INTRODUCCION:

El control predictivo tiene como objetivo resolver de forma efectiva, problemas de control y automatizacin de procesos industriales que se caractericen por presentar un comportamiento dinmico complicado, multivariable, y/o inestable. La estrategia de control en que se basa este tipo de control, utiliza el modelo matemtico del proceso a controlar para predecir el comportamiento futuro de dicho sistema, y en base a este comportamiento futuro puede predecir la seal de control futura. Existen muchos algoritmos de control predictivo que han sido aplicados con xito: GPC, IDCOM, DMC, APC, PFC, EPSAC, RCA, MUSMAR, NPC, UPC, SCAP, HPC, etc. Para muchos el control predictivo no es una estrategia de control especfica, sino que se trata ms bien de un campo muy amplio de mtodos de control desarrollados en torno a ciertas ideas comunes. El control predictivo utiliza un modelo explcito para predecir la salida del proceso en instantes futuros, mediante el uso de algoritmos para el clculo de seales de control minimizando una cierta funcin objetivo. Una de las propiedades ms atractivas del sistema de Control Predictivo es su formulacin abierta, que permite la incorporacin de distintos tipos de modelos de prediccin, sean lineales o no lineales, monovariables o multivariables, y la consideracin de restricciones sobre las seales del sistema. Esto hace que sea una estrategia muy utilizada en diversas reas del control. Adems, es una de las pocas tcnicas que permiten controlar sistemas con restricciones incorporando stas en el propio diseo del controlador. Estas caractersticas han hecho del control predictivo una de las escasas estrategias de control avanzado con un impacto importante en problemas de mbito industrial, por tal motivo es importante resaltar que el control predictivo se ha desarrollado en el mundo de la industria, y ha sido la comunidad investigadora la que se ha esforzado en dar un soporte terico a los resultados prcticos obtenidos hasta el da de hoy.

PERSPECTIVA HISTORICA:
El Control Predictivo se desarroll en base a dos lneas bsicas. Por un lado, a finales de los aos setenta surgieron diversos algoritmos que usaban explcitamente un modelo dinmico del proceso para predecir el efecto de las acciones de control futuras en la salida, las cuales eran determinadas minimizando el error predicho sujeto a restricciones de operacin. La optimizacin se repeta en cada instante de muestreo con informacin actualizada del proceso. Estas formulaciones eran de naturaleza heurstica y algortmica e intentaban aprovechar el creciente potencial de los computadores digitales por aquella poca. Rpidamente el MPC adquiri gran popularidad en las industrias de procesos qumicos principalmente debido a la simplicidad del algoritmo y al uso del modelo de respuesta impulsional o en escaln, que aunque posea muchos ms parmetros que las formulaciones en el espacio de estados o funcin de transferencia suele ser preferido por ser intuitivo y necesitar menos informacin a priori para identificar. La mayora de las aplicaciones fueron llevadas a cabo sobre sistemas multivariables incluyendo restricciones. Los algoritmos utilizados fueron principalmente el IDCOM (IdentificationCommand) y el DMC (Control con Matriz Dinmica, Dynamic Matrix Control). Independientemente fue surgiendo otra lnea de trabajo en torno a las ideas del control adaptativo, desarrollando estrategias esencialmente para procesos monovariables formuladas con modelos entrada/salida. En este contexto se extendieron las ideas del Controlador de Mnima Varianza y se desarroll el Control Predictivo Generalizado (Generalized Predictive Control GPC) que es uno de los mtodos ms populares en la actualidad. La situacin actual de aplicaciones de MPC en la industria est bien reflejada en la recopilacin de Qin y Badgwell , que recoge unas 2200 aplicaciones, principalmente en el sector petroqumico (desde entonces el nmero de aplicaciones puede estimarse en torno a las 3000). La mayora de las aplicaciones son en procesos multivariables, registrndose casos como un controlador con 40 entradas y 80 salidas. Sorprendentemente, MPC ha tenido menor impacto en otro tipo de industrias, aunque estudios de 1993 sugieren que unas 20.000 aplicaciones podran beneficiarse de esta tcnica. El xito actual del MPC en la industria se debe a tres razones principales:

1.- La incorporacin de un modelo explcito del proceso en los clculos permite al controlador tratar con todas las caractersticas importantes de la dinmica del proceso. 2.- La consideracin del comportamiento del proceso a lo largo de un horizonte futuro permite tener en cuenta el efecto de las perturbaciones en realimentacin y prealimentacin, permitiendo al controlador conducir la salida a la trayectoria de referencia deseada. 3.- La consideracin de restricciones en la fase del diseo del controlador evita en lo posible su violacin, resultando en un control ms preciso en torno al punto ptimo de operacin. La inclusin de restricciones es quizs la caracterstica que ms distingue al MPC respecto a otras metodologas.

Otra de las razones que han contribuido a que el MPC se haya convertido en un xito comercial es el hecho de que existen unos 15 suministradores que instalan el producto llave en mano, con periodos de amortizacin de entre 3 y 12 meses, permitiendo que medianas empresas puedan tener acceso a esta tecnologa. Aparte de esto, los nuevos Sistemas de Control Distribuido empiezan a ofertar productos MPC genricos que ofrecen al usuario la posibilidad de realizar futuras modificaciones sin depender de un producto cerrado.

CONTROL PREDICTIVO 1.Definicin:

Control Predictivo, son los sistemas de control que trabajan con un sistema predictivo, y no activo como el tradicional (ejecutan la solucin al problema antes de que empiece a afectar al proceso). De esta manera, mejora la eficiencia del proceso contrarrestando rpidamente los efectos. Permite manipular las variables para establecer una trayectoria deseada a futuro. Adems de las variables que estn siendo controladas. Una vez manipuladas las variables se procede a su clculo optimizndolas con la funcin objetivo y siguiendo mtodos de horizonte mvil. Es evidente que para optimizar las variables se utiliza los principios de la Investigacin de Operaciones.

2.Conceptos Bsicos del Control Predictivo:

El Control Predictivo Basado en Modelo, Model (Based) Predictive Control (MBPC o MPC) constituye un campo muy amplio de mtodos de control desarrollados en torno a ciertas ideas comunes e integra diversas disciplinas como control ptimo, control estocstico, control de procesos con tiempos muertos, control multivariable o control con restricciones. El Control Predictivo no es una estrategia de control especfica, sino que se trata ms bien de un campo muy amplio de mtodos de control desarrollados en torno a ciertas ideas comunes. Estos mtodos de diseo conducen a controladores lineales que poseen prcticamente la misma estructura y presentan suficientes grados de libertad. Las ideas que aparecen en mayor o menor medida en toda la familia de controladores predictivos son bsicamente: Uso expl cito de un modelo para predecir la salida del proceso en futuros instantes de tiempo (horizonte). lculo de las sen n objetivo. Ca ales de control minimizando una cierta funcio Estrategia deslizante, de forma que en cada instante el horizonte se va al de control en desplazando hacia el futuro, lo que implica aplicar la primera sen lculo en cada instante de cada instante y desechar el resto, repitiendo el ca muestreo.

Los distintos algoritmos de MPC difieren entre s casi exclusivamente en el modelo usado para representar el proceso y los ruidos y en la funcin de coste a minimizar. Aunque las diferencias puedan parecer pequeas a priori, pueden provocar distintos comportamientos en bucle cerrado, siendo crticas para el xito de un determinado algoritmo en una determinada aplicacin. El Control Predictivo es un tipo de control de naturaleza abierta dentro del cual se han desarrollado muchas realizaciones, encontrando gran aceptacin tanto en aplicaciones industriales como en el mundo acadmico. En la actualidad existen numerosas aplicaciones de controladores predictivos funcionando con xito, tanto en la industria de procesos como en control de motores o Robtica. El buen funcionamiento de estas aplicaciones muestra la capacidad del MPC para conseguir sistemas de control de elevadas prestaciones capaces de operar sin apenas intervencin durante largos periodos de tiempo. El MPC presenta una serie de ventajas sobre otros mtodos, entre las que destacan: Resulta particularmente atractivo para personal sin un conocimiento profundo de control, puesto que los conceptos resultan muy intuitivos, a la vez que la cil. sintonizacin es relativamente fa llos con Puede ser usado para controlar una gran variedad de procesos, desde aque mica relativamente simple hasta otros ma s complejos incluyendo sistemas dina con grandes retardos, de fase no m nima o inestable. Permite tratar con facilidad el caso multivariable. n del retardo. Posee intr nsecamente compensacio n al tratamiento de restricciones, Resulta conceptualmente simple la extensio tica durante el proceso de disen que pueden ser incluidas de forma sistema o. til cuando se conocen las futuras referencias (robo tica o procesos en Es muy u batch) sicos Es una metodolog a completamente abierta basada en algunos principios ba que permite futuras extensiones.

 gicamente, tambie n presenta inconvenientes. Unos de ellos es la carga de ca Pero, lo n de algunos algoritmos. Pero quiz s el mayor lculo necesaria para la resolucio inconveniente venga marcado por la necesidad de disponer de un modelo apropiado del basado en el conocimiento previo del modelo y es proceso. El algoritmo de disen o esta ste, pero resulta evidente que las prestaciones obtenidas depender n de independiente de e las discrepancias existentes entre el proceso real y el modelo usado.

3.Controladores Predictivos: 3.1 Elementos Bsicos

Todos los controladores predictivos poseen elementos comunes y para cada uno de estos elementos se pueden elegir diversas opciones, dando lugar a distintos algoritmos. Estos elementos son: n Modelo de prediccio n objetivo Funcio n de la ley de control Obtencio

Modelo de Prediccin:
La piedra angular del MPC es el modelo; un disen o completo debe incluir los n del mejor modelo posible, el cual debe ser mecanismos necesarios para la obtencio mica del proceso y debe ser calo suficientemente rico para capturar al mximo la dina lculo de las predicciones a la vez que sea intuitivo y permita un paz de permitir el ca lisis teo rico. El uso del modelo del proceso viene determinado por la necesidad del ana lculo de la salida predicha en instantes futuros ca . Las diferentes estrategias de MPC pueden usar distintos modelos para representar la relacin de las salidas con las entradas medibles, algunas de las cuales sern variables manipuladas y otras se pueden considerar como perturbaciones medibles, que pueden ser compensadas por accin feedforward. Adems se tendr en cuenta un modelo de las perturbaciones, para intentar describir el comportamiento que no aparece reflejado en el modelo del pro- ceso, englobndose aqu el efecto de las entradas no medibles, el ruido y los errores de modelado. Para el estudio se puede separar el modelo en dos partes: el modelo del proceso propiamente dicho y el modelo de las perturbaciones. Cualquier me todo usara ambas partes para la prediccin.

Funcin Objetivo:
Los diversos algoritmos de MPC proponen distintas funciones de coste para la obtencion de la ley de control. En general se persigue que la salida futura en el horizonte considerado siga a una determinada seal de referencia al mismo tiempo que se puede penalizar el esfuerzo de control requerido para hacerlo. La expresin general de tal funcin objetivo ser:

En algunos mtodos el segundo sumando, que considera el esfuerzo de control, no se tiene en cuenta, mientras que en otros tambin aparecen directamente los valores de la seal de control (no sus incrementos). En la funcin de coste se pueden considerar: *Parmetros: N1 y N2 son los horizontes mnimo y mximo de coste (o de prediccin) y es el horizonte de control, que no tiene por qu coincidir con el horizonte mximo. El significado de N1 y N2 resulta bastante intuitivo: marcan los lmites de los instantes en los que se desea que la salida siga a la referencia, As, si se toma un valor grande de N1 es porque no importa que haya errores en los primeros instantes, lo cual provocar una respuesta suave del proceso. *Trayectoria de referencia: Una de las ventajas del control predictivo es que si se conoce a priori la evolucin futura de la referencia, el sistema puede empezar a reaccionar antes de que el cambio se haya efectivamente realizado, evitando los efectos del retardo en la respuesta del proceso. En muchas aplicaciones la evolucin futura de la referencia es conocida de antemano, como en Robtica, servos o procesos en batch; en otras aplicaciones aunque la referencia sea constante, se puede conseguir una sensible mejora de prestaciones simplemente conociendo el instante de cambio de valor y adelantndose a esa circunstancia. *Restricciones: En la prctica, todos los procesos estn sujetos a restricciones. Los actuadores tienen un campo limitado de accin as como una determinada velocidad de cambio (slew rate), como es el caso de las vlvulas, limitadas por las posiciones de totalmente abierta o cerrada y por la velocidad de respuesta. Razones constructivas, de seguridad o medioambientales o bien los propios alcances de los sensores pueden causar lmites en las variables de proceso, tales como niveles en depsitos, caudales en tuberas o temperaturas y presiones mximas. Adems, normalmente las condiciones de operacin vienen definidas por la interseccin de ciertas restricciones por motivos

fundamentalmente econmicos, con lo que el sistema de control operara cerca de los lmites. Todo lo expuesto anteriormente hace necesaria la introduccin de rest ricciones en la funcin a minimizar.

Obtencin de la Ley de Control:

Para obtener los valores u(t+k| t) ser necesario minimizar la funcional J de la ecuacin anterior. Para ello se calculan los valores de las salidas predichas y(t+k| t) en funcin de valores pasados de entradas y salidas y de seales de control futuras, haciendo uso del modelo que se haya elegido y se sustituyen en la funcin de coste, obteniendo una expresin cuya minimizacin conduce a los valores buscados. Para el criterio cuadrtico si el modelo es lineal y no existen restricciones se puede obtener una solucin analtica, en otro caso se debe usar un mtodo iterativo de optimizacin. De cualquiera de las maneras la obtencin de la solucin no resulta trivial pues existirn N2-N1+1 variables independientes, valor que puede ser elevado (del orden de 10 a 30). Con la idea de reducir estos grados de libertad se puede proponer cierta estructura a la ley de control. Adems se ha encontrado que esta estructuracin de la ley de control produce una mejora en la robustez y en el comportamiento general del sistema, debido fundamentalmente a que el hecho de permitir la libre evolucin de las variables manipuladas (sin estructurar) puede conducir a seales de control de alta frecuencia no deseables y que en el peor de los casos podran conducir a la inestabilidad. Esta estructura de la ley de control se plasma en el uso del concepto de horizonte de control (Nu), que consiste en considerar que tras un cierto intervalo Nu<N2 no hay variacin en las seales de control propuestas, es decir:

lo cual es equivalente a dar pesos infinitos a las cambios en el control a partir de cierto instante. El caso limite seria considerar Nu igual a 1 con lo que todas las acciones futuras serian iguales a .

3.2 Revision de Principales Algoritmos Dynamic Matrix Control

Este mtodo usa la respuesta ante escaln para modelar el proceso, considerando solo los N primeros trminos, asumiendo por tanto que el proceso es estable. En cuanto a las perturbaciones, se considera que su valor permanece constante e igual al existente en el instante actual durante todo el horizonte, es decir, igual al valor medido de la salida menos el estimado por el modelo

y por tanto el valor predicho de la salida ser:

donde el primer trmino contiene las acciones de control futuras (que sern calculadas), el segundo los valores pasados de las acciones de control (conocidas) y el ultimo representa las perturbaciones. La funcin de coste puede considerar solo errores futuros o incluir tambin el esfuerzo de control, en cuyo caso toma la forma genrica . Una de las caractersticas de este mtodo que lo ha hecho muy popular en la industria es la inclusin de restricciones, que se traduce en inecuaciones de la forma genrica:

En este caso la optimizacin debe ser numrica y se lleva a cabo en cada periodo de muestreo, envindose la seal y recalculando todo en el nuevo periodo de muestreo, como en todos los mtodos MPC. Los principales inconvenientes de este mtodo son el tamao del modelo empleado y la imposibilidad de tratar procesos inestables.

Model Algorithmic Control

Este mtodo se conoce tambin como Model Predictive Heuristic Control y el producto comercial se llama IDCOM (Identification-Command). Es muy similar al DMC con la diferencia principal de usar un modelo de respuesta impulsional . Introduce el concepto de trayectoria de referencia como un sistema de primer orden que evoluciona desde la salida actual al set point segn una determinada constante de tiempo. La varianza del error entre esta trayectoria y la salida es lo que marca la minimizacin de la funcin objetivo. Las perturbaciones se pueden tratar como en el mtodo anterior o se pueden estimar segn la siguiente expresin:

con es un parmetro ajustable relacionado con el tiempo de respuesta, el ancho de banda y la robustez del bucle cerrado. El mtodo tambin considera restricciones en los actuadores, en las variables internas o en salidas secundarias.

Predictive Functional Control

Este controlador fue desarrollado por Richalet para procesos rpidos. Emplea un modelo en el espacio de estados, por lo que permite el manejo de procesos inestables, y tambin la extensin al caso no lineal. Este esquema de control tiene dos caractersticas que lo distinguen del resto de controladores de la familia: el uso de puntos de coincidencia y de funciones base.

El concepto de puntos de coincidencia se emplea para simplificar los clculos considerando slo un subconjunto de puntos en el horizonte de prediccin

La salida deseada y la predicha deben coincidir en dichos puntos, no en todo el horizonte de prediccin. La otra idea innovadora de este mtodo es la parametrizacin de la seal de control como una combinacin lineal de ciertas funciones base, que son elegidas segn la naturaleza del proceso y la referencia:

Normalmente estas funciones son de tipo polinmico: escalones

, rampas

o parbolas ya que la mayora de referencias se pueden especificar como combinacin de estas funciones. Con esta estrategia, un perfil de entrada complejo se puede especificar usando un pequeo nmero de parmetros desconocidos i que son las incgnitas del problema de minimizacin. La funcin a minimizar es:

El algoritmo PFC tambin puede manejar restricciones de mximo y mnimo en la aceleracin, que son prcticas en aplicaciones de servocontrol.

Generalizad Predictive Control

Este mtodo propuesto por Clarke. Emplea un modelo CARIMA (Controlled AutoRegressive Integrated Moving Average) para la prediccin de la salida:

donde la perturbacin viene dada por un ruido blanco coloreado por el polinomio . Como en la prctica es difcil encontrar el verdadero valor de este polinomio, se puede emplear como parmetro de diseo para rechazo de perturbaciones o mejora de la robustez. La prediccin ptima se lleva a cabo resolviendo una ecuacin diofantica, lo cual puede hacerse eficazmente de forma recursiva. Este algoritmo, al igual que otros que usan el modelo de funcin de transferencia, se puede implementar fcilmente en forma adaptativa usando un algoritmo de identificacin en lnea como los mnimos cuadrados recursivos. GPC usa una funcin de coste cuadrtica de la forma

donde las secuencia de ponderacin y se eligen normalmente constantes o exponenciales y la trayectoria de referencia se puede generar como una secuencia que empieza en el valor actual de la salida y tiende exponencialmente al set point. Las bases tericas del algoritmo GPC has sido ampliamente estudiadas y se puede demostrar que, para distintos conjuntos de parmetros, el algoritmo es estable y que otros controladores como por ejemplo el dead beat son casos incluidos en ste.

4.Control Predictivo y Control PID

A continuacin de describen algunos aspectos generales sobre MPC, pero para un tratamiento profundo y completo se Remite al lector a las referencias citadas. El control MPC posee principalmente tres elementos, y para cada uno de estos se pueden elegir diversas opciones, generando distintos algoritmos. Estos elementos son el modelo de prediccin, la funcin objetivo y la obtencin de la ley de control. Las metodologas del diseo de sistemas de control actuales se basan en la formulacin de modelos lineales y no lineales para reflejar el comportamiento dinmico de un proceso. La aplicacin del control predictivo usando un modelo lineal permite conocer la evolucin del proceso en un horizonte de prediccin ante cualquier valor de la entrada; dicha evolucin estar afectada de forma lineal por la influencia de acciones pasadas y futuras. Si bien los algoritmos clsicos son aun vlidos para el mantenimiento de la estabilidad en las variables de calidad en la mayora los procesos, presentan un problema fundamental; no estn preparados para responder ante determinadas evoluciones dinmicas del proceso, caracterizadas por la aparicin de importantes no linealidades, retardos puros, respuestas

inversas y tampoco resuelven los problemas de acoplamiento entre diversas variables. Estos problemas inherentes a su propia concepcin y diseo, son la causa de la inestabilidad del sistema; este aspecto se trata ms a fondo en la referencias. La figura 1 muestra las estrategias de control MPC y control PID.

Figura1. Diagramas de control. a. Control Predictivo. b. Control PID

5. Control Predictivo Basado en Modelos(MPC)

El Control Predictivo Basado en Modelos (MPC), constituye un campo muy amplio de mtodos de control; integra diversas disciplinas como control ptimo, control estocstico, control de procesos con tiempos muertos y control con restricciones. El MPC es un tipo de control de naturaleza abierta dentro del cual se han desarrollado muchas aplicaciones, encontrando gran aceptacin tanto en la industria como en el mbito acadmico. En la actualidad existen numerosas aplicaciones de controladores predictivos funcionando con xito, en la industria de procesos y en el control de motores y la robtica.

5.1 Aspectos Generales del MPC

El MPC permite incorporar criterios operacionales a travs de la utilizacin de una funcin objetivo y restricciones para el clculo de las acciones de control. El MPC se fundamenta en los siguientes criterios: Utiliza el modelo matemtico del proceso para predecir la evolucin futura de las variables controladas sobre un horizonte de prediccin. La imposicin de una estrategia de control para el clculo de las variables manipuladas, optimizando una funcin objetivo. El establecimiento de una trayectoria futura conocida a priori, una trayectoria de referencia actual o una trayectoria filtrada para las variables controladas del proceso. La aplicacin de la estrategia de horizonte de control deslizante, se aplica la primera seal de control en cada instante y se desecha el resto, luego se repiten los clculos en cada instante de muestreo. Uno de los inconvenientes del MPC es su elevado grado de computacin numrica requerido para la solucin de ciertos algoritmos. Tambin es de cierta manera una desventaja el tener que disponerse de un modelo matemtico muy cercano a la planta real. Es de notar que an existen procesos donde no se cuenta con un modelo si quiera satisfactorio que lo describa. El grado de eficiencia de una estrategia de control como MPC es dependiente en alto grado de la diferencia entre el proceso real y el nivel de precisin utilizado en la prediccin que es dependiente del modelo.

5.2 Ventajas del Control MPC Sobre el Control Convencional

El MPC desde su creacin ha mantenido consistentemente varias caractersticas que lo diferencian no solo del control convencional sino de otras tcnicas modernas como el control adaptativo, LQ de auto ajuste, entre otros. De ellas se destacan: Sencillo de comprender. Algunos autores atribuyen esta sencillez a su carcter intuitivo. Maneja tanto sistemas de una sola variable como los multivariables. La compensacin con retardo, as como su ajuste es comparativamente muy fcil. Trabaja muy cercanamente a los lmites reales (restricciones) impuestos a la planta, permitiendo ello maximizar rendimientos.

5.3 Estructura Tpica de un MPC

En la estructura del MPC, se usa el modelo matemtico del proceso (planta) para predecir sus salidas futuras, basndose en las seales de control futuras. Estas seales se calculan con ayuda de un programa de optimizacin que siempre requiere del planteamiento de una funcin objetivo y de ser el caso, de restricciones activas o pasivas. Este modelo matemtico debe ser capaz de describir en forma muy cercana la dinmica del proceso para poder predecir las salidas futuras. Otros componentes estructurales de un control MPC son la trayectoria de referencia, los errores futuros (diferencia entre la trayectoria de referencia y las salidas predichas) y las seales de control futuras. La figura 2 muestra la estructura tpica de un control MPC; en ella SP son la salidas predichas, TR es la trayectoria de referencia, ERR es el error, CF son los controles futuros y E/S son las entradas salidas al modelo.

Figura 2. Estructura de control MPC En contraste con el modelo utilizado en control convencional, esto es, un modelo nominal, en el caso de MPC se requiere de un modelo ms elaborado pero con la contradiccin de que entre ms preciso sea, eventualmente requerir ms tiempo de cmputo punto que puede ser neurlgico en algunas aplicaciones.

6. Restricciones en Control Predictivo

En la prctica todos los procesos estn sujetos a restricciones. Los actuadores tienen un campo limitado de accin impuesto por lmites fsicos (por ejemplo una vlvula no puede abrir ms de un 100 % o un calentador no puede aportar ms de su potencia mxima. Tambin existen lmites de seguridad (por ejemplo presiones o temperaturas mximas), requerimientos tecnolgicos (por ejemplo mantener temperaturas en un rango dado), limitaciones de calidad del producto (no salirse de cierta zona) o normativa medioambiental.

6.1 Tratamiento convencional de Restricciones

El tratamiento convencional de restricciones en control de procesos se basa en que las restricciones en la variable manipulada (entrada) se cumplen saturando la salida del controlador. Sin embargo, las restricciones en la variable controlada (salida) no pueden abordarse; se intenta evitar su violacin trabajando alejados de los lmites (en zona segura), operando lejos de la restriccin. Por seguridad se trabaja con una consigna inferior, ms lejos del punto de operacin ptimo, lo que normalmente equivale a una disminucin de la calidad y/o cantidad en la produccin, ya que normalmente el punto optimo se encuentra en la interseccin de las restricciones obligando a acercarse lo ms posible a las estas pero sin superarlas. Si el controlador fuera capaz de tener en cuenta las restricciones y evitar su violacin, el proceso podra operar ms cerca de estas y por tanto de forma ms eficiente. La figura 6.1 muestra un ejemplo donde existe una limitacin de presin mxima y se observa como al alejar el punto de operacin del limite la produccin Q disminuye. En cuanto a la forma de operar de un controlador predictivo que no considera restricciones el procedimiento es similar: si la seal de control calculada viola la restriccin, se satura. Las seales futuras ni siquiera se tienen en cuenta, ya que normalmente no se calculan. Esta forma de proceder no garantiza el carcter ptimo de la solucin y en ningn caso garantiza el cumplimiento de las restricciones en la salida. La violacin de los lmites de las variables controladas puede ser ms costoso y peligroso, produciendo daos en equipos y prdidas en la produccin

Figura 6.1 Restricciones y Punto ptimo. La figura 6.2 muestra con claridad el fenmeno de prdida de la solucin ptima cuando las variables manipuladas se mantienen en sus lmites por el programa de control o por el propio actuador. Este hecho puede llevar a valores mayores de la funcin objetivo y a un comportamiento no deseado (incluso inestabilidad). En 6.2 se muestra un caso con horizonte de control igual a 2, donde se observa que si se satura la seal de control a el valor de la funcin de coste no es el mejor que se

podra conseguir (que sera el correspondiente a ). Incluso puede que no se viole la restriccin en el instante actual pero si en el futuro (figura 6.2b) con lo que la seal enviada al sistema (sin saturar) no es la mejor para el problema de dimensin 2 que se est optimizando.

Restricciones en Control Predictivo

En la actualidad el MPC es la nica metodologa capaz de incorporar las restricciones de forma sistemtica en la fase de diseo del controlador, siendo esta caracterstica una de las razones de su gran xito en la industria. Parece lgico que al disponer de un modelo dinmico del proceso se pueda conocer la evolucin futura de su salida y por tanto se pueda saber si esta va a violar o no las restricciones y actuar en consecuencia. Para formular el algoritmo MPC con restricciones hay que expresar estas en funcin de la variable sobre la que se puede actuar, es decir, en funcin de u. Las restricciones en la entrada estn ya expresadas en funcin de u y para las restricciones en la salida se hace uso de las ecuaciones de prediccin que expresan el valor futuro de las salidas

(a)

Figura 6.2 Restricciones de la seal de control (b)

en funcin de las seales de control futuras y valores conocidos en el instante t. Cualquier controlador predictivo calcula la prediccin como:

por lo que tanto entradas como salidas se pueden expresar en funcin del vector de incrementos de la seal de control. Las restricciones que aparecen sern bsicamente amplitud y velocidad de cambio en la seal de control y amplitud en la salida y se pueden expresar como:

Para un proceso de m entradas y n salidas y restricciones en el horizonte N, las restricciones se pueden expresar como:

donde I es una matriz de dimensin formada por matrices identidad y T es una matriz triangular inferior por bloques cuyos elementos no nulos son matrices identidad de dimensin m x m . En forma condensada se pueden expresar como:

Siendo:

Aparte de las restricciones en amplitud, a la salida se le pueden aplicar otro tipo de restricciones de para forzar un determinado comportamiento temporal (movimiento dentro de una banda, comportamiento montono, evitar respuesta inicial inversa, etc.) como se muestra, pudiendo expresarlas tambin de la forma genrica (6.1). Adems de la clasificacin en restricciones en la entrada y en la salida segn a que tipo de variable se apliquen, se puede hacer otra clasificacin atendiendo a la forma de tratarlas. As, se puede hablar de: Restricciones duras como aquellas que no se pueden violar bajo ningn concepto. En este grupo se incluyen las restricciones relacionadas con la operacin segura del proceso. Restricciones blandas, que son aquellas que pueden ser violadas en un momento dado por no ser cruciales, pero la violacin se penaliza en la funcin objetivo como un trmino ms. Es una forma de relajar la restriccin.

6.1 Resolucin del Problema

Con la adicin de restricciones el problema general de control predictivo cambia se puede formular como:

Es decir, el problema consiste en la minimizacin de una funcin cuadrtica con restricciones lineales, lo que se conoce como Programacin Cuadrtica, QP. En este caso no se puede encontrar una solucin analtica como en el caso sin restricciones, sino que hay que recurrir a mtodos iterativos. Resulta evidente que la carga de clculos ser considerable, ya que hay que encontrar la solucin resolviendo el algoritmo iterativo en cada periodo de muestreo. Normalmente el esfuerzo est justificado por el beneficio econmico obtenido al trabajar ms cerca del punto de operacin ptimo. Para resolver el problema QP existen diversos algoritmos suficientemente probados. Un problema asociado a la implementacin del control con restricciones es el anlisis de la estabilidad del bucle cerrado. Como es necesario utilizar mtodos numricos para resolver el problema de la optimizacin, la ley de control resultante no se puede describir de forma explcita, haciendo el problema muy difcil de atacar mediante la teora clsica de control. En los ltimos aos se ha trabajado mucho sobre la estabilidad en estas circunstancias, proponindose soluciones basadas en la teora de Lyapunov. La idea bsica consiste en que la funcin de coste cuando el horizonte es infinito es montona decreciente (si existe solucin factible) y se puede interpretar como funcin de Lyapunov que garantiza por tanto la estabilidad. Sin embargo, como la solucin tiene que ser numrica, el nmero de variables de decisin tiene que ser finito, por lo que se han propuesto dos ideas. En la primera, se descompone la funcin objetivo en dos partes: una con horizonte finito y restricciones y otra con horizonte infinito y sin restricciones. La segunda idea es en esencia equivalente y consiste en imponer restricciones terminales al estado y usar un horizonte infinito. En cualquier caso es un tema muy abierto, sobre todo si se quieren considerar las incertidumbres en el modelo y los temas asociados con la factibilidad.

7. Ventajas y Desventajas de Control Predictivo

VENTAJAS Formulacin en el dominio del tiempo, lo cual le permite ser una tcnica flexible, abierta e intuitiva. Permite tratar con sistemas lineales y no lineales, monovariables y multivariables utilizando la misma formulacin para los algoritmos del controlador. La ley de control responde a criterios de optimizacin. Permite la incorporacin de restricciones en la sntesis o implementacin del controlador. Brinda la posibilidad de incorporar restricciones en el clculo de las actuaciones. El modelo de Control Predictivo es la forma ms general de plantear el problema de control en el dominio del tiempo. Otras de sus ventajas son: Control de tipo ptimo: Existe un ndice J que se quiere minimizar, en el cual se suele incluir el error de la salida respecto a la variable a controlar y el esfuerzo de control al modificar la variable manipulable. Al minimizar dicho ndice se tiene la garanta de que tanto los errores en las salidas como el esfuerzo de control sern mnimos. Control estocstico : Este tipo de control tiene en cuenta la presencia de ruidos y perturbaciones medibles en las seales corrigiendo, en la medida de lo posible, su influencia sobre el sistema. Presencia de tiempos muertos: Se contempla la posibilidad de introducir retardos puros entre la seal de mando y la respuesta del sistema (desfase en el tiempo). En general, la presencia de tiempos muertos dificulta enormemente el control de la planta, pero en este caso se pueden incluir en el modelo de la planta de una forma sencilla y sistemtica. Control "Feed Forward". Este tipo de controles contrarrestan las perturbaciones exteriores antes de que se "cuelen" dentro de nuestro sistema, aumentando la robustez de la planta a controlar.

Referencias futuras. El predictivo tiene la capacidad de aprovechar el conocimiento de la evolucin futura deseada del sistema (si la conocemos de antemano) para implementar un algoritmo de control optimizado. Control Multivariable. Este tipo de control es capaz de manejar de manera natural varias variables de entrada y salida, incluso cuando no coinciden en nmero (ms entradas que salidas o viceversa) o cuando existen interrelaciones entre ellas (cada una de las variables de entrada tiene influencia sobre varias variables de salida).

DESVENTAJAS Requiere el conocimiento de un modelo dinmico del sistema suficientemente preciso. Requiere un algoritmo de optimizacin, por lo que solo se podra implementarse por medio de una computadora. Requiere un alto coste computacional, lo que hace difcil su aplicacin a sistemas rpidos. Hasta hace relativamente poco, no se poda garantizar la estabilidad de los controladores, especialmente en el caso con restricciones. Esto haca que el ajuste de estos controladores fuese heurstico y sin un conocimiento de cmo podan influir los parmetros en la estabilidad del sistema.

8. Aplicaciones
INDUSTRIA Se introducen en primer lugar los conceptos fundamentales y las metodologas de amplia implantacin en la industria para pasar posteriormente a la modificacin de los algoritmos bsicos, de forma que puedan incorporar situaciones encontradas comnmente en la industria como perturbaciones medibles o restricciones. QUMICA Sirve para predecir la reaccin de compuestos y reactivos a los que se pueden, mediante el modelo matemtico, variar las cantidades o alguna otra propiedad medible, y observar los resultados posibles obtenidos por el sistema; as se pueden utilizar mejor los recursos qumicos, que pueden ser o muy costosos o muy caros (en trminos de dinero y tiempo) o muy peligrosos de manipular. FSICA Al igual que en la qumica es costoso comprobar experimentalmente teoras, modelos, etc. Es por eso que los sistemas de control predictivo juegan un papel muy importante al permitir saber con cierto grado de certeza la reaccin o el comportamiento futuros de los fenmenos. MARKETING El control predictivo es muy aplicado para el anlisis y prediccin del comportamiento de un sector del mercado, un claro ejemplo es predecir, con cierto grado de confianza y teniendo en cuenta la informacin histrica (valores que en algn momento tuvieron las variables), el comportamiento del mercado en funcin de la demanda de leche para el ao 2011.

ROBTICA Un ejemplo son los brazos manipuladores, que al estar compuestos por varias articulaciones unidas entre s, poseen una dinmica altamente no lineal, con un fuerte acoplamiento entre sus respectivas articulaciones. Esto complica la utilizacin de sistemas de control tradicionales, en especial por la sintonizacin ante altas velocidades o aceleraciones. Una de las mejores soluciones es utilizar un control predictivo, mediante modelos matemticos con el fin de compensar los trminos dinmicos presentes.

INTELIGENCIA ARTIFICIAL Una de las aplicaciones que promete un gran aporte para la humanidad, en el futuro, es la utilizacin de sistemas de control predictivo a las redes neuronales para la navegacin de robots mviles, se espera que con esta tendencia se pueda mejorar el trnsito vehicular e incluso peatonal; reduciendo de manera significante los ndices de accidentes de trnsito, los cuales en nuestro pas son realmente alarmantes.

9. Aplicacin con Simulador SICOMPC

Diagrama de funcionamiento de la herramienta SICOMPC La figura muestra el diagrama del funcionamiento de la herramienta.

Figura 3. Diagrama de flujo del SICOMPC Como se observa la herramienta tiene una estructura modular en donde cada uno de ellos tiene una funcin especfica; esto facilita el seguimiento de la lgica con el fin de depurar el programa.

Ventana de inicio de la Herramienta SICOMPC

La figura 4 muestra la ventana inicial de SICOMPC. En esta ventana el usuario selecciona si desea trabajar con MPC o con la representacin en espacio de estados. Seguidamente completa toda la informacin requerida llenando los espacios apropiados. Por razones de edicin result imposible incrementar el tamao de la figura.

Algoritmo de control DMC

La figura 5 muestra la ventana de configuracin del algoritmo de control DMC:

En esta ventana se incluye toda la informacin pertinente al proceso a ser controlado, obtenindose la respuesta en ella misma. Esta se puede variar directamente por el usuario facilitando de esta manera su anlisis

Algoritmo de control SSMPC

La figura 6 muestra la ventana de configuracin del algoritmo de control SSMPC. Una vez se seleccion trabajar en el espacio de estados, en esta ventana se procede a completar toda la informacin, seguidamente aparecen los resultados de la simulacin

Estrategia de control predictivo

La figura 7 muestra el diagrama de bloques del control predictivo implementado en la herramienta SICOMPC. Esta ventana permite al usuario tener presente sobre la estructura de un compensador predictivo tpico.

Configuracin de los parmetros de control predictivo

La figura 8 muestra el panel donde el usuario introduce los parmetros del controlador predictivo. En caso de que sea el control SSMPC para sistemas multivariables, los parmetros de ponderacin son vectores que corresponden con las dimensiones del sistema.

Estrategia control PID ideal

La figura 9 muestra la estructura del controlador PID ideal.

Se selecciona el tipo de controlador, (P, PI, PD y PID). Se introducen los parmetros (kp, ti, td) y la ponderacin de referencia. Adicionalmente la herramienta de simulacin de control predictivo basado en modelos brinda al usuario final la facilidad de modificar el escenario de control, a continuacin se mencionan las opciones disponibles en SICOMPC: Cambios de referencia (escaln, pulso, rampa, sinodal, diente sierra, triangular tren de pulsos). Error de modelado de la planta del proceso Filtro de la trayectoria de referencia. Adicin de perturbaciones. Solucin sin y con restricciones de seguridad en las variables del proceso. Solucin con estimacin de estados. La documentacin del simulador SICOMPC se encuentra disponible para el usuario mediante ayudas y videos tutoriales en la aplicacin.

10. Pruebas y Resultados Aplicacin del algoritmo de control DMC

Se tiene la siguiente funcin de transferencia que identifica a un proceso de control monovariable de temperatura para un intercambiador de calor.

El sistema posee intrnsecamente retardos puros, se desea controlar la temperatura de salida del intercambiador de calor mediante la manipulacin de la temperatura de entrada del sistema, la referencia temperatura es generada mediante un cambio de temperatura de 0C a 1C en la entrada del sistema. Se desea compensar el efecto del retardo de tal forma que el sistema se estabilice lo ms rpido posible ante esta eventualidad. Se analizan la estrategia de control predictivo DMC contra la estrategia de control PID para el control de este proceso. A continuacin se muestran los parmetros para el diseo de los dos controladores. *Parmetros del control DMC:

*Parmetros del control PID: kp=2.27; td=1.49; ti=16.6; b=1.

La figura 10 muestra la temperatura de salida del sistema para las estrategias de control predictivo DMC y control PID. Se observa la eficiencia del control predictivo frente a sistemas con retardos, debido a que una escogencia del horizonte de prediccin mucho ms grande que el retardo del sistema hace que su efecto no sea considerable en la prediccin. El mnimo prototipo de control, es cuando Np=td+1, siendo (td) el retardo del sistema. Para este caso el retardo del sistema es 1 y el horizonte de prediccin es 3, por lo tanto en la primera iteracin el control predictivo tiene conocimiento de la salida del sistema a priori, debido a esta razn cuando el sistema apenas empieza a evolucionar justo despus del retardo ya el controlador predictivo tiene suficiente informacin para decidir adecuadamente la seal de control que enviar a la planta. La salida del control PID elimina el error en estado estable pero se ajusta la referencia de temperatura muy lentamente. Las actuaciones de control de la temperatura de entrada son ms fuertes cuando se implementa el control predictivo que con el uso de las actuaciones del PID.

Aplicacin del algoritmo de control SSMPC Control predictivo de una mquina de papel:
En la figura 11 se presenta el proceso para la mquina de papel. Este ejemplo es clsico y lo desarrollan otras herramientas tales como la Toolbox de control predictivo de MATLAB. Se seleccion dado que es muy comn en la mayora de textos clsicos en control predictivo por su fcil interpretacin y manejo.

Las variables controladas del proceso son: H1 nivel del tanque, H2 nivel de la cabecera N1 consistencia del producto del tanque, N2 consistencia del producto de cabecera Las variables manipuladas del proceso son: Gp flujo de alimentacin de materia prima del tanque, Gw reflujo de entrada al tanque.

La dinmica del sistema a controlar se identifica en espacio de estados,

El sistema para la mquina de papel busca controlar el nivel del tanque del agua y la consistencia del tanque mediante la manipulacin de los flujos de alimentacin y el flujo entrante. *Parmetros del control SSMPC: En la figura 12 se muestra la respuesta del sistema de la mquina de papel.

Como resultado el nivel de cabecera y la consistencia del producto logra estabilizarse en sus puntos de ajustes muy rpidamente, se eliminan los errores estacionarios. Las actuaciones de control son fuertes en los primeros instantes de error. Como se observa en la figura 13 las acciones de los flujos interactan en todo el proceso para mantener las variables controladas en sus referencias. A continuacin se presenta cinco segundos despus de iniciado el proceso un cambio en el punto de ajuste del nivel del tanque de tal forma que disminuye de 5 a 4 metros, el punto ajustado para la consistencia del tanque se mantiene igual en todo el proceso. Se desea controlar la planta frente a esta eventualidad.

Esta figura muestra cmo reacciona el sistema frente a un cambio en el punto de ajuste; se debe notar la interaccin entre las variables debido a que cuando se afecta la referencia del nivel del tanque, la consistencia del tanque tambin se afecta y acta de acuerdo a la dinmica del proceso. Lo mismo sucede para las actuaciones de las seales de flujo que interviene en la mquina de papel.

11. CONCLUSIONES
Aunque existen otros programas de simulacin para el control predictivo tales como la Toolbox de control predictivo de MATLABTM, IMPACT, MIMO-GPCIT, SISO-GPCIT, se opt por desarrollar, utilizando la facilidad grfica que posee MATLAB (GUI), una versin modular que permita crecer y que no posea las limitaciones tpicas cuando se adquiere un programa comercial. Este crecimiento se facilita por ser un desarrollo propio dentro de una estructura modular, es decir, se podr mejorar, adicionar o incluso eliminar un mdulo sin que se afecte el sistema global. Al comparase con otros programas destacamos como SICOMPC, en su primera versin, realiza las mismas actividades incluyendo el manejo en el espacio de estados, se puede acondicionar para que a futuro maneje restricciones operacionales ms exigentes. El mdulo de optimizacin se est habilitando para hacerlo ms eficiente y robusto mediante varias tcnicas de bsquedas de ptimos absolutos. Esta herramienta se describe en detalle en la referencia [9]. El simulador SICOMPC para control predictivo en espacio de estados y mediante matriz dinmica de control, constituye una herramienta muy prctica para el estudio del control predictivo en las prestaciones de lazo cerrado. El usuario puede encontrar en esta aplicacin un primer contacto con este tipo de controladores, previo paso al desarrollo terico. Al mismo tiempo ste puede obtener la validacin de sus propios diseos de una forma rpida y fiable. Esta herramienta computacional permite implementar las estrategias de control predictivo de una forma sencilla gracias a su interfaz grfica; adems, permite configurar estrategias de control PID convencionales con el fin de comparar criterios de rendimiento con los controladores predictivos. La herramienta computacional cumple con criterios de desempeo, y validacin propias de un programa de uso especializado. Como trabajo futuro y con el objetivo de ir expandiendo esta herramienta se incluirn otros mdulos de control predictivo como GPC, MAC, QDMC, entre otras tcnicas avanzadas en control predictivo existentes, al igual que programarla en visual C++ que permitan ser compiladas y utilizadas posteriormente con la interfaz grfica de MATLAB.

12. BIBLIOGRAFIA
GARCA NIETO. S, MARTNEZ. SANCHOS. Resumen: Simulador de Controladores Predictivos Multivariables Con Modelos en Espacio de Estados, Dpto. de ingeniera de sistemas y automtica. Universidad politcnica de valencia. 8p, 2005. BEQUETTE B. WAYNE. Process Control: Modelling, Design and Simulation (PrenticeHall International Series in the Physical and Chemi), Upper Saddle River, NJ (2003). pp. 487-519. SALCEDO B. ROBIN. Trabajo de grado, Escuela de Ingenieras Elctrica, Electrnica y de Telecomunicaciones, Universidad Industrial de Santander, (2007). SICOMPC: SIMULADOR PARA CONTROL PREDICTIVO BASADO EN MODELOS SICOMPC: SIMULATOR FOR MODEL PREDICTIVE CONTROL ROBIN SALCEDO: Ingeniero Electrnico, Universidad Industrial de Santander RODRIGO CORREA: Ingeniero Qumico, Ph.D, profesor titular, Universidad Industrial de Santander [email protected] Recibido para revisar Octubre 12 de 2007, aceptado Enero 21 de 2008, versin final Febrero 11 de 2008