Escolar Documentos
Profissional Documentos
Cultura Documentos
Conceitos e Aplicações
Prof. Dr. Oscar A. Z. Sotomayor
Categoría I
Control convencional. Técnicas
ampliamente usadas por varias décadas
Control manual
Control PID
Control por relación
Control en cascada
Control feedforward
Estratégias de Control de Procesos
Categoría II
Control avanzado. Técnicas clásicas
usadas por mas de 30 años
Gain scheduling
Predictor de Smith
Control por
desacoplamiento
Control selective/override
Estratégias de Control de Procesos
Categoría III
Control avanzado. Técnicas
ampliamente usadas
Categoría IV
Control avanzado. Nuevas técnicas con
varias aplicaciones industriales
Categoría V
Control avanzado. Técnicas propuestas con
algunas (si existen) aplicaciones industriales
Control Hinf
Síntesis µ
Qué es Optimización?
2
2 − x1 −( x2 +1)
2
x1 3 5 − x1 − x2
2 2 1 −( x1 +1) 2 − x22
J = 3(1 − x1 ) e − 10 − x1 − x2 e − e
5 3
min J
x1, x 2
− 3 ≤ x1, 2 ≤ 3
0
J
2
4
6
3
2
3
1 2
0 1
1 0
1
2
2
3 3
x2
x1
Que es optimización?
Grafico de Contornos
3
0
x2
Mínimo
Global
1
*
2
3
3 2 1 0 1 2 3
x1
x1 = 0.25
J min = −6.3265
x2 = −1.75
Control es un problema de
OPTIMIZACIÓN !!!
Control Predictivo - Definición
Control predictivo o MPC (Model Predictive
Control) o MBPC (Model-Based Predictive
Control) es un término usado para distinguir una
familia de algoritmos de control que usan um
modelo explícito del proceso para predecir la
respuesta futura de la planta. En cada instante
de muestreo, el MPC soluciona on-line um
problema lineal cuadrático em lazo abierto,
usando el estado actual de la planta como
estado inicial. El resultado de la optimización
genera una secuencia de control optimo, el cual
es aplicado a la planta de acuerdo con la
filosofia de control de horizonte movil o RHC
(Receding or moving Horizon Control).
MPC:
Global economic
optimization
Local steady-state
optimization
Constraint control
(MPC)
Distributed control
systems (DCS),
PID´s
Control Predictivo - Tipos
MPC lineal (LMPC) MPC nolineal (NMPC)
Usa modelo lineal Usa modelo nolineal
x = Ax + Bu x = f ( x, u )
J = xT Qx + u T Ru J ( x, u )
Restricciones Restricciones no
lineales lineales
Hx + Gu ≤ 0 h ( x, u ) ≤ 0
NMPC
Control Predictivo - Aplicaciones
Control Predictivo - Aplicaciones
LMPC
Control Predictivo - Aplicaciones
NMPC
Control por Matriz Dinámica
Cutler, C.R.; Ramaker, B.C. (1980). Dymanic matrix control (DMC) - A
computer control algorithm. Proc. Joint Automatic Control Conference,
San Francisco-CA.
Controlador dead-beat:
dead-beat
No aplicable para procesos con tiempo muerto (h1=0).
No aplicable si h1 es pequeño (acción de control grande)
h1 influenciado por ruidos espurios.
Control por Matriz Dinámica
N
Predicción al futuro (k+j ) : yˆ k + j = yˆ k + j −1 + ∑ hi ∆uk + j −i
i =1
j = 1,2,…,np
np = horizonte de
predicción (optimización)
Erro igual para cualquier (j ):
N
ykc + j − yˆ k + j = ykc + j −1 − yˆ k + j −1 ykc + j = ykc + j −1 +∑ hi ∆uk + j −i
ykc = yk i =1
y c = A∆ u + y k + P
Observaciones:
Tamaño de matrices y vectores pueden complicar
manipulación computacional
matrix A pude ser no singular (no existe inversa), en el
caso que el sistema tenga tiempo muertos.
( e ) np x1 =−( A) np x m ( ∆u ) m x1 +( e´) np x1
Control por Matriz Dinámica
1) J =eT e =[ − A∆u + e´]T [ − A∆u + e´]
∂J
min J ⇒ = 0 ⇒ AT A∆u − AT e´= 0
∂∆u
∆u = AT A( AT e´ ) −1
( )
∆um x1 = AT m x np ( A) np x m −1 AT ( ) m x np e´np x 1
Aplicar solo primera acción de control (estrategia RHC)
Lleva a acciones de control muy violentas.
N Nm
yˆ j ,k =∑∑ h j ,l ,i ul ,k −i
i =1 l =1
ykc +1 A1 ∆uk yk + P1
c y +P
yk +2 A2 A1 ∆ u k +1 k 2
c
0
k +m−2 Ak +m−2
y Ak +m−3 A1 ∆u
k +m−2 + k y + Pm −2
yc =A Ak +m −2 A2 A1 ∆u yk +Pm−1
k +m−1 k +m−1 k + m −1
0
c A Anp −2 A1
y
k +np −1 np −1
ykc +np Anp Anp −1 A2 A1 0 yk + Pnp
y c = A∆u + y0c
( y )(
c
N c .np ) x1 ( )
=( A) ( N c .np ) x ( N m .m ) ( ∆u ) ( N m .m ) x1 + y0c ( N c .np ) x1
Control por Matriz Dinámica
ykd+1 yksp
Trajectoria deseada: d
sp
y k +2 y k
= e =− A ∆u + e´
d sp
yk +np −1 yk
y d y sp
k +np k
[
∆u = ∆u1,k ∆u2,k ∆u N m ,k ∆u1,k +1 ∆u N m ,k +1 ∆u1,k +m −1 ∆u N m ,k +m −1 ]
T
Control por Matriz Dinámica
Incluyendo matriz W de ponderação de las controladas:
We = −WA∆u + We´
w1
w2
0
wN c
W =
0 w1
wNc
( N c .np ) x ( N c .np )
∂J
∂∆u
( −1 T
= 0 ⇒ ∆u = A W WA + R A W T We´
T T
)
Control por Matriz Dinámica
Selección de los parámetros de diseño del controlador DMC:
DMC
1 1
Tiempo de muestreo: τ dom ≤ ∆t ≤ τ dom
10 5
umin ≤ u ≤ umax
uk I N m 0 0 ∆uk uk −1
u I I Nm 0 ∆uk +1 uk −1
u = k +1 = m +
N
k + m −1 I N m
u I Nm I N m ∆uk + m −1 uk −1
u = N∆u + uk −1
u ≤ umax N∆u ≤ umax − uk −1
u ≥ u min − N∆u ≤ uk −1 − umin
N umax − uk −1
− N ∆u ≤ u − u
k −1 min
Algoritmo QDMC
Restricciones en las amplitudes de las controladas:
ymin ≤ y ≤ ymax
y c = A∆u + y0c
A ymax − y0c
− A ∆u ≤ c
y0 − ymin
Exiten diversos algoritmos para solución del problema de
optimización cuadrática.
En el Matlab, ver la función “quadprog.m”
Algoritmo QDMC
Implementación en Matlab/Simulink
Aplicación: Reactor Industrial de
Polimerización
y1
d1
u2
y3 = u 3
y2
y1 u1
y2 u2
(cerca valor mínimo) y 3 = u 3 u3
Aplicación: Columna de Destilación
de la Shell
Implementación en Matlab/Simulink
Aplicación: Columna de Destilación
de la Shell
Proceso:
y ( s ) = G yu ( s )u ( s ) + G yd d ( s )
Respuestas a perturbaciones d1 y d2
Aplicación: Unidad FCC de la
Petrobras
y1 u1
y2 u2
y3 u3
y4 u4