Avance Proyecto

Mateo Cortes Mayorga 1 Sergio Alejandro Castro Farias

Univ. de la Salle, ZIP-110911 Bogotá, Colombia
E-mail del estudiante número 1: [email protected]
E-mail del estudiante número 2: [email protected]

Resumen: El objetivo del trabajo es evaluar y ajustar los métodos de PI convencionales. Este documento
se centra en la implementación del control de modo interno (IMC) para obtener una configuración de control
PI óptima para el proceso de presión. La identificación del sistema del proceso se realiza mediante el método
de la curva de reacción del proceso. Para mejorar la robustez, se emplea el método de control de modelo
interno (IMC) para ajustar el controlador PI y se aplica al modelo de primer orden más retardo de tiempo
(POMTM). Aquí el retraso se aproxima con la aproximación de primer orden más la aproximación de Pade.
En primer lugar, se diseña un controlador Proporcional Integral (PI) basado en la configuración IMC-PI y
los resultados se comparan con la configuración de La robustez de los controladores viene refrendada al
imponer perturbaciones tanto servo como regulatorias. Los resultados de la simulación confirman que el
controlador IMC-PI ha mejorado el rendimiento dinámico en el rechazo de perturbaciones

Keywords: identificación, error, PI,IMC

1. Objetivos First Order plus Time Delay (FOPDT).

Hay dos métodos de ajuste de PI
● Analizar documentos como artículos comúnmente utilizados, son la
científicos e implementar el control en configuración de Ziegler-Nichols [2] y la
la planta configuración de Cohen-coon [3], que
todavía se usan en varias aplicaciones
industriales. El control del modelo
interno [4] permite al diseñador del
2. Introducción sistema especificar el comportamiento
anticipado del sistema. La robustez y el
El control PI es la aplicación más común rendimiento del modelo pueden
de la estrategia de control en la controlarse mediante el parámetro único
actualidad, con su disposición simple, (λ). La configuración de IMC-PI es uno
buena robustez y amplio rango de de los mejores métodos de circuito
aplicación, se destaca gradualmente en la cerrado entre expertos e investigadores,
teoría de control. Se ha observado que, ya que es la forma más fácil de entender.
sin embargo, los controladores PI En el contexto de IMC, los parámetros de
existentes pueden no funcionar bien en los modelos de bucle cerrado
los procesos de control complejos, como consecuentes se mejoran con respecto a
el sistema de orden superior y el sistema los criterios de rendimiento de errores,
de retardo de tiempo. Se han realizado como la integral del error absoluto
esfuerzos para solucionar este problema ponderado en el tiempo (ITAE) [5], el
y se han establecido numerosos métodos error cuadrático integral (ISE) y el error
efectivos de ajuste y diseño de absoluto integral (IAE).
controladores PI para procesos complejos
[1] La estructura Internal Model Control
(IMC) ofrece una estructura adecuada
El ajuste de PI ciertamente ha sido la para satisfacer las ideas. La teoría IMC
clave para un rendimiento y robustez [6] ha sido utilizada anteriormente y de
razonables. La configuración del forma autónoma por otros académicos.
controlador PI se propone para varios Usando la técnica de diseño de
modelos de proceso, especialmente para configuración IMC, la dificultad del
 controlador depende completamente de Generalmente, es seleccionado el
dos factores: la dificultad del modelo y compensador PID para regular las variables
las necesidades de rendimiento indicadas de los procesos unitarios dentro de una
por el diseñador. IMC denota una técnica planta industrial.
metódica para el diseño de control basada
en la idea de parametrización Q [7] que Sin embargo, si el proyecto de este
es la fuente de muchos métodos de controlador PID no lleva en consideración
control actuales. IMC ofrece un enfoque las limitaciones físicas del proceso,
para el diseño de controladores con podremos llegar a tener un comportamiento
parámetros Q tiene un atractivo en el no deseado de la variable controlada.
mundo real. Como resultado, IMC ha
sido una técnica de diseño generalizada Se sabe que todos los actuadores físicamente
en las industrias químicas, poseen limitaciones. Por ejemplo, un motor
principalmente como malicioso para tiene una velocidad limitada; la válvula de
ajustar controladores PID de bucle único. control no puede abrir más del 100% o
cerrar más del 0%, etc.
La técnica de diseño de escenarios IMC
es bastante amplia y variada. Se ha -
avanzado en muchos arreglos, incluidos
SISO (Sistema de salida única de entrada 3. Metodología
única), MIMO (Sistema de entrada y
salida múltiples), retroalimentación más
diseño IMC de avance. El artículo se EL actuador se satura cuando el rango de
centra en la técnica de implementación de funcionamiento de este es relativamente amplio.
SISO con retroalimentación para
sistemas estacionarios de lazo abierto. Un esquema de la situación es:
IMC es de apoyo en la evaluación de las
necesidades básicas relacionadas con el
control de retroalimentación. Como
determinar la consecuencia de elementos
de etapa no mínimos en la rutina de
control alcanzable. Dado que la Ilustración 2 Esquema tradicional de un
complejidad del controlador IMC control feedback
depende del orden del sistema y de las
necesidades de la rutina de control, la
En teoría se debe cumplir que 𝑢 = 𝑢𝑐 ,
técnica de diseño de configuración de
pero como el parámetro 𝑎 de la
IMC también ayuda a definir cuándo es
válvula está limitado
aceptable una estructura de control de
retroalimentación simple.
0 ≤ 𝑎 ≤ 1, entonces cuando 𝑢𝑐

> 1 la válvula se

satura y 𝑢 = 1.
Este efecto se conoce como efecto Wind
– Up y produce una no linealidad en el
sistema y un funcionamiento diferente al
deseado, es decir, hace que la salida no se
Ilustración 1 PID diagrama corresponda con el valor deseado.

Es bien conocido que cuando deseamos

aplicar la teoría del control sobre un proceso
cualquiera, las características y propiedades
del proceso industrial nos darán las pistas
para saber qué tipo de control implementar.
 𝑎 < 𝑡 < 𝑏.
Se ve también como el controlador
continúa integrando aún mientras la
entrada se encuentra saturada.

Así, el estado del integrador en cuestión

puede alcanzar valores excesivos, que
deteriorarán la respuesta transitoria del
sistema.
Dicho de otro modo, el controlador
comienza a almacenar error por el hecho
de saturarse la válvula: el valor de la
Ilustración 3 Relacion de no linealidad y salida del controlador, es, suponiendo un
linealidad PID,

Cuando el actuador se satura, la acción

aplicada al proceso no se corresponde
con la salida del controlador y es como si
se abriera el lazo de control.
Dicho de otro modo, este problema hace
que el sistema “tarde mucho tiempo en
reaccionar” ante una perturbación o Como el valor de la integral aumenta,
cambio de referencia después de que se entonces el valor de la salida 𝑢 no será el
ha producido la saturación del actuador. esperado.
En la siguiente imagen, el área Para evitar o atenuar este inconveniente
sombreada de gris y amarillo es la se han desarrollado diferentes estrategias
integral del error (el efecto del llamadas “técnicas anti – Wind – Up”.
integrador)
Á𝑟e𝑎 = ∫ e(𝑡)𝑑𝑡 -Utilizar algoritmos incrementales, o
realizar el diseño de modo que las
El área gris es positiva, y la amarilla es limitaciones nunca se alcancen.
negativa. -Utilizar un mecanismo Anti – Wind –
Up, como el que se explica a
continuación. Este mecanismo consiste
en realizar un diseño que tenga en cuenta
las limitaciones.

El “Back – Calculation” o Anti – Wind –

Up Consiste en utilizar un controlador
PI–D.

Y el esquema de la solución sería:

Ilustración 4 Respuesta windUp

El problema está en que la salida no se

corresponde con el valor deseado en el
intervalo
 Ilustración 5 Diagrama de bloques
Ilustración 6 Respuestas WindUP

Donde e𝑠 es el error de saturación. Si el

El valor derivativo es una predicción de los
integrador fuera solo PI, el término
errores futuros, basada en la variación del error
−𝐾𝑇𝑑 · 𝑠 no debería aparecer.
actual con el tiempo. La acción derivativa se
El efecto integral queda, por tanto
manifiesta solo cuando hay un cambio en el valor
del error con el tiempo. La función de la acción
derivativa es mantener el error al mínimo
corrigiéndolo proporcionalmente con la misma
velocidad que se produce; de esta manera se evita
que el error se incremente.

En estado estacionario, 𝐼 = 0 , con lo que

Cuando el tiempo de acción derivada es grande,
hay inestabilidad en el proceso.

• 𝐾𝑝 es la constante proporcional. Un
aumento de 𝐾𝑝 disminuye el error en
Este valor representa la parte del error estado estacionario, pero también
que se elimina con e𝑠. La relación entre aumenta la inestabilidad del sistema. Es
𝑇i y T𝑑 en estos casos se recomienda que el valor por el que se debe multiplicar el
sea error actual del sistema para obtener la
señal de salida del controlador.
• 𝑇i es el tiempo integral. Se define como
el tiempo transcurrido hasta que la acción
integral dobla a la acción proporcional.
 Ilustración 9 Diagrama bloque IMC

Ilustración 7 PI con anti WindUp

Si analizamos un controlador equivalente, para
poder mostrar el esquema de control de una
forma general. Para eso procedemos a manipular
los bloques utilizando el álgebra de diagramas de
bloques, donde inicialmente trasladamos el
bloque del modelo del controlador por lo cual
tendiéramos que:

Ilustración 8 PI incremental
Ilustración 10 Consideración de reducción
IMC
IMC CONTROLLER
Después de realizar esta reducción
En cuanto al controlador (Internal Model obtendremos la primera ecuación
Control) se puede decir que es un proceso que
simula la respuesta del sistema para estimar el
resultado de una perturbación del sistema. La
teoría del modelo interno de control sostiene que
el sistema está controlado por las interacciones
constantes de la “planta” y el “controlador”. La
planta es la parte del cuerpo que se controla, Y el diagrama simplificado seria :
mientras que el propio modelo interno se
considera parte del controlador. La información
del controlador, como la información del
sistema, la información de retroalimentación y la
copia de referencia, se envía a la planta que se
mueve en consecuencia.

El imc esta dado por el siguiente diagrama de Ilustración 11 reducción diagrama

bloques
Esto demuestra que el controlador IMC es un sin desajuste del modelo de planta, el IMC Por lo
control que posee una acción integradora, dado tanto, la estructura ofrece los siguientes
que no presenta error en estado estable (offset). beneficios con respecto a la retroalimentación
Formulemos esta característica matemáticamente clásica:
• Elimina la necesidad de resolver las
raíces del polinomio característico 1; +
La estabilidad de pc se puede determinar
“por inspección” examinando solo los
polos de q. Es posible buscar q en lugar
de c sin pérdida de generalidad
En el caso de plantas inestables en lazo abierto
Otra forma de verlo, es tomando por ejemplo el
(que incluye sistemas con integradores), el
controlador del sistema de calefacción y
El requisito de que tanto p como q sean estables
sustituirlo en la ecuación de CImc
elimina el uso de la estructura IMC para el
propósito de implementación; sin embargo, IMC
todavía cumple un papel útil para el diseño del
compensador.

4. Implementación y Resultados
Del límite anterior se puede evidenciar que el Para la implementación de cada uno de los
denominador del controlador se vuelve cero en controles mencionados en este artículo, se
el estado estacionario, lo que nos da un control realizó la toma de datos de la variable de flujo
con ganancia «infinita» eliminando así todos los a través de un sistema OPC implementado en
errores de offset y de perturbaciones del tipo simulink de Matlab como se muestra en la
escalón que entren en el sistema. siguiente figura:

Para plantas lineales y estables en ausencia de

restricciones en u, no hay diferencia en
implementar el controlador a través de c o q. Sin
embargo, en presencia del actuador limitaciones,
se puede utilizar la estructura IMC para evitar
problemas de estabilidad derivados de la entrada
saturación sin necesidad de medidas especiales
antiwindup. La Estabilidad Interna (IS) es un Ilustración 12 Progama Matlab
requisito teórico crítico para cualquier sistema de
control. en un sistema de control internamente Posteriormente cargamos los datos en un
estable, señales de entrada limitadas introducidas script de Matlab, esto con el fin de realizar el
en cualquier parte del sistema de control da como proceso de identificación para el modelo de la
resultado señales de salida limitadas en todas planta. Debido a que este posee tiempo
partes del sistema de control. Para la estructura muerto se optó por la identificación por el
IMC tenemos los siguientes resultados modelo POMTM(Primer Orden Mas Tiempo
importantes de estabilidad interna: Muerto).
• Suponga un modelo interno perfecto. El
sistema de control IMC es internamente Para la realización de este modelo se hace uso
estable si y solo si tanto p como q son de la función de interpolación.
estables.
%% 1. Flujo Interpolación
• Suponga que p id estable y . p = p TP = [TiempoP Flujo];
entonces el sistema de retroalimentación pdy25 = ((max(Flujo) -
clásico con controlador de acuerdo con la min(Flujo))*0.25) + min(Flujo);
ecuación (1) es IS si y solo si q es estable. pdy50 = ((max(Flujo) -
min(Flujo))*0.50) + min(Flujo);
pdy75 = ((max(Flujo) -
Estos resultados se aplican a la estructura IMC min(Flujo))*0.75) + min(Flujo);
incluso si p y q son operadores no lineales. Para
% %Interpolación para el 25%
el caso de un sistema estable lineal de lazo abierto pyf25=interpolar(pdy25, TP);
 Gp = G*R;
%Interpolación para el 50%
pyf50=interpolar(pdy50, TP); alpha = 5;%Valor de mejoria para
el control ej 75% = 7.5
%Interpolación para el 75% C = (Tao*s+1)/(kp*(alpha*s+1))
pyf75=interpolar(pdy75, TP); Cimc = C /(1-(C*G))

Para si posteriormente realizar el POMTM IMC = feedback(Cimc,G*R),1;

para el modelo de la planta: figure
step(IMC)
%% 2. POMTM title('IMC')
%kp
dy = max(Flujo)-min(Flujo); TS = (22.2/75);
du = max(VBomba) - min(VBomba); IMCdis = c2d(Cimc,TS,'tustin')

kp= dy/du; ns=cell2mat(IMCdis.num);

%TAO ds=cell2mat(IMCdis.den);
Tao=0.9102*(pyf75-pyf25);
%Tm Como resultado se obtienen las siguientes
tm=(1.2620*pyf25)-(0.2620*pyf75); funciones:
Para el controlador
Gp1=(kp*exp(-tm*s))/(Tao*s+1)

step(min(Flujo)+Gp1*du,'m')
title('POMTM')

Para el controlador equivalente Cimc:

Ilustración 13 Identificación del sistema

• IMC:
Ya con el modelo obtenido y con la
implementación del controlador IMC, para
ello se tuve en cuenta la algebra de bloques
para la realización del bloque equivalente Ilustración 14 Control IMC
entre el controlador y el modelo denominado
“Cimc”. Y nuestra función objetivo es de Posteriormente se realizó la prueba en
mejora con 50%. simulink del modelo de la ilustración 15 que
muestra la estructura del controlador IMC
%% 3. IMC junto a su comportamiento en presencia de
G = (kp)/(Tao*s+1); una perturbación.
R = exp(-2.33);
 Ceq = minreal(Csm/(1-Csm*Gp1s*re))

nc=(cell2mat(Ceq.num));
nd=(cell2mat(Ceq.den));
TS1 = (0.1);
pdiscret =
c2d(series(Gp1s,re),TS1,'zoh');
figure
step(pdiscret)
Ilustración 15 Diagrama IMC en simulink title('planta discreta')
smithdis = c2d(Ceq,TS1)
figure
Para la prueba de esta estrategia de control se step(feedback(smithdis *pdiscret,1))
realizó la discretización de este para la title('Smith Discreto')
introducción de esta función en forma de
figure
ecuaciones de diferencias en el software Tia step(450*feedback(Ceq*Gp1s*re,1))
Portal. title('Predictor Smith')

Ilustración 16 integración Tia Portal

Y se crea el bloque correspondiente.

Ilustración 18 Control IMC

Ilustración 17 Bloque de función en Tia Portal

• IMC-Smith
Con la implantación de este controlador se
planteó la fusión de estrategias juntando el IMC
con un predictor Smith. Para ello reutilizo el IMC
anterior como controlador para proponer el
Smith.
%% Smith
r = exp(-2.33*s); Ilustración 19 Predictor Smith con controlador
[Nr,Dr] = pade(2.33,1); IMC
re = tf(Nr,Dr);
Como se muestra en la figura el predictor
Gp1s= (kp)/(Tao*s+1); funciona correctamente siguiendo la referencia
que en este caso es de 450. Sin embargo, esta
Csm =(Cimc/(1+Cimc*Gp1s))
estrategia es demasiada robusta, de la cual %Polo del origen
obtuvimos la siguiente función de 14vo orden. apOrigen = 180 -
atand(abs(wn)/abs(zita));

% magnitud de zero agradado

az0agregado = -180 +
(ap1+ap2+apOrigen) - az0;
Ya con la estrategia implementada s procede a las a = (abs(wn) /
pruebas frente a perturbaciones en simulink: tand(az0agregado))+zita;

%constante KI
z1 = sqrt((wn^2) + (abs(a) -
zita)^2);
z2 = sqrt((wn^2) + (abs(ceros(1)) +
zita)^2);
p1 = sqrt((wn^2) + (abs(zita) -
abs(polos(1)))^2);
p2 = sqrt((wn^2) + (abs(zita) -
abs(polos(2)))^2);
po = sqrt((wn^2) + (zita)^2);
Ilustración 20 Implementación en Simulink
ft = (gain*z1*z2)/(p1*p2*po);
k= 1/ft;
C = k*((s+a)/s);
figure
step(feedback(C*GPoi,1))
title('PI Flujo')

TS = (22.2/75);
PIdis = c2d(C,TS,'tustin')

ns=cell2mat(PIdis.num);
Ilustración 21 Respuesta Simulink ds=cell2mat(PIdis.den);

• PI Anti-windup

Para la implementación de este control se realizo

el diseño de un controlador PI luego de tener el
modelo POMTM
%% 3.Control PI Flujo
GPoi = pade(Gp1);
GPzpk=zpk(GPoi);
gain =0.0040709;

[Nr,Dr] = pade(2.33,1);
re = tf(Nr,Dr);

%parametros de diseño
ts= 25;
os= 3;
zita = 4/ts; Ilustración 22 PI flujo
ceros = zero(GPzpk)
polos = pole(GPzpk)
wn = pi*zita /log(os/100); Lo siguiente es la implementación del
Antiwindup, cabe resaltar que esta estrategia
%Angulo polos funciona de igual manera con un controlador PID,
ap1 = atand(abs(wn)/(abs(zita)- %% Limites maximos y minimos
abs(polos(1)))); umax = 25;
ap2 = atand(abs(wn)/(abs(zita)- umin = 0.0;
abs(polos(2))));
az0 = 180 - %% Loop de Control
atand(abs(wn)/ceros(1)+abs(zita));
st = {'PI sin limites','PI sin anti PLC por ecuaciones diferencia como se muestra
windup',... a continuación.
'PI con anti windup', 'PI
incremental anti windup'};
m = menu('Anti Windup',st)

nit = 100/Ts;
y(1:nit)=0;
u=y;
ug=u;
deltaU=u;
r=y;
e=y;
Ie=e;
r(10/Ts:end)=0.5;
for k=3:nit Ilustración 24 Bloque de funcion tia portal
%Respuesta del proceso
t = 0:Ts:(k-1)*Ts;
y=lsim(GPoi,ug(1:k),t)';

%Error
e(k)=r(k)-y(k);

%Parte Integral del

Controlador
Ie(k) = u(k-1) + q1*e(k-1);

%PID
u(k) = u(k-1) + q0*e(k) +
q1*e(k-1) + q2*e(k-2);
%Anti-Windup
if m>2
if (u(k) >= umax)
u(k) = umax; Ilustración 25 Implementación de constantes
elseif (u(k) <= umin) tia portal
u(k) = umin;
end
end 5. Análisis

• IMC

Ilustración 23 Respuestas de PI
En la anterior imagen se muestra el PI sin límites
que corresponde a la línea azul punteada, a la
limitante de la integral de error que es el step rojo
y el PI con anti windup que es la línea negra. De
igual manera se implementó el controlador en el Ilustración 26 Grafica Estabilización IMC
La primera prueba para el análisis fuer el tiempo de
estabilización y el overshoot, aquí evidenciamos que
el IMC estabiliza más rápido y tiene menos overshoot
que el Predictor Smith.

Ilustración 29 PzMap en tiempo discreto

Ilustración 27 comparación de graficas Smith e
IMC frente a perturbación
Lo siguiente fue la comparación de las perturbaciones,
estas se obtuvieron realizando el cierre(CV2) y la
apertura(AV2) de la electroválvula de llenado del
tanque número 2. Donde se obtuvo que el Smith es más
rápido en estabilización y presenta menos ovreshoot
incluso en las perturbaciones.

• IMC-Smith
La función obtenida en el Smith a la hora de
discretizarla hace que nuestro sistema se vuelva
inestable como se evidencia en el pzmap,
teniendo siete polos y siete ceros fuera del círculo • PI Anti Windup
unitario. Y al intentar estabilizar el sistema
cancelando los polos y ceros inestables se pierde
la dinámica del sistema.

Ilustración 30 Respuestas PI anti wind UP

Podemos evidenciar la reducción
considerable del overshoot, con la mejora del
23%. Sin embargo, el tiempo de
estabilización no se ve afectado en lo
absoluto, pero es un buen método para evitar
Ilustración 28 Pzmap en tiempo continuo la saturación y el “sobre esfuerzo” de los
actuadores.

6. Conclusiones

• La respuesta de paso de unidad de

controlador PI basada en IMC
requiere menos tiempo de
sedimentación para alcanzar la
respuesta deseada y dan menos sobre
 impulso en la respuesta en • Los efectos de saturación se pueden
comparación con otros dos métodos. incluir en una formulación de control
• El procedimiento de diseño de IMC se óptima. En este caso, la acción de
puede utilizar para resolver bastantes control se decide mediante un
problemas críticos, especialmente en algoritmo de optimización
el nivel industrial (utilizando el restringido, como en las técnicas
concepto de diseñar un modelo del IMC.
proceso de planta real). también da
buenas soluciones para procesos que
tienen retrasos de tiempo
significativos que realmente suceden
cuando se trabaja en un entorno de
tiempo real.
• La integración condicional es fácil de
aplicar a muchos controladores,
aunque puede que no sea inmediato
encontrar las condiciones para
bloquear la integración y evitar la
vibración.
7. Referencias

[1] Zhao Kun-long and Wang Zai-ying (2015),

Application of boiler superheated steam
pressure control which based on IMC-PID,
IEEE, ISBN-978-1-4799-7016-2 pp-586-589, 2015
[2] J. G. Ziegler and N. B. Nichols (1942),
Optimum settings for automatic
controllers, Trans. Amer. Soc. Mech. Eng.,
vol. 64, pp. 759–768, 1942
[3] G.H Cohen and G.A Coon, Theoretical
Consideration of Retarded Control, Trans
ASME 75, pp.827/834, 1953
[4] Chien, I.L., and Fruehauf, P.S., “Consider
IMC Tuning to Improve Controller
Performance”, Chem. Eng. Prog. pp.33-41,
1990
[5] Y. M. Zhao, W. F. Xie and X. W. Tu,
Performance-based parameter tuning
method of model-driven PID control
systems, ISA Trans., vol. 51, no.3, pp. 393-
399, 2012.
[6] Garcia, C.E Pret and D.M. Morari, Model
Predictive Control - Theory and Practice -
A Survey, Automatica 25 (3): 335–348,
doi:10.1016/0005-1098(89)90002-2,1989
[7] Economou, C.G and M.Morari, Internal
Model Control. 5. Extension to Nonlinear
Systems, Ind. Eng. Chem. Process Des.
Dev. 25, 303, 1982
[8] D. R. Coughanowar, Process Systems
Analysis and Control, Tata McGraw Hill,
1991.
[9] P Aravind, M Valluvan, B Sangeetha,
Model Based Controller Design for Level
Process, International Journal for
Computer Applications, Vol.88- No.18,
 2014.
[10] W. B. Bequette, Process Control Modeling
and Simulation, Prentice Hall, 2003.
[11] P Aravind and M Valluvan, PSO Based
Optimization of a PID Controller for a
Linear Tank Level Control Process,
International Journal of Current
[12] Engineering and Technology
Vol-4, No.2, pp. 486-490
, 2014