SesionI 3

Controladores Predictivos.
Fundamentos y Actualidad
Universidad de Oriente
Facultad de Ingeniera Elctrica
Departamento de Control Automtico
Ania Lussn Cervantes

DISA- UPV Mayo 2013
Control Predictivo Ania Lussn. Mayo - 2013 2
Control Predictivo basado en Modelos No Lineales
Introduccin
Esencia NMPC
Ventajas NMPC
Fundamento terico NMPC
Modelos de prediccin
Problemtica NMPC
Resolucin del problema-
Productos comerciales
Necesidades futuras
Alternativa del NMPC
Conferencia 3
Control Predictivo basado en Modelos
(MPC)
Tiene su origen en los desarrollos de la teora del control ptimo en la
ltima parte de la dcada del 50 dcada del 70.
Conjunto de algoritmos computacionales que controlan la respuesta
futura de un proceso mediante el uso explcito de un modelo del mismo.
Mltiples aplicaciones: refineras de petrleo, plantas de potencias, torres
de secado, brazos de robot, columnas de destilacin, generadores de
vapor, servomotores, etc.
Introduccin
En cada intervalo de control el
algoritmo MPC calcula, una
secuencia de ajustes de la
variable manipulada
optimizar la perfomance
minimizando una funcin de
costo sobre M.
P
Horizonte de Control
Horizonte de Prediccin
Muestras
M
Futuro
k+1
1
r
Pasado
- u(k+M 1)
k - 1
k+P
k k+M
- 1
A u(k)
A u(k+1)
y(k)
y (k+1)

y (k+2)

La primera entrada de esta
secuencia ptima se inyecta
a la planta y se repite la
optimizacin en el prximo
intervalo de control.
Aunque los procesos industriales son no lineales, la mayora de las aplicaciones
de MPC hasta la fecha son basadas en modelos dinmicos lineales, siendo las
estructuras ms comunes las de respuesta al escaln o al impulso.
Es relativamente fcil identificar modelos lineales a partir de datos del
proceso.
Los modelos lineales dan buen resultado cuando el proceso opera en las
cercanas del punto de trabajo nominal. En el sector petroqumico, donde
tiene lugar la mayora de las aplicaciones de MPC, el objetivo es
mantener el proceso en torno al estado estacionario (problema
del regulador) ms que realizar frecuentes cambios de un punto
de operacin a otro (problema del servo) y por tanto un modelo
lineal preciso es suficiente.
Usando un modelo lineal y una funcin objetivo cuadrtica, el algoritmo MPC
nominal toma la forma de un problema de Programacin Cuadrtica (QP) que
tiene propiedades de convexidad muy deseables.

Esto es sumamente importante pues, en general, para la mayora de las
aplicaciones reales debemos obtener la convergencia del problema a un ptimo
en pocos dcimos de segundo.
Existen casos donde el efecto de las no linealidades es suficientemente
importante como para justificar el uso de NMPC.

Dos grandes categoras de aplicacin:

Problemas de regulacin: el proceso es altamente no lineal y est sujeto a
perturbaciones grandes y frecuentes (control del pH).

Problemas de seguimiento: el punto de operacin cambia frecuentemente y
abarca un amplio rango de la dinmica del proceso no lineal (fabricacin de
polmeros).
Control Predictivo basado
en Modelos No Lineales (NMPC)
Altas especificaciones de calidad en los productos
Necesidad de incrementar la productividad
Regulaciones medioambientales

requieren la operacin del sistema en un rango dinmico ms amplio, o
cercano a los lmites de las regiones de operacin admisibles.

En tales situaciones, los modelos lineales tambin resultan generalmente
inadecuados, y se deben utilizar modelos no lineales para describir la
dinmica del proceso.
Esencia del NMPC

El agregado de un modelo no lineal dentro del algoritmo de control.

La complejidad del esquema de control se incrementa significativamente y
desde el punto de vista computacional, el problema de optimizacin que debe
resolverse en cada instante de muestreo puede llegar a ser muy intensivo, por
lo que las aplicaciones en tiempo real se hacen prcticamente imposibles.
Se han realizado varias modificaciones a la estructura bsica del MPC para
extender la tcnica a sistemas no lineales. Las tres aproximaciones
fundamentales son:

Linealizacin tabulada: El modelo no lineal es linealizado alrededor de varios
estados estacionarios de operacin, y luego es usado dentro de la estructura
del MPC lineal a medida que el proceso se mueve de una condicin de
operacin a otra (Garcia, 84).

MPC lineal extendido (extensin del DMC): La estructura de MPC lineal
bsica es extendida para expresar las verdaderas no linealidades capturadas
por un modelo no lineal explcito. La solucin al problema del DMC extendido
se alcanza agregando una perturbacin alrededor de la solucin del DMC
lineal estndar (Hernandez&Arkun, 91).
NMPC
NMPC
MPC no lineal explcito: El problema fundamental de MPC se plantea como
un problema no lineal a escala completa, y el controlador no lineal es
obtenido explcitamente por medios analticos o implcitamente como la
solucin de un problema de programacin no lineal (NLP) incluyendo el
modelo no lineal completo y las restricciones (Biegler&Rawlings,91).
Otras alternativas para la incorporacin de
no linealidades en el MPC

El uso de herramientas de inteligencia artificial, con el fin de obtener modelos
compactos y con buen grado de precisin.

Artculos tutoriales de Bequette y Henson (Bequette91); (Henson98).

Modelos empricos, como las redes neuronales (Su&McAvoy,97) y la lgica
Fuzzy (Alvarez&diSciascio&Carelli,00).

Tcnicas basadas en modelos Hammerstein (Zhu&Seborg94); modelos
Wiener (Lussn&Figueroa&Agamennoni03); y de Volterra
(Genceli&Nikolaou95).
NMPC
La extensin de los conceptos bsicos de MPC a procesos no lineales es en
principio sencilla, pero no es un asunto trivial y an hay muchos temas
abiertos:

La disponibilidad de modelos no lineales debido a la dificultad de tcnicas de
identificacin para procesos no lineales.
La complejidad de los clculos necesarios para resolver el problema del
control predictivo de procesos no lineales.
La escasez de resultados de estabilidad y robustez.
NMPC
Ventajas del NMPC
Presenta la posibilidad de abordar dinmicas no lineales.

A medida que aparecen nuevas herramientas que hacen posible la obtencin
y representacin de modelos no lineales, bien a partir de primeros principios
(leyes de conservacin) o bien a partir de datos experimentales (modelos de
Volterra o redes neuronales), el inters por su utilizacin en NMPC se va
acrecentando.
NMPC
Dificultades derivadas del empleo de
modelos no lineales en MPC
La obtencin de un modelo no lineal a partir de datos experimentales es un
problema abierto. La utilizacin de redes neuronales o series de Volterra no
parecen solucionar el problema de forma general y la obtencin de modelos a
partir de primeros principios no es siempre viable.

El problema de optimizacin es no convexo, aparecen problemas relativos
a la obtencin del ptimo global, por tanto trae consigo muchas dificultades
en cuanto a, convergencia, factibilidad, estabilidad y optimalidad del proceso
en cuestin.

NMPC
La dificultad del problema de optimizacin se traduce en un aumento
considerable del tiempo de clculo, hecho que puede dar lugar a que la
aplicacin de esta tcnica quede restringida a un conjunto de sistemas con
dinmica lenta.

El estudio de temas fundamentales como estabilidad o robustez se complica
enormemente. Este tema constituye un campo abierto de gran inters para los
investigadores.
NMPC
Fundamento terico del
NMPC
Se puede definir un algoritmo genrico NMPC que englobe a todas las
tcnicas que comparten las mismas ideas.
El proceso (multivariable) se puede describir por un modelo en el espacio de
estados de la forma:

donde:
x es el vector de estados de dimensin n, u es el vector de m
u
entradas, d son
las perturbaciones medibles, w son las no medibles. El vector de salidas es y
de dimensin m
y
, la misma que la del vector de ruidos de medida e.

) 2 ( ) ( )) ( ( ) (
) 1 ( )) ( ), ( ), ( ), ( ( ) 1 (
t t t
t t t t t
e x g y
w d u x f x
+ =
= +
NMPC
El problema que hay que resolver es el clculo de la secuencia de
seales de control u que llevan al proceso desde su estado actual al estado
deseado x
s
.

El punto de trabajo deseado (y
s
, x
s
, u
s
) viene determinado por una
optimizacin esttica basada en criterios econmicos. Este punto debe ser
recalculado peridicamente ya que las perturbaciones pueden hacer
cambiar el punto ptimo de operacin.
NMPC
Las perturbaciones medibles se pueden eliminar incluyendo su efecto en la
funcin f, mientras que el resto se rechaza con la realimentacin,
considerando que la perturbacin permanecer constante a lo largo del
horizonte.

Esto se formaliza aadiendo un trmino constante (bias) e igual al error
entre la salida medida y la calculada a toda la prediccin:
) ( ) ( ) ( ), ( )) ( ( ) ( t t t t j t j t
m
y y b b x g y = + + = +
NMPC
El problema de control es calcular u que minimice la funcin objetivo:

donde:
M es el horizonte de control, P es el horizonte de prediccin,
Q, R, S, T son matrices de ponderacin.
) ( ) ( ) ( ) (
1
1
1
1 1
J j t j t j t J
M
j
s
M
j
P
j
s
T
R S Q
S u u u y y + + + + A + + =

=
= =
NMPC
La minimizacin estar sujeta a la restriccin del modelo del sistema (ec.
(1), (2)) y al resto de restricciones en entradas y salidas que se quieran
considerar:
1 , , 1 ) (
1 , , 1 ) (
, , 1 ) (
max min
max min
max min
= A s + A s A
= s + s
= s + s
M j j t
M j j t
P j j t
u u u
u u u
s y y s y
Obsrvese que se ha considerado la violacin de las restricciones en la
salida con el trmino s, que entra en juego en la minimizacin
apareciendo en la funcin de costo con una penalizacin dada por la
matriz T. (**)
NMPC
Modelos de Prediccin
Modelo de la Respuesta al Impulso Truncada
Modelo de la Respuesta al Escaln
Modelo de Funcin Transferencia
Modelo de Espacio de Estados
Modelos lineales: Expresan relaciones lineales entre sus variables, por lo que
permiten una solucin matemtica sencilla al problema de MPC. Es vlido el
principio de superposicin de efectos.

Modelos no lineales: Expresan relaciones no lineales entre sus variables,
transformado el problema del MPC en uno no lineal, cuya solucin numrica es
mucho ms compleja. No es vlido el principio de superposicin de efectos.
NMPC
Modelos especficos que reflejen la dinmica no lineal:
Modelos no lineales
Modelos de Wiener
Modelos Hammerstein
Modelos basados en redes neuronales
Modelos de Volterra
Modelos NARX
Modelos borrosos, etc.
NMPC
Modelos usados en la industria
Modelos en el espacio de estados

Modelos de Entrada/Salida

Modelos basados en primeros principios
NMPC
Modelos en el espacio de estados
Se puede usar un modelo formado por la combinacin de una ecuacin de
estado lineal con una relacin no lineal de salida:
)) ( ( ) ( ) ( ) ( ) ( ) 1 ( t t t t t t x g y Dd Bu Ax x = + + = +
)) ( ( ) ( )) ( ( t NN t t x Cx x g + =
La no linealidad de la salida se puede modelar con la superposicin de una
relacin lineal y una red neuronal no lineal:
Al no estar el vector de estados limitado necesariamente a variables fsicas,
este modelo es muy genrico y permite englobar ms efectos no lineales
que los exclusivos de las medidas.
NMPC
NMPC
Se identifica el sistema como lineal y los residuos de las salidas se ajustan
a los estados con la red neuronal.

Se puede usar un ndice de confianza de modo que la prediccin se basa
ms o menos en la red neuronal segn este ndice, apagndose en caso de
que su aportacin no sea fiable.

Tambin puede aadir un filtro de Kalman extendido (EKF) para corregir los
errores de modelado y las perturbaciones no medibles, reemplazando de este
modo el error constante en la realimentacin que se emplea normalmente en
el MPC.
Modelos de Entrada/Salida
Una idea adoptada por algunos fabricantes de controladores predictivos
es usar un modelo no lineal esttico junto con un modelo dinmico no
lineal.
NMPC
NMPC
Modelos basados en primeros principios
Es difcil obtener modelos empricos fiables a partir de datos experimentales.
En la prctica existe la posibilidad de usar modelos dados directamente de
las ecuaciones de balance: modelos de primeros principios.
Estas ecuaciones pueden ser ecuaciones estticas de balance o funciones no
lineales de variables fsicas que generan otra variable.
En este caso el clculo de la prediccin se realiza mediante una simulacin
de las ecuaciones no lineales (integracin) que describen el proceso.
NMPC
Problemtica asociada al NMPC
La metodologa de clculo de
la seal de control.
El comportamiento dinmico del
lazo cerrado.
Estabilidad de la solucin Resolucin
Robustez
NMPC
Resolucin
La introduccin de un modelo no lineal en el algoritmo de optimizacin
conduce a la prdida de convexidad, no pudiendo ser resuelto por los
algoritmos de programacin cuadrtica (QP), para los cuales existen
soluciones fiables y suficientemente estudiadas.

Esta prdida de convexidad hace que sea mucho ms difcil encontrar
una solucin y que, una vez encontrada, no se pueda garantizar que sea
un ptimo global.
NMPC
En estas circunstancias el tiempo de clculo aumenta considerablemente
debido a dos motivos:
1) Para la obtencin de la secuencia de acciones de control
ptima, el paquete de programacin no lineal debe evaluar
repetidamente la funcin objetivo y en cada evaluacin se
debe resolver el sistema de ecuaciones no lineales que
componen el modelo de prediccin, lo cual conlleva mucho
tiempo de clculo.
2) A partir de los datos obtenidos a travs de la evaluacin de la
funcin objetivo, el programa de optimizacin debe calcular el
gradiente de la funcin y los prximos puntos de bsqueda,
adems de comprobar la violacin o no de las restricciones y
los criterios de finalizacin del algoritmo. Estas tareas
consumen ms tiempo de clculo que en el caso lineal.
NMPC
Estabilidad de la solucin
Este problema ha sido abordado desde distintos puntos de vista,
existiendo en la actualidad diferentes propuestas:
Horizonte infinito
Restriccin terminal
Control dual
Horizonte casi-infinito
Contraccin del estado
Horizonte infinito
Propuesta por Meadows et al. (1995).
Ampliar los horizontes de control y de prediccin hasta el infinito:

En este caso la funcin objetivo tambin sirve como funcin de Lyapunov,
dando lugar a la estabilidad nominal.
En el artculo citado se demuestra que si existe solucin inicial factible
entonces existe solucin en cada periodo de muestreo posterior.
M P,
NMPC
La idea bsica es que si el problema de minimizacin es factible en el
instante t entonces la funcin de costo es finita y

Por tanto la funcin de costo es montona decreciente y se puede interpretar
como una funcin de Lyapunov, garantizando la estabilidad asinttica.
Es un concepto con un inters terico, no es viable una implementacin
prctica con horizonte infinito.
) ( ) ( ) ( ) (
1
t u t u t x t x J J
t t
t t
S R + + s
+
NMPC
Restriccin terminal
Propuesta por Keerthi y Gilbert (1988) (restriccin terminal de igualdad).
Consiste en aadir una restriccin terminal al estado en el algoritmo
NMPC de la forma:

Con la imposicin de (1), la funcin objetivo se convierte en una funcin
de Lyapunov para el sistema a lazo cerrado, conduciendo a la estabilidad
nominal.
) 1 ( 0 ) ( = + P t x
NMPC
Con (1) el estado al final del horizonte finito es cero y por tanto lo ser la
seal de control, con lo que el sistema (sin perturbaciones) se queda para
siempre en el origen. De esta forma es como si el horizonte de prediccin
fuera infinito.

En la prctica la introduccin de (1) aade un costo computacional
considerable (la satisfaccin exacta de esta tipo de restriccin requiere un
nmero infinito de iteraciones) y da lugar a una regin de operacin muy
restrictiva.
NMPC
Control dual
Michalska y Mayne (1993) buscan una restriccin menos estricta que la
restriccin terminal (restriccin de desigualdad).

La ventaja: satisfaccin exacta de esta tipo de restriccin requiere un
nmero finito de iteraciones del algoritmo.

La idea es definir un entorno W alrededor del estado final deseado x
s
dentro
del cual el sistema pueda ser llevado a dicho estado por medio de un
controlador lineal por realimentacin del vector de estados.
NMPC
La restriccin que se aade a la formulacin es:

Si el estado actual se encuentra fuera de esta regin se usa el algoritmo
NMPC con la restriccin terminal.
Una vez que el estado se encuentra en W, el control conmuta a una
estrategia lineal determinada previamente (estrategia del tipo dual-mode
controller).
Este mtodo conlleva a la conmutacin entre los dos controladores, la
determinacin de la regin W y de la matriz de ganancia de la realimentacin
del vector de estados.
W P t
s
e + x x ) (
NMPC
Horizonte casi-infinito
Chen y Allgower (1996) extendieron el concepto anterior, proponiendo un
esquema de control con horizonte casi-infinito.
Se hace uso de la idea de regin terminal y controlador estabilizante, pero
slo para el clculo del costo terminal.
La seal de control se determina resolviendo el problema de optimizacin en
lnea (con horizonte finito) sin conmutar al controlador lineal incluso dentro de
la regin terminal.
NMPC
Se aade el trmino a la funcin de costo, cuyo objetivo es
extender P hasta el infinito y por tanto evitar la conmutacin del
controlador.

Se interpreta como si el P se expandiera casi hasta el infinito (es como si
se minimizara un costo de horizonte infinito resolviendo un problema de
horizonte finito).
2
) (
P
p
T t x +
NMPC
Contraccin del estado
Mtodo introducido por Yan and Polak (1993), donde sugieren el uso de una
restriccin de estabilidad que impone una contraccin previamente
establecida en el vector de estado.
De Oliveira (1996), presenta una reformulacin del problema de
optimizacin considerando la restriccin adicional de contraccin:

Esta restriccin fuerza a la magnitud del vector de estado a contraerse
segn el factor elegido cada vez que se calcula la seal de control.
Garantiza estabilidad exponencial del lazo cerrado al origen, asumiendo
que el origen es un punto de equilibrio.
) 1 , 0 ( ) ( ) (
2 2
e s + o o t x N t x
NMPC
La estabilidad queda garantizada siempre que el problema sea factible, lo
que no viene impuesto necesariamente porque sea factible en k =0, ya que
las restricciones que se le imponen al estado son muy estrictas y pueden
hacer perder factibilidad.

Esto se puede mejorar con valores grandes de , pero la disminucin de
la magnitud del estado es menor.

En muchas situaciones reales la condicin es muy restrictiva y la no-
factibilidad aparece con facilidad.
o
NMPC
Robustez
Incluir la realimentacin en el NMPC es para tener en cuenta las diferencias
existentes entre el modelo y el proceso (a causa de ruidos del proceso,
errores de modelado, errores del observador, entre otras).

Un algoritmo de MPC proporciona una buena performance para un modelo
particular, minimizando una funcin objetivo, pero en el caso de existir
diferencias entre el modelo y el proceso, puede tener una pobre performance
cuando se implementa en la planta real.

Limitacin principal del MPC es su poca habilidad para tratar con modelos
que presentan incertidumbres.
NMPC
Los resultados en los que se considera robustez en MPC presentan dos
categoras:

1. Anlisis de robustez: Determinar la estabilidad y desempeo del lazo
cerrado para un controlador en presencia de incertidumbres.

2. Sntesis robusta: Se incorpora, en la formulacin del problema, la
descripcin explcita de las incertidumbres y se utiliza para la sntesis de
controladores predictivos robustos.
NMPC
Resultados de robustez del NMPC con restricciones
Michalska y Mayne (1993) aaden robustez al NMPC con modo dual e hbrido,
imponiendo una restriccin de desigualdad.
Mayne (1995) sugiri una formulacin con realimentacin del mtodo min-
max que evita situaciones no realistas en la eleccin del control, y discuti la
estrategia del NMPC min-max con horizonte variable.
Pion (2001) propone un mtodo de diseo para el NMPC robusto aplicando
las tcnicas basadas en LMI.
Lussn, et al. (2003) propone un modelo de incertidumbres utilizando
funciones lineales a tramos, el cual es empleado en el NMPC robusto.
NMPC
NMPC
Resolucin del problema. Productos comerciales
Los controladores comerciales dividen el algoritmo de control en:

Optimizacin local esttica Optimizacin dinmica
Calcula los valores de entrada
y salida a los que es necesario
llegar.
Calcula la secuencia de
control adecuada.
NMPC
La optimizacin dinmica se lleva a cabo minimizando la funcin objetivo
genrica (J) con las restricciones correspondientes.
Los distintos esquemas comerciales hacen simplificaciones respecto a la
formulacin general.
Tabla 1
EE: espacio de estados no lineal.
PP: primeros principios.
E/S: entrada/salida.
PNE: polinomio no lineal esttico.
RN: red neuronal.
N1: norma 1.
S: saturacin.
BS: blandas (mnimo y mximo) en la
salida.
DS: duras en las salidas.
DE: duras en las entradas.
FB: funciones base.
UM: nico movimiento.
MM: mltiples movimientos.
NLS: mnimos cuadrados no lineales.

GRG: Generalized Reduced Gradient.
MINLP: Mixed Integer Nonlinear
Programming.
GD: Gradient descent.
NMPC
Empresa Adersa Aspen
Tech.
Continental DOT
Products
Pavillion
Tech.
Producto PFC Aspen
Target
MVC NOVA NLC Process
Perfecter
Modelo EE, PP EE E/S, PNE EE, PP RN, E/S
F. Objetivo Q Q Q Q, N1 Q
Restricciones S, BS DE,
DS, BS
DE, BS DE, BS DE, DS

Estructura u FB,
UM
MM UM MM MM
Mt.
Solucin
NLS QP GRG MINLP GD
Tabla 1
NMPC
Funcin Objetivo
La mayora de los productos slo permiten matrices de peso constantes en
todo el horizonte y slo el NOVA-NLC trabaja con norma 1.
El Process Perfecter minimiza slo la salida pero con una matriz de peso que
se incrementa gradualmente con el horizonte, dando ms importancia a los
errores ms lejanos y en consecuencia una accin de control ms suave.
NMPC
Restricciones en la entrada: DURAS, que nunca deben ser violadas.
El PFC: restricciones de saturacin, muy tiles para aplicaciones de
servomecanismos.
Este mtodo no trata estas restricciones de forma ptima, sino que resuelve
el problema de optimizacin sin restricciones y luego satura a los lmites,
produciendo una solucin no ptima.
Restricciones
Restricciones en la salida: BLANDAS, debido a que una perturbacin puede
producir fcilmente una prdida de factibilidad.
En Process Perfecter: una restriccin dura en forma de embudo, de manera
que se da ms libertad a la salida al comienzo del horizonte que al final.
NMPC
Estructuracin de la seal de control
Se encuentra desde Horizonte de control igual a 1 (UM), horizonte variable
(MM) o funciones base (FB).
Las FB (PFC), parametriza la seal de control usando un conjunto de
funciones polinomiales, permitiendo un perfil de entrada complejo para un
horizonte de control grande, empleando un nmero de incgnitas pequeo
(ventaja en el caso de sistemas no lineales).
La eleccin de FB establece muchas de las caractersticas del perfil de la
entrada, pudiendo asegurar con una correcta eleccin una seal de control
suave.
Si se eligen FB polinmicas, se puede seleccionar el orden para seguir un
setpoint polinmico sin retraso (aplicaciones de servosistemas mecnicos).
NMPC
Mtodo de Solucin
La solucin del problema no es tarea fcil debido a la no convexidad del
problema genrico.
Diversos mtodos: NLS, QP, GRG, MINLP, GD.
El PFC: una solucin sencilla resolviendo el problema sin restricciones usando
un algoritmo de mnimos cuadrados no lineal (NLS) y saturando las entradas a
sus lmites, si stos se violan; no se asegura una solucin ptima, pero se gana
en velocidad, permitiendo que este controlador se use en aplicaciones con
perodos de muestreo pequeos (seguimiento de misiles).
Para cualquier mtodo, el esfuerzo computacional es superior al caso lineal,
siendo sta una de las principales razones para la escasa implantacin de estas
tcnicas en la industria.
NMPC
Una idea introducida en el PFC y adoptada por Aspen Target es el uso de
puntos de coincidencia, en los cuales deben coincidir la salida y la
trayectoria de referencia.

Esta idea puede ser til cuando las salidas responden con distinta
velocidad y se pueden definir distintos puntos de coincidencia para cada una
de ellas.
NMPC
Necesidades futuras
Temas que pueden considerarse abiertos en esta tcnica:
Modelado
Los modelos no lineales son ms complejos que los lineales, el proceso
de identificacin es mucho ms difcil.
Se necesita una gran batera de ensayos para capturar las no linealidades
del proceso, resultando en un perodo de pruebas considerable.
La forma de disponer de una representacin correcta de la dinmica del
proceso es un problema que no est completamente resuelto.
NMPC
Resolucin del problema

La inclusin del modelo no lineal en la optimizacin da lugar a que sta no
sea convexa.

Grandes esfuerzos deben hacerse todava para encontrar algoritmos de
optimizacin fiables que permitan la resolucin dentro del tiempo asignado.
NMPC
Justificacin del esfuerzo

Vistas las dificultades que aparecen en la aplicacin de NMPC, debe
poder justificarse el beneficio que este tipo de tcnica aporta.

Algunos fabricantes ofrecen un MPC de respaldo, de manera que en el
caso de que no se necesite ese esfuerzo adicional o el controlador no lineal
sea realmente complicado de poner en marcha, se aplicara la estrategia
lineal.
NMPC
Otros temas
Temas que son aplicables al Control Predictivo en general, funciones
objetivos multicriterio, sintonizacin de parmetros, mal condicionamiento
o tolerancia a fallos.
Ninguno de los productos comerciales incluye restriccin terminal ni
horizonte infinito, situaciones requeridas en teora para garantizar la
estabilidad nominal.
En lugar de eso, se confa en que con un horizonte de prediccin lo
suficientemente grande se consiga el mismo comportamiento que con
horizonte infinito.
Alternativa de MPC no
Lineal
MPC con estructura Wiener-LAT
Objetivo
Estructura Wiener
Funciones Lineales a Tramos
LAT
MPC no lineal Wiener
MPC no lineal Wiener
Se plantea un problema de MPC no lineal como MPC Lineal

El esquema de control disminuye significativamente los clculos
involucrados en el problema de optimizacin no lineal.
Ejemplos
SISO
MIMO
CSTR
CSTR
Generador de Vapor
CONCLUSIONES
Se mostr la esencia del NMPC basado en sus fundamentos
tericos, ventajas, problemtica asociada y productos comerciales.

Se mostr una Alternativa del NMPC: estructura Wiener LAT.
NMPC
Bibliografa
1. Garcia, C. E. (1984). Quadratic Dynamic Matrix Control (QDMC) of
Nonlinear Process. An application to a batch reaction process. Proc.
AIChe Annual Meeting, San Francisco, California.
2. Hernandez, E., Arkun Y. (1991). A nonlinear DMC controller: Some
Modeling an robustness considerations. Proc. American Control
Conference. pp. 2355 .Boston, USA
3. Biegler L., Rawlings J. (1991). Optimization approaches to nonlinear
model predictive control. Proc. Conference of Chemical Process Control (CPC-
IV). pp. 543-571. CACHF-AIChE. South Padre Island, TX.
4. Bequette, B. W. (1991). Nonlinear Control of Chemical Processes: A
Review. Industrial Engineering Chemical Research. 30:1391-1413.
5. Henson, M. A. (1998). Nonlinear Model Predictive Control: current
status and future directions. Computers and Chemical Engineering. 23:187-202.
6. Su, H. T., McAvoy, T. J. (1997). Artificial Neural Networks for nonlinear
process identification and control. Nonlinear Process Control, Chapter 7.
Editor: "Henson and Seborg. Englewood Cliffs, NJ , Prentice-Hall. pp. 371-428.

7. Alvarez , H. diSciascio, F. Carelli, R. (2000). A Contractive Fuzzy Model
Predictive Controller with a PI feedback for a wastewater pH Neutralization
Benchmark. Anales del IX Congreso Latinoamericano de Control Automtico (CLCA'00). Cali,
Colombia. pp.19-27.
8. Zhu, X., Seborg, D. E. (1994). Nonlinear Model Predictive Control Based on
Hammerstein Models. Proc. International Symposium on Process System Engineerin. Seul,
Korea. pp. 995-1000.
9. Lussn C. A., Figueroa J. L., Agamennoni O. (2003) A Nonlinear Model
Predictive Control System based on Wiener Piecewise Linear Models. J ournal
of Process Control. 13:655-666.
10. Genceli, H. Nikolaou, M. (1995). Design of Robust Constrained Model-
Predictive Controllers with Volterra Series. AIChe J ournal. 41: 2098-2107.
11. Meadows, E., Henson M., Eaton, J., Rawlings J (1995). Receding horizon
control and discontinuous state feedback stabilization. International J ournal
Control. 62:1217-1229.
12. Keerthi, S.S. y Gilbert, E.G. (1988). Optimal infinite-horizon feedback laws for
a general class of constrained discrete-time systems: Stability and moving-
horizon appro-ximations. J . Optim. Theory Appl. 57(2):265293.
NMPC
NMPC
13. Michalska, H., Mayne, D. (1993). Robust receding horizon control of
constrained nonlinear systems. IEEE Transaction on Automatic Control. 38 (11):1623-
1633.
14. Chen, H., Allgower, F. (1996). A quasi-infinite horizon predictive control
scheme for constrained nonlinear systems. Proc. 16th Chinese Control Conference.
Qindao, China. pp. 309-316.
15. Yang, T. H., Polak, E. (1993). Moving horizon control of nolinear systems
with input saturation, disturbances and plant uncertainty. International J ournal
Control. 58:875-903.
16. De Oliveira, S. L., Morari, M. (1996). Contractive Model Predictive Control
with Local Linearization for Nonlinear Systems. Nonlinear Model Based Process
Control. editor R. Berber, C. Kravaris. Proc. of the NATO Advanced Study Institute. pp.403-431.
17. Mayne, D. Q. (1995). Optimization in model based control. In Rawling, J ., editor,
4th IFAC Symposium on Dynamics and Control Chemical Reactors, Desdtillation Columns, and
Batch Processes (DYCORD+95), Danish Automation Society. pp. 229-242.
18. Pion, S. (2001). Control Predictivo basado en Modelos para cultivos
protegidos. Tesis doctoral en Ingeniera, Universidad Nacional de San J uan, Argentina.

SesionI 3

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

SesionI 3

Hochgeladen von

Copyright:

Verfügbare Formate

Controladores Predictivos.

Das könnte Ihnen auch gefallen