que las incer-
donde y(t) Y y u(t) U son vectores de salida tidumbres estan acotadas; de hecho, (t) podran
y entradas de dimensiones n y m respectivamente, ser funciones de las entradas y salidas pasadas
es un vector de parametros y z(t) Z es (estado).
un vector de variables exogenas.
La forma normal de operar al considerar incer-
Considerese una familia de modelos definida por: tidumbres estocasticas es minimizar la funcion ob-
jetivo J para la situacion mas esperada. En el caso
y(t + 1) = f(y(t), , y(t nna ), (18) de control robusto, la estrategia mas extendida
es considerar la peor de las situaciones posibles,
u(t), , u(t nnb ), )
que en el contexto de control predictivo equivale
donde y(t + 1) es la prediccion de la salida para a minimizar la funcion objetivo en el peor de los
el instante t + 1 generada por los modelos de caso. Es decir,
la familia; f es una funcion vector, usualmente min max J(u, )
una simplificacion de f ; nna y nnb son el numero uU
de salidas pasadas, entradas pasadas consideradas
por el modelo; y es un vector de incertidum- Si se utilizan normas o normas 1, el proble-
bres sobre el modelo. Notese que las variables ma puede expresarse como (ver (Camacho y Bor-
z(t) que afectan a la respuesta del proceso no se dons, 2004), captulo 8) como un problema lp.
consideran por el modelo. En cualquier caso el problema lp resultante es
mucho mas complejo que el caso nominal porque
La dinamica del proceso (17) esta completa- el numero de restricciones aumenta considerable-
mente descrita por la familia de modelos (18) mente.
si para cada posible y(t), , y(t ny ) Y,
u(t), , u(t nu ) U, z(t), , z(t nz ) Cuando se utiliza una funcion cuadratica, la
Z and existe un valor del vector de funcion objetivo es convexa en , lo que implica
parametros i tal que y(t + 1) = y(t + 1). La que el maximo de J se alcanza en uno de los ver-
forma de definir los parametros de incertidumbres tices del (Bazaraa y Shetty, 1979). La funcion
y su dominio depende de la estructura de es tambien convexa en u lo que implica que si se
f y f y el grado de certeza sobre el modelo. alcanza un optimo, este es global.
Usualmente se consideran que los parametros del
modelo estan definidos dentro de una banda de
incertidumbre alrededor de los parametros nom- 5.1 Robustez y restricciones
inales. Lo mas practico es considerar todos los
errores globalizados (Camacho y Bordons, 2004) Una forma de hacer un controlador predictivo
de forma que la planta se describe por la siguiente robusto es imponer que las condiciones de es-
familia de modelos: tabilidad se verifiquen para cualquier realizacion
de las restricciones. Las condiciones de estabili-
dad (Mayne et al., 2000) en control predictivo
y(t + 1) = f(y(t), , y(t nna ), requieren en general que la funcion objetivo con-
u(t), , u(t nnb )) + (t) tenga un coste terminal y que el estado al final del
20 Control Predictivo: Pasado, Presente y Futuro
horizonte de control este incluido en una region de operar no tiene en cuenta hasta sus ultimas
terminal. consecuencias el concepto de horizonte deslizante.
La secuencia de control u(t), u(t + 1) u(t +
El control predictivo robusto consiste en encontrar
N 1) se calcula para todo el horizonte sin
los movimientos de control futuro minimizando
ninguna informacion sobre las incertidumbres. Sin
la funcion objetivo y forzando al estado terminal
embargo en la realidad cuando haya que calcular
alcanzar la region terminal para todos los valores
u(t + j) el controlador ya tiene informacion sobre
posibles de las incertidumbres; esto es,
las incertidumbres hasta ese instante de tiempo.
Jt+N 1 (x(t + N 1)) en todos los puntos de la donde x(t) = [xTr (t) xTb (t)] siendo xr (t) Rn
rejilla en el primer paso para en un segundo paso la parte continua del vector de estado y xb (t)
calcular la funcion Jt+N 2 (x(t+N 2)) utilizando {0, 1}nb la parte discreta. La salida del sistema
una interpolacion de Jt+N 1 (x(t+N 1)) cuando tiene una estructura similar y(t) = [yrT (t) ybT (t)]
x(t + N 1) = f (x(t + N 2), u(t + N 2), (t + donde yr (t) Rm es la parte continua y la
N 2)) no coincide con uno de los puntos de la parte discreta viene dada por yb (t) {0, 1}mb .
rejilla. El vector de entrada u(t) = [uTr (t) uTb (t)] esta
compuesto de una parte continua ur (t) Rl y
Una forma de reducir la banda de incertidumbre
otra discreta ub (t) {0, 1}lb . La descripcion suele
de la prediccion es utilizar una realimentacion
requerir variables auxiliares continuas z(t) Rr y
lineal (Bemporad, 1998),(Chisci et al., 2001) del
discretas (t) {0, 1}rb .
vector de estado antes de aplicar el control pre-
dictivo. Es decir, hacer: La idea clave para obtener esta descripcion a par-
tir de las expresiones logicas de la parte discreta de
u(t + k) = Kx(t + k | t) + v(t + k) (27)
un sistema hbrido es que las expresiones logicas
donde K es una realimentacion que estabiliza al se pueden expresar facilmente (ver (Camacho y
sistema y la variable auxiliar v(t) es la referencia Bordons, 2004), captulo 10) en restricciones. Por
para el bucle interno y la variable manipulable ejemplo supongamos dos variables logicas L1 y L2
para el controlador predictivo. De esta forma se que pueden tomar los valores logicos 0 o 1. La
consigue disminuir el tamano de la banda de expresion logica L1 or L2 se transforma en la
incertidumbre de la prediccion. restriccion L1 + L2 1. La expresion logica L1
and L2 se transforma en L1 + L2 2 con ambas
variables pertenecientes a [0, 1].
6. CONTROL PREDICTIVO Y SISTEMAS
HIBRIDOS
6.2 Control Predictivo de sistemas MLD
En la mayor parte de los procesos no solo hay
variables continuas sino que tambien variables que El problema de control predictivo se puede formu-
toman valores discretos. Durante mucho tiempo, lar como:
la forma de modelar y controlar uno y otro pro-
ceso se realizo como algo totalmente distinto. u = arg min kx rx kpQx + ku ru kpQu + (29)
Por una parte grafos de transicion de estados, u
x(t + 1) = Ax(t) + B1 U (t) + B2 (t) + B3 z(t) Otra forma de modelar sistemas hbridos es medi-
ante sistemas afines a trozos (piecewise affine sys-
y(t) = Cx(t) + D1 u(t) + D2 (t) + D3 z(t) (28) tems, pwa). De hecho, se ha probado (Heemels
E1 x(t) + E2 u(t) + E3 (t) + E4 z(t) g et al., 2001) que un sistema mld (y muchas otras
22 Control Predictivo: Pasado, Presente y Futuro
descripciones de sistemas hbridos) se pueden des- Este problema podra ser resuelto encontrando el
cribir como sistemas pwa. Los sistemas afines optimo para cada posibles secuencia de I, i.e.
a trozos tienen tambien la ventaja de permitir
aproximar sistemas no lineales con un grado de u = arg min min J (33)
I u RIU uq IU
precision arbitrario. Un sistema afn a trozos se
puede describir por: donde RIU u rIU son las restricciones debidas a
las dependencias entre I y U .
x(t + 1) = Ai x(t) + B i u(t) + f i
x(t) Los problemas milp o miqp resultante son mucho
for Xi
y(t) = C i x(t) + g i u(t) mas difciles de resolver en tiempo real que los
s problemas qp o lp de los controladores predictivos
donde {Xi }i=1 es una particion poliedrica del es-
nominales.
pacio de estado y entrada. Cada Xi viene dado por
x(t) x(t)
Xi = |Ri ri
u(t) u(t) 7. METODOS RAPIDOS PARA
i
Cada subsistema S esta definido por la 7-tupla IMPLEMENTAR CONTROLADORES
(Ai , B i , C i , f i , g i , Ri , ri ), i {1, 2, . . . , s}. Ai PREDICTIVOS
Rnn , B i Rnm , and (Ai , B i ) ies un par
controlable. C i Rrn and Ri Rpi (n+m) Una de las desventajas de los controladores pre-
y f i , g i , ri son vectores constantes apropiados. dictivos es que requieren, en algunos casos, tiem-
La dimensiones de los vectores de estado, de pos de calculo demasiado grandes para aplica-
entradas de salida son n, m y r respectivamente. ciones de tiempo real. Esto ocurre por ejemplo
Finalmente, pi es el numero de hiperplanos que en el caso de presencia de restricciones, cambios
definen al poliedro i. en los parametros del proceso, control predictivo
robusto o control predictivo no lineal. Han apare-
Asumiendo que todo el estado esta disponible cido algoritmos en la literatura que permiten la
(un estimador del estado sera necesario en caso implementacion facil de controladores predictivos.
contrario), la formulacion del control predictivo Tal es el caso de la estructura propuesta (Bordons
es: y Camacho, 1998) para sistemas que puedan ser
descritos por el metodo de la curva de reaccion
u = arg(min J) (30) o la utilizacion de redes neuronales para aproxi-
u
mar controladores predictivos no lineales (Gomez
N
X Ortega y Camacho, 1994).
s.a. : J = qii (y(t + i | t) w(t + i))2 +
i=1 Recientemente se ha demostrado (Bemporad et
N
X 1 al., 2002) que un controlador predictivo se puede
rii u(t + i)2 expresar como un programa multiparametrico
i=0 cuya solucion resulta en un controlador que es afn
umin u(t + i) umax i = 0, ..., N 1 a trozos en el espacio de estado. La idea es simple
y fue sugerida por primera vez en (Zafiriou, 1990):
Considerese el problema de prediccion: el sub- el optimo de un problema qp se alcanza en un con-
sistema que describe el proceso en el instante t junto de restricciones activas (el conjunto puede
es conocido pero el siguiente subsistema donde ser vaco) y para todos los puntos del espacio que
el proceso estara en el instante de tiempo si- tengan el mismo conjunto de restricciones activas,
guiente depende de la senal de control apli- la solucion es afn.
cada. En general, una secuencia de subsistemas
I = {I(t) I(t + 1) . . . I(t + N )} se pueden ac-
tivar a lo largo de la trayectoria. Solo el valor
inicial I(t) = I(t)(x(t)) de esta secuencia es 7.1 Ejemplo Ilustrativo: el doble Integrator
conocido. Notese que si no hay restricciones, el
numero posible de secuencias para un horizonte Considere el doble integrador descrito por la
de N es sN 1 , numero que puede ser muy elevado. ecuacion siguiente:
El problema de optimizacion resultante se puede 1
expresar como: Y (s) = U (s)
s2
u = arg(min J) (31) Si el proceso se muestrea con un tiempo de
u,I
muestreo de una unidad y suponiendo un mues-
donde hay que anadir restricciones para conside- treador y mantenedor entre ambos integradores,
rar las dependencias entre los subsistemas y sus la descripcion discreta del sistema es:
ecuaciones correspondientes, i.e.:
1 1 0
A= B= C= 1 0
RI(t+j) x(t + j) rI(t+j) , j = {1, . . . , N } (32) 0 1 1
E. F. Camacho, C. Bordons 23
entonces u(t) = 1
J = u(t)2 (34)
N 1
La ley de control resultante no esta restringida
X para los puntos de la region 1 y coincide, como era
+ (x(t + j)T Qx(t + j) + u(t + j)T Ru(t + j))
j=1
de esperar, con la solucion de la ecuacion de Ric-
cati. Las regiones pueden verse en la figura 9, que
tambien muestra la evolucion del estado (cuando
X
+ (x(t + j)T Qx(t + j) + u(t + j)T Ru(t + j))
j=N
se aplica la ley de control afn descrita previa-
mente) con un estado inicial dado por x(t)T =
1 0 [5 5].
con R = y Q = para el ejemplo. Si
0 0
la ultima parte de la funcion de costo (34) no es Notese que el controlador minimiza la expresion
afectada por las restricciones, se puede encontrar (35) con N = 2, que minimizara la funcion con
su valor optimo resolviendo la ecuacion de Riccati horizonte infinito cuando la senal de control no
correspondiente. Para N = 2 y = 0.1, la ley de esta afectada por restricciones despues para hor-
control resultante (obtenida al resolver la ecuacion izontes mayores que 2. Notese que la parte a
de Riccati) es u(t) = Kx(t) con K = [0.8166 implementar del controlador en lnea consiste en:
1.7499]. El valor de la funcion objetivo cuando se a) leer o estimar el estado, b) decidir en que
aplica esta ley de control (para el caso nominal sin region esta el sistema y c) aplicar la ley de control
ruido ni restricciones) es una funcion del estado correspondiente. En este ejemplo el numero de
que viene dada por J(x) = xT P x, donde P se operaciones para determinar la region es de 48
obtiene al resolver la ecuacion de Riccati (ver multiplicaciones, 24 sumas y 24 comparaciones.
(Camacho y Bordons, 2004) que en este caso El calculo de la senal de control requiere como
resulta: maximo dos multiplicaciones y una suma. Es decir
un numero muy reducido de operaciones. Notese
2.1429 1.2246
P = que el mayor tiempo de calculo corresponde a la
1.2246 1.3996
determinacion de la region, este tiempo depende
Si la ley de control optima se aplica para k > N , del numero de regiones y dimension del vector
la funcion de coste resulta: de estado y puede ser considerable. En (Tndel y
Johansen, 2002) se sugiere un metodo para orga-
N
X nizar las restricciones de forma que se minimice el
J= (x(t + j)T Qj x(t + j) numero de operaciones necesarias para determinar
j=1
la region.
+ u(t + j 1)T Ru(t + j 1)) (35)
con Qj = Q for j < N y QN = P . Si los
movimientos de control estan restringidos por 7.2 Implementaciones rapidas de MPC robustos
1 u(t) 1 y 1 u(t + 1) 1, hay
nueve regiones descritas, con sus controladores Cuando hay incertidumbres, es necesario resolver
correspondientes, por expresiones del tipo: un problema min-max y satisfacer un conjunto
de restricciones para cualquier realizacion posible
de las incertidumbres. Se ha demostrado que la
Region
1: programacion multiparametrica puede ser exten-
0.8166 1.7499 1 dida a este problema. En el caso de normas (o
0.6124 0.4957 1 norma 1) la solucion es afn a trozos (Bemporad et
Si x(t) 1 entonces
0.8166 1.7499
0.6124 0.4957 1
al., 2001). Este hecho puede deducirse facilmente
porque en estos casos el problema min-max se
u(t) = [0.8166 1.7499]x(t) puede expresar como un problema lp (ver captulo
24 Control Predictivo: Pasado, Presente y Futuro
0
R1 de ndole practica como identificacion o compleji-
dad computacional. Se puede considerar que los
2
R3 temas mas relevantes en este campo son el desar-
R6 R4
rollo de modelos que sean capaces de capturar la
4
R8 dinamica no lineal del proceso y la obtencion de
6
una solucion factible en tiempo real al problema
15 7.5 x1 0 7.5 15
de la minimizacion.
El desarrollo de modelos no lineales adecuados
Fig. 9. Regiones de control afines para el doble
puede ser una tarea muy complicada y en general
integrador.
no existe una forma claramente apropiada para
8 de (Camacho y Bordons, 2004)) y que para estos representar este tipo de sistemas. Gran parte del
problemas la solucion es lineal a trozos. Para el exito del mpc se ha debido a la relativa facilidad
caso de funciones objetivos cuadratricas, se ha con que se pueden obtener modelos de convolucion
demostrado (Ramrez y Camacho, 2001) que el (impulso o escalon) o funciones de transferen-
min-max mpc es tambien una ley de control afn cia de bajo orden. Los modelos no lineales son
a trozos. mas difciles de construir, bien por correlaciones
de datos de entrada-salida o bien por el uso de
Estos resultados han hecho cambiar la concepcion
primeros principios a partir de ecuaciones de bal-
de que estos controladores solo pueden ser apli-
ance de masa y energa.
cados a procesos lentos y requiriendo gran capaci-
dad de calculo. Las realizaciones rapidas permiten Hay tres tipos de modelos que se usan en las
aplicar controladores predictivos con restricciones formulaciones de nmpc:
o controladores predictivos min-max a procesos
Modelos empricos, que se obtienen de datos
rapidos sin requerir grandes procesadores.
reales y pueden tomar la forma de modelos
de entrada-salida (tales como narx, mode-
los de Volterra, Hammerstein o bilineales y
8. MPC NO LINEAL redes neuronales) o modelos no lineales en el
espacio de estados.
En general, los procesos industriales son no linea- Modelos fundamentales, que provienen de
les, pero aun as, la mayora de aplicaciones del ecuaciones de balance, tambien llamados de
mpc estan basadas en el uso de modelos lineales. primeros principios. Las ecuaciones se ob-
Existen dos importantes razones para ello: por tienen por el conocimiento del proceso, apli-
un lado, la identificacion de un modelo lineal a cando ecuaciones de balance de masa, energa
partir de datos de proceso es relativamente sen- momento. En este caso, la prediccion se hace
cilla y por otro, los modelos lineales proporcionan como una simulacion de las ecuaciones no
buenos resultados cuando la planta opera en las lineales que describen la dinamica del pro-
cercanas del punto de operacion. Ademas, el uso ceso. Para procesos industriales complejos,
de un modelo lineal junto con una funcion de coste este tipo de modelos es difcil y costoso de
cuadratica da lugar a un problema convexo (Pro- construir, ya que necesita conocimiento muy
gramacion Cuadratica), cuya solucion esta bien experto.
estudiada y existen numerosos productos comer- Modelos de caja gris, que se desarrollan com-
ciales disponibles. binando los enfoques emprico y fundamen-
tal, haciendo uso de las ventajas de cada
Sin embargo, la respuesta dinamica de los contro- tipo de modelo. En este enfoque hbrido, la
ladores lineales que resultan es inaceptable cuando informacion de los primeros principios se ve
se aplican a procesos que son no lineales con enriquecida con datos empricos.
distinto grado de severidad. Aunque el numero
de aplicaciones de Nonlinear Model Predictive El otro asunto crucial en nmpc es la solucion del
Control (nmpc) es aun limitada (ver (Badgwell y problema. Requiere la consideracion (y al menos
Qin, 2001), (Qin y Badgwell, 1998)), su potencial la resolucion parcial) de un problema no lineal
es realmente grande y acabara abriendose camino no convexo (nlp) que da lugar a una serie de
en aquellas areas donde las no-linealidades son dificultades computacionales relacionadas con el
severas y la demanda de mercado exige frecuentes coste y la fiabilidad de la resolucion del problema
cambios en el regimen de operacion. nlp en lnea.
E. F. Camacho, C. Bordons 25
Normalmente el problema se resuelve haciendo marco del espacio de estados. Las formulaciones
uso de la Programacion Cuadratica Secuencial de estabilidad garantizada estan recogidas en la
(Sequential Quadratic Programming, sqp), que publicacion de Mayne et al. (Mayne et al., 2000).
son extensiones de metodos de tipo Newton En esta referencia, los autores presentan las condi-
para lograr la convergencia a las condiciones de ciones suficientes para el diseno de un controlador
Karush-Kuhn-Tucker (kkt) del problema de opti- predictivo estabilizante con restricciones.
mizacion. El metodo debe garantizar convergencia
Los ingredientes clave de un mpc estabilizante son
rapida y debe tratar problemas de mal acondi-
el conjunto terminal y el coste terminal. El estado
cionamiento y no linealidades extremas. sqp es
terminal denota el estado predicho del sistema al
una tecnica iterativa en la cual la solucion en
final del horizonte de prediccion. Se fuerza a que
cada paso se obtiene mediante la resolucion de
este estado terminal alcance un conjunto terminal
una aproximacion al problema no lineal en la
que contenga el estado en regimen estacionario
que el objetivo es sustituido por una aproxi-
y tiene un coste asociado que se denomina coste
macion cuadratica y las restricciones no lineales
terminal, que se anade como un nuevo termino a
por aproximaciones que s los son.
la funcion de coste.
La solucion exacta del problema de optimizacion
Se supone que el sistema es localmente estabi-
en cada instante de muestreo es una tarea ar-
lizable mediante una ley de control de la forma
dua. Por ello, en los ultimos anos ha aparecido
u = h(x), que debe satisfacer las siguientes condi-
una serie de formulaciones que pretenden evi-
ciones:
tar los problemas asociados a la optimizacion no
convexa. Estas formulaciones deben abordar la Existe una region tal que para todo x(t)
estabilidad y la factibilidad de la solucion que , entonces h(x(t)) U (conjunto de ac-
debe calcularse durante el periodo de muestreo. ciones de control admisibles) y el estado del
Una revision de las tecnicas existentes se puede sistema en el siguiente tiempo de muestreo
encontrar en (Camacho y Bordons, 2004), donde x(t + 1) .
formulaciones como mpc lineal extendido, mod- Para todo x(t) , existe una funcion de
elos locales, nmpc suboptimo, uso de horizontes Lyapunov V (x) tal que
cortos, descomposicion de la secuencia de control,
linealizacion por realimentacion, mpc basado en V (x(t)) V (x(t + 1))
modelos de Volterra o nmpc con redes neuronales x(t) Rx(t) + h(x(t))T Sh(x(t))
T
Maciejowski, J.M. (2001). Predictive Control with Tndel, P. y T.A. Johansen (2002). Proc. of the
Constraints. Prentice Hall. Harlow. IFAC World Congress, B02, Editors: E.F.
Mayne, D.Q., J.B. Rawlings, C.V. Rao y P.O.M. Camacho, L. Basanez and J.A. de la Puente.
Scokaert (2000). Constrained Model Predic- Chap. Complexity Reduction in Explicit Lin-
tive Control: Stability and Optimality. Auto- ear Model Predictive Control. Elsevier Sci-
matica 36, 789814. ence.
Morari, M. (1994). Advances in Model-Based Tyler, M.L. y M. Morari (1996). Propositional
Predictive Control. Chap. Model Predictive Logic in Control and Monitoring Problems.
Control: Multivariable Control Technique of Technical Report AUT96-15, Institut fur Au-
Choice in the 1990s? Oxford University Press. tomatik, ETH- Swiss Federal Institute of
Mosca, E., J.M. Lemos y J. Zhang (1990). Sta- Technology, Zurich, Switzerland.
bilizing I/O Receding Horizon Control. In: Ydstie, B.E. (1984). Extended Horizon Adaptive
IEEE Conference on Decision and Control. Control. In: Proc. 9th IFAC World Congress,
Peterka, V. (1984). Predictor-based Self-tuning Budapest, Hungary.
Control. Automatica 20(1), 3950. Zadeh, L.A. y B.H. Whalen (1962). On Opti-
Propoi, A.I. (1963). Use of lp Methods for Syn- mal Control and Linear Programming. IRE
thesizing Sampled-data Automatic Systems. Trans. Automatic Control.
Automatic Remote Control. Zafiriou, E. (1990). Robust Model Predic-
tive Control of Processes with Hard Con-
Qin, S.J. y T.A. Badgwell (1997). An Overview
straints. Computers and Chemical Engineer-
of Industrial Model Predictive Control Tech-
ing 14(4/5), 359371.
nology. In Chemical Process Control: Assess-
ment and New Directions for Research. In:
AIChE Symposium Series 316, 93. Jeffrey C.
Kantor, Carlos E. Garcia and Brice Carna-
han Eds. 232-256.
Qin, S.J. y T.A. Badgwell (1998). An Overview
of Nonlinear Model Predictive Control Ap-
plications. In: IFAC Workshop on Nonlinear
Model Predictive Control. Assessment and
Future Directions. Ascona (Switzerland).
Ramrez, D.R. y E.F. Camacho (2001). On the
piecewise linear nature of Min-Max Model
Predictive Control with bounded uncertain-
ties. In: Proc. 40th Conference on Decision
and Control, CDC2001.
Rawlings, J. (2000). Tutorial Overview of Model
Predictive Control. IEEE Control Systems
Magazine pp. 3852.
Richalet, J. (1993). Industrial Applications of
Model Based Predictive Control. Automatica
29(5), 12511274.
Richalet, J., A. Rault, J.L. Testud y J. Pa-
pon (1976). Algorithmic Control of Industrial
Processes. In: 4th ifac Symposium on Iden-
tification and System Parameter Estimation.
Tbilisi ussr.
Richalet, J., A. Rault, J.L. Testud y J. Papon
(1978). Model Predictive Heuristic Control:
Application to Industrial Processes. Auto-
matica 14(2), 413428.
Richalet, J., S. Abu el Ata-Doss, C. Arber, H.B.
Kuntze, A. Jacubash y W. Schill (1987).
Predictive Functional Control. Application to
Fast and Accurate Robots. In: Proc. 10th
IFAC Congress, Munich.
Scokaert, P.O.M., D.Q. Mayne y J.B. Rawlings.
(1999). Suboptimal model predictive control
(feasibility implies stability). IEEE Transac-
tions on Automatic Control 44(3), 648654.