Prof.

Cesar de Prada, ISA, UVA 1

Modelado de procesos
Prof. Cesar de Prada
Dpt. Ingeniera de Sistemas y Automtica
Univ. De Valladolid
Prof. Cesar de Prada, ISA, UVA 2
Modelos
Representacin aproximadas de la realidad
Abstraccin: Incluimos solo aquellos aspectos
y relaciones que son de inters.
Modelos fsicos, cualitativos, cuantitativos,
Usos de los modelos: diseo, entrenamiento,
que pasa si., decisiones,...
Como generarlos, resolverlos, utilizarlos,
validarlos?
Prof. Cesar de Prada, ISA, UVA 3
Qu es un modelo matemtico?
Conjunto de ecuaciones que relacionan las
variables de inters del proceso y representan
adecuadamente su comportamiento
Siempre son aproximaciones de la realidad
Distintos modelos para distintos objetivos y
tipos de procesos
Compromiso entre facilidad de uso y
exactitud
Prof. Cesar de Prada, ISA, UVA 4
Representacin adecuada
Proceso
u
tiempo
y
tiempo
Modelo
y
m
tiempo
Prof. Cesar de Prada, ISA, UVA 5
Procesos continuos y de eventos
discretos
q
h
Procesos continuos:
Las variables evolucionan
continuamente en el tiempo
y pueden tomar cualquier
valor en un rango dado
Procesos de eventos:
Las variables solo cambian
en instantes discretos
y pueden tomar solo un
nmero finito de valores
Prof. Cesar de Prada, ISA, UVA 6
Procesos Continuos / Eventos
Procesos Continuos
Descritos principalmente por DAEs o PDE.
Inters fundamental: la trayectoria de algunas
variables
Procesos de eventos discretos
Descritos principalmente por secuencias de
actividades.
Inters fundamental: el comportamiento
estadstico de algunas variables.
Prof. Cesar de Prada, ISA, UVA 7
Modelos estticos y dinmicos
q
h
A
d h
d t
q k h =
q k h =
Modelo esttico:
Relaciona las variables en un
estado de equilibrio
Modelo dinmico:
Relaciona las variables a
lo largo del tiempo
Prof. Cesar de Prada, ISA, UVA 8
Respuesta dinmica
tiempo
q
h
Prof. Cesar de Prada, ISA, UVA 9
Modelos estticos y dinmicos
Modelos estticos
Representan situaciones de equilibrio
Descritos mediante ecuaciones algebraicas
Orientados a diseo
Modelos dinmicos en tiempo continuo
Representan la evolucin temporal
Descritos mediante DAE y PDE
Uso mas general: control, entrenamiento,...
Prof. Cesar de Prada, ISA, UVA 10
Modelos para control por
computador
Proceso Ordenador A/D
D/A
y(kT)
u(kT)
modelos en tiempo discreto
deben relacionar las variables de entrada y salida
en los instantes de muestreo kT
Prof. Cesar de Prada, ISA, UVA 11
Como obtener modelos?
Mediante razonamientos,
usando leyes de fsicas,
qumicas, etc
Mediante experimentacin
y anlisis de datos
Prof. Cesar de Prada, ISA, UVA 12
Modelos de conocimiento
Se obtienen mediante razonamientos y la
aplicacin de principios de conservacin de
masa, energa, momento, etc. y otras leyes
particulares del dominio de aplicacin
Tienen validez general
Requieren conocimiento profundo del
proceso y de las leyes fisico-qumicas
Prof. Cesar de Prada, ISA, UVA 13
Identificacin
El modelo se obtiene a partir de
datos experimentales de
entrada-salida del proceso
t
t
Y
U
U
Y
Proceso
Modelo
Prof. Cesar de Prada, ISA, UVA 14
Modelos de conocimiento
Metodologa de modelado:

Establecer los lmites y objetivos del modelo
Establecer las hiptesis bsicas
Escribir las ecuaciones usando leyes de
conservacin y del dominio de aplicacin
Estimar el valor de los parmetros
Validar el modelo
Prof. Cesar de Prada, ISA, UVA 15
Tipos de modelos
Parmetros concentrados
Parmetros distribuidos
No-lineales
Lineales
Tiempo
Frecuencia
.
Prof. Cesar de Prada, ISA, UVA 16
Conservacin de masa
Acumulacin de masa en el sistema por unidad de tiempo =
Masa que entra al sistema por unidad de tiempo -
Masa que sale del sistema por unidad de tiempo -
Masa que se genera en el sistema por unidad de tiempo -
Masa que se consume en el sistema por unidad de tiempo -
C G F F
t d
m d
0 i
+ =
m
F
i
F
0

G C
Prof. Cesar de Prada, ISA, UVA 17
Ejemplo: Depsito
Conservacin de masa

Acumulacin=
flujo entrada q - flujo salida F
m masa en el depsito
A seccin del depsito
densidad, k constante
q
h
F
h k q
t d
h d
A
h k F gh p p
p p Sk Sv F h A m
F q
t d
m d
0 1
0 1 1
=
= + =
= = =
=
p
0

p
1

Prof. Cesar de Prada, ISA, UVA 18
Ejemplo: Depsito
Conservacin de masa

Acumulacin=
flujo entrada q - flujo salida F
m masa en el depsito
A seccin del depsito
densidad, k constante
q
h
F
Ecuacin diferencial
no-lineal
Ah V h k q
t d
h d
A
h k F h A m
F q
t d
m d
= =
= =
=
Ecuacin
algebraica
Prof. Cesar de Prada, ISA, UVA 19
Modelos en variables de estado
) t ), t ( u , x ( g ) t ( y
) t ), t ( u ), t ( x ( f
dt
) t ( x d
=
=
Variables
manipuladas y
perturbaciones
Respuestas
observables
u
y
x
x Estados
Prof. Cesar de Prada, ISA, UVA 20
Causalidad
q
h
F
Causalidad fsica
q h F
h k F
F q
t d
h d
A
=
=
Causalidad
computacional
q h F
La causalidad fija el uso
del modelo
Prof. Cesar de Prada, ISA, UVA 21
Hiptesis
q
h
F
q
h
F
c
i

c
Fc qc
t d
Vc d
i
=
Mezcla perfecta Flujo pistn
)
F
V
t ( c )
Av
Ah
t ( c )
v
h
t ( c ) t ( c
i i i
= = =
Prof. Cesar de Prada, ISA, UVA 22
Formulacin
q
h
F
c
i

c
) c c ( q
t d
c d
V
Fc qc ) F q ( c
t d
c d
V
Fc qc
t d
V d
c
t d
c d
V
V
Vc
c
F q
t d
V d
Fc qc
t d
) Vc ( d
i
i
i
i
=
= +
= +
=

=
=
Mezcla perfecta
constante
Prof. Cesar de Prada, ISA, UVA 23
Computabilidad
q
1

h
1

F
1

h
2

F
2

0 q h h 0 h h ) h h sgn( k F
h k F ? h h h h k F
F F q
dt
dh
A F q
dt
dh
A
i max i 2 1 2 1 1 1
2 2 2 2 1 2 1 1 1
2 1 2
2
2 1 1
1
1
> s s =
= < =
+ = =
q
2

Leyes +
restricciones
Prof. Cesar de Prada, ISA, UVA 24
Reactor Qumico Isotermo
Reactor
FT
AT
Productos
Materia prima
Reaccin:
A
A, B
A B
Prof. Cesar de Prada, ISA, UVA 25
Modelo Matemtico
A B
F
C
A
C
B
T
C
Ai
, T
i
Producto A
Balance msico del producto A
Balance msico del producto B
Hiptesis:
Mezcla perfecta en el reactor
Temperatura T constante
Volumen constante V
V
d c
d t
Fc Fc Vke c
A
Ai A
E
RT
A
=

V
d c
d t
Fc Vke c
B
B
E
RT
A
= +

Prof. Cesar de Prada, ISA, UVA 26
Presin en un recipiente
2
f
2
v i
2
f
2
v i i
p p aC F
t d
p d
RT
VM
isotermo que tan RT
M
p V m
p p aC F F F
t d
m d
=

= =
= =
F
i

F
a
p
p
f

Prof. Cesar de Prada, ISA, UVA 27
Conservacin de energa
T temperatura, V voltaje
m masa en el depsito
H entalpia, c
e
calor especfico
A seccin del depsito
densidad, R resistencia
q
Ecuacin diferencial no-lineal
R c
V
) T T ( q
t d
T d
Ah
Ah m T c H si

R
V
H q H q
t d
) mH ( d
e
2
i
e
2
i

+ =
= =
+ =
V R
T
Hiptesis:
T uniforme en el depsito
Aislamiento perfecto
densidad constante
T
i

Prof. Cesar de Prada, ISA, UVA 28
Conservacin del momento

=
=
i
2
2
i
F
t d
x d
m
F
t d
) mv ( d
x
m
F Sistema de
referencia

=
u
=
e
i
2
2
i
T
t d
d
I
T
t d
) I ( d
Prof. Cesar de Prada, ISA, UVA 29
Vehiculos acoplados
x
m
F
M
f
k
y
)
dt
x d
dt
y d
( f ) L x y ( K
dt
x d
m
)
dt
x d
dt
y d
( f ) L x y ( K F
dt
y d
M
2
2
2
2
+ =
=
K coef. resorte
f coef. friccin
viscosa
sin friccin de
deslizamiento
sin resistencia
del aire
Prof. Cesar de Prada, ISA, UVA 30
Grua unidimensional
F
u
mg
L
x
Modelar la posicin de la masa m y el carro M
respecto al sistema de referencia
m
posicin de la masa M: x
posicin de la masa m :
x + L sen u
Dos grados de libertad: x, u
Friccin viscosa
Sin friccin de deslizamiento

M
Prof. Cesar de Prada, ISA, UVA 31
Grua unidimensional
F
u
mg
L
x
m
Conservacin de la cantidad de
movimiento del carro y la masa
m en la direccin x
dt
x d
f F
dt
d
mLsen
dt
d
cos mL
dt
x d
) m M (
dt
x d
f F
dt
) Lsen x ( d
m
dt
x d
M
2
2
2
2
2
2
2
2
2
=
|
.
|

\
|
u
u
u
u + +
=
u +
+
M
Se necesita otra ecuacin para u
Prof. Cesar de Prada, ISA, UVA 32
Grua unidimensional
F
u
mg
L
x
m
Conservacin del momento
angular referido a unos ejes
moviles asociados al eje de la
grua
L cos
dt
x d
m L mgsen
dt
d
) mL I (
2
2
2
2
2
u u =
u
+
M
Respecto a los ejes fijos, aparece
una aceleracin - d
2
x/dt
2
en
direccin horizontal
u
2
2
dt
x d
m
u
dt
x d
f F
dt
d
mLsen
dt
d
cos mL
dt
x d
) m M (
2
2
2
2
2
=
|
.
|

\
|
u
u
u
u + +
Prof. Cesar de Prada, ISA, UVA 33
q
Ap
v
a
h
Ap
0
gh q )
A
fL
C a
1
(
p
t d
q d
A
L
Av q AL m q
C a
1
p
g Ah v AfL p A p A
t d
mv d
2
2 2
v
2
0
2
2
v
2
v
2
v 0
+

A
=
= = = A
A A =
Flujo en una tuberia
Conservacin de
cantidad de
movimiento
Ecuacin
diferencial
no-lineal
Prof. Cesar de Prada, ISA, UVA 34
Motor CC
e
L R
V
Excitacin
independiente
e + + =
e =
u
e =
e
2
1
k
t d
I d
L RI V
t d
d
T f I k
t d
d
J
I
T par externo
k
2
e f.c.e.m
T
Prof. Cesar de Prada, ISA, UVA 35
Circuitos
L R
1

V
E
C
R
2

I
1

I
2

I
1
-I
2

2 2 1 2 1
2 2 1 2 1
1
1 1
R ) I I ( dt ) I I (
C
1
E
R ) I I ( dt ) I I (
C
1
t d
I d
L R I V
+ =
+ + + =
}
}
Prof. Cesar de Prada, ISA, UVA 36
Proceso distribuido
Ax
T
i
T
i+1
T
i-1

T
s

F
Se divide el proceso en celdas de ancho Ax en las que
T pueda considerarse uniforme
Balance de energia en un elemento
Limite cuando Ax 0
T(x,t)
x
Prof. Cesar de Prada, ISA, UVA 37
Proceso distribuido
Ax
T
i
T
i+1
T
i-1

T
s

F
T(x,t)
e
s
2
e
s i
0 x
i 1 i
0 x
2
i
0 x
e
s i i 1 i
2
i
s i i e 1 i e
i e
2
c r
) T ) t , x ( T ( U 2
x
) t , x ( T
r
F
t
) t , x ( T
c r
) T T ( U 2
lim
x
) T T (
lim
r
F
t d
T d
lim
c r
) T T ( U 2
x
) T T (
r
F
t d
T d
) T T ( xU r 2 T c F T c F
t d
T c x r d

c
c
t
=
c
c

t
=

t
=
A t =
A t
A

A A

r
Prof. Cesar de Prada, ISA, UVA 38
Modelos de conocimiento
Formados por conjuntos de ecuaciones
diferenciales y algebraicas frecuentemente
no lineales
Utiles para muchos fines
Requieren ciertos conocimientos
Dificiles de manipular matemticamente
Se resuelven mediante simulacin
Prof. Cesar de Prada, ISA, UVA 39
Modelos linealizados
Aproximaciones lineales de las ecuaciones
no-lineales
Mas fciles de manipular matemticamente
pero su rango de validez es limitado
h k q
t d
h d
A = h q
t d
h d
A A o A | =
A
Prof. Cesar de Prada, ISA, UVA 40
Linealizacin
Desarrollo en serie de Taylor sobre un punto de
operacin u
0
, y
0
, z
0
, .
... ) z z (
z
f
) y y (
y
f
) u u (
u
f
) z , y , u ( f ) z , y , u ( f
0 ) z , y , u ( f 0 ) z , y , u ( f
0
0
0
0
0
0
0 0 0
0 0 0
+
c
c
+
c
c
+
c
c
+ =
= =
z z z y y y u u u 0 z
z
f
y
y
f
u
u
f
0 0 0
0
0
0
= A = A = A = A
c
c
+ A
c
c
+ A
c
c
Ecuacin lineal en las nuevas variables Au, Ay, Az
Prof. Cesar de Prada, ISA, UVA 41
Modelo Linealizado del Depsito
q
h
F
Ecuacin diferencial lineal
0 q h
h 2
k
dt
h d
A
1
q
f

h 2
k
h
f
A
h
f
0 ) q q (
q
f
) h h (
h
f
) h h (
h
f
q , h , h 0 ) q , h , h ( f
0 h k q
t d
h d
A
0
0
0 0 0
0
0
0
0
0
0
0 0 0
= A A +
A
=
c
c
=
c
c
=
c
c
=
c
c
+
c
c
+
c
c
=
= +

Variables desviacin
Ah = h - h
0

Aq = q - q
0

Prof. Cesar de Prada, ISA, UVA 42
Modelo Linealizado del Depsito
q
h
F
El valor de los coeficientes depende del punto
de linealizacin
k
h 2
K
k
h 2 A
q K h
dt
h d
q
k
h 2
h
dt
h d
k
h 2 A
0 q h
h 2
k
dt
h d
A
0 0
0 0
0
= = t
A = A +
A
t
A = A +
A
= A A +
A
Variables desviacin
Ah = h - h
0

Aq = q - q
0

Prof. Cesar de Prada, ISA, UVA 43
Modelos linealizados
t
t
Y
U
U
0
U
Y
0
Y
las variables u e y son
cambios sobre un punto de
operacin U
0
, Y
0
El rango de validez est limitado a un entorno del punto de
operacin
Proceso
) t ( Y ) t ( Y ) t ( y
) t ( U ) t ( U ) t ( u
0
0
=
=
Prof. Cesar de Prada, ISA, UVA 44
q
Ap
v
a
h
Ap
0
0 ) a a (
a
f
) ) p ( p (
p
f
) q q (
q
f
) q q (
q
f
0 ) a , p , q , q ( f
gh q )
A
fL
C a
1
(
p
t d
q d
A
L
0
0
0 0 0
0
0
0
0
0
0
0
2
2 2
v
2
0
=
c
c
+ A A
A c
c
+
+
c
c
+
c
c
= A
+

A
=

Flujo en una tuberia

Ecuacin
diferencial
no-lineal
Prof. Cesar de Prada, ISA, UVA 45
Modelo linealizado del flujo
a K ) p ( K q
t d
q d

] a q
C a
2
) p ( [
q 2 )
A
fL
C a
1
(
1
q
t d
q d
q 2 )
A
fL
C a
1
(
L
A
1
] a q
C a
2
q q 2 )
A
fL
C a
1
(
) p (
[
L
A
t d
q d
] gh q )
A
fL
C a
1
(
p
[
L
A
t d
q d
2 0 1
0
2
2
v
3 0
0
2 2
v
2
0
2 2
v
2
0
2
2
v
3
0
2 2
v
2
0
2
2 2
v
2
0
A + A A = A +
A
t
A
)
`

+ A A
)
`

+
=
= A +
A
)
`

+
A
)
`

+ A
)
`

A A
=
A
+

A
=
Prof. Cesar de Prada, ISA, UVA 46
Cambios del punto de operacin
0
2
2
v
2
2
v
2
2
0
2 2
v
2
2 0 1
)
A
C fLa
1 C a ( a
q
K
q 2 )
A
fL
C a
1
(
L
A
1
a K ) p ( K q
t d
q d

+ + |
=
)
`

+ + |
= t
A + A A = A +
A
t
q
t
t crece en puntos de operacin
con apertura alta
K
2
decrece en puntos de
operacin con apertura alta
Prof. Cesar de Prada, ISA, UVA 47
Modelo linealizado
q
0 ) V V (
V
f
) q q (
q
f
) T T (
T
f
) T T (
T
f
0 ) V , q , T , T ( f
cte. h y T si
R c
V
) T T ( q
t d
T d
Ah
0
0
0
0
0
0
0
0
i
e
2
i
=
c
c
+
c
c
+
c
c
+
c
c
=
=

+ =

V R
T
T
i

V
R c
V 2
q ) T T ( T q
t d
T d
Ah
e
0
0 i 0
A

+ A + A =
A
V K q K T
t d
T d
V
Rq c
V 2
q
q
) T T (
T
t d
T d
q
Ah
2 1
0 e
0
0
0 i
0
A + A = A +
A
t
A

+ A

= A +
A
Prof. Cesar de Prada, ISA, UVA 48
Semejanza formal
q
V R
T
T
i

V K q K T
t d
T d
2 1
A + A = A +
A
t
q
Ap
v
a
h
Ap
0
a K ) p ( K q
t d
q d
2 0 1
A + A A = A +
A
t
Prof. Cesar de Prada, ISA, UVA 49
Modelo en variables de estado
(

A
A
|
.
|

\
|
+
(

A
A
|
.
|

\
|
=
(

A
A
Ai 21
12 11
B
A
22 21
11
B
A
c
F
0 b
b b
c
c
a a
0 a
c
c

F b c a c a
t d
c d
21 B 22 A 21
B
A + A + A =
A
Ai 12 11 A 11
A
c b F b c a
t d
c d
A + A + A =
A
( )
(

A
A
= A
B
A
B
c
c
1 0 c
Cx y
Bu Ax x
=
+ =