Control Multivariable

9A
CONTROL
1 MULTIVARIABLE
FICHA IDENTIFICATIVA DEL DOCUMENTO:
Master de instrumentacin y control

Mdulo: 9 Control Basado en Modelos
Tema: 9-1 Control Multivariable Predictivo
Autor: Rafael Gonzlez Martn, Francisco Cifuentes Ochoa
"Se debe hacer todo tan sencillo como sea posible, pero no ms sencillo"
Albert Einstein
INTRODUCCION
El Control Multivariable Predictivo constituye el estado del arte en el campo de Control

de Procesos. Se desarroll originalmente para resolver problemas especficos de control de
las plantas nucleares y de las refineras. La tecnologa de Control Multivariable se utiliza
hoy en da en plantas qumicas, sector alimentario, automvil, metalurgia, industria papelera
y otros entornos industriales.
Se han hecho distintos estudios comparativos de los distintos algoritmos, la mayora de los
cuales quedan obsoletos incluso antes de publicarse porque el campo del Control Predictivo
se encuentra en plena expansin y las tcnicas se mejoran continuamente. Existe un parecido
notable entre todos los algoritmos de Control Multivariable Predictivo. Este Mdulo presenta
de forma genrica este tipo de algoritmos, no obstante, cuando se trata de aspectos concretos
y a la hora de realizar las prcticas, se hace referencia al Controlador DMCPlus.
Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Control Multivariable Predictivo

ndice
1. INTRODUCCIN 4
1.1. Conocimientos previos 6
2. NIVELES DE AUTOMATIZACIN 7
3. TERMINOLOGA 8
3.1. Variables Controladas 8
3.2. Variables manipuladas 8
3.3. Variables de perturbacin o feedforward 9
3.4. Grados de libertad 9

4. PROCESOS MULTIVARIABLES 17
5. MODELO DINMICO DE UN PROCESO 21
5.1. Modelo de respuesta impulsional (FIR) 23
5.2. Modelo de respuesta a salto 24
5.3. Modelo Recursivo de Funcin de Transferencia 25
5.4. Definicin del Modelo Matricial 26
5.5. Uso del Modelo Matricial 29

5.5.1. Principio de Linealidad y Superposicin 29
5.5.2. Extensin del Modelo Matricial a un Proceso Multivariable 35
5.5.3. Formas de Utilizacin del Modelo Matricial 36
5.6. Proceso de Obtencin del Modelo Matricial Dinmico 38

6. CLCULO DE LA LEY DE CONTROL 42
6.1. Move Suppression Factors 45
6.2. Equal Concern Errors 49
6.3. Equal Concern Dinmicos 50

7. PROGRAMACION LINEAL Y RESTRICCIONES 51
7.1. Restricciones en las Variables Manipuladas 52
7.2. Restricciones en las Variables Controladas 54
7.3. Optimizacin 58
Master de Instrumentacin y Control Pgina 2
7.4. Estrategia cuando no existe solucin factible 60

7.4.1. CV Rank 60
7.4.2. LP Equal Concern Error 61
7.5. Imposicin de la solucin de la programacin lineal 61

8. FUNCIONAMIENTO DE UN CONTROLADOR
MULTIVARIABLE 62
9. OPERACIN DE UN CONTROLADOR
MULTIVARIABLE 66
10. RESUMEN DE PARMETROS DE AJUSTE 69
10.1. En el mdulo de Programacin Lineal: 69
10.2. En el mdulo de Control Dinmico 70

11. CRITERIOS DE IMPLANTACION 70
12. BIBLIOGRAFA 71

1. INTRODUCCIN
En mdulos anteriores (5 y 6) se ha estudiado el control bsico o control regulatorio que

utiliza de forma intensiva los controladores PI o PID. Se han visto tambin las llamadas
tcnicas de control avanzado (feedforward, ratio, selectores, etc) que amplan el concepto del
lazo regulatorio bsico y que constituyen lo que tradicionalmente se llama control regulatorio
avanzado o, directamente, control avanzado. Sin embargo, en la literatura tcnica actual, el
trmino APC (Advanced Process Control) hace referencia a aplicaciones que manipulan los
puntos de consigna de controladores regulatorios y que son bastante ms complejas que los
familiares PI o PID y las aplicaciones de control avanzado convencional por las siguientes
razones:
Normalmente manipulan y controlan varias variables al mismo tiempo y de ah la
designacin alternativa de controladores multivariables
Estos controladores calculan sus movimientos (outputs) basndose en las
predicciones futuras de las variables controladas, que a su vez se calculan a partir
de un modelo dinmico embebido en el controlador. Por esta razn a estos
controladores se les denomina tambin genricamente controladores predictivos
basados en modelos
Estos controladores pueden controlar variables dentro de lmites, en vez de
controlarlas a puntos de consigna y pueden manipular las variables considerando
objetivos econmicos mltiples.
A finales de la dcada de los 70 y comienzos de los 80, desarrollos independientes llevados a

cabo en Europa por Adersa (Richalet y col.,1978) y en los Estados Unidos por Shell Oil Co.
(Cutler y Ramaker, 1980; Prett y Gilelette, 1979) permitieron la introduccin de nuevas
tcnicas de control basadas en el concepto de prediccin mediante modelos : IDCOM
(Identification and Command) y DMC (Dynamic Matrix Control). Simultaneamente, algunos
grupos de investigacin en el campo del control adaptativo comenzaron a experimentar con
predictores multipaso (adaptativos) para sustituir a los predictores de k-pasos hacia adelante
que constituan el fundamento de los reguladores autosintonizados basados en el principio de
mnima varianza generalizada.
Durante los ltimos aos se ha puesto de manifiesto que todos estos mtodos y otros muchos
que fueron propuestos desde entonces tenan muchos elementos en comn y esencialmente
eran variaciones de un mismo tema central. Hoy en da los elementos claves del Control
Predictivo Basado en Modelos (CPBM) estn suficientemente establecidos y dan lugar a una
familia de mtodos de control que presentan algunas ventajas importantes cuando se les
compara con otros procedimientos alternativos. Entre estas mejoras pueden mencionarse las
siguientes :
a) Permite resolver problemas de control con conductas dinmicas no usuales (Sistemas
inestables en lazo abierto de fase no mnima).

b) Resulta particularmente atractivo al personal tcnico de planta que posee una formacin
limitada en problemas de control, ya que los conceptos pueden comprenderse en un
perodo corto de tiempo.
c) Puede manejar de una forma bastante directa problemas de control interactivos de tipo
multivariable.
d) Posee una compensacin inherente de los retardos puros del sistema.
e) Introduce de una manera natural la accin de control feedforward para compensar
perturbaciones medibles.
f) Es conceptualmente simple extender la estrategia de CPBM a problemas de control con
restricciones (p.e. restricciones sobre las variables manipuladas, variables controladas e
incluso sobre la velocidad de variacin de estas variables).
g) Los parmetros de diseo son parmetros de especificacin en lugar de parmetros de
sintona, es decir, estn relacionados directamente con el comportamiento del sistema.
h) Es una metodologa totalmente abierta que se basa en algunos principios bsicos pero
que permite aadir al campo posibles extensiones futuras.
i) Posee una caracterstica interesante de mirar hacia adelante que resulta
extraordinariamente til cuando se puede planificar la evolucin del punto de consigna
(como el control de procesos tipo batch o de robots).
Como la mayora de estas caractersticas son de gran importancia en problemas de control de

naturaleza prctica, no resulta sorprendente que hayan aparecido numerosas aplicaciones del
CPBM. Por supuesto que el CPBM tambin posee algunas desventajas. Fundamentalmente es
computacionalmente complejo. Aunque con la potencia de clculo disponible hoy en da no
representa un problema en el caso de aplicaciones en el campo del control de procesos donde
las plantas suelen ser generalmente lentas. Sin embargo pueden llegar a plantear
complicaciones cuando se trata de sistemas de tipo mecnico, servo-control y aplicaciones en
robtica (no obstante el CPBM resulta adecuado para efectuar clculos en paralelo con
sistemas multiprocesadores).
Una desventaja fundamental del CPBM es la necesidad de disponer de un modelo

conveniente del proceso. Esto explica por qu un gran nmero de mtodos han surgido del
campo del control adaptativo. En cualquier caso, algn tipo de modelizacin o identificacin
del sistema ser necesario y esto supone un precio a pagar. Una vez que se dispone de un
modelo, el CPBM es en si mismo un procedimiento relativamente directo. Conviene no
obstante sealar que esta desventaja se suaviza algo con el argumento de que tambin los
mtodos de control clsicos ( incluso el simple regulador PID) necesitan de un modelo del
proceso cuando tienen que sintonizarse para operar satisfactoriamente cuando el proceso tiene
una dinmica difcil de controlar.
Este captulo presenta de forma genrica este tipo de algoritmos, no obstante cuando se trata
de aspectos concretos se hace referencia al Controlador DMCPlus desarrollado por la
empresa Aspen Technology Inc.

1.1. Conocimientos previos
A pesar de su complejidad matematica, en este captulo se ha intentado introducir los

conceptos de forma intuitiva y mediante el uso de ejemplos. Sin embargo, es del todo
imposible poder prescindir del uso de ciertas herramientas matemticas para poder explicar
esta tecnologa con un cierto detalle. El nivel de conocimientos exigido al lector es realmente
mnimo, solo se necesitan nociones bsicas sobre el manejo de matrices y producto vectorial,
as como entender los conceptos fundamentales de la regresin lineal. Respecto al
conocimiento de procesos, se han utilizado casos prcticos presentes en cualquier planta
industrial. Por lo tanto, resulta conveniente que el lector conozca, al menos, los principios de
funcionamiento de una columna de destilacin binaria. Por supuesto, esta tecnologa es
tambin aplicable a otros tipos de procesos multivariables.

2. NIVELES DE AUTOMATIZACIN
En los mdulos anteriores hemos hablado de los esquemas de control bsico y control
avanzado. Hemos visto que la diferencia entre ambos es la dimensin del sistema que se
quiere controlar. En el caso del control bsico nos ceimos a un lazo que nicamente tiene
una variable que controlar y una variable que manipular. En el caso del control avanzado se
amplia el sistema que se quiere controlar y hablamos del control de la cabeza de una columna
o de la calidad del producto de fondo. En la estrategia de control avanzado se incluye ms de
un lazo de control simple.
Si podemos identificar el control bsico con lazos regulatorios PID, el control avanzado
estara compuesto por varios lazos regulatorios PID relacionados de alguna manera (cascada,
ratio, control con restricciones). La estructura del control es jerrquica, en el sentido de que
para que funcionen adecuadamente las aplicaciones de control avanzado, previamente han de
funcionar bien los lazos de control bsico. Esto quiere decir que la importancia del buen
funcionamiento del control bsico no slo no disminuye al implantar aplicaciones de control
avanzado, sino que aumenta puesto que stas son cascadas de lazos de control regulatorio.
Podemos distinguir cuatro niveles de automatizacin: control bsico, control avanzado,

control multivariable y optimizacin en lnea. Segn pasamos de un nivel de automatizacin
al siguiente la planta trabaja ms cerca de su verdadero ptimo econmico.
El control bsico es el conjunto de lazos regulatorios que proporcionan una operacin estable
y segura para los equipos de proceso. El nivel siguiente lo constituye el control avanzado. Si
en el control bsico todo gira en torno al lazo simple de control (PID) con una entrada y una
salida, el control avanzado expande el concepto y construye esquemas de control donde los
lazos simples se unen en estructuras jerrquicas que denominamos cascadas. En control
avanzado un controlador primario, en vez de manipular una vlvula, determina el punto de
consigna del controlador secundario. Las cascadas pueden estar compuestas de ms de dos
controladores. Adems mientras que el control bsico slo utiliza la retroalimentacin
(feedback) el control avanzado incluye el adelanto (feedforward) entre sus posibilidades. Esto
permite adelantarse en las acciones de control cuando se producen perturbaciones medibles.
Otras tcnicas de control avanzado son la utilizacin de variables calculadas (aporte de calor,
reflujo interno), el control por restricciones mediante selectores (maximizaciones,
minimizaciones, etc). Normalmente al ascender en los niveles de automatizacin las
necesidades de instrumentacin y analizadores son mayores.
El paso siguiente, ser considerar un sistema de control compacto para controlar toda una
columna de destilacin o toda una unidad de proceso tal como una Unidad de Crudo o una
Unidad de FCC. A este tipo de control es al que vamos a llamar Control Multivariable. El
control multivariable responde a la necesidad de controlar procesos en los que existen varias
variables a controlar, varias vlvulas que deben ser manipuladas simultneamente y donde la
manipulacin de una vlvula afecta a varias variables controladas. Este tipo de procesos es el
ms normal en la industria del refino. En este caso, el controlador ve todas las variables de
la unidad como un conjunto, como un sistema nico y considera los efectos de todas la
variables manipuladas en todas las variables controladas.
3. TERMINOLOGA
Volvemos a hacer hincapi en los trminos que estamos utilizando, aunque muchos de ellos
ya se definieron en los captulos anteriores.
3.1. Variables Controladas
Las variables de proceso que deben mantenerse en un valor determinado (Punto de consigna o
especificacin), o dentro de un rango prefijado, se denominan variables controladas (CVs).
Estas variables tambin se llaman variables dependientes puesto que constituyen la respuesta
del proceso a variaciones de las variables realizadas por un operador o el controlador.
Las especificaciones de calidad, ya estn medidas con un analizador en lnea, obtenidas

mediante algn clculo inferencial, o controladas a travs de medidas secundarias como
temperaturas de plato, etc, son variables controladas y dependiendo de lo rigurosa que la
especificacin, tendrn un punto de consigna o un pequeo rango dentro del cual su valor se
considera aceptable.
Las limitaciones fsicas de la Unidad tambin son variables controladas, aunque en este caso
no se trata de que las variables se encuentren en un punto determinado de operacin, sino de
que no sobrepasen determinados valores que afectan a la seguridad y controlabilidad del
proceso. A este tipo de variables controladas se les denomina restricciones. La temperatura
de skin de tubos de un horno, las aperturas de vlvulas, el procentaje de inundacin de una
columna de destilacin podran encuadrarse en este tipo de variables controladas.
3.2. Variables manipuladas
Para mantener a las CVs en los valores deseados, el controlador ajusta los valores de las
variables manipuladas (MVs). Estas variables tambin se llaman variables independientes.
Variables manipuladas son todas aquellas sobre las que acta el operador, bien fijando un
punto de consigna cuando el controlador est en modo AUTO o bien fijando el % de salida a
vlvula si el lazo est en MAN. En un controlador multivariable son manipuladas todas
aquellas variables a las que el controlador les fija un punto de consigna o directamente la
salida a vlvula.
En un controlador bsico PID hay slo una CV y una MV. (En el controlador de temperatura
de salida de un horno la CV sera la temperatura de salida medida y la MV sera el caudal de
combustible al horno). En un controlador multivariable existen mltiples CVs y mltiples
MVs. El controlador ve todas las variables conjuntamente como un solo sistema y

considera el efecto simultneo de todas las MVs en las CVs. Normalmente el nmero de
variables controladas y el nmero de variables manipuladas no es igual; puede haber ms o
menos MVs que CVs.
TERMINOLOGA BSICA
DV1
MV1 CV1
PROCESO CV2
MV2 CV3
VARIABLES INDEPENDIENTES
MANIPULADAS (MVs)
PERTURBACION (DVs)
VARIABLES DEPENDIENTES
CONTROLADAS (CVs)
(Calidades, Restricciones)
Figura 3-1 Terminologa Bsica
3.3. Variables de perturbacin o feedforward
Existen variables de perturbacin (DVs) que tambin son variables independientes y son
aquellas que provocan variaciones en las variables controladas, pero no pueden ser
manipuladas por el controlador. Tambin se llaman variables de adelanto o feedforward. El
caudal de carga a una columna si proviene de otra columna aguas arriba, la temperatura
ambiente, etc., son variables de perturbacin.
3.4. Grados de libertad

El estado de un proceso puede describirse mediante el valor que toman sus variables
principales. El estado se define cuando se especifica cada uno de los grados de libertad del
sistema. Los grados de libertad de un proceso representan el nmero mximo de controladores
independientes, que pueden colocarse en el proceso.
En el contexto del control de procesos, los grados de libertad son el nmero de variables que
pueden manipularse independientemente. Es muy importante tener claro cul es este nmero
para cualquier proceso, de modo que no se intente sobrecontrolar o subcontrolar el proceso.
El enfoque matemtico para encontrar los grados de libertad de cualquier proceso es sumar el
numero mnimo de variables que definen exactamente el punto de operacin de un proceso y
restarle el nmero de ecuaciones independientes
gl = v - r
gl = grados de libertad del sistema
v = nmero de variables que describen el sistema
r = nmero de relaciones independientes que se pueden establecer entre las variables.
Para ilustrar el concepto consideremos la ecuacin de los grados de libertad aplicada a tres
ejemplos comunes: el movimiento de un avin, de un barco y de un tren. Para cada vehculo
las variables que representan su posicin son las mismas: latitud, longitud y altura , por tanto
en los tres casos v = 3. El nmero de ecuaciones independientes que relacionan las tres
coordenadas espaciales es distinto en cada caso.
Para el avin no existe una relacin fija entre altitud (altura sobre el horizonte), longitud y
latitud, por tanto los grados de libertad para el avin son:
gl = v - r = 3 - 0 = 3
La respuesta es intuitivamente correcta, puesto que un avin puede volar libremente en
cualquier direccin en el espacio tridimensional.
El barco tiene las mismas variables de navegacin que el avin, pero suponiendo que el agua
est en calma, la altura es fija. Por tanto existe una ecuacin que establece:
altitud del barco = nivel del mar

y por tanto, los grados de libertad del barco son:
gl = v - r = 3 - 1 = 2

El barco puede moverse en dos direcciones, pero siempre estar en contacto con la superficie
del agua.
Por ltimo, el tren tiene tambin tres variables de navegacin, pero est confinado a unos
rales que tienen una posicin fija que puede describirse mediante dos ecuaciones:
altitud de los rales = contorno geolgico

latitud de los rales = funcin especfica de la longitud
La primera ecuacin fija la altitud igual a la elevacin de la superficie del terreno por donde
discurren los rales. La segunda ecuacin describe la trayectoria de los rales en trminos de
latitud y longitud (el trazado de la va). Por tanto, los grados de libertad del tren son:
gl = v - r = 3 - 2 = 1
El tren slo tiene un grado de libertad puesto que slo puede moverse a lo largo del trazado de
la va.
En el siguiente ejemplo se estudian los grados de libertad de un proceso mas cercano al

control de procesos. Se trata de un sencillo sistema de mezclas en el que se mezclan dos
corrientes de agua, una fra y otra caliente. Es posible modificar el caudal de agua fra y
caliente mediante la apertura de dos vlvulas de control situadas en cada lnea. Las variables
de inters son el caudal y temperatura de la mezcla. Este proceso se muestra el la Figura 3-2.
Variables del sistema :

qf, qc, Tf, Tc, q, t
qf(t), Tf(t)
Ecuaciones
TT FT
1 1 Tf = cte.
qc(t), Tc(t) Tc = cte.
q(t), T(t) q = qf + qc
T = 1/q (qf * Tf + qc * Tc)
Figura 3-2 Grados de libertad (2 grados )

Si consideramos que las vlvulas son lineales, para cada porcentaje de apertura corresponder
un caudal determinado qf y qc para el agua fra y caliente respectivamente, siendo seis el
nmero de variables que definen cualquier punto de operacin del sistema.

Considerando que las temperaturas de agua fra y caliente son constantes, se pueden
establecer cuatro ecuaciones independientes, dando lugar a 6-4= 2 grados de libertad.
Fsicamente esto quiere decir que de las seis variables del sistema, podemos elegir dos de
ellas y el resto vendrn fijadas automticamente . Por ejemplo, si elegimos un caudal y una
temperatura de la mezcla (q, t), las vlvulas automticamente se tienen que posicionar en
unas aperturas concretas y slo en esas. Si por el contrario, elegimos posiciones para las
aperturas de las vlvulas, entoces q y t pasan a ser dependientes y adoptaran el valor que
corresponda.
Veamos qu sucede si incluimos un controlador en el sistema. Pasamos a controlar el caudal

total manipulando la vlvula de agua fra, Figura 3-3. En este caso hay que aadir una ecuacin
adicional qc = F(q) ya que el caudal de agua fra pasa a ser funcin del punto de consigna del
controlador FC-1. En esta nueva situacin hemos reducido un grado de libertad, por lo que
solo queda uno disponible, o bien escogemos el punto de consigna del FC-1, o la apertura de
la vlvula de agua caliente.
Finalmente, la Figura 3-4 nos muestra el caso completo en el que adems hemos aadido un
control de temperatura, TC-1, manipulando el caudal de agua caliente. Agregamos una
ecuacin ms y por tanto hacemos que los grados de libertad sean cero, es decir, una vez
fijados los puntos de consiga del TC-1 y del FC-1 el resto de variables quedan totalmente
fijadas. Podemos extraer una conclusin interesante, por cada controlador que incluimos en
el proceso se pierde un grado de libertad.

SP

FC
qf(t), Tf(t) 1
Ecuaciones
TT FT
1 1 Tf = cte.
T = 1/q (qf * Tf + qc * Tc)
qc = F(q)
Figura 3-3 Grados de libertad (1 grado )


SP SP

TC FC
qf(t), Tf(t) 1 1
Ecuaciones
TT FT
1 1 Tf = cte.
T = 1/q (qf * Tf + qc * Tc)
qc = F(q)
qf = F(T)
Figura 3-4 Grados de libertad (0 grados )
Hemos visto el mtodo ortodoxo de clculo de grados de libertad, si bien es un ejercicio

interesante, hay una solucin ms fcil que consiste en simplemente sumar el nmero total de
vlvulas de control situadas racionalmente. La calificacin de racionalmente situadas es
para destacar que, por ejemplo, debemos evitar poner dos vlvulas de control en serie en la
misma tubera porque no se podran considerar controladores independientes.
Volviendo al mundo del control de procesos, podemos reescribir la ecuacin de los grados de
libertad como:
gl = n MVs disponibles- n CVs a controlar en un valor fijo (SP)
Por nmero de MVs disponibles entendemos aquellas variables manipuladas que pueden
moverse libremente. Cuando un lazo de control se pone en MANUAL el controlador pierde
un grado de libertad (y lo gana el operador de panel). Cuando una vlvula abre o cierra
completamente, el controlador pierde un grado de libertad.

CONDENSADOR
L
DEPSITO DE
REFLUJO REFLUJO
D XD
DESTILADO
F
XF
1
REBOILER
FLUDO
CALEFACTOR
XB
Figura 3-5 Grados de libertad en una Columna de Destilacin
En el contexto del control de procesos, vamos a ver la definicin de grados de libertad para
una columna de destilacin. En la Figura 3-5 vemos que hay cinco vlvulas de control, una en
cada una de las siguientes corrientes: destilado, reflujo, refrigerante, fondo y calentamiento
del fondo. Estamos asumiendo en este momento que la corriente de alimentacin est
impuesta por la unidad aguas arriba.
As, esta columna tiene cinco grados de libertad. Pero el balance de materia debe estar
siempre controlado. Los lazos del inventario afectan a niveles de lquido y a presiones. En la
columna de destilacin del ejemplo, esto significa que el nivel del lquido en el acumulador
de cabeza, el nivel del lquido en la base de la columna, y la presin en la columna deben
controlarse. Cuando decimos que la presin est controlada, no queremos indicar
necesariamente que se mantiene constante. Si la minimizamos estamos controlndola.

Si restamos las 3 variables que debemos controlar de las 5 que tenemos, nos quedamos con 2
grados de libertad. As, hay dos y slo dos variables adicionales que pueden ser controladas
en la columna de destilacin.
Hay que hacer notar que no hemos hecho ninguna suposicin sobre el nmero o tipo de
componentes qumicos que se est separando. As un sistema binario simple e ideal tiene dos
grados de libertad; un sistema de destilacin complejo, multi-componente y no ideal, tiene
tambin dos grados de libertad.
Las dos variables que se han elegido para ser controladas dependen de muchos factores.
Algunas situaciones comunes son:
1. Controlar la composicin de las impurezas de ligeros en el producto de fondo y la

composicin de impurezas de pesados en el destilado.
2. Controlar una temperatura en la zona de rectificacin de una columna y otra
temperatura en la zona de stripping de la columna.
3. Controlar el caudal de reflujo y la temperatura en algn sitio de la columna.
4. Controlar el caudal de vapor del reboiler y la temperatura cerca de la cabeza de la
columna.
5. Controlar la relacin de reflujo (relacin entre caudal de reflujo y caudal de
destilado) y una temperatura de la columna.
Estos ejemplos ilustran que (a) slo se pueden controlar dos cosas y (b) normalmente se
controla al menos una composicin (o temperatura) en algn lugar de la columna. Una vez
especificadas las cinco variables a ser controladas (por ejemplo, dos temperaturas, dos
niveles, y la presin), tenemos el problema de decidir qu variable manipulada vamos a usar
para controlar qu variable controlada. Este problema de emparejamiento se llama determinar
la estructura del sistema de control.
Con la redefinicin de grados de libertad que hemos dado, nos podemos encontrar en tres
situaciones respecto a los grados de libertad del controlador a la hora de controlar un proceso:
Un proceso cuadrado, es decir un proceso en el que no hay grados de libertad porque

el n de MVs disponibles es igual al n de CVs que se quieren controlar en un valor
determinado. En la mayora de las columnas de destilacin binarias que trabajan a
presin fija, si se quiere controlar las calidades de cabeza y fondo a un punto de
consigna, los caudales de reflujo y calor al reboiler quedan determinados unvocamente.
El proceso slo tiene un punto de operacin. No tiene ningn grado de libertad.
Un proceso estrecho en el que el n de CVs que se quiere controlar estrechamente
es superior al n de MVs disponibles. El nmero de grados de libertad es negativo. Si
fuera posible, es lo que nos gustara a todos, ser capaces de controlar todo el proceso
con una sola variable. Al controlador se le pide ms de lo que puede dar y no ser capaz
de satisfacer todas las peticiones. Si llegamos a este caso tendremos que definir unas
prioridades; puesto que no es posible satisfacer simultneamente todas las
especificaciones es preciso decirle al controlador cules consideramos de mayor
importancia y qu especificaciones deben sacrificarse.
Un proceso amplio en el que existen ms MVs disponibles que CVs que quieran
controlarse a punto de consigna. En este caso la ventana de operacin es muy amplia, es
decir, se puede operar de muchas maneras distintas y todas cumplen con las
especificaciones requeridas. El proceso tiene grados de libertad positivos. El
controlador tiene muchas posibilidades pero se le pide muy poco. En este caso hay que
decirle al controlador cul es el criterio para discriminar entre los distintos puntos de
operacin. Este criterio normalmente ser econmico: de todas las operaciones posibles
que aseguran la calidad de los productos, operar en el punto en que se consiga un
mximo beneficio o un coste mnimo.
El nmero de grados de libertad de un controlador no es algo inherente al proceso, depende de

lo que se le pida y cmo se le pida. Si queremos controlar una variable en un valor fijo esto le
cuesta al controlador un grado de libertad. Si en vez de un punto determinado especificamos
un rango, el controlador tiene una cierta libertad. Si este rango es muy estrecho habremos
ganado poco. Las limitaciones tambin pueden ponerse en las variables manipuladas. Si el
rango en que se permite mover una variable manipulada es muy estrecho estaremos
restringiendo al controlador. Ms adelante volveremos sobre la importancia de los grados de
libertad.(ver Figura 3-6).
La estructura del proceso determina los grados de libertad disponibles

para el controlador.
MVs
MVs
MVs
CVs CVs CVs
Proceso amplio
CVs < MVs
Proceso cuadrado Grados de libertad > 0
CVs = MVs
Proceso estrecho grados de libertad = 0
CVs > MVs
grados de libertad < 0
Figura 3-6 Grados de Libertad de un Proceso.

4. PROCESOS MULTIVARIABLES
En un proceso multivariable el problema con que nos encontramos no es el nmero de

variables que contemplamos, sino la interaccin que se da entre dichas variables. Los
procesos de refino son altamente interactivos, lo cual significa que cada variable manipulada
afecta a muchas variables controladas y cada variable controlada est afectada por muchas
variables manipuladas. En general vamos a definir un proceso multivariable como aquel en
el que existen variables dependientes e independientes que interactan entre s.
Una columna de destilacin binaria es un buen ejemplo de proceso multivariable. Qu

variables podramos considerar dependientes o controladas? La calidad del producto de
cabeza, la calidad del producto de fondo (ya estn ambas medidas mediante analizador o se
utilice alguna temperatura como indicacin de calidad), el nivel del acumulador de cabeza, el
nivel en el fondo de la columna, la prdida de carga a travs de columna (medida como
diferencia de presin entre la cabeza y el fondo), etc. Qu variables podramos considerar
manipuladas? El caudal de destilado, el caudal de reflujo, la presin a la que trabaja la
columna, el caudal de producto de fondo y el aporte de calor al reboiler. El caudal de carga y
la temperatura de carga podran considerarse variables de perturbacin.
Veamos por qu este proceso es multivariable. Elijamos una variable manipulada, por
ejemplo el reflujo, y veamos qu efecto tiene un aumento de reflujo en las variables que
hemos definido como controladas, cuando las restantes variables manipuladas se mantienen
constantes.
- La calidad del producto de cabeza mejora (mayor pureza)

- La calidad del producto de fondo empeora (mayor impureza)
- La prdida de carga a travs de la columna aumenta
- El nivel del acumulador de cabeza disminuye
- El nivel en el fondo de la columna aumenta
Esto se muestra grficamente en la Figura 4-1.

CALIDAD PRODUCTO CABEZA
NIVEL DEL ACUMULADOR
D
SI EL
REFLUJO L
AUMENTA
PRDIDA DE CARGA
NIVEL DEL
FONDO
CALIDAD PRODUCTO DE FONDO
Figura 4-1 Influencia de un aumento de reflujo en las variables controladas.
Del mismo modo, si elegimos una variable controlada, por ejemplo la calidad del producto de
cabeza, vemos que mejora cuando:
- Aumenta el caudal de reflujo

- Disminuye el aporte de calor al reboiler
- Aumenta la presin de trabajo
Vemos que cada variable manipulada afecta a varias controladas y cada variable controlada
est afectada por varias variables manipuladas. Si simplificamos el problema y controlamos el
nivel del acumulador de cabeza con el caudal de destilado y el nivel del fondo con el caudal
de producto de fondo, an nos quedan dos calidades que controlar con el caudal de reflujo y
el aporte de calor al reboiler.
La solucin tradicional sera poner el control de calidad de cabeza sobre el reflujo y el control
de calidad de fondo sobre el aporte de calor al reboiler. Si recordamos cmo funciona un lazo
de control bsico, ante un empeoramiento de la calidad de cabeza el reflujo aumentar, pero
un aumento del reflujo hemos visto que lleva aparejado un empeoramiento de la calidad de
fondo, por lo que el controlador del calidad de fondo responder aumentando el aporte de
calor. Este aporte de calor mejora la calidad del producto de fondo, pero lleva aparejado un
empeoramiento de la calidad del producto de cabeza. La Figura 4-2 muestra este proceso.

ALIMENTACIN
TI
FI
AI
SP
FC AI
PDI
VAP 50# SP
FC
CONDEN
AI SADO
Figura 4-2 Control de una Columna Binaria
Este ciclo es lo que denominamos acoplamiento y existen tcnicas destinadas a atenuar su

efecto, pero nunca pueden eliminarlo. El problema del acoplamiento es que existen dos lazos
de control que tiene objetivos que entran en competencia, pero al no existir una estrategia de
control nica, los dos lazos de control estn luchando de manera permanente sin que
ninguno de ellos tenga conocimiento de lo que est haciendo el otro. Podemos decir que el
control de un proceso multivariable mediante un conjunto de lazos bsicos (PID) siempre ser
defectuoso puesto que ningn controlador sabe de los restantes controladores.
La caracterstica fundamental del control multivariable es que es capaz de ver el proceso en su

conjunto y establecer una estrategia nica sin que existan objetivos que entren en
competencia, puesto que el controlador ve todos los objetivos simultneamente y es fcil
especificar las prioridades en el caso de que no todos los objetivos se puedan satisfacer. Este
cambio en la estrategia de control queda representado en la Figura 4-3.

ALIMENTACIN
TI CONTROLADOR
FI DMC LISTA DE VARIABLES
AI INDEPENDIENTES
SP DV1 Temperatura de
FC AI Alimentacin
DV2 Caudal Alimentacin
PDI DV3 Composicin Alimentacin
VAP 50# MV1 Caudal Extraccin Cabeza
SP
MV2 Caudal Vapor Hervidor
FC
AI CONTROLADAS
CV1 Composicin Cabeza
CV2 Composicin Fondo
CV3 Presin Diferencial Torre
CONDENSADO
Figura 4-3 Control de una Columna Binaria con DMC
Resumiendo, en cualquier unidad de proceso los lazos de control interaccionan unos con
otros. Esta interaccin se denomina acoplamiento. Pues bien, el control multivariable es el
control simultneo y coordinado de varias variables acopladas. Esto significa que un
controlador multivariable mover de manera simultnea todas las variables manipuladas para
controlar todas las variables controladas.

5. MODELO DINMICO DE UN PROCESO
Dnde est la magia del control multivariable? Cmo es posible manipular

simultneamente todas las variables manipuladas para mantener en los puntos de consigna o
en sus rangos a las variables controladas? Cmo sabe el controlador el efecto de cada
variable manipulada en cada variable controlada ?
La respuesta est en el modelo. Un controlador multivariable dispone de un modelo del

proceso que va a controlar.
cv
mv
tiempo
cvm
Modelo
tiempo
tiempo
Figura 5-1 Concepto de Modelo
Vagamente podramos decir que un modelo es una herramienta que nos permite responder
cuestiones referentes a un sistema sin tener que experimentar con dicho sistema. La Figura 5-1
muestra este concepto, pretendemos hacer un cambio en alguna variable independiente (mv)
del proceso y observar la evolucin en el tiempo de alguna variable dependiente (cv). Sera
interesante diponer de algn medio, modelo, al cual si le aplicamos la misma variacin (mv)
se obtenga una evolucin (cvm) que sea lo ms parecida posible a (cv).
En la vida normal utilizamos modelos de manera continua. Por ejemplo, al decir que una
persona es amable estamos utilizando un modelo de comportamiento. Este modelo nos
ayuda responder a la cuestin de cmo reaccionar dicha persona si le solicitamos un favor.
Tambin utilizamos modelos para sistemas mecnicos basados en la intuicin y la
experiencia. El aprendizaje de cmo conducir un coche consiste, en parte, en desarrollar un
modelo mental de las propiedades de conduccin del coche. La idea que tiene un operador
sobre cmo reaccionar el proceso frente a diferentes actuaciones es tambin un modelo
mental desarrollado mediante formacin y adquisicin de experiencia.

Otro tipo de modelo seran los modelos verbales donde el comportamiento de un sistema bajo
diferentes condiciones se describe mediante palabras: si los tipos de inters aumentan,
tambin aumentar el paro. Los sistemas expertos son ejemplos de modelos verbales
formalizados. No es lo mismo el modelo mental que el modelo verbal. Cuando montamos en
bicicleta estamos utilizando un modelo mental de la dinmica de la bici, pero nos sera muy
complicado convertir dicho modelo en un modelo verbal.
Existen modelos fsicos que tratan de imitar al sistema a estudiar, como la maqueta que utiliza
un arquitecto para analizar la esttica del edificio que est proyectando.
Pero los modelos de los que vamos a hablar en esta seccin, los modelos de los que hace uso
el controlador multivariable son de otro tipo; son modelos matemticos. Con esto queremos
decir que las relaciones entre las distintas variables (caudales, temperaturas, presiones,
composiciones, etc) que podemos observar en el sistema (el proceso) son descritas como
relaciones matemticas en el modelo.
h
qo
Modelo esttico: Modelo dinmico:

Relaciona las variables en un Relaciona las variables a
estado de equilibrio lo largo del tiempo
d h
qo = k h A = q k h
d t
Figura 5-2 Modelos estticos y dinmicos

Una primera clasificacin de modelos matemticos divide a los modelos en estticos y
dinmicos. Los primeros solo tienen en cuenta las variables de proceso en un punto
estacionario e independiente del tiempo, los dinmicos complementan al modelo esttico en
que son capaces de relacionar las variables del proceso en rgimen dinmico, es decir, su
evolucin a lo largo del tiempo. La Figura 5-2 muestra un proceso sencillo en el que se
pretende modelar el caudal de salida de un tanque, se puede observar que el modelo esttico
se compone de una ecuacin algebraica mientras que el dinmico necesita de una ecuacin
diferencial.

En realidad cualquier modelo a partir del cual se puedan calcular predicciones puede
utilizarse para CPBM ( continuo o discreto, funcin de transferencia, espacio de estados o
convolucin, lineal o no lineal incluso modelos basados en reglas, modelos basados en redes
neuronales). La tecnologa CPBM est abierta a futuras extensiones y a otros campos de
investigacin. Actualmente los modelos ms utilizados son:
5.1. Modelo de respuesta impulsional (FIR)
Es el utilizado en el algoritmo IDCOM de Setpoint, tambin denominado modelo de

convolucin. La respuesta del sistema en el instante actual es el resultado de la secuencia de
entradas pasadas. El estado actual del sistema slo se debe a las variaciones que haya habido
en el pasado en las entradas (variables independientes).
n
y (t) = h u( t j ) h u( t j ) = H ( q
j =1
j
j =1
j
1
) u( t )
donde los hj son los coeficientes de la respuesta impulsional y donde:
H(q-1) = h1 q-1 + h2 q-2 +... + hn q-n
Claramente debe truncarse despus de un punto n, a partir del cual el sistema se considera
estable. Utilizando este modelo la prediccin puede escribirse como:
n
y(t+k/t) = h u( t + k j / t ) = H ( q
j =1
j
1
) u( t + k / t )
Hay que hacer notar que : u(t+k/t) = u(t+k) para k<0
La ventaja del modelo FIR (Finite Impulse Response) es que no necesita ninguna informacin
a priori y puede describir cualquier dinmica por inusual que sea. Puesto que no hay trminos
recursivos, la prediccin es simple y menos sensible a errores del modelo. (Es sabido que la
recursin introduce grandes errores incluso cuando los parmetros del modelo recursivo son
ligeramente incorrectos).
La principal desventaja es que este modelo no puede aplicarse directamente a sistemas

inestables y que contiene un gran nmero de parmetros (n es generalmente del orden de 30 a
50).

MODELO RESPUESTA IMPULSIONAL
u(t) y(t)
h2
h3
1 h1 h4
h5
PROCESO
Figura 5-3 Modelo Respuesta Impulsional
5.2. Modelo de respuesta a salto
Es el modelo utilizado por el algoritmo DMC de Dynamic Matrix Control Corporation,

siendo este algoritmo el ms utilizado en nuestra compaa.
Si tras un salto en escaln de la variable manipulada, el sistema alcanza un valor estacionario

al cabo de n periodos de muestreo, tendremos:
n
y(t) = yo + g j u( t + k j / t ) = yo + G(q-1)(1-q-1)u(t)
j =1
donde gj son los coeficientes de la respuesta a salto y u(t) = u(t) - u(t-1). Adems yo
representa el afecto acumulativo de los incrementos de control n periodos de muestreo antes
suponindose que la salida est asentada en un valor constante.
La prediccin de la respuesta del proceso se calcula como:
n
y(t+k/t) = g u(t + k j / t ) = G(q-1)(1-q-1)u(t+k/t)
j =1
j
Los coeficientes de la respuesta impulsional y la respuesta a salto estn relacionados:
j
gj = h
i =1
i ( j = 1... n ; go = 0 ) y hj = gj - gj-1 ( j = 1... n ; ho = 0 )
El modelo de respuesta a salto tiene las mismas ventajas y desventajas que el modelo de
respuesta impulsional.

MODELO RESPUESTA A SALTO
u(t) y(t) gn
g3
g2
1 g1
PROCESO
u(t) y(t)
Figura 5-4 Modelo Respuesta Impulsional
5.3. Modelo Recursivo de Funcin de Transferencia
Es el modelo empleado por el algoritmo RMPCT de Honeywell. El proceso se describe

mediante una ecuacin en diferencias:
y(t) + a1 y (t-1) + a2 y (t-2) + ... + ana y (t- na) = b1 u (t-1) + b2 u (t-2) + ... + bnb u (t-nb)
o, de manera abreviada A(q-1) y (t) = B(q-1) u (t).
En este tipo de modelo, la respuesta actual del proceso no slo depende de los cambios
pasados en las entradas, sino tambin de las respuestas anteriores.
La prediccin de la respuesta del proceso se calcula como:
B ( q 1 )
y (t+k/t) = u( t + k / t )
A ( q 1 )
La ventaja de este modelo es que puede utilizarse para procesos que no sean estables. El
nmero de parmetros que definen el modelo es mucho menor que en el caso de los modelos
FIR o respuesta a salto.
La desventaja es que hay que especificar el orden de na y nb. Adems, como ya se ha

sealado anteriormente, su naturaleza recursiva hace mucho ms difcil la prediccin y tiene
una gran sensibilidad a los errores.
Los modelos de inters para el Control Multivariable relacionan varias variables

independientes con varias variables dependientes, esto hace que el modelo sea ms complejo
que el caso monovariable de una variable independiente con una variable dependiente.

5.4. Definicin del Modelo Matricial
El control multivariable relaciona matemticamente el efecto en cada variable controlada

causado por un cambio en cada variable manipulada. A cada pareja variable
independiente/variable dependiente le vamos a denominar subproceso. El modelo del proceso
completo que utiliza el controlador, est compuesto por una matriz de modelos de los
subprocesos. Una matriz no es sino una manera de ordenar elementos en filas y columnas.
Cada elemento de la matriz que utiliza el controlador es un modelo de un subproceso que
describe como se manifiesta en el tiempo el efecto de una variable independiente (MV o DV)
sobre una CV.
En realidad el modelo del que estamos hablando no es ms que una secuencia de nmeros,
que indican los incrementos en el valor de la variable controlada, debidos a un incremento de
una unidad (en las unidades de ingeniera correspondientes) en una variable manipulada,
cuando todas las dems variables independientes permanecen constantes.
Mediante el uso de un ejemplo sencillo vamos a ilustrar este concepto. El sistema lo

constituye un horno de proceso, la variable controlada es la temperatura de salida del horno y
la variable que se manipula para conseguirlo es el caudal de combustible.
Si mantenemos el caudal de carga al horno y la temperatura de entrada al horno constantes y

aumentamos el caudal de combustible en una unidad ( 1 m3/h de fuel-oil), podramos obtener
una respuesta como la que se muestra en la Figura 5-5.
308
306
CV 6 7 7
304
302 4
300 1
t0 1 2 3 4 5 6
MV 1
Figura 5-5 Respuesta cuando aumenta el caudal de combustible.

El modelo del subproceso caudal de combustible/temperatura de salida de horno podra estar

representado por la secuencia (1, 4 , 6 , 7 , 7 ). Esto es lo que se llama matemticamente un
vector. El primer elemento del vector ( el uno) representa el incremento en la temperatura al
cabo de un periodo de muestreo, que vamos a suponer de un minuto. El segundo elemento del
vector (el cuatro) representa el incremento de la temperatura al cabo de dos minutos.
Esto significa que cuando aumentamos el caudal de combustible en una unidad, la

temperatura de salida del horno aumenta un grado al cabo de un minuto, al cabo de dos
minutos aumenta cuatro grados, cuando han pasado tres minutos la temperatura ha
aumentado seis grados, a los cuatro minutos siete grados y en este valor queda estabilizada.
La informacin que nos da cada uno de estos modelos para cada subproceso es:
La ganancia en estado estacionario (CV/MV) , es decir, en qu valor se va a estabilizar

el incremento. En el caso que estamos analizando, la ganancia del subproceso es 7, que
significa que al aumentar una unidad el caudal de combustible, la temperatura de salida va
a aumentar 7 grados.
El tiempo de estabilizacin o tiempo que tarda en llegar al estado estacionario. En el caso

estudiado es de cinco minutos. En realidad no hemos especificado si el perodo de
muestreo es de minutos, segundos u horas. De la grfica que mostramos en la Figura 5-5
slo podemos deducir que el tiempo de estabilizacin son cinco perodos de muestreo, pero
vamos a suponer que dicho periodo de muestreo es de un minuto (cada minuto tenemos
una nueva lectura del valor de las variables).
La dinmica del subproceso, es decir, cmo evoluciona la variable controlada hasta que
llega al estado estacionario. Si el subproceso tiene tiempo muerto (tiempo muerto es el
tiempo que transcurre desde que se ha movido la variable manipulada, hasta que empieza a
moverse la controlada), este aparecer como ceros iniciales en la secuencia. Por ejemplo
un subproceso que se represente por la secuencia (0,0,0,0,1,3,5,6,7,8,8,8) tiene un tiempo
muerto de cuatro minutos, una ganancia de ocho y un tiempo de estabilizacin de diez
minutos. Ver la Figura 5-6.

Tiempo de estabilizacin
8
7 G
6 A
N
CV 5
A
4 N
3 C
2 Tiempo I
muerto A
1
t0 t1 t2 t3 t4 t5 t6 t7 t8 t9 t10 t11
MV 1
Figura 5-6 Informacin de los modelos.
En los controladores reales, estos vectores tienen del orden de 100 elementos, y cuando se
representan grficamente (ver Figura 5-7), adquieren la apariencia de curvas continuas como la
siguiente, donde el cambio en la MV es siempre de una unidad:
0.2
Respuesta escaln
de CV1 vs MV1 0.1
0
-0.1 Ganancia: 0.17
-0.2 90 min
Figura 5-7 Respuesta escaln.

Ahora ya sabemos que cada una de dichas curvas representa el modelo matemtico del
subproceso que liga una MV/DV con una CV. El proceso completo estar representado por
una matriz de subprocesos, en donde las filas corresponden a las variables independientes
(MVs y DVs) y las columnas corresponden a las variables dependientes (CVs).
As, la matriz dinmica de un sistema con tres variables independientes (2 MVs y una DV) y
dos variables dependientes podra tener el siguiente aspecto:

CV1 CV2
MV1 ganancia = 1
MV2 ganancia = -1.3

ganancia =0.3
DV1 ganancia = -2
ganancia = 0.1
90 min
Figura 5-8 Matriz dinmica de un sistema con 3 INDS y 2 variables dependientes.
En este proceso imaginario, la variable MV1 slo tiene efecto sobre la variable controlada
CV1 y no afecta a la CV2. La variable MV2 tiene efectos en CV1 y CV2, y en caso de CV1
tiene lo que se denomina respuesta inversa, esto es, al aumentar MV2 en un primer momento
CV1 disminuye, para luego aumentar, siendo el efecto total un aumento en CV1 de 0.3
unidades al aumentar MV2 en una unidad. La variable de perturbacin DV1 afecta tambin a
las dos variables controladas. En el caso de la variable CV2, vemos que el efecto de DV1 es
slo dinmico porque cuando se llega al estado estacionario el valor de CV2 slo ha
aumentado en 0.1 unidades.
5.5. Uso del Modelo Matricial
Una vez que sabemos de qu tipo es el modelo que utiliza el controlador vamos a ver cmo y
para qu utiliza el controlador multivariable estos modelos.
A partir del modelo el controlador es capaz de predecir el comportamiento futuro de las

variables controladas. Para poder realizar esta prediccin suponemos que el proceso es
lineal, y que los efectos de las distintas variables independientes se pueden superponer. Esta
suposicin se fundamenta en el principio de linealidad y superposicin que se explica a
continuacin.
5.5.1. Principio de Linealidad y Superposicin

Qu quiere decir que el proceso es lineal? Si volvemos al ejemplo del caudal de combustible
y la temperatura de salida del horno tendramos 1 :
1
Se aplica la convencin CVN = CV en el periodo de muestreo nmero N.
8
6
7 7
6
4
4
2
1
t0 1 2 3 4 5 6
La respuesta a un cambio de 1 unidad en la MV
CV1 - CV0 = 1 * (variacin de MV en t0 = 1)
Figura 5-9 Respuesta del horno a un cambio de una unidad en la MV.
Si en vez de realizar un incremento de una unidad en el caudal de combustible, hacemos un

incremento de tres unidades, si el proceso es lineal obtendremos:

La respuesta a un cambio de 3 unidades en la MV
21 21
CV 18
12
3
t0 1 2 3 4 5 6
MV 3
CV1 - CV0 = 1 * (variacin de MV en t0 = 3) = 3

Figura 5-10 Respuesta a un cambio de tres unidades en la MV.
Si en vez de aumentar la variable manipulada, lo que hacemos es disminuir su valor en dos

unidades, o lo que es lo mismo, practicar un incremento negativo de dos unidades, la
respuesta del proceso lineal sera:

La respuesta a un cambio de -2 unidades en la MV
-2
CV -8
-12
-14 -14
t0 1 2 3 4 5 6
MV -2
CV1 - CV0 = 1 * (variacin de MV en t0 = -2) = -2

Figura 5-11 Respuesta a un cambio de una dos unidades negativas en la MV.
Si el proceso es lineal, tambin podemos aplicar el principio de superposicin, que significa

que para saber el efecto de los distintos incrementos aplicados en el tiempo a la variable
manipulada slo tenemos que sumar los efectos de cada incremento por separado.

10
6 7 7
5
4 4
CV 0 1
-1
-5 -2
-5
-7 -7
-10 -8
-12
-14 -14
0
1 -2
MV
CV1 - CV0 = 1 *(1) =1
CV2 - CV0 = 4 *(1) + 1*(0) =4
CV3 - CV0 = 6 *(1) + 4*(0) + 1*(-2) = 4
CV4 - CV0 = 7 *(1) + 6*(0) + 4*(-2) = -1
CV5- CV0 = 7 *(1) + 7*(0) + 6*(-2) = -5
CV6 - CV0 = 7 *(1) + 7*(0) + 7*(-2) = -7
CV7 - CV0 = 7 *(1) + 7*(0) + 7*(-2) = -7
Figura 5-12 Linealidad y superposicin.
El conjunto de ecuaciones anteriores se puede sustituir por una forma ms genrica, en la que
IN representa el valor de la entrada en el instante N. De esta forma se obtienen las ecuaciones
siguientes:
CV1-CV0 = 1*(I1-I0) =1
CV2-CV0 = 4*(I1-I0) + 1*(I2-I1) =4
CV3-CV0 = 6*(I1-I0) + 4*(I2-I1) + 1*(I3-I2 ) =4
CV4-CV0 = 7*(I1-I0) + 6*(I2-I1) + 4*(I3-I2 ) = -1
CV5-CV0 = 7*(I1-I0) + 7*(I2-I1) + 6*(I3-I2 ) = -5
CV6-CV0 = 7*(I1-I0) + 7*(I2-I1) + 7*(I3-I2 ) = -7
CV7-CV0 = 7*(I1-I0) + 7*(I2-I1) + 7*(I3-I2 ) = -7

Sustituyendo CVN-CV0 por CVN y IN-IN-1 por IN-1, se obtiene (obsrvese que denota
variaciones con respecto al instate N=0, mientras que se refiere a variaciones con respecto
al instante anterior) :
CV1 = 1*(0) =1
CV2 = 4*(0) + 1*(1) =4
CV3 = 6*(0) + 4*(1) + 1*(2) =4
CV4 = 7*(0) + 6*(1) + 4*(2) = -1
CV5 = 7*(0) + 7*(1) + 6*(2) = -5
CV6 = 7*(0) + 7*(1) + 7*(2) = -7
CV7 = 7*(0) + 7*(1) + 7*(2) = -7
Escribiendo estas ecuaciones en forma de producto matricial se obtiene :
CV1 1 0 0 1
CV 4 1 0 4
2
CV3 6 4 1 I 0 4

CV4 = 7 6 4 I1 = 1
CV5 7 7 6 I 2 5

CV6 7 7 7 7
CV 7 7 7 7
7
Esta relacin escrita en notacin matricial se expresa de la siguiente forma :
A * i = cv (prediccin)
siendo :
A Matriz dinmica
i Vector columna de los valores de entrada o variable manipulada (MV)
cv Vector columna Prediccin de los valores de salida o variable controlada (CV)
En el ejemplo anterior se ha hecho una prediccin a lo largo de 7 intervalos de tiempo para un

proceso de una entrada / una salida (SISO), que se estabiliza en cinco intervalos de tiempo
mostrando el efecto de 3 movimientos en la variable manipulada. Los movimientos son : +1
(t1), 0 (t2), -2 (t3). Sustituyendo IN por los valores usados anteriormente resulta :

CV1 1 0 0 1
CV 4 1 0 4
2
CV3 6 4 1 1 4

CV4 = 7 6 4 0 = 1
CV5 7 7 6 2 5

CV6 7 7 7 7
CV 7 7
7 7 7
5.5.2. Extensin del Modelo Matricial a un Proceso Multivariable
La estructura del Modelo Matricial anterior se puede extender fcilmente a procesos con
mltiples entradas y mltiples salidas (MIMO). Supongamos que tenemos un proceso como el
de la Figura 5-8, en el que hay tres entradas (2 MVs, 1DV) y dos salidas (2 CVs).
Supongamos tambin que el proceso se estabiliza en cinco intervalos de tiempo y
consideremos el efecto de dos movimientos en las variable manipuladas y variable de
perturbacin. El modelo que representa este proceso tiene la siguiente forma matricial :
A * mv = cv
a1 0 b1 0 c1 0 CV 11
a a1 b2 b1 c2 c1 CV 1
2 2
a3 a2 b3 b2 c3 c2 CV 13

a4 a3 b4 b3 c4 c3 MV 10 CV 14
a5 a4 b5 b4 c5 c4 MV 11 CV 15

a5 a5 b5 b5 c5 c5 MV 2 0 CV 16
d = CV 2
0 e1 0 f1 0 MV 21
1 1

d 2 d1 e2 e1 f2 f1 DV 10 CV 2 2
d CV 2
d2 e3 e2 f3 f 2 DV 11
3 3

d 4 d3 e4 e3 f4 f3 CV 2 4
CV 2
d
5 d4 e5 e4 f5 f 4 5
d 5 d5 e5 e5 f5 f 5 CV 2 6
donde :
A Matriz dinmica de coeficientes
mv Variacin de las variables de entrada
cv Prediccin de la variacin de las variables de salida
aN coeficientes que relacionan MV1 con CV1
bN coeficientes que relacionan MV2 con CV1
cN coeficientes que relacionan DV1 con CV1
dN coeficientes que relacionan MV1 con CV2
eN coeficientes que relacionan MV2 con CV2

fN coeficientes que relacionan DV1 con CV2
Este tipo de modelo se denomina habitualmete Modelo de Convolucin Discreta.
5.5.3. Formas de Utilizacin del Modelo Matricial
As pues, si disponemos de un modelo del proceso, es posible conocer la evolucin de las

variables controladas, si sabemos cmo se han movido las variables manipuladas. Esto
permite predecir el comportamiento de las variables controladas basndonos en la
historia pasada de las variables manipuladas. Si en el momento actual (t0) conocemos las
variaciones pasadas de las variables manipuladas, (el pasado de las MVs), podemos predecir,
segn nuestro modelo, el comportamiento futuro de las variables controladas, suponiendo que
las variables manipuladas se mantenienen en el mismo valor actual (que los incrementos
futuros son cero). Esto es lo que se denomina respuesta libre del sistema, es decir, hacia
donde evolucionar el sistema (las variables controladas) a partir del instante actual, si no se
toma ninguna accin de control.
CV valor predicho
de CV
MV
Pasado Futuro
Momento actual
Figura 5-13 Evolucin de la variable controlada.
Por otra parte, la existencia de un modelo que relaciona las variaciones en las variables
manipuladas con los efectos en las variables controladas, nos permite conocer cul ser el
resultado de una estrategia de control determinada. Si en el momento actual (t0)
postulamos unas acciones de control futuras (movimientos de las variables manipuladas en el
futuro), podemos saber qu efecto van a tener dichas acciones de control. Esto es lo que se
denomina respuesta forzada del sistema, puesto que es debida a las acciones de control que se
tomen a partir del instante actual.

CV
MV
Futuro
t=0
Figura 5-14 Respuesta Forzada del Sistema.
La prediccin de la respuesta del sistema, es decir, de la evolucin de la variable controlada a

partir del instante actual (t0), tiene dos componentes: una que depende de los movimientos de
las variables manipuladas en el pasado, y otra que depende de los movimientos de las
variables manipuladas en el futuro. La prediccin de respuesta del sistema es la suma de
estas dos componentes.
Muy esquemticamente podemos decir que en cada ejecucin, el controlador:
Basndose en la historia de las variables manipuladas, (cmo se han movido en las
ejecuciones anteriores) y en el modelo dinmico que pose, predice cul va a ser la
evolucin de las variables controladas si no se toman acciones de control. Dicho de
otro modo, qu va a pasar si no hacemos nada (si no se toca ninguna variable
manipulada).
Si existe un punto de consigna, o un valor deseado de las variables controladas,
calcula las acciones de control (movimientos en las variables manipuladas) necesarias
para acercarse lo ms posible a dichos valores deseados. Dicho de otro modo, qu
tenemos que mover para llegar a donde queremos ir.
Tenemos tres elementos con los que trabajar: las variables controladas, las variables
manipuladas y el modelo que describe matemticamente el efecto de las variables
manipuladas sobre las variables controladas. Hemos visto dos operaciones posibles:
PREDICCION
MODELO
HISTORIA PREDICCION
VARIABLES VARIABLES
MANIPULADAS CONTROLADAS
Figura 5-15 Prediccin.

CONTROL
MODELO
OBJETIVOS MOVIMIENTOS
VARIABLES VARIABLES
CONTROLADAS MANIPULADAS
Figura 5-16 Control.
5.6. Proceso de Obtencin del Modelo Matricial Dinmico
De lo visto hasta ahora, se deduce la importancia de la fidelidad del modelo que utilice el
controlador. Una diferencia esencial con el modo de trabajar del controlador multivariable es
que, a diferencia de los controladores convencionales PID, no responden a errores entre el
valor deseado (SP) y el valor real (CV), sino a diferencias entre el valor deseado y el valor
que predice el modelo. El controlador multivariable predictivo siempre trabaja mirando al
futuro y basa sus acciones de control en la prediccin de su modelo. Ms adelante veremos
que los valores reales y medidos de las variables controladas entran de alguna manera al
controlador, pero por el momento podemos decir que el controlador slo sabe del modelo de
proceso que tiene y que sus predicciones y sus estrategias de control slo sern aceptables si
dispone de un buen modelo.
La fase ms importante de un proyecto de control multivariable es, sin lugar a dudas, la

obtencin del modelo del proceso que se quiere controlar. A esto se le denomina
identificacin dinmica del sistema.
Uno de los factores claves en el rpido desarrollo y aceptacin del control multivariable es la
madurez a la que ha llegado la tecnologa de la identificacin dinmica. Hemos visto que el
modelo que utiliza el controlador es formalmente muy sencillo y no es sino un vector cuyos
elementos expresan los incrementos de la variable controlada en el tiempo cuando se hace un
incremento unitario en la variable manipulada y se mantiene el incremento indefinidamente.
A los elementos del vector se les denomina parmetros del modelo.
La identificacin dinmica consiste en: conocida la evolucin en el tiempo de las variables

controladas y las variables manipuladas, encontrar los parmetros del modelo que mejor son
capaces de expresar las variaciones de las variables controladas en funcin de las variaciones
de las variables manipuladas. Esto se muestra en la Figura 5-17.

IDENTIFICACION
MODELO
HISTORIA
VARIABLES
CONTROLADAS
IDENTIFICADOR
HISTORIA
VARIABLES
MANIPULADAS
Figura 5-17 Identificacin.

A continuacin se presentan los principios bsicos matemticos necesarios para obtener el
modelo dinmico. Un conjunto de ecuaciones algebraicas lineales se puede representar por la
ecuacin matricial:
y = A x
( nx1) ( nxN ) ( Nx1)
donde n es el nmero de ecuaciones,N el nmero de incgnitas, siendo conocido y y la

matriz de coeficientes A. La solucin a este sistema cuando el nmero de ecuaciones es
mayor que el nmero de incgnitas se puede hallar mediante mnimos cuadrados.
Calculando el vector de residuos r :

r = Ax -y
y resolviendo :
n
Min ri 2
c
i =1
resulta :
x = ( AT A) 1 AT y
Aplicando este procedimiento al problema de la identificacin dinmica de un sistema lineal
con una entrada y una salida se puede obtener una expresin equivalente :
pv = MV c
( nx 1) ( nxN ) ( Nx1)
donde :

pv1 c1
pv c
2 2
pv3 c3

pv = pv4 c = c4
. .

. .
pv c
n N
mv11 0 0 . . . 0
mv mv11 0 0
12
mv13 mv12 mv11 0

MV = mv14 mv13 mv12 . 0
. . . . .

. . . . .
mv mv1( n 1) mv1( n 2 ) . . . mv1( n N +1)
1n
donde :
pv : muestras diferenciales de la respuesta del sistema con respecto al valor inicial.

mv : muestras diferenciales de la excitacin al sistema con respecto al valor anterior.
c : coeficientes de la respuesta escaln.
n : nmero de muestras
N : nmero de coeficientes
Resolviendo por mnimos cuadrados obtenemos la expresin :
c = ( MV T MV ) 1 MV T pv
Este proceso de identificacin se realiza con ayuda de un software especfico de identificacin

dinmica que realiza de forma automatizada el proceso descrito anteriormente se trata de un
conjunto de programas, ms o menos fciles de usar, donde se alimenta la evolucin de las
variables controladas y las variables manipuladas y da como resultado el modelo del proceso.
Para la identificacin dinmica del modelo del proceso es necesario excitar a la planta de
manera que se pueda obtener la relacin entre las variables independientes ( que sern las
causas ) y las variables dependientes (que sern los efectos). Esta es la fase de Step-Test y ya
hemos visto que es la fase ms crtica de un proyecto de control multivariable.
Durante los step-test (pruebas en escaln en traduccin literal), cada variable manipulada se
mueve una media de 10 veces, normalmente sin que se mueva a la vez ninguna otra variable

manipulada, y se espera un tiempo del orden del tiempo de estabilizacin para realizar cada
nuevo movimiento. Dependiendo del tamao del controlador (del nmero de variables
manipuladas fundamentalmente), estas pruebas vienen a durar de una a tres semanas. Un
controlador con 5 variables manipuladas y un tiempo de estabilizacin de una hora necesitara
5 x 10 x 1 = 50 horas de step-test como mnimo.
Puesto que cuesta mucho tiempo y esfuerzo la realizacin de estas pruebas, es prctica
habitual realizar una serie de pruebas preliminares que llamamos Pre-Step en que se mueven
slo una vez las variables manipuladas y sirven para tener una idea de los tiempos de
respuesta de las variables controladas y para conocer cualquier anomala en la planta antes de
la realizacin de los step-test.
Los datos correspondientes a los step-test son analizados estadsticamente y con ayuda de los
programas de identificacin se obtiene la matriz dinmica del proceso que constituye el
modelo que va a utilizar el controlador multivariable. Si la identificacin se ha llevado a cabo
correctamente, alimentando al modelo con los datos correspondientes a las variables
manipuladas en los step-test obtendremos predicciones de las variables controladas que sern
bastante aproximadas a los valores reales de dichas variables.

6. CLCULO DE LA LEY DE CONTROL
En esta seccin se muestra cual es la filosofa general que usa un controlador multivariable
predictivo para calcular la ley de control, dicho de otra forma, que procedimiento se sigue
para calcular los movimientos de las variables manipuladas.
En la seccin anterior hemos visto que la prediccin de la variable controlada es la suma de la

respuesta libre del sistema (considerando MV del pasado) ms la respuesta forzada (
considerando los MV del futuro). Esto se representa en la Figura 6-1:
Prediccin en lazo abierto Respuesta global

lazo cerrado
Efectos de la accin de control
Figura 6-1 Respuesta global del lazo cerrado
Una vez calculada la respuesta libre del sistema (en lazo abierto), la filosofa general del
control predictivo consiste en calcular un plan de movimientos futuros en las variables
manipuladas, que produzca un comportamiento del lazo cerrado tan prximo como sea
posible al comportamiento que deseamos, es decir al set point o punto de consigna.
La pregunta que hay que hacerse es :
qu curva debe sumarse a la prediccin en lazo abierto de tal forma que produzca una
respuesta del lazo cerrado lo ms cercana posible al punto de consigna ?
Si se pudiera calcular un plan de movimientos futuros tal, que el efecto de este plan fuera una
imagen especular sobre el punto de consigna de la prediccin en lazo abierto, entonces se
habr minimizado el error entre la CV real y el punto de consigna. Desde este punto de vista
la minimizacin del error se convierte en un problema de ajuste de curvas. Este concepto se
ilustra en la Figura 6-2.

Prediccin lazo abierto
Punto de consigna
Imagen especular
Figura 6-2 Imagen especular de la prediccin en lazo abierto
Teniendo en cuenta que A*mv(pasados) predice los cambios en la CV y definiendo el error,

e como :
e= error en el tiempo = Setpoint - Prediccin lazo abierto (A*mv )(pasados)
en el problema de ajuste de curvas propuesto habr que elegir los parmetros de mv

(futuros) que hagan A*mv (futuros) tan prximo como sea posible a e, es decir se desea que
A*mv = e.
Para conseguir este objetivo hay que minimizar la diferencia residual entre el error y la
prediccin en lazo cerrado. Es decir, hay que minimizar r, siendo
r = ( A*mv -e ) (vector de errores residuales)
El mtodo tradicional para minimizar r consiste en minimizar la suma de los cuadrados de los
elementos de r. En otras palabras, aplicar mnimos cuadrados. Por ejemplo, si se desea
utilizar una prediccin de los prximos 9 periodos de muestreo para definir el vector de
errores e y se utilizan cuatro grados de libertad para minimizar este error, es decir, se usan
cuatro valores futuros de mv, la ecuacin a resolver ser :

r1 a1 e1
r a a1 e
2 2 2
r3 a3 a2 a1 e3
MV0
a1
r4 a 4 MV1
a3 a2 e4
r5 = a5 a4 a3 a2 e5
MV2
r6 a 6 a3 e6
MV3
a5 a4
r a a6 a5 a4
e
7 6 7
r8 a 6 a6 a6 a5 e8
r a e
9 6 a6 a6 a6 9
En esta ecuacin es muy importante darse cuenta que e es el vector de errores futuros,
calculado en base a las acciones de control del pasado (respuesta libre), A es la misma matriz
dinmica y que mv es el vector de los posibles movimientos futuros de la variable
manipulada.
Para minimizar r en funcin de mv hay que minimizar la suma del cuadrado de los
componentes de r. En notacin matricial esto se consigue minimizando rT * r.
r1
r
2
r3
r
4 i=9 2
[r1 r2 r3 r4 r5 r6 r7 r8 r 9 ] r5 = r i
r 6 i =1

r7
r8
r
9
Para minimizar
rT * r = (A mv -e)T * (A mv-e)
primero hay que derivar la funcin con respecto a mv y luego encontrar la raz del
polinomio resultante:
( r T r )
=0
( mv )

[ (A mv - e) T * ( A mv - e)]
=0
( mv )
AT * (A mv -e) = 0
ATA mv - AT e = 0
ATA mv = AT e
Para resolver esta ecuacin previamente conviene comentar que ATA es una matriz cuadrada
y suele ser no-singular, por lo tanto se puede calcular su inversa (ATA)-1. Luego despejando
mv de la ecuacin anterior, resulta :
(ATA)-1 ATA mv = (ATA)-1AT e
mv = (ATA)-1AT e
Es decir, para una matriz dinmica conocida A, y para un error calculado e, el vector mv
que minimiza el error a lo largo del horizonte de prediccin es :
mv = (ATA)-1AT e
El controlador [DMC] usa un horizonte de prediccin ajustable entre 8 y 14 movimientos

futuros de mv. Es decir, la anchura de la matriz A es entre 8 y 14.
6.1. Move Suppression Factors
La formulacin bsica del [DMC] calcula un plan de movimientos futuros para la variable
manipulada de forma que se minimice el error a lo largo del horizonte de prediccin. Esta
solucin, a pesar de ser la ms ptima para minimizar el error, puede ser demasiado agresiva
para un proceso real pudiendo provocar cambios muy fuertes de las variables manipuladas.
Cuando se controla un proceso real , normalmente se desea una accin del controlador que
sea ms suave, a pesar de perder capacidad de respuesta del controlador y a costa de sacrificar
el objetivo de minimizacin del error, este compromiso se puede visualizar grficamente en la
Figura 6-3.

Suma del valor absoluto del error

Alto
Move
Suppression
Bajo
Move
Suppression
Suma del valor absoluto de los movimientos
Figura 6-3 Move Suprresion: Compromiso
A un controlador multivariable predictivo se le puede aadir fcilmente un segundo objetivo

consistente en minimizar la magnitud de los movimientos de mv. Este objetivo entra en
conflicto con el de minimizar el error, pero es precisamente el algoritmo de mnimos
cuadrados el que se encarga de encontrar una solucin de compromiso entre los dos objetivos.
Para aadir el segundo objetivo vamos a usar un factor de peso configurable k, que intente
cumplir el objetivo :
k* MV0 = 0
k* MV1 = 0
k* MV2 = 0
k* MV3 = 0
aadiendo este objetivo al de minimizar el error A*mv = e, se obtiene la siguiente ecuacin

matricial :

A mv e
MV0
Minimiza
el
error { CV1
MV1
* MV2
MV3
=
{
k 0 0 0 0
Minimiza
0 k 0 0 0
el tamao
0 0 k 0 0
del mov. Matriz
0 0 0 k 0
S
En la ecuacin anterior se observa que cuanto mayor sea k, ms importancia tiene en la
resolucin por mnimos cuadrados el que mv = 0 y por tanto ms se alejar del objetivo de
minimizar el error. Es decir para mayores valores de k se obtiene una accin de control ms
suave. En procesos normales k vara entre 0.1 y 50 ( sin unidades).
En el controlador [DMC], la constante k se denomina Move Suppression Factor y tiene

que ser definida para cada variable manipulada. La matriz K se suele llamar Slack matrix
segn la nomenclatura anglosajona.
Esta filosofa se puede ampliar fcilmente para el caso multivariable. Para un caso de 2
variables manipuladas y 2 variables controladas, A*mv = e toma la siguiente forma :
MV10
MV11
CV1
* MV12
E1
A11 A12 MV13
=
MV20
MV21
MV22 E2
CV2
MV23
A21 A22
k 0 0 0 0
0
0
0
k
0
0
0
k
0
0
0
k
0 0
0
0
L 0 0 0 0
0 0
0
0
L
0
0
0
L
0
0
0
L
0
0
0
donde :
A11 Matriz dinmica de coeficientes que relaciona MV1 con CV1
E1 Vector de errores de la variable controlada CV1
E2 Vector de errores de la variable controlada CV2
k Move Suppression Factor para MV1
L Move Suppression Factor para MV2
El compromiso que se mostraba en la Figura 6-3 se materializa en el plano temporal tal como se
ve en la Figura 6-4 . Se puede observar que cuanto mayor es el Move Suppression ms tarda la
variable controlada en alcanzar el nuevo punto de consigna, o lo que es lo mismo, mayor es el
sumatorio del error a lo largo del horizonte de prediccin.
Aumentando el Move Suppression...

105
Move Suppression = 1
104
CV
103
CV 102
101
100
99
15
MV 10
MV
5
Low MV Limit
0
Figura 6-4 Move Suppresion : Evolucin temporal

6.2. Equal Concern Errors
En un entorno multivariable, el controlador est generando la ley de control para minimizar el

error en todas las variables controladas al mismo tiempo. En un contexto de mnimos
cuadrados, todos los errores ,EN, se intentarn minimizar con el mismo rigor, sin embargo en
el proceso no todas las variables controladas tienen la misma importancia. Por lo tanto, es
necesario dotar al controlador de algn mecanismo que permita decidir qu error EN es ms
importante.
Multiplicando artificialmente las ecuaciones de minimizacin de error de una variable

controlada por un coeficiente de peso, wCVn, positivo, provocar que los residuos asociados
con esa CV sean mayores y por lo tanto el algoritmo de mnimos cuadrados intentar
minimizar esos errores con ms nfasis.
Podemos definir el concepto de Equal Concern Error como el nivel de error admisible
para una variable controlada. Se define en las mismas unidades de ingeniera que la CV. El
Equal Concern Error no significa que el controlador permita dicha magnitud de error, si no
que comparativamente pondere ms o menos los errores en una CV con respecto a otra. En la
medida que el Equal Concern Error es mayor, menos importancia relativa se da a dicha CV.
El factor de peso wCVn definido anteriormente es el inverso del Equal Concern Error :
1
w CVN =
Equal Concern Error CVn
Resumiendo :
El Equal Concern Error normaliza los errores en las CVs para poner todas las
magnitudes de error en una misma escala matemtica. Esto da lugar a una resolucin
matemticamente ms robusta de la ecuacin (ATA)-1AT e.
Prioriza las variables controladas por orden de importancia relativa de unas con
respecto a otras.
Todo este tratamiento se representa de forma matricial con la expresin siguiente :

MV10
MV11
* wCV1 * wCV1
* MV12
E1
A11 A12 MV13
=
MV20
MV21
* wCV2 MV22 E2 * wCV2
MV23
A21 A22
k 0 0 0 0
0
0
0
k
0
0
0
k
0
0
0
k
0 0
0
0
L 0 0 0 0
0 0
0
0
L
0
0
0
L
0
0
0
L
0
0
0
En esta ecuacin se observa como se multiplican los coeficientes de la matriz dinmica, ANM
y los errores EN por wCVn para cada variable controlada N.
6.3. Equal Concern Dinmicos
El concepto del equal concern se puede ampliar de forma dinmica, es decir, el equal concern
no tiene porque ser constante en todo el rango de operacin de las variables controladas.
Efectivamente, muchas variables tienen mayor importancia cuando se acercan a un lmite de
operacin, por ejemplo una restriccin fsica como la presin de un recipiente, tiene que ser
controlada con ms nfasis si sta se acerca al lmite operativo que cuando est lejos de l.
Esto se puede acometer de forma sencilla definiendo un equal concern para cada valor de la
variable controlada dentro del rango de operacin. Normalmente se suele definir mediante
una funcin compuesta por tramos tal y como se muestra en la Figura 6-5. En este caso se
define un valor para el lmite superior, otro para el inferior y rangos de transicin para que el
cambio en el controlador no sea muy brusco cuando nos acercamos a un lmite. La Figura 6-5
muestra un caso en el que la variable controlada es ms importante cuando est en el lmite
inferior que cuando esta el lmite superior, y todava es menos importante cuando se
encuentra dentro del rango.

E.C.E. E.C.E. E.C.E.

Bajo Medio Alto
Zona baja de
transicin
Zona alta de
transicin
Limite Inferior Limite Superior CV valor

Operador Operador
Figura 6-5 Equal Concern dinmico
7. PROGRAMACION LINEAL Y RESTRICCIONES
En la seccin anterior hemos visto cmo se genera la ley de control en base a un modelo
dinmico y a un vector de errores previstos. A partir de estos elementos, mediante el uso de
una funcin de optimizacin basada en el principio de mmimos cuadrados se calcula el
vector de movimientos mv. Ahora las preguntas que hay que hacerse son las siguientes :
De donde provienen los puntos de consigna usados para calcular el vector de errores?
Cmo se incluye en el controlador el tratamiento de las restricciones del proceso?
En esta seccin se va a responder a estas preguntas y adelantando acontecimientos la

respuesta es : mediante un algoritmo de programacin lineal con restricciones.
La filosofa a seguir consiste en intentar encontrar un conjunto de puntos de consigna en

estado estacionario, de forma que todas las variables controladas y manipuladas estn dentro
de los lmites especificados. Es decir que se cumplan todas las restricciones.
Si es posible encontrar una solucin a este problema, entonces el conjunto de puntos de

consigna representar una Solucin Posible a este problema de optimizacin en estado
estacionario. Si adems de encontrar una solucin posible, resulta que existen varias
soluciones entonces habr que usar criterios econmicos para determinar cal es la solucin
posible ms rentable.

El conjunto de restricciones especificadas conjuntamente con el proceso, determinan los

grados de libertad del conjunto Proceso+Controlador. Luego, si las restricciones son muy
severas y el proceso no dispona de muchos grados de libertad, entonces es posible que no
exista ninguna solucin al problema de optimizacin. En este caso habr que determinar qu
restriccin no se va a poder cumplir y relajarla temporalmente hasta que las condiciones del
proceso permitan volver a cumplirla, o bien modificar el conjunto de restricciones para de
esta forma poder encontrar una solucin posible.
7.1. Restricciones en las Variables Manipuladas
En primer lugar vamos a considerar las restricciones impuestas en las variables manipuladas.
Sera deseable poder predecir el comportamiento de todas las variables restringidas del
sistema, para de esta manera asegurar que en el estado estacionario se satisfagan todas las
restricciones. Si decidimos no modificar ninguna variable manipulada en un transitorio,
entonces mv permanecer constante durante todo el camino hasta que se alcance un estado
estacionario en el proceso. Es decir
MVi ACTUAL = MVi SS

donde :
MVi ACTUAL denota el valor de la variable manipulada i en el momento actual
MVi SS denota el valor de la variable manipulada i en el estacionario
Si deseamos cambiar el valor de una MV en el estacionario, entonces podemos expresar el

nuevo valor en funcin del actual ms un incremento :
MVi DESEADO = MVi SS + MVi SS
En cada intervalo de ejecucin del controlador hay que decidir el orden de magnitud de
cambio en MViSS, en funcin de las restricciones actuales , los criterios econmicos y el
conocimiento de la dinmica del proceso. La primera limitacin es que nunca y bajo
ningn concepto se tiene que permitir que las variables manipuladas se salgan fuera de
los lmites preestablecidos. Definiendo el lmite superior como MViHIGH y el lmite inferior
como MViLOW, se puede expresar lo anterior de la siguiente forma :
MViSS + MViSS MViHIGH

MViSS + MViSS MViLOW

Usaremos como ejemplo un caso en el que existan dos variables manipuladas. En este caso las
dos ecuaciones generarn cuatro ecuaciones :
MV1SS + MV1SS MV1HIGH

MV1SS + MV1SS MV1LOW
MV2SS + MV2SS MV2HIGH
MV2SS + MV2SS MV2LOW
Esta expresin se puede expresar de forma grfica :
MV1HIGH
MV1LOW
MV2HIGH
MV2
MV2SS
MV2LOW
MV1SS MV1
Si planeamos mover el punto deseado de MVSS, siempre se tendrn que cumplir las
restricciones planteadas, grficamente el mayor vector de MVSS que se puede aplicar en este
caso es el siguiente :

MV1HIGH
MV1LOW
MV2HIGH
MV2SS
MV2
MV2SS MV1SS
MV2LOW
MV1SS MV1
7.2. Restricciones en las Variables Controladas
Al igual que con las variables manipuladas se puede aplicar el mismo tratamiento con las
variables controladas. En primer lugar limitaremos los valores superiores e inferiores que
puedan tomar las variables controladas. Usando la misma nomenclatura que con las variables
manipuladas obtenemos :
CVjSS + CVjSS CVjHIGH

CVjSS + CVjSS CVjLOW
Siendo CVjSS, el valor estacionario de la prediccin en lazo abierto de la variable controlada

j-sima.
A diferencia de las variables manipuladas, las variables controladas no se pueden mover

directamente, para provocar un CVjSS determinado, es preciso generar un cambio en las
variables manipuladas que afecten a CVj. Como ya tiene un modelo del proceso, entonces se
puede determinar qu variables afectan a CVj y se puede calcular qu mvSS es necesario
para provocar un CVjSS deseado. La parte del modelo que se tiene que usar es
exclusivamente la parte estacionaria. Definimos Gji como la ganancia estacionaria que
relaciona la variable manipulada MVi con CVj.
Al igual que con las variables manipuladas,
CVj DESEADO = CVj SS + CVj SS

Aplicando el principio de superposicin al ejemplo anterior de dos variables manipuladas, la

expresin anterior se puede reescribir de la siguiente forma :
CVj DESEADO = CVj SS + Gj1 V1 SS + Gj2 V2 SS
Por cada CV se generan dos expresiones :
CVjSS + Gj1 V1 SS + Gj2 V2 SS CVjHIGH

CVjSS + Gj1 V1 SS + Gj2 V2 SS CVjLOW
De la expresin anterior se conoce todo, excepto los cambios necesarios en las variables
manipuladas, es decir lo nico que queda por determinar es el vector mv. Para ilustrar este
concepto usemos un ejemplo en el que CV1SS= 105, CV1HIGH=137, CV1LOW=101, G11=2.0 y
G12=4.0
105 + (2.0) V1 SS + (4.0) V2 SS 137

105 + (2.0) V1 SS + (4.0) V2 SS 101
Para ver cmo aparece este ejemplo en el dibujo anterior hay que calcular todos los puntos en
los que MV estn limitados por las dos restricciones. Esto se consigue resolviendo las
ecuaciones
CVjSS + Gj1 V1 SS + Gj2 V2 SS = CVjHIGH

CVjSS + Gj1 V1 SS + Gj2 V2 SS = CVjLOW
Despejando de estas ecuaciones MV1SS y MV2SS, se obtiene :
-G j1 CVj LOW - CVjSS

MV2 SS = MV1SS +
G j2 G j2
-G j1 CVj HIGH - CVjSS

MV2 SS = MV1SS +
G j2 G j2

Estas dos expresiones corresponden a una expresin lineal, ms concretamente a un

polinomio de primer orden, luego quiere decir que ambas expresiones son dos rectas. para la
restriccin CV1LOW se obtiene:
-2.0 101 - 105

MV2 SS = MV1SS + = - 0.5 MV1SS 1
4.0 4.0
De igual forma para CV1HIGH
-2.0 137 - 105

MV2 SS = MV1SS + = - 0.5 MV1SS + 8
4.0 4.0
Representando estas dos ecuaciones en la figura anterior resulta :
MV1HIGH
MV1LOW
MV2HIGH
CV1HIGH
MV2
CV1LOW
MV2LOW
MV1
De la misma forma se pueden superponer restricciones de otras variables controladas.

Supongamos que la variable manipulada CV2 tiene un valor estacionario CV2SS = 29,
CV2HIGH = 76, CV2LOW=29, G21=-1.5, G22= 6.0. En este caso hay que resolver para las dos
inecuaciones :
29 29 + (-1.5)*MV1SS + (6.0)*MV2SS 76
Dibujando estas dos ltimas rectas en la figura anterior, se obtiene

MV1HIGH
MV1LOW
CV2HIGH
MV2HIGH
CV2LOW
MV2
CV1HIGH
CV1LOW MV2LOW
MV1
Dibujando el area inscrita que satisface todas las restricciones se obtiene la figura siguiente :
MV1HIGH
MV1LOW
CV2HIGH
MV2HIGH
CV2LOW
Regin
MV2 aceptable
CV1HIGH
CV1LOW MV2LOW
MV1
En la figura anterior se satisfacen las inecuaciones siguientes :
1.0 4.0 + MV1SS 15.0

1.0 6.0 + MV2SS 13.0
101 105 + ( 2.0)*MV1SS + (4.0)*MV2SS 137
29 29 + (-1.5)*MV1SS + (6.0)*MV2SS 76
En el caso que las dos variables controladas tengan un punto de consigna fijo, es decir
CVjHIGH=CVjLOW, entonces el area de posibilidades disminuye hasta convertirse en un nico
punto posible que respete todas las restriciones. Esto puede verse en la siguiente figura

MV1HIGH
MV1LOW
MV2HIGH
CV CV2LOW =CV2HIGH
1=
121
MV2
29
CV2= CV1HIGH=CV1LOW
Solucin posible nica MV2LOW
MV1
que satisface las inecuaciones :
1.0 4.0 + MV1SS 15.0

1.0 6.0 + MV2SS 13.0
121 105 + ( 2.0)*MV1SS + (4.0)*MV2SS 121
29 29 + (-1.5)*MV1SS + (6.0)*MV2SS 29
7.3. Optimizacin
Tal y como se ha visto, se pueden dar varias posibilidades, desde tener un area de infinitas
soluciones posibles, a tener un nico punto como solucin e incluso puede darse el caso que
no exista ninguna solucin posible. El problema de optimizacin aparece cuando hay ms de
una solucin posible, en ese caso se busca la solucin atendiendo a criterios econmicos y
usando la programacin lineal. En el caso anterior se tratara de minimizar la funcin de
coste
Coste1 * MV1SS + Coste2 * MV2SS

Sujeta a:
1.0 4.0 + MV1SS 15.0
1.0 6.0 + MV2SS 13.0
101 105 + ( 2.0)*MV1SS + (4.0)*MV2SS 137
29 29 + (-1.5)*MV1SS + (6.0)*MV2SS 76

El algoritmo de programacin lineal puede resolver funciones de coste de la siguiente forma

(para un caso de dos MVs) :
= Coste1 * MV1SS + Coste2 * MV2SS
La funcin de coste puede representar cualquier funcin de optimizacin que sea

razonablemente lineal con respecto a cambios en MViSS . Parece razonable que deseemos
introducir en dicha funcin de coste dos trminos. Por un lado el beneficio extra que
obtenemos por producir ms cantidad de un producto valioso y por otro lado el desembolso
que supone en energa el producir ms del producto anterior. Es decir
= -(SS Cambio en produccin) * valor de los productos (pts.)

+ (SS cambio en energa) * precio de la energa (pts.)
Usando como funcin de coste la funcin anterior, entonces Coste1 queda definido como el
cambio que se produce en despus de haber producido un cambio unitario en MV1
habiendo mantenido MV2 constante.
Ahora hay que relacionar los productos de valor aadido con las variables controladas y los
costes energticos con las variables manipuladas. Normalmente los costes energticos se
asocian directamente con las variables manipuladas ya que se puede determinar fcilmente lo
que cuesta en trminos econmicos el aumentar o disminuir cada variable manipulada. Para
las variables de valor aadido el anlisis no es tan simple, ya que hay que relacionar cada una
de estas variables con las variables controladas y posteriormente mediante el uso del modelo
obtener la equivalencia con respecto a las variables manipuladas.
Supongamos un caso en el que haya dos variables que interesa maximizar por su gran valor
aadido (producto A y producto B). En primer lugar hay que encontrar las ganancias de las
cantidades de estos productos con respecto a las variables manipuladas. Definimos estas
ganancias como GA1 y GA2 para el producto A, y GB1 y GB2 para el producto B. La funcin de
coste se transforma en :
= - (GA1* MV1SS + GA2 * MV2SS)* valor producto A (pts/unidad)

- (GB1* MV1SS + GB2 * MV2SS)* valor producto B (pts/unidad)
+ MV1SS * coste MV1
+ MV2SS * coste MV2

Reordenando esta ecuacin resulta :
= Coste1 * MV1SS + Coste2 * MV2SS

donde :
Coste1 = (-GA1*valor de A)+(-GB1*valor de B) + coste MV1
Coste2 = (-GA2*valor de A)+(-GB2*valor de B) + coste MV2
En el controlador [DMC] a CosteN se le denomina LPCOST.
7.4. Estrategia cuando no existe solucin factible
La programacin lineal permite calcular un nuevo punto de operacin que, satisfaciendo todas
las restricciones tanto en las variables manipuladas como en las controladas, minimiza una
funcin de coste o funcin objetivo.
Pero qu ocurre cuando no existe ningn punto de operacin que cumpla con todas las
restricciones, esto es, cuando no existe solucin factible? En este caso la estrategia va a
consistir en relajar las restricciones de aquellas variables controladas que se consideren
menos importantes. En otras palabras, cuando existen grados de libertad el controlador
optimiza utilizando la programacin lineal y cuando no existen grados de libertad, el
controlador busca la solucin menos mala olvidndose de las variables que se hayan
considerado menos importantes.
En el controlador DMC existen dos parmetros que nos permiten asignar prioridades en el
caso de que el problema de programacin lineal no tenga solucin.
7.4.1. CV Rank
Es el parmetro que permite una asignacin de prioridades gruesa, organizando las

prioridades segn el tipo de variable. Cuanto menor es el CV Rank que asignamos a una
variable, mayor es la importancia que le estamos otorgando. As, por ejemplo, una agrupacin
tpica sera:
Variable controlada CV Rank
Seguridad y medio ambiente 10

Variables integradoras (niveles) 20
Lmites de operatividad (inundacin, etc) 30
Especificaciones de calidad 40
Objetivos econmicos 50
El valor numrico que asignemos al CV Rank no tiene mayor importancia, slo importa su
valor en relacin a otros valores. Cuando el problema de programacin no tiene solucin, se

vuelve a resolver eliminando las restricciones en las variables que tienen un mayor CV Rank
y as hasta que se encuentra alguna solucin.
El CV Rank se asigna por separado al lmite alto y al lmite bajo de cada variable controlada,
porque en la mayora de las variables la importancia de relajar el lmite alto no es la misma
que la relajar el lmite bajo. As, suponiendo una temperatura de pared de tubo de un horno
como variable controlada, el CV Rank para el lmite alto ser muy bajo (el que corresponda a
las variables de seguridad), mientras que el CV Rank en el lmite bajo ser alto (no suele tener
mucha importancia el que la temperatura del tubo est por debajo del lmite especificado).
7.4.2. LP Equal Concern Error
Este parmetro permite el ajuste fino de la prioridades, estableciendo distintas prioridades

dentro de las variables a las que se ha asignado un mismo CV Rank. Cuanto mayor es el valor
de este parmetro, mayor es su importancia. Supongamos una columna de destilacin con
extracciones laterales en la que se utilizan como variables de calidad las temperaturas de las
extracciones. Al ser variables de calidad lo normal es que a todas las temperaturas se les haya
asignado el mismo CV Rank. Entonces, a travs del LP Equal Concern Error vamos a poder
establecer prioridades para decidir las temperaturas que son ms importantes (a las que
asignaremos un LP equal concern error superior).
El significado de este parmetro es distinto del Equal Concern Error que hemos visto para el
mdulo de control dinmico. Mientras que aqul constituye un factor de ponderacin del error
en la suma total de errores que se intenta minimizar, ste constituye un criterio para decidir
qu variables deben relajarse cuando no existe solucin factible al problema de programacin
lineal.
Al igual que el CV Rank, este parmetro se asigna por separado al lmite alto y al lmite bajo
de cada variable controlada.
7.5. Imposicin de la solucin de la programacin lineal
Una vez resuelta la funcin de coste sujeta a restricciones mediante el algoritmo de

programacin lineal, falta por ver como se incluye esto dentro del controlador. La forma ms
habitual consiste en forzar al mdulo de clculo de movimientos la solucin de estado
estacionario calculada por el mdulo de programacin lineal.
El mdulo de programacin lineal genera el vector MVSS, que es el vector de movimientos

de las variables manipuladas en el estacionario. Pero an falta por determinar cmo van a ser
cada uno de los movimientos mv hasta que se alcance el estacionario. La solucin consiste
en hacer mv = MVSS . Suponiendo un caso en el que haya dos variables manipuladas, dos
variables controladas y que el vector de movimientos futuros incluya los prximos cuatro
cambios, entonces se fuerza al controlador a que cumpla :
MV11+ MV12+ MV13+ MV14 = MV1SS

MV21+ MV22+ MV23+ MV24 = MV2SS
Incluyendo estas dos ecuaciones en la ecuacin de resolucin de la ley de control, que se vio
en la seccin 7.6, A * MV = e , se obtiene la ecuacin final del controlador.
Esta ecuacin tiene la siguiente forma :
MV10
MV11
* wCV1 * wCV1
* MV12
E1
A11 A12 MV13
=
MV20
MV21
* wCV2 MV22 E2 * wCV2
A21 A22 MV23
k 0 0 0 0
Imposicin
0
0
0
k
0
0
0
k
0
L
0
0
k 0
0 0 0
0
0
0
0
de la solucin LP
0 0
0
0
1 1 1 1 0
L
0
0
0
L
0
0
0
L
0
0
0
0 0 0 MV1SS
0 0 0 0 1 1 1 1 MV2SS
8. FUNCIONAMIENTO DE UN CONTROLADOR MULTIVARIABLE
Una vez vistos todos los aspectos del Controlador Multivariable, vamos a hacer un resumen
de cada uno de sus mdulos y de su propsito
Modela la dinmica del proceso.
En el apartado anterior ya hemos visto cmo se obtiene el modelo del proceso. La

identificacin dinmica se realiza off-line y no se repite frecuentemente. Slo cuando el
proceso ha cambiado de manera importante, porque se han hecho modificaciones o porque
han cambiado las condiciones de operacin es necesario realizar una reidentificacin. Una vez
obtenido el modelo se le carga al controlador.
Predice el comportamiento del proceso.
A partir de la historia de las variables controladas y las variables manipuladas, utiliza el

modelo para predecir cual va a ser la evolucin de las variables controladas si no se toma
ninguna accin de control. Es lo que se llama prediccin en lazo abierto.
Reconcilia la prediccin con la ltima medida real disponible.
En cada ejecucin (digamos que cada minuto) el controlador est realizando una prediccin
de cul va a ser el valor de las variables controladas en cada instante futuro. As pues en cada
ejecucin se puede comparar el valor de las variables medidas en ese momento con el valor
que el controlador predijo para dichas variables en la ejecucin anterior. Esta diferencia queda
incorporada al modelo como un bas. En este punto es donde el controlador se entera de lo
que sucede en el mundo real. Puesto que en el proceso de identificacin y modelado hay
infinidad de perturbaciones no medidas este feedback es completamente necesario ya que de
otra manera slo con un modelo perfecto (que es imposible de obtener) se podra utilizar el
controlador. Esta realimentacin permite que an cuando haya errores en el modelo o
perturbaciones de carga no medidas, el controlador pueda compensar dichas imprecisiones.
En cualquier caso, si observamos que la diferencia entre el valor predicho y el valor real es
siempre importante debemos pensar que nuestro modelo no es adecuado y se impone una
reidentificacin.
Examina las restricciones e identifica los objetivos ptimos para todas las variables.
En este punto es inevitable volver al concepto de grados de libertad que vimos al principio de
este captulo.
En los pasos 1, 2 y 3 el controlador predice hacia dnde va a dirigirse el proceso si no se

toma ninguna accin de control. Para poder tomar alguna accin de control, el controlador
necesita saber hacia dnde tiene que dirigirse. Esta decisin depender de la situacin de
planta que se encuentra el controlador.
Si no se pueden satisfacer todos los requerimientos tendr que decidir qu variables

controladas tiene que sacrificar.
Si slo hay un punto de operacin posible, es decir, si slo existe una manera de cumplir
todos los requerimientos no hay nada que decidir puesto que la solucin es nica.
Si se pueden cumplir todos lo requerimientos de distintas maneras (con distintos valores de
las variables manipuladas), el controlador deber decidir cul es la forma ms econmica
de cumplir las especificaciones.
Quiere esto decir que en cada ejecucin el controlador puede encontrarse con un escenario
diferente (porque se ha saturado una vlvula, ha fallado una medida o el operador de control
ha modificado los rangos o los puntos de consigna de las variables controladas o los lmites
de operacin de las variables manipuladas), un proceso cuadrado puede pasar a ser
estrecho o a ser amplio, pero en cualquier caso el controlador tiene los criterios
necesarios para decidir hacia dnde debe dirigirse el proceso.
Calcula el plan de control que minimiza la diferencia entre el comportamiento predicho

y el deseado.
Una vez que el controlador sabe hacia donde se dirige el proceso si no se toma ninguna
accin de control y sabe hacia donde debe dirigirse, calcula qu secuencia de movimientos
tiene que hacer en las variables manipuladas de manera que la planta siga una trayectoria lo
ms cercana posible a la trayectoria deseada. Esto es lo que se llama el plan de control. Es un
plan hacia el futuro, esto es, calcula ahora los movimientos que va a hacer en las variables
manipuladas en las ejecuciones futuras . De todos los movientos que calcula, al sistema de
control de la planta slo le enva el primero de ellos y en la ejecuacin siguiente, toda la
secuencia de 2 a 5 vuelve a repetirse. Es lo que se llama una estrategia de horizonte mvil.
Ver Figura 8-1.

COSTES ECONMICOS DE LAS VARIBLES MANIPULADAS
OPERADOR INGENIERO DE CONTROL
Objetivos y Lmites de las

Constantes de ajuste
Variables Manipuladas y Controladas
DMC
Objetivos de las Variables

Manipuladas
Predicciones del
Estado Estacionario MDULO DE MDULO DE
MDULO
PROGRAMACIN CONTROL
PREDICTIVO
LINEAL DINMICO
Objetivos de
las Variables Controladas
Variables de Variables Variables Set Point

adelanto Dependientes Manipuladas Manipulados
SISTEMA DE CONTROL
PROCESO
Figura 8-1 Funcionamiento de un Controlador Multivariable.
Las tareas realizadas en cada periodo de ejecucin se sumarizan de forma secuencial en la

Figura 8-2.

Funcionamiento del Controlador

DMCplus
La secuencia se repite en cada ciclo del controlador (1-5 minutos)
Valores actuales de PREDICCION DEL ESTADO

ESTACIONARIO DE LAS VARIABLES
las variables Mdulo de CONTROLADAS
MANIPULADAS
CONTROLADAS Prediccin
FEEDFORWARD
Lmites para cada
variable
MANIPULADA
PREDICCION FUTURA
Mdulo de CONTROLADA
MV COSTS
(para cada CV) LP Valores actuales
de las MVs
Parmetros de ajuste LP
Movimientos
Mdulo clculo
de movimientos OBJETIVOS MV PARA EL ESTACIONARIO
OBJETIVOS CV PARA EL ESTACIONARIO
MOVIMIENTOS FUTUROS (Control) PARMETROS DE AJUSTE DINMICO
PREDICCIN FUTURA CON LOS MOVIMIENTOS PREVISTOS
Figura 8-2 Funcionamiento secuencial de un Controlador Multivariable
9. OPERACIN DE UN CONTROLADOR MULTIVARIABLE
El manejo de un controlador multivariable por parte del operador de control es bastante

sencillo. Evidentemente lo primero que especifica el operador es si quiere que el controlador
multivariable est en funcionamiento o no. Suponiendo que el controlador est trabajando, el
operador, por medio de los grficos correspondientes, tiene que especificar:
Qu variables quiere controlar ( n de CVs). En el diseo del controlador se han

elegido un cierto nmero de variables como posibles variables a controlar. Las
variables controladas crticas son aquellas que por su importancia determinan la
desconexin del controlador si no estn disponibles. Dentro de las variables
controladas no crticas, el operador puede decidir qu variable debe controlar el
controlador y cules no. Si el % de inundacin en una columna de destilacin no es
una variable crtica, el operador puede suprimirla del controlador. Hay que recordar
que al eliminar variables controladas estamos aumentando los grados de libertad del
controlador. Ver Figura 9-1.

PETRONOR DMC : DMCF3T5
[DMC] CTLR GRAFICO SUMARIO SUMARIO SUMARIO SUMARIO SUMARIO CONFIG. CONEXION
SWITCH ON MAESTRO MENSAJES MV CV DV LP CONTROL
VARIABLES CONTROLADAS
# TAG ESTADO LIMITE VALOR. LIMITE OBJETIVO SP VARIABLE
BAJO ALTO [DMC] RAMPA CRITICA
1 A09Y074Z.PV GOOD 50.00 55.00 62.2 56.00 SI
2 A09Y0805.PV GOOD 6.90 7.15 7.30 7.30 SI
3 9PDI0025.PV GOOD 0.10 0.15 0.20 0.10 SI
4 A09Y184Z.PV GOOD 70.00 76.00 88.0 85.00 SI
Figura 9-1 Variables Controladas.
Los rangos en que quiere controlar las CVs (Lmites de las CVs). Una vez
determinadas qu variables tiene que controlar el controlador, el operador de control debe
determinar dentro de qu rangos quiere que se controlen dichas variables. Una
especificacin de calidad muy rigurosa normalmente se controlar como un punto de
consigna, una especificacin de calidad de un subproducto es posible controlarla dentro de
un rango. Una restriccin fsica del tipo de temperatura de pared de tubo de un horno slo
es necesario asegurarse de que nunca sobrepase un cierto lmite. Si los rangos de control
aceptables son amplios, el controlador tiene ms facilidad para conseguir sus objetivos. A
medida que estrechamos los rangos estrechamos el conjunto de soluciones que puede
encontrar el controlador. El controlador intenta mantener todas las CVs en sus rangos,
pero no es seguro que siempre lo pueda conseguir. Cuando no existe una solucin que
permita cumplir todas las restricciones el controlador relajar aquellas variables que se
consideren menos importantes.
Qu variables manipuladas estn disponibles para el controlador (n de MVs). De las

variables manipuladas que se han considerado no crticas en el diseo del controlador, el
operador puede elegir aquellas que deja disponibles al controlador. Cuantas ms variables
manipuladas tenga disponible el controlador ms grados de libertad y ms fcilmente
podr satisfacer todas las demandas. En el diseo se considera que existen determinadas
variables que el controlador debe tener siempre disponibles. Estas son las variables
manipuladas crticas. Si alguna de estas variables no est disponible el controlador no
puede conectarse.

La Figura 9-2 muestra un interface tpico de las variables manipuladas.
PETRONOR DMC : DMCF3T5
[DMC] CTLR GRAFICO SUMARIO SUMARIO SUMARIO SUMARIO SUMARIO CONFIG. CONEXION
SWITCH ON MAESTRO MENSAJES MV CV DV LP CONTROL
VARIABLES MANIPULADAS
# TAG ESTADO LIMITE VALOR. LIMITE OBJETIVO MOV. VARIABLE
BAJO ALTO [DMC] ACTUAL CRITICA / MODO
1 9PC00017.SP GOOD 9.10 9.20 9.31 9.10 -0.01 SI / CAS
2 9TC00017.SP GOOD 158.00 175.00 176.00 160.00 +0.20 SI / CAS
3 9FC00068.SP GOOD 110.00 115.00 160.00 120.00 +0.50 SI / CAS
Figura 9-2 Variables Manipuladas.
Los rangos en que pueden moverse las MVs (Lmites de las MVs). El operador es
responsable de fijar los rangos de trabajo de las variables manipuladas. Por norma general,
stos deben ser lo ms amplios posible para asegurarse de que las restricciones con las que
se encuentra el controlador son restricciones reales de la planta y no decisiones arbitrarias
de los operadores. Al estrechar los lmites de las MVs estamos disminuyendo grados de
libertad. El controlador siempre respeta los lmites impuestos en las variables
manipuladas.

10. RESUMEN DE PARMETROS DE AJUSTE
Adems de los parmetros que ya hemos visto que tiene que especificar el operador, y que
son los que habitualmente va a utilizar r para el manejo del controlador, existen otros
parmetros que ya hemos citado anteriormente y que normalmente los va a determinar el
tcnico de control y que tambin van a determinar el comportamiento del controlador.
10.1. En el mdulo de Programacin Lineal:
Importancia relativa de las variables controladas (CV RANK y LP EQUAL

CONCERN ERROR). Ya hemos visto que en ocasiones el controlador no es capaz de
satisfacer todas las demandas que se le hacen porque no tiene grados de libertad
suficientes. En estos momentos el controlador necesita saber cules son las variables ms
importantes y cules pueden relajarse. Existen dos parmetros que hemos visto que
constituyen el ajuste grueso (CV rank) y el ajuste fino (LP Equal Concern Error). El
CV rank sirve para agrupar por tipo de variable la importancia relativa (empezando por las
variables de seguridad, luego las de operatibilidad, despus las de calidad, etc). El Equal
Concer Error LP sirve para asignar diferente nivel de importancia a variables a las que se
ha asignado el mismo CV rank (por ejemplo, dentro de las variables de calidad, cules son
las ms importantes). Estos dos parmetros se asignan por separado a los lmites alto y
bajo de las variables controladas.
Coste asociado al moviento de cada variable manipulada (LPCOST). Cuando el

controlador puede satisfacer todos los requerimientos que se le han hecho y an dispone de
grados de libertad adicionales es posible mover el punto de operacin del proceso hacia
otro punto de operacin cuyo beneficio sea mayor. Para que el controlador sea capaz de
moverse hacia el punto ptimo, tiene que tener informacin sobre la economa de la
planta, el precio de los productos, el coste de la materia prima y el coste del consumo
energtico. Una vez establecidos estos precios y costos, toda la informacin econmica
queda condensada en un coste asociado a cada variable manipulada. Si ese coste es
positivo, el controlador intentar disminuir dicha variable (disminuir el coste, que es lo
mismo que aumentar el beneficio). Si el coste asociado a una variable manipulada es
negativo, el controlador, cuando tenga algn grado de libertad, intenter aumentar el valor
de dicha variable.

10.2. En el mdulo de Control Dinmico
Importancia relativa del error en las variables controladas (EQUAL CONCERN

ERROR DINMICO). La importancia relativa del error en las variables controladas se
puede ponderar mediante unos factores de peso que permiten escalar y dar prioridad al
control de ciertas variables sobre otras. Para cada variable controlada se asigna un Equal
Concern Error en el lmite alto, en el lmite bajo y entre lmites y adems se definen dos
zonas de transicin.
Penalizacin al movimiento excesivo de las variables manipuladas (MOVE

SUPPRESSION). El precio a pagar por minimizar los errores respecto a los valores
ptimos es el movimiento de las variables manipuladas, lo que se llama el esfuerzo de
control. Si permitimos que las variables manipuladas se muevan con entera libertad, los
errores se corregirn ms rpidamente pero la planta estar ms inestable. Si restringimos
los movimientos de las variables manipuladas, el controlador tardar ms tiempo en
corregir errores, pero el comportamiento de la planta ser ms suave. Este compromiso
entre error admisible frente al esfuerzo de control se cuantifica en un parmetro por cada
variable manipulada que penaliza el movimiento de dicha variable.
11. CRITERIOS DE IMPLANTACION
Un controlador multivariable puede implantarse en cualquier tipo de proceso que tenga varias
variables que controlar y varias variables que manipular, sin embargo en muchas ocasiones el
control tradicional con aplicaciones de Control Avanzado es ms que suficiente para cumplir
los objetivos econmicos y de operacin.
No obstante, existen una serie de procesos donde la implantacin del control multivariable
est especialmente recomendada y donde la diferencia de resultados con el control
convencional es notoria:
Procesos interactivos con objetivos de control y restricciones que entran en conflicto,

como pueden ser la mayora de columnas binarias en que se quieren controlar
estrechamente las calidades de los productos de cabeza y fondo.
Procesos que tengan un comportamiento dinmico poco usual; retardos, respuesta
inversa, etc.
Procesos cuyas restricciones son distintas en las distintas pocas del ao o donde los
precios de carga y productos varan regularmente.
Procesos en donde trabajar de manera consistente cerca de sus lmites genere altos
beneficios. (En general, unidades de alta capacidad o que generen alto valor aadido)

12. BIBLIOGRAFA
Los artculos fundacionales del control predictivo en el entorno industrial son:
Richalet, J.A., A. Rault, J.D. Testud and J. Papon, Model predictive heuristic
control, Automatica, Vol. 14, p. 413, 1978
Cutler, C.R. and B.L. Ramaker, Dynamic matrix control a computer control
algorithm, AIChe National Meeting, Houston, 1979
Cutler, C., Morshedi, A. and Haydel, J. An industrial perspective on advanced
control, AIChe Annual Meeting, Washington, D.C , 1983
Se han publicado distintas revisiones del estado del arte en control predictivo a lo largo del
tiempo:
Garca, C.E., Prett, D. M. And Morari Model predictive control: Theory and practice
a survey, Automatica, Vol. 25, p. 335-348, 1989
Froisy, J.B. Model predictive control: past, present and future ISA trans 33: p. 235-
243, 1994
Lee, J. Recent Advances in Model Predictive Control and Other Related Areas
Chemical Process Control, CPC, 1995
Quizs la revisin ms completa, en la que se comparan y analizan los distintos algoritmos

existentes en el mercado (Id-com, RMPCT, Treiber, DMC) es:
Qin, S.J. and T.A. Badgwell A survey of industrial model predictive control
technology Control Engineering Practice, April 2002
En el entorno acadmico, es muy apreciado el GPC (Generalized Predictive Control)
Clarke, D.W., Mohtadi, C. And Tuffs, P.S. Generalized Predictive Control Part I.
The basic algorithm, Automatica, Vol. 23, p.137-148, 1987
Es tambin recomendable el libro de los profesores Eduardo Camacho y Calor Bordons de la

Escuela de Ingenieros de la Universidad de Sevilla:
E.F. Camacho and C. Bordons Model Predictive Control in the Process Industry,
Springer, 1995
En cuanto a la identificacin dinmica, es imprescindible el libro:
Ljung, L. System Identification: Theory for the user 2nd edition, Prentice Hall, 1999

Control Multivariable

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Control Multivariable

Uploaded by

Copyright:

Available Formats

9A

FICHA IDENTIFICATIVA DEL DOCUMENTO:

Master de instrumentacin y control

El Control Multivariable Predictivo constituye el estado del arte en el campo de Control

Control Multivariable Predictivo

3.2. Variables manipuladas 8

3.3. Variables de perturbacin o feedforward 9

3.4. Grados de libertad 9

5.2. Modelo de respuesta a salto 24

5.3. Modelo Recursivo de Funcin de Transferencia 25

5.4. Definicin del Modelo Matricial 26

5.5. Uso del Modelo Matricial 29

5.6. Proceso de Obtencin del Modelo Matricial Dinmico 38

6.2. Equal Concern Errors 49

6.3. Equal Concern Dinmicos 50

7.2. Restricciones en las Variables Controladas 54

7.4. Estrategia cuando no existe solucin factible 60

7.5. Imposicin de la solucin de la programacin lineal 61

10.2. En el mdulo de Control Dinmico 70

Master de Instrumentacin y Control Pgina 3

En mdulos anteriores (5 y 6) se ha estudiado el control bsico o control regulatorio que

A finales de la dcada de los 70 y comienzos de los 80, desarrollos independientes llevados a

Master de Instrumentacin y Control Pgina 4

Como la mayora de estas caractersticas son de gran importancia en problemas de control de

Una desventaja fundamental del CPBM es la necesidad de disponer de un modelo

Master de Instrumentacin y Control Pgina 5

1.1. Conocimientos previos

A pesar de su complejidad matematica, en este captulo se ha intentado introducir los

Master de Instrumentacin y Control Pgina 6

Podemos distinguir cuatro niveles de automatizacin: control bsico, control avanzado,

3.1. Variables Controladas

Las especificaciones de calidad, ya estn medidas con un analizador en lnea, obtenidas

3.2. Variables manipuladas

MVs. El controlador ve todas las variables conjuntamente como un solo sistema y

Figura 3-1 Terminologa Bsica

3.3. Variables de perturbacin o feedforward

3.4. Grados de libertad

Master de Instrumentacin y Control Pgina 9

altitud del barco = nivel del mar

Master de Instrumentacin y Control Pgina 10

altitud de los rales = contorno geolgico

En el siguiente ejemplo se estudian los grados de libertad de un proceso mas cercano al

Variables del sistema :

Figura 3-2 Grados de libertad (2 grados )

Master de Instrumentacin y Control Pgina 11

Veamos qu sucede si incluimos un controlador en el sistema. Pasamos a controlar el caudal

Variables del sistema :

qf, qc, Tf, Tc, q, t

Figura 3-3 Grados de libertad (1 grado )

Master de Instrumentacin y Control Pgina 12

Variables del sistema :

qf, qc, Tf, Tc, q, t

Figura 3-4 Grados de libertad (0 grados )

Hemos visto el mtodo ortodoxo de clculo de grados de libertad, si bien es un ejercicio

gl = n MVs disponibles- n CVs a controlar en un valor fijo (SP)

Master de Instrumentacin y Control Pgina 13

Figura 3-5 Grados de libertad en una Columna de Destilacin

Master de Instrumentacin y Control Pgina 14

1. Controlar la composicin de las impurezas de ligeros en el producto de fondo y la

Un proceso cuadrado, es decir un proceso en el que no hay grados de libertad porque

El nmero de grados de libertad de un controlador no es algo inherente al proceso, depende de

La estructura del proceso determina los grados de libertad disponibles

Figura 3-6 Grados de Libertad de un Proceso.

Master de Instrumentacin y Control Pgina 16