Professional Documents
Culture Documents
CONTROL
1 MULTIVARIABLE
"Se debe hacer todo tan sencillo como sea posible, pero no ms sencillo"
Albert Einstein
INTRODUCCION
7.3. Optimizacin 58
Master de Instrumentacin y Control Pgina 2
Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
1. INTRODUCCIN
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).
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.
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.
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
Master de Instrumentacin y Control Pgina 7
Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
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.
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 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.
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
Master de Instrumentacin y Control Pgina 8
Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
TERMINOLOGA BSICA
DV1
MV1 CV1
PROCESO CV2
MV2 CV3
VARIABLES INDEPENDIENTES
MANIPULADAS (MVs)
PERTURBACION (DVs)
VARIABLES DEPENDIENTES
CONTROLADAS (CVs)
(Calidades, Restricciones)
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.
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:
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:
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.
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.
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.
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)
qc = F(q)
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)
qc = F(q)
qf = F(T)
Volviendo al mundo del control de procesos, podemos reescribir la ecuacin de los grados de
libertad como:
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
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:
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:
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.
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
4. PROCESOS MULTIVARIABLES
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.
D
SI EL
REFLUJO L
AUMENTA
PRDIDA DE CARGA
NIVEL DEL
FONDO
Del mismo modo, si elegimos una variable controlada, por ejemplo la calidad del producto de
cabeza, vemos que mejora cuando:
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
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
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.
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
d h
qo = k h A = q k h
d t
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:
n
y (t) = h u( t j ) h u( t j ) = H ( q
j =1
j
j =1
j
1
) u( t )
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 )
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).
u(t) y(t)
h2
h3
1 h1 h4
h5
PROCESO
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.
n
y(t+k/t) = g u(t + k j / t ) = G(q-1)(1-q-1)u(t+k/t)
j =1
j
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.
u(t) y(t) gn
g3
g2
1 g1
PROCESO
u(t) y(t)
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)
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.
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.
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.
308
306
CV 6 7 7
304
302 4
300 1
t0 1 2 3 4 5 6
MV 1
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
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
CV1 CV2
MV1 ganancia = 1
DV1 ganancia = -2
ganancia = 0.1
90 min
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.
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.
1
Se aplica la convencin CVN = CV en el periodo de muestreo nmero N.
Master de Instrumentacin y Control Pgina 29
Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
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
21 21
CV 18
12
3
t0 1 2 3 4 5 6
MV 3
-2
CV -8
-12
-14 -14
t0 1 2 3 4 5 6
MV -2
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
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
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)
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
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
Master de Instrumentacin y Control Pgina 35
Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
CV valor predicho
de CV
MV
Pasado Futuro
Momento actual
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
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
CONTROL
MODELO
OBJETIVOS MOVIMIENTOS
VARIABLES VARIABLES
CONTROLADAS MANIPULADAS
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.
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.
IDENTIFICACION
MODELO
HISTORIA
VARIABLES
CONTROLADAS
IDENTIFICADOR
HISTORIA
VARIABLES
MANIPULADAS
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 :
c = ( MV T MV ) 1 MV T pv
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.
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.
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.
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.
Punto de consigna
Imagen especular
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
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 :
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
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.
Bajo
Move
Suppression
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
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).
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
Master de Instrumentacin y Control Pgina 47
Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
donde :
A11 Matriz dinmica de coeficientes que relaciona MV1 con CV1
A12 Matriz dinmica de coeficientes que relaciona MV2 con CV1
A21 Matriz dinmica de coeficientes que relaciona MV1 con CV2
A22 Matriz dinmica de coeficientes que relaciona MV2 con CV2
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.
Move Suppression = 1
104
CV
103
CV 102
101
Move Suppression = 10
100
99
15
Move Suppression = 10
MV 10
MV
5
Move Suppression = 1
Low MV Limit
0
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.
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.
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.
Zona baja de
transicin
Zona alta de
transicin
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 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
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 :
Usaremos como ejemplo un caso en el que existan dos variables manipuladas. En este caso las
dos ecuaciones generarn cuatro ecuaciones :
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
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 :
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
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
MV1HIGH
MV1LOW
MV2HIGH
CV1HIGH
MV2
CV1LOW
MV2LOW
MV1
29 29 + (-1.5)*MV1SS + (6.0)*MV2SS 76
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 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
MV1
que satisface las inecuaciones :
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
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 :
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
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).
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.
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.
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
Una vez vistos todos los aspectos del Controlador Multivariable, vamos a hacer un resumen
de cada uno de sus mdulos y de su propsito
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.
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.
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.
DMC
SISTEMA DE CONTROL
PROCESO
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
[DMC] CTLR GRAFICO SUMARIO SUMARIO SUMARIO SUMARIO SUMARIO CONFIG. CONEXION
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.
[DMC] CTLR GRAFICO SUMARIO SUMARIO SUMARIO SUMARIO SUMARIO CONFIG. CONEXION
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.
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.
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:
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
Qin, S.J. and T.A. Badgwell A survey of industrial model predictive control
technology Control Engineering Practice, April 2002
Clarke, D.W., Mohtadi, C. And Tuffs, P.S. Generalized Predictive Control Part I.
The basic algorithm, Automatica, Vol. 23, p.137-148, 1987
E.F. Camacho and C. Bordons Model Predictive Control in the Process Industry,
Springer, 1995
Ljung, L. System Identification: Theory for the user 2nd edition, Prentice Hall, 1999