IEEE LATIN AMERICA TRANSACTIONS, VOL. 13, NO.

6, JUNE 2015

1921

Performance Evaluation of a Distributed MPC

Strategy Applied to the Continuous Stirred Tank
Reactor
B. Lagos and A. Cipriano, Senior Member, IEEE
Abstract The search of more robust solutions for multipleinput multiple-output (MIMO) process control has motivated the
development of complex modeling and control techniques for
such systems. In this work the performance of a distributed
controller (Distributed Model Predictive Control DMPC) versus
a centralized solution (Model Predictive Control, MPC) are
compared when faults in sensors and actuators occur.
Preliminary results show that for faults in actuators the
distributed solution has a better response but it requires more
calculation time.
Keywords Fault Tolerance, Model Predictive Control,
Distributed MPC, Continuous Stirred Tank Reactor.

I. INTRODUCCION

ISTEMAS a gran escala, espacialmente distribuidos o

sistemas en red, pueden ser difciles de controlar debido a
la complejidad de la comunicacin, la necesidad de cmputo
requerida, o la prdida de robustez cuando se confa en un solo
controlador centralizado. Motivado por estas dificultades se
han desarrollado diferentes alternativas de control que dividen
el sistema en subsistemas controlados por agentes [1] ya sea
de manera independiente (estrategia descentralizada) o
comunicados entre s (estrategia distribuida). Por su parte el
Control Predictivo basado en Modelos (conocido en ingls
como Model Predictive Control, MPC) ha demostrado su
eficacia y versatilidad frente al control PID para la industria de
procesos, debido a su capacidad para manejar mltiples
variables, restricciones y requerimientos de optimizacin que
lo convierten en un buen candidato para implementar
estrategias no centralizada [2]. El objetivo de este trabajo es
evaluar la conveniencia de aplicar una estrategia DMPC
(Distributed Model Predictive Control) analizando su robustez
ante fallas en los sensores y/o actuadores del sistema. Como
caso de estudio consideramos un sistema comnmente
empleado en la investigacin de MPC y sus variantes, el
Reactor tipo Estanque Agitado (Continuous Stirred Tank
Reactor, CSTR) [3][6].
En la seccin 2 de este artculo se presentan de manera
resumida los fundamentos de Control Predictivo. A
continuacin, en la seccin 3, se resumen los conceptos de
Control Distribuido. En la seccin 4 se presenta la
metodologa usada para evaluar la robustez ante fallas Luego,
en la seccin 5 se presenta el caso de estudio DMPC, aplicado
Este estudio fue financiado por el Proyecto Fondecyt N1120047,
Distributed Hybrid Model Predictive Control for Mineral Processing.
B. Lagos, Pontificia Universidad Catlica de Chile, Santiago, Chile,
balagos@uc.cl
A. Cipriano, Pontificia Universidad Catlica de Chile, Santiago, Chile,
aciprian@ing.puc.cl

a un reactor qumico tipo estanque agitado. La seccin 6

incluye las conclusiones del trabajo realizado.
II. FUNDAMENTOS DE CONTROL PREDICTIVO
BASADO EN MODELOS (MPC)
El MPC corresponde a un conjunto de tcnicas de control
que tienen en comn el uso del modelo dinmico de un
sistema, informacin sobre acciones previas de control y la
optimizacin, considerando restricciones, de una funcin de
costos sobre un horizonte de prediccin [7], [8].
Una manera de implementarlo es resolviendo un problema
de optimizacin cuadrtica (en ingls Quadratic Program, QP)
en cada instante de control usando una funcin objetivo que
minimiza el error entre las salidas y una referencia deseada y
que adems minimiza las variaciones en las acciones de
control, esto es:

min

N 1

y ( k + i + 1) y ( k + 1)
)}

{u( k:k + N 1

ref

i =0

2
Q

+ u ( k + i )

2
R

s.a.

x ( k + 1 + i ) = Ax ( k + i ) + Bu ( k + i )

y ( k + i ) = Cx ( k + i )

u ( k + i ) = u ( k 1 + i ) + u(k 1 + i )

(1)
i {0,..., N 1}

ymin y ( k + 1 + i ) ymax

umin u ( k + i ) umax
En cada iteracin se requiere tener como informacin las
acciones de control aplicadas con anterioridad y el estado en el
instante anterior. Consideraremos que las variables de estado x
pueden estimarse por medio de un Filtro de Kalman a partir de
mediciones de las salidas y y las entradas u.
III. FUNDAMENTOS MPC DISTRIBUIDO (DMPC)
Cuando se desea controlar un sistema de Mltiples Entradas y
Mltiples Salidas (MIMO) una opcin es dividir el trabajo
entre diferentes agentes que controlen secciones del sistema
general.
Controlar
cada
subsistema
de
manera
independiente considerando las interacciones con otros
subsistemas como perturbaciones se denomina solucin
descentralizada; en cambio si se consideran acoplamientos
entre subsistemas y comunicacin entre agentes, la
estrategia se denomina solucin distribuida, ver Fig. 1.

1922

IEEE LATIN AMERICA TRANSACTIONS, VOL. 13, NO. 6, JUNE 2015

Centralizada
Sistema
u k

Referencias
y k

x k
u k

Controlador
u k

Referencias
y k

Subsistema
S1

y k

x k
u k

Subsistema
S2

y k

Descentralizada
Sistema
Referencias
y k

Controlador
1

u k

Subsistema
S1
x k
u k

Referencias
y k

Controlador
2

u k

y k

x k
u k

Subsistema
S2

y k

Distribuida
Sistema
Referencias
y k

Controlador
1
x k
u k

Referencias
y k

u k

x k
u k

x k
u k

Controlador
2

Subsistema
S1

u k

y k

y1 (k )
u1 (k )

y ( k ) = u ( k ) =
y M ( k )
uM ( k )

La estrategia de solucin utilizada consiste en que en cada

iteracin k , cada agente resuelve el problema de optimizacin
con toda la informacin disponible (estado actual y secuencia
de control dada por los dems agentes), minimizando una
funcin objetivo global, y obteniendo la secuencia de control
para el subsistema al que est asociado. Las soluciones son
comunicadas, ponderadas entre s y sometidas a una nueva
iteracin, hasta alcanzar una condicin de trmino o mximo
nmero de iteraciones. Este esquema tiende a la solucin
centralizada mientras ms iteraciones se realicen.
En cada ( p + 1) -sima iteracin cada subsistema i resuelve el
problema de optimizacin descrito en la seccin 1.1, pero
aadiendo la siguiente restriccin de igualdad, donde u[p]
j
corresponde a valores factibles para las entradas de los
subsistemas j i :

y k

(3)
La solucin a estos problemas de optimizacin en paralelo se
denota como ui* ( k : k + N 1) .
[ p]

Dada una iteracin factible ui

Figura 1. Diferentes arquitecturas de control. Fuente [7].

En los ltimos aos se han propuesto diferentes alternativas de

control predictivo distribuido (DMPC) [1], [7][10]. La Tabla
I muestra una clasificacin propuesta en [9].
TABLA I. CLASIFICACIN DE ALGORITMOS DMPC.
Parcial: La informacin es transmitida slo entre
TOPOLOGA DE LA
los agentes cuya dinmica est acoplada entre s

INTERCAMBIO DE
INFORMACIN

RACIONALIDAD DEL
ALGORITMO

Completa: La informacin es transmitida desde

un agente a todo el resto
Iterativo: La informacin es transmitida ms de
una vez para cada instante de muestreo (en orden
de converger a una decisin)
No-Iterativo: La informacin es transmitida una
sola vez por cada instante de muestreo
Solucin en equilibrio de Nash: Juego nocooperativo donde las funciones objetivo de cada
jugador es diferente de las otras y busca
optimizar costos locales.
Solucin en equilibrio de Pareto: Juego
cooperativo donde la funcin objetivo es la
misma para todos los jugadores. Tiende al
ptimo centralizado.

Para este trabajo se escogi la metodologa descrita en [11],

que corresponde a una metodologa DMPC Iterativo
Cooperativo. El problema de control ptimo considera
comunicacin entre ellos y la funcin objetivo es global, por
lo que la solucin tiende al ptimo de Pareto.

( k : k + N 1)

la siguiente

iteracin queda definida por una actualizacin convexa, la

cual se explica grficamente en la Fig. 2.
ui[

p +1]

i =1

RED DE
TRANSMISIN

(2)

u j ( k : k + N 1) = u[j p ] j i {1, , M }

x k
u k

Subsistema
S2

Suponiendo que el sistema tiene al menos 2 entradas y 2

salidas, ste se puede dividir en M subsistemas, cada uno
asociado a cierta cantidad de entradas y salidas, de manera que
no se repitan en cada subsistema:

( k : k + N 1) = i ui* ( k : k + N 1) + (1 i ) ui[ p ] ( k : k + N 1)
(4)

= 1 , i 0 i {1, , M }
Solucin
del agente 2
,
Siguiente Iteracin
,

,
Solucin del agente 1

,
Iteracin Actual

Figura 2. Paso convexo desde u [ p ] , u [ p ]

1
2

) hacia ( u[

p +1]
1

, u [2

p +1]

) . Fuente [12].

Las iteraciones p continan hasta alcanzar cierto acuerdo

entre agentes, ya sea por haberse alcanzado un nmero
mximo de iteraciones pmax o bien por el cumplimiento de un
criterio de convergencia iterativo para la funcin de costos del
tipo V ( k , p ) V ( k , p + 1) < .
Si bien la estrategia converge a la solucin centralizada, esta
no llega a ser exactamente igual por lo que su solucin es

LAGOS AND CIPRIANO : PERFORMANCE EVALUATION OF A DISTRIBUTED

subptima. Los detalles para la implementacin se presentan

en [13].

1923

A. Descripcin del proceso

Flujo de
Alimentacin

IV. ANLISIS DE ROBUSTEZ

Para comparar la robustez de los controladores diseados se
analiz el efecto que producen fallas en los sensores y fallas
en los actuadores.
Las fallas en los sensores f i s ( k ) fueron incluidas al momento
de estimar el estado y corresponden a una medicin 0. Las
fallas en los actuadores f ja (k ) , incluidas al momento de

Flujo del
Refrigerante

aplicar las acciones de control a la planta, representan el caso

en que el actuador no respondi a la seal y se mantuvo en el
valor anterior ( u ( k ) = u ( k 1) ) . En el espacio de estados, las
fallas dan origen a las expresiones:

f1a ( k ) u1 ( k ) + 1 f1a ( k ) u1 ( k 1)

x ( k + 1) = Ax ( k ) + B

a
f m ( k ) um ( k ) + 1 f m ( k ) um ( k 1)

yreal ( k ) = Cx ( k )

Concentracin de
reactante a la salida

(5)

f1s ( k ) yreal1 ( k )

ymedida ( k ) =

f ps ( k ) yreal p ( k )

Tanto f ja (k ) como fi s ( k ) pueden tomar valores 1 o 0 segn

cierta probabilidad de ocurrencia.
La Tabla II resume los casos de fallas estudiados para ambos
ejemplos.
TABLA II. FALLAS EN SENSORES Y ACTUADORES.
FALLA SENSOR
FALLA ACTUADOR
CASO N
(% DE OCURRENCIA)
(% DE OCURRENCIA)
1
0
0
2
40
0
3
80
0
4
0
25
5
40
25
6
80
25
7
0
50
8
40
50
9
80
50
10
0
75
11
40
75
12
80
75

Como ndice de desempeo se utiliz el error RMS (Root

Mean Square) dado por:

( y (k ) y
N

RMS =

k =1

ref

(k ) )

Temperatura
del reactor

(6)

V. APLICACIN AL REACTOR CONTINUO DE TIPO

ESTANQUE AGITADO (CSTR)
El objetivo de este estudio es comparar el desempeo de los
controladores MPC y DMPC, basados en un modelo dinmico
lineal. Tambin se presenta una comparacin con la solucin
descentralizada.

Figura 3. Esquema del proceso con entradas ( u1 , u 2 ) y salidas (

y1 , y2 ).

El sistema estudiado corresponde a un reactor exotrmico del

tipo CSTR (ver Fig. 3), en el cual se produce una reaccin del
tipo A B . Las ecuaciones que modelan el proceso son
[14][16]:
dC A Fi
E
= ( C A,i C A ) a exp
y1
dt
V
RT
UAh
dT Fi
a
E
= (Ti T ) +
exp
(T Tc ) (7)
CA +
C p
C pV
dt V
RT

dTc Fc
UAh
=
(T Tc )
Tc ,i Tc )
(
C pVc
dt
Vc
Las variables controladas corresponden a la concentracin del
reactante a la salida del reactor CA y la temperatura al interior

T , y las variables manipuladas son el flujo de

Fi y el flujo de refrigerante Fc .
Si se iguala el calor extrado por el refrigerante Qc con el
calor al interior del reactor Qr en estado estacionario es
del reactor

entrada

posible encontrar 3 puntos de operacin de los cuales 2 son

estables y uno es inestable [14], [16]. Este fenmeno es
ilustrado en la Fig. 4 considerando los parmetros del reactor
analizado en [15]:
AhU T + Tc ,i C p Fc
UAh
Qc (T ) =
T

C pV
AhU + C p Fc
Qr (T ) =

Fi C A,i
Fi
a
E
exp
(Ti T )

V
C p
RT a exp E V + F
i

RT

(8)

1924

IEEE LATIN AMERICA TRANSACTIONS, VOL. 13, NO. 6, JUNE 2015

TABLA III. PARMETROS PARA LOS CONTROLADORES.

MPC
DMPC
Horizonte de Prediccin/ Control
3
3
[13,15]
[13,15]
Penalizacin del error Q , Q

350
300
250

Calor [btu]

200
B

150

y1

50

[1,1]

[1,1]

N Iteraciones
Periodo de Muestreo para el Control

No aplica
0.01 [min]

10
0.01 [min]

u1

100

y2

Penalizacin de las variaciones en la

accin de control [ R , R ]
u2

0
Calor al interior del reactor Qr
Calor Extrado por el refrigerante Qc
800

Figura 4: Puntos de operacin presentes en el reactor exotrmico CSTR. Los

puntos A y C son estables, el punto B inestable.

Linealizando (7) en torno a un punto de operacin estable es

posible encontrar una funcin de transferencia como la usada
en [17] y que ser usada para este estudio.

1
Y1 ( s ) 1 + 0.1s
Y ( s ) = 1
2
1 + 0.5s

5
1 + s U 1 ( s )

2 U 2 ( s )
1 + 0.4 s

Fig. 5, Fig. 6 y Fig. 7 muestran algunos de los casos

estudiados. En los grficos, los asteriscos representan los
instantes en que se introdujo una falla de sensores (grficos de
salidas) y/o de actuadores (grficos de entradas).
En el primer caso se incluye en la comparacin una solucin
descentralizada. Los controladores descentralizados usan los
mismos parmetros y estructura que el centralizado pero
considerando las entradas del otro subsistema como una
perturbacin medida.
0.6
0.55

(9)

0.5
0.45

al punto de operacin en torno al cual se linealiz. La

discretizacin se realiz empelando retencin de orden cero
con un periodo de muestreo de Ts = 0.01[min] .

0.4

x ( k + 1) = Ax ( k ) + Bu(k )

0.8

0.2

0.4
0.6
Tiempo [minutos]

0.8

u2 MPC
u2 DMPC

0.4

u2 MPCDesc

0.35

0.2

y MPC
2

0.3

y DMPC
2

y MPCDesc
2

0.25

0.2

0.4
0.6
Tiempo [minutos]

0.8

-0.2
1

0.2

0.4
0.6
Tiempo [minutos]

0.8

Figura 5: Caso 1, sin fallas.

y ( k ) = Cx ( k )

0.6

Outputs

0.55
0.5
0.45
1

0
0.199
0
0.3807
C=
0
0.1584
0
0.1975

B. Resultados de Simulacin
Los parmetros utilizados para el diseo de los controladores
se resumen en la Tabla III. El horizonte de prediccin, la
penalizacin del error y el nmero de iteraciones se
definieron mediante prueba y error.

y DMPC
0

0.2

0.4
0.6
Tiempo [minutos]

0.8

u1 MPC

0.2

u1 DMPC

0.1
0

-0.2

0.35

0.3

-0.1

y MPC

0.4

(10)

0.2

0.4
0.6
Tiempo [minutos]

0.6

0.8

u2 MPC

0.45

u2 DMPC

0.4
0.4

Outputs

0
0
0
0.9048
0
0.9802
0
0
A=
0
0
0.9900
0

0
0
0.9753
0
0.25 0
0.125 0

B=
0 0.25

0 0.25

0.4
0.6
Tiempo [minutos]

u1 MPCDesc

0.2

0.6

Outputs

La formulacin del sistema en espacio de estados se llev a

cabo empleando la forma cannica modal [18], la cual asocia
un estado a cada polo de la funcin de transferencia. De este
modo, el modelo lineal discreto determinado es:

0.2

u1 DMPC

0.3

-0.1

u1 MPC

0.4

y 1 DMPC
y MPCDesc

Y1 e Y2 , U1 yU 2 son desviaciones con respecto

0.5

0.1

y 1 MPC
0.4
0.35

Las variables

Inputs

750

Inputs

400
450
500
550
600
650
700
Temperatura del reactor en estado estacionario [R]

Inputs

350

Inputs

-100
300

Outputs

-50

0.35

y MPC

0.3

y DMPC
2

0.25

0.2

0.2

0.4
0.6
Tiempo [minutos]

0.8

-0.2
1

0.2

0.4
0.6
Tiempo [minutos]

0.8

Figura 6: Caso 8, 40% ocurrencia de falla en Sensores y 50% en Actuadores.

LAGOS AND CIPRIANO : PERFORMANCE EVALUATION OF A DISTRIBUTED

0.6

0.5

Inputs

Outputs

u1 DMPC

0.2

0.45

0.1
0

y 1 MPC

0.4

-0.1

y 1 DMPC
0.35

u MPC

0.3

0.55

0.2

0.4
0.6
Tiempo [minutos]

0.8

0.2

0.4
0.6
Tiempo [minutos]

0.8

0.6
2

0.4

Inputs

0.4

Outputs

Cabe destacar que cada agente DMPC resuelve un problema

QP con 1 variable de optimizacin, ya que la segunda variable
est sujeta a una restriccin de igualdad), mientras el
controlador MPC resuelve un problema QP con 2 variables de
optimizacin. Esta situacin no se refleja en el tiempo de
clculo por muestreo del DMPC, que es cerca de 10 veces el
tiempo usado en la solucin MPC, debido a las iteraciones de
la metodologa distribuida usada.

u MPC

0.45

0.35
y MPC

0.3

0.2

0.4
0.6
Tiempo [minutos]

0.8

VI. CONCLUSIONES

u DMPC
2

0.2
0
-0.2

y 2 DMPC
0.25

1925

-0.4
1

0.2

0.4
0.6
Tiempo [minutos]

0.8

Figura 7: Caso 12, 80% ocurrencia de falla en Sensores y 75% en Actuadores.

Los valores del error RMS para cada caso se presentan en la

Fig. 8.
0,07
0,06
0,05
0,04
0,03
0,02
0,01

En el presente trabajo se estudi el desempeo de una

estrategia DMPC ante fallas en sensores y actuadores de un
reactor qumico. Los resultados obtenidos muestran que para
fallas en sensores, sin la presencia de fallas en actuadores, la
solucin centralizada presenta un mejor desempeo, pero
cuando existen fallas en los actuadores la solucin distribuida
alcanza un mejor comportamiento. Sin embargo, un aspecto a
considerar es que los factores de penalizacin influyen en los
indicadores, pues pueden implicar un uso ms o menos
intensivo de los actuadores. Por otra parte, en los casos
estudiados DMPC no reduce el tiempo de clculo,
posiblemente debido la caracterstica iterativa de la
metodologa. A futuro se espera profundizarla evaluacin,
considerando sistemas de mayor complejidad y metodologas
ms eficientes para la solucin distribuida.

0,00
1

y MPC

y DMPC

y MPC

10

11

REFERENCIAS

12

y DMPC

Figura 8: Error RMS para cada caso.

El tiempo de clculo promedio por muestreo fue de 0.55 [s]

por agente para DMPC y 0.055 [s] para MPC, calculados en
un computador con procesador Intel i7-4700HQ 2.4Ghz.
C .Evaluacin del Desempeo
Para el caso sin fallas se observa que la solucin
descentralizada para la salida 1 (Fig. 5, MPCDesc) se
aproxima a la centralizada (Fig. 5, MPC), pero pierde
efectividad cuando se considera la salida 2. Otro punto en
contra de la solucin descentralizada es que exige valores
elevados para la variable manipulada 1.
Por otra parte se observa que la solucin distribuida (DMPC)
tiende a comportarse como la centralizada, que es lo esperado.
Para los otros casos se aprecia que un aumento en las fallas de
los sensores empeora progresivamente el desempeo del
DMPC, mientras la solucin MPC no se ve tan afectada, tanto
para los casos sin falla en los actuadores (casos 1, 2 y 3) como
con falla (acasos restantes). En cambio, si comparamos el
desempeo slo ante fallas de actuadores por separado (casos
4, 7 y 10) vemos que en todos los casos DMPC logra el mejor
desempeo.
En los casos intermedios el desempeo de los controladores
depender de cmo se combinan los aportes ante cada falla,
siendo en general las ms crticas las fallas de actuador ya que
producen los mayores aumentos en el error, sobre todo pasado
el 50% de probabilidad (caso 7 en adelante). En estos casos el
DMPC presenta un mejor desempeo que el MPC.

[1]
[2]
[3]
[4]
[5]
[6]

[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]

J. M. Maestre and R. R. Negenborn, Eds., Distributed Model

Predictive Control Made Easy, 1o ed. Springer, 2013.
P. Christofides, J. Liu, and D. Muoz de la Pea, Networked and
Distributed Predictive Control: Methods and Nonlinear Process
Network Applications. Springer, 2011.
D. U. Jingjing, S. Chunyue, and L. I. Ping, Modeling and Control
of a Continuous Stirred Tank Reactor Based on a Mixed Logical
Dynamical Model, vol. 15, no. 60404018, pp. 533538, 2007.
Y.-H. Wang and X. Er-Bing, Logical Dynamical Model And Its
Improved Algorithm, in Chinese Control and Decision
Conference, 2012, pp. 281285.
H. Li and Y. Wang, Active Fault Tolerant Control of CSTR
System Based on MLD Model, in Chinese Control and Decision
Conference, 2014, no. 2, pp. 31463149.
V. Agarwal, M. Gupta, U. Gupta, and R. Saraswat, A Model
Predictive Controller Using Multiple Linear Models for Continuous
Stirred Tank Reactor (CSTR) and ITS Implementation Issue, 2014
Fourth Int. Conf. Commun. Syst. Netw. Technol., no. 1, pp. 1001
1005, Apr. 2014.
R. Scattolini, Architectures for distributed and hierarchical Model
Predictive Control A review, J. Process Control, vol. 19, no. 5,
pp. 723731, May 2009.
A. Bemporad, Decentralized and Hybrid Model Predictive
Control, in 3rd WIDE PhD School on Networked Control Systems,
2009.
M. Farina and G. Ferrari-Trecate, Decentralized and distributed
control: models of large-scale systems, in EECI-HYCON2
Graduate School on Control, 2012.
R. R. Negenborn, B. De Schutter, and J. Hellendoorn, Multi-Agent
Model Predictive Control: A Survey, CoRR, vol. abs/0908.1, 2009.
B. T. Stewart, A. N. Venkat, J. B. Rawlings, S. J. Wright, and G.
Pannocchia, Cooperative distributed model predictive control,
Syst. Control Lett., vol. 59, no. 8, pp. 460469, Aug. 2010.
J. B. Rawlings and D. Q. Mayne, Model Predictive Control: Theory
and Design. Nob Hill, 2009.
A. Ferramosca, Cooperative MPC with Guaranteed Exponential
Stability, in DMPC Made Easy, 2013, pp. 585600.
G. Stephanoupulus, Chemical Process Control - An Introduction to
Theory and Practice. Prentice Hall, 1984.

1926

[15]

[16]

[17]
[18]

IEEE LATIN AMERICA TRANSACTIONS, VOL. 13, NO. 6, JUNE 2015

F. N. Koumboulis and M. P. Tzamtzi, Input / Output Decoupling

for 2-Model Plants via Dynamic Output Feedback, in International
Conference on Computational Intelligence for Modelling, Control
and Automation, 2005.
U. S. Banu and G. Uma, Fuzzy Gain Scheduled Pole Placement
Based State Feedback Control of CSTR, in International
Conference on Information and Communication Technology in
Electrical Sciences, 2007, no. Ictes, pp. 6368.
E. F. Camacho and C. Bordons, Model Predictive Control in the
Process Industry. Springer, 1995.
Z. Gajic, Modern Control Systems Engineering, Prentice Hall,
1996, pp. 109110.

Benjamn Lagos is currently a graduate student in the Master

of Science program at the Mechanical Engineering
Department, Pontificia Universidad Catlica de Chile (PUC).
His thesis consists in the design of a vibration energy
harvester prototype to feed wireless sensor networks
optimized for heavy duty vehicles. In parallel, Benjamn
worked in a research project related to applying distributed
hybrid control strategies in mineral processing. Since 2014 he is member of
the research team of the renewable energy company Orbital Wave Energy.
His research interests cover model predictive control (MPC) and design,
simulation and control of mechatronic systems.
Aldo Cipriano (M74SM95) received the M.Sc. degree in
electrical engineering from Universidad de Chile in 1974
and the Ph.D. degree from the Technical University of
Munich in 1981. Since 1974 he has been with the Pontificia
Universidad Catlica de Chile, where he has been Deann
(1998-2004), and Vice Dean (2010-2014) of the Faculty of
Engineering, and and Director for Research, Innovation and Graduate
Studies of the College of Engineering (2014-2015), among other duties. He
received the AIE-IEEE Award Ingeniero Sobresaliente 2012, For
outstanding contributions in Electrical Engineering and Automation and in
Engineering Education and Accreditation, the Conicyt Award by obtaining
10 research projects, Fondecyt Regular Competitions 1982-2012, and the
IEEE Latinamerica Award, Ingeniero Eminente 2006. He is a Senior
Member of the IEEE and a member of the Chilean Academy of Engineering.
For many years he has been involved in the design and implementation of a
variety of advanced control systems for mineral processing plants. His
current research interests include theory and application of hybrid model
predictive control.