Control Predictivo

Escuela Superior de Ingenieros
Universidad de Sevilla
Control Predictivo: metodologa, tecnologa y nuevas perspectivas
Carlos Bord Alba ons Departamento de Ingeniera de Sistemas y Autom tica a Universidad de Sevilla
I Curso de Especializaci en Autom tica on a Aguadulce, Almera, 2000
Indice general
Indice 1 Fundamentos 1.1 1.2 1.3 1.4 1.5 2 Tendencias actuales en control de procesos Perspectiva hist orica Situaci actual on
i 1
:::::::::::::::::
1 5 6 7 8 11 11 11 15 18 18 23 25
:::::::::::::::::::::::::::::: :::::::::::::::::::
:::::::::::::::::::::::::::::::: ::::::::::::::::::::::::
Conceptos b sicos de control predictivo a Estrategia de los controladores
Controladores predictivos 2.1 Elementos b sicos a 2.1.1 2.1.2 2.1.3 2.2 2.3
::::::::::::::::::::::::::::::: ::::::::::::::::::::::::: :::::::::::::::::::: :::::::::::::::::::: ::::::::::::::::::::::::::::
Modelo de predicci on Funci objetivo on
Obtenci de la ley de control on
Revision de los principales algoritmos Estado de la tecnologa
::::::::::::::::::::::::::::
Algoritmos 3.1 Dynamic Matrix Control 3.1.1 Predicci on
:::::::::::::::::::::::::::
i
25 25
:::::::::::::::::::::::::::::::
ii 3.1.2 3.1.3 3.2 Perturbaciones medibles Algoritmo de control
Indice general
::::::::::::::::::::::: ::::::::::::::::::::::: :::::::::
27 28 31 32 36 38 41
:::::::::::::::::::::::::
Control Predictivo Generalizado 3.2.1 3.2.2 3.2.3
Formulaci del Control Predictivo Generalizado on Ejemplo de c lculo a Caso multivariable
::::::::::::::::::::::::::: ::::::::::::::::::::::::::: ::::::::::::::::::
4 Restricciones en Control Predictivo 4.1 4.2 4.3 4.4 Tratamiento convencional de restricciones Restricciones en Control Predictivo Resoluci del problema on Gesti de restricciones on 4.4.1
41 42 44 45 46 51 51 53 54 56 56 57 61 64 66 68 69
:::::::::::::::::::::
::::::::::::::::::::::::::: :::::::::::::::::::::::::::: ::::::::::::
T cnicas de busqueda de soluciones factibles e
5 Tendencias actuales y nuevas perspectivas 5.1 Multiobjetivo. Jerarqua de objetivos 5.1.1 5.2 Jerarqua de objetivos
:::::::::::::::::::::
::::::::::::::::::::::::: ::::::::::::::::
Control predictivo no lineal 5.2.1 5.2.2 5.2.3 5.2.4 5.2.5 5.2.6 5.2.7
:::::::::::::::::::::::::: ::::::::::::::::::::::::: :::::::::::::::::::: :::::::::::::::::: ::::::::::
Diferencias respecto al m todo lineal e Fundamentos te oricos
Problem tica asociada al NMPC a Modelos
::::::::::::::::::::::::::::::::
Otras formulaciones del problema
Resoluci del problema. Productos comerciales on Necesidades futuras
::::::::::::::::::::::::::
Bibliografa
Tema 1 Fundamentos
1.1 Tendencias actuales en control de procesos
Aunque en el pasado poda considerarse que el unico objetivo del control consista en mantener una operaci estable del proceso, actualmente la industrias se enfrentan a on un mercado cambiante y difcil de predecir, lo que les obliga a operar sus procesos productivos en consonancia con la evoluci del mercado para poder mantenerse on competitivas y rentables. La competencia en muchos sectores industriales as como el creciente inter s social e por los problemas medioambientales relacionados con los procesos de producci on provoca la necesidad de disponer de t cnicas ables que permitan la operaci del e on proceso con gran eciencia y alto grado de exibilidad. Actualmente los sistemas de control en la industria de procesos deben satisfacer criterios econ omicos, asociados con el mantenimiento de las variables de proceso en sus referencias minimizando din micamente una funci de coste de operaci criterios a on on, de seguridad y medioambientales, y de calidad en la producci la cual debe satisfacer on, ciertas especicaciones sujetas a una demanda normalmente variable. Por ello, se puede considerar que en la actualidad el objetivo de todo sistema de control consiste en actuar sobre las variables manipuladas de forma que puedan satis facerse multiples y cambiantes criterios de funcionamiento (econ omicos, de seguridad, medioambientales o de calidad) en presencia de cambios en las caractersticas del pro ceso. El amplio abanico de metodologas actuales de control de procesos se enfrenta al cumplimiento de este objetivo. La diferencia entre las diversas t cnicas radica b sie a camente en los compromisos hechos en la formulaci matem tica de los criterios de on a funcionamiento y en la elecci de la manera de representar el proceso. La represenon 1
Tendencias actuales en control de procesos
1983 Retardo Perturbaciones Interacci on Respuesta Estabilidad
(%) 24 21 17 16 11
1989 Retardo Interacci on Perturbaciones Cambios No lineal
(%) 23 16 15 12 10
1995 Interacci on Perturbaciones Retardo Cambios No lineal
(%) 24 22 21 14 7
Tabla 1.1: Principales problemas de control
taci matem tica de muchos de estos criterios se lleva a cabo en la forma de funciones on a objetivo din micas y de restricciones mientras que el proceso se representa como un a modelo din mico con incertidumbres asociadas. La importancia de las incertiduma bres est siendo cada vez m s reconocida y por tanto incluida explcitamente en la a a formulaci de los controladores. on Las t cnicas de Control Predictivo Basado en Modelo (Model Based Predictive e Control, MPC) parecen constituir unas poderosas herramientas para afrontar estos retos. MPC, en su forma m s general, acepta cualquier tipo de modelos, funciones objetivo o a restricciones, siendo la metodologa que actualmente puede reejar m s directamente a los multiples criterios de funcionamiento relevantes en la industria de procesos. Quiz s a sea esta la principal raz del exito de estas t cnicas en numerosas aplicaciones de la on e industria de procesos, unida a que es la forma m s general de formular el problema de a control en el dominio del tiempo, de manera que puede resultar f cil de aceptar por el a personal de la industria. Los resultados de un estudio realizado por Takatsu et al. para la Society of Instrumentation and Control Engineering [19] son indicativos de las necesidades futuras de la industria en el ambito del control. En este informe se analizan los principales problemas de control que se encuentran en la industria de procesos, el estado de aplicaci on de las tecnologas avanzadas, el grado de satisfacci de los usuarios con cada una de on ellas y las expectativas que cada una genera. La evoluci en los ultimos anos de los principales problemas de control para los on usuarios se muestra en la tabla 1.1. Obs rvese que los tres primeros problemas siguen siendo los mismos en los tres e anos que se ha realizado la encuesta y parece que a lo largo del tiempo se resuelven problemas b sicos como estabilidad y respuesta y se atacan problemas m s difciles a a como din mica no lineal. Como se ver m s adelante, el Control Predictivo es una a a a metodologa capaz de ofrecer soluciones a todos estos problemas. Tambi n resulta interesante analizar los factores claves de exito y fracaso de la e automatizaci del proceso (1.2 y 1.3). De estas tablas se desprende que la elecci de on on la estrategia de control no es el unico factor a tener en cuenta para garantizar un buen
Fundamentos
Selecci de la estrategia de control 14 % on Selecci del equipo de control on 12 % Especicaciones apropiadas 10 % Conguraci exible del sistema on 10 % Operaci de emergencia on 10 % Interface con el operario 8% An lisis de proceso a 8% Tabla 1.2: Principales factores claves de exito
Ausencia de an lisis del proceso. Inexactitud del modelo 21 % a Selecci de los sensores on 14 % Falta de rechazo a las perturbaciones 10 % Selecci de la estrategia de control on 7% Selecci de los actuadores on 6% Selecci del equipo de control on 5% Especicaciones inapropiadas 5% Conguraci rgida del sistema on 5% Tabla 1.3: Principales factores claves de fracaso
funcionamiento del sistema de control. Del informe citado se pueden extraer conclusiones interesante sobre el estado y el grado de aceptaci de las tecnologas consideradas avanzadas (ver tabla 1.4). En ella on se muestra el porcentaje de plantas que usaron cada t cnica en 1989 y 1995. Obs rvese e e que todas crecieron excepto el control adaptativo y el autoajuste que tuvieron un ligero descenso. Con el n de evaluar el grado de satisfacci del usuario con las distintas t cnicas, on e se muestra en la tabla 1.5 el porcentaje de usuarios que est n satisfechos con cada una a de las t cnicas que han empleado. Como conclusi interesante destaca el hecho de e on que pr cticamente todos los usuarios de Control Predictivo est n satisfechos. a a Tambi n resulta interesante intentar cuanticar la evoluci futura de las distintas e on t cnicas. Para ello, la gura 1.1 intenta mostrar las posibilidades t cnicas y las expece e tativas despertadas por cada una de ellas. Posibilidad t cnica se reere a la facilidad e de implementaci y expectativas al efecto esperado de uso de cada t cnica. El punto on e de partida de cada echa es la media de todas las respuestas a la encuesta, mientras que su extremo corresponde a la media de las 15 plantas consideradas lderes en temas de control. El citado artculo interpreta la echa como tendencia futura. Seg esto, un el PID avanzado, compensaci de retardo, borroso, desacoplo y MPC ser n t cnicas on a e
Tendencias actuales en control de procesos
T cnica e 1989 1995 Compensaci de retardo 29.6 52.4 on Borroso 9.9 38 Control Predictivo 25.4 37.2 Gain-scheduling 25.7 32.5 PID avanzado 24.8 29.4 Autoajuste 32.2 29.1 Desacoplo 17.5 28.6 Basado en reglas 6.3 17.9 Filtro de Kalman 9.1 15.5 Neuronal 0 11.8 LQ 8.2 11 Observador 8.2 9.8 Control adaptativo 10.3 7 H1 0 9.3 Tabla 1.4: Estado de las distintas t cnicas e
T cnica e 1989 1995 Control Predictivo 76 94 PID avanzado 77 89 Compensaci de retardo on 72 89 Gain-scheduling 78 87 Borroso 67 83 LQ 79 70 Neuronal 69 Desacoplo 64 66 Filtro de Kalman 70 66 Autoajuste 60 65 Observador 67 62 Basado en reglas 43 61 Control adaptativo 50 56 H1 50 Tabla 1.5: Grado de satisfacci de las distintas t cnicas on e
Fundamentos
ampliamente usadas con grandes expectativas. El control neuronal despierta grandes expectativas pero tiene ciertas dicultades de implementaci mientras que el Autoaon, juste se implementa con facilidad pero pierde expectativas. Las t cnicas como LQR, e ltro de Kalman, H1 o adaptativo se mantienen como "sin demasiadas expectativas y no f cilmente implementables". a
MPC Retardo Borroso
Expectativas
Adaptativo Neuronal Hoo LQ F. Kalman Deslizante Desacoplo Auto ajuste
PID
Posibilidades tcnicas
Figura 1.1: Expectativas y posibilidades t cnicas e Este estado actual y futuras tendencias en el campo del control de procesos industriales indican que el Control Predictivo Basado en Modelo se puede considerar una tecnologa sucientemente introducida en la industria y que adem s sigue despertando a muchas expectativas. Estos hechos, unidos a la existencia de campos abiertos tanto en investigaci como en temas relacionados con la implementaci justica un estudio on on m s detallado de esta tecnologa. a
1.2 Perspectiva hist orica

El Control Predictivo se desarroll en base a dos lneas b sicas. Por un lado, a nales o a de los anos setenta surgieron diversos algoritmos que usaban explcitamente un mo delo din mico del proceso para predecir el efecto de las acciones de control futuras a en la salida, las cuales eran determinadas minimizando el error predicho sujeto a restricciones de operaci La optimizaci se repeta en cada instante de muestreo con on. on informaci actualizada del proceso. Estas formulaciones eran de naturaleza heurstica on
Situaci actual on
y algortmica e intentaban aprovechar el creciente potencial de los computadores digi tales por aqu lla epoca. e R pidamente el MPC adquiri gran popularidad en las industrias de procesos a o qumicos principalmente debido a la simplicidad del algoritmo y al uso del modelo de respuesta impulsional o en escal que aunque posea muchos m s par metros on, a a que las formulaciones en el espacio de estados o funci de transferencia suele ser on preferido por ser intuitivo y necesitar menos informaci a priori para identicar. La on mayora de las aplicaciones fueron llevadas a cabo sobre sistemas multivariables in cluyendo restricciones. Los algoritmos utilizados fueron principalmente el IDCOM (Identication-Command) y el DMC (Control con Matriz Din mica, Dynamic Matrix a Control). Independientemente fue surgiendo otra lnea de trabajo en torno a las ideas del con trol adaptativo, desarrollando estrategias esencialmente para procesos monovariables formuladas con modelos entrada/salida. En este contexto se extendieron las ideas del Controlador de Mnima Varianza y se desarroll el Control Predictivo Generalizado o (Generalized Predictive Control GPC) que es uno de los m todos m s populares en la e a actualidad.
1.3 Situacion actual

La situaci actual de aplicaciones de MPC en la industria est bien reejada en la reon a copilaci de Qin y Badgwell [16], que recoge unas 2200 aplicaciones, principalmente on en el sector petroqumico (desde entonces el n umero de aplicaciones puede estimarse en torno a las 3000). La mayora de las aplicaciones son en procesos multivariables, registr ndose casos como un controlador con 40 entradas y 80 salidas. Sorprendentea mente, MPC ha tenido menor impacto en otro tipo de industrias, aunque estudios de 1993 sugieren que unas 20.000 aplicaciones podran beneciarse de esta t cnica. e El exito actual del MPC en la industria se debe a tres razones principales: La incorporaci de un modelo explcito del proceso en los c lculos permite al on a controlador tratar con todas las caractersticas importantes de la din mica del a proceso. La consideraci del comportamiento del proceso a lo largo de un horizonte on futuro permite tener en cuenta el efecto de las perturbaciones en realimentaci on y pre-alimentaci permitiendo al controlador conducir la salida a la trayectoria on, de referencia deseada. La consideraci de restricciones en la fase del diseno del controlador evita en on lo posible su violaci resultando en un control m s preciso en torno al punto on, a
Fundamentos
optimo de operaci La inclusi de restricciones es quiz s la caracterstica que on. on a m s distingue al MPC respecto a otras metodologas. a Otra de las razones que han contribuido a que el MPC se haya convertido en un exito comercial es el hecho de que existen unos 15 suministradores que instalan el producto llave en mano, con periodos de amortizaci de entre 3 y 12 meses, permitiendo on que medianas empresas puedan tener acceso a esta tecnologa. Aparte de esto, los e nuevos Sistemas de Control Distribuido empiezan a ofertar productos MPC gen ricos que ofrecen al usuario la posibilidad de realizar futuras modicaciones sin depender de un producto cerrado.
1.4 Conceptos b sicos de control predictivo a

El Control Predictivo Basado en Modelo, Model (Based) Predictive Control (MBPC o MPC) constituye un campo muy amplio de m todos de control desarrollados en torno e a ciertas ideas comunes e integra diversas disciplinas como control optimo, control estoc stico, control de procesos con tiempos muertos, control multivariable o control a con restricciones. El Control Predictivo no es una estrategia de control especca, sino que se trata m s bien de un campo muy amplio de m todos de control desarrollados en torno a a e ciertas ideas comunes. Estos m todos de diseno conducen a controladores lineales que e poseen pr cticamente la misma estructura y presentan sucientes grados de libertad. a Las ideas que aparecen en mayor o menor medida en toda la familia de controladores predictivos son b sicamente: a Uso explcito de un modelo para predecir la salida del proceso en futuros instantes de tiempo (horizonte). C lculo de las senales de control minimizando una cierta funci objetivo. a on Estrategia deslizante, de forma que en cada instante el horizonte se va desplazando hacia el futuro, lo que implica aplicar la primera senal de control en cada instante y desechar el resto, repitiendo el c lculo en cada instante de muestreo. a Los distintos algoritmos de MPC dieren entre s casi exclusivamente en el modelo usado para representar el proceso y los ruidos y en la funci de coste a minimizar. on Aunque las diferencias puedan parecer pequenas a priori, pueden provocar distintos comportamientos en bucle cerrado, siendo crticas para el exito de un determinado algoritmo en una determinada aplicaci on. El Control Predictivo es un tipo de control de naturaleza abierta dentro del cual se han desarrollado muchas realizaciones, encontrando gran aceptaci tanto en aplicaon ciones industriales como en el mundo acad mico. En la actualidad existen numerosas e
Estrategia de los controladores
aplicaciones de controladores predictivos funcionando con exito, tanto en la industria de procesos como en control de motores o Rob otica. El buen funcionamiento de estas aplicaciones muestra la capacidad del MPC para conseguir sistemas de control de elevadas prestaciones capaces de operar sin apenas intervenci durante largos perodos on de tiempo. e El MPC presenta una serie de ventajas sobre otros m todos, entre las que destacan: Resulta particularmente atractivo para personal sin un conocimiento profundo de control, puesto que los conceptos resultan muy intuitivos, a la vez que la sintonizaci es relativamente f cil. on a Puede ser usado para controlar una gran variedad de procesos, desde aqu llos con e din mica relativamente simple hasta otros m s complejos incluyendo sistemas a a con grandes retardos, de fase no mnima o inestables. Permite tratar con facilidad el caso multivariable. Posee intrnsecamente compensaci del retardo. on Resulta conceptualmente simple la extensi al tratamiento de restricciones, que on pueden ser incluidas de forma sistem tica durante el proceso de diseno. a Es muy util cuando se conocen las futuras referencias (rob otica o procesos en batch). Es una metodologa completamente abierta basada en algunos principios b sicos a que permite futuras extensiones. Pero, l ogicamente, tambi n presenta inconvenientes. Unos de ellos es la carga e de c lculo necesaria para la resoluci de algunos algoritmos. Pero quiz s el mayor a on a inconveniente venga marcado por la necesidad de disponer de un modelo apropiado del proceso. El algoritmo de diseno est basado en el conocimiento previo del modelo y es a independiente de este, pero resulta evidente que las prestaciones obtenidas depender n a de las discrepancias existentes entre el proceso real y el modelo usado.
1.5 Estrategia de los controladores

La metodologa de todos los controladores pertenecientes a la familia del MPC se carac teriza por la estrategia siguiente, representada en la gura 1.2: 1. En cada instante t y haciendo uso del modelo del proceso se predicen las futuras salidas para un determinado horizonte N , llamado horizonte de predicci Estas on.
Fundamentos
u(t+k|t) u(t)
^ y(t+k|t) y(t) N
t-1
t+1
...
t+k
...
t+N
Figura 1.2: Estrategia del Control Predictivo salidas predichas, y (t + k j t)1 para k = 1 : : : N dependen de los valores conocidos hasta el instante t (entradas y salidas pasadas) y de las senales de control futuras u(t + k j t), k = 0 : : : N ; 1 que se pretenden mandar al sistema y que son las que se quieren calcular. 2. El conjunto de senales de control futuras se calcula optimizando un determinado criterio en el que se pretende mantener el proceso lo m s pr a oximo posible a la trayectoria de referencia w (t + k ) (que puede ser directamente el setpoint o una suave aproximaci a este). Este criterio suele tomar la forma de una funci on on cuadr tica de los errores entre la salida predicha y la trayectoria de referencia a tambi n predicha, incluyendo en muchos casos el esfuerzo de control. Si el criterio e es cuadr tico, el modelo lineal y no existen restricciones se puede obtener una a soluci explcita, en otro caso se debe usar un m todo iterativo de optimizaci on e on. Adicionalmente se hace alguna suposici sobre la estructura de la ley de control on futura, como por ejemplo que va a ser constante a partir de cierto instante. 3. La senal de control u(t j t) es enviada al proceso mientras que las siguientes senales de control calculadas son desechadas, puesto que en el siguiente instante de muestreo ya se conoce y (t + 1) y se repite el paso 1 con este nuevo valor y todas las secuencias son actualizadas. Se calcula por tanto u(t + 1 j t + 1) (que en on), principio ser diferente al u(t + 1 j t) al disponer de nueva informaci haciendo a uso del concepto de horizonte deslizante. Para llevar a cabo esta estrategia, se usa una estructura como la mostrada en la gura 1.3. Se hace uso de un modelo para predecir las salidas futuras del proceso,
1
la notaci indica el valor de la variable en el instante t + k calculado en el instante t. on
10
Estrategia de los controladores
Entradas y salidas pasadas
Salidas predichas
Trayectoria de referencia + -
Modelo
Controles futuros
Optimizador
Errores futuros Funcion de coste Restricciones
Figura 1.3: Estructura b sica del MPC a bas ndose en las futuras senales de control propuestas. Estas senales son calculadas a por el optimizador teniendo en cuenta la funci de coste (donde aparece el futuro error on de seguimiento) as como las restricciones. Por tanto el modelo juega un papel decisivo en el controlador. El modelo elegido debe ser capaz de capturar la din mica del proceso a para poder predecir las salidas futuras al mismo tiempo que debe ser sencillo de usar y de comprender. El optimizador es otra parte fundamental de la estrategia pues proporciona las acciones de control. Si la funci de coste es cuadr tica, el mnimo se puede obtener on a como una funci explcita de las entradas y salidas pasadas y de la trayectoria de on referencia. Sin embargo, cuando existen restricciones de desigualdad la soluci debe on ser calculada por m todos num ricos con m s carga de c lculo. e e a a
Tema 2 Controladores predictivos

2.1 Elementos b sicos a
Todos los controladores predictivos poseen elementos comunes y para cada uno de estos elementos se pueden elegir diversas opciones, dando lugar a distintos algoritmos. Estos elementos son: Modelo de predicci on Funci objetivo on Obtenci de la ley de control on
2.1.1
Modelo de predicci on
La piedra angular del MPC es el modelo; un diseno completo debe incluir los me canismos necesarios para la obtenci del mejor modelo posible, el cual debe ser lo on sucientemente rico para capturar al maximo la din mica del proceso y debe ser caa paz de permitir el c lculo de las predicciones a la vez que sea intuitivo y permita un a an lisis te a orico. El uso del modelo del proceso viene determinado por la necesidad del c lculo de la salida predicha en instantes futuros y (t + k j t). Las diferentes estrategias a de MPC pueden usar distintos modelos para representar la relaci de las salidas con on las entradas medibles, algunas de las cuales ser n variables manipuladas y otras se a pueden considerar como perturbaciones medibles, que pueden ser compensadas por accion feedforward. Adem s se tendr en cuenta un modelo de las perturbaciones, para a a intentar describir el comportamiento que no aparece reejado en el modelo del proceso, englob ndose aqu el efecto de las entradas no medibles, el ruido y los errores de a modelado. 11
12
Elementos b sicos a
Para el estudio se puede separar el modelo en dos partes: el modelo del proceso propiamente dicho y el modelo de las perturbaciones. Cualquier m todo usar ambas e a partes para la predicci on. Modelo del Proceso Casi todas las formas posibles de modelar un proceso aparecen en alguna formu lacion de MPC siendo las m s usadas las siguientes: a Respuesta impulsional. Tambi n conocida por secuencia de ponderaci o moe on delo de convoluci La salida viene relacionada con la entrada por la ecuaci on. on
y(t) =
1 X
i=1
hiu(t ; i)
donde hi son los valores muestreados obtenidos al someter al proceso a un impulso unitario de amplitud igual al perodo de muestreo (ver gura 2.1a). Esta suma es truncada y s se consideran N valores (por tanto s permite representar olo olo procesos estables y sin integradores), teniendo
y(t) =
N X i=1
hi u(t ; i) = H (z;1)u(t)
(2
:1)
donde H (z ;1 ) = h1 z ;1 + h2 z ;2 + + hN z ;N . Un inconveniente de este m todo es e el gran numero de par metros que necesita, ya que N suele ser un valor elevado a (del orden de 40-50). La predicci vendr dada por: on a
y(t + k j t) =
N X i =1
hi u(t + k ; i j t) = H (z;1)u(t + k j t)
Este m todo es ampliamente aceptado en la pr ctica industrial debido a que e a es muy intuitivo y no requiere informaci previa sobre el proceso, con lo que on el procedimiento de identicaci se simplica, a la vez que permite describir on f cilmente din micas complejas como fase no mnima o retardos. a a Respuesta ante escal on. Es muy similar al anterior s que ahora la senal de olo entrada es un escal Para sistemas estables se tiene la respuesta truncada que on. ser a N X y(t) = y0 + gi 4 u(t ; i) = y0 + G(z;1)(1 ; z;1 )u(t) (2:2) i=1 donde las gi son los valores muestreados ante la entrada en escal y 4u(t) = on se muestra en la gura 2.1b. El valor de y0 puede tomarse 0 u(t) ; u(t ; 1), segun sin p rdida de generalidad, con lo cual el predictor ser : e a
y(t + k j t) =
N X i=1
gi 4 u(t + k ; i j t)
Este m todo presenta las mismas ventajas e inconvenientes que el anterior. e
Controladores predictivos
13
h2
h1
hi
y(t)
hN
y(t)
g1
t+1 t+2
a)
...
g2
t+N
t+1 t+2
b)
...
Figura 2.1: Respuesta impulsional y ante escal on Funci de transferencia. Se utiliza el concepto de funci de transferencia on on G = B=A con lo que la salida viene dada por:
A(z;1 )y(t) = B (z;1 )u(t) b1 z;1 + b2 z;2 +

1 + a1 z ;1 + a2 z ;2 +
A( z ; 1 ) B (z ;1 )
= =
anaz;na ;nb + bnb z

+
Por tanto la predicci vendr dada por on a
B (z;1 ) u(t + k j k) y(t + k j t) = A(z;1 )

Esta representaci es v lida tambi n para procesos inestables y posee la ventaja on a e de necesitar pocos par metros, aunque es fundamental un conocimiento a priori a del proceso sobre todo en cuanto al orden de los polinomios A y B . Espacio de estados. Tiene la siguiente representaci on:
respectivamente. Para este modelo la predicci viene dada por on
x(t) = Ax(t ; 1) + Bu(t ; 1) y(t) = Cx(t) siendo x el estado y A, B y C las matrices del sistema, de entrada y de salida y(t + k j t) = C x(t + k j t) = C Ak x(t) +
k X i;1 A Bu(t + k ; i j t)] i=1
t+N
14
Elementos b sicos a
Posee la ventaja de que sirve tambi n para sistemas multivariables a la vez que e permite analizar la estructura interna del proceso (aunque a veces los estados obtenidos al discretizar no tienen ning signicado fsico). Los c lculos pueden un a ser complicados, con la necesidad adicional de incluir un observador si los estados no son accesibles. Modelo de las perturbaciones
De tanta importancia como la elecci de un determinado modelo del proceso on es la elecci del modelo utilizado para representar la perturbaciones. Un modelo on bastante extendido es el Autorregresivo Integrado de Media M ovil (Auto-Regressive and Integrated Moving Average, ARIMA), en el que las perturbaciones, es decir, las diferencias entre la salida medida y la calculada por el modelo vienen dadas por
(z ;1 ) ( n(t) = C D(z;e)t) 1
donde el polinomio D (z;1 ) incluye explcitamente el integrador 4 = 1 ; z;1 , e(t) es un ruido de media cero y normalmente el polinomio C se considera igual a uno. Este modelo se considera apropiado para dos tipos de perturbaciones: cambios aleatorios ocurridos en instantes aleatorios (por ejemplo cambio en la calidad del material) y movimiento browniano (en procesos con balance de energa) y es usado en varios m todos. N e otese que al incluir un integrador se consigue un control con error nulo en r gimen permanente (offset-free). e Como caso particular del ARIMA se puede incluir la perturbaci constante on
e n(t) = 1 ;(tz);1
cuya mejor predicci ser n(t + k j t) = n(t). on a Respuestas libre y forzada Una caracterstica tpica de la mayora de los controladores MPC es el empleo de los conceptos de repuesta libre y forzada. La idea es expresar la secuencia de acciones de control como la suma de dos senales:
u(t) = uf (t) + uc(t)

La senal uf (t) corresponde a las entradas pasadas (anteriores al instante t) y en el futuro se mantiene constante e igual al ultimo valor de la variable manipulada. Es decir,
uf (t ; j ) uf (t + j )
= =
u(t ; j ) para j = 1 2 u(t ; 1) para j = 0 1
15
La senal uc (t) vale cero en el pasado y corresponde a las senales de control en los instantes futuros:
uc(t ; j ) uc(t + j )
= =
0 para j
1 2 u(t + j ) ; u(t ; 1) para j

=
0 1 2
La predicci de la secuencia se salida se separa en dos partes, como se ve en la on gura 2.2. Una de ellas (yf (t)), la respuesta libre, corresponde a la predicci de la on salida cuando la variable manipulada se hace igual a uf (t), y la otra, la repuesta forzada (yc (t)), corresponde a la predicci de la salida cuando la senal de control es uc (t). on La respuesta libre corresponde a la evoluci del proceso debido a su estado actual on (incluido por tanto el efecto de acciones pasadas) mientras que la respuesta forzada es la debida a las acciones de control futuras.
u y
Process
uc
y f
yc
Figura 2.2: Respuestas libre y forzada
2.1.2
Funci objetivo on
Los diversos algoritmos de MPC proponen distintas funciones de coste para la obtenci on de la ley de control. En general se persigue que la salida futura en el horizonte considerado siga a una determinada senal de referencia al mismo tiempo que se puede penalizar el esfuerzo de control requerido para hacerlo. La expresi general de tal on funci objetivo ser : on a
J (N1 N2 Nu) =
N X
2
j =N1
( )
j y(t + j j t) ; w(t + j )]2 +
Nu X j =1
( )
4u(t + j ; 1)]2
(2
:3)
En algunos m todos el segundo sumando, que considera el esfuerzo de control, no e se tiene en cuenta, mientras que en otros tambi n aparecen directamente los valores de e la senal de control (no sus incrementos). En la funci de coste se pueden considerar: on
16
Elementos b sicos a
Par metros: N1 y N2 son los horizontes mnimo y m ximo de coste (o de prea a dicci y Nu es el horizonte de control, que no tiene por qu coincidir con el on) e horizonte m ximo, como se ver posteriormente. El signicado de N1 y N2 rea a sulta bastante intuitivo: marcan los lmites de los instantes en que se desea que la salida siga a la referencia. As, si se toma un valor grande de N1 es porque no importa que haya errores en los primeros instantes, lo cual provocar una a respuesta suave del proceso. N otese que para procesos con tiempo muerto d no a tiene sentido que N1 sea menor que dicho valor puesto que la salida no empezar a evolucionar hasta el instante t + d. Adem s, si el proceso es de fase no mnima, a este par metro permite eliminar de la funci objetivo los primeros instantes de a on respuesta inversa.
Los coecientes (j ) y (j ) son secuencias que ponderan el comportamiento futuro. Usualmente se consideran valores constantes o secuencias exponenciales. Por ejemplo se puede conseguir un peso exponencial de (j ) a lo largo del horizonte usando: N2 ;j (j ) = Si est comprendido entre 0 y 1 indica que se penaliza m s a los errores m s a a a alejados del instante t que a los m s pr a oximos, dando lugar a un control m s a suave y con menor esfuerzo. Si, por el contrario, > 1 es que se penalizan m s a los primeros errores, provocando un control m s brusco. a Todos estos valores pueden ser usados como par metros de sintonizaci oba on, teniendo un abanico muy amplio de posibilidades con las que se puede cubrir una extensa gama de opciones, desde un control est ndar hasta una estrategia a disenada a medida para un proceso en particular. Trayectoria de referencia: Una de las ventajas del control predictivo es que si se conoce a priori la evoluci futura de la referencia, el sistema puede empezar on a reaccionar antes de que el cambio se haya efectivamente realizado, evitando los efectos del retardo en la respuesta del proceso. En muchas aplicaciones la evoluci futura de la referencia r(t + k ) es conocida de antemano, como en on Robotica, servos o procesos en batch; en otras aplicaciones aunque la referencia sea constante, se puede conseguir una sensible mejora de prestaciones simplemente conociendo el instante de cambio de valor y adelant ndose a esa circunstancia. a En el criterio de minimizaci (2.3), la mayora de los m todos suelen usar una on e trayectoria de referencia w(t + k ) que no tiene por qu coincidir con la referencia e real. Normalmente ser una suave aproximaci desde el valor actual de la salida a on y(t) a la referencia conocida mediante un sistema de primer orden:
w(t) = y(t)
w(t + k) = w(t + k ; 1) + (1 ; )r(t + k) k = 1 : : : N
(2
:4)
es un par metro comprendido entre 0 y 1 (mientras m s pr a a oximo a 1 m s a suave ser la aproximaci que constituye un valor ajustable que inuir en a on) a la respuesta din mica del sistema. En la gura 2.3 se muestra la forma de la a trayectoria cuando la referencia r (t + k) es constante y para dos valores distintos de ; para valores pequenos de este par metro se tiene un seguimiento r pido a a
17
(w1 ) mientras que si aumenta, la trayectoria de referencia ser w2 dando lugar a a una respuesta m s suave. a
r(t+k) w1(t+k) y(t)
w2 (t+k)
Figura 2.3: Trayectoria de referencia
Restricciones: En la pr ctica, todos los procesos est n sujetos a restricciones. Los a a actuadores tienen un campo limitado de acci as como una determinada veon locidad de cambio (slew rate), como es el caso de las v lvulas, limitadas por las a posiciones de totalmente abierta o cerrada y por la velocidad de respuesta. Razones constructivas, de seguridad o medioambientales o bien los propios alcances de los sensores pueden causar lmites en las variables de proceso, tales como niveles en depositos, caudales en tuberas o temperaturas y presiones m ximas. Adem s, a a normalmente las condiciones de operaci vienen denidas por la intersecci on on de ciertas restricciones por motivos fundamentalmente econ omicos, con lo que el sistema de control operar cerca de los lmites. Todo lo expuesto anteriormente a hace necesaria la introducci de restricciones en la funci a minimizar. on on Muchos algoritmos predictivos tienen en cuenta el tema de las restricciones por lo cual han tenido gran exito en la industria. Normalmente se considerar n lmites a en la amplitud y el slew rate de la senal de control y lmites en las salidas:
umin dumin ymin
u(t) u(t) ; u(t ; 1) y(t)
umax dumax ymax
8t 8t 8t
con la adici de estas restricciones a la funci objetivo, la minimizaci resulta on on on m s compleja, no pudiendo obtenerse la soluci analticamente como en el caso a on sin restringir.
18
Revision de los principales algoritmos
2.1.3
Obtenci de la ley de control on
Para obtener los valores u(t + k j t) ser necesario minimizar la funcional J de la a ecuaci (2.3). Para ello se calculan los valores de las salidas predichas y (t + k j t) on en funci de valores pasados de entradas y salidas y de senales de control futuras, on haciendo uso del modelo que se haya elegido y se sustituyen en la funci de coste, on obteniendo una expresi cuya minimizaci conduce a los valores buscados. Para el on on criterio cuadr tico si el modelo es lineal y no existen restricciones se puede obtener una a soluci analtica, en otro caso se debe usar un m todo iterativo de optimizaci on e on. De cualquiera de las maneras la obtenci de la soluci no resulta trivial pues on on existir n N2 ; N1 + 1 variables independientes, valor que puede ser elevado (del orden a de 10 a 30). Con la idea de reducir estos grados de libertad se puede proponer cierta estructura a la ley de control. Adem s se ha encontrado que esta estructuraci de la a on ley de control produce una mejora en la robustez y en el comportamiento general del sistema, debido fundamentalmente a que el hecho de permitir la libre evoluci de on las variables manipuladas (sin estructurar) puede conducir a senales de control de alta frecuencia no deseables y que en el peor de los casos podran conducir a la inestabilidad. Esta estructura de la ley de control se plasma en el uso del concepto de horizonte de control (Nu), que consiste en considerar que tras un cierto intervalo Nu < N2 no hay variaci en las senales de control propuestas, es decir: on
4u(t + j ; 1) = 0
j > Nu
lo cual es equivalente a dar pesos innitos a las cambios en el control a partir de cierto instante. El caso lmite sera considerar Nu igual a 1 con lo que todas las acciones futuras seran iguales a u(t)1 .
2.2 Revision de los principales algoritmos

Se presentan a continuaci los principales algoritmos de control predictivo, mostrando on sus principales caractersticas pero sin entrar en detalles. Se pueden encontrar estudios comparativos en [10], [7], [11] y [16]. En el tema siguiente se estudiar n en detalle los a dos m todos considerados m s representativos: DMC y GPC. e a
Dynamic Matrix Control Este m todo usa la respuesta ante escal (2.2) para modelar el proceso, considerando e on solo los N primeros t rminos, asumiendo por tanto que el proceso es estable. En e
Recu rdese que debido al horizonte deslizante, la senal de control se recalcula en el siguiente e muestreo.
1
19
cuanto a las perturbaciones, se considera que su valor permanence constante e igual al existente en el instante actual durante todo el horizonte, es decir, igual al valor medido de la salida (ym ) menos el estimado por el modelo y (t j t)).
n(t + k j t) = n(t j t) = ym(t) ; y(t j t)

y por tanto el valor predicho de la salida ser : a
y(t + k j t) =
k X i=1
gi 4 u(t + k ; i) +
N X i=k+1
gi 4 u(t + k ; i) + n(t + k j t)
donde el primer t rmino contiene las acciones de control futuras (que ser n calculadas), e a el segundo los valores pasados de las acciones de control (conocidas) y el ultimo representa las perturbaciones. La funci de coste puede considerar s errores futuros on olo o incluir tambi n el esfuerzo de control, en cuyo caso toma la forma gen rica (2.3). e e Una de las caractersticas de este m todo que lo ha hecho muy popular en la industria e es la inclusi de restricciones, que se traduce en inecuaciones de la forma gen rica: on e
N X i=1
j j Cyi y(t + k j t) + Cuiu(t + k ; i) + cj
j = 1 : : : Nc
En este caso la optimizaci debe ser num rica y se lleva a cabo en cada periodo de on e muestreo, envi ndose la senal u(t) y recalculando todo en el nuevo periodo de muestreo, a como en todos los m todos MPC. Los principales inconvenientes de este m todo son el e e tamano del modelo empleado y la imposibilidad de tratar procesos inestables.
Model Algorithmic Control Este m todo se conoce tambi n como Model Predictive Heuristic Control y el producto e e comercial se llama IDCOM (Identication-Command). Es muy similar al DMC con la diferencia principal de usar un modelo de respuesta impulsional (2.1). Introduce el concepto de trayectoria de referencia como un sistema de primer orden que evoluciona desde la salida actual al setpoint seg una determinada constante de tiempo. La un varianza del error entre esta trayectoria y la salida es lo que marca la minimizaci de on la funci objetivo. Las perturbaciones se pueden tratar como en el m todo anterior o on e se pueden estimar seg la siguiente expresi un on:
n(t + k j t) = n(t + k ; 1 j t) + (1 ;
)(
ym(t) ; y(t j t))
con n(t j t) = 0. es un par metro ajustable (0 a < 1) relacionado con el tiempo de respuesta, el ancho de banda y la robustez del bucle cerrado [7]. El m todo tambi n e e considera restricciones en los actuadores, en las variables internas o en salidas secundarias.
20
Puntos de coincidencia
Figura 2.4: Puntos de coincidencia Predictive Functional Control Este controlador fue desarrollado por Richalet [18] para procesos r pidos. Emplea un a modelo en el espacio de estados, por lo que permite el manejo de procesos inestables, y tambi n la extensi al caso no lineal. Este esquema de control tiene dos caractersticas e on que lo distinguen del resto de controladores de la familia: el uso de puntos de coincidencia y de funciones base. El concepto de puntos de coincidencia (ver gura 2.4) se emplea para simplicar los c lculos considerando s un subconjunto de puntos en el horizonte de predicci a olo on hj , j = 1 : : : nH . La salida deseada y la predicha deben coincidir en dichos puntos, no en todo el horizonte de predicci on. La otra idea innovadora de este m todo es la parametrizaci de la senal de cone on trol como una combinaci lineal de ciertas funciones base, que son elegidas seg la on un naturaleza del proceso y la referencia:
u(t + k) =
nB X i=1
i (t)Bi (k)
Normalmente estas funciones son de tipo polin omico: escalones (B1 (k ) = 1), rampas (B2 (k ) = k) o par bolas (B3 (k ) = k2 ), ya que la mayora de referencias se pueden a especicar como combinaci de estas funciones. Con esta estrategia, un perl de on entrada complejo se puede especicar usando un pequeno n umero de par metros a desconocidos i que son las inc ognitas del problema de minimizaci on. La funci a minimizar es: on
J=
nH X j =1
y(t + hj ) ; w(t + hj )]2
El algoritmo PFC tambi n puede manejar restricciones de m ximo y mnimo en la e a aceleraci que son pr cticas en aplicaciones de servocontrol. on, a
Extended Prediction Self Adaptive Control El algoritmo EPSAC usa un modelo de funci de transferencia on
21
A(z;1 )y(t) = B (z;1 )u(t ; d) + v(t) donde d es el retardo y v (t) la perturbaci Este modelo puede ampliarse para tratar on. perturbaciones medibles anadiendo un t rmino D (z;1 )d(t) para incluir efecto feedfor e
ward. La predicci se obtiene seg se muestra en [10] y la estructura de la ley de on un control es muy simple, ya que se considera que la senal de control permanecer cons a tante a partir del instante t (es decir, horizonte de control igual a 1): 4u(t + k ) = 0 para k > 0. Para obtener la senal de control de minimiza una funci de coste de la forma: on N X 2 ;1 (k ) w (t + k ) ; P (z )y (t + k j t)] k=d donde P (z ;1 ) es un polinomio de diseno con ganancia unitaria y (k) es una secuencia de ponderaci La senal de control se puede calcular analticamente de la forma: on.
N P h (k) w(t + k) ; P (z;1)y(t + k j t)] k u(t) = k=d N P (k)h2

siendo hk los coecientes de la respuesta impulsional del sistema. Extended Horizon Adaptive Control Esta formulaci tambi n emplea un modelo de funci de transferencia y pretende on e on minimizar la discrepancia entre la salida calculada y la referencia en el instante t + N : y(t + N j t) ; w(t + N ), con N d. La soluci a este problema no es unica (a menos on que N = d)[21]; una posible estrategia es considerar horizonte de control igual a 1:
k=d
4u(t + k ; 1) = 0
o minimizar el esfuerzo de control
1<k
N ;d
J=
N ;d X k =0
u2(t + k)
y(t + N j t) = y(t) + F (z;1) 4 y(t) + E (z;1 )B (z;1 ) 4 u(t + N ; d) donde E (z ;1 ) y F (z ;1 ) son polinomios que satisfacen la relaci on ;1 ;1 ;1 ;1 ;N F (z;1 )(1 ; z;1 ) (1 ; z ) = A(z )E (z )(1 ; z ) + z
Este m todo utiliza un predictor de N pasos de la forma e
22
con el grado de E igual a N ; 1. Una ventaja de este m todo es que se puede encontrar e f cilmente una soluci explcita, dada por a on
u(t) = u(t ; 1) +
0(
w(t + N ) ; y(t + N j t)) N ;d 2 P

k=0 i
siendo k el coeciente correspondiente a 4u(t + k) en la ecuaci de predicci Por on on. tanto la ley de control depende s de los par metros del proceso y puede hacerse olo a f cilmente adaptativa si se emplea un identicador en lnea. El unico coeciente de a ajuste es el horizonte de predicci N , lo cual simplica el uso pero proporciona poca on libertad para el diseno. Obs rvese que no puede usarse trayectoria de referencia porque e el error se considera s en un instante (t + N ), ni tampoco la ponderaci del esfuerzo olo on de control.
Generalized Predictive Control Este m todo propuesto por Clarke et al. [5] emplea un modelo CARIMA (Controlled e Auto-Regressive Integrated Moving Average) para la predicci de la salida: on
(t A(z;1 )y(t) = B (z;1 )z;d u(t ; 1) + C (z;1 ) e4)
donde la perturbaci viene dada por un ruido blanco coloreado por el polinomio on ;1 ). Como en la pr ctica es difcil encontrar el verdadero valor de este polinomio, se C (z a puede emplear como par metro de diseno para rechazo de perturbaciones o mejora de a la robustez. La predicci optima se lleva a cabo resolviendo una ecuaci diof ntica, on on a lo cual puede hacerse ecazmente de forma recursiva. Este algoritmo, al igual que otros que usan el modelo de funci de transferenon cia, se puede implementar f cilmente en forma adaptativa usando un algoritmo de a identicaci en lnea como los mnimos cuadrados recursivos. on
GPC
usa una funci de coste cuadr tica de la forma on a N2 Nu X X 2 J (N1 N2 Nu) = (j ) y (t + j j t) ; w (t + j )] + j =N1 j =1
( )
4u(t + j ; 1)]2
donde las secuencia de ponderaci on (j ) y (j ) se eligen normalmente constantes o exponenciales y la trayectoria de referencia w (t + j ) se puede generar como una secuencia que empieza en el valor actual de la salida y tiende exponencialmente al setpoint. Las bases te oricas del algoritmo GPC has sido ampliamente estudiadas y se puede demostrar (ver [4]) que, para distintos conjuntos de par metros, el algoritmo es estable a y que otros controladores como por ejemplo el dead beat son casos incluidos en este.
23
2.3 Estado de la tecnologa

Se puede considerar que productos como el MAC-IDCOM o el DMC est n ampliamente ina troducidos en la industria, proporcionando un buen control de sistemas multivariables sin restricciones y constituyen la primera generaci de controladores predictivos. on Sin embargo, la gesti de restricciones es algo que todava no estaba bien resuelto on en estos productos hasta que apareci una versi de DMC denominada QDMC, ligera o on variaci del algoritmo b sico en el que se consideran restricciones duras y blandas de on a forma sistem tica. Este algoritmo se suele considerar como la segunda generaci a on. e on, Conforme la tecnologa MPC iba despertando mayor inter s y aceptaci los proble mas que se abordaban eran cada vez m s complejos, apareciendo nuevas problem ticas a a como el tratamiento de la no-factibilidad, la consideraci de modelos apropiados para on procesos inestables o la representaci de la perturbaci para la realimentaci de otra on on on forma m s adecuada que un valor constante. Tambi n se consideraba importante la a e respuesta ante fallos, de forma que el controlador fuera capaz de recongurarse si se perdiera alguna senal, o la dicultad de incluir diversos requerimientos de control en una unica funci objetivo. on Estos problemas motivaron el desarrollo de algoritmos como HIECON (Hierarchical Constrained Control, por Adersa) o IDCOM-M (por parte de Setpoint). Este ultimo incluye un supervisor para plantas mal condicionadas, funci objetivo multicriterio o on jerarqua de restricciones. El SMOC de Shell es similar incluyendo caractersticas como modelos en espacio de estados (v lidos para sistemas inestables) o la consideraci de a on un observador extendido para la realimentaci de la salida en lugar del valor constante on empleado en los dem s m todos. Estos m todos junto con el PCT de Promatics, el a e e RMPCT de Honeywell o el PFC de Adersa constituyen la tercera generaci on. Los productos que existen hoy da en el mercado comparten las ideas b sicas de a DMC o MAC desarrollados hace m s de veinte anos y el mayor enfasis en los ultimos a anos se ha centrado en la consideraci de otros tipos de modelos, incluyendo modelos on no lineales, y en una mejor integraci del controlador con los equipos de control on existentes. A pesar de su creciente implantaci la tecnologa actual tiene todava ciertas on, limitaciones, siendo las m s destacables las siguientes: a Modelos sobre-parametrizados. La mayora de los productos comerciales usan modelos de convoluci que emplean una cantidad considerable de par metros on, a y no se pueden usar para representar din micas inestables. a Sintonizaci No existe una clara relaci entre los par metros de sintona y el on. on a comportamiento del bucle cerrado. La garanta de estabilidad, sobre todo cuando existen restricciones, es otro gran problema.
24
Estado de la tecnologa
Optimalidad de la soluci on. Muchos paquetes proporcionan una soluci subon optima para acelerar el c lculo. En algunos casos este procedimiento no est a a justicado. Incertidumbres en el modelo. Normalmente no se tiene en cuenta la incertidumbre asociada a la identicaci sino que se desintoniza el controlador intentando on, aumentar la robustez. Perturbaci constante. Aunque es la hip on otesis m s sensata a priori, se podra a obtener una mejor realimentaci si la distribuci de la perturbaci se estudiara on on on con m s cuidado. a
Tema 3 Algoritmos
En este tema se tratan en profundidad los dos algoritmos considerados m s represena tativos de las metodologas existentes en Control Predictivo. Representan a las dos familias de controladores predictivos, una de origen claramente industrial y la otra m s a acad mica. e
3.1 Dynamic Matrix Control

El m todo DMC se desarroll a nales de los setenta by Cutler and Ramaker [6] de Shell e o Oil Co. y ha sido aceptado ampliamente en el mundo industrial, principalmente por las industrias petroqumicas. Actualmente DMC es algo m s que un algoritmo y parte a de su exito se debe al hecho de que el producto comercial resuelve otros temas como identicaci u optimizaci global de la planta. En esta secci s se analiza el on on on olo algoritmo standard sin abordar detalles t cnicos propios del producto de mercado que e no son de dominio p ublico. Pero a pesar de este exito en la pr ctica, este m todo adolece quiz s de la ausencia a e a de un an lisis te a orico ma completo que estudie la inuencia de los par metros de s a diseno (horizontes, secuencias de ponderaci sobre la estabilidad del bucle cerrado on) as como de resultados de robustez.
3.1.1
Predicci on
El modelo de proceso que se emplea es el de respuesta temporal, considerando la perturbaci como constante a lo largo del horizonte. El procedimiento para obtener on la predicci se describe a continuaci on on. 25
26 Como se emplea un modelo de respuesta ante escal on:
Dynamic Matrix Control
y(t) =
1 X
i=1
gi 4 u(t ; i)
los valores predichos a lo largo del horizonte ser n: a
gi 4 u(t + k ; i) + n(t + k j t) = 1 k X X gi 4 u(t + k ; i) + gi 4 u(t + k ; i) + n(t + k j t) =

i=1 i=1 i=k+1
Las perturbaciones se consideran constantes, n(t + k j t) = n(t j t) = ym (t) ; y(t j t), por lo que se puede escribir:
y(t + k j t) =
1 X
k 1 X X y(t + k j t) = gi 4 u(t + k ; i) + gi 4 u(t + k ; i) + ym(t) ; i=1 i=k+1 1 k X X ; gi 4 u(t ; i) = gi 4 u(t + k ; i) + f (t + k) i=1 i=1
donde f (t + k ) es la respuesta libre del proceso, es decir, la parte de la respuesta que no depende de las acciones de control futuras, y viene dada por:
f (t + k) = ym(t) +
1 X
i=1
gk+i ; gi) 4 u(t ; i)
(3
:1)
Si el proceso es asint oticamente estable, los coecientes gi de la respuesta ante escalon tienden a un valor constante despu s de N periodos de muestreo, por lo que e se puede considerar que gk+i ; gi 0 i>N y por tanto la respuesta libre se puede calcular como
f (t + k) = ym(t) +
N X i=1
gk+i ; gi) 4 u(t ; i)
Notese que si el proceso no es estable, entonces no existe N y no se puede calcular f (t + k) (aunque existe una generalizaci en el caso de que la inestabilidad sea on producida por integradores puros). (k
=
Ahora las predicciones se pueden calcular a lo largo del horizonte de predicci on 1 : : : p), considerando m acciones de control.
y(t + 1 j t)
g1 4 u(t) + f (t + 1)
Algoritmos
27
y(t + 2 j t) y(t + p j t)
. . .
=
g2 4 u(t) + g1 4 u(t + 1) + f (t + 2)
p X gi 4 u(t + p ; i) + f (t + p) i=p;m+1
Si se dene la matriz din mica G como: a
2 0 6 g1 g1 6 g2 6 . . 6 .. .. 6 6 6 gm gm;1 6 6 .. .. 6 . . 4 gp gp;1
... ...
. . . gp;m+1
g1
0 0 . . .
3 7 7 7 7 7 7 7 7 7 7 5
se puede escribir que:
y = Gu + f ^ u y ^
(3
:2)
Obs rvese que est formada por m (horizonte de control) columnas de la respuesta e a ante escal apropiadamente desplazadas hacia abajo. on es un vector de dimensi on p que contiene las predicciones de la salida, representa el vector de incrementos de control y es el vector de respuestas libres. Esta es la expresi que relaciona las on respuestas futuras con los incrementos en las senales de control, por lo que usar para a calcular las acciones necesarias para conseguir el comportamiento deseado del sistema.
3.1.2
Perturbaciones medibles
El efecto de las perturbaciones medibles se puede anadir f cilmente a las anteriores a ecuaciones de predicci ya que estas se pueden tratar como entradas al sistema. La on, expresi (3.2) se puede usar para calcular la predicci del efecto de las perturbaciones on on en la salida de la siguiente forma:
yd = Dd + fd ^
donde d es la contribuci de las perturbaciones medibles a la salida, es una matriz on similar a que contiene los coecientes de la respuesta del sistema a un escal en on la perturbaci on, es el vector de incrementos en la perturbaci y d es la parte de la on respuesta que no depende de la perturbaci on.
y ^
En el caso m s general de perturbaciones medibles y no medibles, la respuesta libre a completa del sistema (la fracci de la salida que no depende de la variable manipulada) on
28
se puede considerar como la suma de cuatro efectos: la respuesta a la entrada u(t), a la perturbaci medible d(t), a la perturbaci no medible y al estado actual del proceso: on on
f = fu + D d + fd + fn
Por tanto la predicci se puede expresar en la forma general on
y = Gu + f ^
3.1.3 Algoritmo de control
El exito en la industria del DMC se ha debido principalmente a su aplicaci a sisteon mas multivariables de gran dimensi con la consideraci de restricciones. En esta on on secci se describe el algoritmo de control comenzando por el caso m s simple de un on a sistema monovariable sin restricciones y extendi ndolo posteriormente al caso general e multivariable con restricciones. El objetivo del controlador DMC es llevar el proceso los m s cerca posible al setpoint a en el sentido de mnimos cuadrados con la posibilidad de incluir una penalizaci en los on movimientos de la senal de control. Por ello se seleccionan las variables manipuladas de forma que minimicen un objetivo cuadr tico que puede incluir s los errores a olo futuros p
j =1 o tambi n el esfuerzo de control, presentando la forma gen rica e e
J=
y(t + j j t) ; w(t + j )]2

m X j =1
J=
p X j =1
y(t + j j t) ; w(t + j )]
4u(t + j ; 1)]2
T, Si no existen restricciones, la minimizaci de la funci de coste J = T + on on donde es el vector de errores futuros a lo largo del horizonte de predicci y es el on vector de futuros incrementos en la senal de control 4u(t) : : : 4u(t + m), se puede hacer de forma analtica calculando la derivada de J y haci ndola igual a 0, lo que e proporciona el resultado general:
ee
uu
u = (GT G + I ); GT (w ; f )
1
(3
:3)
Recu rdese que, como en todas las estrategias predictivas, s se enva al proceso e olo el primer elemento del vector (4u(t)). No es aconsejable implementar la secuencia completa sobre los siguientes m intervalos, ya que al ser imposible estimar de forma exacta las perturbaciones, no es posible anticiparse a las perturbaciones inevitables que provocan que la salida real diera de las predicciones que se emplean para calcular la
Algoritmos
w + K
-
29
u Proceso y
f Calculo Resp. libre
Figura 3.1: Ley de control secuencia futura de acciones de control. Adem s, el setpoint puede cambiar durante a los pr oximos m intervalos. Resulta interesante analizar en qu consiste realmente la ley de control. Analizando e la expresi 3.3 se observa que el primer elemento del vector u, que es la senal que on efectivamente se enva a la planta, es el producto de la primera la de la matriz (GT G + I );1 GT (llam mosle K ) por la diferencia entre la trayectoria de referencia y la e respuesta libre, que es el error futuro si no hubiera incrementos en la senal de control. Se puede decir por tanto que el incremento de la senal de control es proporcional (por medio de K ) a los errores futuros y por tanto habr cambios en la senal de control a siempre que el controlador detecte que va a haber una discrepancia en el futuro entre el objetivo deseado y el comportamiento esperado del sistema. Esta idea queda reejada en la gura 3.1.
El caso con restricciones Aunque computacionalmente m s complicado que otros algoritmos m s simples, la a a capacidad de manejar restricciones que posee este m todo (y MPC en general) lo hace e muy atractivo para aplicaciones pr cticas, ya que en general el punto de operaci a on optimo seg criterios econ un omicos se encuentra normalmente en la intersecci de las on restricciones, como se muestra en la gura 3.2. Por razones de seguridad, es necesario mantener una zona segura alrededor del punto de operaci ya que el efecto de las on, perturbaciones puede hacer que la salida del proceso viole las restricciones. Esta zona se puede reducir (y por tanto aumentar los benecios econ omicos) si el controlador es capaz de manejar restricciones (punto de operaci 1). on Las restricciones tanto en entrada como en salida se pueden reducir a desigualdades de forma gen rica e
N X i=1
j j Cyi y(t + k j t) + Cuiu(t + k ; i) + cj
j = 1 : : : Nc
30

P. operacion optimo
Zona segura 1
Punto operacion 1 Restriccion zona segura 2 Punto operacion 2
Restriccion
Figura 3.2: Punto de operaci optimo de un proceso tpico on que deben tenerse en cuenta para la minimizaci on. Como se ha visto, las salidas se pueden expresar en funci del vector de incrementos de control a trav s de la matriz on e din mica, por que las restricciones tanto en la entrada como en la salida se pueden a , como se ver con m s a a recoger en una desigualdad matricial de la forma detalle en el tema dedicado a restricciones. Ahora la minimizaci es un problema de on on e Programaci Cuadr tica QP, cuya soluci es num rica. on a
Ru
Todo lo relacionado con las restricciones ser abordado con mayor grado de detalle a en el tema dedicado a ello.
Extensi al caso multivariable on El esquema previo se puede extender f cilmente al caso de sistemas con varias entradas a y varias salidas. Las ecuaciones b sicas se mantienen igual a excepci de que las a on matrices y vectores cambian de dimensi para poder incluir todas las entradas y on salidas. Al tratarse de modelos lineales, se puede aplicar el principio de superposici para on obtener el valor de las salidas ante las diversas entradas. Para ello se dene el vector de salidas futuras como:
y = y (t + 1 j t) : : : y (t + p j t) : : : yny (t + 1 j t) : : : yny(t + pny j t) T ^

1 1 1
y el de senales de control de la forma:
u = [4u (t) : : : 4u (t + m
1 1
; 1)
:::
4unu(t)
:::
4unu(t + mnu ; 1)]T
as como la respuesta libre:
f = f (t + 1 j t) : : : f (t + p j t) : : : fny (t + 1 j t) : : : fny (t + pny j t) T

1 1 1
teniendo en cuenta que la respuesta libre de la salida i depende tanto de valores pasados de yi como de valores pasados de todas las senales de control.
Algoritmos
31
Con estas deniciones, la ecuaci de predicci es igual que en el caso monovaon on riable simplemente considerando que la matriz G toma la forma:
2 G G 6 G11 G12 6 21 22 6 .. . 6 . . 4 . Gny1 Gny2
...
. . . Gnynu
G1nu G2nu
3 7 7 7 7 5
Cada submatriz Gij contiene los coecientes de la respuesta ante escal i- sima on e correspondiente a la entrada j- sima. El proceso de minimizaci es an logo s que e on a olo la ponderaci tanto de los errores como de los esfuerzos de control se realiza con on matrices de peso.
3.2 Control Predictivo Generalizado

El Control Predictivo Generalizado GPC fue propuesto por Clarke et al. en 1987 y se ha convertido en uno de los m todos m s populares en el ambito del Control Predictivo e a tanto en el mundo industrial como en el acad mico. Se ha empleado con exito en e numerosas aplicaciones industriales, mostrando buenas prestaciones a la vez que un cierto grado de robustez respecto a sobreparametrizaci o retardos mal conocidos. on Puede resolver muchos problemas de control diferentes para un amplio campo de procesos con un n umero razonable de variables de diseno, que son especicadas por el operario dependiendo del conocimiento previo del proceso y de los objetivos de control. La idea b sica del GPC es calcular una secuencia de futuras acciones de control a de tal forma que minimice una funci de coste multipaso. El ndice a minimizar es on una funci cuadr tica que mide por un lado la distancia entre la salida predicha del on a sistema y una cierta trayectoria de referencia hasta el horizonte de predicci y por on, otro el esfuerzo de control necesario para obtener dicha salida. El Control Predictivo Generalizado tiene muchas ideas en com con otros controun ladores predictivos previamente mencionados ya que est basado en las mismas ideas a pero posee a su vez algunas diferencias. Como se ver m s adelante, es capaz de a a proporcionar una soluci explcita (en ausencia de restricciones), puede trabajar con on procesos inestables o de fase no mnima e incorpora el concepto de horizonte de control as como la consideraci en la funci de coste de ponderaci de los incrementos en on on on las acciones de control. Las diversas posibilidades disponibles para el GPC conducen a una gran variedad de objetivos de control comparado con otras realizaciones, algunas de las cuales pueden ser consideradas como subconjuntos o casos lmites del GPC.
32
Control Predictivo Generalizado
3.2.1
Formulaci del Control Predictivo Generalizado on
La mayora de los procesos de una sola entrada y una sola salida (single-input single output, SISO), al ser considerados en torno a un determinado punto de trabajo y tras ser linealizados, pueden ser descritos de la siguiente forma:
A(z;1 )y(t) = z;d B (z;1 )u(t ; 1) + C (z;1)e(t)

donde u(t) y y (t) son respectivamente la senal de control y la salida del proceso y e(t) es un ruido blanco de media cero. A, B y C son los siguientes polinomios en el operador de desplazamiento hacia atr s z ;1 : a
A(z;1 ) B (z;1 ) C (z;1)
= = =
1 + a1 z ;1 + a2 z ;2 + ::: + ana z ;na b0 + b1 z;1 + b2 z;2 + ::: + bnbz;nb 1 + c1 z ;1 + a2 z ;2 + ::: + cncz ;nc
donde d es el tiempo muerto del sistema. Este modelo es conocido como Autorregresivo de Media M ovil (Controller AutoRegressive Moving-Average CARMA). En muchas aplicaciones industriales en las que las perturbaciones son no-estacionarias resulta m s conveniente el uso de un modelo a CARMA integrado, dando lugar al CARIMA, que viene descrito por:
(t A(z;1 )y(t) = B (z;1 )z;d u(t ; 1) + C (z;1) e4)
con
4 = 1 ; z;1
(3
:4)
Por simplicidad, a partir de ahora el polinomio C se va a tomar igual a 1. N otese que en el caso de que C ;1 pueda ser truncado se puede absorber en A y B . El algoritmo del Control Predictivo Generalizado consiste en aplicar una secuencia de senales de control que minimice una funci de coste de la forma: on
J (N1 N2 Nu) =
N X
2
j =N1
( )
j y(t + j j t) ; w(t + j )]
Nu X j =1
( )
4u(t + j ; 1)]2
(3
:5)
donde y (t + j j t) es la predicci optima j pasos hacia delante de la salida del proceso on con datos conocidos hasta el instante t, N1 y N2 son los horizontes mnimo y m ximo a de coste, Nu es el horizonte de control y (j ) y (j ) son las secuencias de ponderaci on mientras que w(t + j ) es la futura trayectoria de referencia, que se puede calcular seg un se muestra en la gura 2.3. En muchas situaciones se considera (j ) igual a 1 y (j ) constante. El objetivo es pues el c lculo de la futura secuencia de control u(t), u(t + 1),... de tal a manera que la salida futura del proceso y (t + j ) permanezca pr oxima a w (t + j ). Esto se logra minimizando J (N1 N2 Nu).
Algoritmos
Predicci optima on
33
Con la intenci de minimizar la funci de coste, se obtendr previamente la preon on a N1 y j N2. Consid rese la siguiente ecuaci e on dicci optima de y (t + j ) para j on diof ntica: a 1 = Ej (z ;1 ) 4 A + z ;j Fj (z ;1 ) 1 = Ej (z ;1 )A + z ;j Fj (z ;1 ) (3.6)
Los polinomios Ej y Fj est n unicamente denidos con grados j ; 1 y na respeca tivamente. Se pueden obtener dividiendo 1 entre A(z ;1 ) hasta que el resto pueda ;j Fj (z;1 ). El cociente de la divisi es entonces el polinomio on ser factorizado como z ;1 ). Ej (z Si se multiplica la ecuaci (3.4) por Ej (z ;1 ) z j 4 on A(z;1 )Ej (z;1 )y(t + j ) = Ej (z;1 )B (z;1 ) 4 u(t + j ; d ; 1) + Ej (z;1 )e(t + j )
(3.7)
Teniendo en cuenta (3.6), la ecuaci (3.7) queda: on

(1 ;
z;j Fj (z;1 ))y(t + j ) = Ej (z;1 )B (z;1 ) 4 u(t + j ; d ; 1) + Ej (z;1 )e(t + j ) :8)
La cual se puede escribir como
y(t + j ) = Fj (z;1 )y(t) + Ej (z;1 )B (z;1 ) 4 u(t + j ; d ; 1) + Ej (z;1 )e(t + j )
(3
y(t + j j t) = Gj (z;1 ) 4 u(t + j ; d ; 1) + Fj (z;1 )y(t) donde Gj (z ;1 ) = Ej (z ;1 )B (z ;1 )
Al ser el grado del polinomio Ej (z ;1 ) igual a j ; 1 los t rminos del ruido en la e ecuaci (3.8) est n todos en el futuro. La mejor predicci de y (t + j ) ser por on a on a consiguiente:
Resulta simple demostrar que los polinomios Ej y Fj se pueden obtener recursivamente, de forma que los nuevos valores en el paso j + 1 (Ej +1 y Fj +1) sean funci de on los del paso j . A continuaci se muestra una demostraci simple de la recursividad on on a de la ecuaci diof ntica. Existen otras formulaciones del GPC que no est n basadas en on a la recursividad de esta ecuaci on. Consid rense que los polinomios Ej y Fj se han obtenido dividiendo 1 entre A(z ;1 ) e ;j Fj (z;1 ) . hasta que el resto haya sido factorizado como z Con:
Fj (z;1 ) Ej (z;1 )
= =
fj 0 + fj 1z;1 + ej 0 + ej 1z;1 +
fj naz;na ;(j;1) + ej j ;1 z
+
34
Supongase que se utiliza el mismo procedimiento para obtener Ej +1 y Fj +1, es decir, dividir 1 entre A(z ;1 ) hasta que el resto se pueda factorizar como z;(j +1) Fj +1 (z ;1 ) con
Fj+1(z;1 ) = fj+1 0 + fj+1 1z;1 +
fj+1 naz;na
Est claro que solamente es necesario dar un paso m s en la divisi para obtener a a on los polinomios Ej +1 y Fj +1 . Al ser Ej +1 el nuevo cociente de la divisi ser igual al on, a cociente que haba hasta el momento (Ej ) m s un nuevo t rmino, que ser el fj 0 pues a e a ) es monico. Por tanto: el divisor (A
Ej+1(z;1 ) = Ej (z;1 ) + ej+1 j z;j
con ej +1 j
fj 0
Teniendo en cuenta que el nuevo resto ser el resto anterior menos el producto del a cociente por el divisor, los coecientes del polinomio Fj +1 se pueden expresar como:
fj+1 i = fj i+1 ; fj 0 ai+1 i = 0
na
En resumen, la forma de obtener los polinmios Ej y Fj es la siguiente: 1. Comenzar con E1

=
1, F1
z(1 ; A)
=
2. Ir anadiendo nuevos t rminos a Ej con ej +1 j e 3. Calcular fj +1 i

=
fj 0
fj i+1 ; fj 0 ai+1 i = 0
na, (siendo fj na+1 = 0).
El polinomio Gj +1 puede ser obtenido recursivamente como sigue:
Gj+1 = Ej+1B = (Ej + fj 0z;j )B = Gj + fj 0z;j B

Es decir, los primeros j coecientes de Gj +1 ser n id nticos a los de Gj mientras que a e el resto viene dado por:
gj+1 j+i = gj j+i + fj 0 bi
para i = 0
nb
Para resolver el GPC es necesario obtener el conjunto de senales de control u(t), u(t + 1), ...,u(t + N ) que minimizan la ecuaci (3.5). Al tener el proceso un retardo de on d perodos de muestreo, la salida s se ver inuenciada por la senal u(t) despu s del olo a e instante d + 1. Los valores N1 , N2 y Nu que marcan los horizontes pueden ser denidos como N1 = d + 1, N2 = d + N y Nu = N . No tiene sentido hacer N1 < d + 1 ya que los t rminos de (3.5) s depender n de las senales de control pasadas. Por otro lado, e olo a haciendo N1 > d + 1 los primeros puntos de la secuencia de salida, que ser n los mejor a estimados, no se tendr n en cuenta. a
Algoritmos
El conjunto de las j predicciones optimas: y (t + d + 1 j t) y (t + d + 2 j t)
= =
35
y(t + d + N j t)
. . .
=
Gd+1 4 u(t) + Fd+1 y(t) Gd+2 4 u(t + 1) + Fd+2 y(t) Gd+N 4 u(t + N ; 1) + Fd+N y(t)
1 1
puede ser escrito en forma matricial como:
y = Gu + F(z; )y(t) + G0(z; ) 4 u(t ; 1)

2 y(t + d + 1 j t) 3 2 3 4u(t) 6 y(t + d + 2 j t) 7 6 7 6 7 6 7 6 7 u = 6 4u(t... + 1) 7 . 6 7 6 7 . 4 5 4 5 . y(t + d + N j t) 4u(t + N ; 1) 2 g 0 ::: 0 3 0 6 g1 g0 ::: 0 7 7 6 6 .. . . . 7 6 . . . . 7 4 . . . 5 g g ::: g0 3 2 N ;1 N ;2 z(G (z;1 ) ; g ) 0 d+1 7 6 z2 (Gd+2 (z;1 ) ; g0 ; g1z;1 ) 7 6 7 6 . 7 6 . 5 4 . N (Gd+N (z ;1 ) ; g0 ; g1 z ;1 ; ;(N ;1) ) z ; gN ;1 z 2 F (z;1 ) 3 6 Fd+1 (z;1 ) 7 6 d+2 7 6 7 . 6 7 . 4 5 . ;1) Fd+N (z
(3
:9)
Donde
y G G0(z; )
1
F( z ; )
1
Al depender los ultimos t rminos de la ecuaci (3.9) s del pasado, pueden e on olo agruparse en f, dando lugar a: = + (3:10)
y Gu f
Obs rvese que es la misma expresi que se obtuvo para el e on caso la respuesta libre es distinta.
DMC,
aunque en este
Obtenci de la ley de control on Entonces la ecuaci (3.5) puede escribirse como: on J = ( + ; )T ( + ;
Gu f w Gu f w) + uT u
(3
:11)
36 donde:
w = w(t + d + 1) w(t + d + 2)
La ecuaci (3.11) se puede poner como: on
w(t + d + N )
iT
(3.12)
J = 1 uT Hu + bu + f0 2
donde:
(3
:13)
H b f
0
= = =
2( T + ) 2( ; )T T ( ; ) ( ;
GG I f w G f w f w)
:14)
El mnimo de J , siempre que no existan restricciones en la senal de control, puede ser calculado igualando a cero el gradiente de J , lo cual conduce a:
u = ;H; bT
1
(3
Debido al uso de la estrategia deslizante, s se aplica realmente el primer elemento del olo vector u, repitiendo de nuevo el mismo procedimiento al siguiente instante de muestreo. La soluci propuesta involucra la inversi (o al menos la triangularizaci de una on on on) matriz de dimensi N N , lo cual conlleva una gran carga de c lculo. El concepto ya on a usado en otros m todos de horizonte de control se emplea con la nalidad de reducir e la cantidad de c lculo, asumiendo que las senales de control permanecer n en un valor a a constante a partir del intervalo Nu < N . Por tanto la dimensi de la matriz que hay on que invertir queda reducida a Nu Nu, quedando la carga de c lculo reducida (en el a caso lmite de Nu = 1, se reduce al caso escalar) aunque restringiendo la optimalidad.
3.2.2
Ejemplo de c lculo a
Se presenta a continuaci un ejemplo de c lculo de un Controlador Predictivo Geon a neralizado en un caso sencillo. Se disenar el controlador para un sistema de primer a orden. Al discretizar el proceso continuo se obtiene el siguiente equivalente discreto:
(1 + (t az;1 )y(t) = (b0 + b1 z;1 )u(t ; 1) + e4)
Se va a considerar un retardo d igual a 0 y un polinomio de ruido C (z;1 ) igual a 1. Se usar el algoritmo descrito previamente para obtener la ley de control, obteniendo a resultados num ricos para valores de los pa metros a = 0:8, b0 = 0:4 y b1 = 0:6, siendo e a
Algoritmos
37
los horizontes N1 = 1 y N = Nu = 3. Como se ha mostrado, se calcular n los valores a predichos de la salida del proceso en el horizonte haciendo uso de la ecuaci (3.9), on obteniendo la ley de control de la expresi (3.14). on Resolviendo la ecuaci (3.6) se obtienen los polinomios del predictor on ;1 ) desde j = 1 hasta j = 3, con Fj (z A(z;1 ) = A(z;1 )(1 ; z;1 ) = 1 ; 1:8z;1 + 0:8z;2
Ej (z;1 ),
En este caso sencillo donde el horizonte no es demasiado largo, estos polinomios se pueden obtener directamente dividiendo 1 por A(z ;1 ). Como se ha explicado antes, tambi n se pueden calcular recursivamente, comenzando con los valores obtenidos en e el primer paso de la divisi es decir: on,
E1 (z;1 ) = 1
F1(z;1 ) = 1:8 ; 0:8z;1
Cualquiera que sea el m todo empleado, los valores obtenidos son: e
ser:
E2 = 1 + 1:8z;1 F2 = 2:44 ; 1:44z;1 E3 = 1 + 1:8z;1 + 2:44z;2 F3 = 2:952 ; 1:952z;1 Con estos valores y el polinomio B (z;1 ) = 0:4 + 0:6z ;1 , los elementos Gi (z ;1 ) resultan G1 = 0:4 + 0:6z;1 G2 = 0:4 + 1:32z;1 + 1:08z;2 G3 = 0:4 + 1:32z;1 + 2:056z;2 + 1:464z;3
y por tanto se pueden escribir las salidas predichas como:
3 2 y(t + 1 j t) 6 y(t + 2 j t) 7 5 4 y(t + 3 j t)
2 3 32 0:4 0 0 4u(t) 6 1:32 0:4 0 7 6 4u(t + 1) 7 + 4 5 54 2:056 1:32 0:4 4u(t + 2) 2 3 0:6 4 u(t ; 1) + 1:8y (t) ; 0:8y (t ; 1) 6 1:08 4 u(t ; 1) + 2:44y(t) ; 1:44y(t ; 1) 7 4 5 | 1:464 4 u(t ; 1) + 2:952y(t) ; 1:952y(t ; 1) } {z
f
primera la de la matriz, con lo que resulta la siguiente expresi para la ley de control: on
2 3 0:133 0:286 0:147 7 T ;1 T 6 (G G + I) G = 4 ;0:154 ;0:165 0:286 5 ;0:029 ;0:154 0:1334 Como s se necesita el valor de 4u(t) para los c lculos, s se emplea realmente la olo a olo
4u(t)
= +
El paso siguiente es el c lculo de a
H; b. Tomando
1
igual a 0:8 se tiene que:
;0:6042 4 u(t ; 1) ; 1:371y (t) + 0:805y (t ; 1) + 0:133w(t + 1) + 0:286w(t + 2) + 0:147w(t + 3)
38
donde w(t + i) es la trayectoria de referencia que se puede considerar bien constante e igual a la referencia actual o bien una suave aproximaci de primer orden a esta. on Entonces la senal de control resulta ser una funci de la referencia deseada y de on entradas y salidas pasadas, dada por:
u(t)
= +
0:3958u(t ; 1) + 0:6042u(t ; 2) ; 1:371y (t) + 0:805y (t ; 1) + 0:133w(t + 1) + 0:286w(t + 2) + 0:147w(t + 3)
Al mismo resultado se puede llegar sin emplear la ecuaci diof ntica, calculando on a G en base a los coecientes de la respuesta ante escal (que se pueden calcular en on funci de los coecientes de la funci de transferencia) y calculando la respuesta on on libre como se muestra en [2].
3.2.3
Caso multivariable
Al igual que en el DMC todo lo visto para el caso de sistemas con una sola entrada y una sola salida se puede extender al caso multivariable, aunque los c lculos son m s a a complejos. En este caso el modelo CARIMA para un sistema de m entradas y n salidas se puede expresar como: 1 ;1 ;1 ;1 (z )e(t) (z )y (t) = (z )u(t ; 1) + (3:15) 4 donde (z ;1 ) y (z ;1 ) son matrices polinomiales m onicas de dimensi n on es una matriz polinomial de dimensi n m, denidos como: on
n y B(z;1)
La predicci conlleva la resoluci de una ecuaci diofantina matricial, que tambi n on on on e puede calcularse de forma recursiva.
In n + A1 z;1 + A2z;2 + + Ana z;na 1 ;1 + B2z;2 + + Bnb z;nb = B0 + B1 z 1 ;1 + C2z;2 + + Cnc z;nc = In n + C1 z Las variablesy (t), u(t) y e(t) son de dimensi n 1, m 1 y n 1 respectivamente. on
1
A(z; ) B(z; ) C(z; )
En muchas ocasiones el problema radica en la obtenci adecuada del modelo en on esta forma a partir de una matriz de transferencia en continuo que puede haberse obtenido a partir de la curva de reacci Una forma de hacerlo se muestra en [2]. on. Una vez obtenido el modelo, el criterio a minimizar tendr la forma general a
J (N1 N2 N3 ) =
N X
2
j =N1
ky (t + j j t) ; w (t + j )k2 + R
N X
3
j =1
k 4 u(t + j ; 1)k2 Q
Algoritmos
39
donde R y Q son matrices de ponderaci denidas positivas que normalmente se on eligen diagonales. La minimizaci se realiza igual que en el caso monovariable dando on como resultado un vector de senales de control a enviar a la planta en el instante actual: u1(t), u2(t) : : : um(t).
40
Tema 4 Restricciones en Control Predictivo

En la pr ctica todos los procesos est n sujetos a restricciones. Los actuadores tienen a a un campo limitado de acci impuesto por lmites fsicos (por ejemplo una v lvula no on a puede abrir m s de un 100 % o un calentador no puede aportar m s de su potencia a a m xima. Tambi n existen lmites de seguridad (por ejemplo presiones o temperaturas a e m ximas), requerimientos tecnol a ogicos (por ejemplo mantener temperaturas en un rango dado), limitaciones de calidad del producto (no salirse de cierta zona) o normativa medioambiental.
4.1 Tratamiento convencional de restricciones

El tratamiento convencional de restricciones en control de procesos se basa en que las restricciones en la variable manipulada (entrada) se cumplen saturando la salida del controlador. Sin embargo, las restricciones en la variable controlada (salida) no pueden abordarse; se intenta evitar su violaci trabajando alejados de los lmites (en zona on segura), operando lejos de la restricci on. Por seguridad se trabaja con una consigna inferior, m s lejos del punto de operaci optimo, lo que normalmente equivale a una a on disminuci de la calidad y/o cantidad en la producci ya que normalmente el punto on on, optimo se encuentra en la intersecci de las restricciones obligando a acercarse lo m s on a posible a las estas pero sin superarlas. Si el controlador fuera capaz de tener en cuenta las restricciones y evitar su violaci on, el proceso podra operar m s cerca de estas y por tanto de forma m s eciente. La gura a a 4.1 muestra un ejemplo donde existe una limitaci de presi m xima y se observa on on a como al alejar el punto de operaci del lmite la producci Q disminuye. on on En cuanto a la forma de operar de un controlador predictivo que no considera restricciones el procedimiento es similar: si la senal de control calculada viola la restricci on, se satura. Las senales futuras ni siquiera se tienen en cuenta, ya que normalmente no 41
42
P Pmax P1 P2
Restricciones en Control Predictivo
Q1 Q2
Figura 4.1: Restricciones y punto de operaci optimo on se calculan. Esta forma de proceder no garantiza el car cter optimo de la soluci y en a on ningun caso garantiza el cumplimiento de las restricciones en la salida. La violaci de on los lmites de las variables controladas puede ser m s costoso y peligroso, produciendo a danos en equipos y p rdidas en la producci e on. La gura 4.2 muestra con claridad el fen omeno de p rdida de la soluci optima e on cuando las variables manipuladas se mantienen en sus lmites por el programa de control o por el propio actuador. Este hecho puede llevar a valores mayores de la funci objetivo y a un comportamiento no deseado (incluso inestabiliad). En 4.2a se on muestra un caso con horizonte de control igual a 2, donde se observa que si se satura la senal de control u(t) a umax el valor de la funci de coste no es el mejor que se on podra conseguir (que sera el correspondiente a uc ). Incluso puede que no se viole la restricci en el instante actual pero s en el futuro (gura 4.2b) con lo que la senal on enviada al sistema (sin saturar) no es la mejor para el problema de dimensi 2 que se on est optimizando. a
4.2 Restricciones en Control Predictivo

En la actualidad el MPC es la unica metodologa capaz de incorporar las restricciones de forma sistem tica en la fase de diseno del controlador, siendo esta caracterstica una a de las razones de su gran exito en la industria. Parece l ogico que al disponer de un modelo din mico del proceso se pueda conocer la evoluci futura de su salida y por a on tanto se pueda saber si esta va a violar o no las restricciones y actuar en consecuencia. Para formular el algoritmo MPC con restricciones hay que expresar estas en funci on de la variable sobre la que se puede actuar, es decir, en funci de u. Las restricciones on en la entrada est n ya expresadas en funci de u y para las restricciones en la salida a on se hace uso de las ecuaciones de predicci que expresan el valor futuro de las salidas on
43
u(t+1)
u(t+1)
u max
u max
uc u max
u u(t)
uc
u u max u(t)
a)
b)
Figura 4.2: Restricciones en la senal de control en funci de las senales de control futuras y valores conocidos en el instante t. on Cualquier controlador predictivo calcula la predicci como: on
y = Gu + f
por lo que tanto entradas como salidas se pueden expresar en funci del vector de on incrementos de la senal de control. Las restricciones que aparecen ser n b sicamente amplitud y velocidad de cambio a a en la senal de control y amplitud en la salida y se pueden expresar como:
U u y
u(t) u(t) ; u(t ; 1) y(t)
U u y
8t 8t 8t
Para un proceso de m entradas y n salidas y restricciones en el horizonte restricciones se pueden expresar como:
N , las
1U 1u 1y
T u + u(t ; 1) 1
u Gu + f
1U 1u 1y
donde es una matriz de dimensi (N n) m formada por N m m matrices on identidad y T es una matriz triangular inferior por bloques cuyos elementos no nulos son matrices identidad de dimensi m m. En forma condensada se pueden expresar on como: (4:1)
Ru c
44 siendo
Resoluci del problema on
2 I N 6 ;IN NN 6 6 T 6 R = 6 ;T 6 6 6 G 4
3 2 3 lu 7 6 7 lu 7 6 7 6 l U ;;u(t ; 1) 7 7 7 7 l 7 c=6 6 7 6 ;l U + lu(t ; 1) 7 7 7 6 7 7 6 7 5 4 5 ly;f ;G ;l y + f
Aparte de las restricciones en amplitud, a la salida se le pueden aplicar otro tipo de restricciones de para forzar un determinado comportamiento temporal (movimiento dentro de una banda, comportamiento mon otono, evitar respuesta inicial inversa, etc.) como se muestra en [12], pudiendo expresarlas tambi n de la forma gen rica (4.1). e e Adem s de la clasicaci en restricciones en la entrada y en la salida seg a qu a on un e tipo de variable se apliquen, se puede hacer otra clasicaci atendiendo a la forma de on tratarlas. As, se puede hablar de: Restricciones duras como aqu llas que no se pueden violar bajo ning concepto. e un En este grupo se incluyen las restricciones relacionadas con la operaci segura on del proceso. Restricciones blandas, que son aqu llas que pueden ser violadas en un momento e dado por no ser cruciales, pero la violaci se penaliza en la funci objetivo on on como un t rmino m s. Es una forma de relajar la restricci e a on.
4.3 Resolucion del problema

Con la adici de restricciones el problema general de control predictivo cambia se on puede formular como minimizar J ( sujeto a
u) Ru c
Es decir, el problema consiste en la minimizaci de una funci cuadr tica con on on a restricciones lineales, lo que se conoce como Programaci n Cuadr tica, QP. En este caso o a no se puede encontrar una soluci analtica como en el caso sin restricciones, sino que on hay que recurrir a m todos iterativos. e Resulta evidente que la carga de c lculo ser considerable, ya que hay que encontrar a a la soluci resolviendo el algoritmo iterativo en cada periodo de muestreo. Normalon mente el esfuerzo est justicado por el benecio econ a omico obtenido al trabajar m s a cerca del punto de operaci optimo. on
45
Para resolver el problema QP existen diversos algoritmos sucientemente probados. Una revisi de estos m todos se puede encontrar en [2]. on e Un problema asociado a la implementaci del control con restricciones es el an lisis on a de la estabilidad del bucle cerrado. Como es necesario utilizar m todos num ricos e e para resolver el problema de la optimizaci la ley de control resultante no se puede on, describir de forma explcita, haciendo el problema muy difcil de atacar mediante la teora cl sica de control. a En los ultimos anos se ha trabajado mucho sobre la estabilidad en estas circuns tancias, proponi ndose soluciones basadas en la teora de Lyapunov. La idea b sica e a consiste en que la funci de coste cuando el horizonte es innito es mon on otona decreciente (si existe soluci factible) y se puede interpretar como funci de Lyapunov on on que garantiza por tanto la estabilidad. Sin embargo, como la soluci tiene que ser on num rica, el numero de variables de decisi tiene que ser nito, por lo que se han proe on puesto dos ideas. En la primera, se descompone la funci objetivo en dos partes: una on con horizonte nito y restricciones y otra con horizonte innito y sin restricciones. La segunda idea es en esencia equivalente y consiste en imponer restricciones terminales al estado y usar un horizonte innito. En cualquier caso es un tema muy abierto, sobre todo si se quieren considerar las incertidumbres en el modelo y los temas asociados con la factiblidad.
4.4 Gestion de restricciones

Durante la etapa de optimizaci puede aparecer problemas de no existencia de soon optima para unas restricciones dadas (no existe compatibilidad entre las restric lucion ciones), por ejemplo por el planteamiento de unos objetivos inalcanzables para unas restricciones dadas. Existen otras posibles causas de inexistencia de soluci como es on, el caso de que una perturbaci saque al proceso fuera de la zona de trabajo usual. on La factibilidad de un problema de optimizaci signica que la funci objetivo on on est acotada y que todas las restricciones sean satisfechas. e La no factibilidad puede aparecer en r gimen permanente o en el transitorio. El e problema de la falta de soluci en r gimen permanente puede venir provocado por on e un objetivo de control irrealizable. Sin embargo, este tipo de no factibilidad puede ser f cilmente eliminado en la etapa de diseno evitando la inclusi de tales objetivos. a on Tambi n puede ser debido a cambios en referencias que hagan incompatibles las rese tricciones (se quiera llevar alguna variable a un punto que es imposible de alcanzar con una entrada que est acotada). a En el r gimen transitorio puede aparecer no factibilidad incluso cuando las rese tricciones impuestas parezcan razonables. Restricciones que no causan problemas en
46
Gesti de restricciones on
operaci normal pueden producir problemas bajo ciertas circunstancias. Puede que on una perturbaci o cambio de referencia grande fuerce a una variable fuera de su lmite on y sea imposible introducirla de nuevo en su zona permitida con senales de control de energa limitada. En estos casos las restricciones se hacen temporalmente incompati bles. Las soluciones no factibles aparecen con mayor frecuencia en casos en que el optimo se encuentre cerca de las restricciones y el sistema est sujeto a perturbaciones, llevando e a la salida a "regiones prohibidas".
4.4.1
T cnicas de busqueda de soluciones factibles e
Los m todos de gesti de restricciones tratan de recuperar la factibilidad actuando e on sobre las restricciones seg diferentes criterios. un Los lmites de las restricciones se pueden considerar de los siguientes tipos: Limites sicos: nunca se pueden sobrepasar, principalmente por motivos de seguridad o por la propia construcci de los equipos (p.ej. actuadores) on Limites de operaci son jados por los operarios para mantener las condiciones on: nominales de funcionamiento. Se pueden sobrepasar bajo ciertas circunstancias Limites reales: son los que usa el algoritmo de control en cada instante. Son los que proporciona el gestor de restricciones, quien debe calcularlos de forma que nunca superen los limites fsicos. Es decir, el gestor de restricciones calcular los lmites reales (los que se envan al a algoritmo QP) en base a los lmites de operaci pero sin salirse nunca de los lmites on fsicos, seg se observa en la gura 4.3. un Se analizan a continuaci posibles soluciones para este problema, que se pueden on agrupar en:
1. Desconexi del controlador. on 2. Eliminaci de restricciones. on 3. Relajacion de restricciones. 4. Otras t cnicas. e
47
Lmites fsicos
Restricciones reales Lmites de operacin
Figura 4.3: Gesti de restricciones on Desconexi del controlador on La forma m s sencilla de resolver de este tipo de problemas es pasar el controlador a a posici manual cuando aparecen las incompatibilidades de restricciones y volver a on operaci autom tica cuando se recupera la admisibilidad de la soluci on a on. Este m todo, como se puede comprender tiene serias desventajas. Normalmente, e cuando aparecen problemas de incompatibilidad de restricciones es porque el sistema en bucle cerrado se encuentra en un estado crtico donde normalmente el operador tendr muy poca experiencia en la operaci Adicionalmente, si las restricciones est n a on. a relacionadas con aspectos de seguridad o econ omicos, las decisiones llevadas a cabo cuando aparecen problem ticas de compatibilidad de restricciones suelen ser crticas a dado que en estos casos alguno de los objetivos del control no puede ser satisfecho. El m todo suele ser utilizado cuando los problemas de incompatibilidad de restrice ciones no son frecuentes.
Eliminaci de restricciones on La factibilidad se analiza en cada periodo de muestreo, por lo que la eliminaci de on restricciones se realiza de forma temporal. Peri odicamente se chequea la factibilidad para poder reinsertar restricciones eliminadas. La eliminaci de un grupo de restricciones ha de realizarse en aquellos casos en que on el conjunto completo de restricciones que se imponen sobre el sistema sea incompatible. Cada vez que existe un problema de incompatibilidad de restricciones, se forma un conjunto de restricciones no admisibles que no se tienen en cuenta en el proceso de
48
optimizaci Se pueden distinguir en la metodologa de eliminaci de restricciones on. on varios tipos.
Eliminaci indiscriminada Con esta estrategia todas las restricciones se eliminan on cada vez que aparezcan problemas de existencia de soluci factible, quedando la on optimizaci de un problema sin restricciones. No es un m todo muy optimo para on e resolver el problema de la existencia de soluci admisible, pero es la forma m s r pida on a a de tener en cuenta incompatibilidad de restricciones. La eliminaci indiscriminada de restricciones no es adecuada en todas las aplicacioon nes. No debe ser por ejemplo usada en casos en que las restricciones est n directamente e relacionadas con lmites de seguridad.
Eliminaci jer rquica En este caso s se eliminan las restricciones que provocan on a olo problemas de incompatibilidad. En este m todo se asigna en la etapa de diseno una e prioridad a cada restricci que da un grado de importancia relativa de dicha reson, tricci frente a las otras. Esta prioridad se usar para clasicar las restricciones de una on a forma jer rquica (se asigna un n a umero que indica su posici en la jerarqua). De este on modo, cada vez que haya problemas de factibilidad o existencia de soluci el gestor on de restricciones va eliminando por orden las restricciones menos prioritarias hasta que se restablece la factibilidad de la soluci que se chequea cada periodo de muestreo on, para reinsertar restricciones que hubieran sido temporalmente eliminadas. En este sentido, a la hora de eliminar restricciones se pueden establecer diferentes tipos de reglas para establecer el n umero de restricciones que se eliminan, si conviene eliminar m s restricciones a costa de no eliminar una con prioridad superior, etc. a
Relajaci de restricciones on Otro m todo para tener en cuenta el problema de existencia de soluci es la relajaci e on on de las restricciones. Se puede hacer una relajaci de los lmites de forma tempoon ral o convertir restricciones duras ( ), cambi ndolas en restricciones blandas a ( + , con 0) para asegurar la existencia de soluci anadiendo un t rmino on, e T a la funci de coste de forma que se penalice la violaci de la restricci y on on on obtener un mejor comportamiento del sistema controlado. A largo plazo, el t rmino e de penalizacion en la funci objetivo llevar las variables auxiliares a cero. on a
Ru c T
Ru
Otras t cnicas e Existen t cnicas que se basan en la manipulaci del horizonte mnimo de las restriccioe on nes. Algunos controladores industriales como el QDMC usan el concepto de constraint
49
window. La constraint window comienza en alg punto en el futuro y contin hasta el un ua estado estacionario. Si existe din mica del tipo de fase no mnima, se pueden mejorar a las prestaciones desplazando la ventana hacia el futuro, lo que equivale a ignorar las restricciones duras en la salida durante la fase inicial de la respuesta.
50
Tema 5 Tendencias actuales y nuevas perspectivas

En la actualidad existen muchos campos abiertos en Control Predictivo, tanto en lo referente a aplicaciones pr cticas como a lneas de investigaci Todava queda mucho a on. por estudiar en campos como identicaci de modelos, estimaci del estado y de on on las perturbaciones no medibles o tratamiento sistem tico de las incertidumbres. El a estudio de estabilidad o robustez de la soluci es complicado, sobre todo en el caso de on inclusi de restricciones, ya que la ley de control es en general variable con el tiempo on y no se puede representar el sistema de la forma cl sica de bucle cerrado. a Este tema est dedicado a dos areas de especial inter s: la consideraci de funciones a e on objetivos multicriterio y un campo que est empezando a tener gran relevancia en la a pr ctica como es el Control Predictivo No lineal. a
5.1 Multiobjetivo. Jerarqua de objetivos

Las estrategias que se han considerado hasta ahora est n basadas en la minimizaci a on de una funci de coste de un unico objetivo para la obtenci de la mejor secuencia on on de acciones de control. Sin embargo, en muchas situaciones el comportamiento del proceso no se puede medir con una sola funci objetivo sino que, la mayora de las on veces, existen diversos (y a menudo contrapuestos) objetivos de control. Las razones de la existencia de diversos objetivos de control pueden ser: Los procesos deben operar de forma diferente en distintos momentos. Por ejemplo, durante la fase de arranque puede interesar una estrategia de tiempo mnimo y en el r gimen nominal el objetivo puede ser reducir en lo posible la varianza de e las variables controladas. 51
52
Multiobjetivo. Jerarqua de objetivos

El objetivo de control puede variar aun el caso de estar trabajando en r gimen e nominal, dependiendo del valor de las variables. Por ejemplo, aunque el objetivo de control sea minimizar la suma ponderada de los errores de las variables, si una de ellas alcanza un valor muy alto (por ejemplo debido a una perturbaci on) el objetivo de control ser disminuir el valor de esta variable lo antes posible. a
En muchas situaciones el objetivo de control no es minimizar la suma de errores, sino mantener ciertas variables dentro de unos lmites especicados. Esto es equivalente a las restricciones blandas. Este tipo de objetivo se puede expresar penalizando la cantidad que se sobrepasa cada variable del setpoint. Consid rese, por ejemplo, que el e objetivo es mantener la variable y (t) entre sus lmites yl e yh . En este caso, el objetivo de control se puede escribir como: N2 N2 X X J = p(y(t + j ) ; yh) (y(t + j ) ; yh)2 + p(yl ; y(t + j )) (y(t + j ) ; yl )2 j =N1 j =N1 siendo p la funci escal (vale 1 cuando el argumento es mayor o igual que 0 y vale on on 0 en caso contrario). Notese que ahora la funci objetivo no es cuadr tica y por tanto no se puede on a emplear para su minimizaci un algoritmo de programaci cuadr tica, aunque se on on a puede transformar en uno de este tipo anadiendo unas variables de holgura h (j ) y l (j ) :
y(t + j ) yh + y(t + j ) yl ;
h (j ) h (j )
La secuencia optima de control se obtiene con la minimizaci de on N2 X J = ( h(j )2 + l (j )2) j =N1 con la condici de que las variables de holgura sean no negativas (y el resto de las on restricciones si las hubiera). En denitiva lo que se ha hecho es transformar el problema en un QP con m s restricciones y variables. a En muchas ocasiones todos los objetivos de control se pueden agrupar en una sola funci de coste. Algunos de los objetivos pueden ser mantener las variables lo m s on a cerca posible de los setpoints o dentro de unas determinadas regiones de operaci on. Cada uno de estos objetivos equivale a minimizar una cierta funci Ji (sujeta a una serie on de restricciones). Entonces la secuencia de control se puede obtener de la minimizaci on de: m
i Ji i=1 sujeta a todo el conjunto de restricciones. La importancia relativa de cada objetivo se puede ponderar mediante la adecuada elecci de los i , aunque en la pr ctica es difcil on a encontrar estos pesos. Adem s, muchas veces los objetivos de control son cualitativos, a haciendo la tarea aun m s difcil. a
J=
Tendencias actuales y nuevas perspectivas
53
5.1.1
Jerarqua de objetivos
En muchas situaciones, se puede establecer una importancia relativa de unos objetivos sobre otros por medio de una priorizaci o jerarqua. Es decir, los objetivos de mayor on prioridad (por ejemplo los relacionados con la seguridad) se deben satisfacer antes que otros con menor prioridad. Aunque esto se puede resolver con ponderaciones, no es un asunto trivial. Tyler y Morari [20] proponen una forma de introducir m ultiples objetivos jerarquizados. Consid rese un proceso con m objetivos Oi jerarquizados (el Oi+1 tiene mayor e prioridad que el Oi) que se pueden expresar como:
Riu ai
La idea consiste en introducir variables enteras Li que toman valor 1 cuando se satisface el correspondiente objetivo de control y cero en caso contrario. Los objetivos se expresan entonces como:
tiene que Li = 1 y el objetivo reformulado coincide con el original. Con la introducci on de Ki el objetivo reformulado se satisface incluso cuando el correspondiente objetivo Oi no lo hace (Li = 0). La jerarqua de objetivos se puede establecer imponiendo las restricciones siguien tes: Li ; Li+1 0 El problema es maximizar el n umero de objetivos de control satisfechos
Riu ai + Ki(1 ; Li) (5:1) donde Ki es una cota superior conservadora para Ri u ; ai . Si se cumple el objetivo i, se
PL .
i
Si el modelo del proceso es lineal el problema se puede resolver con Programaci on Lineal Entera Mixta (MILP). El conjunto de restricciones 5.1 se puede modicar para mejorar el grado de satisfacci de restricciones de los objetivos que no pueden ser on satisfechos. Sup ongase que no todos los objetivos se pueden satisfacer y que el Of es el primero que falla. Con la idea de acercarse todo lo posible a la satisfacci de este on objetivo se introduce una variable de holgura que cumpla el siguiente conjunto de restricciones: 0 1 i;1 X A Lj (5:2) i i + + Ki @(1 ; i) + (1 ; Li ) ; j =1
Ru a
con la funci objetivo on
Li + f ( ) i=1 donde f es una funci de penalizaci de la variable de holgura (positiva y mon on on otona creciente) y K es su cota superior. El algoritmo de optimizaci intentar maximizar on a
J = ;K
m X
54
Control predictivo no lineal
el numero de objetivos satisfechos (Li = 1) antes de intentar reducir f ( ) porque la funci objetivo global se puede hacer m s pequena incrementando el n on a umero de variables Li distintas de cero que reduciendo la funci de penalizaci Como todos on on. a e los objetivos Oi est n satisfechos para i < f , las restricciones (5.2) tambi n se satisfacen. Como Of es el primero que falla:
i;1 X i=1
Li = f ; 1 para i f
Es decir, el t rmino que multiplica a Ki es cero para i = f mientras que para ndices e mayores es mayor que uno. Esto implica que todas las restricciones se satisfar n para a i > f . La unica restricci activa es f on + . f
Ru a
O sea, el m todo de optimizaci intentar optimizar el grado de satisfacci del e on a on primer objetivo que falle s despu s de que todos los objetivos m s prioritarios se olo e a hayan satisfecho. N otese que Li = 0 no implica que el objetivo i- simo no sea satisfecho, e sino que indica que la restricci correspondiente ha sido relajada. on Si el modelo del proceso y la funci de penalizaci son lineales, el problema es del on on tipo MILP, pero si f () es cuadr tica se recurre a Programaci Cuadr tica Entera Mixta a on a (MIQP). Aunque existen algoritmos para Programaci Mixta, el esfuerzo computacioon nal es mucho mayor que el requerido para problemas LP o QP, por ello el n umero de objetivos debe ser pequeno para poder implementar el m todo en tiempo real. e
5.2 Control predictivo no lineal

En los ultimos anos el Control Predictivo Basado en Modelo se ha convertido en la estrategia de control preferida para una gran cantidad de procesos industriales. Los on a esquemas de MPC lineal, es decir, los vistos hasta ahora en los que la predicci est basada en un modelo lineal del proceso, se usan de forma rutinaria como una opci on de control m s a tener en cuenta en ciertos sectores de la industria y se puede decir que a sus fundamentos te oricos est n sucientemente estudiados. a Por su parte, el Control Predictivo No Lineal (Nonlinear Model Predictive Control, NMPC) surgi hace relativamente poco tiempo y existen pocas referencias de aplicacioo nes industriales. Pero debido a su capacidad para tener en cuenta las no-linealidades del proceso se espera que se convierta en una opci prometedora a corto plazo. on No hay nada en los conceptos b sicos de MPC contra el uso de modelos no lineales, a por tanto la extensi de tales conceptos a procesos no lineales es en principio sencilla. on Sin embargo, como se ver seguidamente esto no es un asunto trivial y a hay muchos a un temas abiertos como: La disponibilidad de modelos no lineales debido a la dicultad de t cnicas de e

identicaci para procesos no lineales. on
55
La complejidad de los c lculos necesarios para resolver el problema del control a predictivo de procesos no lineales. La escasez de resultados de estabilidad y robustez.
En general los procesos industriales son no lineales, pero a as la mayora de un las aplicaciones de control predictivo est n basadas en el uso de modelos lineales, a del tipo de los vistos hasta ahora. Existen varias razones para ello: por un lado resulta relativamente f cil identicar modelos lineales a partir de datos del proceso, a y por otro los modelos lineales dan buen resultado cuando el proceso opera en las cercanas del punto de trabajo nominal. En el sector petroqumico, donde tiene lugar la mayora de las aplicaciones de MPC, el objetivo es mantener el proceso en torno al estado estacionario (problema del regulador) m s que realizar frecuentes cambios de un a punto de operaci a otro (problema del servo) y por tanto un modelo lineal preciso es on suciente. Adem s el uso de un modelo lineal junto con una funci objetivo cuadr tica a on a da lugar a un problema convexo de programaci cuadr tica (QP) cuya soluci est on a on a sucientemente estudiada en la actualidad, existiendo diversos productos comerciales ables. La existencia de algoritmos que garanticen una soluci que converja en un on corto tiempo (menor que el periodo de muestreo) resulta crucial en procesos en los que interviene un gran n umero de variables. Sin embargo, existen situaciones en las que los efectos no lineales justican el uso de la tecnologa NMPC. Estas situaciones entran dentro de las dos categoras siguientes:
Procesos fuertemente no lineales y sujetos a grandes perturbaciones, como por ejemplo el control de pH. Problemas de seguimiento de consigna en los que el punto de operaci cambia on con frecuencia y estos cambios sacan a relucir la din mica no lineal del proceso, a como en el caso de la fabricaci de polmeros. on
En estas situaciones una ley de control lineal puede no ser efectiva siendo necesario el empleo de un controlador no lineal para mejorar el comportamiento o simplemente para una operaci estable del proceso. Es por tanto en este caso donde se puede on justicar el empleo de t cnicas de NMPC. Aunque en la actualidad el n e umero de aplicaciones es aun reducido, el potencial es considerable, como se desprende del informe de Qin y Badgwell [17], donde se observa que MPC no ha penetrado a en un campos donde las no linealidades son fuertes y el mercado exige frecuentes cambios del punto de operaci es aqu donde se espera el auge del NMPC. on;
56
5.2.1
Diferencias respecto al m todo lineal e
Resulta evidente que la principal ventaja del NMPC frente al MPC radica en la posibilidad de abordar din micas no lineales. A medida que aparecen nuevas herramientas que a hacen posible la obtenci y representaci de modelos no lineales, bien a partir de on on primeros principios (leyes de conservaci o bien a partir de datos experimentales on) (modelos de Volterra o redes neuronales) el inter s por su utilizaci en NMPC se va e on acrecentando. Aunque la extensi de los conceptos de MPC al caso no lineal es directa, a la hora de on realizar el controlador aparecen una serie de problemas a tener en cuenta, que dan lugar a una mayor dicultad en su implantaci Las principales dicultades derivadas del on. empleo de modelos no lineales son: La obtenci de un modelo no lineal a partir de datos experimentales es un on problema abierto. La utilizaci de redes neuronales o series de Volterra no on parecen solucionar el problema de forma general. Por otra parte, la obtenci de on modelos a partir de primeros principios no es siempre viable. El problema de optimizaci es no convexo, cuya resoluci es mucho m s difcil on on a que un problema de programaci cuadr tica. Aparecen problemas relativos a la on a obtenci del optimo global, lo que inuye no s en la calidad del control, sino on olo tambi n en problemas relacionados con la estabilidad. e La dicultad del problema de optimizaci se traduce en un aumento consideraon ble del tiempo de c lculo, hecho que puede dar lugar a que la aplicaci de esta a on t cnica quede restringida a un conjunto de sistemas con din mica lenta. e a El estudio de temas fundamentales como estabilidad o robustez se complica enormemente. Este tema constituye un campo abierto de gran inter s para los e investigadores.
5.2.2
Fundamentos te oricos
Se puede denir un algoritmo gen rico NMPC que englobe a todas las t cnicas que e e comparten las mismas ideas. El proceso (en general multivariable) se puede describir por un modelo en el espacio de estados de la forma:
x(t + 1) = f (x(t) u(t) d(t) w(t)) y(t) = g(x(t)) + e(t) donde x es el vector de estados de dimensi n, u es el vector de mu entradas, d son las on perturbaciones medibles y w(t)) las no medibles. El vector de salidas es y de dimensi on my , la misma que la del vector de ruidos de medida e.
57
El problema que hay que resolver es el c lculo de la secuencia de senales de control a que llevan al proceso desde su estado actual al estado deseado s . El punto de trabajo deseado ( s , s , s ) viene en general determinado por una optimizaci est tica basada on a normalmente en criterios econ omicos. Este punto de trabajo debe ser recalculado periodicamente ya que las perturbaciones pueden hacer cambiar el punto optimo de operaci on.
y x u
f , mientras que el resto se rechaza con la realimentaci normalmente considerando on, y(t + j ) = g(x(t + j )) + b(t)
M ;1 X j =1
donde
Las perturbaciones medibles se pueden eliminar incluyendo su efecto en la funci on
que la perturbaci permanecer constante a lo largo del horizonte. Esto se formalizar on a anadiendo un t rmino constante (bias) e igual al error entre medida y salida calculada e a toda la predicci on:
b(t) = ym(t) ; y(t)
El problema consiste en la minimizaci de una funci objetivo que de la forma on on m s gen rica ser : a e a
J=
P X j =1
y(t + j ) ; ys
kq
Q+
k 4 (t + j )kq + S
M ;1 X j =1
u(t + j ) ; uskqR + kskqT
(5
:3)
donde q puede ser 1 o 2 segun el tipo de norma que se est utilizando y Q, S, R y T e son matrices de ponderaci La minimizaci estar sujeta a la restricci del modelo: on. on a on
x(t + j ) = f (x(t + j ; 1) u(t + j ; 1) d(t + j ; 1) w(t + j ; 1))y(t + j ) = g(x(t + j )) + b(t)

y al resto de restricciones en entradas y salidas que se quieran considerar:
y ; s y(t + j ) y ; s 8j = 1 P u u(t + j ) u 8j = 1 M ; 1 4u 4u(t + j ) 4u 8j = 1 M ; 1
Obs rvese que se ha considerado la violaci de las restricciones en la salida con el e on t rmino s, que entra en juego en la minimizaci apareciendo en la funci de coste e on on con una penalizaci dada por la matriz T. on Igual que en caso lineal, la soluci del problema es una secuencia de acciones de on control de las cuales s la primera de ellas es enviada a la planta, desechando el resto olo y volviendo a la resolver el problema en el siguiente periodo de muestreo.
5.2.3
Problem tica asociada al NMPC a
La resoluci del NMPC plantea nuevos problemas que no existan en el caso lineal on relacionados por un lado con la metodologa de c lculo de la senal de control y por a otro con el comportamiento din mico del bucle cerrado, b sicamente su estabilidad. a a
58 Resoluci on
La introducci de un modelo no lineal en el algoritmo de optimizaci conduce a la on on p rdida de convexidad, no pudiendo ser resuelto por los algoritmos de programaci e on cuadr tica (QP), para los cuales existen soluciones ables y sucientemente estudiadas. a Esta p rdida de convexidad hace que sea mucho m s difcil encontrar una soluci y e a on que, una vez encontrada, no se pueda garantizar que sea un optimo global. En estas circunstancias el tiempo de c lculo aumenta considerablemente debido a principalmente a dos motivos Para la obtenci de la secuencia de acciones de control optima, el paquete de on programaci no lineal debe evaluar repetidamente la funci objetivo y en cada on on evaluaci se debe resolver el sistema de ecuaciones no lineales que componen on el modelo de predicci lo cual conlleva mucho tiempo de c lculo. on, a A partir de los datos obtenidos a trav s de la evaluaci de la funci objetivo, el e on on programa de optimizaci debe calcular el gradiente de la funci y los pr on on oximos puntos de busqueda, adem s de comprobar la violaci o no de las restricciones a on y los criterios de nalizaci del algoritmo. Estas tareas consumen m s tiempo on a de c lculo que en el caso lineal. a
Estabilidad de la soluci on El otro problema fundamental es el de la estabilidad de la soluci Aun en el caso de on. que el algoritmo de minimizaci encuentre la soluci optima, este hecho no garantiza on on la estabilidad del bucle cerrado (incluso en el caso de que el modelo sea perfecto). Este problema ha sido abordado desde distintos puntos de vistos de vista, existiendo en la actualidad diferentes propuestas, las cuales se describen a continuaci on. 1. Horizonte innito Existe una soluci propuesta por Meadows et al. ([13]) que consiste en ampliar on los horizontes de control y de predicci hasta el innito, P M ! 1. En este caso la on funci objetivo tambi n sirve como funci de Lyapunov, dando lugar a la estabilidad on e on nominal. En el artculo citado se demuestra que si existe soluci inicial factible on entonces existe soluci en cada periodo de muestreo posterior. on La idea b sica es que si el problema de minimizaci es factible en el instante a on entonces la funci de coste es nita y on
Jt+1 Jt + x(t)t Rx(t) + u(t)t Su(t)

Por tanto la funci de coste es mon on otona decreciente y se puede interpretar como una funci de Lyapunov, garantizando por consiguiente la estabilidad asint on otica.
59
A la hora de la verdad este concepto tiene principalmente un inter s teorico soe bre el que basar un desarrollo pr ctico, ya que no es viable una implementaci con a on horizonte innito. Para llevarlo a la pr ctica se puede tomar un horizonte lo suciena temente grande, pero esta elecci no tiene por qu garantizar la estabilidad, ya que on e las trayectorias de la entrada y el estado diferir n de las trayectorias predichas incluso a si no hay incertidumbres ni perturbaciones. 2. Restricci terminal on Otra soluci al problema, propuesta por Keerthi y Gilbert ([8]) consiste en anadir on una restricci terminal al estado en el algoritmo NMPC de la forma: on
x(k + P ) = xs
Con la imposici de esta restricci la funci objetivo se convierte en una funci on on, on on de Lyapunov para el sistema en bucle cerrado, conduciendo a la estabilidad nominal. Con la introducci de esta restricci el estado al nal del horizonte nito es cero y on on por tanto tambi n lo ser la senal de control, con lo que el sistema (sin perturbaciones) e a se queda para siempre en el origen. De esta forma es como si el horizonte de predicci on fuera innito. El problema de este m todo es que en la pr ctica la introducci de esta restricci e a on on articial anade un coste computacional considerable y, lo que es m s importante a a un, da lugar a una regi de operaci muy restrictiva, por lo que en la realidad resulta on on muy difcil satisfacer esta condici on. 3. Control dual La dicultad de la aproximaci anterior llev a Michalska y Mayne ([14]) a buscar on o una restricci menos estricta. La idea es denir un entorno W alrededor del estado on nal deseado s dentro del cual el sistema pueda ser llevado a dicho estado por medio de un controlador lineal por realimentaci del vector de estados. Por tanto la restricci on on que se anade a la formulaci es: on
( ( +
x t P ) ; xs ) 2 W
Si el estado actual se encuentra fuera de esta regi se usa el algoritmo NMPC con la on restricci anterior. Una vez que el estado se encuentra en W , el control conmuta a una on estrategia lineal determinada previamente (estrategia del tipo dual-mode controller). Este m todo conlleva por tanto la gesti de la conmutaci entre los dos controlae on on dores y la determinaci de la regi W y de la matriz de ganancia de la realimentaci on on on del vector de estados (una forma de hacerlo se puede encontrar en el artculo citado). 4. Horizonte casi-innito Chen y Allgower ([3]) extendieron el concepto anterior, proponiendo un esquema de control con horizonte casi-innito. Se hace uso de la idea de regi terminal y on
60
controlador estabilizante, pero s para el c lculo del coste terminal. La senal de olo a control se determina resolviendo el problema de optimizaci en lnea (con horizonte on nito) sin conmutar al controlador lineal incluso dentro de la regi terminal. on on El procedimiento consiste en anadir el t rmino kx(t + Tp )k2 a la funci de coste, e P cuyo objetivo es extender el horizonte de predicci hasta el innito y por tanto evitar on la conmutaci del controlador. Se puede demostrar que, eligiendo adecuadamente la on matriz de ponderaci P , este t rmino es una cota superior de lo que costara llevar on e al sistema no lineal con el controlador lineal hasta el origen partiendo de un estado perteneciente a la regi terminal y la funci de coste con horizonte nito se aproxima on on a una de horizonte innito, en cuyo caso la estabilidad queda asegurada. Esto se puede interpretar como si el horizonte de predicci se expandiera casi hasta el innito (es on decir, es como si se minimizara un coste de horizonte innito resolviendo un problema de horizonte nito). 5. Contracci del estado on La idea consiste en imponer la siguiente restricci on:
kx(t + N )k2
kx(t)k2
2 (0 1)
Esta restricci fuerza a la magnitud del vector de estado a contraerse seg el factor on un elegido cada vez que se calcula la senal de control. La estabilidad queda garantizada siempre que el problema sea factible, lo que no viene impuesto necesariamente porque sea factible en k = 0, ya que las restricciones que se le imponen al estado son muy estrictas y pueden hacer perder factibilidad. Esto se puede mejorar con valores grandes de , pero entonces la disminuci de la magnitud del estado es menor. En general on se puede decir que en muchas situaciones reales la condici es muy restrictiva y la on no-factibilidad aparece con facilidad.
Robustez a Si el estudio de la estabilidad en NMPC resulta de por s complicado, m s aun lo es el de la robustez, es decir, la estabilidad cuando existen errores de modelado. Los resultados de estabilidad de la secci anterior son v lidos s en el caso de que el modelo del on a olo proceso sea perfecto. Resulta evidente que esto nunca va a ser cierto en la pr ctica, por a lo que es necesario alguna forma de afrontar la existencia de incertidumbres. Se puede considerar el problema de la robustez como algo todava sin resolver para NMPC, aunque existen algunos resultados preliminares. Algunos de los esquemas que garantizan establidad se pueden hacer robustos con algunos cambios, como por ejemplo el uso de restricciones terminales conservadoras in el dual-mode. Pero en general los resultados existentes s indican que incertidumbres peque no amenazan olo nas la estabilidad del bucle cerrado, sin permitir el diseno del controlador que garantice la estabilidad dada una incertidumbre descrita por sus lmites. Existen algunos resultados
61
para casos muy simples como incertidumbre en la ganancia y se est avanzando en a algunos campos como en LMI, pero todava queda mucho por hacer.
5.2.4
Modelos
Estos resultados te oricos proporcionan una base para poner en marcha un NMPC, aunque en la pr ctica existen muchos temas abiertos, principalmente en lo referente a la a denici e identicaci del modelo y al desarrollo de m todos de resoluci ables. on on e on La obtenci de modelos no lineales adecuados de forma emprica puede ser muy on difcil y no existe una formulaci que sea claramente adecuada para representar on procesos no lineales de forma gen rica. Parte del exito del MPC se debe a la relativa e facilidad con la que se pueden obtener experimentalmente modelos del tipo respuesta ante escal o funciones de transferencia de bajo orden. En cambio los modelos no on lineales son mucho m s difciles de construir, tanto bas ndose en correlaci de datos a a on de entrada/salida como en principios b sicos de conservaci de masa y energa. a on Un gran obst culo que se encuentra a la hora de desarrollar una teora de sistemas a no lineales es la ausencia de un principio de superposici para este tipo de sistemas. on Debido a ello, la determinaci experimental de los modelos se convierte en una tarea on muy complicada, requiriendo una cantidad de ensayos mucho mayor que para una planta no lineal. Si el proceso es lineal en teora s es necesario llevar a cabo un ensayo de res olo puesta ante escal para calcular el modelo (aunque en la pr ctica no sea realmente on a as). Debido al principio de superposici la respuesta ante un escal de diferente on, on amplitud se puede obtener escalando la salida convenientemente. Pero esto no es as para procesos no lineales, donde se deben realizar ensayos con escalones de distinto tamano. Adem s, si el proceso es multivariable, la diferencia en el n a umero de ensayos necesarios es mucho mayor. En general, si un sistema lineal se ensaya con senales de entrada u1 (t),u2 (t),...,un (t), y las correspondientes salidas son y1 (t),y2 (t),...,yn (t), la respuesta a una senal que se puede expresar como combinaci lineal de las senales de on prueba u(t) = 1u1(t) + 2 u2(t) + + nun(t) es
y(t) = 1y1(t) + 2y2(t) +
n yn (t)
Es decir, un sistema lineal no necesita ser probado con ninguna secuencia de senales de entrada que sea una combinaci lineal de senales ya probada, mientras que no on ocurre lo mismo con un sistema no lineal, cuya respuesta debe ser analizada para todas las posibles senales de entrada. Si la desviaci de la linealidad no es demasiado grande, se pueden hacer alguon nas aproximaciones que tengan en cuenta el cambio de comportamiento de un punto
62
de operaci a otro y asuman comportamiento lineal en las cercanas del punto de on operaci on. Pero en general habr que recurrir a modelos especcos que reejen la a din mica no lineal. Existen diferentes aproximaciones que usan modelos de Wiener, a otras basadas en redes de neuronas, modelos de Volterra o de Hammerstein, modelos NARX, modelos borrosos, etc. Los modelos usados en la industria se detallan a continuaci on.
Modelos en el espacio de estados Se puede usar un modelo formado por la combinaci de una ecuaci de estado lineal on on con una relaci no lineal de salida: on
x(t + 1) = Ax(t) + Bu(t) + Dd(t)y(t) = g(x(t))

A su vez la no linealidad de la salida se puede modelar con la superposici de una on relaci lineal y una red neuronal no lineal: on
g(x(t)) = Cx(t) + NN (x(t))

Al no estar el vector de estados limitado necesariamente a variables fsicas, este modelo es muy gen rico y permite englobar m s efectos no lineales que los exclusivos e a de las medidas. Pero el principal problema en NMPC no es la elecci del tipo de modelo, sino de on un m todo de identicaci able y robusto. Seg el modelo propuesto, se identica e on un el sistema como lineal y los residuos de las salidas se ajustan a los estados con la red neuronal. Se puede usar un ndice de conanza de modo que la predicci se basa m s on a o menos en la red neuronal seg este ndice, apag ndose en caso de que su aportaci un a on no sea able. Tambi n puede anadir un ltro de Kalman extendido (EKF) para corregir e los errores de modelado y las perturbaciones no medibles, reemplazando de este modo el error constante en la realimentaci que se emplea normalmente en el MPC. on
Modelos de entrada/salida Una idea adoptada por algunos fabricantes de controladores predictivos es usar un modelo no lineal est tico junto con un modelo din mico no lineal. Si se considera el a a caso monovariables, deniendo las variables de desviaci como: on
u(t) = u(t) ; us
y(t) = y(t) ; ys
donde los valores en estado estacionario de entrada y salida cumplen:
ys = hs(us)
63
Se considera que las variables de desviaci verican la siguiente relaci din mica on on a lineal: n X y(t) = ai y(t ; i) + bi u(t ; i) i=1 La identicaci del modelo lineal se lleva a cabo mediante ensayos ante escal on on mientras que a partir de datos hist oricos se obtiene la representaci de la relaci no on on lineal por medio de una red de neuronas. Como el modelo din mico tiene una ganancia a ja que en general ser distinta de la del modelo no lineal, la ganancia del submodelo a lineal se escala hasta ser igual a la ganancia local no lineal para la entrada actual:
dy Ks = dus ju(t)
s
Esto se consigue reescalando los coecientes bi . Para usar este modelo, un programa de optimizaci no lineal calcula los mejores on f , y f a partir del modelo est tico. Durante el c lculo valores de entrada y salida us s a a din mico del controlador, la ganancia est tica no lineal se aproxima por una interpoa a lacion lineal de las ganancias inicial y nal:
Ks(u(t)) = Ksi + Ks ; Ks u(t) uf ; uis s

f i
(5
:4)
i f siendo ui y uf los valores estacionarios actual y pr oximo y Ks y Ks las ganancias s s calculadas en esos puntos usando el modelo no lineal est tico. Sustituyendo la ganancia a dada por (5.4) en la ecuaci del submodelo lineal se obtiene: on
y(t) =
donde
n X i=1
ai y(t ; i) + bi u(t ; i) + gi u2(t ; i)
(5
:5)
biKsi (1 ; Pn=1 aj ) bi (1 ; Pn=1 aj ) j j gi = Pn Ksf ;K i bi = Pn b s j =1 j j =1 bj uf ;ui s s
con esto se consigue reducir la complejidad computacional. Se puede observar que los valores en estado estacionario se calculan a partir del modelo est tico no lineal, mientras que los movimientos din micos de control est n a a a basados en el modelo cuadr tico de la ecuaci (5.5). Sin embargo, los coecientes del a on modelo cuadr tico (la ganancia local) cambian de un periodo de muestro a otro, ya son a reescalados para ajustarse a la ganancia local del modelo no lineal. Esta estrategia se puede interpretar como una sucesiva linealizaci de los estados inicial y nal seguida on por una interpolaci lineal de las ganancias linealizadas, en una formulaci similar on on al gain-scheduling, pero con un modelo global diferente debido el reescalado de la ganancia.
64 Modelos basados en primeros principios
En cualquier caso siempre es difcil obtener modelos empricos ables a partir de datos experimentales, por lo que en la pr ctica existe la posibilidad de usar modelos a dados directamente de las ecuaciones de balance, llamados normalmente modelos de primeros principios. Estas ecuaciones pueden ser ecuaciones est ticas de balance a o funciones no lineales de variables fsicas que generan otra variable. En este caso el c lculo de la predicci se realiza mediante una simulaci de las ecuaciones no a on on lineales (integraci que describen el proceso. on)
5.2.5
Otras formulaciones del problema
Se han propuesto diversas soluciones para intentar resolver los problemas que se han visto, como por ejemplo en [1], donde la predicci de la salida del proceso on se hace mediante la adici de la respuesta libre (la respuesta futura que se obtiene on si la entrada se mantiene en un valor constante durante los horizontes de control y predicci obtenida de un modelo no lineal de la planta, y la respuesta forzada (la on) debida a los movimiento de control futuros), calculada con un modelo incremental de la planta. Las predicciones obtenidas de esta manera son s una aproximaci ya olo on que el principio de superposici que permite la descomposici mencionada, s on, on olo es v lido para sistemas lineales. Sin embargo, la aproximaci que se obtiene de esta a on forma se comporta mejor que cuando se usa un modelo linealizado del proceso para obtener ambas respuestas. Si se usa una funci de coste cuadr tica, la funci objetivo es cuadr tica en las on a on a variables de decisi (futuros movimientos de la senal de control) y la secuencia de on control se puede calcular (en caso de que no haya restricciones) como la soluci de on un conjunto de ecuaciones lineales, dando lugar a una ley de control simple. La unica diferencia respecto a un MPC est ndar es que la respuesta libre se calcula mediante un a modelo no lineal del proceso. Como el principio de superposici no se cumple, la on aproximaci s es v lida cuando la secuencia de senales de control es pequena. Esta on olo a circunstancia tendr lugar cuando el proceso opera en torno al punto de trabajo con a pequenas perturbaciones. Si el proceso cambia continuamente de punto de operaci on o las perturbaciones son considerables los incrementos de la senal de control ser n en a general mayores y la aproximaci no ser muy buena. on a Existe una forma de resolver este problema, propuesta en [9] para el EPSAC. La idea b sica es considerar la secuencia de senales de control como la suma de una secuencia a de control base (ub (t + j )) y una secuencia de incrementos de la variable manipulada (ui (t + j )). Es decir:
u(t + j ) = ub(t + j ) + ui(t + j )
65
La predicci j- sima de la salida del proceso se calcula como la suma de la respuesta on e del proceso (yb (t + j )) debida a la secuencia base m s la respuesta (yi (t + j )) debida a a los futuros incrementos del control en la secuencia base de entrada ui (t + j ):
y(t + j ) = yb(t + j ) + yi(t + j )

Como se usa un modelo no lineal para calcular yb(t + j ) mientras que yi (t + j ) se calcula a partir de un modelo lineal del proceso, la funci de coste es cuadr tica en on a las variables de decisi (ui (t + j )) y se puede resolver mediante un algoritmo QP como on a on a en el MPC est ndar. Como se ha indicado, el principio de superposici no es v lido para procesos no lineales, y por ello la salida generada de esta forma s coincidir olo a con la generada por el controlador no lineal en el caso de que la secuencia de futuros movimientos de la senal de control sea cero. Si este no es el caso, la secuencia de control base se hace igual a la ultima secuencia de control base m s los incrementos de control optimos que encuentre el algoritmo QP. a Este procedimiento se repite hasta que la secuencia de senales de control se lleva lo sucientemente cerca de cero. Las condiciones iniciales para la secuencia de control base se pueden hacer inicial mente iguales a la ultima senal de control que se ha aplicado al proceso. Obs rvese que e esto corresponde al c lculo de la respuesta libre en el MPC. Se puede probar con una a secuencia inicial mejor haciendo la secuencia base igual a la optima que se obtuvo en el ultimo periodo de muestreo (con el desplazamiento temporal correspondiente). Las condiciones de convergencia del algoritmo son muy difciles de obtener ya que dependen de la severidad de la caracterstica no lineal del proceso, de las entradas y salidas pasadas, de las referencias futuras y de las perturbaciones. Otra manera de atacar el problema es teniendo en cuenta que en algunas ocasiones, el modelo no lineal se puede convertir en un modelo lineal mediante aproximaciones apropiadas. Consid rese por ejemplo el proceso descrito mediante la siguiente ecuaci e on en el espacio de estados:
x(t + 1) y(t)
= =
f (x(t) u(t)) g(x(t))
El m todo consiste en encontrar funciones de transformaci de estados y entrada e on z(t) = h(x(t)) y u(t) = p(x(t) v(t)) tales que:
z(t + 1) y(t)
= =
Az(t) + Bv(t)) Cz(t)
El m todo tiene dos importantes inconvenientes: e
66 Las funciones de transformaci on pueden obtener en ciertos casos.
z(t)
h(x(t))
u(t)
p(x(t) v(t))
s se olo
Las restricciones, que usualmente son lineales, se convierten en no lineales. Es decir, incluso en los casos en que el modelo pueda ser linealizado mediante transformaciones adecuadas, el problema se transforma de minimizar una funci no on lineal (no cuadr tica) con restricciones lineales en minimizar una funci cuadr tica a on a con restricciones no lineales. La forma general de resolver el problema es usar el modelo no lineal completo de la planta para calcular la predicci de la salida. Haciendo esto, se est anadiendo on a una restricci no lineal a la minimizaci con lo que los algoritmos QP no se pueden on on, usar. Sin embargo el problema se puede resolver en lnea, en algunos casos, gracias al r pido desarrollo de algoritmos de programaci no lineal (nonlinear programming, a on NLP) capaces de manejar un n umero grande de variables y restricciones.
5.2.6
Resoluci del problema. Productos comerciales on
Muchos controladores comerciales dividen el algoritmo de control en una optimizaci on local est tica y una optimizaci din mica. El primer m a on a odulo calcula los valores de entrada y salida a los que es necesario llegar y el segundo calcula la secuencia de control adecuada. La optimizaci din mica se lleva a cabo minimizando la funci objetivo gen rica on a on e (5.3) con las restricciones correspondientes. Los distintos esquemas comerciales hacen simplicaciones respecto a la formulaci general. on La mayora de los productos (ver tabla 5.1) s permiten matrices de peso cons olo tantes en todo el horizonte y s el NOVA-NLC trabaja con norma 1. Por su parte, el olo Process Perfecter minimiza solo la salida pero con una matriz de peso que se incrementa gradualmente con el horizonte, dando por tanto m s importancia a los errores m s a a lejanos y en consecuencia dando lugar a una acci de control m s suave. on a En cuanto a las restricciones, normalmente las correspondientes a la entrada se tratan como restricciones duras, es decir, que nunca deben ser violadas. El PFC tambi n e incluye restricciones de aceleraci muy utiles para aplicaciones de servomecanismos. on, Este m todo no trata estas restricciones de forma optima, sino que resuelve el problema e de optimizaci sin restricciones y luego satura a los lmites, produciendo por tanto on una soluci no optima. on Respecto a restricciones en la salida, la mayora de los productos comerciales las trata como restricciones blandas, debido a que una perturbaci puede producir f cilmente on a una p rdida de factibilidad. Una opci ofertada por el Process Perfecter es considerar e on
67
Empresa Producto Modelo F. Objetivo Restricciones Estructura u M t. solucion e
Adersa PFC EE, PP Q S, BS FB, UM NLS
Aspen Tech. Aspen Target EE Q DS, DE, BS MM QP
Continental MVC E/S, PNE Q DE, BS UM GRG
DOT Products NOVA NLC EE, PP Q, N1 DE, BS MM MINLP
Pavillion Tech. Process Perfecter RN, E/S Q DE, DS MM GD
Tabla 5.1: EE: espacio de estados no lineal. PP: primeros principios. E/S: entrada/salida. PNE: polinomio no lineal est tico. RN: red neuronal. N1: norma 1. a S: saturaci BS: blandas (mnimo y m ximo) en la salida. DS: duras en las salidas. on. a DE: duras en las entradas. FB: funciones base. UM: unico movimiento. MM: m ultiples movimientos. NLS: mnimos cuadrados no lineales. GRG: Generalized Reduced Gra dient. MINLP: Mixed Integer Nonlinear Programming. GD: Gradient descent.
una restricci dura en forma de embudo, de manera que se da m s libertad a la salida on a al comienzo del horizonte que al nal. Par metros: normalmente se elige un horizonte de predicci nito muy grande, a on con la idea de capturar la din mica hasta el permanente de las salidas para todas las a entradas. Esto se puede considerar una aproximaci al m todo de horizonte innito on e propuesto para garantizar la estabilidad del bucle cerrado y puede explicar por qu e ninguno de los productos comerciales incluye restricci terminal. on Una idea introducida en el PFC y adoptada por Aspen Target es el uso de puntos de coincidencia, en los cuales deben coincidir la salida y la trayectoria de referencia. Esta idea puede ser util cuando las salidas responden con distinta velocidad y se pueden denir distintos puntos de coincidencia para cada una de ellas. En cuanto a la estructuraci de la senal de control, se puede encontrar desde on considerar el horizonte de control igual a 1, horizonte variable o funciones base. Esta ultima idea, propia del PFC, parametriza la senal de control usando un conjunto de funciones polinomiales, permitiendo un perl de entrada complejo para un horizonte de control grande (en teora podra ser innito) empleando un n umero de inc ognitas pequeno. Esto puede resultar una ventaja en el caso de sistemas no lineales. La eleccion de la familia de funciones base establece muchas de las caractersticas del perl de la entrada, pudiendo asegurar con una correcta elecci una senal de control on suave, por ejemplo. Si se eligen funciones base polin omicas, se puede seleccionar el orden para seguir un setpoint polin omico sin retraso, lo cual puede ser importante para aplicaciones de servosistemas mec nicos. a La soluci del problema no es tarea f cil debido a la no convexidad del problema on a gen rico. El PFC propone una soluci sencilla resolviendo el problema sin restricciones e on usando un algoritmo de mnimos cuadrados no lineal y saturando las entradas a sus
68
lmites si estos se violan; l ogicamente no se asegura una soluci optima, pero se gana on en velocidad, permitiendo que este controlador se use en aplicaciones con perodos de muestreo pequenos, como el caso de seguimiento de missiles. Para el caso gen rico se usan diversos algoritmos, algunos propietarios, basados e en m todos m s o menos conocidos de optimizaci e a on. Entre ellos cabe destacar el que usa Aspen Target, desarrollado por Oliveira y Biegler [15], que garantiza que las soluciones intermedias, aunque no optimas, son factibles. Ello garantiza que una pronta nalizaci del algoritmo por limitaciones de tiempo produce siempre una soluci on on factible. En cualquier caso queda claro que el esfuerzo computacional es superior al caso lineal, siendo esta una de las principales razones la todava escasa implantaci on de estas t cnicas en la industria. e
5.2.7
Necesidades futuras
Los temas que pueden considerarse abiertos en esta t cnica son: e Modelado: los modelos no lineales son m s complejos que los lineales, pero a adem s el proceso de identicaci es mucho m s difcil. Se necesita una gran a on a batera de ensayos para capturar las no-linealidades del proceso, resultando en un perodo de pruebas considerable. Por tanto, la forma de disponer de una representaci correcta de la din mica del proceso es un problema que no est on a a completamente resuelto. Resoluci del problema: la inclusi del modelo no lineal en la optimizaci da on on on lugar a que esta no sea convexa. Grandes esfuerzos deben hacerse todava para encontrar algoritmos de optimizaci ables que permitan la resoluci dentro on on del tiempo asignado. Justicaci del esfuerzo: vistas las dicultades que aparecen en la aplicaci on on de NMPC, debe poder justicarse el benecio que este tipo de t cnica aporta. e Algunos fabricantes ofrecen un MPC de respaldo, de manera que en el caso de que no se necesite ese esfuerzo adicional o el controlador no lineal sea realmente complicado de poner en marcha, se aplicara la estrategia lineal. Otros temas: temas que son aplicables al Control Predictivo en general, funciones objetivos multicriterio, sintonizaci de par metros, mal condicionamiento o on a tolerancia a fallos. Es de destacar que ninguna de los productos comerciales incluye restricci termion nal ni horizonte innito, situaciones requeridas en teora para garantizar la estabilidad nominal. En lugar de eso, se confa en que con un horizonte de predicci lo sucien on temente grande se consiga el mismo comportamiento que horizonte innito.
Bibliografa
[1] E.F. Camacho, M. Berenguel y F.R. Rubio. Advanced Control of Solar Power Plants. Springer-Verlag, London, 1997. [2] E.F. Camacho y C. Bordons. Model Predictive Control. Springer-Verlag, 1999. [3] H. Chen y F. Allgower. A quasi-innite horizon nonlinear predictive control scheme with guaranteed stability. Automatica, 34(10):12051218, 1998. [4] D.W. Clarke y C. Mohtadi. Properties of Generalized Predictive Control. Automatica, 25(6):859875, 1989. [5] D.W. Clarke, C. Mohtadi y P.S. Tuffs. Generalized Predictive Control. Part I. The Basic Algorithm. Automatica, 23(2):137148, 1987. [6] C.R. Cutler y B.C. Ramaker. Dynamic Matrix Control- A Computer Control Algorithm. En Automatic Control Conference, San Francisco, 1980. [7] C.E. Garca, D.M. Prett y M. Morari. Model Predictive Control: Theory and Practice-a Survey. Automatica, 25(3):335348, 1989. [8] S.S. Keerthi y E.G. Gilbert. Optimal innite-horizon feedback laws for a general class of constrained discrete-time systems: Stability and moving-horizon approximations. J. Optim. Theory Appl., 57(2):265293, 1988. [9] R. De Keyser. A Gentle Introduction to Model Based Predictive Control. En PADI2 International Conference on Control Engineering and Signal Processing, Piura, Peru, 1998. [10] R.M.C. De Keyser, Ph.G.A. Van de Velde y F.G.A. Dumortier. A Comparative Study of Self-adaptive Long-range Predictive Control Methods. Automatica, 24(2):149 163, 1988. [11] K. Kr mer y H. Ubehauen. Predictive Adaptive Control. Comparison of Main a a Algorithms. En Proceedings 1st European Control Conference, Grenoble, p ginas 327 332, julio 1991. [12] A.G. Kutnetsov y D.W. Clarke. Advances in Model-Based Predictive Control, captulo Application of constrained GPC for improving performance of controlled plants. Oxford University Press, 1994. 69
70
Bibliografa
[13] E.S. Meadows, M.A. Henson, J.W. Eaton y J. Rawlings. Receding horizon control and discontinuous state feedback stabilization. Int. Journal Control, p ginas 1217 a 1229, 1995. [14] H. Michalska y D.Q. Mayne. Robust receding horizon control of constrained nonlinear systems. IEEE Trans. on Automatic Control, 38(11):16231633, 1993. [15] N.M.C. Oliveira y L.T. Biegler. An extension of newton-type algorithms for nonlinear process control. Automatica, 31:281286, 1995. [16] S.J. Qin y T.A. Badgwell. An Overview of Industrial Model Predictive Control Technology. In Chemical Process Control: Assessment and New Directions for Research. En AIChE Symposium Series 316, 93. Jeffrey C. Kantor, Carlos E. Garcia and Brice Carnahan Eds. 232-256, 1997. [17] S.J. Qin y Thomas A. Badgwell. An overview of nonlinear model predictive control applications. En IFAC Workshop on Nonlinear Model Predictive Control. Assessment and Future Directions. Ascona (Switzerland), 1998. [18] J. Richalet. Practique de la commande predictive. Hermes, 1992. [19] H. Takatsu, T. Itoh y M. Araki. Future needs for the control theory in industries. report and topics of the control technology survey in japanese indsutry. Journal of Process Control, 8:369374, 1998. [20] M.L. Tyler y M. Morari. Propositional Logic in Control and Monitoring Problems. Technical Report AUT96-15, Institut fur Automatik, ETH- Swiss Federal Institute of Technology, Zurich, Switzerland, 1996. [21] B.E. Ydstie. Extended Horizon Adaptive Control. En Proc. 9th IFAC World Congress, Budapest, Hungary, 1984.

Control Predictivo

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Control Predictivo

Uploaded by

Copyright:

Available Formats

Escuela Superior de Ingenieros

Control Predictivo: metodologa, tecnologa y nuevas perspectivas

I Curso de Especializaci en Autom tica on a Aguadulce, Almera, 2000

Conceptos b sicos de control predictivo a Estrategia de los controladores

::::::::::::::::::::::::::::::: ::::::::::::::::::::::::: :::::::::::::::::::: :::::::::::::::::::: ::::::::::::::::::::::::::::

Modelo de predicci on Funci objetivo on

Obtenci de la ley de control on

Revision de los principales algoritmos Estado de la tecnologa

Algoritmos 3.1 Dynamic Matrix Control 3.1.1 Predicci on

ii 3.1.2 3.1.3 3.2 Perturbaciones medibles Algoritmo de control

::::::::::::::::::::::: ::::::::::::::::::::::: :::::::::

Control Predictivo Generalizado 3.2.1 3.2.2 3.2.3

Formulaci del Control Predictivo Generalizado on Ejemplo de c lculo a Caso multivariable

::::::::::::::::::::::::::: ::::::::::::::::::::::::::: ::::::::::::::::::

::::::::::::::::::::::::::: :::::::::::::::::::::::::::: ::::::::::::

T cnicas de busqueda de soluciones factibles e

:::::::::::::::::::::::::: ::::::::::::::::::::::::: :::::::::::::::::::: :::::::::::::::::: ::::::::::

Diferencias respecto al m todo lineal e Fundamentos te oricos

Problem tica asociada al NMPC a Modelos

Otras formulaciones del problema

Resoluci del problema. Productos comerciales on Necesidades futuras

Tendencias actuales en control de procesos

1983 Retardo Perturbaciones Interacci on Respuesta Estabilidad

1989 Retardo Interacci on Perturbaciones Cambios No lineal

1995 Interacci on Perturbaciones Retardo Cambios No lineal

Tabla 1.1: Principales problemas de control

Tendencias actuales en control de procesos

MPC Retardo Borroso

Adaptativo Neuronal Hoo LQ F. Kalman Deslizante Desacoplo Auto ajuste

1.2 Perspectiva hist orica

1.3 Situacion actual

1.4 Conceptos b sicos de control predictivo a

Estrategia de los controladores

1.5 Estrategia de los controladores

la notaci indica el valor de la variable en el instante t + k calculado en el instante t. on

Estrategia de los controladores

Entradas y salidas pasadas

Tema 2 Controladores predictivos

Este m todo presenta las mismas ventajas e inconvenientes que el anterior. e

A(z;1 )y(t) = B (z;1 )u(t) b1 z;1 + b2 z;2 +

anaz;na ;nb + bnb z

Por tanto la predicci vendr dada por on a

B (z;1 ) u(t + k j k) y(t + k j t) = A(z;1 )

respectivamente. Para este modelo la predicci viene dada por on

u(t) = uf (t) + uc(t)

u(t ; j ) para j = 1 2 u(t ; 1) para j = 0 1

1 2 u(t + j ) ; u(t ; 1) para j

Figura 2.2: Respuestas libre y forzada

j y(t + j j t) ; w(t + j )]2 +

w(t + k) = w(t + k ; 1) + (1 ; )r(t + k) k = 1 : : : N

r(t+k) w1(t+k) y(t)

Figura 2.3: Trayectoria de referencia

umin dumin ymin

u(t) u(t) ; u(t ; 1) y(t)

umax dumax ymax

Revision de los principales algoritmos

Obtenci de la ley de control on

2.2 Revision de los principales algoritmos

n(t + k j t) = n(t j t) = ym(t) ; y(t j t)

j j Cyi y(t + k j t) + Cuiu(t + k ; i) + cj

ym(t) ; y(t j t))

Revision de los principales algoritmos

y(t + hj ) ; w(t + hj )]2

N P h (k) w(t + k) ; P (z;1)y(t + k j t)] k u(t) = k=d N P (k)h2