UAM0073

Tesis de maestra titulada:
"Control Predictivo de Procesos Qumicos con Estimacin de Error de Modelado rr
presentada por:
Ilse Cervantes Camacho

Ingeniero Qumico
Asesor:
Dr. Jos de Jess lvarez Ramrez
Departamento de Ingeniera de Procesos eHidrulica Divisin de Ciencias Bsicas e Ingeniera Universidad Autnoma Metropolitana - Iztapalapa Av. Michoacn y Pursima s/n, col. Yicentina, C.P. 09340, Mxico, D.F., Mxico
I998
Prefacio
La presente tesis trata el problema de control predictivo de procesos de modelado) en lnea. qumicos con control
estimacin de incertidumbres (errores
La entrada de
predictivo es la solucin de un problema de optimizacin con restricciones. En &e, se minimiza una funcin objetivo restringida a la dinmica del sistema y a las limitaciones del actuador de control. Esta hncin objetivo (ndice de desempeo) consta de dos partes, una en donde se penalizan los movimientos de control y otra en donde se penaliza la desviacin de la referencia. Con base en simulaciones se definen reglas de sintonizado basadas en la existencia de dos parmetros fbndamentales que afectan dramticamente el desempeo y la estabilidad del lazo de control: El horizonte de prediccin y el costo del control.
La aportacin principal de la presente tesis es la del desarrollo de estrategias de estimacin de errores de modelado (incertidumbres) con las que se pueda robustecer la ley de control predictivo, Con este fin, se propusieron dos esquemas de estimacin de incertidumbres para plantas de una entrada y una salida: La aplicacin de estos esquemas depende del grado relativo del sistema. La primera estrategia se desarrolla para plantas de grado relativo uno y est basada en un estimador discreto. En ella, se aprovecha la cualidad de estos sistemas de ser afectadosdirectamente por las incertidumbres, para proponer una funcionalidad explcita de las incertidumbres y reconstruirlas a partir de mediciones de la salida. La segunda estrategia se desarrolla para sistemas de grado relativo mayor y
linealizables (total o parcialmente) por retroalimentacin. En &os, es posible desarrollar un estimador de incertidumbresbasado en observadores lineales queadems provea un estimado de las derivadas de la salida. Los observadores presuponen incertidumbre aditiva
y acotada. La estimacin de incertidumbres robustece
la ley de Control Predictivo (CP),
insertando una accin integral al lazo de control.
I1
."
Se desarrolla una tercera estrategia para robustecer el esquema de control predictivo al insertar una accin integral explcita en el ndice de desempeo. El trmino que incluye la accin integral en la funcin objetivo puedeinterpretarse como el correspondientea la inclusin de una restriccin activa sobre el valor integral del error de seguimiento. Esta restriccin puede producir inestabilidades o pobre desempeo para sistemas inestables, debidoprincipalmenteaqueesta ley de control contiene trminosque involucran el comportamiento de la planta a lazo abierto (de Oliviera y Biegler, 1994). Los resultados encontrados para sistemas de una entrada y una salida pueden ser extendidos a sistemas mltiple entrada y mltiple salida haciendo consideraciones menores. Se utilizan reactoresdetanqueagitado,qumicos
y biolgicos; as como columnas de
destilacin e intercambiadores de calor para probar la robustez del algoritmo de control con estimacindeincertidumbres.Entodosestos simulaciones numricas. casos, laspruebas se hicieron mediante
El desempeo estas leyes de control se puede calificar de muy
satisfactoria en la mayora de los casos, siendo excepciones los sistemas asociados con problemas de control mal condicionados y los sistemas inestables de orden relativo mayor que uno, los cuales pueden resultar en controladores inestables o de pobre desempeo. El manuscrito est organizado de la siguiente manera, en el Captulo I se muestra la motivacin de la presentetesis con base en las necesidades de una creciente industria competitiva y en las deficiencias del control comercial. Se plantea la necesidad de
construir controladores robustos que puedan cotrarrestar una gran gama de incertidumbres. Se presenta tambin una revisin bibliogrfica de los artculos de control predictivo que tratan el problema de robustez del control predictivo anteerroresdemodelado. En el
Captulo I1 se presentan las herramientas tericas y se desarrollan de algoritmos de control predictivo con estimacin deerrorde modelado y con accin integral explcita, para mltiple salida, y se discuten las sistemas de una entrada y una salida. As tambin, se revisa la extensin de los algoritmos propuestos a sistemas de mltiple entrada y consideraciones adicionales que se requieren para cada esquema.
I11
En el Captulo I11 se presentan los casos de estudio en los cuales se pretende ejemplificar losesquemas de control propuestos en el captulo 11. La eleccin de los ejemplos se justifica en cada caso. En el Captulo IV se muestra la implementacin (mediante simulaciones numricas) de las estrategias de control predictivo con estimacin de incertidumbres a los casos de estudio del captulo 111. Se desarrollan reglas de
sintonizacin para el esquemade control predictivo y para el esquemade control con accin integral explcita. Se discute para todos los esquemas las ventajas y desventajas de algoritmos propuestos.Finalmente enel Captulo V, se recapitula el material mediante
algunas conclusiones y posibles lneas de investigacin futuras.
IV
ndice
Prefacio
II
Capitulo I. Introduccin
I.1
Motivacin Estado del Arte del Control Predictivo
1
5
1.2
I. Objetivos 3
10
Captulo II. Mtodos Tericos

II,I
Idea General del Control Predictivo Formulacin Matemtica del Problema de Control Predictivo
I1
II.2
1 1 . 3
14
16
Esquemas de Control Predictivo con Estimacin de Errores de Modelado

II.3.1 Reconstruccin de Incertidumbres Basada
en un Estimador Discreto
II.3.2 Reconstruccin de Incertidumbres Basada
17
19
en un Estimador Continuo
11.4
11.5
Control Predictivo con Accin Integral Explcita Revisin de la Estabilidad de la Ley de Control Predictivo 23 Revisin de la Extensin a Sistemas de
y Salidas Mltiples Entradas 25
21
II.6
Captulo III. Casos de Estudio

III. I Reactor Biolgico
III.2 Reactor Qumico III.3 Intercam biador de Calor
M .
28 31 32 34
4 Columna de Destilacin
Captulo IV Resultados
IF I
Requerimientos de Cmputo (Hardware y Software) 38 40 40 44 44 44 46 48
IV.2 Detalles de las Simulaciones

I F 3 Sintonizacin
I V.4 Estimacin de Incertidumbres
IK4.1 Reconstruccin de Incertidumbres con base en un Estimador Discreto

I K 4.I - 1 I V.4.1-2
Reactor Biolgico Reactor Qumico Columna de Destilacibn
IV. 4.1-3
VI
I K 4.2 Reconstruccin de Incertidumbres Basada
Continuo en un Observado
N.5
50
Control Predictivo con Accin Integral Explcita IV. 5.1 Reactor Biolgico
IK5. I Reactor Qumico
53
54 55
I V.6 Algunas Reflexiones sobre Control Predictivo

I Y.6.I Control Predictivo en Sistemas
56
con mcis entradas que salidas I?! 6.I Comparacin del Control Predictivo
Clhsico contra un Controlador
56
58
Captulo V: Conclusiones
?! I
Logros y Conclusiones Trabajo Futuro
61
K2
63
64
68
Bibliografla Apndice I.
Valores Numricos delas Constantes Utilizadas en las Simulaciones
Apndice 1 1 . Algoritmo de Optimizacin Multivariable de

Mtrica Variable Davidson-Fletcher-Powell
70
Captulo I Introduccin
Captulo I. Introduccin
En este captulo se presenta la motivacinde esta tesis con base en las necesidades de una creciente industria competitiva y en las deficiencias de los algoritmos de control comercial. Se plantea la necesidad de desarrollar controladores robustos para asegurar un buen desempeo de planta a pesar de la existencia de error de modelado. Adems se plantean algunas de lasventajasquebrinda del arte en control predictivo y con base en Sta se presente tesis. el control predictivo dentro del contexto terico e industrial. Se hace una revisin del estado plantean los objetivos de la
I. 1
Motivncin
El desarrollo industrial de las ltimas dcadas ha traido consigo mercados ms exigentes y competitivos. Actualmente para asegurar la venta de un producto, ste debe cumplir con ciertas normas de calidad pero adems, una planta qumica debe cumplir con otros
requerimentos durante su operacin, los cuales pueden estar relacionados con la seguridad del personal, con su operacin ptima o con la preservacin del medio ambiente. A continuacin comentamos algunos (Stephanopoulos, 1984):
1. Especificaciones del Producto. Frecuentemente se
requieren productos en una
cantidad fija mnima y con una cierta pureza.
segura 2. Seguridad. La operacin ininterrumpida.
3. Leyes Ambientales.
de una planta es de los requerimentos
ms
importantes ya que asegura la integridad fisica de los empleados y una produccin Las cuales pueden estar impuestas sobre temperaturas,
a
composiciones y flujos de las corrientes de desecho.
4 . Restricciones Impuestas
que las bombastrabajen
la Operacin de la Planta. Por ejemplo, el que la

para evitar
temperatura del reactor no exceda cierto lmite, para no destruir el catalizador; el con flujosquetenganciertacomposicin cavitacin, o ruptura de alguna de sus partes.
5. Restricciones Econdmicas. Estas restricciones son generalmente impuestas para
asegurar un costo mnimo de operacin y un mximo de utilidad.
Para cumplir con estas restricciones

una correcta operacin de
es necesario disear controladores que garanticen
la planta. De aqu surge el problema tcnico de como diseiiar
tal controlador. Existen tresnecesidades que un controlador debe satisfacer:
m m
e
Reducir los efectos de las perturbaciones externas. Asegurar la estabilidad del proceso. Optimizar el desempeo del proceso.
Una de las cualidades ms importantes que se buscan en un controlador es su robustez; es decir, quetenga un buen desempeo bajo una grangamadecondicionesde operacin
(perturbaciones externas). En vista de que el controlador es diseado basado en un modelo de la planta, tambin es deseable que tenga un buen desempeo a pesar de incertidumbres paramtricas y dinmica no modelada. Las incertidumbres paramtricas se refieren a las variaciones de los parmetros del modelo de la planta, que ocurren cuando las condiciones de operacin cambian. La dinmica no modelada es debida generalmente a la dinmica de
los actuadores de control. En la Figura 1 se muestra la esquematizacin de los factores que
afectan el desempeo de un controlador.
Dentro de las estrategias de control cada vez ms usadas en procesos qumicos y que tienen el potencial de cumplir con los requerimentos anteriores estn las las cuales son estrategias discretas que cuenta con varias cualidades que de control predictivo;
t, y
garantizan un control ptimo a cada tiempo
hasta un horizonte de control Q, (u(t), u(t+ I),u( t+2),...u( t+Q))?. El control predictivo lo hacen una opcin de control cada vez ms popular (Richalet et al. 1993; Ogunnaike, 1994; Deshpande et al. 1995):
Su estructura lo hace verstil para adaptarse a las necesidades de una industria que cambia rpidamente.
El esquema de control predictivo es de fcil comprensin al personal de la planta.
Los sistemas de fase no mnima se pueden manejar ms fcilmente definiendo un horizonte de prediccin mnimo.
Los tiempos de retardo se manejan explcitamente.
Las restricciones a los estados explcitamente.
y a las variables manipuladas
son manejadas
El cambio de referencia se hace de manera explcita.
La ley de control predicitivo esfcilmentesintonizable verstil para cumplir restricciones de operacin.
y su estructura lo hace
Los casos de control de sistemas MEMS (mltiple entrada,

pueden manejar de manera ms simple e independiente.
mltiple salida) se
Vea el Captulo 11, Mtodos Tericos de este documento.
Captulo 1. Introduccin
Perturbaciones medidas
Dinmica de Carga
Perturbaciones no medidas
Captulo 1. Introduccin
1.2
Estado del Arte del Control Predictivo
Desde que Newton et al. (1957) utilizaron por primera vez una estructura similar al control predictivo, para calcular un control ptimo de norma difundida. Sin embargo, fue hasta finales conoci como tal. Richalet (1978) da a conocer lo que I llam ModelPredictiveHeuristic nombre que utiliz para denominar el control ptimo queminimizabacierto desempeosujetoa la dinmicadeunsistema lineal estable.Cutler
X i ,
la idea ha sidoampliamente
de los setentas cuando el control predictivo se
Control,
ndice de
y Ramaker (1979)
minimizaron este ndice de desempeo sujetoa la dinmica de entrada-salida de un sistema estable. Esta tima es producto de la caracterizacin del sistema a partir de una
perturbacin en escaln de la entrada. A esta estrategia se le denomin Dinamic Matrix
Control (DMC).
Actualmente existe gran cantidad de algoritmos de control predictivo:
MAC (Model
Algorithmic Control), IdCom (Ident2fcation and Command), GMAXC (Goal Maximizing Controler), GPC (Generalized Predictive Control). No fue sino hasta 1982 que Garcia y
Morari mostraron por primera vez que estos algoritmos eran estructuralmente similaresf.
Existen varas aplicaciones experimentales e industriales
del control predictivo reportadas
en la literatura (Banerjee y Shah, 1995; Norquay etal. 1997). Porotra parte, Richalet
(1993) muestra la implementacin de un esquema de control predictivo en dos aplicaciones
industriales:unacolumnade
destilacin y unatorre mecnica vollow-up servo turret).
Ambasaplicaciones muestran resultadosfavorablesancuando basados en modelos lineales
los controladores estn

y de modelado.
y existen incertidumbres paramtricas
Ogunnaike (1994) trata el problema de desarrollo eimplementacinde
un esquema de
Todos estos algoritmos minimizan una funcin de desempeo sujeta a restricciones, las variaciones de uno a otro pueden estar en el tipo de modelo dinmicoque utilizan y/o en la estructura de la funcin objetivo.
Captulo I. Introduccin control predictivo en un reactor de polimerizacin. El sistema cuenta con varios estados que no son accesibles mediante medicin y se hace uso de estimadores de estados calcular la ley de control. El autor seala las bondades del uso con sensible diferencia (1 Smin y Zhrs). para
del esquema de control
predictivo en este tipo de sistemas, en los que las mediciones de las salidas son obtenidas
El problema del desarrollo de controladores predictivos robustos ante
perturbaciones prctica y que estn
externas, paramtricasyde
modelado es un problema deimportancia la comprensindetodos
requiere de investigacin, ademsde involucrados.
los factoresque
(1991) Sistu y Bequette
muestran un esquema de estimacin de
incertidumbres en lnea basado enun observador a lazo abierto, para un sistema de fase mnima y que no presenta ruido de medicin. mediantesimulacionesnumricasquefunciona,
A pesar deque
los autores presentan
no recomiendan su aplicacin prctica.
Vuthandam et al. (1995) presentan un esquema de estimacin de perturbaciones en lnea para un sistema con igual nmero de entradas y salidas, para un algoritmo de control que est sujeto a restricciones. Dentro de estas restricciones est la de condicin final', la cual tiene un efecto estabilizante segnsus resultados. El autor establece condiciones suficientes para la estabilidad del sistema a lazo cerrado. Sarimveis et al. (1996) utilizan el mismo esquema de estimacin para sistemas con ms entradas que salidas. La solucin se propone en trminos de las soluciones a dos problemas de optimizacin, uno para el control y otro para su sintonizacin. Estos esquemas (Vuthandam et al., 1995; Sarimveis et al. 1996) son desarrollados exclusivamente para plantas estables. Por otro lado, Hrissagis et al. (1996) presentan un algoritmo de control sin restricciones para el cual el desempeo nominal se garantiza an cuando existen diferenciasentre la planta real y el modelo de referencia. La estrategia est basada en la parametrizacin de Youla de la ley de control, para la cual se conocen lineamientos de sintonizacin (Yoon y Clarke, 1995). El algoritmo es aplicable tanto a plantas estables como intestables pero tiene la desventaja de que ni la robustez, ni la estabilidad de la ley de control se aseguran cuando el control est acotado. La
estabilidad de laley de control predictivo es un tema que ha
x(M) = x,,f para M 2 m (m=horizonte de control)
sido objeto de mltiples estudios en los ltimos aos, sin embargo los resultados obtenidos son meramente parciales. Existen varios trabajos que algoritmos cuando son producto de tratan la estabilidad de estos
un problema sin restricciones, para sistemas lineales
(Kouvaritakis et al. 1992; Vuthandam et al. 1995) y para sistemas no lineales (Keerthi et al. 1988; Sistu y Bequette, 1996). No obstante, &os slo establecen condiciones suficientesde estabilidad nominal del sistema a lazo cerrado. No existen resultados sobre la estabilidad robusta de la ley de control predictivo.
El problema de la estabilidad nominal y robusta del problema de control predictivo con

restricciones (duras) es actualmente un problema abierto. Adems, se requiere de algoritmos ms rpidos y computacionalmente eficientes para solucionar el problema de optimizacin con restricciones y as hacer posible su aplicacin industrial. En el marco del problema de control predictivo con restricciones; de Oliveira y Biegler (1994) presentan condiciones de estabilidad nominal suficientes para un sistema lineal estable. Dentro de sus resultados muestran que la existencia de ciertas restricciones activas puede provocar que el sistema a lazo cerrado sea inestable, independientemente del valor que tengan parmetros de sintonizacin.
los
El sintonizado del control que asegure un desempeo robusto
de la planta es uno de los
temas esenciales en la implementacin de la ley de control predictiva. Sin embargo, aunque existe gran cantidad de literatura sobre el tema, la sintonizacin de estos esquemas sigue siendo con base en un procedimiento de prueba y error. Banerjee y Shah (1995) examinan el papel de los mtodos de procesamiento de seales en el diseo de controles predictivos robustos. Dentro de sus resultados presentan un anlisis del efecto de los parmetros ms importantes de sintonizado sobre la estabilidad del control predictivo: horizonte de control, horizonte de prediccin, costo de control y del modelo utilizado para calcular la ley de control. Sin embargo, no presentan un esquema claro de sintonizado. McIntosh et al. (1991), presentan tresesquemas de sintonizadode
GPC (Generalized
Predictive Control). La sintonizacin propuesta es realizada fera de lnea. Los autores
proponen sintonizar slo un parmetro y fijar todos los dems, con el fin de disminuir los
grados de libertad en el sintonizado del control. Estos parmetros de sintonizacin son el horizonte de prediccin y el costode control, y afectandirectamente la robustez y el
desempeo del sistema a lazo cerrado. Se muestra mediante simulaciones numricas que el esquema en donde se sintoniza el horizonte de control produce un buen desempeo an en plantas inestables, pero presupone un costo de control nulo. La sintonizacin del costo de control no tiene un buen desempeo en plantas inestables. Lee y Yu (1994), presentan lineamientos de sintonizacin de GPC en lnea y fuera de lnea
(in-line/ off-he). El esquema de sintonizado fuera de lnea presupone un costo de control

nulo y la eleccin del horizonte de control igual al horizonte de prediccin. Los horizontes se escogen tan grandes como sea posible (computacionamente). El esquema de sintonizado en lnea se basa en el conocimiento a priori de los valores de la funcin de sensibilidad complementaria, lo cual resulta en algunos casos no factible, adems tiene la desventaja de contar con un nmero grande de parmetros a sintonizar. Los autores lineamientosde muestran que los
sintonizacin propuestos por ellos pueden no ser recomendables para
sistemas mal condicionados.
Rani y Unbehauen (1997) presentan reglas de sintonizacin de algunos delos algoritmos de control predictivo que se encuentran en la literatura (Clarke et al. 1987; Clarke y Mohtadi, 1989; Banerjee y Shah,1992;McIntosh valores ptimos de sintonizacin
et al. 1991). Los autores presentan tablasde
con base en la minimizacin de una hncin de
desempeo cuadrtica. Sin embargo, los valores de la hncin objetivo pueden no reflejar en algunos casos el "buen o mal" desempeo del controlador,debidoaque objetivo es unmedidor del desempeo promedio del sistema. Con base enla la funcin revisin
anterior es posible establecer de manera resumida, varios temas de control predictivo que requieren de mayor investigacin.
En sistema lineales se requiere,
1. Procedimientosde
diseo que garanticen undesempeorobusto
de sistemas
perturbados paramtricamente y con errores de modelado (incertidumbres).
2. Procedimientosde sintonizado que garanticen desempeorobustode
sistemas
MEMS mal condicionados.

3. Estrategias que
garanticen buen desempeo a
pesar de incertidumbres
perturbaciones; adems de profbndizar en la comprensin de los factores que estn involucrados.
En problemas restringidos se requiere,

1. Mayor investigacin sobre los algoritmos de optimizacin a fin de hacerlos ms
eficientes y rpidos. Esto industria.
hara viable su implementacin en lnea en la
2. Procedimientos de diseo que garanticen un desempeorobustode perturbados paramtricamente Adems de algoritmos.
sistemas
y con errores de modelado (incertidumbres).
investigacin sobre la estabilidad nominal y robusta de estos
En sistemas no lineales se requiere,
1. Investigacin sobre la estabilidad y el desempeo nominal y robusto de estos sistemas.

2. Estrategias que garanticen buen desempeo pesar a
de incertidumbres y
perturbaciones. En sistemas no lineales con restriccionesse requiere,
1. Investigacin sobre la estabilidad y el desempeo nominal y robusto de estos
sistemas.
2. Estrategias que garanticen
buen desempeo a
pesar de incertidumbres y
perturbaciones.
1.3
Objetivos
mucho por hacer en el campo del control medida de lo posible, algunas modelado
Como se ha expresadoanteriormente,existe expuestos en la seccin anterior,
predictivo. Sin embago, no es tema de esta tesis abordar la solucin de todos los problemas sino realizar en la
aportaciones en elrubro
del controlpredictivo
con estimacin del errorde
(incertidumbres). Con este fin, se proponen los siguientes objetivos generales de esta tesis.
a)
Desarrollaresquemas
de control predictivo que incluyanestimacin
de se
incertidumbres para sistemasdeunaentrada

un buen
y unasalida.Conesto
pretende robustecer el algoritmo de control, de manera que se pueda obtener desempeodel control a pesar de errores de modelado.
b) Desarrollar reglas de sintonizado a partir de procedimientos sistemticos que aseguren el desempezo nominal y robusto del sistema a lazo cerrado. El desarrollo de tales reglas de sintonizado harafactible su aplicacin directa, tanto en el mbito industrial como a escala piloto.
c) Extender los esquemas de control con estimacin de incertidumbres
sistemasmltipleentrada tal extensibn.
y mltiplesalida (1MEizrls). Adems dediscutir
acerca de las posibles limitantes y consideraciones adicionales derivadas de
d) Ejernplykar el procedimiento de diseo de control en reactores agitados,
intercambiadores de calor y columnas de destilacin, estas ltimas asocia&s a un problema de control mal condicionado;y mostrar que la aplicacin del controlador es factible en todosestos casos.
10
Captulo 11
Mtodos Tericos

En este captulo se presentan los mtodos tericos utilizados en el desarrollo de algoritmosdecontrol predictivo queincluyenestimacindeincertidumbres.Se explica la idea general de control predictivo y se presenta el planteamiento del problema matemtico. Se proponen dos estrategias de estimacin de un estimadordiscreto incertidumbres:unabasadaen
y otra en un estimador
del gradorelativo del
continuo. La proposicin de talesestrategiasdepende
sistema. Se hace observar que la estimacin de incertidumbres inserta una accin integral en el algoritmo de control y se desarrolla un esquema que incluye una accin integral explcita en la funcin objetivo. Se presenta un anlisis sobre la estabilidad de los algoritmos de control y se hace observar que desarrollados para UEUS, pueden ser extendidosasistemas consideraciones menores.
los algoritmos
MEiMS haciendo
11.I Idea General del Control Predictivo

El control predictivo es de naturaleza discreta en tiempo (sistemas muestreados) y tiene como objetivo encontrar entradas de control u(?), u(t+ I) ,... u(t+Q), basado en valores de salida en hncin del tiempo t (mediciones), y(?) y anteriores y($"), y(t-2),... y(t-n) y en
entradas anteriores a t, u(t-I) u(t-2),... u(t-n). Es decir, el objetivo es encontrar la funcin que se muestra a continuacin,
u(t
+ i ) = f ( u ( t + i - I),u(t + i - 2)7...,y(t + i ) , y ( t + i - I),y(t+ i - 2)...)

(2.1)
11
Captulo H. Mtodos Tericos
La idea general de este control puede verse esquematizada en la Figura 2. Para obtener la funcionalidad de u(t+i) segn la ecuacin (2.l), se resuelve un problema de optimizacin a cadatiempo de muestre0 t. En ste, se minimiza un ndicededesempeosujetoa dinmica del proceso y a las limitacionesdel controlador. la
12
Captulo 11. Mtodos Tericos
Y referencia
Tiempo t
control afituro
Figura 2.
Esquematizacin de la idea central del control predictivo.
13

En general la estrategia de control predictivo tiene las siguientes caractersticas:
a)
La entrada de control es retroalimentada. Slo se aplica la entrada de control u(t) y las dems (u(t+I), u(t+2) ... u(t+Q) >se desechan. Esto permite tomar en cuenta perturbaciones futuras (cambios de point) ms all del tiempo de muestreo. set-
b)
c)
Es de naturaleza recursiva. Esto es, la entrada de control u(t) depende de entradas anteriores y en algunos casos la fbncionalidad de la ecuacin (2.1) puede
obtenerse explcitamente (Clarke, et al. 1987 McIntosh et al. 1991).
11.2 Formulacin Matemtica del Problema de Control Predictivo.

Como seexpresanteriormente, la entrada de control predictivoes la solucin deun
problema de optimizacin, en el cual se
minimiza una hncin objetivo sujeta a las
restricciones de la dinmica del sistema y a las limitaciones del actuador de control. En el problema estndar de control predictivo la funcin objetivo es cuadrtica y consta de dos partes principales, una en la que se penalizan los movimientos de control y otra en la que se penaliza la desviacin de la referencia. La idea de usar un criterio cuadrtico es heredado de la teora de control LQR (Goodwin es un problemaconvexo. funciones objetivos
y Sin, 1984), donde se tiene la ventaja de que el
problema de optimizacin resultante en muchos casos (y en particular, en sistemas lineales) Sin embargo, el planteamiento de control predictivo permite La formulacin matemtica que se muestra a
no cuadrticas.
continuacin se restringe al caso en donde existe slo una entrada y una salida de control. Adems debido a que la mayora de los sistemas en ingeniera qumica son no lineales, la discusin en la presente tesis se refiere slo a ellos, a menos que se diga explcitamente lo contrario.
14

La formulacin matemtica del problema estndar de control predictivo es la siguiente:
Sujeto a las rextricciones:

--=f'(X,U)
dt
u(i)=u(k+Q-1)
i>k+Q-1
(2.6)
donde
xEgn ;
u E 2%
; y
E 2% son
los estados del sistema, la entradade control y
l a salida regulada, respectivamente.
h es el costo de control, y es el costo asociado con el

i y u ( ( ) es la entrada
error de seguimientode
la salida, Q y P son los horizontes de control y prediccin,
respectivamente.Finalmente, y(i) es la salida predicha atiempo calculada a tiempo i.
La fincin objetivo (ecuacin (2.2)), penaliza losmovimientos del control mediante la asignacin de un costo de control h. En tanto mayor es el costo de control, menores y ms lentas son las acciones de control. La rapidez con que la salida converge a la referencia se contabiliza con el valor del peso del error de seguimiento. Se asume que el sistema (2.3), (2.4) tiene solucin dadas ciertas condiciones iniciales y
entradas de control u@. La representacin discreta de las ecuaciones (2.3) y (2.4) est dada
por el siguiente sistema de ecuaciones en diferencia:
15
La representacin discreta correcta del sistema continuo (2.3) y (2.4) deber ser aquella en la que el grado relativo del sistema discreto sea igual al del original, segn lo advierten Sistu y Bequette (1996).Los mencionados autores encontraron que para algunas tcnicas de discretizacin, el grado relativo del sistema no siempre se mantiene*. La discretizacin
(2.3) y (2.4), la cual conforma el sistema de prediccin de salidas futuras, jy(k), y(k+l) ...
y(k+P)}, puede realizarse
en forma exacta para sistemas lineales mediante
su
transformacin al dominio-z o en forma aproximada para sistemas no lineales mediante mtodos de integracin adecuados ( i e . Runge-Kutta)
113 Esquemas de Control Predictivo con Estimacin de Errores
de Modelado
En esta seccin se describirn algunos procedimientos
(incertidumbres)ensistemas para estimar errores de modelado
de una entrada y una salida. Adems, se mostrar como
acoplar tales procedimientos de estimacin al algoritmo estndar de control predictivo con el fin de obtener predicciones de la salida que sean ms cercanas a la realidad. En esta forma, se intenta introducircierta capacidad adaptiva en la ley de control.
El grado relativo de un sistema continuo se relaciona con el nmero de veces que se necesita derivar la
salida para que aparezca el control explcitamente; mientras que en sistemas discretos esta definicin se puede interpretar como el nmero de mediciones 8 despus de las cuales l a presente entrada u(k), afecta la salida y(k+r). Matemticamente esta definicin se puede ver como sigue (Goodwin y Sin, 1984)
16
Captulo It. Mtodos Tericos
II.3.1
Reconstruccin de Incertidumbres Basada en Estimador Discreto
un
Debido a que en general, existen diferencias entreel modelo de la planta y la planta real , es necesario estimar tales diferencias (incertidumbres)para robustecer la ley de control. En un sistema de grado relativo uno, tanto la entrada de control como las incertidumbres afectan directamente a la salida. Esta cualidad puede aprovecharse para proponer una hncionalidad explcita de las incertidumbres y reconstruirlas a partir de mediciones de la salida. Para ello se parte de un modelo de la planta de siguiente forma:
Las incertidumbres se aglomeran en el trmino I(&), sin embargo segn la ecuacin (2.7), stas pueden no aparecer explcitamente. El esquema de estimacin de incertidumbres que se presenta a continuacin presupone incertidumbre aditiva, es decir, existe siempre una la planta real. La funcin I@) tal que al sumarla al modelo de la planta, seobtiene
incertidumbre se consideraacotada debido aque el comportamientoa lazo cerrado del sistema debe ser estable. La estimacin se lleva al cabo cada vez que la medicin de la lo largo del periodode
salida estdisponible. La incertidumbre se suponeconstantea prediccin. As, si el modelo del sistema puede verse como sigue,
y(k + i ) = W(u(k + i - l),u(k + i - 2 ),...y ( k + i - 1)...) + I ( k + i )

entonces, el trmino de incertidumbre tiene la siguiente forma:
I ( k + i ) = y ( k + i ) - W(u(k+ i - 1),u(k + i - 2) ,...y(k +- i - 1)...)
(2.1O)
Segn la ecuacin (2.10), la estimacin de la incertidumbre es no causal pues depende de una medicin htura de la salidaque no esdisponible. Sin embargo, si el tiempode
17

muestreo es
lo suficientemente pequeo, el trmino que
involucra la incertidumbre
permanecercasiconstanteentredos siguiente aproximacin
medidas consecutivas. Es decir, puede hacerse la
I(k
+ i)
I ( k + i - 1) = y ( k + i - 1) - W ( u ( k - l ) , u ( k - 2),...y(k - 1)...)
(2.11)
Ahora setiene una estimacin causal puesla incertidumbre dependede mediciones de salida presentes y pasadas, as comodeentradas de control pasadas. Sin embargo, la
lo sea su derivada
aproximacin de la ecuacin (2.11) implica la suposicin de que la incertidumbre no slo sea acotada entre cada intervalo de muestreo, sino que tambin
(Vuthandam, et al., 1995).
Como se expres anteriormente, la aproximacinde
la ecuacin (2.11) ser mejor en
cuanto ms pequeo sea el tiempo de muestreo, sin embargo steno puede ser ms pequeo quecierto valor T+ debidoprincipalmenteaque pueden sercontaminadas por ruido de
medicin. Observe que debido a la manera en que la incertidumbre es representada en el modelo de la planta, sta abarca no slo incertidumbres paramtricas y de modelado, sino tambinpuedecontenerperturbacionesexternas. lineales por Genceli y Nikolaou (1 993). Esta idea h e propuesta para sistemas
18
II.3-1
Reconstruccin de Incertidumbres Basada en un Estimador Continuo
Cuando el sistema a controlar es de orden relativo mayor a uno, el esquema de estimacin deincertidumbresexpuesto embargo, para casos donde en la seccin anteriornoesaplicable la planta es ya quese requieren Sin
medidas de derivadas de la salida hasta un orden igual al grado relativo de la planta.
(total o parcialmente) linealizable por
retroalimentacin, es posible desarrollar un estimador de incertidumbres basado observadores lineales que adems provea un estimado de las derivadas incertidumbresparamtricas y demodeladose de la salida. Las se puede
aglomeran en un trminoque
definir como un estado virtual del sistema y pueden ser estimadaspor
un observador
construido a partir de un modelo continuo de la planta. La estimacin se realiza cada vez que las mediciones de la salida estn disponibles.
En muchosprocesosqumicossedispone
solo de un modelo lineal de la planta. Si se
supone que la planta es de fase mnima y de grado relativo n, el modelo entrada-salida de la planta puede expresarse en la siguiente forma cannica(Isidori, 1989).
22 = 2 3
(2.12)
zn =
j=l
a j z j +bu
+ $(t)
Note que
z, corresponde con
la i-esima derivada de la salida medida. Adems las

wi),
incertidumbres (entrada-salida) han sido aglutinadasen el trmino
que es en general de
forma complicada y desconocida, e incorpora incertidumbres tales como no linealidades del sistema yperturbacionesparamtricas.
Con el fin de reconstruir las incertidumbres,se
19
Capitulo 11. Mtodos Tericos

define el trmino
Nt), como
un estado virtual del sistema y dada la propiedad de
observabilidad del sistema (2.12) (Kailath, 1980) es posible reconstruir las dinmicas de los estados no medidos y de la incertidumbre a partir de mediciones de la salida utilizando por ejemplo un observador tipo Luenberger. El sistema extendido en la forma de observador se muestra en la siguiente ecuacin (Femat, 1997):
Y = 21
21 = 2 ,
(2.13)
n
2, =
+bu
+ fn+]
j=l
Donde
% j , nq21
son estimadosde zj, n 9 2 I y 2n+l(t) esunestimadode
&).
Si se
definenloserrores de estimacin como no es dificil ver quelasganancias
ej =Z j
- '9j,nq21 y
e,,, = 4 -
entonces
gi, n2j21, se deben escoger de manera tal que el
polinomio Sncl+gn+lSn+. . . gl=O sea Hunvitz.
Es posible mostrarqueconforme el errorde observacin de la salida

nuevo estado del sistema extendido zn+ltiende asintticamente a es, conforme el error de observacin de
tiendea cero, el
Kgf (Femat, 1997). Esto
la salida se aproxima a cero, el modelo de la
planta se aproxima a la planta real. La estimacin de la incertidumbre induce una accin integral en el lazo de control (Garcia, et al., 1989), la cual en el marco de control clsico
(Stephanopoulos, 1980), es utilizada para dar mayor robustez al lazo de control.
En efecto, las ganancias g,'s del observador deben escogerse de forma tal que las races del anterior polinonlio estn localizadas lo ms profundo en el lado izquierdo del plano complejo (high-gain observer).
20

Sin embargo, como se ver ms adelante, el uso de estados estimados en vez de los estados reales puede repercutir enel deterioro de la respuesta transitoria del sistema. En el Captulo
IV se ilustrar el efecto de la variacin de la ganancia de observacin en el desempeo del
sistema a lazo cerrado.
11.4 Control Predictivo con Accibn Integral Explcita

Se sabe que una ley de control con retroalimentacin puramente proporcional es capaz de estabilizar un sistema.Sinembargo,algunosproblemasdeestabilidady/odesempeo pueden aparecer en la presencia de incertidumbres. Una idea tradicional es incluir acciones de control tipo integral para inducir mayores mrgenes de estabilidad enel lazo de control. En particular, una accin de controldel tipo integral es capaz de eliminar offset en la salida regulada. En la seccin anterior se expres quela estimacin de incertidumbres induce una accin integral en el lazo de control. En esta seccin se mostrar como incluir el desarrollo de un esquema de control predictivo que incluya explictamente una accin integral en la ley de control.
Lafbncinobjetivo
del esquemadecontrolpredictivoquesepresentaacontinuacin
consta de tres terminos principales primer trmino que penaliza movimientosdecontrol integral).
y que determinan el desempeo a lazo cerrado.

el quepenaliza el errorintegralde
Un
los
el error de seguimiento; otro trmino que penaliza
y un ltimo trminoen
regulacin. El estado w es la integral del error de seguimiento (acV/dt= y-y,,f := accin
(2.14)
21

Sujeto a:
(2.15)
(2.16)
El problema de control est sujeto adems a las restricciones del actuador (ecuaciones (2.5)
y (2.6)).
x E %
U E%
; y
% son los estados
del sistema, la entrada de
control y la salida regulada, respectivamente. h es el costo de control, y es el costo asociado con el error de seguimiento de la salida, Q y P son los horizontes de control y prediccin, respectivamente.
La accin integral
integral
es moderada por la que denomino arbitrariamente como ganancia
(&S,
por estarligadaaltrminodeaccinintegral.Sinembargo,tieneun
& ) tiene en el marco de control signrficado muy distinto de lo que la ganancia integral (
clsico (PI). Si el trminoque
involucra la accin integral en la ecuacin (2.14), se
interpretase como la incorporacin de una restriccin activa sobre la integral del error de seguimiento, entonces la ganancia integral es un parmetro que regula que tan activa es la restriccin. Es decir, cuando hi,t
-+
00
esta restriccin se cumple incondicionalmente,
mientras que si hint= O no existe tal restriccin.
Es bien conocido que la inclusin de restricciones activas produce mayor complejidad del
problema de control; adems, segn lo muestrade Oliviera y Biegler (1987), laley de control resultante puede ser inestable en algunos casos. La inestabilidad del problema con restricciones se deriva de que la nueva ley de control la planta alazoabierto. involucra algunos trminos
relacionados concomportamientode
As, es posible prever un
problema de estabilidad en plantas inestables a lazo abierto. Es necesario entonces, delimitar los casos predictivoyentales integral. en los que esta restriccin integral robustifca la ley de control casos, mostrar lineamientos para la sintonizacinde la ganancia
22
II.5 Revisin de la Estabilidad de la Ley de Control Predictivo
La estabilidad del esquema de
control predictivo (ecuaciones (2.2)-(2.6)), es un tema de A pesar de que es posible asegurar
sumaimportancia y sujeto todava ainvestigacin.
estabilidad nominal de sistemas estables a lazo abierto y sin restricciones; existen muchas incgnitas acerca de la estabilidad robusta de este problema y acerca de la estabilidad del problema con restricciones.
Dentro del contexto de reguladores cuadrticoslineales (linear quadratic regulators) la estabilidad se asegura al imponer un horizonte infinito de prediccin y un peso del error de seguimiento moderado (Sistu y Bequette, 1996). Kwon y Pearson (1978) muestran que un sistema lineal puede ser siempre estabilizado minimizando un ndice de desempeo siempre
y cuando se cumpla una restriccin de estado final (x(K+M) = xref) para M mayor o igual
al orden del sistema. En general, esta restriccin es demasiado herte como para cumplirse en la mayora de los sistemas prcticos.
Chen y Shaw (1982) utilizan la misma restriccin para mostrar que un sistema no lineal puede ser estabilizado por el esquema RHC (Receding Horizon Control). Este esquema tiene fbertes desventajas ya que la estabilidad no puede ser garantizada prcticamente pues presupone un horizonte de prediccin infinito y la satisfaccin exacta de la restriccin sobre el estado final, adems de un perfecto conocimiento de la planta. De Oliviera y Biegler
(1995) prueban que la estabilidad nominal de un sistema a lazo cerrado puede ser siempre
alcanzado para el caso de plantas estables, si el tiempo de muestreo es lo suficientemente grande.
Los mencionados autores suponen
la medicin de todos
los estados y no
proporcionan guas para escoger el tiempo de muestreo. Sistu y Bequette ( 1 996) estudian la estabilidad nominal de sistemas no lineales discretos sin restricciones utilizando regiones de atraccin, calculadas bajo el principio de mapeo de Lyapunov.Bajo la contractivo (contraction mapping approach) yelmtododirecto ya que se puede probar que
primera estrategia, la estabilidad se proclama suficiente slo en el caso de sistemas lineales, el radio espectral es un escalar (o matriz), mientras que en
23

sistemas no lineales este radio es fimcin de los estados del sistema y por ello no se puede concluir nada sobre la estabilidad del sistema. Por otro lado, el enfoque de Lyapunov puede ser exhaustivo debido a la dificultad que representa encontrar las hnciones de estabilidad. Ambas estrategias tienen la ventaja de queno requieren restricciones de estado final. estudian la estabilidad a lazo cerrado de sistemas lineales en las entradas y las salidas del sistema. Ellos prueban que
De Oliveria y Biegler (1994) cuando existen saturaciones
para algunos casos la introduccin de restricciones (cuyo efecto en la ley de control es el aumento de trminos) puede provocar inestabilidades. Adems muestran que con restricciones suavespuedereproducirlosresultados duras, cuando se utilizan parmetros de del esquemacon un esquema restricciones
penalizacin muy grandes. La metodologa que
utilizan para probar la estabilidad del sistema tiene la desventaja de que no se puede aplicar a sistemas no lineales ya que presupone una ley de control lineal.
La estabilidad nominal delosesquemas
de control conestimacindeincertidumbres
presentados en esta tesis, puede ser garantizadautilizando la metodologa utilizada por Sistu y Bequette(1996) al encontrar una hncin de Lyapunov que el enfoquedede cumpla con las la
restricciones de estabilidad.Utilizando
Oliviera y Biegler(1994),
estabilidad nominal del esquema con accin integral puede probarse pero slo para sistemas lineales, al interpretar al trmino integral de la fbncin objetivo como una restriccin dura sobre la salida del sistema, en donde el multiplicador de Lagrange esla ganancia integral.
24
II. 6 Revisin de la Extensin a Sistemas de Mltiples Entradas y

Salidas
La extensin de la ley de control predictivo a sistemas de mltiple entradas directa salidas ( M M q , es en el
y mltiple
caso del problema estndar de control predictivo
(ecuaciones (2.2)-(2.6)), al hacer y y h matrices diagonales (y positivas) de dimensiones apropiadas, e introduciendo los vectores de salida y
!)Irn ,y
de entrada u E%'
,umin 9 3 '
umm E%'. Los grados de libertad de sintonizacin se extienden a 2(#&radas + #salidas), estos
parmetros se escogen de manera similar al caso UEUS,como se ver en las Secciones
IV.3 y IV.6. Lasintonizacindeesteesquema
no representamayorescomplicaciones
lo hace recomendable para
como enel caso de controladores clsicos, singularidad que estos casos.
La extensin al caso de sistemas de mltiples entradas y salidas del esquema de estimacin se produce de incertidumbres basado en un observador continuo (ecuaciones (2.12)-(2.13)) al definir un nuevo sistema extendido de ordenZni-m, a partir del originall. La derivada de
los nuevos estados es la desviacin dela salida i-sima con respecto asu referencia.
El sistema es observablesi, la matriz de observabilidad' O(A,C) es de rango completo. El sistema extendido tiene la forma que se muestra en la ecuacin (2.17). Las ganancias de observacin se escogen de manera tal que el polinomio caracterstico asociado sea Hunvitz.
t=Az+Bu+ge
I
(2.17)
Donde m es el nmero de salidas y M el orden del sistema original. Si el modelodel sistema puede verse de la siguiente forma:
~=AZ+BU y=cz
25

donde,
A 1 O...
A=
A, ...
O...
o 1 o... o o o l... o
donde
A,
ailai,ai3
L
o o...
'O' O
...
p 1
o... o...
B=
B,... O
BPl
donde Bi =
10
1
O
g=
Cabe sealar que
tal esquema de control MEMS, presupone la representacin de decir, en el modelo (y por ello en la planta) es
incertidumbres de la ecuacin (2.12), es
posible representar la interaccin de cada entrada-salida de forma independiente mediante una retroalimentacin de estados. Esto es, existe una incertidumbre asociada a una sola y a cadamedida.Unaformadonde esta restriccin es posible, es representando al sistema
MEMS como muchos modelos UEUS. Maciejowski (1989) muestra que tal representacin
es posible para plantas lineales, al transformar la matriz de transferencia entrada-salida, a la representacin cannica de Smith-McMillan, y presenta la metodologa a seguir. En el caso de la ley de control con accin integral (ecuaciones (2.14)-(2.16)), la extensin a
MEMS es inmediata al hacer y, A, y h i , matrices diagonales (positiva-definidas) de

dimensiones apropiadas e introduciendo los vectores y ! X r,nu E%1 ,ummE%I , ummE % ' .
26

La accin integral se logra introduciendo al sistema original, un nmero de estados
integrales igual al nmero de salidas. La derivada de estos estados es precisamente el error de seguimiento O/-yref).Los grados de libertad de sintonizacin se extienden a
3#salidas).
(2#enbadas
Tales parmetros se escogen de manera similar al caso de plantas de una entrada y
una salida, como se ver en las Secciones
IV.3 y IV.6. Esta sintonizacin no representa
mayores complicaciones como en el caso de controladores clsicos, singularidad que hace recomendable al control predictivo para estos sistemas. La estabilidad del control resultante se puedeprobar por el mismo procedimiento utilizado para el casode sistemas de una entrada y una salida, para los esquemas de estimacin de incertidumbres (Sistu y Bequette, 1996), mientras que para el caso del algoritmo con accin integral, el anlisis se restringe solo para el caso lineal, de manera similar a lo propuesto por de Oiiviera y Biegler, (1994).
La implementacin de los algoritmos
para sistemas de mltiple entradas
y salidas
presupone dificultades de tipo computacional. En
general, la ley de control multivariable
requerir ms tiempo y esfuerzo de cmputo (asociado por ejemplo al clculo de matrices inversas, jacobiano, hessiano) que para el caso de plantas de una entrada y una salida. De aqu que exista la necesidad de mayor investigacin para el desarrollo de algoritmos (de
integracin-optimizacin)ms rpidos y eficientes.
27
Captulo 111
Casos de Estudio
Captulo m. Casos de Estudio

En este captulo se presentan cuatro casos de estudio que representan algunos de
los procesos qumicos ms comunes en las plantas industriales y en los quese
pretende ejemplgicar la ley de controlpredictivo con estimacin de incertidumbres (vase el Captulo I . . Los casos son los siguientes: un reactor qumico, un reactor biolgico, una torre de destilacin y un intercambiador ilustransistemasinestablesyestables sistemas estables de mltiples entradas y salidas. de calor. Estos ejemplos deunaentradayunasalida,ascomo
m .1
Reactor Biolgico
Actualmente, los reactores biolgicos jueganun papel muy importante en diversas reas de produccin a pequea y gran escalas. Dentro residuales. Esto es debido principalmente de stas se encuentran las industrias a las ventajas tecnolgicas, econmicas y alimenticia, farmacutica, de sntesis de compuestos orgnicos y de tratamiento de aguas
ambientales que representa el empleo de biotecnologa en los esquemas de reaccin que permitan obtener una mayor eficiencia de produccin. Existen diseos de biorreactores que operan bajo diferentes regmenes como son por lotes, en forma continua y recientemente por lote alimentado. Este ltimo tiene gran aplicacin en la industria farmacutica por el alto valor agregado de sus productos. Sin embargo, la dinmica de los reactores biolgicos es muy compleja y sensible a perturbaciones y dinmicas de estructura desconocida que pueden impedir su operacin estable (en las condiciones de inters para cada caso). Para evitar esto, es necesario aplicar una ley de control que regule la salida del biorreactor a pesar de estas perturbacionesy dinmicas de estructura desconocida.
28
Captulo 1 1 1 . Casos de Estudio
Anteriormente las condiciones deseadas de operacin se lograban aceptablemente con los mtodos tradicionales de control como los controladores
on-off, P, P I y PID. En la
produccin, deben
actualidad, losreactoresbiolgicos
al igual que todos los medios de
cumplir con especificaciones y normas cada vez ms estrictas por razones ecolgicas y econmicas. Por ello, la tendencia actual es disear estrategias de control basaabs en
modelosdinmicos del sistemaacontrolar.
Sin embargo, para disearestrategiasde
control en reactores biolgicos existeel inconveniente de que algunas variables de inters tales como la concentracin de biomasa, son muy dfciles de medir, sobre todo cuando el medio posee compuestos de caractersticasfsicas similares a las de los microorganismos. Adems, las mediciones de biomasa slo son conftables a bajas concentraciones. Es muy
importante considerar que en los modelos dinmicos comnmente empleados para disear algoritmos de control, existen incertidumbres asociadas a trminos no conocidos con exactitud y a dinmicas no modeladas. En un reactor biolgico, este trmino est dado por el trminocorrespondientea la tasa de consumode sustrato, el cual es directamente proporcional a la tasa de generacin de biomasa.
La incertidumbre en el trmino asociado a la tasa de consumo de sustrato,se origina por las mltiples y complejas reaccionesque se llevan al cabo en el medio y que en la prctica se aproximan con leyes de validez restringida. Una variable implicada en este trmino es l a
tasadecrecimiento especfico de la biomasa la cual eshncinde medio, talescomo diversosfactores de biolgicos y fisicoqumicosdel pH, temperatura,concentracin
inhibidores. En la prctica se emplean leyes que son hncin nicamente de sustrato (e.g. ley de Monod). Se pueden adicionar trminos a esta ley, en los cuales se considere la tasa de mortalidad de los microorganismos y el consumo de sustrato para las hnciones de mantenimiento de los mismos. Existen otras expresiones para la tasa de crecimiento la presencia de
especfico de biomasa ms complejas que adems toman en cuenta
sustancias inhibidoras. Sin embargo, confines de control es necesario incluir esquemasno

slo de incertidumbres de modelado, sino tambin paramtricas y que sean robustos ante
perturbaciones externas.
29
Captulo 111. Casos de Estudio
El ejemplo del reactor biolgico nos permitir ilustrar a un sistema simple estable a
obtener unbuendesempeo
lazo
abierto en el cual el control predictivo acoplado con estimacin de incertidumbres puede
y unsintonizadoclaro
y eficaz. As, considere un reactor El sistema es
biolgico de tanque agitado (RBTA),en el que se requiere degradar el sustrato, la tasa de degradacin se modela como una cinticadedegradacintipoMonod.
estable de una entrada y una salida. La entrada de control es la tasa de dilucin (inverso del tiempo de residencia del reactor), la salida es la concentracin de sustrato de la corriente de efluente. El modelo que se materia presenta a continuacin se obtiene mediante balances de
x1 -
px2 + u (S, Y
- XI)
Y = x1
donde XI es la concentracin de sustrato (salida
medida),
x2 es la concentracin de
biomasa, SOla concentracin de sustrato de alimentacin, Y un coeficiente de rendimiento la tasa mxima de crecimiento, K,, la constante de afinidad y u la (biomasa-sustrato), pmaX entrada de control (tasa de dilucin).
30
1 1 1 .2
Reactor Qumico
Los reactores continuos de tanque agitado representan un reto de operacin en las plantas qumicasdebido principalmente, al complejocomportamientoinestableque lazo abierto. Estos presentan a
sistemas presentan adems, multiplicidad de puntos de operacin, alta su comportamiento no lineal y en
sensibilidad paramtrica, oscilaciones inherentes a algunos casos, caos. Estas
caractersticas demuestran la necesidad y al mismo tiempo la
dificultad dediseo de controladoresparatalessistemas.
As tambin,esdeseableque
durante su operacin, se respeten las condiciones ptimas para la conservacin del equipo
(y ensu caso), del catalizador; y al mismo tiempoque su eficiencia deconversinsea
mxima. Por todo esto, los reactores qumicos son buenos candidatos para la aplicacin de la ley de control predictivo, pues se puede incluir directamente todas las restricciones que les son impuestas.
Los sistemas reactivos
adems, se caracterizan por la gran
incertidumbre con la que se conoce la tasa de reaccin, por ejemplo en algunos casos la velocidad deproduccin depende de reactivos inestables dflciles de medir.
El ejemplo del reactor qumico permitir ilustrar el caso de sistemas inestables, para los que existen pocos resultados en la literatura en el mbito del control predictivo. El problema asociado al control de este sistema se prevee en a posible inestabilidad del predictor de salidas. Si existenincertidumbres,entonces puede llevar a inestabilidades. la salida predicha y la real difieren, lo cual utilizar este ejemplo
El objetivo de
es mostrar que
introduciendo el estimado de la incertidumbre es posible robustecer la ley de control predictivo. As, considere un reactor qumico de Tanque Agitado (RQTA) no isotrmico, en donde se lleva ai cabo la reaccin A+B, la tasa de reaccin es de primer orden y obedece la ley de Arrhenius. El sistema es no lineal y tiene tres puntos de equilibrio, dos estables y uno inestable, (Luyben, 1990). El problema de control asociado a este sistema es de su estabilizacin en elpunto de equilibrioinestablealazoabierto. efluente del reactor.
El sistema esde
UEUS, la entrada de control es la temperatura de la chaqueta, la salida es la temperatura del
31
Ea -~
i1 = ?(Te - x l ) + PKe
Rxl
x2 - y(x2 - u )
-__
(3.4)
Ea
i2 = B(S, - x2)-Ke
Y = x1
Donde
XI
Rxl
x2
(3.5)
(3.3)
es la temperatura del reactor (salida medida), x2 la concentracin de reactivo, S,

8 el
la concentracin de reactivo a la entrada, Te la temperatura de entrada al reactor, inverso del tiempo de residencia del reactor, reaccin,
p es un parmetro asociado con el calor de
y un parmetro asociado con el coeficiente de transferencia de calor y u es la
entrada de control (temperatura de la chaqueta).
III.3
Intercambiador de Calor
de calor, radica en la regulacin de la puede serd$cilde la tasadetransferenciadecalor
El problema del control de un intercambiador llevar al cabocuandoexistenincertidumbresen
temperatura de la corriente de un proceso. Sin embargo, tal tarea
perturbaciones en la condiciones de entrada. Cuando un cambiador de calor ha estado en

servicio durante algn tiempo, su eficiencia puede cambiar debido a la acumulacin de una capa de incrustacin en la superficie de transferencia de calor debido al deterioro de la superficiepor
un fluidocorrosivo.Cuandosealtera
la naturalezade
la superficie de
manera que se afecte la capacidad de transferencia de calor, se dice que la superficie est sucia.Unaevaluacinfisicade tal deterioro,puede no ser realizable bajo las verstiles en las
condiciones de operacin de la industria qumica actual. Adems, como la mayora de los procesos qumicos, estos sistemas estn continuamente expuestos a perturbaciones condiciones de entrada:temperaturasde procesos. Es por ello que se
los flujos de lascorrientes
de servicio y de regulen la
hace necesario desarrollar controladores que
32
operacin del intercambiador y que aseguren
su buen comportamiento a
pesar de
incrustaciones en la superficie de intercambio y perturbaciones externas. En el marco del control predictivo, tales controladores son capaces de asegurar una ptima ocupacin de energa y son ms fcilmente extensibles a redes de intercambio de calor.
El objetivo de utilizar este ejemplo es ejemplificar un sistema estable de grado
relativo
mayor a uno y para el cual se mostrar el uso de observadores de estadohncertidumbre dentro del esquema de control predictivo. As entonces, considere un intercambiador de calor de flujos perfectamente agitados, de manera tal que la temperatura de las corrientes que pasan por la coraza y los tubos no dependen de su posicin en el intercambiador. Este sistema es estable UEUS,de orden relativo 2 y se puede modelar segn la ecuaciones (3.6)
y (3.7). La entrada de control es el flujo msico de la corriente de servicio, la salida es la

temperatura de proceso. La temperatura media efectiva b e g puede modelarse como la media aritmtica o logaritmica de la diferencia de las corrientes de entraday salida.
Y = x1
Donde
XI
es la temperatura de efluente del proceso2 , x2 la temperatura de la corriente de C,,rel coeficiente
servicio (salida medida), U(t) eZ coeficientedetransferenciadecalor,
La media logartmica es la ms comnmente usada, pero tiene efectosadversos sobre la estabilidad del algoritmo en algunos casos. 2 El subndice e se refiere a las condiciones de entrada.
33
total detransferenciade
calor, CP,, la capacidad calorfica de la corriente i3, a el rea
efectiva de intercambio de calor, Ffel flujo msico de la corriente del proceso, u la entrada de control (flujo msico de la corriente de servicio), Mf el peso molar de la corriente del proceso, Adc el peso molar de la corriente de servicio,y Ax,fla temperatura media efectiva.
Ill. 4 Columna de Destilacin
Dos terceraspartes
de losprocesoslentos
de la industria se encuentranen
plantas
petroqumicas, donde las dos terceras partes son columnas de destilacin (Richalet, 1993).
Es por eso que
el control de columnas de
destilacin es un problema actual
y de
repercusiones industriales y econmicas vastas.
Sin embargo, el diseo de controladores
para columnas de destilacin no es una tarea fcil pues por su naturaleza, este sistema est asociado con un problema de control que es mal condicionado.
La caracterizacin de una columna de destilacin se hace con base en propiedades fisicoqumicas de las sustancias involucradas
y que son por mencionar algunas: calor
de
vaporizacin, punto de burbuja y punto de roco de la mezcla. Tales propiedades dependen de las proporciones de los componentes presentes as como de la temperatura y presin a lasque son sometidas. Adems, como la mayora de los procesosqumicos,stosestn continuamente expuestos a perturbaciones en las condiciones de entrada: composiciones y temperaturas de las mezclas de alimentacin. De ah que el problema del control de estas unidades est dirigido a cumplir estrictas normas de calidad, de disminucin de material contaminante y de minimizacin de las influencias de las perturbaciones. El objetivo de utilizar este caso es ejemplificar la estrategia de control predictiva para el caso de mltiple entraddmltiple salida
y asociado a un
problema de control mal
condicionado. As, considere una columna de destilacinbinaria ideal de 40 platos, de flujos constantes y equimolares, calor de vaporizacin constante y Hold-Up constante. El
3
El subndice 1 se refiere a la comente del proceso, mientrasque el 2 a la corriente de servicio

34
sistema es estable de dos entradas y dos salidas. Las entradas de control son los flujos de lquido y vapor a lo largo de la torre y las salidas son las composiciones del destilado y del rehervidor.
Condensador
i,= V(y; - x,)/ hc

Etapas de rectificacin
/he
(3.9)
Alimentacin (3.10)
Etapas de rectificacin (3.11) Rehervidor (3.12)
(3.13)
(3.14)
35
Donde x,es la fraccin molar del compuesto ms voltil en fase lquida en el plato i-simo, y,* la fraccin molar del compuesto ms voltil en la fase vapor en equilibrio con xi, L el flujo de lquido (entrada de control), Vel flujo de vapor (entrada de control), F, el flujo de alimentacin, Z , la fraccin molar del compuesto ms voltil en el flujo de alimentacin, he el Hold-up asociado a las etapas de rectificacin, hc el Hold-up asociado a la etapa de condensacin y hr el Hold-up asociado a la etapa del rehervidor. Las salidas medidas son la concentracin en el condensador y el rehervidor.
36
Captulo IV
Resultados
Captulo IV. Resultados

En estecaptulo incertidumbresa se ilustra la aplicacinde
los algoritmosdeestimacinde
tal
los casosdeestudio
del Captulo III y semuestraque
aplicacin es factible. La implementacin del control predictivo se hace mediante simulaciones numricas. Se analizan los efectos de los mtodos de integraciny de optimizacin sobre la estabilidad global del controlador. Se establece el comportamiento de los sistemas en relacin con los pardmetros de sintonizacin: horizonte de prediccin, horizonte de control,peso d e l error de seguimientoy costo delcontrol; y se presentanlineamientos de sintonizacin. Se muestra que al sistema azin ante la presencia de perturbaciones modelado. Adems se proponeunesquemade
el
algoritmo de estimacinde incertidumbres robustece la ley de control al estabilizar paramtricas y erroresde tal que el filtrado demanera
algoritmo sea robusto an ante ruido de medicin. Se muestra que aunque la ley de control predictivo con accin integral tiene buen desempeo en plantas estables, no esrecomendablecuando se trata decontrolar plantas inestables,debidoa que puede no cumplirse el objetivo de estabilizacin o en caso de cumplirse presentar pobre desempeo. Se muestra que el control predictivo es altamente recomendable para sistemas MEMS debido alafacilidad con la que puede ser sintonizado.
37
IKl
Requerimientos de Cmputo (Hardware y Software)
Las primeras aplicaciones de MPC (Model Predictive Control) se realizaron en mquinas con grancapacidad de cmputoyequipadasconsistemas Honeywell TDC-2000s y TDC-3000s. Tpicamente, de controldistribuidocomo:
los procesos bajo control eran
operados por esquemas de control que trataban de compensar tiempos de retardo, o que incluan esquemas control en cascada y/o de prealimentacin, etc. Implementaciones Estos computadores para realizar la posteriores de MPC se realizaron en computadoras DEC VAX. requieren de equipo de interfase, as como el soRware apropiado
comunicacin entre una workstation y el DCS (Distributed Control System). Sin embargo, el creciente poder
y versatilidad de las computadoras personales
ha permitido su
implementacin an en pequeos procesos qumicos, mediante la utilizacin de ambientes multitareas de sistemasoperativostalescomoWindows
y WindowsNTde
Microsoft.
Adems, el software disponible para la adquisicin de datos y sistemas de control es con mucho, mayor. Es por ello, queelcontrol pequeas industrias, predictivo esunaopcinfactible an en accesibles pues los requerimientos de cmputo son fcilmente
(Desphande et al. 1995). En la presente tesis, se utiliz una computadora personal PC 586, 8MHz RAM, 120MHz.
La implementacin de la ley de control predicitivo, requiere del uso de integradores de ecuaciones diferenciales ordinarias,as como de optimizadores de fbnciones multivariables. En esta tesis, para resolver el problema de optimizacin definido por las ecuaciones (2.2)(2.6), y los casos de estimacin de incertidumbres (ecuaciones: (2.7),(2.8),(2.11),(2.13)) y
accin integral (ecuaciones: (2.14)-(2.16))
se utiliz el algoritmo de optimizacin de
mtrica variable Davidson-Fletcher-Powell (DFP). Este algoritmo es de convergencia cuadrtica y el procedimiento de bsqueda se basa en encontrar primero un mnimo a lo largo de una direccin d,, y elegir la prxima direccin debsquedaconbase informacin disponible de la derivada de la fbncin y la matriz hessiana. Este enla algoritmo
tiene la ventaja de que requiere menos esfberzo de cmputo que la mayora de los mtodos de optimizacin, ya que la inversa de la matriz hessiana no es calculada en cada iteracin.
En el Apndice I1 se muestra los pormenoresde este algoritmo.
38
Se hicieron uso de las subrutinas en FORTRAN: DFPMTN, LlNMIN, MNBRAK, FlDIM, BRENT de Press et al. (1986), para elaborar el programa que implementara el algoritmo DFP. Las simulaciones de la dinmica de los sistemas se hicieron utilizando un algoritmo de integracin Runge-Kutta de cuarto orden. En cada tiempo de muestre0 se resuelven dos sistemas dinmicos. Un modelo riguroso simula el comportamiento de la planta real y otro conincertidumbres(modelo modelado)setomacomo linealizado o con perturbaciones paramtricas y erroresde modelo de la planta.
El optimizadortoma
la dinmica del
sistema utilizando el modelo de la planta, mientras que el modelo riguroso se utiliza para aplicar la ley de control predictiva y para actualizar el valor de los estados y de las salidas de control.
En las simulaciones realizadas para la presente tesis, se han observado diferentes aspectos relacionados con el efecto del mtodo de integracin sobre la desempeo del control, as
.
como del efecto de la eficiencia del optimizador sobre la estabilidad de la ley de control
Dentro de los resultados obtenidos sobre estos rubros, la experiencia indica que el mtodo de integracin afecta hertemente el desempeo del controlador cuando se simula plantas inestables o altamente no lineales. Los esquemas explcitos como los de producir inestabilidad en el algoritmo de optimizacin. Por otra Euler, tienden a
parte, existen algoritmos
de optimizacin para los cuales laestabilidad del controlador se ve sacrificada, por ejemplo el mtodo de Brent o de gradiente conjugado (puro). Sobre esta lnea, Sistu et al. (1991)
presentan un anlisis acerca de algunos aspectos computacionales asociados a las diferentes tcnicas de solucindel NLPC (NonlinearPredictive Control).
39
IV.2
Detalles de las Simulaciones
Con el fin de valorar el desempeo de las leyes de control se llevaron al cabo una serie de simulaciones basadas en los algoritmos de control predictivo sujetos a la dinmica de un sistema en particular. Las secciones posteriores presentan los resultados obtenidos de estas simulacionesyestnorganizadas establecer el comportamiento de los por temasde la siguienteforma.Primero se pretende de
sistemas en relacin con los parmetros
sintonizacin ms importantes, lo anterior acompaado de reflexiones de tipo tcnico y que enmarcan algunos trabajos previos. Despus se valora el desempeo de los esquemas de control propuestos en esta tesis y se analizan las limitaciones en cada caso. En todas estas secciones se desarrollan las ecuaciones particulares para cada ejemplo.
IV.3
Sintonizacin
(2.2)-(2.6)) de manera que
Lasintonizacin de la ley de controlpredictivo(ecuaciones asegure la estabilidad y
buen desempeo del controlador, es un problema de suma
importancia y de cuya solucin depende la viabilidad de la aplicacin del control, tanto de forma industrial como a nivel laboratorio. En la ley de control predictivo existen 4
parmetros de sintonizacin: horizonte de prediccin, horizonte de control, costo de control

y peso del error de referencia.
Uno de los parmetros ms importantes en el esquema de control predictivo , es el costo de control h,precisamente por estar asociado con la facilidad con los que los movimientos de control pueden ser realizados. El trmino de la ecuacin (2.2) que involucra el costo del control se interpretacomo una restriccin sobre la entrada de control.Este parmetro representa el peso con la que la restriccin sobre la cantidad y la velocidad de la entrada es impuesta. De Oliveira y Biegler (1994), muestran como un peso sobre la restriccin muy grande (h+cc) equivale a tener una restriccin dura sobre la entrada de control, lo cual puede producir inestabilidades para ciertos sistemas.
40
" .
. " .
. .. .
El resultado de variar h se muestra en las Figuras 3.a-3.c para el biorreactor y las Figuras 4.a-4.c para el reactor qumico. Observe que un costo h = O implica un perfecto seguimiento de la referencia (perfecto desempeo), ya que no hay restricciones sobre el control y por ello se puede disponer del control en cualquier proporcin y con una velocidad no es fisicamente
arbitrariamente grande (Figura
3.c). Sin embargo, este controlador
realizable ya que existen restricciones impuestas por el equipo. Se hace necesario entonces, escoger un valor de h que no slo penalice los movimientos de control de manera ms real sino que tambin asegure un buen desempeo. compromiso entre desempeoy estabilidad. La eleccin de h debe cumplir un
Observequepara
el caso del reactorqumico,
el cual es inestablea
lazo abierto,los
esherzos de control necesarios para estabilizar el sistema son grandes. En este ejemplo se puedeilustrar la ventaja de tenerunesquemaenelquesepenalicendirectamentelos movimientos de control. (vea Figura 4.c).
En lo que respecta al efecto del peso de error de seguimiento se establece
lo siguiente: el
trmino de la ecuacin (2.2) que involucra el peso del error de seguimiento puede interpretarse como una restriccin sobre la velocidad con la que la salida converge a referencia. Sin embargo,esta velocidad estsiempresupeditadaa control, es decir, la salida no convergir ms rpidamentequeloque la
la disponibilidad del el control pueda
llevarla. Esto implica que la eleccin del peso del error de seguimiento se tiene que hacer con base en un valor predeterminadodel costo de control y su efecto siempre ser marginal. Por ello essuficiente sintonizar uno de ellos, y se escoge el costo de control porestar relacionado directamente con la disponibilidad de control.
El horizonte de prediccin (P) y el horizonte de
control (Q) son dos parmetros
estrechamente ligados con la estabilidad del control a lazo cerrado. Valores pequeos del horizonte de control y prediccin resultan en controladores ms agresivos. Se sabe que la estabilidad nominal de un sistema no lineal se asegura al hacer P
-+
y que para sistemas
41
2.5
2.0
1.5
1.o
0.5
1.
0.0
O.5
1.o
1.5
2.0
2.5
3.0
3.5
4.0
Tiempo (hr)
Figura 3
480 440 400 360 320
400 380 360 340 320 300
Tiempo
Figura 4
de fase mnima y estables a lazo abierto; las siguientes igualdades P = Q y h en un comportamiento asintticamente estable. (Sistuy Bequette, 1996) La ley de controlpredictivo(ecuaciones
=O
redundan
(2.2)-(2.6)) es siempreasintticamente estable

(x(r1t
para P=Q, si se cumple la restriccin de estado final 5.cse observaelresultadode
+ e)= x r e f > . En las Figuras 5.a-
variar el horizonte de prediccin en el caso del reactor
biolgico. Un valor pequeo de P implica esfuerzos de control moderados (Figura 5.c) y un mal desempeo del sistema. En las Figuras 5.a-b se ilustra que el desempeo mejora al aumentar P. El sistema se comporta de manera similar al variar el horizonte de control (Q) (Figuras 6.a-6.c). Sin embargo, como Q es menor o igual a P (de otra manera no es realizable), tenemos que la eleccin de Q depende siempre de una previa eleccin de P, lo cual lo convierte en un parmetro de sintonizacin secundario.
De los resultados anteriores, se concluye que existen dos parmetros
principales que
afectan directamente la estabilidad y el desempeo de la ley de control predictivo: el costo del control y el horizonte de prediccin. Esta caracterstica lo hace fcilmente sintonizable
an en sistemas de mltiples entradas y salidas, pues aunque los grados de libertad se vean
acrecentados, la estabilidad y el desempeose
aseguran slocon
la eleccin dedos
parmetros. Esta idea fue explotada por McIntosh et al. (1991) para establecer reglas de sintonizado para el esquema GPC (Generalized Predictive Control). La mayora delos parmetros de sintonizacin son fijados en un valor nominal y se escoge el horizonte de prediccin o el costo del control, de manera tal que se asegure la estabilidad y el buen
desempeo del sistema a lazo cerrado. Los autores muestran que el sintonizado del sistema a partir de la eleccin del horizontede control constituyeunatcnica ciertos sistemas no es prcticamente realizable (P noble, pero para
-+m).
42
3.01
Tiempo (hr)
Figura 5
3.0
2.5
2.0
1.5
1.o
Tiempo (hr)
Figura 6
Reglas de Sintonizado.
Conbase en las simulacionesrealizadas,seproponenlassiguientesreglasde
y prediccin. En todoslos casos se trata de sintonizado sobreel horizonte de control

sistemas estables a lazo abierto. Estas reglas coinciden los requerimientos de estabilidad observadospor Sistu y Bequette, (1996) y con la mayora delas guas de sintonizado propuestas en MPC (Garcia et al. 1989). Para asegurar estabilidad es
deseable hacer P
-+E.
Escoger n < p ,p/2 _<mS p y n _<m, en general, resulta en
controladores estables y con buen desempeo.

Por otra parte, el costo de control deber escogerse de manera que cumpla un
compromiso entre el buen desempeo y la estabilidad del controlador y deber

escogerseparacadacasoenparticular.Costospequeossuponenesfuerzosde control grandes y para sistemas inestables a lazo abiertola eleccin de bajos costos
su estabilidad. de control son un requisito indispensable para asegurar
43
Captulo N.Resultados
IK4
Estimacin de Incertidumbres
En esta seccin se mostrar el desempeo de controladores predictivos cuando se incluyen esquemasde estimacin de incertidumbres.
IK4.1
Reconstruccin de Incertidumbres con base en un Estimador Discreto
El esquema de
control predictivo con estimacin de incertidumbres basado
en un
observador discreto se ejemplific
en un reactor qumico (RQTA), un reactor biolgico
(RBTA) y una torre de
destilacin, esta ltima asociadaa un problemade control mal
condicionado. A partir de un modelo entrada salida del sistema se construye el estimador. La ley de control escalculada al resolver el problema deoptimizacindefinido estimador se valora utilizando planta real. por la ecuacin (2.2), sujeta a la dinmica del sistema (modelo entrada-salida). El desempeo del un modelo riguroso para simular el comportamiento de la
IK 4.1-1 Reactor Bioldgico

A partir del modeloriguroso del reactorbiolgico(ecuaciones
construir un modelo entrada-salida del sistema, caracterizndolo a
(3.1)-(3.3)), es posible
partir de una
perturbacin en la entrada de control. E l modelo de la planta lineal as obtenido contiene
por lo tanto errores de modelado.
Para desarrollar un esquema de
estimacin de
incertidumbres, se incluye un nuevo trmino que corresponde a
@o, donde se aglutinan todos los errores de modelado, segn se muestra a continuacin*.
la adicin de la fbncin
* Las incertidumbres de este tipo de sistemas se deben generalmente al desconocimiento de latasa de reaccin. Estas incertidumbres pueden ser incluidas en el trmino de esta ecuacin, (I@),de la ec. (3.e)).
44
XI= - 3 . 5 7 3 ~+ ~3 . 8 2 0 2 ~ 2.889 + 4(t>

-
(4.1)
Con base en este modelo es posible hacer una estimacin de la incertidumbre al aproximar la derivada por diferencias finitas, pero debido a que esta aproximacin es no causal (se requiere de mediciones futuras no disponibles), se hace necesario retrasarla un intervalo de tiempo de muestreo.
4k = (3.5373 - :)xk
-3 . 8 2 0 2 ~ +~ 2.889 + ___ k+l
(44
La incertidumbre se considera constante durante el periodo de prediccin y es actualizada hasta que es disponible la siguiente medicin de la salida.
En la Figura 7 se muestran los resultados de las simulaciones numricas, en stas el sustrato esalimentadoa
2.0 mollg y estabilizadoa
1 moVg. Al tiempot
4.0, el sistemaes
sometido a una perturbacin en escaln, al cambiar el valor de referencia a x,,f = 2.5 g/mol.
y en t = 8.0 entra una perturbacin en la concentracin de sustrato del flujo de entrada. La
dinmica de la referencia se propuso de primer orden con un tiempo caracterstico T Como seobservaenlas
= 0.7.
figuras, los esfuerzos de control son moderados al suavizar el
comportamiento de la perturbacin en escaln (filtrado), la salida sigue casi perfectamente a la referencia, no requiriendo para ello grandes esfuerzos de control (Figura 7.c). As, el esquema de control propuesto se comporta ante la presencia de en forma robusta al estabilizar al sistema an
perturbaciones, errores de modelado
y limitaciones fisicas
del
controlador (saturacin). Sin embargo, si existe saturacin en el controlador, es necesario saber de antemano a su implementacin, cual es la cota mxima sobre el controlador que derivar un comportamiento estable a lazo cerrado. Esta tarea puede ser llevada al cabo, mediante un anlisis con hnciones de Lyapunov, segn lo muestra lvarez -Ramrez, et a l .
45
2.7 I
2.4
(b) I I I I I
2
m
1.8 m v, 1.6 O .1.4 -
1.2
10
T-
3.0 -
& 2.7 -
!=
(c)
10
Tiempo (hr)
Figura 7
Captulo N. Resultados
(1997b) y
Sols (1998).
O bien mediante simulaciones
numricas, utilizando un
procedimiento de prueba y error para saber las cotas mximas y mnimas del controlador. Por supuesto utilizando este ltimo enfoque, no puede garantizarse que tales cotas existen. La estimacin de la incertidumbre propuesta en esta seccin presupone una exacta
medicin de la salida, lo cual no esfisicamente realizable yaquestassiempreestn contaminadas con ruidot (generalmente de alta frecuencia). As que para hacer esta ley de control robusta an ante ruido de medicin, se propuso filtrar incertidumbre calculada. esquema con la estimacin de la
Se utiliz un filtro de segundo orden tipo Buttenworth.
El
del caso
filtro prob estabilizar al sistema an ante perturbaciones sostenidas
(oscilatorias) de amplitud 0.25 xref,El comportamiento reprodujo los resultados donde no existe ruido demedicin.
IK 4.1-2 Renctor Quimico

El modelo de la planta que se muestra en las ecuaciones (3.4)-(3.5), se utiliza para hacer un modelo entrada-salida del sistema. La incertidumbre se supone, en el desconocimiento del
trmino asociado con la produccin de calor debida a la reaccin, segn se muestra a

continuacin,
Con base en este modelo es posible hacer una estimacin de la incertidumbre al aproximar la derivada por diferencias finitas. Sin embargo, como de nueva cuenta esta aproximacin
es no causal (se requiere de mediciones futuras no disponibles), se hace necesario retrasarla
un intervalo de tiempo de muestreo.
Cabe mencionar que el tiempo de muestreo debeser lo suficientemente grande como para que la medicin (contaminada) pueda ser confiable.
'
46
La incertidumbre se considera constante durante el periodo de prediccin. En la Figura 8 se muestran los resultados de las simulaciones numricas, en stas la mezcla de reactivo es alimentado a una temperatura de 398 K. La temperatura del reactor es estabilizada a 400 K para luego someter al sistema en t= 2.5, a una perturbacin en escaln, al cambiar el valor de referencia a x,,f = 410.0 K. AI tiempo t
=
8.0 entra una perturbacin en la temperatura
deentrada al reactor. La dinmica de la referencia se propuso de primer ordencon un tiempocaracterstico z

=
0.7.
Como se observa en las figuras, el esquemade
control
propuesto se comporta en forma robusta al estabilizar al sistema an ante la presencia de perturbaciones, errores de modelado y limitaciones fisicas del controlador (saturacin). Se utiliza un filtro de segundo orden tipo Buttenworth para filtrar el trmino de incertidumbre contaminado por ruido de medicin de alta frecuencia.
La experiencia indica queensistemasinestableselvalordel crucial en laestabilidaddelsistema
tiempo demuestre0es muestreo
a lazocerrado.Tiemposgrandesde
conducen a la desestabilizacin del sistema; sin embargo, el tiempo de muestreo tiene que ser lo suficientemente grande como para tener una medicin confiable en el caso de que sta est contaminada por ruido, Se llega entonces a la conclusin de que el valor del tiempo de muestreo deber cumplir un compromiso entre estabilidad y desempeo. Sin embargo, en la realidad el tiempo de muestreo no es un parmetro que se pueda fijar libremente y es necesariodemostrar para su implementacin, que laleyde propuesta es estable para cierto tiempo de muestreo.
deLyapunov.Lasdesventajas documento. de este mtodo
control
probarse
Lo anterior puede
siguiendo la metodologa de Sistu y Bequette (1996), con un anlisis basado en fbnciones se muestraron en la Seccin 11.5 deeste
47
410
405
Estado del sistema ........._. Referencia
400
395 O
'
10
12
14
0.50 0.45 0.40 0.35

I
I I
10 14
12
38C
360
L
ms.
320
8 12
10
14
Tiempo
Figura 8
Captulo N. Resultados
I V.4.1-3
Columna de Destilacin
la columna de destilacin(ecuaciones (3.8)-(3.14)), es
A partir del modelorigurosode
posible construirun modelo entrada-salida del sistema, caracterizndoloa partir de una perturbacin en la entrada de control. E l modelo lineal asi obtenido contiene por lo tanto
erroresde modelado. Para desarrollar unesquema de estimacinde incertidumbres, se

incluye un nuevotrminoquecorrespondea la adicin de la fkncin
Kg, dondese
aglutinan todos los errores de modelado, segn se muestra a continuacinr.
Xl= (-zd + 0 . 0 0 5 0 5 8 ~; 0.003463ui)i~ + 41(t)

Xne = (-zr + 0.01452~1 - 0.011 0 6 9 ~ ; ) / +~# 2 ( t )
*
Con base en este modelo es posible hacer una estimacin de la incertidumbre al aproximar la derivada por diferencias finitas, pero debido a que esta aproximacin es no causal (se
requiere de mediciones fkturas no disponibles), se hace necesario retrasarla un intervalo de tiempo de muestreo.
El subndice N se refiere a los valores nominales de las variables. Las entrada y salidas de control se definen en la Seccin 111.4.
'
48
(4.11)
(4.12)
En la Figura 9 se muestran los resultados de la columna de destilacin. Este sistema tiene dos entradas y dos salidas. Las entradas de control son el flujo de lquido y vapor dentro de la columna, las salidas son las composiciones del tope y la base de la columna (destilados y condensados).
La columna de destilacin se supone ideal: los flujos de vapor y lquido son constantes a lo largo de la torre, al igual que el calor de vaporizacin. Existe equilibrio termodinmico en cada plato
y obedece la ley de equilibrio ideal (ecuaciones (3.8)-(3.12)). En las
simulaciones, se propone una dinmica de la referencia de primer orden con tiempo caracterstico z =10.0 Las composiciones son estabilizadas en 0.98 y 0.02 en el tope y la base de la columna respectivamente. Al tiempo t perturbacin en escaln (Xl,ref = 0.99 y
~2,ref=
500.0, el sistema es sometido a una

=
0.01) y at
900.0 se presenta una
perturbacin en la composicin del flujo de entrada.
En lasFiguras
9.a y 9.b,se observa unpobredesempeodelassalidas,
al presentar
sobredisparos y mltiples oscilaciones correspondientes a la entrada de perturbaciones; sin embargo, el control estabiliza al sistema ancuando existen incertidumbrestalescomo errores paramtricos y de modelado. La experiencia indica que existe un costo de control
mnimo para el cual laleyde
controlderivaen
un comportamiento estable, En un esfuerzos de control con fines de
sistema mal condicionado se requierengrandes control nulo) se dispone de acciones de necesarioelegir
estabilizacin. Sin embargo, cuando no existen restricciones sobre el control (costo de control arbitrariamente grandes que pueden desestabilizaral sistema As< como se vio en laseccin IK-3 deeste documento, es
un costo de control lo suficientementepequeo de manera que el
49
0.995 0.990 I
0.985
0.980
O. 975
I I I I
200
400
600
800
t 0.0210
0.0175 0.0140 0.0105
L
200
400
600
800
I
\ * , ,
32.5 30.0
.\
\ !
I"
"""""__"""-""--"-
\"""""_
, ,
\
Flujo de Lquido (mol/min)

-----
27.5 25.0
-. _" " " " "
Flujo de Vapor (mol/min)
(c) 22.5 Tiempo (rnin)
Figura 9
desempeo del sistema no se vea sacrificado,desempeo que tiene u n lmite debido aque el sistema es mal condicionado. Por estas caractersticas, el control predictivo puede no
ser recomendable para sistemas mal condicionados', ya que se requiere (directa e indirectamente) la inversa de la matriz de ganancias.Deshpande estas conclusiones al analizar las situaciones en donde
et a l . (1995), llegan a
el control predictivo es
recomendable, dentro de sus conclusiones remarcan la importancia que tiene el estudio de sistemas mal condicionados.
IK4.2
Reconstruccin de Incertidumbres con baseen un Estimador Continuo
Cuando el sistema acontrolaresde
orden relativomayora
uno, el esquema de
estimacin de incertidumbres expuesto en la Seccin IV.4.1 no es aplicable. Sin embargo, para sistemas (itlarcial o totalmente) linealizables por retroalimentacin es posible desarrollar un estimadorde incertidumbres, basado en lateoraclsica de observadores lineales (Kailath, 1980) y que adems provean un estimado de las derivadas de la salida Las incertidumbres paramtricas y de modelado se aglomeran en un trmino
que se define comoun estado virtual del sistema y pueden ser estimadas por un observador construido a partir de un modelo continuo de la planta. La estimacin se realiza cada vez que las mediciones de la salida estn disponibles. Este esquema de control se ejemplific en un intercambiador de calor en rgimen continuo (sistema no distribuido). La entrada de control es el flujomsicode proceso. Debido a que del procesoa la corrientede servicio y la salidaes la temperatura del
el sistema es estable, se puede construir un modelo entrada-salida
partir de una perturbacin enlasentradasdecontrol
y conbaseen
1,
construir el estimador.Para siguiente forma cannica mediante
ello, se transforma el modeloperturbado de la planta a la un cambio de coordenadas, segn lo muestra
Kanellakopoulos et al., (1997):
' La matriz de control tiene un nmero de condicinde 64.88

50
(4.13)
(4.14)
La incertidumbre se interpreta como un estado virtual del sistema y se estima utilizando un observador lineal de alta ganancia segn lo muestra la ecuacin (2.13). En las
simulaciones, el desempeo del estimador se valora utilizando un modelo riguroso para
simular el comportamiento de la planta real y el modelolineal con el estado virtual de la ecuacin anterior, para calcular la ley de controlpredictiva.
En la Figura 10 se muestra el resultado de aplicar la estrategia anterior, ah observa que el

sistema real se estabiliza, an cuando existen incertidumbres en el modelo utilizado por el controlador. La lentitud del actuador es simulado por el costo del control. El sistema es exitsamenteestabilizadoa 130F y despussometidoa una perturbacin en escaln
(cambio de referencia, xref= 150F) a un tiempo de 2.4 min. E1 desempeo del control es bueno an ante la presencia de perturbaciones y errores de modelado, no requiriendo para estabilizar el sistema grandes esfuerzos de control.
El efecto del observador en la ley de control es el de modificar la velocidad con la que sta
afecta a la planta real. El controlador basado en un observador llevar ms rpidamente al sistema a la referencia en cuanto mejor sea la estimacin de los estados. La rapidez de
convergencia del observador se modera con el valor de la ganancia del observador. Cuanto mayor es la ganancia del observador, ms rpidamente el sistema observado converge a la planta real y la ley de control es ms efectiva. En la Figural0 se muestra el desempeo del sistema en relacin con diferentes ganancias de observacin. Cabe observar que aunque en este comportamiento (Figura ejemplo, la ley de control predictivo present un buen
lo),
la estabilidad y el desempeo de este control en sistemas de
orden relativo superior no est garantizada y se requiere ms investigacin al respecto. No es dificil encontrar ejemplos para los cualesel control predictivo tiene un desempeopobre
51
160
I
d .
I
I \
150 -
."". -
----
1 = 0.5 h = 1.0
(4
145 .140 135 130 125 I """""""""""~
(b)
" "
Tiempo (min)
Figura 10
o es inestable, sobretodocuando
la ley de control no afectasinohastadespusde
mediciones**.Un sistema de grado relativo mayor a uno puede modelarse como un sistema de grado uno conun cierto tiempo de retardo; es decir, puede interpretarse como un sistema de fase no mnima para el cual, tanto el desempeo como la estabilidad (si el sistema a lazo abierto es inestable) estn limitados. Astrom (1997) muestra que cuanto mayor es el grado relativo de un sistema, mayor es la ganancia del controlador que produce el mismo margen de estabilidad, de ah se deriva que la ley de control puede no ser estable sino es para un controlador sin restricciones. Considere el siguiente ejemplo:
(4.15)
2 x2 = x 1
+u
(4.16)
Este sistema es altamente no lineal e inestable. Para este caso, la ley de control predictivo es inestable a menos que el costo del control sea igual a cero. En la Figura 11 se muestra el desempeo del sistemaa lazo cerrado.Seobservaque la estabilidad del controlador La experiencia indica que el efecto
depende dramticamente de las condiciones iniciales.
de las condiciones iniciales es crucial en la estabilidad de la ley de control, cuando se trata de controlar una planta inestable a lazo abierto. Debido ala dinmica inestable del sistema, la prediccindelosestados
(y en la cual estbasado el controlador)puede acumular
grandes errores de seguimiento y por ello requerir grandes esfuerzos de control. Adems, debido a la dinmica no lineal del sistema la funcin objetivo puede ser altamenteno lineal
y por ellotenerms
de unmnimo. El algoritmodeoptimizacin
entonces, puede no
encontrar el mnimo global y estar oscilando entre soluciones subptimas. Las acciones de control, entonces derivan en un comportamiento inestable.
**
EA(
es el grado relativo del sistema.
52
I .o
0.8
0.6
X -
0.4
0.2
0.0
O
2
O
-1
3
?
-2
-4
-5
Tiempo
Figura I I
IK5
Control Predictivo con Accin Integral Explcita
Con el objetivo de robustecer la ley de control de control predicitivo se le incorpor un trmino integral de forma explcita (ecuaciones (2.14)-(2.16)). Este de de Oliviera y Biegler (1994), trmino puede como el interpretarse, segn las investigaciones
correspondiente a la introduccin de una restriccin dura sobre el valor integral del error de seguimiento (y-yref). Bajoesta interpretacin, laganancia integral es el parmetroque modera el pesode la restriccin. restriccin. El algoritmo con accin integral se ejemplific con un reactor quimico (ecuaciones (3.4) y (3.5)) y un reactor biolgico (ecuaciones (3.1)-(3-.3)). Para estos casos, las simulacionesse basaron en dos modelos. Un modelo con errores paramtricos y de modelado con base en el cual se construye la ley de control predictivo, y otro riguroso que simula la planta real. El desempeo de la ley de control con accin integral depende dramticamente de la planta controlar. a En plantas estables, la inclusin de la accin integral deriva en el
hint+
00
implica el cumplimiento incondicional de la
robustecimiento del control predictivo, eliminando el o f f e t y rechazando perturbaciones. Sin embargo en plantas inestables, las acciones de control requeridas, en general, son muy grandes y derivan, ya sea en un comportamiento inestable o en un pobre desempeo del sistema. A continuacin se presentan los dos casos de estudio.
53
IK5.I
Reactor Biolgico
La Figura 12 muestra el desempeo del reactor biolgico bajo la ley de control con accin integral. En ellas, la incertidumbre se
supuso
en el desconocimiento de la tasa de
degradacin de sustrato, y se observa como la concentracin de sustrato es estabilizado a 1

mol/l y luego sometido a una perturbacin en escaln al cambiar la referencia a 2.5 mol/l. Al tiempo t=13.0 la concentracindesustratode alimentacin cambiasbitamente. La
entrada de control est saturada. La dinmica de referencia se propuso de primer orden con un tiempo caracterstico de 0.5. En las figuras se observa como la ley de control es capaz de controlar al sistema rechazando eficazmente las perturbaciones y eliminando el o f f e t producido por las diferencias existentes entre la planta real y el modelo de la plantatt.
La experiencia indica quela introduccin de una accin integral causa, para bajas ganancias integrales, el rechazo de perturbaciones y la eliminacin del sesgo (off-set).
No siendo aspara ganancias grandes, las cuales tienden a empobrecer el desempeo del
sistema.
Esto es fcilmente explicable si se interpreta la accin integral como una restriccin adicional sobre la salida. Una ganancia integral mayor implica una restriccin ms dura sobre la salida, que deriva en acciones de control ms violentas.
IK 5.2
Reactor Qumico
La Figura 13 muestra el desempeo del reactor qumico bajo la ley de control con accin integral. En ellas, la incertidumbre se supuso en el desconocimiento de la se observa como reaccin y
tasa
generacin de calor debida a la
el sistema trata de
estabilizarse a una temperatura de 400K, despus es sometido a una perturbacin en escaln al cambiar la referencia a 410 K. Al tiempo t=12.0 la temperatura del flujo de entrada del reactor cambia sbitamente. La entrada de control est saturada. La dinmica de referencia se propuso de primer orden con un valor de tiempo caracterstico igual a 0.2. En las figuras
t t Es importante reconocer que la ley de control predictivo estndar produce o f f e r cuando existen diferencias y la planta real. entre el modelo de la planta
54
2.2 2.0
1.8
--""""
""_
" " "
I .6 I .4 I .2
i
I
"""_
Sin accin integral Con accin integral
I .o
I
I
(a)
I
I
O
2.6
IO
15
2.4
2.2 2.0 I .8
Tiempo (hr)
Figura 12
420
2 " " -
400
/ I
" " " "
I
I
380
-------
Sin accin integral Con accin integral
360
340
10
I I
Tiempo
Figura 13
se observa como la ley de control tiene un desempeo pobre, presentando mayor sesgo que el de la ley de control predictiva estndar. La experiencia indica que la introduccin de una accin integral causa, cuando se trata de controlar plantas inestables, pobre desempeo o desestabilizacin del sistema a lazo cerrado para ciertas ganancias integrales. Existen cuatro fenmenos asociados con predictivo con accin integral cuando se requiere estabilizar plantas inestables: el control
1 . Existe un costo mximo de control para el cual la ley de controlpredictivo es
estable. Estefenmenoestdirectamenteasociado
con el hechodeque
sistema es
inestable a lazo abierto,pues se requieren grandes acciones de control para estabilizarlo. Un costo de control muy grande puede derivar en una ley de control insuficiente.
2. Existeunaganancia
integral mxima para la cual el sistemaa lazo cerrado es
estable. Si se parte del hecho de que el trmino de accin integral puede verse como
una restriccin adicional sobre la salida, la ganancia integral se interpreta como el peso quemodera la restriccin. Un problema ms restringido requiere deaccionesde control ms grandes. De Oliviera y Biegler (1994) muestran que existen valores de la ganancia para los cuales la LCP (Ley de Control Predictivo) es inestable (X,
+ 03).
Estos autores, muestran que tal inestabilidad se deriva de que en la ley de control con restriccionesexistentrminosque abierto.
3. La ley de control es altamente dependiente del tiempo de muestreo. Un valor de
estn asociadosa la dinmica del sistemaa lazo
muestreograndetiendeadesestabilizar
al sistema, debidoprincipalmenteaque
las
acciones de control pueden no ser oportunas (se calcula la ley de control a cada tiempo demuestreo) y el sistema opera por algn tiempoa lazo abierto.Porotro lado se requiere tambin un tiempo de muestreo mnimo pues valores muy pequeos producen problemas de estabilidad matemtica de los algoritmos. Debe tenerse siempre presente en esta discusin, que el tiempo de muestreo no es, en general, un parmetro que se
55
pueda fijar libremente y es necesario demostrar para su implementacin, que la ley de control propuesta es estable para cierto tiempo de muestreo.
4. El desempeode laley
de control es dependiente del tiempo de filtrado y debe

no son recomendables,
escogerse de unvalormoderado.Largostiemposdefiltrado
pues la dinmica de la referencia puede ser demasiado lenta como para que se alcance la referencia (en un periodo de tiempo prctico). Por otro lado, esta dinmica debe ser lo suficientemente lenta como para que el sistema no demande grandes esfberzos de
control, los cuales pueden desestabilizar al sistema
La ley de control predictivo con
accin integral no es entonces, recomendable cuando se
trata de controlar plantas inestables, debido a la poca robustez del algoritmo. Sin embargo, puede ser utilizada de manera satisfactoria cuando se trata de plantas estables, como se vi en la Seccin IV.5. l .
IK6
Algunas Reflexiones sobre Control Predictivo Control Predictivo en Sistemas con ms Entradas que Salidas
I K 6.1
Una de las caractersticas ms aprovechables para controlar un sistema es la multiplicidad de entradas sobre una salida debido a la gran estabilidad y desempeo que presentan a lazo cerrado. En estos sistemas existen ms grados de libertad en las acciones de control que pueden llevar al sistema a la referencia y pueden estabilizarse asintticamente an cuando algunas entradas estn saturadas.
Muchos procesos qumicos
tienen esta caracterstica (Sarimveis
et al. 1996), lo cual los
hace candidatos ptimos para la utilizacin de algoritmos de control robusto que utilicen todas las entradas disponibles. Sin embargo, bajo el marco de control clsico (PI, PID) la
56
sintonizacin de tales controladores no es tarea fcil, debido al vasto nmero de grados de libertad y el poco entendimiento que se tiene de su interaccin. En el contexto de control predictivoesta multiplicidad esparticularmente ventajosa, puessepuede sintonizar de En la Seccin IV.4 se
forma directa e independiente la disponibilidad de estas entradas. vio que es posible sintonizar la ley parmetros: los horizontes de
de control predictivo utilizando
dos grupos de
prediccin y los costos de control; los cuales afectan
directamente la estabilidad y el desempeo de la ley de control. An ms, dentro de este contexto existe la manera de moderar estos efectos deforma independiente.
El uso de dos entradas de control sobre una salida supone menor tiempo de estabilizacin y menor esfuerzo de control que el obtenido con una sola entrada. Para ilustrar las ventajas de la utilizacin de lasentradas disponibles de control, considere el caso de un reactor qumico de tanque agitado clsicamente controlado con para el cual se ha propuesto como segunda entrada de la temperatura de la chaqueta y control la temperatura del flujo de
entrada. El modelo del sistema se muestra a continuacinrr:
Ea -~
i1 = @(U,
- xl)+
PKe
Rq X , - y ( x , - ul)
-__
(4.17)
Ea
i2 = @(S,- X , ) -Ke
Y =x1
Rxl -x2
(4.18)
(4.19)
Este modelo se utiliz pararealizar las simulaciones numricas que seilustran la Figura 14, en sta se muestra la comparacin del desempeo del controlador para los casos de una y dos entradas de control. La ley de control se deriva de un modelo con errores paramtricos
y de modelado, mientras que un modelo riguroso simula la planta real.
En las figuras se
observa que aunque el controlador lleva al sistema a la referencia en ambos casos, existe una notoria diferencia en el tiempo que ocupanpara lograrlo.
T*
El valor de las constantes utilizadas en las simulaciones se muestranen e1 apnhce I.
57
400
390 380
a, U
370
Una entrada de control Dos entradas de control
cn
m 360
350
I
I
0.0
0.5
1.o 2.5 2.0 I .5

" " "
3.0
" " "
S O
o
a, U
U
. C I
m 2
0.0
0.5
I .o
1.5
2.0
2.5
3.0
Tiempo
Figura 14
Los esfherzos de control demandados a la temperatura de la chaqueta son menores para el casodedosentradas de control, lo queimplicaun mejor desempeo. El efectode la
saturacin de una entrada, provocala compensacin de la segunda entrada de manera que la salida siga la referencia. Esto resulta en un comportamiento alazo cerrado ms estable.
En el esquema de
una sola entrada,
la saturacin del controlador representa un
comportamiento momentneo a
lazo abierto, lo que significa una desventaja en sistemas
inestables. La disponibilidad de las entradas de control se simula por su costo. Un mayor costo de control significa una mayor restriccin sobre la cantidad y velocidad con la que la entrada de control es disponible. La eleccin de un mayor costo de control para la entrada ms cara (econmicamente hablando), puede resultar en costos de operacin menores.
IK 6.2
Comparacin del Control Predictivo contra un Controlador Clsico
Como se explic en el Captulo I1 de este documento, el control predictivo es un esquema de control verstil capaz de lidiar con un vasto nmero de plantas y adems tiene la ventaja deque su estructuraesde fcil comprensin para el personal de la planta.Entrelas en la presente tesis, est la facilidad de
cualidades del control predictivo ejemplificadas
manejo de sistemas de mltiples entradas y salidas. En la Seccin IV.7 se mostr como el esquema de control predictivo es sencillo de aplicar en estos casos, pues su sintonizacin es una extensinde la sintonizacin para plantas de una entraday una salida:Esto lo
convierte en una estrategia noble de control y en un buen candidato plantas industriales.
para el control de
Sin embargo, anterior a su implementacin, es necesario evaluar el desempeo del control predictivo en relacin con otros controladores usados comnmente en la industria, p. ej. el proporcional integral (PI). En esta seccin se llevar al cabo tal comparacin, la cual se restringir a plantas estables para las que existen en la literatura reglas de sintonizado para ambos esquemas (McIntosh et al.,1991; Luyben, 1996; Chien y Fruehaut 1990). Con este
58
fin, considere el reactor biolgico de las ecuaciones (3.1)-(3.3) estrategias de control: (ecuaciones (4.1)-(4.3)) y b) Un control Proporcional Integral.
al cual se le aplican dos
a) Control predictivo con un estimador de
incertidunzbres
En la seccin IV.4.1-1 se muestra la metodologa seguida paraaplicar
el esquemade
control predictivo con un estimador de incertidumbres discretoal caso del reactor biolgico
y se desarrollan las ecuaciones pertinentes. La implementacin del control proporcional se
hace en forma directa al asignar la dinmica del controlador de la siguiente forma:
(4.19)
La salida de control y los estados se definen por las ecuaciones (3.1)-(3.3). Las ganancias del controlador PI se designaron segn las reglas de sintonizacin mostradas por Chien y Fruehauf (1990) y bajo la presuposicin de que la planta se puede modelar de la siguiente forma:
G(s)=
KpesS zS+l
(4.20)
donde las ganancias se escogen de la siguiente forma:
KcKp=
z
TCL
+o
(4.21)
z = TI
(4.22)
El resultado de aplicar estas estrategias de control con la utilizacin de mtodos numricos

se muestra en ia Figura 15. En sta, el sustrato es alimentado a 2.0 mol/g y estabilizado a 1 mol/g. Al tiempo t
=
6.0, el sistema es sometido a una perturbacin en escaln, al cambiar

=
el valor de referencia a xref= 2.5 g/mol. y en t
10.0 entrauna
perturbacin en la
concentracin de sustrato del flujo de entrada. La dinmica de la referencia se propuso de
59
10
16 12
14
Tiempo (hr)
Figura 15
primer orden con un tiempo caracterstico z = 0.7. Las entradas de control estn saturadas y no pueden ser menores a cero,ni mayores a 3 h i ' . Como se observa en la Figura 15, ambos esquemas pueden rechazar perturbaciones pero difieren en la respuesta transitoria para lograrlo. El esquema de control predictivo muestra un mejor desempeo en la salida, estabilizando ms rpidamente y con menor sobredisparo.
As tambin, tiene una mejor respuesta a las perturbaciones en las condiciones de entrada.
El controlador proporcional integral por su parte, requiere de esfuerzos de control menores
lo que en las simulaciones repercute en que el control no se satura. Sin embargo, si existe
saturacin en el controlador, es necesario saber de antemano a su implementacin, cual es la cota mxima sobreel controlador que derivar un comportamiento estable a lazo cerrado. Estatareapuedeserllevada al cabo,medianteun anlisis confuncionesde Lyapunov,
l . (1997b) y Sols(1998). segn lo muestra lvarez -Ramrez, et a
O bien mediante
simulaciones numricas, utilizando un procedimiento de prueba y error para saber las cotas mximas y mnimas del controlador, Por supuesto utilizando este ltimo enfoque, no puede garantizarse que tales cotas existen.
60
Captulo Y Conclusiones
Captulo V. Conclusiones
Captulo 'v. Conclusiones

En este captulo se resumen los logros y resultados de la presente tesis, as como los aspectos ms importantes que vinculan el uso del control predictivo. Adems, se dedica una pequea seccin a la discusin sobre el trabajofuturo en la lnea de control predicitivo.
Kl Logros y Conclusiones
Enestaseccinseresumen resultados presentados
los logrosobtenidosen
la presentetesis,conbase
en los
en el Captulo IV.
As tambin se anexan
las conclusiones
pertinentes en cadacaso.Cabe
hacer notar,queaunque
la aportacin principal deeste
trabajo ha sido sobre la lnea de la estimacin de incertidumbres en el campo del control predictivo; es conveniente mayor investigacin en lo referente a la aplicacin experimental
o industrial de las metodologas aqu presentadas.

l . La ley de control predictivo se implement mediante simulaciones numricas en
reactores agitados, columnasdedestilacin
e intercambiadoresde calor; y se
mostr que para todos estos casos, tal aplicacin es factible.
2. Se establece que el mtodo de integracin influye fbertemente en la estabilidad
de la ley de control predictivo, cuando se trata de plantas inestables o altamente no lineales.

3 . Se establece que el sintonizado de la ley de control predictivo puede llevarse al
cabo con
la manipulacin de dos
parmetros ligados estrechamente a
la
estabilidad y desempeo a lazo cerrado: el horizonte de prediccin y el costo de
61
control. Se logr establecer el comportamiento del sistema en relacin con stos parmetros y se obtuvieron lineamientos para su sintonizacin.
4. Se propusieron dos esquemas de estimacin de incertidumbres,
uno basado en
un estimador discreto y el otro en uno continuo. estimadores se efecta con base en las propiedades de sistema.
La eleccin de tales entrada-salida del
5. La ley de control predictivocon estimacin de incertidumbresbasada en un
observadordiscreto
se ejemplifico en reactoresagitados:un
qumico y uno
biolgico, adems de una columna de destilacin. Las simulaciones mostraron que esta ley de control puede no ser recomendable cuando se trata de controlar sistemas mal condicionados, pues el desempeo obtenido es pobre. Adems, en sistemas inestables el valor del tiempo de muestreo puede ser definitivo para del
asegurar la estabilidad del lazo de control. Si seeligenvaloresgrandes tiempo de muestreo,stoscausan inestabilidad en el sistema,mientrasque valores muy pequeos pueden no serrecomendablescuando contaminada por ruido.
6. La ley de controlpredictivocon
la medida esta
estimacin de incertidumbresbasada en un en un intercambiador de calor. Las
observador continuo se ejemplific
simulaciones mostraron que estaley de control tiene un buen desempeo en este caso, pero puede no ser recomendable cuando se trata de controlar sistemas de grado relativo mayor a uno, cuando stos son inestables a lazo abierto. En este caso, la dependencia de la estabilidad depende dramticamente condiciones iniciales. 7 . Se construy un esquema de control predictivo que incluye accin integral, el de las
cual tiene la propiedad de eliminar el sesgo (off-set) a bajas ganacias integrales y se mostr que este esquema puede no ser recomendable es sistemas inestables a
lazo abierto. Para plantas inestables existen cuatro fenmenos asociados con el
62
comportamiento a lazo cerrado: Existe un costo
de control mximo, as como es estable. La
una ganancia integral mxima para la cual la ley decontrol tiempo de filtrado de la referencia.
estabilidad del sistema es altamente dependiente del tiempo de muestre0 y del
8. La ley decontrolpredictivoesaltamenterecomendablecuando
se tratade
controlar sistemas de mltiples entradas y salidas de control. La ventaja de este esquema radica en la facilidad con que este esquema es sintonizado, en el cual la accin de losparmetros de sintonizacin es independiente.
K 2 Trabajo Futuro
Como se mencion anteriormente, aunque la aportacin principal de este trabajo ha sido del control predictivo; es
sobre la lnea de la estimacin de incertidumbres en el campo
conveniente mayor investigacin en lo referente a la aplicacin experimental y/o industrial deestosesquemas.Tareaquedeberserllevada al caboeventualmente y de la quese
preveen algunos contratiempos, en especial sobre la adquisicin y desarrollo de interfases. Sin embargo, existen otros temas dentro del marco terico que debern ser resueltos antes de pensar en su aplicacinexperimental. Tal es el caso por ejemplodeldesarrollo
fortalecimiento de herramientas tericas con las que se pruebe la estabilidad de las leyes de control predicitivo, bajo condiciones arbitrarias y reales de operacin. Otro sera el caso del desarrollo de procedimientos dediseo con los que se asegure el desempeo robusto del sistema a lazo cerrado. Tambin, se requiere de mayor investigacin acerca de cmo hacer ms eficientes y rpidos los algoritmos de optimizacin, de manera que su aplicacin sea factible an en procesos altamente sofisticados. En la parte introductoria de este
documento (Captulo I) se presentan otras reas en las que se requiere mayor investigacin en el campo del control predictivo.
Bibliografa
lvarez-Ramirez, J., Cervantes I, Femat R., (1997a) Robust Controllers for a Heat
Exchanger, Ind. Eng. Chem. Res., 36, No.2, 382-388

lvarez-Ramirez, J., SurezR., Sols-Daun, J., (1997b) Global and Semiglobal
Stabilization of Linear Systems using Constrained Control,submited Int. J. Robust

and Nonlinear Control Astrom, K.J.,(1997) Limitations on Control System Performance, Proc. ECC
Znd. Edition, Bailey E.J. and Ollis, D.F., (1986), Biochemical Engineering Fundamentals,
McGraw-Hill Barnerjee, P., Shah, S. L., (1985), The Role of Signal ProcessingMethods in the Robust
Design of Predictive Control, Automtica, 31, No. 5, 681-695

Chen, C.C., Shaw, L. (1982), On Receding Horizon Control, Automatica, 15, 349. Chien, L., Fruehauf, P. S., (1990), Consider IMC Tuning to Improve Controller
Performance, Chem. Eng. Progr., October, 33-41

Tuffs, P.S. (1987), GeneralizedPredictive Control-Part I The Clarke, D.W., Mohtadi, C.,
Basic Algorithm, Automatica, 23, No. 2, 137-148.

Clarke, D.W., Mohtadi, C., Tuffs, P.S. (1987), GeneralizedPredictive Control-Part 1 1
Extensions and Interpretations, Automatica, 23, No. 2, 149-160. algorithm. Cutler. C.R., B.L. Ramaker (1979), Dynamic matrix control- a computer control
AIChE, National MTG, Houston, Texas.
De Oliviera, N.M.C., Biegler, L.T., (1994), Constraint Handling and Stability Properties of
Model-Predictive Control. AIChE J., 40, No.7
Deshpande, P.B., Caldwell, J.A., Yerrapragada, S.S.,Bhalodia, M.A., (1995),Shouldyou
Use ConstrainedModel Predictive Control?, Chem. Eng. Prog., March 65-72.

Garcia, C.E. and M. Morari (1982).Internal model control-l. A unlJj/ing review and some
new results. Ind. Engng. Chem. Process Des. Dev., 21, 308-323.
Garcia, C.E., Prett, D.M.,Morari, M., (1989), Model Predictive Control: Theory and
Practice- a Survey, Automatica 25, No. 3.

Genceli, H., Nikolaou, M., (1993), Robust Stabilig Analysis of Constrained LI-Norm
Model Predictive control, AIChE J., 39, No. 12. Control, Prentice-Hall. Goodwin, G.C., Sin K. S., (1984), Adaptive Filtering Prediction and
Hrissagis,K., Crisalle, O.D.,Sznaier, M., (1996), Robust Unconstrained Predictive Control
design with Guaranteed Nominal Performance, AIChE. J., 42, No. 5.

Isidori, A,, (1 989) Nonlinear Control Systems,Springer-Verlag, Heidelberg Germany. Kailath, T., (1980), Linear Systems, Prentice Hal1,USA. (1991) Adaptive Output-feedback Kanellakopoulos, I., Kokotovic, P.V., MorseA.S.,
Control of a Class of Nonlinear Systems, Proc. Conf. Decision Contrl.

Gilbert E.G., (1988), Optimal Infinite-Horizon Feedback Laws for a General Keerthi, S. S.,
discrete-Time Class of Constrained Approximations, JOTA 57, No. 2.
Jystems: Stability and Moving- Horizon
Kouvaritakis, B., Rossiter, J.A.,Chang, A.O.T., (1992), Stable Generalized Predictive
Control: an algorithm with guaranteed stability, IEE Proceeding-D, 139, No.4.

of Time Varying Discrete Kwon, W.H., Pearson, A.E., (1978) On Feedback Stabilization
Linear Systems, IEEE Trans. Automat. Cont. AC-23,479. for Robust Lee J.H.,Yu, Z.H., (1994)Tuning ofModel Predictive Controllers Performance, Computers Chem. Engng., 18 No. 1. for Chemical Luyben ,W.L. (1990), Process Modeling, simulation, and Control Engineers, Mc. Graw-Hill. Controllersfor Luyben , W.L. (1996), Tuning Proportional-Integral-Derivative IntegratorIDeadtime Processes, Ind. Eng. Chem. Res. 35,3480-34831.
Maciejowski, J.M., (1 989) Multivariable Feedback Design, Addison - Wesley McIntosh, A.R., Shah, S.L., Fisher, D.G., (1991), Analysis and TuningofAdaptive
69, february. Generalized PredictiveControl, The Canadian J. Chem. Eng.,
A. Gould and J.F. Kaiser, (1957), Analytical Design of Feedback Newton, G.C., L. Controls. Wiley, New York.
Romagnoli, J. A,, (1 997), Unconstrained and Constrained Norquay, S.J., Plazoglu, A,,
Model Predictive Control Using Wiener Neutralization, Proc. ACC.
Model:
An Application to pH
Ogunnaike, B.A,, (1 994), On-line modelling and Predictive controlof an Industrial
terpolymerization Reactor, Int. J. Control, 59, No. 3, 71 1-729.

Press, W.P., Flannery, B.P., Teukolsky, S.A., Vetterling, W.T., (1986), Numerical Reczpes.
The Art of Scient@ Computing., Cambridge University Press.

(1993), The Stabiliq of Constrained Receding Horizon Rawlings, J.B., Muske, K.R.
Control, IEEE Trans. Automat. Contr. 38, No. 10.

Richalet, J.A., A. Rault, J.L. Testud and J. Papon (1978), Model Predictive Heuristic
Control: Applications to an industrial process. Automatica, 14, 4 13-428.

Automatics, Richalet, J, (1993), Industrial Applications of Model Based Predictive Control.
66
^-
"
-..._-
.. .
"
29, NO.5 1251-1274.
(1996). Design o f Robust Nonsquare Constrained Sarimveis, H., Genceli, G., Nikolaou, M.,
Model-Predictive Control, AIChE J., 42, No. 9, 2582-2593

Sistu, P.B., Bequette, B.W., (1991)Nonlinear Predictive Control of Uncertain Processes:
Application to a CSTR, AIChE J., 37, No. 11

Sistu, P.B., Bequette, B. W., (1996) Nonlinear Model-Predictive control: Closed-loop
Stability Analysis, AIChE J., 42, No. 12

Sistu, P.B., Gopinath, R.S., Bequette, B.W., (1991)Implementation Issuses in Nonlinear
Predictive Control, Proc. Amer. Control Conf., 2361 Sols, D.J.E., (1998) Estabilizacin de Sistemas Afines Mediante ControlesAcotados, Tesis
de Doctorado. UA"1zt. Mxico. Vuthandam, P., Genceli, H., Nikolaou, M., (1995), Performance Boundsfor Robust
Quadratic Dynamic Matrix Control with End Condition, AIChE J., 41,No.9, 20832097. Yamura Rani, K., Unbehauen H.,(1997) Study of Predictive Controller Tuning Methods, Automatica., 33, No. 12, 2243-2248
Observer Design in Receding-horizon Predictive Yoon, T.W., Clarke, D.W.,( 1995) Control, Int. J. Control., 61, No. 1
Apndice I
Valores Numricos de las Constantes Utilizadas en las Simulaciones.
Reactor Qumico
e
y
= =
1.0 t-l
1.0 t-' p = 200.0 L3Tt" K = exp(25 .O) t-' Te = 350.0 T Ea/R = 10000.0 T Se = 1.0 mol t-'
Reactor Biolgico (Bailey y Ollis,1986)
pclmaxl = 5.5 t"

K S
= = =
1.8 mol t-' 0.3 mol/mol

1.0 mol t-'
SO
Intercambiador de Calor (lvarez-Ramirez et al., 1997a)

25.0 Mt-' 15.0 Wmol = 40.0 Wmol = 200.0 F X Z , ~ = 70.0 F C , I = 0 . 3 8 BTUmol" C,,2 = 0.456 BTUmol" U(t) = 0.6 Aa = 20 L2 = [(Xl,e -Xl)+(x2- x2,e)]/2
F, M, M,
= =
68
. .. .
~__I
Columna deDestilacin (Luyben, 1990)

Fa
za
=
= = = =
10.0 mol t-' 0.5

41
ne na he he hr
19
10.0 = 100.0 = 100.0
Apndice 1 1
Algoritmo de Optimizacin Multivariable Davidson-Fletcher-Powell (DFP).
El procedimiento de optimizacin de una fbncinobjetivo f para la mayora delos algoritmos es estructuralmente similar. As, tal procedimiento puede estandarizarse de espacio N-dimensional, esta bsqueda prosigue en la siguiente forma: La bsqueda del mnimo de una fbncinf, empieza en un punto P del la direccin n, la cual satisface cierto
de Mtrica Variable
criterio de eleccin. La fkncin es evaluada sucesivamente a lo largo de las direcciones de bsqueda, hasta que la condicin de existenciadel mnimo es satisfecha. El algoritmo de Davidson-Fletcher-Powell, es un ejemplo algoritmos de mtrica variable,
tambin llamados mtodos quasi-Newton. En estos algoritmos, se toma como direcciones iniciales de bsqueda los vectores unitarios direccin n, seencuentraun
el, e2,... eN.
As dada cierta aproximacin P y
escalar h que minimiza la f h c i n JTP+hn). Entonces se
reemplaza P por P+hn y n por hn. El procedimiento del algoritmo DFP no es muy diferente del de gradiente conjugado. En stos, se acumula informacin de las sucesivas
minimizaciones en lnea, las cuales conducen al mnimo exacto de la forma cuadrtica Ndimensional. As, el mtodoconvergecuadrticamente suaves. Ambos procedimientos, de gradiente conjugado en la mayora de las hnciones
y mtrica variable, requieren

En los algoritmos de
informacin del gradiente de la hncin objetivo (o primeras derivadas parciales), pero la diferencia consiste en la cantidad de informacin que es acumulada.
mtrica variable se requiere almacenar una matriz de orden NxN, en vez de requerir un almacenamiento de un arreglo deorden N (comolosmtodos de gradienteconjuado), desventaja clara desde un punto de vista computacional. Sin embargo, el algortimo de DFP tiene la ventaja de que no requiere calcular en cada tiempo la inversa de la matriz hessiana, sino que sta es actualizada a travs de una aproximacin. La inversa de la matriz hessiana
se calcula en una primera iteracin y posteriormente se actualizaconuntrmino correccin como se muestra a continuacin:
de
Paso 1)
Se define d k - s k f x ( X k
donde, Sk = F-'( xk ) ; f es la matriz hessiana
Paso 2) Paso 3) Paso 4) Paso 5)
Seresuelve el problema
?Zincf ( X k
+ C k d k ) y seobtiene
Ck
Cx k Xk d k+ kl
Se define, P k = C k d k y se calcula f x ( x k + l ) Se actualiza la matriz hessiana como:
El algoritmo antes propuesto tiene convergencia cuadrtica segn lo establece Press et al.
(1986).
Este autor muestra algunas de las demostraciones
de las ecuaciones que
comprenden el algoritmo.
71
" .

UAM0073

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

UAM0073

Uploaded by

Copyright:

Available Formats

Tesis de maestra titulada:

"Control Predictivo de Procesos Qumicos con Estimacin de Error de Modelado rr

Ilse Cervantes Camacho

Dr. Jos de Jess lvarez Ramrez

estimacin de incertidumbres (errores

la ley de Control Predictivo (CP),

insertando una accin integral al lazo de control.

y biolgicos; as como columnas de

El desempeo estas leyes de control se puede calificar de muy

algunas conclusiones y posibles lneas de investigacin futuras.

Motivacin Estado del Arte del Control Predictivo

Captulo II. Mtodos Tericos

Esquemas de Control Predictivo con Estimacin de Errores de Modelado

Captulo III. Casos de Estudio

Requerimientos de Cmputo (Hardware y Software) 38 40 40 44 44 44 46 48

IV.2 Detalles de las Simulaciones

IK4.1 Reconstruccin de Incertidumbres con base en un Estimador Discreto

Reactor Biolgico Reactor Qumico Columna de Destilacibn

I K 4.2 Reconstruccin de Incertidumbres Basada

I V.6 Algunas Reflexiones sobre Control Predictivo

Logros y Conclusiones Trabajo Futuro

Apndice 1 1 . Algoritmo de Optimizacin Multivariable de

1. Especificaciones del Producto. Frecuentemente se

requieren productos en una

cantidad fija mnima y con una cierta pureza.

de una planta es de los requerimentos

composiciones y flujos de las corrientes de desecho.

la Operacin de la Planta. Por ejemplo, el que la

asegurar un costo mnimo de operacin y un mximo de utilidad.

Para cumplir con estas restricciones

es necesario disear controladores que garanticen

la planta. De aqu surge el problema tcnico de como diseiiar

tal controlador. Existen tresnecesidades que un controlador debe satisfacer:

afectan el desempeo de un controlador.

garantizan un control ptimo a cada tiempo

El esquema de control predictivo es de fcil comprensin al personal de la planta.

Los tiempos de retardo se manejan explcitamente.

Las restricciones a los estados explcitamente.

y a las variables manipuladas

El cambio de referencia se hace de manera explcita.

La ley de control predicitivo esfcilmentesintonizable verstil para cumplir restricciones de operacin.

Los casos de control de sistemas MEMS (mltiple entrada,

Vea el Captulo 11, Mtodos Tericos de este documento.

Estado del Arte del Control Predictivo

de los setentas cuando el control predictivo se

perturbacin en escaln de la entrada. A esta estrategia se le denomin Dinamic Matrix

Existen varas aplicaciones experimentales e industriales

del control predictivo reportadas

destilacin y unatorre mecnica vollow-up servo turret).

Ambasaplicaciones muestran resultadosfavorablesancuando basados en modelos lineales

los controladores estn

y existen incertidumbres paramtricas

Ogunnaike (1994) trata el problema de desarrollo eimplementacinde

del esquema de control

El problema del desarrollo de controladores predictivos robustos ante

perturbaciones prctica y que estn

modelado es un problema deimportancia la comprensindetodos

requiere de investigacin, ademsde involucrados.

(1991) Sistu y Bequette

muestran un esquema de estimacin de

los autores presentan

no recomiendan su aplicacin prctica.

estabilidad de laley de control predictivo es un tema que ha

x(M) = x,,f para M 2 m (m=horizonte de control)