“Año del Diálogo y Reconciliación Nacional”

Tema: Controlador predictivo basado en un

modelo mpc

CURSO: CONTROL AVANZADO

DOCENTE: Ing. Galván Maldonado, Carlos A

ESTUDIANTES: Delgado Pino, Mabior A.

 Rojas Morales, José R.

CICLO: VII
 PAMPAS - TAYACAJA 2018

INFORME DEL LABORATORIO N°4

CONTROLADOR PREDICTIVO BASADO EN UN MODELO MPC

I. Resumen.
El Control Predictivo por Modelo (CPM, más conocido como MPC por sus
siglas en inglés) es un método avanzado de control de procesos que ha sido
utilizado por la industria de procesos en plantas químicas y refinerías de
petróleo desde la década de 1980. En años recientes también ha sido utilizado
en modelos de estabilidad para sistemas de potencia. Los controladores para
este tipo de control dependen de modelos dinámicos del proceso en cuestión,
más a menudo modelos lineales empíricos obtenidos por identificación de
sistemas. La ventaja principal del MPC es el hecho de que permite que la
ranura de tiempo inmediata sea optimizada, mientras tiene en cuenta también
las ranuras de tiempo futuras. Esto se consigue optimizando un horizonte de
tiempo finito, pero implementando únicamente la ranura de tiempo actual. El
MPC tiene la capacidad de anticipar acontecimientos futuros y tomar acciones
de control consecuentemente. Los controladores PID y LQR no poseen esta
característica de predicción. El MPC implementa casi universalmente un
sistema de control digital, a pesar de que actualmente se investiga sobre cómo
lograr tiempos de respuesta más rápidos con circuitos análogos especialmente
diseñados.
FIGURA N° 1

FIGURA N° 2

FIGURA N° 3

FIGURA N° 4
II. Objetivos.
 Controlar una planta de doble integrador bajo saturación de entrada en
Simulink.
III. Teoría.
Esta demostración muestra cómo utilizar el MPC para controlar una planta
de doble integrador bajo la saturación de entrada en Simulink.
IV. Procedimiento
IV.1. Configurar el controlador predictivo tipo MPC
MPC Configuración de objetos
if ~mpcchecktoolboxinstalled('simulink')
disp('Simulink(R) is required to run this demo.')
return
end
Ts = .1; % Sampling time
p = 20; % Prediction horizontal
m = 3; % Control horizontal
mpc_controller = mpc(tf(1,[1 0 0]),Ts,p,m); % MPC object
mpc_controller.MV=struct('Min',-1,'Max',1); % Input saturation
constraints
Respuesta
 La propiedad "Weights.ManipulatedVariables" del objeto "mpc"
está vacío. Si se asume por defecto 0.00000.
 La propiedad "Weights.ManipulatedVariablesRate" del objeto
"mpc" está vacío. Si se asume por defecto 0.10000.
 La propiedad "Weights.OutputVariables" del objeto "mpc" está
vacío. Si se asume por defecto 1.00000.
IV.2. Simular el controlador MPC
x01=0; % Initial state: First integrator
x02=0; % Initial state: Second integrator
Tstop=5; % Simulation time
r=1; % Set point
open_system('mpc_doubleint'); % Open Simulink(R) Model
sim('mpc_doubleint',Tstop); % Start Simulation
Respuesta
 La conversión de la propiedad "Model.Plant" del objeto "mpc" de
espacio de estado.
 Conversión de modelo de tiempo discreto.
  La propiedad "Model.Noise" del objeto "mpc" está vacío.
Suponiendo que el ruido blanco en cada canal de salida medida.
IV.3. Cierre el control en Matlab
 bdclose ( 'mpc_doubleint' );

IV.4. Implementar en Simulink

FIGURA N° 5

Respuesta de la simulación
 FIGURA N° 6

FIGURA N° 7

Configuración de parámetros

La señal de salida y(t) si la entrada es r(t) = 2

FIGURA N° 8

La señal de control predictivo u(t)

 FIGURA N° 8

Respuesta de la simulación

FIGURA N° 9

Si la señal constant se cambia a señal step, como es la señal

r(t), u(t) y y(t).
 FIGURA N° 10

Respuesta de la simulación r (t)

FIGURA N° 11

Respuesta de la simulación u(t)

 FIGURA N° 12

Respuesta de la simulación y(t)

FIGURA N° 13

V. Conclusiones
 Pudimos comprobar la diferencia de salidas de señales de acuerdo a la
entrada de señal.
 Pudimos comprobar la salida de la señal de la planta en ambos casos
con una entrada de señal constante y una señal step.
 Pudimos comprobar la salida de la señal del controlador en ambos
casos con una entrada de señal constante y una señal step.