Sie sind auf Seite 1von 469

Mdulo:

Control
avanzado




Coordinador:
D. Francisco Cifuentes Ochoa




Instrumentacin y
control


Mayo 2007




Mdulo: 9 Control avanzado
Fechas imparticin: del 7 al 11 de mayo de 2007 Duracin: 40 horas


Coordinador:


Francisco Cifuentes Ochoa

Tcnico de Control Avanzado en la Subdireccin de Control Avanzado en Repsol YPF.
Licenciado en Ciencias Qumicas (Especialidad Qumica-Fsica) por la Universidad
Complutense de Madrid.
Desarrolla su carrera profesional en Repsol Petrleo, en la refinera de Puertollano (1987
a 1991) como tcnico de procesos y tcnico de produccin en las Unidades de
Lubricantes. En 1991 pasa a la Subdireccin de Control Avanzado trabajando desde
entonces en el diseo, desarrollo e implantacin de estrategias de Control Avanzado en las distintas
refineras del Grupo. Imparte clases de Control de Procesos en diversos masters en la Escuela de
Organizacin Industrial y en el Instituto Superior de la Energa.



Profesores:


Rafael Gonzlez Martn
Tcnico de Control Avanzado en la Refinera de Somorrostro de Petronor.
Ingeniero (Automtica y Electrnica Industrial) por la U. de Mondragn, Msc. in Control
Engineering (UMIST, U.K.) y doctorando en el Dpto. de Automtica (F. de Ciencias-
UNED).
16 aos de experiencia profesional: 4 en proyectos de control para el Grupo Cooperativo
Mondragn y 12 aos en Aplicaciones de Control Avanzado en la refinera de PETRONOR.
Imparte clases de Control de Procesos en la U. de Mondragn, y cursos y seminarios
relacionados con Control Avanzado.













Objetivos:
Aqu se trata el control de alto nivel, siempre sobre la base de lo visto en los captulos anteriores. Se ven
todos los aspectos tcnicos del Control Multivariable Predictivo, utilizando un algoritmo real y haciendo
prcticas con clculos reales.
Se ve como se construye el modelo dinmico de un proceso, la ley de control, la programacin lineal y las
restricciones y un resumen de los parmetros de ajuste.
As mismo se estudia toda la metodologa de desarrollo de un proyecto de Control Multivariable y el
mantenimiento y seguimiento de este tipo de aplicaciones.

Descripcin:
9A 1 Control multivariable
Niveles de automatizacin
Procesos multivariables
Modelo dinmico de un proceso
Ley del control
Programacin lineal y restricciones
Funcionamiento de un controlador multivariable
Operacin de un controlador multivariable
Resumen de parmetros de ajuste
Metodologa de un proyecto de controlador multivariable
9A 2 Metodologa de desarrollo de un proyecto
Diseo preliminar
Pre-test
Pruebas en planta (step-test)
Identificacin de modelos
Programacin lineal
Simulacin y ajuste
Instalacin
Comisionado
Formacin
Documentacin del proyecto
Mantenimiento y seguimiento
9C Prcticas de implementacin de control avanzado



9A
1
CONTROL
MULTIVARIABLE



FICHA IDENTIFICATIVA DEL DOCUMENTO:

Master ISA de instrumentacin y control
Mdulo: 9 Control Basado en Modelos
Tema: 9-1 Control Multivariable Predictivo
Autor: Rafael Gonzlez Martn, Francisco Cifuentes Ochoa


"Se debe hacer todo tan sencillo como sea posible, pero no ms sencillo"
Albert Einstein



INTRODUCCION

El Control Multivariable Predictivo constituye el estado del arte en el campo de Control
de Procesos. Se desarroll originalmente para resolver problemas especficos de control de
las plantas nucleares y de las refineras. La tecnologa de Control Multivariable se utiliza
hoy en da en plantas qumicas, sector alimentario, automvil, metalurgia, industria papelera
y otros entornos industriales.
Se han hecho distintos estudios comparativos de los distintos algoritmos, la mayora de los
cuales quedan obsoletos incluso antes de publicarse porque el campo del Control Predictivo
se encuentra en plena expansin y las tcnicas se mejoran continuamente. Existe un parecido
notable entre todos los algoritmos de Control Multivariable Predictivo. Este Mdulo presenta
de forma genrica este tipo de algoritmos, no obstante, cuando se trata de aspectos concretos
y a la hora de realizar las prcticas, se hace referencia al Controlador DMCPlus.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 2

Control Multivariable Predictivo

ndice

1. INTRODUCCIN 4
1.1. Conocimientos previos 6
2. NIVELES DE AUTOMATIZACIN 7
3. TERMINOLOGA 8
3.1. Variables Controladas 8
3.2. Variables manipuladas 8
3.3. Variables de perturbacin o feedforward 9
3.4. Grados de libertad 9
4. PROCESOS MULTIVARIABLES 17
5. MODELO DINMICO DE UN PROCESO 21
5.1. Modelo de respuesta impulsional (FIR) 23
5.2. Modelo de respuesta a salto 24
5.3. Modelo Recursivo de Funcin de Transferencia 25
5.4. Definicin del Modelo Matricial 26
5.5. Uso del Modelo Matricial 29
5.5.1. Principio de Linealidad y Superposicin 29
5.5.2. Extensin del Modelo Matricial a un Proceso Multivariable 35
5.5.3. Formas de Utilizacin del Modelo Matricial 36
5.6. Proceso de Obtencin del Modelo Matricial Dinmico 38
6. CLCULO DE LA LEY DE CONTROL 42
6.1. Move Suppression Factors 45
6.2. Equal Concern Errors 49
6.3. Equal Concern Dinmicos 50
7. PROGRAMACION LINEAL Y RESTRICCIONES 51
7.1. Restricciones en las Variables Manipuladas 52
7.2. Restricciones en las Variables Controladas 54
7.3. Optimizacin 58


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 3

7.4. Estrategia cuando no existe solucin factible 60
7.4.1. CV Rank 60
7.4.2. LP Equal Concern Error 61
7.5. Imposicin de la solucin de la programacin lineal 61
8. FUNCIONAMIENTO DE UN CONTROLADOR
MULTIVARIABLE 62
9. OPERACIN DE UN CONTROLADOR
MULTIVARIABLE 66
10. RESUMEN DE PARMETROS DE AJUSTE 69
10.1. En el mdulo de Programacin Lineal: 69
10.2. En el mdulo de Control Dinmico 70
11. CRITERIOS DE IMPLANTACION 70
12. BIBLIOGRAFA 71





Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 4

1. INTRODUCCIN

En mdulos anteriores (5 y 6) se ha estudiado el control bsico o control regulatorio que
utiliza de forma intensiva los controladores PI o PID. Se han visto tambin las llamadas
tcnicas de control avanzado (feedforward, ratio, selectores, etc) que amplan el concepto del
lazo regulatorio bsico y que constituyen lo que tradicionalmente se llama control regulatorio
avanzado o, directamente, control avanzado. Sin embargo, en la literatura tcnica actual, el
trmino APC (Advanced Process Control) hace referencia a aplicaciones que manipulan los
puntos de consigna de controladores regulatorios y que son bastante ms complejas que los
familiares PI o PID y las aplicaciones de control avanzado convencional por las siguientes
razones:
Normalmente manipulan y controlan varias variables al mismo tiempo y de ah la
designacin alternativa de controladores multivariables
Estos controladores calculan sus movimientos (outputs) basndose en las
predicciones futuras de las variables controladas, que a su vez se calculan a partir
de un modelo dinmico embebido en el controlador. Por esta razn a estos
controladores se les denomina tambin genricamente controladores predictivos
basados en modelos
Estos controladores pueden controlar variables dentro de lmites, en vez de
controlarlas a puntos de consigna y pueden manipular las variables considerando
objetivos econmicos mltiples.

A finales de la dcada de los 70 y comienzos de los 80, desarrollos independientes llevados a
cabo en Europa por Adersa (Richalet y col.,1978) y en los Estados Unidos por Shell Oil Co.
(Cutler y Ramaker, 1980; Prett y Gilelette, 1979) permitieron la introduccin de nuevas
tcnicas de control basadas en el concepto de prediccin mediante modelos : IDCOM
(Identification and Command) y DMC (Dynamic Matrix Control). Simultaneamente, algunos
grupos de investigacin en el campo del control adaptativo comenzaron a experimentar con
predictores multipaso (adaptativos) para sustituir a los predictores de k-pasos hacia adelante
que constituan el fundamento de los reguladores autosintonizados basados en el principio de
mnima varianza generalizada.

Durante los ltimos aos se ha puesto de manifiesto que todos estos mtodos y otros muchos
que fueron propuestos desde entonces tenan muchos elementos en comn y esencialmente
eran variaciones de un mismo tema central. Hoy en da los elementos claves del Control
Predictivo Basado en Modelos (CPBM) estn suficientemente establecidos y dan lugar a una
familia de mtodos de control que presentan algunas ventajas importantes cuando se les
compara con otros procedimientos alternativos. Entre estas mejoras pueden mencionarse las
siguientes :
a) Permite resolver problemas de control con conductas dinmicas no usuales (Sistemas
inestables en lazo abierto de fase no mnima).


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 5

b) Resulta particularmente atractivo al personal tcnico de planta que posee una formacin
limitada en problemas de control, ya que los conceptos pueden comprenderse en un
perodo corto de tiempo.
c) Puede manejar de una forma bastante directa problemas de control interactivos de tipo
multivariable.
d) Posee una compensacin inherente de los retardos puros del sistema.
e) Introduce de una manera natural la accin de control feedforward para compensar
perturbaciones medibles.
f) Es conceptualmente simple extender la estrategia de CPBM a problemas de control con
restricciones (p.e. restricciones sobre las variables manipuladas, variables controladas e
incluso sobre la velocidad de variacin de estas variables).
g) Los parmetros de diseo son parmetros de especificacin en lugar de parmetros de
sintona, es decir, estn relacionados directamente con el comportamiento del sistema.
h) Es una metodologa totalmente abierta que se basa en algunos principios bsicos pero
que permite aadir al campo posibles extensiones futuras.
i) Posee una caracterstica interesante de mirar hacia adelante que resulta
extraordinariamente til cuando se puede planificar la evolucin del punto de consigna
(como el control de procesos tipo batch o de robots).

Como la mayora de estas caractersticas son de gran importancia en problemas de control de
naturaleza prctica, no resulta sorprendente que hayan aparecido numerosas aplicaciones del
CPBM. Por supuesto que el CPBM tambin posee algunas desventajas. Fundamentalmente es
computacionalmente complejo. Aunque con la potencia de clculo disponible hoy en da no
representa un problema en el caso de aplicaciones en el campo del control de procesos donde
las plantas suelen ser generalmente lentas. Sin embargo pueden llegar a plantear
complicaciones cuando se trata de sistemas de tipo mecnico, servo-control y aplicaciones en
robtica (no obstante el CPBM resulta adecuado para efectuar clculos en paralelo con
sistemas multiprocesadores).

Una desventaja fundamental del CPBM es la necesidad de disponer de un modelo
conveniente del proceso. Esto explica por qu un gran nmero de mtodos han surgido del
campo del control adaptativo. En cualquier caso, algn tipo de modelizacin o identificacin
del sistema ser necesario y esto supone un precio a pagar. Una vez que se dispone de un
modelo, el CPBM es en si mismo un procedimiento relativamente directo. Conviene no
obstante sealar que esta desventaja se suaviza algo con el argumento de que tambin los
mtodos de control clsicos ( incluso el simple regulador PID) necesitan de un modelo del
proceso cuando tienen que sintonizarse para operar satisfactoriamente cuando el proceso tiene
una dinmica difcil de controlar.

Este captulo presenta de forma genrica este tipo de algoritmos, no obstante cuando se trata
de aspectos concretos se hace referencia al Controlador DMCPlus desarrollado por la
empresa Aspen Technology Inc.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 6

1.1. Conocimientos previos

A pesar de su complejidad matematica, en este captulo se ha intentado introducir los
conceptos de forma intuitiva y mediante el uso de ejemplos. Sin embargo, es del todo
imposible poder prescindir del uso de ciertas herramientas matemticas para poder explicar
esta tecnologa con un cierto detalle. El nivel de conocimientos exigido al lector es realmente
mnimo, solo se necesitan nociones bsicas sobre el manejo de matrices y producto vectorial,
as como entender los conceptos fundamentales de la regresin lineal. Respecto al
conocimiento de procesos, se han utilizado casos prcticos presentes en cualquier planta
industrial. Por lo tanto, resulta conveniente que el lector conozca, al menos, los principios de
funcionamiento de una columna de destilacin binaria. Por supuesto, esta tecnologa es
tambin aplicable a otros tipos de procesos multivariables.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 7

2. NIVELES DE AUTOMATIZACIN

En los mdulos anteriores hemos hablado de los esquemas de control bsico y control
avanzado. Hemos visto que la diferencia entre ambos es la dimensin del sistema que se
quiere controlar. En el caso del control bsico nos ceimos a un lazo que nicamente tiene
una variable que controlar y una variable que manipular. En el caso del control avanzado se
amplia el sistema que se quiere controlar y hablamos del control de la cabeza de una columna
o de la calidad del producto de fondo. En la estrategia de control avanzado se incluye ms de
un lazo de control simple.

Si podemos identificar el control bsico con lazos regulatorios PID, el control avanzado
estara compuesto por varios lazos regulatorios PID relacionados de alguna manera (cascada,
ratio, control con restricciones). La estructura del control es jerrquica, en el sentido de que
para que funcionen adecuadamente las aplicaciones de control avanzado, previamente han de
funcionar bien los lazos de control bsico. Esto quiere decir que la importancia del buen
funcionamiento del control bsico no slo no disminuye al implantar aplicaciones de control
avanzado, sino que aumenta puesto que stas son cascadas de lazos de control regulatorio.

Podemos distinguir cuatro niveles de automatizacin: control bsico, control avanzado,
control multivariable y optimizacin en lnea. Segn pasamos de un nivel de automatizacin
al siguiente la planta trabaja ms cerca de su verdadero ptimo econmico.

El control bsico es el conjunto de lazos regulatorios que proporcionan una operacin estable
y segura para los equipos de proceso. El nivel siguiente lo constituye el control avanzado. Si
en el control bsico todo gira en torno al lazo simple de control (PID) con una entrada y una
salida, el control avanzado expande el concepto y construye esquemas de control donde los
lazos simples se unen en estructuras jerrquicas que denominamos cascadas. En control
avanzado un controlador primario, en vez de manipular una vlvula, determina el punto de
consigna del controlador secundario. Las cascadas pueden estar compuestas de ms de dos
controladores. Adems mientras que el control bsico slo utiliza la retroalimentacin
(feedback) el control avanzado incluye el adelanto (feedforward) entre sus posibilidades. Esto
permite adelantarse en las acciones de control cuando se producen perturbaciones medibles.

Otras tcnicas de control avanzado son la utilizacin de variables calculadas (aporte de calor,
reflujo interno), el control por restricciones mediante selectores (maximizaciones,
minimizaciones, etc). Normalmente al ascender en los niveles de automatizacin las
necesidades de instrumentacin y analizadores son mayores.

El paso siguiente, ser considerar un sistema de control compacto para controlar toda una
columna de destilacin o toda una unidad de proceso tal como una Unidad de Crudo o una
Unidad de FCC. A este tipo de control es al que vamos a llamar Control Multivariable. El
control multivariable responde a la necesidad de controlar procesos en los que existen varias
variables a controlar, varias vlvulas que deben ser manipuladas simultneamente y donde la


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 8

manipulacin de una vlvula afecta a varias variables controladas. Este tipo de procesos es el
ms normal en la industria del refino. En este caso, el controlador ve todas las variables de
la unidad como un conjunto, como un sistema nico y considera los efectos de todas la
variables manipuladas en todas las variables controladas.

3. TERMINOLOGA

Volvemos a hacer hincapi en los trminos que estamos utilizando, aunque muchos de ellos
ya se definieron en los captulos anteriores.
3.1. Variables Controladas

Las variables de proceso que deben mantenerse en un valor determinado (Punto de consigna o
especificacin), o dentro de un rango prefijado, se denominan variables controladas (CVs).
Estas variables tambin se llaman variables dependientes puesto que constituyen la respuesta
del proceso a variaciones de las variables realizadas por un operador o el controlador.

Las especificaciones de calidad, ya estn medidas con un analizador en lnea, obtenidas
mediante algn clculo inferencial, o controladas a travs de medidas secundarias como
temperaturas de plato, etc, son variables controladas y dependiendo de lo rigurosa que la
especificacin, tendrn un punto de consigna o un pequeo rango dentro del cual su valor se
considera aceptable.

Las limitaciones fsicas de la Unidad tambin son variables controladas, aunque en este caso
no se trata de que las variables se encuentren en un punto determinado de operacin, sino de
que no sobrepasen determinados valores que afectan a la seguridad y controlabilidad del
proceso. A este tipo de variables controladas se les denomina restricciones. La temperatura
de skin de tubos de un horno, las aperturas de vlvulas, el procentaje de inundacin de una
columna de destilacin podran encuadrarse en este tipo de variables controladas.

3.2. Variables manipuladas

Para mantener a las CVs en los valores deseados, el controlador ajusta los valores de las
variables manipuladas (MVs). Estas variables tambin se llaman variables independientes.
Variables manipuladas son todas aquellas sobre las que acta el operador, bien fijando un
punto de consigna cuando el controlador est en modo AUTO o bien fijando el % de salida a
vlvula si el lazo est en MAN. En un controlador multivariable son manipuladas todas
aquellas variables a las que el controlador les fija un punto de consigna o directamente la
salida a vlvula.
En un controlador bsico PID hay slo una CV y una MV. (En el controlador de temperatura
de salida de un horno la CV sera la temperatura de salida medida y la MV sera el caudal de
combustible al horno). En un controlador multivariable existen mltiples CVs y mltiples


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 9

MVs. El controlador ve todas las variables conjuntamente como un solo sistema y
considera el efecto simultneo de todas las MVs en las CVs. Normalmente el nmero de
variables controladas y el nmero de variables manipuladas no es igual; puede haber ms o
menos MVs que CVs.
TERMINOLOGA BSICA
DV1
MV1
MV2
PROCESO
CV1
CV2
CV3
VARIABLES INDEPENDIENTES
MANIPULADAS (MVs)
PERTURBACION (DVs)
VARIABLES DEPENDIENTES
CONTROLADAS (CVs)
(Calidades, Restricciones)

Figura 3-1 Terminologa Bsica

3.3. Variables de perturbacin o feedforward

Existen variables de perturbacin (DVs) que tambin son variables independientes y son
aquellas que provocan variaciones en las variables controladas, pero no pueden ser
manipuladas por el controlador. Tambin se llaman variables de adelanto o feedforward. El
caudal de carga a una columna si proviene de otra columna aguas arriba, la temperatura
ambiente, etc., son variables de perturbacin.


3.4. Grados de libertad



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 10

El estado de un proceso puede describirse mediante el valor que toman sus variables
principales. El estado se define cuando se especifica cada uno de los grados de libertad del
sistema. Los grados de libertad de un proceso representan el nmero mximo de controladores
independientes, que pueden colocarse en el proceso.

En el contexto del control de procesos, los grados de libertad son el nmero de variables que
pueden manipularse independientemente. Es muy importante tener claro cul es este nmero
para cualquier proceso, de modo que no se intente sobrecontrolar o subcontrolar el proceso.

El enfoque matemtico para encontrar los grados de libertad de cualquier proceso es sumar el
numero mnimo de variables que definen exactamente el punto de operacin de un proceso y
restarle el nmero de ecuaciones independientes

gl = v - r
gl = grados de libertad del sistema
v = nmero de variables que describen el sistema
r = nmero de relaciones independientes que se pueden establecer entre las variables.

Para ilustrar el concepto consideremos la ecuacin de los grados de libertad aplicada a tres
ejemplos comunes: el movimiento de un avin, de un barco y de un tren. Para cada vehculo
las variables que representan su posicin son las mismas: latitud, longitud y altura , por tanto
en los tres casos v = 3. El nmero de ecuaciones independientes que relacionan las tres
coordenadas espaciales es distinto en cada caso.

Para el avin no existe una relacin fija entre altitud (altura sobre el horizonte), longitud y
latitud, por tanto los grados de libertad para el avin son:

gl = v - r = 3 - 0 = 3
La respuesta es intuitivamente correcta, puesto que un avin puede volar libremente en
cualquier direccin en el espacio tridimensional.

El barco tiene las mismas variables de navegacin que el avin, pero suponiendo que el agua
est en calma, la altura es fija. Por tanto existe una ecuacin que establece:

altitud del barco = nivel del mar
y por tanto, los grados de libertad del barco son:

gl = v - r = 3 - 1 = 2


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 11

El barco puede moverse en dos direcciones, pero siempre estar en contacto con la superficie
del agua.

Por ltimo, el tren tiene tambin tres variables de navegacin, pero est confinado a unos
rales que tienen una posicin fija que puede describirse mediante dos ecuaciones:

altitud de los rales = contorno geolgico
latitud de los rales = funcin especfica de la longitud

La primera ecuacin fija la altitud igual a la elevacin de la superficie del terreno por donde
discurren los rales. La segunda ecuacin describe la trayectoria de los rales en trminos de
latitud y longitud (el trazado de la va). Por tanto, los grados de libertad del tren son:

gl = v - r = 3 - 2 = 1
El tren slo tiene un grado de libertad puesto que slo puede moverse a lo largo del trazado de
la va.

En el siguiente ejemplo se estudian los grados de libertad de un proceso mas cercano al
control de procesos. Se trata de un sencillo sistema de mezclas en el que se mezclan dos
corrientes de agua, una fra y otra caliente. Es posible modificar el caudal de agua fra y
caliente mediante la apertura de dos vlvulas de control situadas en cada lnea. Las variables
de inters son el caudal y temperatura de la mezcla. Este proceso se muestra el la Figura 3-2.

qf(t), Tf(t)
FT
1
TT
1
qc(t), Tc(t)
q(t), T(t)
Variables del sistema :
qf, qc, Tf, Tc, q, t
Ecuaciones
Tf = cte.
Tc = cte.
q = qf +qc
T = 1/q (qf * Tf +qc * Tc)
qf(t), Tf(t)
FT
1
FT
1
TT
1
TT
1
qc(t), Tc(t)
q(t), T(t)
Variables del sistema :
qf, qc, Tf, Tc, q, t
Ecuaciones
Tf = cte.
Tc = cte.
q = qf +qc
T = 1/q (qf * Tf +qc * Tc)

Figura 3-2 Grados de libertad (2 grados )
Si consideramos que las vlvulas son lineales, para cada porcentaje de apertura corresponder
un caudal determinado q
f
y q
c
para el agua fra y caliente respectivamente, siendo seis el
nmero de variables que definen cualquier punto de operacin del sistema.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 12

Considerando que las temperaturas de agua fra y caliente son constantes, se pueden
establecer cuatro ecuaciones independientes, dando lugar a 6-4= 2 grados de libertad.
Fsicamente esto quiere decir que de las seis variables del sistema, podemos elegir dos de
ellas y el resto vendrn fijadas automticamente . Por ejemplo, si elegimos un caudal y una
temperatura de la mezcla (q, t), las vlvulas automticamente se tienen que posicionar en
unas aperturas concretas y slo en esas. Si por el contrario, elegimos posiciones para las
aperturas de las vlvulas, entoces q y t pasan a ser dependientes y adoptaran el valor que
corresponda.

Veamos qu sucede si incluimos un controlador en el sistema. Pasamos a controlar el caudal
total manipulando la vlvula de agua fra, Figura 3-3. En este caso hay que aadir una ecuacin
adicional qc = F(q) ya que el caudal de agua fra pasa a ser funcin del punto de consigna del
controlador FC-1. En esta nueva situacin hemos reducido un grado de libertad, por lo que
solo queda uno disponible, o bien escogemos el punto de consigna del FC-1, o la apertura de
la vlvula de agua caliente.

Finalmente, la Figura 3-4 nos muestra el caso completo en el que adems hemos aadido un
control de temperatura, TC-1, manipulando el caudal de agua caliente. Agregamos una
ecuacin ms y por tanto hacemos que los grados de libertad sean cero, es decir, una vez
fijados los puntos de consiga del TC-1 y del FC-1 el resto de variables quedan totalmente
fijadas. Podemos extraer una conclusin interesante, por cada controlador que incluimos en
el proceso se pierde un grado de libertad.

Variables del sistema :
qf, qc, Tf, Tc, q, t
Ecuaciones
Tf = cte.
Tc = cte.
q = qf +qc
T = 1/q (qf * Tf +qc * Tc)
qc =F(q)
qf(t), Tf(t)
FT
1
FC
1
TT
1
SP
qc(t), Tc(t)
q(t), T(t)
Variables del sistema :
qf, qc, Tf, Tc, q, t
Ecuaciones
Tf = cte.
Tc = cte.
q = qf +qc
T = 1/q (qf * Tf +qc * Tc)
qc =F(q)
qf(t), Tf(t)
FT
1
FT
1
FC
1
FC
1
TT
1
TT
1
SP
qc(t), Tc(t)
q(t), T(t)

Figura 3-3 Grados de libertad (1 grado )




Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 13

qf(t), Tf(t)
TC
1
FT
1
FC
1
TT
1
SP SP
qc(t), Tc(t)
q(t), T(t)
Variables del sistema :
qf, qc, Tf, Tc, q, t
Ecuaciones
Tf = cte.
Tc = cte.
q = qf +qc
T = 1/q (qf * Tf +qc * Tc)
qc =F(q)
qf = F(T)
qf(t), Tf(t)
TC
1
TC
1
FT
1
FT
1
FC
1
FC
1
TT
1
TT
1
SP SP
qc(t), Tc(t)
q(t), T(t)
Variables del sistema :
qf, qc, Tf, Tc, q, t
Ecuaciones
Tf = cte.
Tc = cte.
q = qf +qc
T = 1/q (qf * Tf +qc * Tc)
qc =F(q)
qf = F(T)

Figura 3-4 Grados de libertad (0 grados )

Hemos visto el mtodo ortodoxo de clculo de grados de libertad, si bien es un ejercicio
interesante, hay una solucin ms fcil que consiste en simplemente sumar el nmero total de
vlvulas de control situadas racionalmente. La calificacin de racionalmente situadas es
para destacar que, por ejemplo, debemos evitar poner dos vlvulas de control en serie en la
misma tubera porque no se podran considerar controladores independientes.

Volviendo al mundo del control de procesos, podemos reescribir la ecuacin de los grados de
libertad como:

gl = n MVs disponibles- n CVs a controlar en un valor fijo (SP)

Por nmero de MVs disponibles entendemos aquellas variables manipuladas que pueden
moverse libremente. Cuando un lazo de control se pone en MANUAL el controlador pierde
un grado de libertad (y lo gana el operador de panel). Cuando una vlvula abre o cierra
completamente, el controlador pierde un grado de libertad.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 14

B
B
X
DEPSITO DE
REFLUJ O
F
CONDENSADOR
L
D X
D
DESTILADO
REFLUJ O
R
E
B
O
I
L
E
R
FLUDO
CALEFACTOR
1
2
3
F
X

Figura 3-5 Grados de libertad en una Columna de Destilacin

En el contexto del control de procesos, vamos a ver la definicin de grados de libertad para
una columna de destilacin. En la Figura 3-5 vemos que hay cinco vlvulas de control, una en
cada una de las siguientes corrientes: destilado, reflujo, refrigerante, fondo y calentamiento
del fondo. Estamos asumiendo en este momento que la corriente de alimentacin est
impuesta por la unidad aguas arriba.

As, esta columna tiene cinco grados de libertad. Pero el balance de materia debe estar
siempre controlado. Los lazos del inventario afectan a niveles de lquido y a presiones. En la
columna de destilacin del ejemplo, esto significa que el nivel del lquido en el acumulador
de cabeza, el nivel del lquido en la base de la columna, y la presin en la columna deben
controlarse. Cuando decimos que la presin est controlada, no queremos indicar
necesariamente que se mantiene constante. Si la minimizamos estamos controlndola.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 15

Si restamos las 3 variables que debemos controlar de las 5 que tenemos, nos quedamos con 2
grados de libertad. As, hay dos y slo dos variables adicionales que pueden ser controladas
en la columna de destilacin.

Hay que hacer notar que no hemos hecho ninguna suposicin sobre el nmero o tipo de
componentes qumicos que se est separando. As un sistema binario simple e ideal tiene dos
grados de libertad; un sistema de destilacin complejo, multi-componente y no ideal, tiene
tambin dos grados de libertad.

Las dos variables que se han elegido para ser controladas dependen de muchos factores.
Algunas situaciones comunes son:

1. Controlar la composicin de las impurezas de ligeros en el producto de fondo y la
composicin de impurezas de pesados en el destilado.
2. Controlar una temperatura en la zona de rectificacin de una columna y otra
temperatura en la zona de stripping de la columna.
3. Controlar el caudal de reflujo y la temperatura en algn sitio de la columna.
4. Controlar el caudal de vapor del reboiler y la temperatura cerca de la cabeza de la
columna.
5. Controlar la relacin de reflujo (relacin entre caudal de reflujo y caudal de
destilado) y una temperatura de la columna.

Estos ejemplos ilustran que (a) slo se pueden controlar dos cosas y (b) normalmente se
controla al menos una composicin (o temperatura) en algn lugar de la columna. Una vez
especificadas las cinco variables a ser controladas (por ejemplo, dos temperaturas, dos
niveles, y la presin), tenemos el problema de decidir qu variable manipulada vamos a usar
para controlar qu variable controlada. Este problema de emparejamiento se llama determinar
la estructura del sistema de control.

Con la redefinicin de grados de libertad que hemos dado, nos podemos encontrar en tres
situaciones respecto a los grados de libertad del controlador a la hora de controlar un proceso:

Un proceso cuadrado, es decir un proceso en el que no hay grados de libertad porque
el n de MVs disponibles es igual al n de CVs que se quieren controlar en un valor
determinado. En la mayora de las columnas de destilacin binarias que trabajan a
presin fija, si se quiere controlar las calidades de cabeza y fondo a un punto de
consigna, los caudales de reflujo y calor al reboiler quedan determinados unvocamente.
El proceso slo tiene un punto de operacin. No tiene ningn grado de libertad.
Un proceso estrecho en el que el n de CVs que se quiere controlar estrechamente
es superior al n de MVs disponibles. El nmero de grados de libertad es negativo. Si
fuera posible, es lo que nos gustara a todos, ser capaces de controlar todo el proceso
con una sola variable. Al controlador se le pide ms de lo que puede dar y no ser capaz


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 16

de satisfacer todas las peticiones. Si llegamos a este caso tendremos que definir unas
prioridades; puesto que no es posible satisfacer simultneamente todas las
especificaciones es preciso decirle al controlador cules consideramos de mayor
importancia y qu especificaciones deben sacrificarse.

Un proceso amplio en el que existen ms MVs disponibles que CVs que quieran
controlarse a punto de consigna. En este caso la ventana de operacin es muy amplia, es
decir, se puede operar de muchas maneras distintas y todas cumplen con las
especificaciones requeridas. El proceso tiene grados de libertad positivos. El
controlador tiene muchas posibilidades pero se le pide muy poco. En este caso hay que
decirle al controlador cul es el criterio para discriminar entre los distintos puntos de
operacin. Este criterio normalmente ser econmico: de todas las operaciones posibles
que aseguran la calidad de los productos, operar en el punto en que se consiga un
mximo beneficio o un coste mnimo.

El nmero de grados de libertad de un controlador no es algo inherente al proceso, depende de
lo que se le pida y cmo se le pida. Si queremos controlar una variable en un valor fijo esto le
cuesta al controlador un grado de libertad. Si en vez de un punto determinado especificamos
un rango, el controlador tiene una cierta libertad. Si este rango es muy estrecho habremos
ganado poco. Las limitaciones tambin pueden ponerse en las variables manipuladas. Si el
rango en que se permite mover una variable manipulada es muy estrecho estaremos
restringiendo al controlador. Ms adelante volveremos sobre la importancia de los grados de
libertad.(ver Figura 3-6).

CVs
MVs
MVs
MVs
CVs CVs
Proceso estrecho
CVs >MVs
grados de libertad <0
Proceso cuadrado
CVs =MVs
grados de libertad =0
Proceso amplio
CVs <MVs
Grados de libertad >0
La estructura del proceso determina los grados de libertad disponibles
para el controlador.

Figura 3-6 Grados de Libertad de un Proceso.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 17


4. PROCESOS MULTIVARIABLES

En un proceso multivariable el problema con que nos encontramos no es el nmero de
variables que contemplamos, sino la interaccin que se da entre dichas variables. Los
procesos de refino son altamente interactivos, lo cual significa que cada variable manipulada
afecta a muchas variables controladas y cada variable controlada est afectada por muchas
variables manipuladas. En general vamos a definir un proceso multivariable como aquel en
el que existen variables dependientes e independientes que interactan entre s.

Una columna de destilacin binaria es un buen ejemplo de proceso multivariable. Qu
variables podramos considerar dependientes o controladas? La calidad del producto de
cabeza, la calidad del producto de fondo (ya estn ambas medidas mediante analizador o se
utilice alguna temperatura como indicacin de calidad), el nivel del acumulador de cabeza, el
nivel en el fondo de la columna, la prdida de carga a travs de columna (medida como
diferencia de presin entre la cabeza y el fondo), etc. Qu variables podramos considerar
manipuladas? El caudal de destilado, el caudal de reflujo, la presin a la que trabaja la
columna, el caudal de producto de fondo y el aporte de calor al reboiler. El caudal de carga y
la temperatura de carga podran considerarse variables de perturbacin.

Veamos por qu este proceso es multivariable. Elijamos una variable manipulada, por
ejemplo el reflujo, y veamos qu efecto tiene un aumento de reflujo en las variables que
hemos definido como controladas, cuando las restantes variables manipuladas se mantienen
constantes.

- La calidad del producto de cabeza mejora (mayor pureza)
- La calidad del producto de fondo empeora (mayor impureza)
- La prdida de carga a travs de la columna aumenta
- El nivel del acumulador de cabeza disminuye
- El nivel en el fondo de la columna aumenta

Esto se muestra grficamente en la Figura 4-1.








Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 18




SI EL
REFLUJ O
AUMENTA
D
V
CALIDAD PRODUCTO CABEZA
PRDIDA DE CARGA
CALIDAD PRODUCTO DE FONDO
NIVEL DEL
FONDO
NIVEL DEL ACUMULADOR
L

Figura 4-1 Influencia de un aumento de reflujo en las variables controladas.

Del mismo modo, si elegimos una variable controlada, por ejemplo la calidad del producto de
cabeza, vemos que mejora cuando:

- Aumenta el caudal de reflujo
- Disminuye el aporte de calor al reboiler
- Aumenta la presin de trabajo

Vemos que cada variable manipulada afecta a varias controladas y cada variable controlada
est afectada por varias variables manipuladas. Si simplificamos el problema y controlamos el
nivel del acumulador de cabeza con el caudal de destilado y el nivel del fondo con el caudal
de producto de fondo, an nos quedan dos calidades que controlar con el caudal de reflujo y
el aporte de calor al reboiler.

La solucin tradicional sera poner el control de calidad de cabeza sobre el reflujo y el control
de calidad de fondo sobre el aporte de calor al reboiler. Si recordamos cmo funciona un lazo
de control bsico, ante un empeoramiento de la calidad de cabeza el reflujo aumentar, pero
un aumento del reflujo hemos visto que lleva aparejado un empeoramiento de la calidad de
fondo, por lo que el controlador del calidad de fondo responder aumentando el aporte de
calor. Este aporte de calor mejora la calidad del producto de fondo, pero lleva aparejado un
empeoramiento de la calidad del producto de cabeza. La Figura 4-2 muestra este proceso.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 19

ALIMENTACIN
PDI
TI
FI
AI
VAP 50#
FC
CONDEN
SADO
SP
FC
SP
AI
AI

Figura 4-2 Control de una Columna Binaria

Este ciclo es lo que denominamos acoplamiento y existen tcnicas destinadas a atenuar su
efecto, pero nunca pueden eliminarlo. El problema del acoplamiento es que existen dos lazos
de control que tiene objetivos que entran en competencia, pero al no existir una estrategia de
control nica, los dos lazos de control estn luchando de manera permanente sin que
ninguno de ellos tenga conocimiento de lo que est haciendo el otro. Podemos decir que el
control de un proceso multivariable mediante un conjunto de lazos bsicos (PID) siempre ser
defectuoso puesto que ningn controlador sabe de los restantes controladores.

La caracterstica fundamental del control multivariable es que es capaz de ver el proceso en su
conjunto y establecer una estrategia nica sin que existan objetivos que entren en
competencia, puesto que el controlador ve todos los objetivos simultneamente y es fcil
especificar las prioridades en el caso de que no todos los objetivos se puedan satisfacer. Este
cambio en la estrategia de control queda representado en la Figura 4-3.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 20

ALIMENTACIN
PDI
FI
AI
FC
VAP 50#
FC
CONDENSADO
SP
CONTROLADOR
DMC
TI
AI
AI
SP
LISTA DE VARIABLES
INDEPENDIENTES
CONTROLADAS
DV1 Temperatura de
Alimentacin
DV2 Caudal Alimentacin
DV3 Composicin Alimentacin
CV1 Composicin Cabeza
CV2 Composicin Fondo
CV3 Presin Diferencial Torre
MV1 Caudal Extraccin Cabeza
MV2 Caudal Vapor Hervidor

Figura 4-3 Control de una Columna Binaria con DMC

Resumiendo, en cualquier unidad de proceso los lazos de control interaccionan unos con
otros. Esta interaccin se denomina acoplamiento. Pues bien, el control multivariable es el
control simultneo y coordinado de varias variables acopladas. Esto significa que un
controlador multivariable mover de manera simultnea todas las variables manipuladas para
controlar todas las variables controladas.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 21

5. MODELO DINMICO DE UN PROCESO

Dnde est la magia del control multivariable? Cmo es posible manipular
simultneamente todas las variables manipuladas para mantener en los puntos de consigna o
en sus rangos a las variables controladas? Cmo sabe el controlador el efecto de cada
variable manipulada en cada variable controlada ?

La respuesta est en el modelo. Un controlador multivariable dispone de un modelo del
proceso que va a controlar.

mv
tiempo
cv
tiempo
Modelo
cv
m
tiempo
mv
tiempo
cv
tiempo
Modelo
cv
m
tiempo

Figura 5-1 Concepto de Modelo
Vagamente podramos decir que un modelo es una herramienta que nos permite responder
cuestiones referentes a un sistema sin tener que experimentar con dicho sistema. La Figura 5-1
muestra este concepto, pretendemos hacer un cambio en alguna variable independiente (mv)
del proceso y observar la evolucin en el tiempo de alguna variable dependiente (cv). Sera
interesante diponer de algn medio, modelo, al cual si le aplicamos la misma variacin (mv)
se obtenga una evolucin (cv
m
) que sea lo ms parecida posible a (cv).

En la vida normal utilizamos modelos de manera continua. Por ejemplo, al decir que una
persona es amable estamos utilizando un modelo de comportamiento. Este modelo nos
ayuda responder a la cuestin de cmo reaccionar dicha persona si le solicitamos un favor.
Tambin utilizamos modelos para sistemas mecnicos basados en la intuicin y la
experiencia. El aprendizaje de cmo conducir un coche consiste, en parte, en desarrollar un
modelo mental de las propiedades de conduccin del coche. La idea que tiene un operador
sobre cmo reaccionar el proceso frente a diferentes actuaciones es tambin un modelo
mental desarrollado mediante formacin y adquisicin de experiencia.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 22

Otro tipo de modelo seran los modelos verbales donde el comportamiento de un sistema bajo
diferentes condiciones se describe mediante palabras: si los tipos de inters aumentan,
tambin aumentar el paro. Los sistemas expertos son ejemplos de modelos verbales
formalizados. No es lo mismo el modelo mental que el modelo verbal. Cuando montamos en
bicicleta estamos utilizando un modelo mental de la dinmica de la bici, pero nos sera muy
complicado convertir dicho modelo en un modelo verbal.

Existen modelos fsicos que tratan de imitar al sistema a estudiar, como la maqueta que utiliza
un arquitecto para analizar la esttica del edificio que est proyectando.

Pero los modelos de los que vamos a hablar en esta seccin, los modelos de los que hace uso
el controlador multivariable son de otro tipo; son modelos matemticos. Con esto queremos
decir que las relaciones entre las distintas variables (caudales, temperaturas, presiones,
composiciones, etc) que podemos observar en el sistema (el proceso) son descritas como
relaciones matemticas en el modelo.

A
d h
d t
q k h =
h k q
o
=
Model o estti co:
Relaciona las variables en un
estado de equilibrio
Model o di nmi co:
Relaciona las variables a
lo largo del tiempo
q
h
q
o

Figura 5-2 Modelos estticos y dinmicos
Una primera clasificacin de modelos matemticos divide a los modelos en estticos y
dinmicos. Los primeros solo tienen en cuenta las variables de proceso en un punto
estacionario e independiente del tiempo, los dinmicos complementan al modelo esttico en
que son capaces de relacionar las variables del proceso en rgimen dinmico, es decir, su
evolucin a lo largo del tiempo. La Figura 5-2 muestra un proceso sencillo en el que se
pretende modelar el caudal de salida de un tanque, se puede observar que el modelo esttico
se compone de una ecuacin algebraica mientras que el dinmico necesita de una ecuacin
diferencial.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 23

En realidad cualquier modelo a partir del cual se puedan calcular predicciones puede
utilizarse para CPBM ( continuo o discreto, funcin de transferencia, espacio de estados o
convolucin, lineal o no lineal incluso modelos basados en reglas, modelos basados en redes
neuronales). La tecnologa CPBM est abierta a futuras extensiones y a otros campos de
investigacin. Actualmente los modelos ms utilizados son:

5.1. Modelo de respuesta impulsional (FIR)

Es el utilizado en el algoritmo IDCOM de Setpoint, tambin denominado modelo de
convolucin. La respuesta del sistema en el instante actual es el resultado de la secuencia de
entradas pasadas. El estado actual del sistema slo se debe a las variaciones que haya habido
en el pasado en las entradas (variables independientes).

y (t) = h u t j h u t j H q u t
j
j
j
j
n
=


=
1 1
1
( ) ( ) ( ) ( )

donde los h
j
son los coeficientes de la respuesta impulsional y donde:

H(q
-1
) =h
1
q
-1
+h
2
q
-2
+... +h
n
q
-n


Claramente debe truncarse despus de un punto n, a partir del cual el sistema se considera
estable. Utilizando este modelo la prediccin puede escribirse como:

y(t+k/t) = h u t k j t H q u t k t
j
j
n
=

+ = +
1
1
( / ) ( ) ( / )

Hay que hacer notar que : u(t+k/t) =u(t+k) para k<0

La ventaja del modelo FIR (Finite Impulse Response) es que no necesita ninguna informacin
a priori y puede describir cualquier dinmica por inusual que sea. Puesto que no hay trminos
recursivos, la prediccin es simple y menos sensible a errores del modelo. (Es sabido que la
recursin introduce grandes errores incluso cuando los parmetros del modelo recursivo son
ligeramente incorrectos).

La principal desventaja es que este modelo no puede aplicarse directamente a sistemas
inestables y que contiene un gran nmero de parmetros (n es generalmente del orden de 30 a
50).




Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 24

PROCESO
u(t)
1
y(t)
h1
h2
h3
h4
h5
MODELO RESPUESTA IMPULSIONAL

Figura 5-3 Modelo Respuesta Impulsional


5.2. Modelo de respuesta a salto

Es el modelo utilizado por el algoritmo DMC de Dynamic Matrix Control Corporation,
siendo este algoritmo el ms utilizado en nuestra compaa.

Si tras un salto en escaln de la variable manipulada, el sistema alcanza un valor estacionario
al cabo de n periodos de muestreo, tendremos:

y(t) =y
o
+ g u t k j t
j
j
n
=

+
1
( / ) =y
o
+G(q
-1
)(1-q
-1
)u(t)

donde g
j
son los coeficientes de la respuesta a salto y u(t) =u(t) - u(t-1). Adems y
o

representa el afecto acumulativo de los incrementos de control n periodos de muestreo antes
suponindose que la salida est asentada en un valor constante.

La prediccin de la respuesta del proceso se calcula como:

y(t+k/t) = g u t k j t
j
j
n
=

+
1
( / ) =G(q
-1
)(1-q
-1
)u(t+k/t)

Los coeficientes de la respuesta impulsional y la respuesta a salto estn relacionados:

g
j
= h
i
i
j
=

1
( j =1... n ; g
o
=0 ) y h
j
= g
j
- g
j-1
( j =1... n ; h
o
=0 )

El modelo de respuesta a salto tiene las mismas ventajas y desventajas que el modelo de
respuesta impulsional.




Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 25


PROCESO
u(t)
1
y(t)
g1
g2
g3
gn
MODELO RESPUESTA A SALTO
u(t)
y(t)

Figura 5-4 Modelo Respuesta Impulsional


5.3. Modelo Recursivo de Funcin de Transferencia

Es el modelo empleado por el algoritmo RMPCT de Honeywell. El proceso se describe
mediante una ecuacin en diferencias:

y(t) +a
1
y (t-1) +a
2
y (t-2) +... +a
na
y (t- na) =b
1
u (t-1) +b
2
u (t-2) +... +b
nb
u (t-nb)

o, de manera abreviada A(q
-1
) y (t) =B(q
-1
) u (t).

En este tipo de modelo, la respuesta actual del proceso no slo depende de los cambios
pasados en las entradas, sino tambin de las respuestas anteriores.

La prediccin de la respuesta del proceso se calcula como:

y (t+k/t) =
B q
A q
u t k t
( )
( )
( / )

+
1
1


La ventaja de este modelo es que puede utilizarse para procesos que no sean estables. El
nmero de parmetros que definen el modelo es mucho menor que en el caso de los modelos
FIR o respuesta a salto.

La desventaja es que hay que especificar el orden de n
a
y n
b
. Adems, como ya se ha
sealado anteriormente, su naturaleza recursiva hace mucho ms difcil la prediccin y tiene
una gran sensibilidad a los errores.

Los modelos de inters para el Control Multivariable relacionan varias variables
independientes con varias variables dependientes, esto hace que el modelo sea ms complejo
que el caso monovariable de una variable independiente con una variable dependiente.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 26


5.4. Definicin del Modelo Matricial

El control multivariable relaciona matemticamente el efecto en cada variable controlada
causado por un cambio en cada variable manipulada. A cada pareja variable
independiente/variable dependiente le vamos a denominar subproceso. El modelo del proceso
completo que utiliza el controlador, est compuesto por una matriz de modelos de los
subprocesos. Una matriz no es sino una manera de ordenar elementos en filas y columnas.
Cada elemento de la matriz que utiliza el controlador es un modelo de un subproceso que
describe como se manifiesta en el tiempo el efecto de una variable independiente (MV o DV)
sobre una CV.

En realidad el modelo del que estamos hablando no es ms que una secuencia de nmeros,
que indican los incrementos en el valor de la variable controlada, debidos a un incremento de
una unidad (en las unidades de ingeniera correspondientes) en una variable manipulada,
cuando todas las dems variables independientes permanecen constantes.

Mediante el uso de un ejemplo sencillo vamos a ilustrar este concepto. El sistema lo
constituye un horno de proceso, la variable controlada es la temperatura de salida del horno y
la variable que se manipula para conseguirlo es el caudal de combustible.

Si mantenemos el caudal de carga al horno y la temperatura de entrada al horno constantes y
aumentamos el caudal de combustible en una unidad ( 1 m
3
/h de fuel-oil), podramos obtener
una respuesta como la que se muestra en la Figura 5-5.

1
4
6
7 7
t0 1 2 3 4 5 6
1
CV
MV
300
302
304
306
308

Figura 5-5 Respuesta cuando aumenta el caudal de combustible.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 27

El modelo del subproceso caudal de combustible/temperatura de salida de horno podra estar
representado por la secuencia (1, 4 , 6 , 7 , 7 ). Esto es lo que se llama matemticamente un
vector. El primer elemento del vector ( el uno) representa el incremento en la temperatura al
cabo de un periodo de muestreo, que vamos a suponer de un minuto. El segundo elemento del
vector (el cuatro) representa el incremento de la temperatura al cabo de dos minutos.

Esto significa que cuando aumentamos el caudal de combustible en una unidad, la
temperatura de salida del horno aumenta un grado al cabo de un minuto, al cabo de dos
minutos aumenta cuatro grados, cuando han pasado tres minutos la temperatura ha
aumentado seis grados, a los cuatro minutos siete grados y en este valor queda estabilizada.
La informacin que nos da cada uno de estos modelos para cada subproceso es:

La ganancia en estado estacionario (CV/MV) , es decir, en qu valor se va a estabilizar
el incremento. En el caso que estamos analizando, la ganancia del subproceso es 7, que
significa que al aumentar una unidad el caudal de combustible, la temperatura de salida va
a aumentar 7 grados.

El tiempo de estabilizacin o tiempo que tarda en llegar al estado estacionario. En el caso
estudiado es de cinco minutos. En realidad no hemos especificado si el perodo de
muestreo es de minutos, segundos u horas. De la grfica que mostramos en la Figura 5-5
slo podemos deducir que el tiempo de estabilizacin son cinco perodos de muestreo, pero
vamos a suponer que dicho periodo de muestreo es de un minuto (cada minuto tenemos
una nueva lectura del valor de las variables).

La dinmica del subproceso, es decir, cmo evoluciona la variable controlada hasta que
llega al estado estacionario. Si el subproceso tiene tiempo muerto (tiempo muerto es el
tiempo que transcurre desde que se ha movido la variable manipulada, hasta que empieza a
moverse la controlada), este aparecer como ceros iniciales en la secuencia. Por ejemplo
un subproceso que se represente por la secuencia (0,0,0,0,1,3,5,6,7,8,8,8) tiene un tiempo
muerto de cuatro minutos, una ganancia de ocho y un tiempo de estabilizacin de diez
minutos. Ver la Figura 5-6.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 28

1
2
3
4
5
6
7
8
t0 t1 t2 t3 t4 t5 t6 t7 t8 t9 t10 t11
1
Tiempo
muerto
Tiempo de estabilizacin
G
A
N
A
N
C
I
A
CV
MV

Figura 5-6 Informacin de los modelos.

En los controladores reales, estos vectores tienen del orden de 100 elementos, y cuando se
representan grficamente (ver Figura 5-7), adquieren la apariencia de curvas continuas como la
siguiente, donde el cambio en la MV es siempre de una unidad:

Respuesta escaln
de CV1 vs MV1
0
0.1
0.2
-0.1
-0.2
Ganancia: 0.17
90 min

Figura 5-7 Respuesta escaln.
Ahora ya sabemos que cada una de dichas curvas representa el modelo matemtico del
subproceso que liga una MV/DV con una CV. El proceso completo estar representado por
una matriz de subprocesos, en donde las filas corresponden a las variables independientes
(MVs y DVs) y las columnas corresponden a las variables dependientes (CVs).
As, la matriz dinmica de un sistema con tres variables independientes (2 MVs y una DV) y
dos variables dependientes podra tener el siguiente aspecto:



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 29

CV1 CV2
MV1
MV2
DV1
ganancia =1
ganancia =0.3
ganancia =-2
ganancia =-1.3
ganancia =0.1
90 min

Figura 5-8 Matriz dinmica de un sistema con 3 INDS y 2 variables dependientes.

En este proceso imaginario, la variable MV1 slo tiene efecto sobre la variable controlada
CV1 y no afecta a la CV2. La variable MV2 tiene efectos en CV1 y CV2, y en caso de CV1
tiene lo que se denomina respuesta inversa, esto es, al aumentar MV2 en un primer momento
CV1 disminuye, para luego aumentar, siendo el efecto total un aumento en CV1 de 0.3
unidades al aumentar MV2 en una unidad. La variable de perturbacin DV1 afecta tambin a
las dos variables controladas. En el caso de la variable CV2, vemos que el efecto de DV1 es
slo dinmico porque cuando se llega al estado estacionario el valor de CV2 slo ha
aumentado en 0.1 unidades.

5.5. Uso del Modelo Matricial

Una vez que sabemos de qu tipo es el modelo que utiliza el controlador vamos a ver cmo y
para qu utiliza el controlador multivariable estos modelos.

A partir del modelo el controlador es capaz de predecir el comportamiento futuro de las
variables controladas. Para poder realizar esta prediccin suponemos que el proceso es
lineal, y que los efectos de las distintas variables independientes se pueden superponer. Esta
suposicin se fundamenta en el principio de linealidad y superposicin que se explica a
continuacin.
5.5.1. Principio de Linealidad y Superposicin
Qu quiere decir que el proceso es lineal? Si volvemos al ejemplo del caudal de combustible
y la temperatura de salida del horno tendramos
1
:



1
Se aplica la convencin CV
N
=CV en el periodo de muestreo nmero N.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 30

2
4
6
8
1
4
6
7 7
t0
La respuesta a un cambio de 1 unidad en la MV
CV
1
- CV
0
=1 * (variacin de MV en t
0
=1)
CV
2
- CV
0
=4 * (variacin de MV en t
0
=1)
CV
3
- CV
0
=6 * (variacin de MV en t
0
=1)
CV
4
- CV
0
=7 * (variacin de MV en t
0
=1)
CV
5
- CV
0
=7 * (variacin de MV en t
0
=1)
CV
6
- CV
0
=7 * (variacin de MV en t
0
=1)
CV
7
- CV
0
= 7 * (variacin de MV en t
0
=1)
1 2 3 4 5 6

Figura 5-9 Respuesta del horno a un cambio de una unidad en la MV.

Si en vez de realizar un incremento de una unidad en el caudal de combustible, hacemos un
incremento de tres unidades, si el proceso es lineal obtendremos:





Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 31

3
12
18
21 21
t0
La respuesta a un cambio de 3 unidades en la MV
1 2 3 4 5 6
MV
3
CV
CV
1
- CV
0
=1 * (variacin de MV en t
0
=3) =3
CV
2
- CV
0
=4 * (variacin de MV en t
0
=3) =12
CV
3
- CV
0
=6 * (variacin de MV en t
0
=3) =18
CV
4
- CV
0
=7 * (variacin de MV en t
0
=3) =21
CV
5
- CV
0
=7 * (variacin de MV en t
0
=3) =21
CV
6
- CV
0
=7 * (variacin de MV en t
0
=3) =21

Figura 5-10 Respuesta a un cambio de tres unidades en la MV.

Si en vez de aumentar la variable manipulada, lo que hacemos es disminuir su valor en dos
unidades, o lo que es lo mismo, practicar un incremento negativo de dos unidades, la
respuesta del proceso lineal sera:





Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 32

-2
-8
-12
-14 -14
t0
La respuesta a un cambio de -2 unidades en la MV
1 2 3 4 5 6
MV
-2
CV
CV
1
- CV
0
=1 * (variacin de MV en t
0
=-2) =-2
CV
2
- CV
0
=4 * (variacin de MV en t
0
=-2) =-8
CV
3
- CV
0
=6 * (variacin de MV en t
0
=-2) =-12
CV
4
- CV
0
=7 * (variacin de MV en t
0
=-2) =-14
CV
5
- CV
0
=7 * (variacin de MV en t
0
=-2) =-14
CV
6
- CV
0
=7 * (variacin de MV en t
0
=-2) =-14

Figura 5-11 Respuesta a un cambio de una dos unidades negativas en la MV.

Si el proceso es lineal, tambin podemos aplicar el principio de superposicin, que significa
que para saber el efecto de los distintos incrementos aplicados en el tiempo a la variable
manipulada slo tenemos que sumar los efectos de cada incremento por separado.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 33

1
4
6
7 7
0
5
10
-5
-10
-2
-8
-12
-14 -14
4
-1
-5
-7 -7
CV
1
0
-2
MV
CV
7
- CV
0
=7 *(1) +7*(0) +7*(-2) =-7
CV
6
- CV
0
=7 *(1) +7*(0) +7*(-2) =-7
CV
5
- CV
0
=7 *(1) +7*(0) +6*(-2) =-5
CV
4
- CV
0
=7 *(1) +6*(0) +4*(-2) =-1
CV
3
- CV
0
=6 *(1) +4*(0) +1*(-2) =4
CV
2
- CV
0
=4 *(1) +1*(0) =4
CV
1
- CV
0
=1 *(1) =1

Figura 5-12 Linealidad y superposicin.

El conjunto de ecuaciones anteriores se puede sustituir por una forma ms genrica, en la que
I
N
representa el valor de la entrada en el instante N. De esta forma se obtienen las ecuaciones
siguientes:

CV
1
-CV
0
= 1*(I
1
-I
0
) = 1
CV
2
-CV
0
= 4*(I
1
-I
0
) + 1*(I
2
-I
1
) = 4
CV
3
-CV
0
= 6*(I
1
-I
0
) + 4*(I
2
-I
1
) + 1*(I
3
-I
2
) = 4
CV
4
-CV
0
= 7*(I
1
-I
0
) + 6*(I
2
-I
1
) + 4*(I
3
-I
2
) = -1
CV
5
-CV
0
= 7*(I
1
-I
0
) + 7*(I
2
-I
1
) + 6*(I
3
-I
2
) = -5
CV
6
-CV
0
= 7*(I
1
-I
0
) + 7*(I
2
-I
1
) + 7*(I
3
-I
2
) = -7
CV
7
-CV
0
= 7*(I
1
-I
0
) + 7*(I
2
-I
1
) + 7*(I
3
-I
2
) = -7



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 34

Sustituyendo CV
N
-CV
0
por CV
N
y I
N
-I
N-1
por I
N-1
, se obtiene (obsrvese que denota
variaciones con respecto al instate N=0, mientras que se refiere a variaciones con respecto
al instante anterior) :

CV
1
= 1*(
0
) = 1
CV
2
= 4*(
0
) + 1*(
1
) = 4
CV
3
= 6*(
0
) + 4*(
1
) + 1*(
2
) = 4
CV
4
= 7*(
0
) + 6*(
1
) + 4*(
2
) = -1
CV
5
= 7*(
0
) + 7*(
1
) + 6*(
2
) = -5
CV
6
= 7*(
0
) + 7*(
1
) + 7*(
2
) = -7
CV
7
= 7*(
0
) + 7*(
1
) + 7*(
2
) = -7

Escribiendo estas ecuaciones en forma de producto matricial se obtiene :

CV
CV
CV
CV
CV
CV
CV
I
I
I
1
2
3
4
5
6
7
0
1
2
1 0 0
4 1 0
6 4 1
7 6 4
7 7 6
7 7 7
7 7 7
1
4
4
1
5
7
7


Esta relacin escrita en notacin matricial se expresa de la siguiente forma :
A * i = cv (prediccin)
siendo :
A Matriz dinmica
i Vector columna de los valores de entrada o variable manipulada (MV)
cv Vector columna Prediccin de los valores de salida o variable controlada (CV)

En el ejemplo anterior se ha hecho una prediccin a lo largo de 7 intervalos de tiempo para un
proceso de una entrada / una salida (SISO), que se estabiliza en cinco intervalos de tiempo
mostrando el efecto de 3 movimientos en la variable manipulada. Los movimientos son : +1
(t
1
), 0 (t
2
), -2 (t
3
). Sustituyendo I
N
por los valores usados anteriormente resulta :


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 35

CV
CV
CV
CV
CV
CV
CV
1
2
3
4
5
6
7
1 0 0
4 1 0
6 4 1
7 6 4
7 7 6
7 7 7
7 7 7
1
0
2
1
4
4
1
5
7
7


5.5.2. Extensin del Modelo Matricial a un Proceso Multivariable

La estructura del Modelo Matricial anterior se puede extender fcilmente a procesos con
mltiples entradas y mltiples salidas (MIMO). Supongamos que tenemos un proceso como el
de la Figura 5-8, en el que hay tres entradas (2 MVs, 1DV) y dos salidas (2 CVs).
Supongamos tambin que el proceso se estabiliza en cinco intervalos de tiempo y
consideremos el efecto de dos movimientos en las variable manipuladas y variable de
perturbacin. El modelo que representa este proceso tiene la siguiente forma matricial :
A * mv = cv
a b c
a a b b c c
a a b b c c
a a b b c c
a a b b c c
a a b b c c
d e f
d d e e f f
d d e e f f
d d e e f f
d d e e f f
d d e e f f
1 1 1
2 1 2 1 2 1
3 2 3 2 3 2
4 3 4 3 4 3
5 4 5 4 5 4
5 5 5 5 5 5
1 1 1
2 1 2 1 2 1
3 2 3 2 3 2
4 3 4 3 4 3
5 4 5 4 5 4
5 5 5 5 5 5
0 0 0
0 0 0

MV
MV
MV
MV
DV
DV
CV
CV
CV
CV
CV
CV
CV
CV
CV
CV
CV
CV
1
1
2
2
1
1
1
1
1
1
1
1
2
2
2
2
2
2
0
1
0
1
0
1
1
2
3
4
5
6
1
2
3
4
5
6



donde :
A Matriz dinmica de coeficientes
mv Variacin de las variables de entrada
cv Prediccin de la variacin de las variables de salida
a
N
coeficientes que relacionan MV1 con CV1
b
N
coeficientes que relacionan MV2 con CV1
c
N
coeficientes que relacionan DV1 con CV1
d
N
coeficientes que relacionan MV1 con CV2


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 36

e
N
coeficientes que relacionan MV2 con CV2
f
N
coeficientes que relacionan DV1 con CV2

Este tipo de modelo se denomina habitualmete Modelo de Convolucin Discreta.
5.5.3. Formas de Utilizacin del Modelo Matricial

As pues, si disponemos de un modelo del proceso, es posible conocer la evolucin de las
variables controladas, si sabemos cmo se han movido las variables manipuladas. Esto
permite predecir el comportamiento de las variables controladas basndonos en la
historia pasada de las variables manipuladas. Si en el momento actual (t
0
) conocemos las
variaciones pasadas de las variables manipuladas, (el pasado de las MVs), podemos predecir,
segn nuestro modelo, el comportamiento futuro de las variables controladas, suponiendo que
las variables manipuladas se mantenienen en el mismo valor actual (que los incrementos
futuros son cero). Esto es lo que se denomina respuesta libre del sistema, es decir, hacia
donde evolucionar el sistema (las variables controladas) a partir del instante actual, si no se
toma ninguna accin de control.


MV
Pasado Futuro
CV
Momento actual
valor predicho
de CV

Figura 5-13 Evolucin de la variable controlada.

Por otra parte, la existencia de un modelo que relaciona las variaciones en las variables
manipuladas con los efectos en las variables controladas, nos permite conocer cul ser el
resultado de una estrategia de control determinada. Si en el momento actual (t
0
)
postulamos unas acciones de control futuras (movimientos de las variables manipuladas en el
futuro), podemos saber qu efecto van a tener dichas acciones de control. Esto es lo que se
denomina respuesta forzada del sistema, puesto que es debida a las acciones de control que se
tomen a partir del instante actual.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 37

Futuro
CV
MV
t =0

Figura 5-14 Respuesta Forzada del Sistema.

La prediccin de la respuesta del sistema, es decir, de la evolucin de la variable controlada a
partir del instante actual (t
0
), tiene dos componentes: una que depende de los movimientos de
las variables manipuladas en el pasado, y otra que depende de los movimientos de las
variables manipuladas en el futuro. La prediccin de respuesta del sistema es la suma de
estas dos componentes.
Muy esquemticamente podemos decir que en cada ejecucin, el controlador:
Basndose en la historia de las variables manipuladas, (cmo se han movido en las
ejecuciones anteriores) y en el modelo dinmico que pose, predice cul va a ser la
evolucin de las variables controladas si no se toman acciones de control. Dicho de
otro modo, qu va a pasar si no hacemos nada (si no se toca ninguna variable
manipulada).
Si existe un punto de consigna, o un valor deseado de las variables controladas,
calcula las acciones de control (movimientos en las variables manipuladas) necesarias
para acercarse lo ms posible a dichos valores deseados. Dicho de otro modo, qu
tenemos que mover para llegar a donde queremos ir.

Tenemos tres elementos con los que trabajar: las variables controladas, las variables
manipuladas y el modelo que describe matemticamente el efecto de las variables
manipuladas sobre las variables controladas. Hemos visto dos operaciones posibles:
HISTORIA
VARIABLES
MANIPULADAS
MODELO
PREDICCION
VARIABLES
CONTROLADAS
PREDICCION

Figura 5-15 Prediccin.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 38

OBJ ETIVOS
VARIABLES
CONTROLADAS
MODELO
MOVIMIENTOS
VARIABLES
MANIPULADAS
CONTROL

Figura 5-16 Control.

5.6. Proceso de Obtencin del Modelo Matricial Dinmico

De lo visto hasta ahora, se deduce la importancia de la fidelidad del modelo que utilice el
controlador. Una diferencia esencial con el modo de trabajar del controlador multivariable es
que, a diferencia de los controladores convencionales PID, no responden a errores entre el
valor deseado (SP) y el valor real (CV), sino a diferencias entre el valor deseado y el valor
que predice el modelo. El controlador multivariable predictivo siempre trabaja mirando al
futuro y basa sus acciones de control en la prediccin de su modelo. Ms adelante veremos
que los valores reales y medidos de las variables controladas entran de alguna manera al
controlador, pero por el momento podemos decir que el controlador slo sabe del modelo de
proceso que tiene y que sus predicciones y sus estrategias de control slo sern aceptables si
dispone de un buen modelo.

La fase ms importante de un proyecto de control multivariable es, sin lugar a dudas, la
obtencin del modelo del proceso que se quiere controlar. A esto se le denomina
identificacin dinmica del sistema.

Uno de los factores claves en el rpido desarrollo y aceptacin del control multivariable es la
madurez a la que ha llegado la tecnologa de la identificacin dinmica. Hemos visto que el
modelo que utiliza el controlador es formalmente muy sencillo y no es sino un vector cuyos
elementos expresan los incrementos de la variable controlada en el tiempo cuando se hace un
incremento unitario en la variable manipulada y se mantiene el incremento indefinidamente.
A los elementos del vector se les denomina parmetros del modelo.

La identificacin dinmica consiste en: conocida la evolucin en el tiempo de las variables
controladas y las variables manipuladas, encontrar los parmetros del modelo que mejor son
capaces de expresar las variaciones de las variables controladas en funcin de las variaciones
de las variables manipuladas. Esto se muestra en la Figura 5-17.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 39

MODELO
HISTORIA
VARIABLES
CONTROLADAS
IDENTIFICACION
HISTORIA
VARIABLES
MANIPULADAS
IDENTIFICADOR

Figura 5-17 Identificacin.
A continuacin se presentan los principios bsicos matemticos necesarios para obtener el
modelo dinmico. Un conjunto de ecuaciones algebraicas lineales se puede representar por la
ecuacin matricial:
) 1 ( ) (
) 1 (
Nx nxN
nx
x A y =

donde n es el nmero de ecuaciones,N el nmero de incgnitas, siendo conocido y y la
matriz de coeficientes A. La solucin a este sistema cuando el nmero de ecuaciones es
mayor que el nmero de incgnitas se puede hallar mediante mnimos cuadrados.

Calculando el vector de residuos r :
r =Ax -y
y resolviendo :

=
n
i
i
c
r Min
1
2

resulta :
y A A A x
T T 1
) (

=

Aplicando este procedimiento al problema de la identificacin dinmica de un sistema lineal
con una entrada y una salida se puede obtener una expresin equivalente :

) 1 ( ) (
) 1 (
Nx nxN
nx
c MV pv =

donde :



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 40

=
n
pv
pv
pv
pv
pv
pv

.
.
4
3
2
1

=
N
c
c
c
c
c
c
.
.
4
3
2
1

=
+ ) 1 ( 1 ) 2 ( 1 ) 1 ( 1 1
12 13 14
11 12 13
11 12
11
. . .
. . . . .
. . . . .
0 .
0
0 0
0 . . . 0 0
N n n n n
mv mv mv mv
mv mv mv
mv mv mv
mv mv
mv
MV

donde :

pv : muestras diferenciales de la respuesta del sistema con respecto al valor inicial.
mv : muestras diferenciales de la excitacin al sistema con respecto al valor anterior.
c : coeficientes de la respuesta escaln.
n : nmero de muestras
N : nmero de coeficientes

Resolviendo por mnimos cuadrados obtenemos la expresin :

pv MV MV MV c
T T
=
1
) (

Este proceso de identificacin se realiza con ayuda de un software especfico de identificacin
dinmica que realiza de forma automatizada el proceso descrito anteriormente se trata de un
conjunto de programas, ms o menos fciles de usar, donde se alimenta la evolucin de las
variables controladas y las variables manipuladas y da como resultado el modelo del proceso.

Para la identificacin dinmica del modelo del proceso es necesario excitar a la planta de
manera que se pueda obtener la relacin entre las variables independientes ( que sern las
causas ) y las variables dependientes (que sern los efectos). Esta es la fase de Step-Test y ya
hemos visto que es la fase ms crtica de un proyecto de control multivariable.

Durante los step-test (pruebas en escaln en traduccin literal), cada variable manipulada se
mueve una media de 10 veces, normalmente sin que se mueva a la vez ninguna otra variable


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 41

manipulada, y se espera un tiempo del orden del tiempo de estabilizacin para realizar cada
nuevo movimiento. Dependiendo del tamao del controlador (del nmero de variables
manipuladas fundamentalmente), estas pruebas vienen a durar de una a tres semanas. Un
controlador con 5 variables manipuladas y un tiempo de estabilizacin de una hora necesitara
5 x 10 x 1 =50 horas de step-test como mnimo.

Puesto que cuesta mucho tiempo y esfuerzo la realizacin de estas pruebas, es prctica
habitual realizar una serie de pruebas preliminares que llamamos Pre-Step en que se mueven
slo una vez las variables manipuladas y sirven para tener una idea de los tiempos de
respuesta de las variables controladas y para conocer cualquier anomala en la planta antes de
la realizacin de los step-test.

Los datos correspondientes a los step-test son analizados estadsticamente y con ayuda de los
programas de identificacin se obtiene la matriz dinmica del proceso que constituye el
modelo que va a utilizar el controlador multivariable. Si la identificacin se ha llevado a cabo
correctamente, alimentando al modelo con los datos correspondientes a las variables
manipuladas en los step-test obtendremos predicciones de las variables controladas que sern
bastante aproximadas a los valores reales de dichas variables.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 42


6. CLCULO DE LA LEY DE CONTROL

En esta seccin se muestra cual es la filosofa general que usa un controlador multivariable
predictivo para calcular la ley de control, dicho de otra forma, que procedimiento se sigue
para calcular los movimientos de las variables manipuladas.

En la seccin anterior hemos visto que la prediccin de la variable controlada es la suma de la
respuesta libre del sistema (considerando MV del pasado) ms la respuesta forzada (
considerando los MV del futuro). Esto se representa en la Figura 6-1:

Prediccin en lazo abierto
Efectos de la accin de control
Respuesta global
lazo cerrado

Figura 6-1 Respuesta global del lazo cerrado

Una vez calculada la respuesta libre del sistema (en lazo abierto), la filosofa general del
control predictivo consiste en calcular un plan de movimientos futuros en las variables
manipuladas, que produzca un comportamiento del lazo cerrado tan prximo como sea
posible al comportamiento que deseamos, es decir al set point o punto de consigna.

La pregunta que hay que hacerse es :

qu curva debe sumarse a la prediccin en lazo abierto de tal forma que produzca una
respuesta del lazo cerrado lo ms cercana posible al punto de consigna ?

Si se pudiera calcular un plan de movimientos futuros tal, que el efecto de este plan fuera una
imagen especular sobre el punto de consigna de la prediccin en lazo abierto, entonces se
habr minimizado el error entre la CV real y el punto de consigna. Desde este punto de vista
la minimizacin del error se convierte en un problema de ajuste de curvas. Este concepto se
ilustra en la Figura 6-2.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 43

Punto de consigna
Prediccin lazo abierto
Imagen especular

Figura 6-2 Imagen especular de la prediccin en lazo abierto

Teniendo en cuenta que A*mv(pasados) predice los cambios en la CV y definiendo el error,
e como :

e=error en el tiempo =Setpoint - Prediccin lazo abierto (A*mv )(pasados)

en el problema de ajuste de curvas propuesto habr que elegir los parmetros de mv
(futuros) que hagan A*mv (futuros) tan prximo como sea posible ae, es decir se desea que
A*mv =e.

Para conseguir este objetivo hay que minimizar la diferencia residual entre el error y la
prediccin en lazo cerrado. Es decir, hay que minimizar r, siendo

r = ( A*mv -e ) (vector de errores residuales)

El mtodo tradicional para minimizar r consiste en minimizar la suma de los cuadrados de los
elementos de r. En otras palabras, aplicar mnimos cuadrados. Por ejemplo, si se desea
utilizar una prediccin de los prximos 9 periodos de muestreo para definir el vector de
errores e y se utilizan cuatro grados de libertad para minimizar este error, es decir, se usan
cuatro valores futuros de mv, la ecuacin a resolver ser :



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 44

r
r
r
r
r
r
r
r
r
a
a a
a a a
a a a a
a a a a
a a a a
a a a a
a a a a
a a a a
MV
MV
MV
MV
1
2
3
4
5
6
7
8
9
1
2 1
3 2 1
4 3 2 1
5 4 3 2
6 5 4 3
6 6 5 4
6 6 6 5
6 6 6 6
0
1
2
3

e
e
e
e
e
e
e
e
e
1
2
3
4
5
6
7
8
9


En esta ecuacin es muy importante darse cuenta que e es el vector de errores futuros,
calculado en base a las acciones de control del pasado (respuesta libre), A es la misma matriz
dinmica y que mv es el vector de los posibles movimientos futuros de la variable
manipulada.

Para minimizar r en funcin de mv hay que minimizar la suma del cuadrado de los
componentes de r. En notacin matricial esto se consigue minimizando r
T
* r.

[ ] r r r r r r r r r
r
r
r
r
r
r
r
r
r
r
i
i
i
1 2 3 4 5 6 7 8 9
1
2
3
4
5
6
7
8
9
2
1
9

=
=
=



Para minimizar
r
T
* r = (A mv -e)
T
* (A mv-e)

primero hay que derivar la funcin con respecto a mv y luego encontrar la raz del
polinomio resultante:

( )
( )
r r
mv
T

= 0



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 45

[ ]

(A mv - e) A mv - e)
mv
T

*(
( )
= 0

A
T
* (A mv -e) =0

A
T
A mv - A
T
e =0

A
T
A mv =A
T
e

Para resolver esta ecuacin previamente conviene comentar que A
T
A es una matriz cuadrada
y suele ser no-singular, por lo tanto se puede calcular su inversa (A
T
A)
-1
. Luego despejando
mv de la ecuacin anterior, resulta :

(A
T
A)
-1
A
T
A mv =(A
T
A)
-1
A
T
e

mv =(A
T
A)
-1
A
T
e

Es decir, para una matriz dinmica conocida A, y para un error calculado e, el vector mv
que minimiza el error a lo largo del horizonte de prediccin es :

mv =(A
T
A)
-1
A
T
e

El controlador [DMC] usa un horizonte de prediccin ajustable entre 8 y 14 movimientos
futuros de mv. Es decir, la anchura de la matriz A es entre 8 y 14.

6.1. Move Suppression Factors

La formulacin bsica del [DMC] calcula un plan de movimientos futuros para la variable
manipulada de forma que se minimice el error a lo largo del horizonte de prediccin. Esta
solucin, a pesar de ser la ms ptima para minimizar el error, puede ser demasiado agresiva
para un proceso real pudiendo provocar cambios muy fuertes de las variables manipuladas.
Cuando se controla un proceso real , normalmente se desea una accin del controlador que
sea ms suave, a pesar de perder capacidad de respuesta del controlador y a costa de sacrificar
el objetivo de minimizacin del error, este compromiso se puede visualizar grficamente en la
Figura 6-3.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 46

S
u
m
a

d
e
l

v
a
l
o
r

a
b
s
o
l
u
t
o

d
e
l

e
r
r
o
r
Suma del valor absoluto de los movimientos
Alto
Move
Suppression
Bajo
Move
Suppression

Figura 6-3 Move Suprresion: Compromiso

A un controlador multivariable predictivo se le puede aadir fcilmente un segundo objetivo
consistente en minimizar la magnitud de los movimientos de mv. Este objetivo entra en
conflicto con el de minimizar el error, pero es precisamente el algoritmo de mnimos
cuadrados el que se encarga de encontrar una solucin de compromiso entre los dos objetivos.

Para aadir el segundo objetivo vamos a usar un factor de peso configurable k, que intente
cumplir el objetivo :
k* MV
0
=0
k* MV
1
=0
k* MV
2
=0
k* MV
3
=0

aadiendo este objetivo al de minimizar el error A*mv =e, se obtiene la siguiente ecuacin
matricial :



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 47

k 0 0 0
0 k 0 0
0 0 k 0
0 0 0 k
A mv e
*
MV
0
MV
1
MV
2
MV
3
=
0
0
0
0
CV
1
Matriz
S
{
{
Minimiza
el
error
Minimiza
el tamao
del mov.

En la ecuacin anterior se observa que cuanto mayor sea k, ms importancia tiene en la
resolucin por mnimos cuadrados el que mv =0 y por tanto ms se alejar del objetivo de
minimizar el error. Es decir para mayores valores de k se obtiene una accin de control ms
suave. En procesos normales k vara entre 0.1 y 50 ( sin unidades).

En el controlador [DMC], la constante k se denomina Move Suppression Factor y tiene
que ser definida para cada variable manipulada. La matriz K se suele llamar Slack matrix
segn la nomenclatura anglosajona.

Esta filosofa se puede ampliar fcilmente para el caso multivariable. Para un caso de 2
variables manipuladas y 2 variables controladas, A*mv =e toma la siguiente forma :
k 0 0 0
0 k 0 0
0 0 k 0
0 0 0 k
*
MV1
0
MV1
1
MV1
2
MV1
3
=
0
0
0
0
CV
1
MV2
0
MV2
1
MV2
2
MV2
3
0
0
0
0
L 0 0 0
0 L 0 0
0 0 L 0
0 0 0 L
0
0
CV
2
E
1
E
2
A
11
A
12
A
21
A
22



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 48

donde :
A
11
Matriz dinmica de coeficientes que relaciona MV
1
con CV
1

A
12
Matriz dinmica de coeficientes que relaciona MV
2
con CV
1

A
21
Matriz dinmica de coeficientes que relaciona MV
1
con CV
2

A
22
Matriz dinmica de coeficientes que relaciona MV
2
con CV
2

E
1
Vector de errores de la variable controlada CV
1

E
2
Vector de errores de la variable controlada CV
2

k Move Suppression Factor para MV
1

L Move Suppression Factor para MV
2


El compromiso que se mostraba en la Figura 6-3 se materializa en el plano temporal tal como se
ve en la Figura 6-4 . Se puede observar que cuanto mayor es el Move Suppression ms tarda la
variable controlada en alcanzar el nuevo punto de consigna, o lo que es lo mismo, mayor es el
sumatorio del error a lo largo del horizonte de prediccin.

99
100
101
102
103
104
105
0
5
10
15
CV
MV
Move Suppression =10
Move Suppression =1
Move Suppression =10
Move Suppression =1
CV
MV
LowMV Limit
Aumentando el Move Suppression...
99
100
101
102
103
104
105
0
5
10
15
CV
MV
Move Suppression =10
Move Suppression =1
Move Suppression =10
Move Suppression =1
CV
MV
LowMV Limit
Aumentando el Move Suppression...

Figura 6-4 Move Suppresion : Evolucin temporal




Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 49


6.2. Equal Concern Errors

En un entorno multivariable, el controlador est generando la ley de control para minimizar el
error en todas las variables controladas al mismo tiempo. En un contexto de mnimos
cuadrados, todos los errores ,E
N
, se intentarn minimizar con el mismo rigor, sin embargo en
el proceso no todas las variables controladas tienen la misma importancia. Por lo tanto, es
necesario dotar al controlador de algn mecanismo que permita decidir qu error E
N
es ms
importante.

Multiplicando artificialmente las ecuaciones de minimizacin de error de una variable
controlada por un coeficiente de peso, w
CVn
, positivo, provocar que los residuos asociados
con esa CV sean mayores y por lo tanto el algoritmo de mnimos cuadrados intentar
minimizar esos errores con ms nfasis.

Podemos definir el concepto de Equal Concern Error como el nivel de error admisible
para una variable controlada. Se define en las mismas unidades de ingeniera que la CV. El
Equal Concern Error no significa que el controlador permita dicha magnitud de error, si no
que comparativamente pondere ms o menos los errores en una CV con respecto a otra. En la
medida que el Equal Concern Error es mayor, menos importancia relativa se da a dicha CV.

El factor de peso w
CVn
definido anteriormente es el inverso del Equal Concern Error :

w
Equal Concern Error
CVN
=
1
CV
n


Resumiendo :

El Equal Concern Error normaliza los errores en las CVs para poner todas las
magnitudes de error en una misma escala matemtica. Esto da lugar a una resolucin
matemticamente ms robusta de la ecuacin (A
T
A)
-1
A
T
e.

Prioriza las variables controladas por orden de importancia relativa de unas con
respecto a otras.

Todo este tratamiento se representa de forma matricial con la expresin siguiente :


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 50

k 0 0 0
0 k 0 0
0 0 k 0
0 0 0 k
*
MV1
0
MV1
1
MV1
2
MV1
3
=
0
0
0
0
* w
CV1
MV2
0
MV2
1
MV2
2
MV2
3
0
0
0
0
L 0 0 0
0 L 0 0
0 0 L 0
0 0 0 L
0
0
E
1
E
2
A
11
A
12
A
21
A
22
* w
CV2
* w
CV1
* w
CV2


En esta ecuacin se observa como se multiplican los coeficientes de la matriz dinmica, A
NM

y los errores E
N
por w
CVn
para cada variable controlada N.

6.3. Equal Concern Dinmicos

El concepto del equal concern se puede ampliar de forma dinmica, es decir, el equal concern
no tiene porque ser constante en todo el rango de operacin de las variables controladas.
Efectivamente, muchas variables tienen mayor importancia cuando se acercan a un lmite de
operacin, por ejemplo una restriccin fsica como la presin de un recipiente, tiene que ser
controlada con ms nfasis si sta se acerca al lmite operativo que cuando est lejos de l.

Esto se puede acometer de forma sencilla definiendo un equal concern para cada valor de la
variable controlada dentro del rango de operacin. Normalmente se suele definir mediante
una funcin compuesta por tramos tal y como se muestra en la Figura 6-5. En este caso se
define un valor para el lmite superior, otro para el inferior y rangos de transicin para que el
cambio en el controlador no sea muy brusco cuando nos acercamos a un lmite. La Figura 6-5
muestra un caso en el que la variable controlada es ms importante cuando est en el lmite
inferior que cuando esta el lmite superior, y todava es menos importante cuando se
encuentra dentro del rango.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 51

Zona baja de
transicin
Zona alta de
transicin
E.C.E.
Medio
E.C.E.
Alto
E.C.E.
Bajo
Operador
Limite Inferior
CV valor
Operador
Limite Superior

Figura 6-5 Equal Concern dinmico

7. PROGRAMACION LINEAL Y RESTRICCIONES

En la seccin anterior hemos visto cmo se genera la ley de control en base a un modelo
dinmico y a un vector de errores previstos. A partir de estos elementos, mediante el uso de
una funcin de optimizacin basada en el principio de mmimos cuadrados se calcula el
vector de movimientos mv. Ahora las preguntas que hay que hacerse son las siguientes :

De donde provienen los puntos de consigna usados para calcular el vector de errores?
Cmo se incluye en el controlador el tratamiento de las restricciones del proceso?

En esta seccin se va a responder a estas preguntas y adelantando acontecimientos la
respuesta es : mediante un algoritmo de programacin lineal con restricciones.

La filosofa a seguir consiste en intentar encontrar un conjunto de puntos de consigna en
estado estacionario, de forma que todas las variables controladas y manipuladas estn dentro
de los lmites especificados. Es decir que se cumplan todas las restricciones.

Si es posible encontrar una solucin a este problema, entonces el conjunto de puntos de
consigna representar una Solucin Posible a este problema de optimizacin en estado
estacionario. Si adems de encontrar una solucin posible, resulta que existen varias
soluciones entonces habr que usar criterios econmicos para determinar cal es la solucin
posible ms rentable.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 52

El conjunto de restricciones especificadas conjuntamente con el proceso, determinan los
grados de libertad del conjunto Proceso+Controlador. Luego, si las restricciones son muy
severas y el proceso no dispona de muchos grados de libertad, entonces es posible que no
exista ninguna solucin al problema de optimizacin. En este caso habr que determinar qu
restriccin no se va a poder cumplir y relajarla temporalmente hasta que las condiciones del
proceso permitan volver a cumplirla, o bien modificar el conjunto de restricciones para de
esta forma poder encontrar una solucin posible.

7.1. Restricciones en las Variables Manipuladas

En primer lugar vamos a considerar las restricciones impuestas en las variables manipuladas.
Sera deseable poder predecir el comportamiento de todas las variables restringidas del
sistema, para de esta manera asegurar que en el estado estacionario se satisfagan todas las
restricciones. Si decidimos no modificar ninguna variable manipulada en un transitorio,
entonces mv permanecer constante durante todo el camino hasta que se alcance un estado
estacionario en el proceso. Es decir

MVi
ACTUAL
=MVi
SS

donde :
MVi
ACTUAL
denota el valor de la variable manipulada i en el momento actual
MVi
SS
denota el valor de la variable manipulada i en el estacionario


Si deseamos cambiar el valor de una MV en el estacionario, entonces podemos expresar el
nuevo valor en funcin del actual ms un incremento :

MVi
DESEADO
=MVi
SS
+MVi
SS


En cada intervalo de ejecucin del controlador hay que decidir el orden de magnitud de
cambio en MVi
SS
, en funcin de las restricciones actuales , los criterios econmicos y el
conocimiento de la dinmica del proceso. La primera limitacin es que nunca y bajo
ningn concepto se tiene que permitir que las variables manipuladas se salgan fuera de
los lmites preestablecidos. Definiendo el lmite superior como MVi
HIGH
y el lmite inferior
como MVi
LOW
, se puede expresar lo anterior de la siguiente forma :

MVi
SS
+MVi
SS
MVi
HIGH
MVi
SS
+MVi
SS
MVi
LOW




Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 53

Usaremos como ejemplo un caso en el que existan dos variables manipuladas. En este caso las
dos ecuaciones generarn cuatro ecuaciones :

MV1
SS
+MV1
SS
MV1
HIGH
MV1
SS
+MV1
SS
MV1
LOW
MV2
SS
+MV2
SS
MV2
HIGH
MV2
SS
+MV2
SS
MV2
LOW

Esta expresin se puede expresar de forma grfica :
M
V
1
L
O
W
M
V
1
H
I
G
H
MV1
MV2
MV1
SS
MV2
HIGH
MV2
LOW
MV2
SS


Si planeamos mover el punto deseado de MV
SS
, siempre se tendrn que cumplir las
restricciones planteadas, grficamente el mayor vector de MV
SS
que se puede aplicar en este
caso es el siguiente :


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 54

M
V
1
L
O
W
M
V
1
H
I
G
H
MV1
MV2
MV1
SS
MV2
HIGH
MV2
LOW
MV2
SS
MV1
SS

M
V
2
S
S


7.2. Restricciones en las Variables Controladas

Al igual que con las variables manipuladas se puede aplicar el mismo tratamiento con las
variables controladas. En primer lugar limitaremos los valores superiores e inferiores que
puedan tomar las variables controladas. Usando la misma nomenclatura que con las variables
manipuladas obtenemos :

CVj
SS
+CVj
SS
CVj
HIGH
CVj
SS
+CVj
SS
CVj
LOW

Siendo CVj
SS
, el valor estacionario de la prediccin en lazo abierto de la variable controlada
j-sima.

A diferencia de las variables manipuladas, las variables controladas no se pueden mover
directamente, para provocar un CVj
SS
determinado, es preciso generar un cambio en las
variables manipuladas que afecten a CVj. Como ya tiene un modelo del proceso, entonces se
puede determinar qu variables afectan a CVj y se puede calcular qu mv
SS
es necesario
para provocar un CVj
SS
deseado. La parte del modelo que se tiene que usar es
exclusivamente la parte estacionaria. Definimos Gji como la ganancia estacionaria que
relaciona la variable manipulada MVi con CVj.

Al igual que con las variables manipuladas,

CVj
DESEADO
=CVj
SS
+CVj
SS



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 55


Aplicando el principio de superposicin al ejemplo anterior de dos variables manipuladas, la
expresin anterior se puede reescribir de la siguiente forma :

CVj
DESEADO
=CVj
SS
+G
j1
V1
SS
+G
j2
V2
SS


Por cada CV se generan dos expresiones :

CVj
SS
+G
j1
V1
SS
+G
j2
V2
SS
CVj
HIGH
CVj
SS
+G
j1
V1
SS
+G
j2
V2
SS
CVj
LOW

De la expresin anterior se conoce todo, excepto los cambios necesarios en las variables
manipuladas, es decir lo nico que queda por determinar es el vector mv. Para ilustrar este
concepto usemos un ejemplo en el que CV1
SS
=105, CV1
HIGH
=137, CV1
LOW
=101, G
11
=2.0 y
G
12
=4.0

105 +(2.0) V1
SS
+(4.0) V2
SS
137
105 +(2.0) V1
SS
+(4.0) V2
SS
101

Para ver cmo aparece este ejemplo en el dibujo anterior hay que calcular todos los puntos en
los que MV estn limitados por las dos restricciones. Esto se consigue resolviendo las
ecuaciones

CVj
SS
+G
j1
V1
SS
+G
j2
V2
SS
=CVj
HIGH
CVj
SS
+G
j1
V1
SS
+G
j2
V2
SS
=CVj
LOW

Despejando de estas ecuaciones MV1
SS
y MV2
SS
, se obtiene :

MV2 =
-G
G
MV1 +
CVj - CVj
G
SS
j1
j2
SS
LOW SS
j2


MV2 =
-G
G
MV1 +
CVj - CVj
G
SS
j1
j2
SS
HIGH SS
j2







Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 56

Estas dos expresiones corresponden a una expresin lineal, ms concretamente a un
polinomio de primer orden, luego quiere decir que ambas expresiones son dos rectas. para la
restriccin CV1
LOW
se obtiene:

MV2 =
-2.0
4.0
MV1 +
101- 105
4.0
- 0.5 MV1
SS SS SS

= 1

De igual forma para CV1
HIGH

MV2 =
-2.0
4.0
MV1 +
137- 105
4.0
- 0.5 MV1
SS SS SS

= + 8
Representando estas dos ecuaciones en la figura anterior resulta :
MV2
LOW
MV2
HIGH
M
V
1
H
I
G
H
M
V
1
L
O
W
MV1
MV2
CV1
HIGH
CV1
LOW


De la misma forma se pueden superponer restricciones de otras variables controladas.
Supongamos que la variable manipulada CV2 tiene un valor estacionario CV2
SS
= 29,
CV2
HIGH
=76, CV2
LOW
=29, G
21
=-1.5, G
22
=6.0. En este caso hay que resolver para las dos
inecuaciones :

29 29 +(-1.5)*MV1
SS
+(6.0)*MV2
SS
76

Dibujando estas dos ltimas rectas en la figura anterior, se obtiene



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 57

MV2
LOW
MV2
HIGH
M
V
1
H
I
G
H
M
V
1
L
O
W
MV1
MV2
CV1
HIGH
CV1
LOW
CV2
HIGH
CV2
LOW

Dibujando el area inscrita que satisface todas las restricciones se obtiene la figura siguiente :
MV2
LOW
MV2
HIGH
M
V
1
H
I
G
H
M
V
1
L
O
W
MV1
MV2
CV1
HIGH
CV1
LOW
CV2
HIGH
CV2
LOW
Regin
aceptable


En la figura anterior se satisfacen las inecuaciones siguientes :

1.0 4.0 +MV1
SS
15.0
1.0 6.0 +MV2
SS
13.0
101 105 +( 2.0)*MV1
SS
+(4.0)*MV2
SS
137
29 29 +(-1.5)*MV1
SS
+(6.0)*MV2
SS
76

En el caso que las dos variables controladas tengan un punto de consigna fijo, es decir
CVj
HIGH
=CVj
LOW
, entonces el area de posibilidades disminuye hasta convertirse en un nico
punto posible que respete todas las restriciones. Esto puede verse en la siguiente figura


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 58


MV2
LOW
MV2
HIGH
M
V
1
H
I
G
H
M
V
1
L
O
W
MV1
MV2
CV1
HIGH
=CV1
LOW
CV2
LOW
=CV2
HIGH
C
V
2=
29
C
V
1
=
1
2
1
Solucin posible nica

que satisface las inecuaciones :

1.0 4.0 +MV1
SS
15.0
1.0 6.0 +MV2
SS
13.0
121 105 +( 2.0)*MV1
SS
+(4.0)*MV2
SS
121
29 29 +(-1.5)*MV1
SS
+(6.0)*MV2
SS
29


7.3. Optimizacin

Tal y como se ha visto, se pueden dar varias posibilidades, desde tener un area de infinitas
soluciones posibles, a tener un nico punto como solucin e incluso puede darse el caso que
no exista ninguna solucin posible. El problema de optimizacin aparece cuando hay ms de
una solucin posible, en ese caso se busca la solucin atendiendo a criterios econmicos y
usando la programacin lineal. En el caso anterior se tratara de minimizar la funcin de
coste

Coste
1
* MV1
SS
+Coste
2
* MV2
SS

Sujeta a:
1.0 4.0 +MV1
SS
15.0
1.0 6.0 +MV2
SS
13.0
101 105 +( 2.0)*MV1
SS
+(4.0)*MV2
SS
137
29 29 +(-1.5)*MV1
SS
+(6.0)*MV2
SS
76


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 59


El algoritmo de programacin lineal puede resolver funciones de coste de la siguiente forma
(para un caso de dos MVs) :

=Coste
1
* MV1
SS
+Coste
2
* MV2
SS


La funcin de coste puede representar cualquier funcin de optimizacin que sea
razonablemente lineal con respecto a cambios en MVi
SS
. Parece razonable que deseemos
introducir en dicha funcin de coste dos trminos. Por un lado el beneficio extra que
obtenemos por producir ms cantidad de un producto valioso y por otro lado el desembolso
que supone en energa el producir ms del producto anterior. Es decir

=-(SS Cambio en produccin) * valor de los productos (pts.)
+(SS cambio en energa) * precio de la energa (pts.)

Usando como funcin de coste la funcin anterior, entonces Coste
1
queda definido como el
cambio que se produce en despus de haber producido un cambio unitario en MV
1

habiendo mantenido MV
2
constante.

Ahora hay que relacionar los productos de valor aadido con las variables controladas y los
costes energticos con las variables manipuladas. Normalmente los costes energticos se
asocian directamente con las variables manipuladas ya que se puede determinar fcilmente lo
que cuesta en trminos econmicos el aumentar o disminuir cada variable manipulada. Para
las variables de valor aadido el anlisis no es tan simple, ya que hay que relacionar cada una
de estas variables con las variables controladas y posteriormente mediante el uso del modelo
obtener la equivalencia con respecto a las variables manipuladas.

Supongamos un caso en el que haya dos variables que interesa maximizar por su gran valor
aadido (producto A y producto B). En primer lugar hay que encontrar las ganancias de las
cantidades de estos productos con respecto a las variables manipuladas. Definimos estas
ganancias como G
A1
y G
A2
para el producto A, y G
B1
y G
B2
para el producto B. La funcin de
coste se transforma en :


= - (G
A1
* MV1
SS
+G
A2
* MV2
SS
)* valor producto A (pts/unidad)
- (G
B1
* MV1
SS
+G
B2
* MV2
SS
)* valor producto B (pts/unidad)
+MV1
SS
* coste MV1
+MV2
SS
* coste MV2



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 60

Reordenando esta ecuacin resulta :

=Coste
1
* MV1
SS
+Coste
2
* MV2
SS

donde :
Coste
1
=(-G
A1
*valor de A)+(-G
B1
*valor de B) +coste MV1
Coste
2
=(-G
A2
*valor de A)+(-G
B2
*valor de B) +coste MV2

En el controlador [DMC] a Coste
N
se le denomina LPCOST.

7.4. Estrategia cuando no existe solucin factible

La programacin lineal permite calcular un nuevo punto de operacin que, satisfaciendo todas
las restricciones tanto en las variables manipuladas como en las controladas, minimiza una
funcin de coste o funcin objetivo.

Pero qu ocurre cuando no existe ningn punto de operacin que cumpla con todas las
restricciones, esto es, cuando no existe solucin factible? En este caso la estrategia va a
consistir en relajar las restricciones de aquellas variables controladas que se consideren
menos importantes. En otras palabras, cuando existen grados de libertad el controlador
optimiza utilizando la programacin lineal y cuando no existen grados de libertad, el
controlador busca la solucin menos mala olvidndose de las variables que se hayan
considerado menos importantes.

En el controlador DMC existen dos parmetros que nos permiten asignar prioridades en el
caso de que el problema de programacin lineal no tenga solucin.
7.4.1. CV Rank

Es el parmetro que permite una asignacin de prioridades gruesa, organizando las
prioridades segn el tipo de variable. Cuanto menor es el CV Rank que asignamos a una
variable, mayor es la importancia que le estamos otorgando. As, por ejemplo, una agrupacin
tpica sera:

Variable controlada CV Rank

Seguridad y medio ambiente 10
Variables integradoras (niveles) 20
Lmites de operatividad (inundacin, etc) 30
Especificaciones de calidad 40
Objetivos econmicos 50

El valor numrico que asignemos al CV Rank no tiene mayor importancia, slo importa su
valor en relacin a otros valores. Cuando el problema de programacin no tiene solucin, se


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 61

vuelve a resolver eliminando las restricciones en las variables que tienen un mayor CV Rank
y as hasta que se encuentra alguna solucin.

El CV Rank se asigna por separado al lmite alto y al lmite bajo de cada variable controlada,
porque en la mayora de las variables la importancia de relajar el lmite alto no es la misma
que la relajar el lmite bajo. As, suponiendo una temperatura de pared de tubo de un horno
como variable controlada, el CV Rank para el lmite alto ser muy bajo (el que corresponda a
las variables de seguridad), mientras que el CV Rank en el lmite bajo ser alto (no suele tener
mucha importancia el que la temperatura del tubo est por debajo del lmite especificado).

7.4.2. LP Equal Concern Error

Este parmetro permite el ajuste fino de la prioridades, estableciendo distintas prioridades
dentro de las variables a las que se ha asignado un mismo CV Rank. Cuanto mayor es el valor
de este parmetro, mayor es su importancia. Supongamos una columna de destilacin con
extracciones laterales en la que se utilizan como variables de calidad las temperaturas de las
extracciones. Al ser variables de calidad lo normal es que a todas las temperaturas se les haya
asignado el mismo CV Rank. Entonces, a travs del LP Equal Concern Error vamos a poder
establecer prioridades para decidir las temperaturas que son ms importantes (a las que
asignaremos un LP equal concern error superior).

El significado de este parmetro es distinto del Equal Concern Error que hemos visto para el
mdulo de control dinmico. Mientras que aqul constituye un factor de ponderacin del error
en la suma total de errores que se intenta minimizar, ste constituye un criterio para decidir
qu variables deben relajarse cuando no existe solucin factible al problema de programacin
lineal.

Al igual que el CV Rank, este parmetro se asigna por separado al lmite alto y al lmite bajo
de cada variable controlada.

7.5. Imposicin de la solucin de la programacin lineal

Una vez resuelta la funcin de coste sujeta a restricciones mediante el algoritmo de
programacin lineal, falta por ver como se incluye esto dentro del controlador. La forma ms
habitual consiste en forzar al mdulo de clculo de movimientos la solucin de estado
estacionario calculada por el mdulo de programacin lineal.

El mdulo de programacin lineal genera el vector MV
SS
, que es el vector de movimientos
de las variables manipuladas en el estacionario. Pero an falta por determinar cmo van a ser
cada uno de los movimientos mv hasta que se alcance el estacionario. La solucin consiste
en hacer mv =MV
SS
. Suponiendo un caso en el que haya dos variables manipuladas, dos
variables controladas y que el vector de movimientos futuros incluya los prximos cuatro
cambios, entonces se fuerza al controlador a que cumpla :


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 62


MV1
1
+MV1
2
+MV1
3
+MV1
4
=MV1
SS

MV2
1
+MV2
2
+MV2
3
+MV2
4
=MV2
SS


Incluyendo estas dos ecuaciones en la ecuacin de resolucin de la ley de control, que se vio
en la seccin 7.6, A * MV =e , se obtiene la ecuacin final del controlador.

Esta ecuacin tiene la siguiente forma :

k 0 0 0
0 k 0 0
0 0 k 0
0 0 0 k
*
MV1
0
MV1
1
MV1
2
MV1
3
=
0
0
0
0
* w
CV1
MV2
0
MV2
1
MV2
2
MV2
3
0
0
0
0
L 0 0 0
0 L 0 0
0 0 L 0
0 0 0 L
0
0
E
1
E
2
A
11
A
12
A
21
A
22
* w
CV2
* w
CV1
* w
CV2
1 1 1 1
0 0 0 0 1 1 1 1
0 0 0 0
MV1
SS
MV2
SS
Imposicin
de la solucin LP


8. FUNCIONAMIENTO DE UN CONTROLADOR MULTIVARIABLE

Una vez vistos todos los aspectos del Controlador Multivariable, vamos a hacer un resumen
de cada uno de sus mdulos y de su propsito

Modela la dinmica del proceso.

En el apartado anterior ya hemos visto cmo se obtiene el modelo del proceso. La
identificacin dinmica se realiza off-line y no se repite frecuentemente. Slo cuando el
proceso ha cambiado de manera importante, porque se han hecho modificaciones o porque
han cambiado las condiciones de operacin es necesario realizar una reidentificacin. Una vez
obtenido el modelo se le carga al controlador.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 63


Predice el comportamiento del proceso.

A partir de la historia de las variables controladas y las variables manipuladas, utiliza el
modelo para predecir cual va a ser la evolucin de las variables controladas si no se toma
ninguna accin de control. Es lo que se llama prediccin en lazo abierto.

Reconcilia la prediccin con la ltima medida real disponible.

En cada ejecucin (digamos que cada minuto) el controlador est realizando una prediccin
de cul va a ser el valor de las variables controladas en cada instante futuro. As pues en cada
ejecucin se puede comparar el valor de las variables medidas en ese momento con el valor
que el controlador predijo para dichas variables en la ejecucin anterior. Esta diferencia queda
incorporada al modelo como un bas. En este punto es donde el controlador se entera de lo
que sucede en el mundo real. Puesto que en el proceso de identificacin y modelado hay
infinidad de perturbaciones no medidas este feedback es completamente necesario ya que de
otra manera slo con un modelo perfecto (que es imposible de obtener) se podra utilizar el
controlador. Esta realimentacin permite que an cuando haya errores en el modelo o
perturbaciones de carga no medidas, el controlador pueda compensar dichas imprecisiones.
En cualquier caso, si observamos que la diferencia entre el valor predicho y el valor real es
siempre importante debemos pensar que nuestro modelo no es adecuado y se impone una
reidentificacin.

Examina las restricciones e identifica los objetivos ptimos para todas las variables.

En este punto es inevitable volver al concepto de grados de libertad que vimos al principio de
este captulo.

En los pasos 1, 2 y 3 el controlador predice hacia dnde va a dirigirse el proceso si no se
toma ninguna accin de control. Para poder tomar alguna accin de control, el controlador
necesita saber hacia dnde tiene que dirigirse. Esta decisin depender de la situacin de
planta que se encuentra el controlador.

Si no se pueden satisfacer todos los requerimientos tendr que decidir qu variables
controladas tiene que sacrificar.
Si slo hay un punto de operacin posible, es decir, si slo existe una manera de cumplir
todos los requerimientos no hay nada que decidir puesto que la solucin es nica.
Si se pueden cumplir todos lo requerimientos de distintas maneras (con distintos valores de
las variables manipuladas), el controlador deber decidir cul es la forma ms econmica
de cumplir las especificaciones.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 64


Quiere esto decir que en cada ejecucin el controlador puede encontrarse con un escenario
diferente (porque se ha saturado una vlvula, ha fallado una medida o el operador de control
ha modificado los rangos o los puntos de consigna de las variables controladas o los lmites
de operacin de las variables manipuladas), un proceso cuadrado puede pasar a ser
estrecho o a ser amplio, pero en cualquier caso el controlador tiene los criterios
necesarios para decidir hacia dnde debe dirigirse el proceso.

Calcula el plan de control que minimiza la diferencia entre el comportamiento predicho
y el deseado.

Una vez que el controlador sabe hacia donde se dirige el proceso si no se toma ninguna
accin de control y sabe hacia donde debe dirigirse, calcula qu secuencia de movimientos
tiene que hacer en las variables manipuladas de manera que la planta siga una trayectoria lo
ms cercana posible a la trayectoria deseada. Esto es lo que se llama el plan de control. Es un
plan hacia el futuro, esto es, calcula ahora los movimientos que va a hacer en las variables
manipuladas en las ejecuciones futuras . De todos los movientos que calcula, al sistema de
control de la planta slo le enva el primero de ellos y en la ejecuacin siguiente, toda la
secuencia de 2 a 5 vuelve a repetirse. Es lo que se llama una estrategia de horizonte mvil.
Ver Figura 8-1.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 65

COSTES ECONMICOS DE LAS VARIBLES MANIPULADAS
INGENIERO DE CONTROL
MDULO
PREDICTIVO
MDULO DE
PROGRAMACIN
LINEAL
MDULO DE
CONTROL
DINMICO
Predicciones del
Estado Estacionario
Objetivos de las Variables
Manipuladas
Objetivos de
las Variables Controladas
OPERADOR
Objetivos y Lmites de las
Variables Manipuladas y Controladas
Constantes de ajuste
SISTEMA DE CONTROL
PROCESO
Variables de
adelanto
Variables
Dependientes
Variables
Manipuladas
Set Point
Manipulados
DMC

Figura 8-1 Funcionamiento de un Controlador Multivariable.

Las tareas realizadas en cada periodo de ejecucin se sumarizan de forma secuencial en la
Figura 8-2.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 66

Funcionamientodel Controlador
DMCplus
La secuencia se repite en cada ciclo del controlador (1-5 minutos)
Mdulode
Prediccin
Mdulode
LP
Mdulo clculo
de movimientos
(Control)
Valoresactualesde
las variables
MANIPULADAS
CONTROLADAS
FEEDFORWARD
PREDICCION FUTURA
(paracadaCV)
OBJ ETIVOS MV PARA EL ESTACIONARIO
OBJ ETIVOS CV PARA EL ESTACIONARIO
PARMETROS DE AJ USTE DINMICO
MOVIMIENTOS FUTUROS
PREDICCIN FUTURA CON LOS MOVIMIENTOS PREVISTOS
Lmitesparacada
variable
MANIPULADA
CONTROLADA
MV COSTS
Valores actuales
de las MVs
PREDICCION DEL ESTADO
ESTACIONARIO DE LAS VARIABLES
CONTROLADAS
Movimientos
Parmetrosde ajusteLP

Figura 8-2 Funcionamiento secuencial de un Controlador Multivariable

9. OPERACIN DE UN CONTROLADOR MULTIVARIABLE

El manejo de un controlador multivariable por parte del operador de control es bastante
sencillo. Evidentemente lo primero que especifica el operador es si quiere que el controlador
multivariable est en funcionamiento o no. Suponiendo que el controlador est trabajando, el
operador, por medio de los grficos correspondientes, tiene que especificar:

Qu variables quiere controlar ( n de CVs). En el diseo del controlador se han
elegido un cierto nmero de variables como posibles variables a controlar. Las
variables controladas crticas son aquellas que por su importancia determinan la
desconexin del controlador si no estn disponibles. Dentro de las variables
controladas no crticas, el operador puede decidir qu variable debe controlar el
controlador y cules no. Si el % de inundacin en una columna de destilacin no es
una variable crtica, el operador puede suprimirla del controlador. Hay que recordar
que al eliminar variables controladas estamos aumentando los grados de libertad del
controlador. Ver Figura 9-1.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 67


PETRONOR


DMC : DMCF3T5

[DMC] CTLR
SWITCH ON
GRAFICO
MAESTRO
SUMARIO
MENSAJ ES
SUMARIO
MV
SUMARIO
CV
SUMARIO
DV
SUMARIO
LP
CONFIG.
CONTROL
CONEXION

VARIABLES CONTROLADAS

# TAG ESTADO LIMITE VALOR. LIMITE OBJ ETIVO SP VARIABLE
BAJ O ALTO [DMC] RAMPA CRITICA
1 A09Y074Z.PV GOOD 50.00 55.00 62.2 56.00 SI
2 A09Y0805.PV GOOD 6.90 7.15 7.30 7.30 SI
3 9PDI0025.PV GOOD 0.10 0.15 0.20 0.10 SI
4 A09Y184Z.PV GOOD 70.00 76.00 88.0 85.00 SI

Figura 9-1 Variables Controladas.

Los rangos en que quiere controlar las CVs (Lmites de las CVs). Una vez
determinadas qu variables tiene que controlar el controlador, el operador de control debe
determinar dentro de qu rangos quiere que se controlen dichas variables. Una
especificacin de calidad muy rigurosa normalmente se controlar como un punto de
consigna, una especificacin de calidad de un subproducto es posible controlarla dentro de
un rango. Una restriccin fsica del tipo de temperatura de pared de tubo de un horno slo
es necesario asegurarse de que nunca sobrepase un cierto lmite. Si los rangos de control
aceptables son amplios, el controlador tiene ms facilidad para conseguir sus objetivos. A
medida que estrechamos los rangos estrechamos el conjunto de soluciones que puede
encontrar el controlador. El controlador intenta mantener todas las CVs en sus rangos,
pero no es seguro que siempre lo pueda conseguir. Cuando no existe una solucin que
permita cumplir todas las restricciones el controlador relajar aquellas variables que se
consideren menos importantes.

Qu variables manipuladas estn disponibles para el controlador (n de MVs). De las
variables manipuladas que se han considerado no crticas en el diseo del controlador, el
operador puede elegir aquellas que deja disponibles al controlador. Cuantas ms variables
manipuladas tenga disponible el controlador ms grados de libertad y ms fcilmente
podr satisfacer todas las demandas. En el diseo se considera que existen determinadas
variables que el controlador debe tener siempre disponibles. Estas son las variables
manipuladas crticas. Si alguna de estas variables no est disponible el controlador no
puede conectarse.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 68


La Figura 9-2 muestra un interface tpico de las variables manipuladas.

PETRONOR


DMC : DMCF3T5

[DMC] CTLR
SWITCH ON
GRAFICO
MAESTRO
SUMARIO
MENSAJ ES
SUMARIO
MV
SUMARIO
CV
SUMARIO
DV
SUMARIO
LP
CONFIG.
CONTROL
CONEXION



VARIABLES MANIPULADAS

# TAG ESTADO LIMITE VALOR. LIMITE OBJ ETIVO MOV. VARIABLE
BAJ O ALTO [DMC] ACTUAL CRITICA / MODO
1 9PC00017.SP GOOD 9.10 9.20 9.31 9.10 -0.01 SI / CAS
2 9TC00017.SP GOOD 158.00 175.00 176.00 160.00 +0.20 SI / CAS
3 9FC00068.SP GOOD 110.00 115.00 160.00 120.00 +0.50 SI / CAS

Figura 9-2 Variables Manipuladas.


Los rangos en que pueden moverse las MVs (Lmites de las MVs). El operador es
responsable de fijar los rangos de trabajo de las variables manipuladas. Por norma general,
stos deben ser lo ms amplios posible para asegurarse de que las restricciones con las que
se encuentra el controlador son restricciones reales de la planta y no decisiones arbitrarias
de los operadores. Al estrechar los lmites de las MVs estamos disminuyendo grados de
libertad. El controlador siempre respeta los lmites impuestos en las variables
manipuladas.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 69


10. RESUMEN DE PARMETROS DE AJUSTE

Adems de los parmetros que ya hemos visto que tiene que especificar el operador, y que
son los que habitualmente va a utilizar r para el manejo del controlador, existen otros
parmetros que ya hemos citado anteriormente y que normalmente los va a determinar el
tcnico de control y que tambin van a determinar el comportamiento del controlador.

10.1. En el mdulo de Programacin Lineal:

Importancia relativa de las variables controladas (CV RANK y LP EQUAL
CONCERN ERROR). Ya hemos visto que en ocasiones el controlador no es capaz de
satisfacer todas las demandas que se le hacen porque no tiene grados de libertad
suficientes. En estos momentos el controlador necesita saber cules son las variables ms
importantes y cules pueden relajarse. Existen dos parmetros que hemos visto que
constituyen el ajuste grueso (CV rank) y el ajuste fino (LP Equal Concern Error). El
CV rank sirve para agrupar por tipo de variable la importancia relativa (empezando por las
variables de seguridad, luego las de operatibilidad, despus las de calidad, etc). El Equal
Concer Error LP sirve para asignar diferente nivel de importancia a variables a las que se
ha asignado el mismo CV rank (por ejemplo, dentro de las variables de calidad, cules son
las ms importantes). Estos dos parmetros se asignan por separado a los lmites alto y
bajo de las variables controladas.

Coste asociado al moviento de cada variable manipulada (LPCOST). Cuando el
controlador puede satisfacer todos los requerimientos que se le han hecho y an dispone de
grados de libertad adicionales es posible mover el punto de operacin del proceso hacia
otro punto de operacin cuyo beneficio sea mayor. Para que el controlador sea capaz de
moverse hacia el punto ptimo, tiene que tener informacin sobre la economa de la
planta, el precio de los productos, el coste de la materia prima y el coste del consumo
energtico. Una vez establecidos estos precios y costos, toda la informacin econmica
queda condensada en un coste asociado a cada variable manipulada. Si ese coste es
positivo, el controlador intentar disminuir dicha variable (disminuir el coste, que es lo
mismo que aumentar el beneficio). Si el coste asociado a una variable manipulada es
negativo, el controlador, cuando tenga algn grado de libertad, intenter aumentar el valor
de dicha variable.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 70


10.2. En el mdulo de Control Dinmico

Importancia relativa del error en las variables controladas (EQUAL CONCERN
ERROR DINMICO). La importancia relativa del error en las variables controladas se
puede ponderar mediante unos factores de peso que permiten escalar y dar prioridad al
control de ciertas variables sobre otras. Para cada variable controlada se asigna un Equal
Concern Error en el lmite alto, en el lmite bajo y entre lmites y adems se definen dos
zonas de transicin.

Penalizacin al movimiento excesivo de las variables manipuladas (MOVE
SUPPRESSION). El precio a pagar por minimizar los errores respecto a los valores
ptimos es el movimiento de las variables manipuladas, lo que se llama el esfuerzo de
control. Si permitimos que las variables manipuladas se muevan con entera libertad, los
errores se corregirn ms rpidamente pero la planta estar ms inestable. Si restringimos
los movimientos de las variables manipuladas, el controlador tardar ms tiempo en
corregir errores, pero el comportamiento de la planta ser ms suave. Este compromiso
entre error admisible frente al esfuerzo de control se cuantifica en un parmetro por cada
variable manipulada que penaliza el movimiento de dicha variable.

11. CRITERIOS DE IMPLANTACION

Un controlador multivariable puede implantarse en cualquier tipo de proceso que tenga varias
variables que controlar y varias variables que manipular, sin embargo en muchas ocasiones el
control tradicional con aplicaciones de Control Avanzado es ms que suficiente para cumplir
los objetivos econmicos y de operacin.

No obstante, existen una serie de procesos donde la implantacin del control multivariable
est especialmente recomendada y donde la diferencia de resultados con el control
convencional es notoria:

Procesos interactivos con objetivos de control y restricciones que entran en conflicto,
como pueden ser la mayora de columnas binarias en que se quieren controlar
estrechamente las calidades de los productos de cabeza y fondo.
Procesos que tengan un comportamiento dinmico poco usual; retardos, respuesta
inversa, etc.
Procesos cuyas restricciones son distintas en las distintas pocas del ao o donde los
precios de carga y productos varan regularmente.
Procesos en donde trabajar de manera consistente cerca de sus lmites genere altos
beneficios. (En general, unidades de alta capacidad o que generen alto valor aadido)


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Control Multivariable Predictivo
Master ISA de Instrumentacin y Control Pgina 71

12. BIBLIOGRAFA
Los artculos fundacionales del control predictivo en el entorno industrial son:

Richalet, J .A., A. Rault, J .D. Testud and J . Papon, Model predictive heuristic
control, Automatica, Vol. 14, p. 413, 1978
Cutler, C.R. and B.L. Ramaker, Dynamic matrix control a computer control
algorithm, AIChe National Meeting, Houston, 1979
Cutler, C., Morshedi, A. and Haydel, J . An industrial perspective on advanced
control, AIChe Annual Meeting, Washington, D.C , 1983

Se han publicado distintas revisiones del estado del arte en control predictivo a lo largo del
tiempo:

Garca, C.E., Prett, D. M. And Morari Model predictive control: Theory and practice
a survey, Automatica, Vol. 25, p. 335-348, 1989
Froisy, J .B. Model predictive control: past, present and future ISA trans 33: p. 235-
243, 1994
Lee, J . Recent Advances in Model Predictive Control and Other Related Areas
Chemical Process Control, CPC, 1995

Quizs la revisin ms completa, en la que se comparan y analizan los distintos algoritmos
existentes en el mercado (Id-com, RMPCT, Treiber, DMC) es:

Qin, S.J . and T.A. Badgwell A survey of industrial model predictive control
technology Control Engineering Practice, April 2002

En el entorno acadmico, es muy apreciado el GPC (Generalized Predictive Control)

Clarke, D.W., Mohtadi, C. And Tuffs, P.S. Generalized Predictive Control Part I.
The basic algorithm, Automatica, Vol. 23, p.137-148, 1987

Es tambin recomendable el libro de los profesores Eduardo Camacho y Calor Bordons de la
Escuela de Ingenieros de la Universidad de Sevilla:

E.F. Camacho and C. Bordons Model Predictive Control in the Process Industry,
Springer, 1995

En cuanto a la identificacin dinmica, es imprescindible el libro:

Ljung, L. System Identification: Theory for the user 2nd edition, Prentice Hall, 1999



9A
2
METODOLOGA DE
DESARROLLO DE UN
PROYECTO



FICHA IDENTIFICATIVA DEL DOCUMENTO:

Master ISA de instrumentacin y control
Mdulo: 9 Control Basado en Modelos
Tema: 9-2 Metodologa de Proyectos
Autor: Rafael Gonzlez Martn, Francisco Cifuentes Ochoa





INTRODUCCION

La instalacin de un controlador multivariable predictivo conlleva una serie de pasos
bsicos. En este captulo se har una breve descripcin de las principales actividades
necesarias para el diseo e instalacin de un controlador DMCplus
TM
.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 2

Metodologa de Proyectos

ndice

1. IDENTIFICACIN DE LA APLICACIN 3
2. DISEO PRELIMINAR 3
2.1. Definicin del alcance del controlador 4
2.2. Eleccin de las variables manipuladas, controladas y de perturbacin 5
2.3. Identificacin de deficiencias en la instrumentacin y el control bsico 7
3. PRE-TEST 7
4. PRUEBAS EN PLANTA (STEP-TEST) 8
4.1. Planificacin de los movimientos 9
5. IDENTIFICACIN DE MODELOS 10
6. PROGRAMACIN LINEAL 11
6.1. Clculo de los LPcost 11
6.2. Criterio LP 14
7. SIMULACIN Y AJUSTE 15
8. INSTALACIN 15
9. COMISIONADO 16
10. FORMACIN 16
11. DOCUMENTACIN DEL PROYECTO 17
12. MANTENIMIENTO Y SEGUIMIENTO 17
12.1. Conexin 18
12.2. Estado del controlador 18
12.3. Variables controladas 19
12.4. Variables manipuladas/grados de libertad 20
12.5. Cumplimiento de objetivos 20
13. BIBLIOGRAFA 21


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 3


1. IDENTIFICACIN DE LA APLICACIN

El primer paso en la instalacin de un controlador multivariable consiste en la identificacin
de la aplicacin, esto es, identificar el problema que puede resolverse mediante esta
tecnologa y evaluar el potencial beneficio y el coste de la instalacin.

Un controlador DMC puede mejorar la operacin de una Unidad o mejorar los beneficios
operativos de distintas maneras. En muchos casos la mejor manera de aumentar el beneficio
es aumentar la carga a la Unidad. En otras ocasiones, por ejemplo cuando se produce una
reaccin qumica, el mejor camino hacia el mximo beneficio puede ser la maximizacin del
rendimiento. En unidades en las que un producto tiene un valor mucho mayor que el resto de
productos, la mejor estrategia podra ser la maximizacin de la recuperacin de dicho
producto. En otros casos el objetivo puede ser la minimizacin del consumo energtico. En
ocasiones, en unidades que estn sujetas a perturbaciones frecuentes e importantes, la
instalacin del controlador puede estar justificada estrictamente por criterios de
estabilizacin de la operacin.

Normalmente la eleccin o identificacin de la aplicacin es un proceso en el que intervienen
distintos departamentos (Planificacin, Procesos, Operacin y Control) y, aunque los criterios
econmicos (rentabilidad de la inversin) suelen prevalecer, existen otros criterios que
tambin se aplican (disponibilidad de recursos humanos, dificultad de controlar la planta
mediante mtodos convencionales, etc.).

Al identificar la aplicacin, generalmente queda muy definido el objetivo de operacin que
debe cumplir el controlador (maximizar la carga, minimizar el consumo energtico o
maximizar la recuperacin)

2. DISEO PRELIMINAR

Una vez identificada la potencial aplicacin, el siguiente paso consiste en disear un
controlador que sea capaz de conseguir el objetivo de operacin. En primer lugar se debe
adquirir el mayor conocimiento posible sobre el proceso que se va a controlar. Se deben
revisar los diagramas de proceso y los P&ID's para familiarizarse con los equipos y el
proceso. El Tcnico de Control debe obtener el listado de las variables disponibles en el
sistema de control y conocer las materias primas utilizadas, las utilities que se consumen y el
destino de los productos fabricados.

Tras realizadar esta labor de estudio, el Tcnico de Control debe discutir con el personal de
Operacin, de Procesos y de Planificacin los objetivos operativos, las consideraciones
econmicas y las restricciones del proceso, tanto de calidades como fsicas (hidrulicas , de


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 4

metalurgia, de seguridad, etc.). Estas reuniones con el personal de la Planta constituye lo que
solemos denominar la Reunin de arranque. En el caso de que proyecto se haya contratado a
una empresa de servicios de ingeniera, estas reuniones tambin sirven para presentar a los
componentes del equipo de proyecto. A partir de esta informacin se puede formular un
diseo preliminar del controlador.

Durante las entrevistas con los tcnicos de planta y el personal de operacin se tratarn los
siguientes puntos:

Establecer los objetivos de operacin y objetivos de control de la unidad.
Requerimientos de instrumentacin, es decir, todos los valores estn en rango, los niveles
de ruido medidos son aceptables, los tiempos de ciclo de los analizadores son los
adecuados y ningn controlador est saturado.
Requerimientos de analizadores adicionales (si los hay).
Clculos inferenciales requeridos.
Revisin de los esquemas de proceso.
Requerimientos de sistema informtico. Sistema de coleccin de datos.
Revisin de los ajustes de los controladores bsicos.

2.1. Definicin del alcance del controlador

El alcance del problema de control define los lmites de influencia del controlador. Al definir
el alcance se especifican los equipos que estn incluidos en el controlador y los que no.
Existen dos principios que deben guiar la definicin del alcance del controlador:

1. Todas las interacciones significativas deben estar incluidas.
2. Los objetivos econmicos que se quieren alcanzar deben estar muy bien definidos.

El estado actual de la tecnologa impone muy pocas restricciones sobre el nmero de
variables manipuladas y controladas que pueden incluirse en un controlador. Existen razones
muy convincentes para hacer los controladores del mayor tamao posible. Entre otras,
podramos citar:

Manejo explcito de todas las interacciones del proceso
Cuanto mayor es el alcance el ptimo econmico calculado tiene mayor validez
El controlador considera todas las posibles combinaciones de restricciones



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 5

A la vista de lo anterior podramos preguntarnos por qu no hacer todos los controladores del
mayor tamao posible. Tal vez la razn principal es que la capacidad de nuestro intelecto no
progresa a la misma velocidad que el hardware de los ordenadores. Algunas veces los
panelistas y los tcnicos de control se las ven y se las desean tratando de entender el
funcionamiento de un controlador de gran tamao cuando ste comienza a hacer movimientos
que parecen no tener sentido. Podramos decir que es un problema de ergonoma.

Muchas unidades estn intrnsecamente desacopladas, ya sea estructural o temporalmente.
Desacoplo estructural significa que ninguna de las variables manipuladas de una zona de la
planta afecta significativamente a ninguna de las variables controladas de otra zona. Por
ejemplo la torre de crudo est desacoplada de la unidad de gases cuando la integracin
energtica es mnima. El desacoplo temporal se produce cuando los efectos de una parte de la
planta en otra tardan mucho tiempo en producirse.

En resumen, el controlador multivariable debe disearse del tamao justo que permita
resolver el problema de control. Cuando las interacciones son dbiles o inexistentes, deben
contemplarse ms controladores de menor dimensin de manera que sea ms fcil entender el
funcionamiento. En un lado de la balanza tendremos la simplicidad y en el otro el "rigor
tcnico".

2.2. Eleccin de las variables manipuladas, controladas y de perturbacin

Cuando el alcance del proyecto ha quedado definido se puede hacer una primera eleccin de
las variables manipuladas, controladas y de perturbacin. Por cada vlvula o actuador existe
una potencial variable manipulada. Por ejemplo, la vlvula de caudal de vapor al reboiler
normalmente est conectada al controlador de caudal de vapor que a su vez est en cascada
con el controlador de temperatura de un plato determinado. En este caso existen tres
potenciales variables manipuladas ya que el controlador podra: 1) mover la vlvula
directamente, 2) fijar el punto de consigna del controlador de caudal de vapor, o 3) fijar el
punto de consigna del controlador de temperatura. En el diseo preliminar se hace una
primera eleccin.

Al hacer esta eleccin y sin querer generalizar ya que cada planta tiene sus caractersticas
nicas, se debe tener en cuenta que existen lazos de control que estabilizan la operacin de la
unidad y que se debe considerar cuidadosamente el mantenerlos como control regulatorio
cuando estamos aplicando el control multivariable. Como ejemplo podemos citar:

Temperatura de salida de un horno
Temperatura de cabeza de un fraccionador
Presin en un acumulador
Presin de fuel-gas


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 6

Nivel de un depsito

Existen dos ventajas al mantener estos lazos. La primera es que un controlador PID del DCS
se ejecuta con mayor frecuencia (cada medio segundo) que el controlador multivariable
(digamos que cada minuto) de manera que se rechazan mejor las perturbaciones de alta
frecuencia. La segunda ventaja es que los lazos regulatorios siempre estn funcionando. Si
por la razn que sea el controlador se desconecta el sistema permanece en una posicin de
mayor seguridad. Una premisa obvia a la hora de mantener un lazo regulatorio es que ste
debe funcionar correctamente.

Con respecto a la eleccin de las variables controladas, se deben incluir todas las que se
requieran para estimar la composicin de los productos y las necesarias para mantener a los
equipos de procesos en una regin de operacin segura. Cuando existen vlvulas que se
saturan con frecuencia se puede optar por dejar que el controlador manipule directamente la
vlvula o mantener el lazo regulatorio (el controlador fija el punto de consigna) e incluir la
apertura de la vlvula como una variable controlada. Cuando adoptamos este ltimo criterio,
que suele ser el ms frecuente, hay que tener especial cuidado durante las pruebas de planta
para evitar la saturacin de estas vlvulas puesto que cuando se saturan los datos del test
quedan invalidados.

Cuando no existen analizadores en lnea o los periodos de muestreo del analizador son largos
en relacin con el periodo de ejecucin del controlador se recomienda instalar clculo
inferenciales. Estos clculos se actualizan cada vez que se dispone de una nueva muestra del
analizador o del laboratorio. Es en la fase de diseo preliminar cuando se decide el tipo de
inferencia que se necesita. Las distintas tcnicas para obtener inferencias merecen un captulo
aparte y aqu slo sealaremos que en muchas aplicaciones de control multivariable los
clculo inferenciales son crticos para la obtencin de los beneficios esperados y que el
tiempo de desarrollo de este tipo de clculos puede llegar a ser del mismo orden que el tiempo
de desarrollo del modelo dinmico que utiliza el controlador.

Para las variables de perturbacin la mayor dificultad con la que con frecuencia nos
encontraremos es que las potenciales variables de perturacin no sean verdaderamente
independientes de las restantes variables independientes del problema. A veces esta
dependencia es mnima y puede ignorarse, pero en ocasiones la dependencia es tal que la
variable elegida no puede utilizarse como variable de perturbacin.

Otra tarea que debe abordarse como parte del diseo preliminar es la manera en que se van a
calcular los costes que va a utilizar la Programacin Lineal. Estos costes constituyen el
mecanismo mediante el cual los criterios econmicos se incluyen en el problema de control.
En ocasiones el clculo de los LPcost require que se recojan datos de variables que no estn
incluidas en el controlador. Otras veces se utiliza un modelo de estado estacionario para
obtener estos costes. En cualquier caso en la etapa de diseo preliminar es donde deben
especificarse los mtodos de clculo para que todos los datos necesarios sean recogidos
durante las pruebas de planta.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 7


2.3. Identificacin de deficiencias en la instrumentacin y el control bsico

Puede ocurrir que durante el diseo preliminar afloren deficiencias en la instrumentacin o el
sistema de control. Por ejemplo puede que sea recomendable instalar algn analizador en
lnea, sensor de temperatura o de presin diferencial que no exista y sea necesario para que el
controlador pueda alcanzar el mximo beneficio econmico.

Cuando hablamos de deficiencias en el control bsico nos referimos a lazos de control
inestables (mal sintonizados), vlvulas agarrotadas, transmisores que fallan, etc.

El diseo preliminar del controlador es algo que siempre puede modificarse en
posteriores fases del proyecto cuando se va disponiendo de ms informacin sobre el
comportamiento del proceso y existe un mayor conocimiento de la unidad por parte del
equipo de desarrollo.

3. PRE-TEST

El modelo de proceso que utiliza el controlador DMCplus
TM
se obtiene a partir de datos de
planta recogidos durante unas pruebas (step-test) en las que se realizan movimientos en
escaln en todas las variables independientes (manipulada y de perturbacin). Estas pruebas,
que como veremos pueden durar de una a varias semanas, se realizan durante las 24 horas del
da con asistencia de los Tcnicos de Control. Para construir un modelo de proceso lo
suficientemente preciso como para poder optimizar econmicamente la operacin es
necesario que tanto el proceso como la instrumentacin se encuentren en las mejores
condiciones posibles. Toda la instrumentacin debe funcionar de manera adecuada , los lazos
de control deben encontrarse bien sintonizados, las seales ruidosas filtradas y los clculos
inferenciales instalados y trabajando satisfactoriamente.

Puesto que las pruebas en planta requieren un gran esfuerzo de preparacin y de asignacin de
recursos humanos, se llevan a cabo unas pruebas preliminares (pre-test) para asegurarse de
que los step-test se van a realizar de manera continua y rpida y que los datos que se van a
obtener van a ser de la mayor calidad posible.

Los pre.test son, por tanto, una fase muy importante del desarrollo del proyecto. Si los
problemas de instrumentacin y control bsico no se afrontan en su momento, dichos
problemas aparecern en las pruebas en planta y quedarn incluidos en el modelo. Unos step-
test pueden quedar completamente invalidados si falla algn transmisor, si no funcionan
correctamente los analizadores o si los lazos regulatorios no estn bien ajustados. Los pre-test
constituyen la base para todo el trabajo que se va a realizar a continuacin en el proyecto. Ni


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 8

la herramienta de identificacin ni la robustez del software de control multivariable pueden
compensar este tipo de deficiencias.

Los Pre-Test consisten en mover cada una de las variables manipuladas y observar la
respuesta del proceso. Esto proporciona informacin sobre el tiempo de estabilizacin, el
ajuste del sistema de control regulatorio, el tamao de los movimientos de las variables
manipuladas durante los Test de planta y la calidad de las seales que vienen del sistema de
control distribuido (SCD).

Durante la etapa de Pre-Test, se hacen pruebas en la unidad durante el suficiente tiempo para
permitir una inicial identificacin del comportamiento de proceso. Es, por tanto, necesario
que el sistema de coleccin de datos funcione correctamente durante este periodo y as debe
verificarse.

Mientras se realicen los Pre-Test, los lazos de control regulatorio se debern mantener en el
modo que tendrn cuando el controlador multivariable est instalado. Esto nos permite validar
el diseo inicial del controlador y tambin proporciona una oportunidad para verificar el
estado de la instrumentacin de planta.

Al finalizar los Pre-Test, se redacta un documento, describiendo los resultados y todas las
recomendaciones que se deriven de los mismos (deficiencias en instrumentacin o en la
sintona de los lazos bsicos, modificaciones al diseo preliminar, etc.) y se incorpora al
diseo funcional.

4. PRUEBAS EN PLANTA (STEP-TEST)

Las pruebas en planta constituyen la parte ms crtica del conjunto del proyecto. El
funcionamiento del controlador ser tan satisfactorio como lo sea el modelo del proceso.
Todo el tiempo y el esfuerzo invertidos en la preparacin y realizacin adecuada de las
pruebas en planta se recuperan con creces durante el comisionado y, en definitiva, durante
todo el tiempo que el controlador va a estar operando con xito. Unos step-test realizados de
manera inadecuada ven a generar un modelo inadecuado. Si queremos que el controlador
funcione correctamente las pruebas en planta deben realizarse de manera adecuada y es mejor
que se hagan de la manera correcta en el primer intento. Todo lo anterior no significa que sea
especialmente difcil la realizacin de los step-test. Se puede asegurar que es tan fcil
hacerlos bien como hacerlos mal.

Las pruebas de planta consisten en realizar una serie de movimientos en escaln en cada
variable independiente y recoger los datos de todas las variables dependientes en el sistema de
manera que podamos identificar los efectos de las variables independientes sobre las
dependientes. Estas pruebas se llevan a cabo durante 24 horas al da con la presencia de los
Tcnicos de Control durante todo el tiempo. Se debe mantener un "cuaderno de bitcora" en


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 9

que se reflejen todos los movimientos realizados, as como cualquier incidencia que ocurra.
Esta informacin va a ser de mucha utilidad para la fase de identificacin de los modelos
puesto que ayuda en la discriminacin de los datos que pueden ser invlidos, o al menos
"sospechosos".

Durante las pruebas en planta debe considerarse como prioridad absoluta la seguridad de
operacin y el mantenimiento de la calidad de los productos dentro de los rangos
especificados. Con objeto de mantener la unidad en una operacin aceptable, el operador
puede mover aquella variable manipulada que considere necesaria en cualquier instante. En
cualquier caso, los movimientos que se hagan (el tamao y la direccin) deben "negociarse"
por adelantado con el personal de operacin y en particular con el panelista. El tamao de los
movimientos debe ser lo suficientemente grande como para provocar un efecto apreciable
sobre las variables dependientes, pero sin ser tan grande que fuerce un movimiento
compensatorio o una oscilacin de la unidad. La planificacin de los movimientos de cada
variable manipulada se realiza conjuntamente por el personal de operacin y los ingenieros de
control. Desde el punto de vista de la identificacin dinmica, la calidad del modelo es
proporcional al tamao de los movimientos y al nmero de movimientos que se realizan en
cada variable manipulada (duracin de los test).

4.1. Planificacin de los movimientos

El nmero de movimientos que deben realizarse con cada variable independiente debe
situarse entre 8 y 20. Estos movimientos se deben repartir a lo largo de las pruebas, es decir,
que no deben hacerse todos los movimientos de una variable de manera consecutiva. Como
norma general los movimientos deben hacerse de manera independiente y evitando
movimientos correlacionados. Cuanto mayor sea el nmero de movimientos que realicemos,
menor ser la contribucin estadstica de las perturbaciones no medidas en nuestros modelos,
es decir, que en gran medida el nmero de movimientos necesario va a depender de la
presencia de ruido. Si realizamos movimientos a 1/4, 1/2, 3/4, 1 TSS (tiempo que se tarda en
llegar al estacionario) nuestro modelo ser adecuado en un mayor rango de frecuencias, lo que
va a permitir, por ejemplo, un ajuste ms agresivo del controlador y una mejor respuesta
dinmica. Cuantos ms movimientos realicemos de duracin igual o ligeramente superior TSS
mejor ser nuestra estimacin de la ganancia de estacionario que es la que utiliza la
Programacin Lineal en el clculo del punto ptimo de operacin.

En la siguiente figura se presenta un ejemplo de la secuendia de movimientos para una
determinada variable manipulada en la que se ha considerado constante el tamao del escaln
(MV), aunque esto no tiene por qu ser as.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 10



No existe un nmero mgico que asegure un buen modelo con un nmero mnimo de
movimientos. Por esto se recomienda comenzar la identificacin con el software DMCplus
model en cuanto se tengan datos disponibles de manera que las pruebas en planta se
consideren finalizadas slo cuando en nuestros anlisis preliminares hayamos obtenido
respuestas claras de todas las relaciones significativas del proceso.
Para hacer una primera estimacin de la duracin de los step-test podemos utilizar la siguiente
aproximacin:

Duracin = 10 * (nmero de variables independientes) * Tss

5. IDENTIFICACIN DE MODELOS

Al finalizar las pruebas de planta disponemos de los datos en forma de vectores por cada una
de las variables que hayamos recogido. Estos vectores se analizan usando el software de
identificacin con el objeto de obtener un modelo que relacione cada variable dependiente
con cada variable independiente. El primer paso importante en este proceso consiste en la
evaluacin e identificacin de las porciones de datos que consideramos vlidos.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 11

No se va a describir aqu los detalles de la metodologa de la Identificacin, puesto que est
ligada a la utilizacin del software DMCplus model, pero s podemos sealar como
actividades principales:

Realizar las transformaciones requeridas sobre los datos originales.
Utilizar la aplicacin DMCplus model para obtener diversos modelos dinmicos para cada
pareja variable independiente/variable dependiente.
Evaluar los modelos obtenidos y seleccionar los ms adecuados para cada pareja.
Decidir que relaciones de variables dependientes-independientes describen el
comportamiento del proceso (eleccin del modelo final).

6. PROGRAMACIN LINEAL

La Programacin Lineal calcula un nuevo punto de operacin en estacionario que minimiza el
valor de una funcin objetivo sujeta a un conjunto de restricciones en las variables
manipuladas y controladas. Esta funcin objetivo tiene dos trminos: uno "econmico" y otro
que penaliza severamente las violaciones de los lmites impuestos a las variables controladas
en estado estacionario.

= (costes operativos) + M* (Violacin de los lmites de CV's en estacionario)

en donde M es un nmero positivo grande que asegura que la optimizacin del coste
operativo slo se produce si existe un punto de operacin que cumpla con todas las
restricciones impuestas. Cuando no existe ninguna solucin al problema, (no existe ningn
punto de operacin que satisfaga todas las restricciones impuestas) la mejor actuacin que
puede hacer el controlador es relajar aquellas variables que tienen menor importancia.
Recordemos que mediante los parmetros CV Rank y CV LPECE (Hi y Lo) esta informacin
est incluida en el controlador.

En el caso de que exista alguna solucin, el segundo trmino de la ecuacin se hace cero y
podemos hablar de verdadera optimizacin econmica. En lo que sigue vamos a considerar
este caso.

6.1. Clculo de los LPcost

Una formulacin simplificada del beneficio operativo en trminos de costes de operacin y
precios de productos y materias primas (alimentaciones) puede enunciarse de la siguiente forma:



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 12

B =
i
(Qprod
i
*Pprod
i
) -
j
(Qalim
j
*Calim
j
) -
k
(Qutil
k
*Cutil
k
) (1)

donde,

B = Beneficio
Qprod
i
= Caudal del producto i
Pprod
i
= Precio del producto i
Qalim
j
= Caudal alimentacin j
Calim
j
= Coste alimentacin j
Qutil
k
= Caudal de utilities k
Cutil
k
= Precio de utilities k

Formulando la ecuacin (1) en trminos de incremento en el beneficio a partir del estado
estacionario:

B =
i
(Qprod
i
*Pprod
i
) -
j
(Qalim
j
*Calim
j
) -
k
(Qutil
k
*Cutil
k
) (2)

Las tcnicas matemticas de optimizacin tratan de minimizar la funcin objetivo, pero sabemos
que todo problema de maximizacin se puede convertir en un problema de minimizacin
equivalente ya que max (f) = min(-f). En el caso del controlador DMC la Programacin Lineal
intenta minimizar una funcin de coste:

J =
n
MV
n
*LPcost
n
(3)

donde,

J = Variacin en los costes operativos
MV
n
= Cambio en la Manipulada "n" a partir del Estado Estacionario
LPcost
n
= Coeficiente de coste de la variable manipulada n

Como vamos buscando una expresin que nos permita calcular los LPcost para cada variable
manipulada y teniendo en cuenta que las ecuaciones (2) y (3) son equivalentes es necesario
expresar los cambios en caudales de productos, materias primas y consumos de utilities en
funcin de los cambios en las variables manipuladas.

Suponiendo que el proceso es lineal, un cambio en el rendimiento de un producto, en funcin de
un cambio en una variable manipulada, puede expresarse como:


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 13


Qprod
i
=
n
(MV
n
*Gprod
i,n
) (4)
donde,

Qprod
i
= Cambio en el caudal del producto "i"
MV
n
= Cambio en la variable manipulada "n"
Gprod
i,n
= Ganancia en el estado estacionario del producto "i" frente a la manipulada "n".

Para las materias primas puede enunciarse una ecuacin similar en funcin de las variables
manipuladas de la forma:

Qalim
j
=
n
(MV
n
*Galim
j,n
) (5)
donde,

Qalim
j
= Cambio en el caudal de la alimentacin "j"
MV
n
= Cambio en la variable manipulada "n"
Galim
j,n
= Ganancia en el estado estacionario de la alimentacin "j" frente a la MV "n".
y para las utilities,

Qutil
k
=
n
(MV
n
*Gutil
k,n
) (6)
donde,

Qutil
k
= Cambio en el caudal de la utility "k"
MV
n
= Cambio en la variable manipulada "n"
Gutil
k,n
= Ganancia en el estado estacionario de la utility "k" frente a la MV "n".


Sustituyendo en la ecuacin (2) los valores de las ecuaciones (4),(5) y (6), obtenemos la Funcin
Objetivo expresada en trminos de incrementos de las variables manipuladas, tal como est
definida la funcin de costes del DMC:

P =
i
[
n
(MV
n
*Gprod
i,n
* Pprod
i
]
-
j
[
n
(MV
n
*Galim
j,n
* Calim
j
]
-
k
[
n
(MV
n
*Gutil
k,n
* Cutil
k
]



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 14

Recomponiendo los trminos de la ecuacin y poniendo en funcin de MV(n):

P =
n
[
i
(Gprod
i,n
* Pprod
i
) -
j
(Galim
j,n
* Calim
j
) -
k
(Gutil
k,n
* Cutil
k
)]* MV
n


Comparando con la ecuacin (3) utilizada por el DMC, la expresin resultante para los LPcost es:

LPcost
n
= -
i
(Gprod
i,n
* Pprod
i
) +
j
(Galim
j,n
* Calim
j
) +
k
(Gutil
k,n
* Cutil
k
)

Las ganancias en el estado estacionario utilizadas en esta ecuacin pueden haberse obtenido
directamente durante las pruebas en planta obteniendo los modelos correspondientes (aunque no
se vayan a utilizar en el controlador puesto que los caudales de productos, de materias primas y
de utilities no tienen por que ser variables controladas o manipuladas por el DMC) o pueden
obtenerse a partir de modelos off-line de estado estacionario (Hysys, AspenPlus, etc). En el caso
de utilizarse ganancias obtenidas a partir de los datos de las pruebas en planta, habr que poner
especial cuidado en asegurarse de que se utilizan valores coherentes con el mantenimiento de los
balances de materia y energa, aunque esto suponga tener que modificar las ganancias que
proporciona el identificador.

Los precios de los productos y los costes de las materias primas y las utilities normalmente los
proporciona el departamento de Planificacin. No hay que olvidar que la Programacin Lineal
utiliza un modelo muy simplificado de la economa del proceso por lo que habr que entender
muy bien los objetivos operativos y econmicos a la hora de asignar los LPcost definitivos.

En controladores pequeos, con pocas variables manipuladas, puede ocurrir que sean una o dos
variables manipuladas las que dominen en la funcin objetivo y , en estos casos, se puede
prescindir del clculo riguroso e "inventarse" unos valores de LPcost que reproduzcan el
comportamiento deseado, pero cuanto ms complejo es el sistema, ms peligroso se hace utilizar
valores no rigurosos para los LPcost.

6.2. Criterio LP

En el apartado anterior hemos visto cmo se calculan los LPcost a partir de la informacin
sobre precios y costes. Pero, con relativa frecuencia, una variable manipulada por el
controlador tiene poco o ningn impacto econmico sobre el proceso. En estos casos resulta
ventajoso penalizar el movimiento de dicha variable en cualquier sentido (aumentar o
disminuir). En este caso hablamos de variables de mnimo movimiento en vez de variables
de coste (que son las que hemos visto hasta ahora). El LP Criterion es el parmetro de ajuste
que permite especificar si una variable manipulada debe ser tratada como variable de coste o
variable de mnimo movimiento.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 15

El LPcost que especifiquemos para una variable de mnimo movimiento es, realmente, una
penalizacin al movimiento de dicha variable por lo que siempre debe tener un valor positivo.
La magnitud de este valor va a afectar a la disponibilidad de otras variables manipuladas con
vistas a la optimizacin. Si ponemos un LPcost muy grande, el coste asociado al movimiento
de la variable va a ser tan grande que dicha variable no va a moverse. Si el LPcost es
pequeo, entonces habr otras variables que se podrn mover en la direccin ms provechosa,
aunque esto exija movimientos en la variable definida como de mnimo movimiento.

Para saber si el comportamiento del controlador con respecto a los objetivos econmicos es el
deseado, la mejor manera es utilizar la simulacin y probar distintos escenarios.

7. SIMULACIN Y AJUSTE

El modelo obtenido en la fase de identificacin se utiliza para crear la matriz de control que
va a utilizar el controlador. La matriz de control tambin la utiliza el programa de simulacin
DMCplus simulate que permite al usuario ajustar el controlador y simular la respuesta del
sistema en distintos escenarios.

La simulacin constituye la mejor herramienta para obtener los parmetros de ajuste con que
iniciar el comisionado. Estos parmetros son, fundamentalmente los Move Supression de las
variables manipuladas y los Equal Concern Errors de las variables controladas. Tras elegir
unos valores iniciales se van simulando distintas situaciones y se analiza la respuesta del
controlador, la dimensin de los movimientos que efecta y el tiempo que tarda en rechazar
una perturbacin. Tambin se debe comprobar a travs de la simulacin que con los LPcost
calculados el controlador cumple los objetivos econmicos fijados.

Una vez satisfechos con los resultados del ajuste, la matriz de control puede ser transferida al
controlador propiamente dicho.

8. INSTALACIN

La instalacin del controlador en lnea consiste en cargar en la plataforma elegida para control
de proceso (ordenador de control) el fichero que contiene el modelo dinmico, fichero.mdl y
el fichero que contiene toda la configuracin del controlador (parmetros de ajuste, lmites,
nombre de las variables, etc. ), fichero.ccf . Adems hay que crear, en el sistema de control
distribuido (DCS) un conjunto de puntos y grficos de operacin. Debe verificarse que el
programa funciona correctamente y se comunica con los puntos del sistema de control
distribuido. Antes de hacer todas estas verificaciones, los lmites de operacin de las variables
manipulada deben estrecharse mucho para evitar que un mal funcionamiento del programa
provoque una perturbacin.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 16


Una vez instalado el controlador, ste no se conecta inmediatamente, sino que se mantiene
durante un tiempo en "Prediccin" leyendo los valores de las variables independientes y
dependientes y calculando los valores futuros predichos para las variables controladas. Esta
prediccin se compara con el comportamiento actual de la planta, y la diferencia constituye el
Error de prediccin. Tambin se muestran los movimientos que el controlador realizara si
estuviera conectado. El Tcnico de Control deber evaluar estos errores de prediccin y los
movimientos de control calculados. Si los errores de prediccin son inaceptables para alguna
CV habr que volver a re-evaluar dicho modelo. Cuando los errores de prediccin son
aceptables, el controlador en lnea est listo para comenzar el comisionado.

9. COMISIONADO

El comisionado consiste en la conexin del controlador al proceso en lazo cerrado una vez
que se ha evaluado el comportamiento del mismo en "prediccin" y se han realizado los
cambios requeridos en los parmetros de ajuste. En este punto tambin es necesario impartir
una formacin preliminar a los operadores de manera que puedan entender los objetivos de
control, la informacin que se muestra en pantalla sobre el controlador y la manera de
interactuar (conectar, desconectar, visualizar las diferentes variables, modificar los lmites,
etc.).

La primera vez que se conecta el controlador los lmites de las variables manipuladas deben
situarse cerca del punto de operacin de partida. Una vez que se ve que el controlador se ha
conectado sin problemas y que los movimientos que calcula e implementa son razonables, los
lmites de operacin de las variables manipuladas se van relajando poco a poco.

Si el controlador acta correctamente deber llevar al proceso desde el punto de operacin
inicial hasta un punto de operacin ptimo calculado por la Programacin Lineal. Cuando las
condiciones o las especificaciones cambian, el controlador deber llevarse al proceso
suavemente hacia el nuevo punto ptimo.

Segn avanza el comisionado y se observa la respuesta del controlador a perturbaciones de
distinta ndole, puede ocurrir que haya que modificar alguno de los parmetros de ajuste para
mejorar la respuesta del controlador, hacerla ms suave o modificar las prioridades con que el
controlador corrige los errores en las distintas variables.

10. FORMACIN

Cuando el controlador en lnea est operando de manera aceptable es el momento de llevar a
cabo la formacin "formal" de los operadores. En estos cursos se explica en lneas generales


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 17

cmo trabaja un controlador DMC y se expone el diseo particular del controlador as como
las instrucciones sobre la mejor manera de manejar las variables disponibles para la operacin
con el controlador (lmites de las variables controladas y lmites de las variables
manipuladas).


11. DOCUMENTACIN DEL PROYECTO

En un proyecto de Control Multivariable normalmente se generan tres documentos:

Documento de diseo funcional en el que se describe el problema que quiere resolverse
con la aplicacin y se genera en los primeros momentos del proyecto. Es una declaracin
de intenciones.

Manual de Operacin que constituye la gua de operacin del controlador y que debe
contener toda la informacin necesaria para el personal de operacin. Este manual se
genera al finalizar satisfactoriamente la fase de comisionado.
Manual de ingeniera en el que se incluye toda la documentacin tcnica necesaria para
el mantenimiento de la aplicacin por parte del Tcnico de Control Avanzado. Tambin
se genera una vez finalizado el comisionado.

Para facilitar las labores de mantenimiento se tiende a unificar todo lo anterior en un nico
documento, de manera que el Diseo Funcional se incorpora al Manual de Operacin y ste a
su vez constituye una parte del Manual de Ingeniera.

12. MANTENIMIENTO Y SEGUIMIENTO

Los controladores multivariables requieren un ajuste fino de sus parmetros para poder
funcionar de forma ptima y obtener todo su potencial beneficio econmico. Una vez
instalados, sintonizados y comisionados hay que asegurar que van a seguir funcionando
correctamente durante un largo periodo de tiempo.

El sistema de control bsico debe funcionar adecuadamente y de manera estable para que el
controlador DMC opere de manera apropiada. Algunas medidas son crticas para la operacin
del controlador y si dichas medidas fallan el controlador se va a desconectar. Pero aunque una
medida sea no crtica para el controlador, tambin tiene su importancia. Por ejemplo, si falla
la medida de una variable de perturbacin no crtica el funcionamiento del controlador se va a
deteriorar puesto que dicha variable pasar a ser una perturbacin no medida que el


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 18

controlador slo va a "ver" a travs del mecanismo de feedback. Una buena medida consiste
en mantener una lista de instrumentos crticos para el funcionamiento del controlador, de
manera que dichas medidas sean puestas fuera de servicio antes de realizar cualquier labor de
mantenimiento o calibracin para evitar "saltos".

Si la economa del proceso cambia se deben reflejar dichos cambios en los LPcost para que el
controlador lleve al proceso al ptimo econmico en la nueva situacin. Se debe trabajar
conjuntamente con los departamentos de Planificacin para asegurarse de que se dispone
siempre de informacin econmica actualizada.

Por ltimo, cuando se realizan modificaciones fsicas en el proceso, lo ms normal es que
haya que actualizar los modelos del controlador. Si los cambios han sido realmente
importantes habr que realizar nuevas pruebas en planta y construir un modelo que incorpore
todas las modificaciones realizadas. El esfuerzo de comisionado va a ser bastante menor que
el realizado la primera vez puesto que existe una mayor familiarizacin con el proceso.

El seguimiento de un controlador multivariable es una tarea compleja que se puede realizar en
varios niveles de profundidad. A continuacin se exponen los niveles mnimos que aseguran
una deteccin temprana de la posible degradacin del controlador.

Vamos a partir de un controlador ya comisionado cuyo funcionamiento inicial se considera
correcto, pero hay que volver a repetir que para que un DMC funcione adecuadamente todas
las fases de desarrollo del proyecto deben haberse realizado de manera concienzuda y
detallada.

12.1. Conexin

Aunque ste no es un indicador muy selectivo, es de obligada utilizacin. El que un
controlador est conectado es una condicin necesaria aunque no suficiente para capturar el
beneficio potencial de la aplicacin. Este indicador deber utilizarse siempre en combinacin
con otros.

La desconexin de un controlador puede producirse de forma automtica o bajo demanda del
operador. La persona que realiza el seguimiento debe entender claramente la causa de la
desconexin y evaluar si dicha desconexin est justificada y si se siguen manteniendo las
condiciones que han provocado la desconexin. Cuando el controlador ha sido desconectado
por el operador, ste debera reflejar en algn soporte (libro del turno, libro de relevo, libro de
incidencias de los controladores) la causa de la desconexin. Cuando el controlador se
desconecta de forma automtica se genera un fichero que permite analizar y simular la
situacin en que se produjo la desconexin.

12.2. Estado del controlador



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 19

Cuando se disea y se pone en marcha un DMC, al determinar los objetivos y fijar los Lpcost
queda definida la direccin en la que controlador obtiene el mximo beneficio. En cada
unidad existen una serie de restricciones que son las que habitualmente, si los lmites estn
bien asignados, van a actuar de freno al empuje del controlador en la direccin del mnimo
coste. Estas restricciones activas son muy predecibles porque Operacin ya conoce de
antemano cules son las limitaciones ms importantes de la planta.

Este conjunto de restricciones activas habituales o anticipadas constituye lo que llamamos el
estado ideal del controlador. Este estado debe ser conocido y entendido por el operador y su
descripcin y justificacin debera formar parte del Manual de Operacin del controlador.

El nivel ms bsico de seguimiento, pero seguramente el ms efectivo, consiste en comparar
el estado real del controlador con el estado ideal, analizar las discrepancias y tomar las
acciones correctivas oportunas. Los lmites mal asignados (rangos excesivamente estrechos en
las variables manipuladas o en algunas variables controladas) se traducen en estados no
deseables, la eliminacin de variables del controlador debido a problemas de instrumentacin
tambin se traduce en estados no deseables.


12.3. Variables controladas

Para evaluar el funcionamiento desde un punto de vista estrictamente de control, sin tener en
consideracin las capacidades de optimizacin de los controladores multivariables,
simplemente hay que analizar el comportamiento de las variables controladas. Cuando todas
las variables controladas estn dentro de los lmites asignados, estableciendo las tolerancias
que sean razonables, el DMC estar desarrollando correctamente su funcin. No parece que
sea muy complicado establecer un indicador que cuantifique este comportamiento. Otra
cuestin es si los lmites se han asignado correctamente, pero eso es algo externo al
controlador.

En cuanto a las inferencias, adems de comprobar si su valor se encuentra dentro de los
lmites establecidos, habr que comparar con el resultado del laboratorio o el analizador en
lnea si lo hubiera. Esta labor de mantenimiento y seguimiento de las inferencias se ver con
algo ms de detalle ms adelante.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 20


12.4. Variables manipuladas/grados de libertad

Uno de los primeros sntomas de degradacin de los DMCs es que alguna variable
manipulada deja de estar disponible para el controlador (alcanza su lmite alto o bajo y se
convierte en restriccin activa) sin que exista ninguna razn operativa para ello. En este caso
decimos que el controlador ha perdido un grado de libertad. Salvo excepciones que deben
sealarse claramente en el Manual de Operacin del controlador, las restricciones activas
deben ser variables controladas. As, el nmero de variables manipuladas disponibles para el
controlador es un buen indicador de funcionamiento.

12.5. Cumplimiento de objetivos

Un controlador multivariable es una herramienta de ayuda a Operacin para la consecucin de
unos determinados objetivos. Estos objetivos guan desde el principio el diseo del
controlador y ayudan a definir el alcance y la estructura. Normalmente los objetivos de
operacin ms significativos de la planta quedan reflejados en los objetivos fijados al
controlador. Si esto no es as es que no se ha realizado el diseo correcto.

Los objetivos de operacin de cada unidad de proceso generalmente los define Planificacin
con una visin ms amplia de las estrategias de negocio de la planta industrial, utilizando la
programacin lineal como herramienta bsica de optimizacin. Tambin Procesos participa en
la definicin de objetivos de operacin. El seguimiento del funcionamiento de las unidades,
independientemente de que exista o no un controlador multivariable, se puede hacer a travs
de los denominados KPIs (key process indicators), que constituyen los indicadores clave para
evaluar, desde el punto de vista de proceso, el comportamiento de la planta.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Metodologa de Proyectos
Master ISA de Instrumentacin y Control Pgina 21

13. BIBLIOGRAFA

Friedman, Z. Avoid advanced control project mistakes Hydrocarbon Processing,
October 1992

Friedman, Z. Advanced process control: it takes effort to make it work
Hydrocarbon Processing, February 1997

W.J. Korchinski , T.W. Hoffman and D. W. Hoffman Tips for control
engineers.Use these guidelines to improve project success Hydrocarbon
Processing, September 1998

Warren Mitchel, David Shook Matrikon Inc.Industrial application of
Multivariable Controller Analysis and Monitoring Techniques ERTC Computing
2003, Milan

Kees den Bakker, Chris Seppala, Rob Snoeren Shell Global Solutions Maintaining
the optimum advanced process control Petroleum Technology Quarterly, Winter
2003


M.J. King Whitehouse Consulting How to lose money with inferential properties
Hydrocarbon Processing, October 2004

M.J. King Whitehouse Consulting Advanced Control: The next Challenge, ERTC
Computing 2003, Milan

P. Grosdidier Grosdidier Consulting Servives Improve APC project success,
Hydrocarbon Processing, October 2004


9C
1
PRCTICAS DE
CONTROL
MULTIVARIABLE



FICHA IDENTIFICATIVA DEL DOCUMENTO:

Master ISA de instrumentacin y control
Mdulo: 9 Control Basado en Modelos
Tema: 9-C Guin de Prcticas
Revisin actual: 1 Fecha: 22-Mar-2005
Autor: Rafael Gonzlez Martn, Francisco Cifuentes Ochoa




Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 2

Guin de Prcticas

ndice

1. LINEALIDAD Y SUPERPOSICIN 3
2. DETERMINACIN DE LOS COEFICIENTES DE LA
RESPUESTA ESCALN. 4
3. IDENTIFICACIN DINMICA CON DMCPLUS 5
4. GENERACIN DE LA LEY DE CONTROL 13
5. OPTIMIZACIN EN ESTADO ESTACIONARIO 15
6. CLCULO DE LOS LPCOST 17
7. AJUSTE DE PARMETROS DEL DMCPLUS
TM
18
8. RAMPAS 25




Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 3


1. LINEALIDAD Y SUPERPOSICIN

En la figura siguiente se presenta la respuesta de un proceso con 2 MVs. Aplicando el
principio de superposicin y linealidad, calcular las relaciones dinmicas individuales de CV1
vs. MV1 y CV1 vs. MV2.

En el dibujo todas las escalas son iguales.

CV1
MV1
MV2
0
CV1 vs. MV1 CV1 vs. MV2
0





Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 4

2. DETERMINACIN DE LOS COEFICIENTES DE LA RESPUESTA
ESCALN.

En la figura siguiente se presenta la respuesta de un proceso con 2 MVs y una CV. Calcular
los coeficientes de las respuesta a escaln de CV1 vs. MV1 y CV1 vs. MV2, considerando
que el nmero de coeficientes de cada modelo individual es siete.



CV1
MV1
MV2
0
CV1 vs. MV1 CV1 vs. MV2
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
0




Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 5


3. IDENTIFICACIN DINMICA CON DMCPLUS


El objeto de este ejercicio es la identificacin de un proceso utilizando la herramienta de
modelado de Aspentech DMCplus-Model sobre datos simulados de planta de varios step-test
realizados en el fraccionador que se muestra en la figura siguiente:





FI
2005
carga
TIC
2003
FIC
2100
FIC
2001
FIC
2004
FIC
2002
Producto
intermedio
Producto
de cabeza
Producto
de fondo
Al
2021
Al
2022
Manipuladas
FIC-2001
FIC-2002
TIC-2003
FIC-2004
FeedForward
FI-2005
Controladas
AI-2020
AI-2021
AI-2022
Al
2020
LC
LC
FIC
2102
FIC
2101




Los datos corresponden a unas pruebas que se iniciaron a las 8:14:00 del 1 de Octubre de
1996 hasta las 9:13:00 del 5 de Octubre de 1996 con un intervalo de muestreo de 60 segundos
y fueron almacenados en unos ficheros tipo clc. Estos datos se encuentran en el fichero
FRACTIONATOR.CLC

Utilizando estas notas a modo de gua deber evaluarse la bondad de los datos y desarrollar
los modelos dinmicos del proceso.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 6

Paso #1 : Importar los datos de proceso

Desde la ventana principal, hacer doble click sobre el icono de DMCplus-Model.
Aparecer la pantalla de DMCplus-Model. Durante unos segundos se observar una
pantalla de presentacin y despus se abrir un proyecto vaco.

Lo primero que vamos a hacer es importar conjuntos de datos que representan los periodos
de pruebas.

Antes de importar los datos hacer click en File. En el cuadro de dilogo, seleccionar Save
Project As. Cambiar el nombre (por ejemplo practica3.dpp) y guardarlo en el directorio
que se haya asignado para las prcticas (por ejemplo CURSODMC/P3).

No utilizar el nombre que aparece por defecto ! (Si se salva el proyecto con un nuevo
nombre se disminuye muchsimo el tiempo que se va a tardar en hacer los sucesivos salvados)

Importando los datos :

En la barra de herramientas, seleccionar File, Import, Vectors hasta llegar al cuadro de
dilogo Import Vectors.... Dependiendo de la procedencia de los datos, en la parte
inferior del cuadro de dilogo se seleccionar el archivo tipo correspondiente.

En este ejemplo vamos a utilizar ficheros. clc. datos que se han recogido utilizando el data
collector de DMCplus. Tambin existe la posibilidad de importar datos que se hayan
obtenido con el programa SMCA de Setpoint (en este caso los ficheros seran .hdr ).

El fichero FRACTIONATOR.CLC que vamos a importar se encuentran en el directorio
CURSODMC/P3. Aparecen dos cuadros de dilogo, uno que informa sobre las fechas de
captura de datos (Data Range Available) y otro que permite seleccionar el intervalo de
tiempo de extraccin de datos que se quiera utilizar para la construccin del modelo (Data
Range to Extract). En este ejercicio se van a tomar todos los datos.

Paso #2 : Localizar y marcar los datos invlidos

Despus de haber importado los datos, la ventana resumen del proyecto mostrar que la
carpeta Vector Lists tiene algn contenido como lo indica el smbolo que aparece al
lado de la carpeta. Pulsando sobre la carpeta Vectors aparece el contenido de la carpeta, en
este caso los vectores que hemos importado. Si pulsamos dos veces sobre alguno de los
vectores aparece la representacin grfica de la variable en cuestin frente al tiempo.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 7

Pulsando el botn derecho del ratn se despliega un men con la opcin View Vectors que
nos permite ver a la vez todos los vectores que tengamos sealados

Con la opcin Vector Lists se pueden clasificar los vectores recogidos en distintos
listados, por ejemplo manipuladas, controladas... Para ello pulsamos el botn derecho del
ratn encima de la carpeta de vector list y seleccionados la opcin new vector list.
Aparece entonces un cuadro de dilogo en el que debemos introducir dentro de la pestaa
General el nombre que queramos dar a nuestra lista de vectores (por ejp. vectores), bajo
esta pestaa se pueden introducir los comentarios que se consideren oportunos para
aclarar el contenido de la lista. Dentro de la pestaa Members se deben declarar los
miembros de la lista. Si nos vamos a la ventana resumen del proyecto veremos que la
carpeta de listas de vectores contiene ahora una lista con el nombre que le hayamos dado
(vectores). Pulsando encima de la lista de vectores aparece informacin sobre la dicha
lista. Pulsando dos veces aparece una representacin grfica de los vectores que
conforman la lista, si se quisiese visualizar un nmero determinado de vectores se puede ir
al menu Format y en la opcin Set Plots per Page definir dicho numero. Una vez creada
una lista es posible modificarla pulsando el botn derecho del ratn sobre la lista
seleccionada y seleccionando Properties of El alumno debe crear una lista de
vectores que contenga las variables independientes y otra que contenga las variables
dependientes.

El grfico de tendencia que aparece permite seleccionar conjuntos de datos a travs del
ratn. Adems de las opciones del men principal pueden utilizarse los botones de la barra
de herramientas para inspeccionar los datos y marcar las zonas de datos que deben
excluirse para el anlisis. Los botones que se utilizan para esto son :

- Amplia o reduce la zona de datos seleccionada

- Muestra el siguiente conjunto de vectores

- Marca los datos como invlidos o muestra valores

Inspeccionar los datos de proceso y marcar las zonas de datos no vlidos. Si se quiere, se
pueden incluir comentarios para cada conjunto de datos invlidos que describa la razn por
la que se consideran no vlidos.

En el caso de querer borrar un Bad Slice se puede realizar pulsando el botn derecho del
ratn y dentro del men que se despliega seleccionando el comando Edit Bad Slices. Aqu


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 8

se deber tener en cuenta si el Slice que se quiere borrar afecta a todas las variables
(Global Slice) o ha sido solo definido en un determinado vector.

Paso #3 : Definir los parmetros para la Identificacin del Modelo

Cuando hemos identificado los datos invlidos podemos definir los parmetros de los
casos que vamos a utilizar para el anlisis y la creacin de los modelos de respuesta
dinmica. Esta definicin se realiza en la carpeta de casos (Cases) del proyecto.
En la ventana resumen del proyecto pulsar el botn derecho sobre la carpeta de casos
(Cases) para desplegar un men del que elegimos la opcin New Case. Se abrir entonces
el cuadro de dilogo de propiedades del caso.

En la pestaa General se debe especificar un nombre para el caso. En la pestaa Vectors
se definen las variables dependientes e independientes para cada conjunto de datos.
Utilizar el botn Add para aadir los vectores de variables dependientes e independientes
al caso, estos vectores se pueden tomar tanto de la lista que incluye todos los vectores
como de las distintas listas de vectores que nos hayamos creado (la creaccin de estas
listas facilita la seleccin de los distintos vectores que se van a incluir en los distintos
casos).

El anlisis slo debe realizase con aquellos datos que son vlidos para todas las variables
dependientes e independientes. La pestaa Slices se utiliza para definir los datos que van a
utilizarse. Pulsando en el botn Rebuild el programa calcular automticamente los datos
vlidos a partir de los datos que hemos marcado anteriormente como no vlidos.

La ltima pestaa (Parameters) corresponde a la definicin de las suposiciones que se
hacen sobre las caractersticas del modelo. Para aadir un nuevo conjunto de parmetros
para analizar se utiliza el botn Add. Cada conjunto de parmetros consiste en el tiempo
que tarda en llegar al estado estacionario (Time to Steady State), el nmero de coeficientes
del modelo (Number of Coeffients) y el factor de suavizado (Smoothing Factor) que indica
cunto vamos a filtrar los datos (a mayor factor de suavizado, mayor es el filtrado que
estamos aplicando a los datos).

Se pueden modificar los casos pulsando el botn derecho del ratn teniendo seleccionado
el caso que se quiera modificar y seleccionando dentro del men desplegable la opcin
Properties of


Para esta prctica vamos a crear los conjuntos de parmetros que se definen a continuacin y
despus cerraremos el dilogo pulsando Aceptar.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 9


Time to Steady State Number of Coefficients Smoothing Factor
30 30 5
60 60 5
90 90 5
120 120 5






Los modelos dinmicos se crean cuando se corre el caso que acabamos de definir. Para
esto desde la ventana resumen del proyecto, pulsar el botn derecho del ratn sobre el caso
que quiera analizarse. Del men que aparece elegir la opcin Run.

3.1.1. Paso #4 : Evaluacin de los modelos obtenidos

Cuando el caso ha sido corrido podemos pulsar el botn derecho sobre el caso que se ha
corrido para acceder al men. Seleccionar View para crear una grfica de los resultados del
caso analizado.

Para cada pareja variable independiente/variable dependiente se mostrarn varios modelos
(uno por cada coleccin de parmetros definidos en el caso). Para crear el modelo que va a
utilizar el controlador, hay que elegir, para cada pareja, la curva que mejor representa el
verdadero comportamiento del proceso.

Como criterios generales para evaluar la calidad de los diferentes modelos pueden
utilizarse los siguientes :

1. Las curvas sin filtrar y filtradas deben tener una apariencia similar.
2. Los diferentes supuestos sobre el tiempo al estacionario deben generar resultados
similares.
3. Las curvas que se obtengan deben estar en concordancia con nuestro conocimiento
del proceso.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 10


Evaluacin del modelo a partir de la prediccin de los datos de partida :

Los modelos obtenidos pueden tambin utilizarse para predecir los valores originales de
las variables independientes.

Pulsando el boton derecho sobre la carpeta Prediction se despliega un men del que se
selecciona New Prediction. En la pestaa General se debe especificar el nombre de la
prediccin. En la pestaa Vectores se debe elegir el modelo que va a utilizarse para realizar
la prediccin as como seleccionar las variables independientes y las dependientes que
queremos predecir utilizando el modelo elegido. Pulsando el botn Add aparecer una
lista de las variables de las que elegiremos aquellas que queramos predecir. Cuando se
haya finalizado la seleccin, se cierra el cuadro de dilogo presionando el botn Ok.

El programa va a crear la prediccin de las variables dependientes y abre una grfica en la
que se muestra el valor real de la variable, el valor predicho y el error de prediccin.
Esta grfica se ve mejor si elegimos Scale en el men principal y utilizamos la opcin
Common.

Las grficas que hemos obtenidos nos van a ser de gran ayuda a la hora de elegir las curvas
ms representativas para cada pareja variable independiente/dependiente en el modelo final
que utilizar el controlador

Paso #5 : Creacin del modelo que utilizar el controlador

Para crear el modelo final se va a la carpeta Models. Pulsando el botn derecho sobre
dicha carpeta se despliega un menu del que se selecciona Assemble a New Model.

En la pestaa General se especifica el nombre del modelo, adems del tiempo al estado
estacionario y el nmero de coeficientes del modelo. Para esta prctica, elegir estos
parmetros de manera que el controlador se ejecute cada minuto.

La pestaa Tags se utiliza para especificar las variables que van a formar parte del
controlador. Los nombres de las variables se aaden de la misma manera que se aadieron
los vectores en la definicin de los casos. Hay que asegurarse de que en la lista de
variables independientes, las variables manipuladas se encuentran al principio y las
variables de feed-forward al final. Esto se puede hacer con los botones Move Up y Move
Down. Cuando se hayan aadido todas las variables pulsar el botn Aceptar para crear el
modelo. En este momento el modelo es una cuadrcula vaca con tantas columnas como
variables controladas y tantas filas como variables manipuladas.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 11



Pulsar dos veces encima del nombre del modelo para abrir el grfico que corresponde al
modelo vaco. Pulsar tambin dos veces encima de los distintos casos, para obtener las
grficas correspondientes a dichos casos, o encima de las otras listas de modelos
correspondientes a los casos analizados.

Ahora podemos copiar las curvas obtenidas al analizar el caso al modelo final del
controlador. Para ello se selecciona la pestaa del caso que queremos copiar (Por ejemplo
Caso1 [N =90 T =90 S =5]), se marcan las curvas que queremos y se arrastran hasta la
ventana del modelo del controlador donde se sueltan. El programa se encarga de
colocarlas en el lugar adecuado en el modelo del controlador. Para facilitar este paso se
pueden disponer las ventanas del modo que nos sea ms cmodo seleccionando la opcin
Window del men principal y eligiendo las disposicin de ventanas que prefiramos (Tile
Horizontally o Tile Vertically).

Cuando hayamos elegido todas las relaciones significativas en el nuevo modelo, volver a la
ventana resumen del proyecto. Abrir la carpeta Models y pulsar el botn derecho encima
del modelo del controlador. Seleccionar la opcin Exportar (Export) y salvar el modelo
con el nombre practica3.mdl en directorio CURSODMC/P3.

Si queremos podemos imprimir una copia de los distintos resultados del caso o del modelo
final del controlador. Esto se hace abriendo una ventana con la grfica del modelo que
queramos imprimir y pulsando el botn de impresin de la barra de herramientas o
seleccionando File, Print en el men principal.

El modelo obtenido debe ser algo parecido a lo siguiente :



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 12



















Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 13


4. GENERACIN DE LA LEY DE CONTROL
La solucin a la prctica uno es :
0
CV1 vs. MV1 CV1 vs. MV2
0

1 PARTE

Teniendo en cuenta estos modelos, calcular la ley de control del periodo de muestreo actual
(MV1
0
, MV2
0
), usando un horizonte de control de 3 perodos de muestreo (MV1
0..2
,
MV2
0..2
), para que se cumpla el siguiente escenario de control :



















? ? ? ? ? ?
MV1
MV2
Punto de Consigna
Respuesta Libre
Futuro
CV1
t=0
t=0 t=0


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 14


Nota : En primer lugar determinar qu horizonte de prediccin resulta adecuado.


2 PARTE

Repetir la primera parte para el siguiente instante de muestreo, considerando como
condiciones iniciales lo que se haya calculado en la primera parte, es decir manteniendo el
punto de consigna y usando la nueva respuesta libre actualizada.





Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 15


5. OPTIMIZACIN EN ESTADO ESTACIONARIO


En una columna estabilizadora se trabaja a condensacin total obtenindose LPG por cabeza y
Nafta estabilizada por fondo. La columna se opera a una presin constante de 10 kg/cm
2
y las
variables que manipula el controlador DMC son el reflujo y caudal de vapor de 9 kg/cm
2
que
se utiliza como fluido calefactor en el reboiler. Las variables de calidad son el % de
isopentanos en el LPG y la PVR de la Nafta que se miden una vez al da en el laboratorio.
Puesto que no se dispone de analizadores en lnea el controlador utiliza la temperatura del
plato 5 (cerca de la cabeza) y la temperatura de fondo como variables controladas. Para evitar
la inundacin tambin se controla la prdida de carga a travs de la columna. El caudal de
carga a la columna se utiliza como variable de perturbacin.

Tras la realizacin de una serie de pruebas (step-test) en la columna se han obtenidos las
siguientes ganancias en estado estacionario.


T #5 (C) T
f
(C) P (kg/cm
2
) LPG(Tm/h) Nafta (Tm/h)
Reflujo (m
3
/h) -1 -0.5 0.1 -0.2 0.2
Vapor (Tm/h) 3 4 0.3 0.5 -0.5
Carga (Tm/h) -2 -1 0.2 0.3 0.7


Los lmites determinados por operacin son los siguientes :


T #5 (C) T
f
(C) P (kg/cm
2
) Reflujo (m
3
/h) Vapor (Tm/h)
Hi Limit 65 140 1 60 4
LowLimit 58 130 0.1 25 2

La columna se encuentra estabilizada en el punto de operacin :

Carga (Tm/h) Reflujo (m
3
/h) Vapor (Tm/h) T #5 (C) T
f
(C) P (kg/cm
2
)
100 50 3.5 62 135 0.5



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 16

Si los precios de productos y el coste del vapor son :

20000 pts/Tm LPG
25000 pts/Tm Nafta
2000 pts Tm de vapor

1.- Calcular los Lpcost para las variables manipuladas.
2.- Obtener las ecuaciones que representan las restricciones tanto de las variables
manipuladas como de las controladas
3.- Utilizando el Solver de Excel, calcular el punto ptimo de operacin que va a determinar
la programacin lineal.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 17


6. CLCULO DE LOS LPCOST


En este ejercicio vamos a calcular los Lpcost que utilizar el controlador DMCplus para el
fraccionador que hemos visto en la prctica n3. Durante las pruebas en plantas (step-test) se
recogieron datos de variables que no aparecen en el controlador como variables dependientes.
Esta informacin del proceso es la que vamos a utilizar para calcular el impacto econmico de
mover las variables manipuladas.

Para determinar los Lpcost tendremos que crear los modelos que muestren cmo estn
afectadas dichas variables en el estacionario por los cambios en las variables independientes.
Las ganancias en estacionario adems de la informacin econmica que se muestra a
continuacin nos permitir calcular los Lpcost. Suponemos que el calor del reflujo
intermedio se recupera en alguna corriente de proceso.

Variable Valor econmico
FIC-2101 Producto de cabeza $ 5.00 /Bbl
FIC-2002 Producto intermedio $ 2.50 /Bbl
FIC-2102 Producto de Fondo $ 3.00 /Bbl
FIC-2100 Fuel Gas $ 210 /Nrg
QI-2106 Duty reflujo intermedio $ 170 /Nrg
FI-2005 Carga $ 2.00 /Bbl


Calcular los Lpcost para este controlador a partir de los datos de proceso y de los datos
econmicos suministrados. Crear una hoja Excel que haga los clculo de manera que
podamos realizar anlisis de sensibilidades para distintos precios de los productos.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 18

7. AJUSTE DE PARMETROS DEL DMCPLUS
TM



El objetivo de esta prctica es familiarizarnos con el programa DMCplus-Simulate. Vamos a
dar por supuesto que ya disponemos de la informacin econmica y hemos establecido la
Funcin Objetivo de la Programacin Lineal y hemos seleccionado los Equal Concern Errors
adecuados para la respuesta del controlador con respecto al error en cada variable
dependiente.

Lo que necesitamos hacer ahora para terminar el ajuste inicial del controlador es seleccionar
los Move Supression Factors adecuados. Para ello examinaremos la magnitud de los
movimientos que propone el controlador cuando se enfrenta a las perturbaciones tpicas ms
representativas. El controlador va a predecir varios movimientos hacia el futuro y, en
cualquier caso, todos estos movimientos han de ser de una magnitud razonable.

Vamos a poder simular el comportamiento del controlador frente a perturbaciones
representativas y comparar los movimientos prescritos por el controlador con nuestras
referencias sobre lo que deben ser acciones de control razonables. Estas referencias sobre las
acciones de control slo podremos obtenerlas de l personal de Operacin. Si el controlador
realiza continuamente movimientos mayores de los sugeridos por los operadores, estos
tendern a desconectar el controlador.

IMPORTANTE : Lo que vamos buscando es un nico conjunto de Move Supression factors
que produzca movimientos razonables ante cambios de punto de consigna y frente a todas las
perturbaciones tpicas. Para realizar un buen ajuste del controlador debemos ajustarlo bajo
condiciones similares a las que ste se encontrar en su operacin normal. Cuando un
controlador DMCplus se conecta por primera vez, va a llevarse al proceso a un punto ptimo
de operacin cerca de alguna restriccin. El controlador va a estar la mayor parte del tiempo
respondiendo a perturbaciones en ese nuevo punto de operacin.

1. La simulacin debe llevarse a cabo el tiempo suficiente para que el controlador lleve al
proceso simulado cerca de su punto ptimo de operacin. Se debe salvar esas condiciones
de operacin en un fichero de simulacin (.PSM). Utilizaremos ese punto inicial para
todos los ejercicios de simulacin que vamos a realizar. Tened cuidado de no cargar
accidentalmente un punto inicial diferente en el fichero .PSM cuando salgis del
programa Simulate.

2. Utilizaremos los programas DMCplus-Build y DMCplus-Simulate y el modelo que ya
creamos en la prctica de identificacin (prctica3.mdl) para seleccionar los valores
iniciales de los parmetros de ajuste. Para inicializar la simulacin se utilizar la
informacin de las tablas que se adjuntan.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 19

Paso #1 : Arrancar el programa DMCplus-Build...

... y crear un fichero de configuracin del controlador (CCF) utilizando este programa.

Cuando se inicie el programa, vamos a crear un nuevo CCF seleccionando File, New del
men principal. Vamos a crear un nuevo CCF a partir de un fichero de modelo existente.
Elegir la plantilla que aparece por defecto. Cuando se nos pide el nombre del modelo a
utilizar introducimos el modelo que exportamos de DMCplus-Model en la prctica n3
(practica3.mdl).

Se nos pide un nombre de ocho caracteres para el nuevo controlador.

Marcamos la variable FI-2005 como feedforward pulsando dos veces en la carpeta de
Independientes, seleccionando FI-2005 y marcando la opcin feedforward que aparece en la
parte superior de la ventana. Hay que hacer notar que FI-2005 debe ser la ltima variable en
la lista de independientes. Si esto no es as habr que reconstruir el modelo con el programa
DMCplus-Model.

Salvar el fichero CCF y salir del programa Build. Aparecera un mensaje indicando que se han
detectado errores: salvad en cualquier caso porque los errores no afectan al uso que vamos a
hacer del fichero ccf.

Paso #2: Arrancar el programa DMCplus-Simulate

Cuando se inicie el programa, vamos a crear una nueva simulacin seleccionando File, New
del men principal. En el cuadro de dilogo que aparece tendremos que cargar el fichero CCF
que creamos en el paso anterior.

Para rellenar las tablas que aparecen utilizaremos la informacin que se muestra a
continuacin. Asegurarse de que se ha introducido toda la informacin necesaria para todas
las variables, Variables Controladas, Variables Manipuladas y Variables Feedforward,
incluyendo valores iniciales, lmites etc.

Salvar esta informacin en un fichero de simulacin.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 20

Valores iniciales de los parmetros de ajuste

Move Supression Equal Concern Errors
(LP y Dinmicos en los lmites)
FIC-2001 0.2 AI-2020 1.0 %
FIC-2002 0.2 AI-2021 2.0 %
TIC-2003 0.2 AI-2022 10.0 %
FIC-2004 0.2

VARIABLES MANIPULADAS

Tag Units Lower
Limit
Current
Value
Upper
Limit
Max Move Max
SS Step
LP
Cost
FIC-2001 MBBL/D 1.5 2.5 3.5 10 10 1.0
FIC-2002 MBBL/D 1.0 1.5 2.0 10 10 -1.0
TIC-2003 DEG F 195.0 200.0 205.0 10 10 1.0
FIC-2004 MBBL/D 5.0 8.0 13.0 10 10 -1.0

Tag Units Lower
Validity
Lower
Engrg
Upper
Engrg
Upper
Validity
FIC-2001 MBBL/D 0.0 0.0 10.0 10.0
FIC-2002 MBBL/D 0.0 0.0 10.0 10.0
TIC-2003 DEG F 100.0 100.0 500.0 500.0
FIC-2004 MBBL/D 0.0 0.0 25.0 25.0

VARIABLES FEEDFORWARD

Tag Units Lower
Validity
Current
Value
Upper
Validity
FI-2005 MBBL/D 0.0 5.0 10.0

VARIABLES CONTROLADAS



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 21

Tag Units Lower
Limit
Current
Value
Upper
Limit
Max.
CV Step
AI-2020 % 2.0 2.0 2.0 0.0
AI-2021 % 2.5 3.0 3.5 0.0
AI-2022 % 3.5 4.0 4.5 0.0

Tag Units

Lower
Validity
Lower
Engrg
Upper
Engrg
Upper
Validity
AI-2020 % 0.0 0.0 10.0 10.0
AI-2021 % 0.0 0.0 10.0 10.0
AI-2022 % 0.0 0.0 10.0 10.0

Paso #3 : Dejar que el proceso alcance el nuevo estado estacionario

Para permitir que el controlador lleve al proceso al nuevo estado estacionario (que ser un
punto de operacin cercano al ptimo para las restricciones que hemos definido) desde el
men principal elegir la opcin Controller y marcar closed loop. Con esto estamos diciendo
que vamos a realizar la simulacin en lazo cerrado. Si ahora elegimos la opcin Run dar
comienzo la simulacin. Para ver cmo evolucionan las variables manipuladas y controladas
podemos hacerlo desde las tablas o podemos crear una tendencia pulsando dos veces sobre la
variable que queramos visualizar, o, desde el men principal seleccionando View y eligiendo
New Trend.

Una vez que se ha alcanzado el estacionario, salvamos la simulacin en un fichero nuevo
mediante la opcin File, Save As del men principal. Este nuevo fichero (inicio.psm, por
ejemplo) que contiene la informacin inicial es el que usaremos como punto de partida en los
ejercicios de ajuste.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 22


Paso #4 : Ajuste de Move Supression Factors

La experiencia de los operadores con este proceso indica que, durante una operacin normal,
la magnitud de los movimientos no debe ser mayor que :

FIC-2001 - Move 0.2 MBbl/d
FIC-2002 - Move 0.15 MBbl/d
TIC-2003 - Move 0.5 Deg F
FIC-2004 - Move 0.5 MBbl/d

Como ya hemos dicho, vamos a utilizar las condiciones finales del paso #3 como punto de
partida para las dos situaciones que se describen a continuacin. El ejercicio consiste en
ajustar los valores de los Move Supression Factors para las situaciones que se consideran
corrientes en la operacin normal. Los Move Supression que se elijan deben proporcionar
movimientos razonables (en el rango que hemos indicado anteriormente) para ambas
situaciones.

1.- Perturbacin de carga de : 1.0 MBbl/d
2.- Cambio de Punto de consigna en AI-2020 de : 0.5 %

Utilizar las tablas que se adjuntan para registrar los ensayos que se vayan realizando.

Perturbacin de carga... FI-2005 1.0 MBbl/d

Sup Move Sup Move Sup Move Sup Move
FIC-2001 0.2
FIC-2002 0.2
TIC-2003 0.2
FIC-2004 0.2




Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 23



Cambio de punto de consigna ... AI-2020 0.5 %


Sup Move Sup Move Sup Move Sup Move
FIC-2001 0.2
FIC-2002 0.2
TIC-2003 0.2
FIC-2004 0.2


Paso #5 : Simular la Operacin de la planta

Como ejercicio final de la prctica se plantea la siguiente situacin:

Supongamos que, por una situacin puntual del mercado, el producto intermedio (FIC-2002)
se paga a un precio altmiso. Mover todo lo que sea necesario salvo el caudal de carga para
conseguir la mayor produccin posible de producto intermedio. No se pueden cambiar las
especificaciones de calidad ni se pueden sobrepasar los lmites de ingeniera de las variables
manipuladas.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 24




Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 25

8. RAMPAS

Hemos visto que la mayora de las variables controladas en un proceso son variables que
alcanzan un estado estacionario, es decir, que cuando se mueve una variable manipulada, la
variable controlada, despus de un cierto tiempo, alcanza un nuevo valor constante (nuevo
valor estacionario). Sin embargo hay algunas variables controladas que miden acumulaciones
o prdidas de masa o energa y que hemos llamado integradores o rampas. La caracterstica de
estas variables es que no alcanzan un estado estacionario despus de un movimiento en una
variable manipulada.

El ejemplo ms comn de variable integradora lo constituye el nivel de un depsito
acumulador. Supongamos que tenemos el nivel en un determinado valor y el caudal de
entrada es igual al de salida. Si el caudal de entrada aumenta y el caudal de salida se mantiene
constante el nivel del tanque aumentar hasta que el depsito rebose. El caudal de salida debe
aumentarse en la misma medida para balancear el nivel.

En la prctica la mayora de las variables de tipo rampa se regulan utilizando controladores
bsicos PI (no debe utilizarse nunca la accin derivativa para controlar una variable de tipo
integradora), pero puede ser muy ventajoso reemplazar estos reguladores diseando un
controlador multivariable que tambin controle estas variables. Entre las ventajas de utilizar
DMCplus podemos citar:

Se elimina del proceso la dinmica del controlador PI. Esto puede conducir a una
disminucin del tiempo que tarda el proceso en llegar al estado estacionario despus de un
cambio en las variables independientes.

El controlador DMCplus considera las interrelaciones entre todas las variables
dependientes del sistema.

A diferencia del controlador PI, el DMCplus puede utilizar una combinacin de variables
manipuladas para controlar la variable integradora. Esta flexibilidad aadida normalmente
tiene una repercusin econmica y mejora el control de las rampas.

Las potenciales desventajas de desconectar los lazos de control PI de tipo rampa son:

Si las perturbaciones son muy grandes, en comparacin con la capacidad del sistema, hay
una posibilidad de saturacin de las variables dependientes ( ej. desbordamiento de un
depsito) si los mecanismos de emergencia no estn activados.



Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 26

Si las perturbaciones son bruscas, o de alta frecuencia respecto a los intervalos de control
del DMC existe la posibilidad de que se sobrepasen los lmites de control.

Durante los test de planta, la variable de tipo rampa debe ser controlada manualmente, lo
que requiere una observacin del proceso mucho ms exhaustiva y potencialmente
requiere movimientos de tipo ms correctivos. Al mismo tiempo, debe evitarse una
confianza excesiva en el control feedback manual de manera que los datos no se
correlacionen y as se pueda asegurar una buena identificacin del modelo.

En las primeras instalaciones de controladores DMC raramente se incluan variables
integradoras entre las variables controladas. Las variables tipo rampa son siempre crticas
para el controlador de manera que si el mdulo LP no encontraba una solucin de estado
estacionario en las variables manipuladas que balanceara la rampa el DMC se desconectaba.
Esto puede ocurrir cuando alguna de las variables manipuladas llega a una restriccin. En la
versin DMCplus es posible permitir que una rampa no est balanceada durante algunos
intervalos (lo veremos ms adelante).

La experiencia de los ltimos proyectos indica que es muy ventajoso incluir variables tipo
rampa en el controlador multivariable.

TIPOS DE RAMPA

En DMCplus podemos definir tres tipos de rampa:

1. Rampa sin imbalance. El mdulo LP siempre intenta balancear la rampa y si no puede el
controlador se desconecta.

2. Rampa con imbalance. El mdulo LP intenta balancear la rampa, pero si no lo consigue,
el controlador puede seguir funcionando durante un cierto nmero de intervalos que ha
sido previamente especificado. Si el imbalance es demasiado grande, el controlador se
desconectar aunque no se haya llegado al nmero de intervalos especificado.

3. Rampa con imbalance programado. En este caso el mdulo LP no intenta balancear la
rampa y la rampa puede estar imbalanceada indefinidamente. La cantidad de imbalance
que se tolera en cualquier direccin depende de lo cerca que se est del lmite de
operacin. Segn se va acercando el valor de la variable de rampa al lmite el imbalance
permitido se va acercando a cero. Esta opcin se utiliza cuando existe muchmisa
capacidad en un depsito de tal manera que puedan transcurrir varios tiempo de
estacionario antes de que el nivel haya alcanzado un lmite. Es especialmente til cuando
existe un aparte del proceso, antes o despus del depsito, que puede estar algn tiempo
fuera de servicio.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 27




Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 28


Los parmetros de ajuste especficos de este tipo de variables son:

ROTFAC. Rotation Factor. Representa la fraccin del error de prediccin observado que
se atribuye a perturbaciones no medidas. Su valor normal se encuentra entre 0.1 y 0.4. Su
rango es: 0.0 <=ROTFAC <=1.0

Hemos visto que el controlador DMCplus va a corregir sus predicciones utilizando la
diferencia entre el valor predicho y el valor real en cada ejecucin. Para las variables de
tipo rampa, el error puede corregirse desplazando la prediccin o rotndola. ROTFAC
especifica la fraccin del error que se corrige por rotacin.

NXNIMB. Mximo nmero de ciclos de control en que se permite que la rampa est
imbalanceada. Si se le da el valor 0 estaremos en el caso de una rampa sin imbalance.
Cualquier valor mayor que cero permite un nmero de ciclos con imbalance. Si se le da el
valor -1 se define una rampa con imbalance programado.

RAMPSP. Es el punto de consigna deseado para la variable integradora. Se utiliza junto
con el parmetro RAMPRT para calcular el punto de consigna efectivo en cada ejecucin.

RAMPRT. Velocidad de rampa. Especifica la fraccin de la distancia entre el valor actual
y el RAMPSP que se va a utilizar como setpoint efectivo en el ciclo actual. Con este
parmetro se controla la velocidad con que se quiere volver al punto de consigna
especificado.

RHORIZ. Horizonte. Se especifica como una fraccin del tiempo de estacionario. Se
utiliza para calcular los lmites mximos y mnimos de imbalance permitido. Toma
valores a partir de 1/3 en adelante. El lmite superior de imbalance permitido es la
pendiente de la lnea que une el valor actual de la variable con el lmite superior de la
zona de seguridad en el tiempo definido por RHORIZ. El lmite inferior de imbalance
permitido se calcula de manera similar. Este parmetro sloe s aplicable cuando
NXMINB es distinto de cero (rambas con imbalance y rampas con imbalance
programado). Si en cualquier ejecucin el imbalance sobrepasa el lmite calculado el
controlador se desconectar.

Siempre que se permita a la LP calcular una solucin con imbalance, la variable de rampa
tender a ir a uno u otro de sus lmites de operacin. En estos casos, como las variables de
rampa es muy probable que estn cerca de los lmites, se establecen unas zonas de
seguridad para asegurar que las rampas no se acercan demasiado a los lmites de los
instrumentos. La zona de seguridad es igual al 10% de la diferencia entre los lmites de
operacin. Esta zona se aplica en ambos extremos de la regin de operacin y constituyen
los lmites de operacin efectivos.


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 29


1.- PRIMERA PARTE DE LA PRCTICA: IDENTIFICACIN DINMICA DE
UNA VARIABLE DE TIPO RAMPA

En la figura est representado el proceso que se quiere modelizar. Los datos de

Planta (en este caso en forma de vectores) se encuentran en el directorio CURSODMC/P8 y
corresponden a datos reales de step-test realizados en la planta.

En esta primera parte de la prctica el objetivo es obtener el modelo dinmico de la variable
rampa (el nivel del depsito) frente a las variables independientes. Los pasos para la
obtencin de este modelo son exactamente los mismos que hemos seguido en la Prctica n3
teniendo en cuenta que la variable dependiente es una variable de tipo rampa.

Para analizar la bondad de nuestro modelo se debe comparar el valor predicho por el modelo
con el valor real de las pruebas en planta.

2.- SEGUNDA PARTE : SIMULACIN Y AJUSTE DE LOS PARMETROS OFF-
LINE.

Una vez obtenido un modelo que nos parezca satisfactorio, mediante la utilizacin de los
programas Build y Simulate (siguiendo los pasos que hemos visto en la prctica anterior)
queremos simular y ajustar los parmetros del controlador de nivel.

Vamos a estudiar dos casos, el llamado control de nivel "tight" y el "average". En el primer
caso el objetivo es mantener el nivel del depsito lo ms cerca posible del punto de consigna,
an a costa de provocar grandes movimientos en la variable manipulada.

A67Y0004
P-5
LC-05
FC-07
D-3


Mdulo: 9. CONTROL BASADO EN MODELOS Tema: Guin de Prcticas
Master ISA de Instrumentacin y Control Pgina 30

El segundo caso, mucho ms comn en los procesos a que estamos acostrumbrados, es el
control de nivel "average". En este caso lo que se pretende es que el depsito acte como
colchn frente a las perturbaciones de carga y que el caudal de salida se mantenga los ms
estable posible.

Para cada uno de los casos se deber encontrar el conjunto de valores de los parmetros
especficos de las rampas que permiten realizar el tipo de control deseado.

Para realizar este ejercicio considerad el punto de consigna del depsito acumulador el 50%,
el lmite superior de operacin el 80% y el lmite inferior de operacin el 20%. Partid de un
valor del caudal de entrada de 50 m
3
/h y una perturbacin mxima de 3 25m
3
/h. El rango de
operacin tanto para el caudal de entrada como para el de salida es de 0 a 80m
3
/h. Considerad
un move suppresion =1 para el caudal de salida.

Ejercicios Adicionales Mdulo 9: Control Basado en Modelos

Pgina 1
EJERCICIOS MDULO 9
CONTROL BASADO EN MODELOS
Para este mdulo de Control Basado en Modelos proponemos cuatro ejercicios de
clculo similares a los realizados durante el curso y un ejercicio de identificacin,
construccin y ajuste de parmetros de un controlador multivariable para un reactor de
copolimerizacin. Para los ejercicios de clculo puede ayudar la utilizacin de
MATLAB. Para el ejercicio n 5 se utilizar el software DMCplus. Los resultados se
entregarn en un documento WORD.

Ejercicio n 1

En la figura siguiente se presenta la respuesta de un proceso con 3 Variables
Manipuladas (MVs) y una Variable Controlada (CV). Aplicando el principio de
superposicin y linealidad, calcular las relaciones dinmicas individuales de CV1 vs.
MV1, CV1 vs. MV2 y CV1 vs. MV3.

En el dibujo todas las escalas son iguales.


CV1
MV1
MV2
MV3


Ejercicio n 2

En un proceso con dos variables manipuladas y una variable controlada se sabe que el
modelo dinmico es el siguiente

Ejercicios Adicionales Mdulo 9: Control Basado en Modelos

Pgina 2
0
CV1 vs. MV1 CV1 vs. MV2
0



Ejercicios Adicionales Mdulo 9: Control Basado en Modelos

Pgina 3
a)

Teniendo en cuenta estos modelos, calcular la ley de control del periodo de muestreo actual
(MV1
0
, MV2
0
), usando un horizonte de control de 1 periodo de muestreo (MV1
0
, MV2
0
),
y un horizonte de prediccin de 7 muestras, para que se cumpla el siguiente escenario de control
:

Punto de Consigna
Respuesta Libre
Futuro
MV1
MV2
CV1

b)

Calcular y dibujar la respuesta global del proceso para los MVs calculados en a)

Ejercicio n 3

Sabiendo que la solucin de la ley de control al problema anterior viene dada por la
ecuacin :
mv = (A
T
A)
-1
A
T
e

Plantear las matriz A y el vector e de tal forma que se usen los siguientes valores de
Move Supresin Factor : MSF
MV1
=5, MSF
MV2
=1

Ejercicio n 4

Ejercicios Adicionales Mdulo 9: Control Basado en Modelos

Pgina 4
Repetir la segunda parte de la pregunta 2 usando los valores (MV1
0
, MV2
0
) que
resultan del planteamiento del ejercicio anterior.
Ejercicios Adicionales Mdulo 9: Control Basado en Modelos

Pgina 5

CASO PRCTICO
Ejercicio n 5
REACTOR DE COPOLIMERIZACIN

El objetivo de este ejercicio es el desarrollo de un controlador para un reactor de
copolimerizacin. Las condiciones de diseo de este reactor son las adecuadas para
evitar el problema de inestabilidad en lazo abierto. Identificaremos los modelos
dinmicos del proceso empleando la herramienta de DMCplus-Model sobre datos
simulados de planta de varios step-test realizados en el reactor que se muestra en la
figura siguiente. El siguiente grfico es un esquema simplificado del proceso real.























Los dos monmeros, metil-metacrilato y acetato de vinilo, entran al sistema junto con el
catalizador, azo-bis-isobutilonitrilo y acetaldehdo que acta como agente de
transferencia. Estas corrientes de alimentacin, se unen al reciclo antes de entrar al
reactor. ste es un tanque de mezcla completa, calorifugado y provisto de un fluido
refrigerante en la parte de la camisa para disipar el calor de reaccin.

Los productos resultantes de la reaccin de copolimerizacin pasan a un sistema de
separacin donde se separan el polmero producto, el catalizador y el agente de
transferencia de los monmeros que no han reaccionado. Esta separacin lleva consigo
una serie de pasos en los que intervienen, por ejemplo, varios secadores y varias
columnas de destilacin. Para el objetivo de esta prctica es conveniente considerar la
separacin como un nico paso. A la salida del separador, los monmeros que no han



M.M.A.
V.A.
Catalizador
Transfer
Disolvente
Purga
Fluido Refrigerante
Producto
T
r
T
j
F
p
Y
a
M
p
F
a
F
b
F
i
F
t
Ejercicios Adicionales Mdulo 9: Control Basado en Modelos

Pgina 6
reaccionado se recirculan a la entrada del reactor tras haberles extrado los compuestos
inertes mediante un sistema de purga.

Mediante un sistema de control feedforward se ajustan los caudales de las corrientes
alimento para compensar los efectos producidos por el reciclo de composicin variable
proveniente del sistema de separacin. Por tanto, las variables manipuladas para este
problema son los caudales de cada uno de los componentes a la entrada del reactor.

VARIABLES MANIPULADAS


Flow MMA Caudal de metacrilato de metilo
Flow VA Caudal de acetato de vinilo
Init Caudal de catalizador
Transf Caudal de agente de transferencia
T J kt Temperatura de la camisa de refrigeracin

VARIABLES CONTROLADAS

Conc MMA Conc.de metacrilato de metilo en el polmero
Polymer Caudal de polmero producto
Mol Wt Peso molecular del polmero
T Rx Temperatura de salida del reactor


CREACIN DEL MODELO DEL CONTROLADOR

Paso #1: Importar los datos de proceso

Desde la ventana principal, hacer doble click sobre el icono DMCplus-Model. Abrimos
un proyecto vaco seleccionando File, New project. Antes de importar los datos
salvamos el proyecto.

Para este ejercicio, tenemos datos procedentes de dos step-test diferentes. Estos datos
estn recogidos en dos archivos DMCplus-Collect llamados POLYSIM1.CLC y
POLYSIM2.CLC que se encuentran en el CD entregado a los alumnos, en el directorio
\datos. Para importar los datos seleccionamos Vectors, Import, Vectors. Debemos
poder diferenciar los datos de cada uno de los collect y para ello, al importarlos, les
pondremos una extensin distinta.

Paso #2: Localizar y marcar los datos invlidos

Los datos de ambos step-test necesitan ser inspeccionados para buscar los periodos de
datos invlidos. Para cada uno de los vectores, marcaremos los datos malos
seleccionando el rea determinada y eligiendo la opcin Mark Bad Slice.
Ejercicios Adicionales Mdulo 9: Control Basado en Modelos

Pgina 7

Paso #3: Definir los parmetros para la identificacin del modelo

Los modelos que obtendremos para el proceso, deben basarse en los datos de ambos
step-test. Esto implica que el caso a partir del cual obtengamos el modelo, debe tener
dos "data sets" uno para cada step-test.

El primer data set se crea automticamente cuando se aaden al caso los vectores
correspondientes al primer collect (Polysim1.clc). El segundo data set se aade
seleccionando en el caso Properties of case, Vectors, Add data set. Aqu aadiremos
los vectores correspondientes al segundo collect (Polysim2.clc).

Paso #4: Evaluacin de los modelos obtenidos

Hay varias variables independientes en el proceso que no tienen efecto sobre algunas de
las dependientes. Para saber con mayor certeza cuales son estas variables, es
conveniente escalar correctamente los modelos obtenidos. Para ello fijamos una
magnitud adecuada en los movimientos de las variables manipuladas y vemos el efecto
que stos tienen sobre las controladas. Dentro del modelo adecuado seleccionamos
Scale, Move sizes y de este modo damos un nuevo valor a los movimientos. Tenemos
que ver el efecto en el modelo y para ello seleccionamos Scale, Typical Moves.


Paso #5: Creacin del modelo que utilizar el controlador

Seleccionamos la mejor curva para cada par variable independiente /variable
dependiente y creamos as el modelo del controlador. Para ello creamos un nuevo
modelo seleccionando Model, Assemble a New Model. En l pondremos las curvas
correspondientes seleccionando Get curve una vez que hayamos abierto el nuevo
modelo y accionado el botn derecho del ratn.

Exportamos el modelo definitivo cuya extensin ser ".mdl".

Abrimos el programa DMCplus-Build para crear el archivo de configuracin del
controlador (ccf) a partir del cual podremos realizar la simulacin. Seleccionamos File,
New, ccf from an existing model file y buscamos nuestro modelo (mdl).

Ejercicios Adicionales Mdulo 9: Control Basado en Modelos

Pgina 8

SIMULACIN DEL CONTROLADOR

Se desea crear un controlador que maximice la produccin del copolimero producto.
Qu valor debera asignarse a los LP Cost de cada una de las variables manipuladas en
el controlador de modo que se pueda alcanzar ese objetivo? (No se dispone de los
precios de los productos)

Tag LP Cost
Flow MMA
Flow VA
Init
Transf
T J kt


Una vez asignados los Lpcost, creamos una nueva simulacin a partir del archivo ccf
generado en el paso anterior e iniciamos la simulacin con el programa DMCplus-
Simulate con las siguientes condiciones.


VARIABLES MANIPULADAS

Tag name Units Low limit Current Value High limit
Flow MMA Kg/h 9 18 20
Flow VA Kg/h 70 90 100
Init Kg/h 0.15 0.18 0.4
Transf Kg/h 1.0 2.7 4
T J kt Deg C 330 336 350

Tag name Units Max. Move Max.SS Step Low Validity
Flow MMA Kg/h 100 100 0
Flow VA Kg/h 100 100 0
Init Kg/h 100 100 0
Transf Kg/h 100 100 0
T J kt Deg C 100 100 0

Tag name Units Low Engr'g High Engr'g High Validity
Flow MMA Kg/h 0 50 50
Flow VA Kg/h 0 200 200
Init Kg/h 0 5 5
Transf Kg/h 0 10 10
T J kt Deg C 0 500 500

Ejercicios Adicionales Mdulo 9: Control Basado en Modelos

Pgina 9




VARIABLES CONTROLADAS

Tag name Units Low limit Current Value High limit
Conc MMA - 0.55 0.56 0.60
Polymer Kg/h 0.0 23.3 30
Mol Wt - 35000 35000 35000
T Rx Deg C 300 353 355

Tag name Units Max.SS Step Low Validity Low Engr'g
Conc MMA - 1 0 0
Polymer Kg/h 20 0 0
Mol Wt - 10000 0 0
T Rx Deg C 100 0 0

Tag name Units High Engr'g High Validity
Conc MMA - 1 1
Polymer Kg/h 50 50
Mol Wt - 50000 50000
T Rx Deg C 500 500

El ejercicio consiste en realizar el ajuste off-line del controlador utilizando la
herramienta de simulacin. Esto es, se deben ir probando diferentes parmetros de
ajuste (move supression y equal concern errors) hasta conseguir un conjunto de
parmetros que satisfagan las especificaciones y los objetivos de control (maximizacin
de la produccin de polmero).

Como variables de perturbacin, se deben considerar como posibles los siguientes
cambios:

Concentracin de MMA en el polmero: 0.10
Peso molecular del polmero: 500

La variabilidad admitida en las especificaciones que deben conseguirse en las variables
controladas es:

Concentracin de MMA en el polmero: 0.02
Peso molecular del polmero: 200
Temperatura del reactor: 10

Ejercicios Adicionales Mdulo 9: Control Basado en Modelos

Pgina 10


Completa las siguientes tablas con los parmetros de ajuste finales.

Variables
Manipuladas
Move Suppression
Flow MMA

Flow VA

Init

Transf

T J kt



Variables
Controladas
Equal Concern Error
Low High
Conc MMA

Polymer

Mol Wt

T Rx






1
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
CONTROL MULTIVARIABLE
PREDICTIVO con RESTRICCIONES
INTRODUCCION
(mdulo 1)
CONTROL MULTIVARIABLE
CONTROL MULTIVARIABLE
PREDICTIVO con RESTRICCIONES
PREDICTIVO con RESTRICCIONES
INTRODUCCION
INTRODUCCION
(m
(m

dulo 1)
dulo 1)
2
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
OBJETIVOS DEL CURSO
Mostrar la necesidad del Control Multivariable
Describir los fundamentos del Control Predictivo
Basado en Modelos (CPBM)
Entender los mtodos de Optimizacin Local
mediante el uso de Programacin Lineal
Dar detalles prcticos del DMCPlus
No aburrir a nadie !
3
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Preparacin del curso
Asistentes con distinto nivel e
intereses
Documentacin a entregar ?
Prcticas con Matlab ?
etc...
4
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Preparacin del curso
Dar de todo, ser flexible en las
prcticas.
Documentacin
General
Copia de las presentaciones
Prcticas
Introduccin bsica uso de
Matlab y uso de DmcPlus
TM
5
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Agenda
Lunes
Introduccin (RGM), Identificacin de Modelos (RGM)
Martes
Prediccin del Proceso (RGM), Clculo de la Ley de Control (RGM)
Mircoles
Optimizacin (RGMyFCO)
Jueves
Operacin del Controlador (FCO), Variables Integradoras (FCO)
Viernes
Diseo del Controlador y Proyectos (FCO)
nota : Las prcticas se realizarn normalmente por las tardes.
6
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
CONOCIMIENTOS PREVIOS
Nociones bsicas de Clculo Matricial
Conceptos fundamentales de la Regresin Lineal
(Mnimos Cuadrados)
Principios bsicos de funcionamiento de una
columna de destilacin binaria (no extrictamente
necesario)
7
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
TEMARIO (1 de 2)
Niveles de automatizacin
Introduccin al Control Multivariable
Terminologa
Procesos Multivariables
Modelo Matricial de un Proceso
Generacin y Clculo de la ley de control
Programacin Lineal y Control con Restricciones
8
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
TEMARIO (2 de 2)
Funcionamiento de un Controlador Multivariable
Operacin de un Controlador Multivariable
Resumen de parmetros de ajuste
Criterios para implantar un Controlador
Multivariable
Metodologa de desarrollo de un proyecto
9
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Niveles de Automatizacin (1/2)
CONTROL BASICO
(fundamentalmente PID'ssencillos, cascadas)
CONTROL AVANZADO
(feedforward, selectores, inferencias, ... )
CONTROL MULTIVARIABLE
([DMC], RMPCT, ...)
OPTIMIZACIN
EN LINEA
( ? )
Se garantiza la
seguridad de la
planta. Se modifica
directamente la
vlvula.
Se mejora el control
bsico. Rara vez atiende
a objetivos econmicos
directos.
Controla un equipo de
forma global. Incorpora
objetivos econmicos
locales de unidad.
Atiende a objetivos
econmicos globales
de planta.
10
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
VAX 4700
LABORATORIO
PRODUCTOS
CRUDOS
ENERGIAS
BALANCES
VAX 4100
VAX 4100 CONSOLAS de
CONTROL - CONTROL
AVANZADO
- DMCs
- SISTEMAS
DE INFORMACION
- PIs
PROCESO
CONTROLADORES
de PROCESO (35)
CONEXION
REMOTA
ETHERNET
(RED GESTION DE LA PRODUCCION)
LCN
(RED LOCAL DE CONTROL)
- CENTRAL
- CENTROS REMOTOS
OFICINAS
SALAS
DE
CONTROL
UNIDADES
DE PROCESO
MANTENIMIENTO
ALMACEN
SEGURIDAD
USUARIOS
IMPRESORAS de
ALARMAS
Niveles de Automatizacin (2/2)
11
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Tecnologa desarrollada a finales de los 70 para dar
solucin a control de procesos reales con
caractersticas multivariables
Permite la solucin a problemas de control con
dinmicas complejas
Fcil de entender
Maneja fcilmente problemas de control
multivariable
Introduccin al Control multivariable
Predictivo (1/22)
12
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Introduccin MPC (2/22)
Compensa de forma inherentemente los
retardos del sistema
Se adapta muy bien al control con restricciones
Posee una caracterstica interesante de "mirar
hacia adelante "
La desventaja fundamental es que necesita un
modelo del proceso. Sin embargo, siempre se
necesita un tipo de modelo cuando se trata de
controlar procesos 'difciles'.
13
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Multivariable
Capaz de controlar un proceso
multivariable en el que las variables
interactan unas con otras
Predictivo
Uso de modelos dinmicos para
prediccin y usar accin feed-forward
Manejo de restricciones
En las MVs y CVs
Control Optimo
Introduccin MPC (3/22)
Qu significa MPC en la industria?
14
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Introduccin MPC:
Multivariable (4/22)
Los cambios en un setpoint afectan a varias
variables controladas o de restriccin
DMCplus relaciona los efectos de todos los
cambios en todas las variables y encuentra la
mejor solucin global
DMCplus encontrara un plan de control que
satisfaga todas las restricciones de proceso y
operacin si dicho plan existe
15
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Introduccin MPC: Multivariable
(4/22)
D
V
SI EL REFLUJO
AUMENTA
L
Una columna de destilacin
binaria es un ejemplo de
proceso multivariable.
Cuando aumenta el reflujo:
CALIDAD PRODUCTO CABEZA
La calidad del producto de
cabeza mejora (mayor pureza)
CALIDAD PRODUCTO DE FONDO
La calidad del producto de
fondo empeora (mayor
impureza).
PRESIN DE TRABAJO
La presin a la que trabaja la
columna disminuye.
PRDIDA DE CARGA
La prdida de carga a travs de
la columna aumenta.
NIVEL DEL
ACUMULADOR
El nivel del acumulador de
cabeza disminuye.
NIVEL DEL FONDO
El nivel en el fondo de la
columna aumenta.
16
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
D
V
CALIDAD DE PRODUCTO DE CABEZA
Una columna de destilacin
binaria es un ejemplo de
proceso multivariable.
Si queremos mejorar la calidad
de producto de cabeza:
Hay que aumentar el reflujo.
AUMENTA EL
REFLUJO
L
Aumentar la presin de trabajo.
PRESIN DE TRABAJO
FLUDO CALEFACTOR
Disminuir el aporte de calor al
reboiler.
REBOILER
Introduccin MPC: Multivariable (6/22)
17
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
V
CALIDAD DE PRODUCTO DE CABEZA
CAUDAL DE
REFLUJO
Es decir cada MV afecta a
varias CV'sy cada CV se ve
afectada por varias MV's.
La solucin tradicional
consiste en controlar la
calidad de cabeza con el
caudal de reflujo y la calidad
del fondo con el calor al
reboiler
REBOILER
FLUDO CALEFACTOR
CALIDAD DE
PRODUCTO DE
FONDO
Introduccin MPC:
Multivariable (7/22)
18
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Introduccin MPC: Multivariable (8/22)
19
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Introduccin MPC:
Predictivo (9/22)
DMCplus usa modelos dinmicos lineales para
predecir el comportamiento en lazo abierto de las
variables controladas
Predice la violacin de restricciones
Actualizacin constante con datos reales
Puede modelar procesos con dinmicas
inusuales
20
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
FRC
FR
Fuel
Carga
densidad
Caudal fuel
Temperatura
Soplado
Temperatura de la carga
Caudal de carga
Controlador
Multivariable
Predictivo
FRC TRC
Fuel
Carga
Introduccin MPC: Predictivo (10/22)
Control regulatorio (PID) de un horno
Control Predictivo
21
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Comparacin de un controlador predictivo
frente a un PID
Temperatura Setpoint
Controlador Predictivo
PID
Perturbacin debida al soplado
si no existiera regulacin
Tiempo
Introduccin MPC: Predictivo (11/22)
22
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Introduccin MPC: Predictivo
(12/22)
t t t
t
t -1 t +1 +2
+N
u
+N
t
pasado
futuro
2
CV TARGET
movimientos
de la accin
de control
SP
MV TARGET
23
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Introduccin MPC: Predictivo
(13/22)
PROCESO
MV1
MV2
VARIABLES
MANIPULADAS
DV1
VARIABLES DE PERTURBACIN
CV1
CV2
CV3
VARIABLES
CONTROLADAS
CALIDADES
RESTRICCIONES
V
A
R
I
A
B
L
E
S

I
N
D
E
P
E
N
D
I
E
N
T
E
S
VARIABLES DEPENDIENTES
24
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
OPCIN ESCOGIDA POR EL CONTROLADOR DMC
Introduccin MPC: Predictivo (14/22)
pasado futuro
punto de consigna
penalizacin cuadrtica
futuro
zona
penalizacin cuadrtica
pasado
trayectoria de referencia
penalizacin cuadrtica
pasado futuro
embudo
penalizacin cuadrtica
pasado futuro
25
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Introduccin MPC:
Restricciones (15/22)
Todas las restricciones son consideradas en el plan de
control total
Limites alto, bajo y de ratio de cambio de las MV
Setpoints de los lazos de control regulatorios
Siempre satisfechos
Limites alto y bajo para las CVs
Especificaciones de composicin de productos, limites
metalrgicos, saturacin de salidas a vlvulas
Satisfechos si es fsicamente posible
26
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Introduccin MPC:
Restricciones (16/22)
Grados de
libertad
Nmero de variables
que describen el sistema
Nmero de relaciones independientes que se
pueden establecer entre las variables
Grados de libertad en
un sistema de control
N MVs
disponibles
N CVs a controlar
en un valor fijo (SP)
27
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Introduccin MPC:
Restricciones (17/22)
CVs
MVs
MVs
MVs
CVs CVs
Proceso estrecho
CVs >MVs
grados de libertad <0
Proceso cuadrado
CVs =MVs
grados de libertad =0
Proceso amplio
CVs <MVs
Grados de libertad >0
La estructura del proceso determina los grados de libertad disponibles
para el controlador.
Tpico
Columna binaria:
CV's: calidad cabeza y fondo
MV's: caudal reflujo, calor reboiler
Poco usual
28
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Si existen grados de libertad, se desea operar contra las
restricciones del proceso ptimas
Se utiliza un optimizador local (LP) para determinar el punto
ptimo de operacin
La programacin Lineal (LP) permite minimizar una funcin
objetivo lineal con restricciones lineales
El optimizador LP empuja hacia las esquinas de la regin
de operacin
Introduccin MPC: Optimizacin (18/22)
29
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Optimo
Econmico
Operando con
restricciones
Apertura vlvula
Temperatura
Velocidad Turbina
P en columna
Presin
Composicin
Regin de
Operacin
Preferida por
el Operador
Regin final de
Operacin
del Controlador
Introduccin MPC: Optimizacin (19/22)
Nueva Regin de
Operacin
del Controlador
Menor
Variabilidad
30
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Introduccin MPC: Restricciones (20/22)
Modelo
Optimizador
CV TARGET
Valores pasados
de las CVs, MVs
y DVs
Acciones
de control
propuestas
en el futuro
Funcin
de coste
Errores futuros
Restricciones
Prediccin
de la CV
31
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Capital Cost (includingmanpower) (%)
TAC - Traditional
Advanced
Controls
Potential fromComputer Applications(%)
DCS - Distributed
Control
System
0 10 20 30 40 50 60 70 80 90 100
0
10
20
30
40
50
60
70
80
90
100
TAC
Constrained
Multivariable
Control
DCS
Real-Time
Optimization
Beneficios esperados
Introduccin MPC (21/22)
32
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
INTRODUCCIN MPC (22/22)
Lleva al punto ptimo econmico de operacin
Mejora el control de la calidad de los productos
Estabilidad, control seguro, manejo explcito de restricciones
La robustez de los algoritmos matemticos empleados mejora la
aceptacin del operador y el factor de servicio
Promedio de periodo de amortizacin de seis meses o menos
BENEFICIOS CON DMCplus
33
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Alguna Pregunta?
Seccin Espaola
Master de Instrumentacin y control
CONTROL MULTIVARIABLE
PREDICTIVO con RESTRICCIONES
MODELIZACION DINAMICA
DE
SISTEMAS LINEALES
(mdulo 2)
CONTROL MULTIVARIABLE
CONTROL MULTIVARIABLE
PREDICTIVO con RESTRICCIONES
PREDICTIVO con RESTRICCIONES
MODELIZACION DINAMICA
MODELIZACION DINAMICA
DE
DE
SISTEMAS LINEALES
SISTEMAS LINEALES
(
(
m
m

dulo 2
dulo 2
)
)
2
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Control
Control
Predictivo
Predictivo
(Estructura)
(Estructura)
Proceso
Medir
Actuar
Cambios
Respuestas
Regulador
Valores
Deseados
El regulador conoce la dinmica del proceso
por medio de un modelo y toma decisiones en
el escenario futuro usando predicciones
3
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Qu es un modelo
matemtico?
Conjunto de ecuaciones que relacionan las
variables manipuladas y controladas y
representan adecuadamente el comportamiento
del proceso
Siempre son aproximaciones de la realidad
Distintos modelos para distintos objetivos y tipos
de procesos
4
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Modelo matem
Modelo matem

tico
tico
mv
tiempo
cv
tiempo
Modelo
cv
m
tiempo
5
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Modelos estticos y dinmicos
A
d h
d t
q k h =
h k q
o
=
Modelo esttico:
Relaciona las variables en un
estado de equilibrio
Modelo dinmico:
Relaciona las variables a
lo largo del tiempo
q
h
q
o
6
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Respuesta din
Respuesta din

mica
mica
tiempo
q
h
7
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Procesos continuos y de
eventos discretos
q
h
Procesos continuos:
Las variables evolucionan
continuamente en el tiempo
y pueden tomar cualquier
valor en un rango dado
Procesos de eventos:
Las variables solo cambian
en instantes discretos
y pueden tomar solo un
nmero finito de valores
8
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
u y
t t
p
Modelos dinmicos para Control de
procesos
Medida cuantitativa de los efectos de las entradas en las
salidas
Compromiso complejidad / facilidad de manejo y clculo
Modelar respuestas ante variables manipuladas y perturbaciones
Muchos tipos de modelos
9
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Modelos Lineales
La salida actual depende linealmente de las entradas
y/o salidas en instantes de tiempo anteriores
Pueden representar dinmicas complejas y son
sencillos para efectuar clculos
Ejemplos:

=
=
1 i
i
) iT kT ( u h ) kT ( y
) mT kT ( u b ..... ) T kT ( u b
) nT kT ( y a ..... ) T kT ( y a ) kT ( y
m 1
n 1
+ + +
+ =
) t ( u
) q ( B
) q ( A
) t ( y
1
1

=
Funcin de
transferencia discreta
Respuesta salto
10
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Modelos lineales
t
t
Y
U
U
0
U
Y
0
Y
Proceso
las variables u e y son
cambios sobre un punto
de operacin U
0
, Y
0
El rango de validez estlimitado a un entorno del punto de operacin
) ( ) ( ) (
) ( ) ( ) (
0
0
t Y t Y t y
t U t U t u
=
=
11
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Como obtener modelos?
Mediante razonamientos,
usando leyes fsicas,
qumicas, etc
Mediante experimentacin
y anlisis de datos
12
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Identificacin
El modelo se obtiene a partir de
datos experimentales de
entrada-salida del proceso
t
t
Y
U
U
Proceso
Y
Modelo
13
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Pruebas sobre el proceso
Pruebas sobre el proceso
MV
CV
DV
14
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Modelos de Proceso
El controlador DMCplus utiliza modelos empricos,
dinmicos y lineales
Empricos
Derivados a partir de medidas del proceso en lugar de
principios tericos
Dinmicos
que describen las variaciones de las variables del proceso a
lo largo del tiempo
Lineales .
15
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Terminologa 1/3
Variables Controladas (CV's) o Variables
Dependientes. (Especificaciones de calidad,
lmites fsicos,...)
Variables Manipuladas (MV's) o Variables
Independientes. (Normalmente SP'sde
controladores Bsicos)
Variables de Perturbacin (DV's). Tambin
son independientes y se usan como variables
de adelanto (feedforward).
16
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Variables dependientes e independientes
Caso 1: Vlvula de control Independiente: Posicin de la vlvula
Dependiente : Caudal medido
FI
FIC
Caso 2: controlador FIC Independiente: Setpoint de caudal
Dependiente : Posicin de vlvula
17
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Variables dependientes e independientes
Caso 1: Independiente: ?
Dependiente: ?
Dependiente: ?
FIC
TI
FIC
TIC
Case 2: Independiente: ?
Dependiente: ?
Dependiente: ?
18
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ejemplo
Consideremos una
columna
desbutanizadora
cules seran las
variables independientes?
y las dependientes?
PC
FI
dP
FI
TI
FC
FI
LI
C
5
s
RVP
AI
AI
TIC
TI
FC
TI
LC
FC
19
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Lista de variables dependientes e independientes
Manipuladas Perturbacin Controladas
20
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Terminologa 2/3
TERMINOLOGA BSICA
DV1
MV1
MV2
PROCESO
CV1
CV2
CV3
VARIABLES INDEPENDIENTES
VARIABLES MANIPULADAS ( MVS )
VARIABLES DE PERTURBACIN
( DVS )
VARIABLES DEPENDIENTES
VARIABLES CONTROLADAS (CVS)
(Calidades y Restricciones)
21
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Terminologa 3/3
Variables integradoras (Rampas)
Miden desbalances de masa o energa
No alcanzan un estacionario
Llegan a un estacionario si cerramos el lazo
Pseudo-Rampas
Es una variable auto regulada que tiene tanto tiempo de
asentamiento que se puede considerar como si fuera
una rampa.
22
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Respuesta escaln
para MV
1
MV
1
MV
2
CV
1
(0.2)
(0.1)
0
0.1
0.2
StepResponse for
CV
1
vsMV
1
CV
1
MV
1
MV
2
Trends
SS Gain: 0.170
-
-
23
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Respuesta Integral
MV
1
MV
2
CV1
(0.2)
(0.1)
0
0.1
0.2
StepResponse for
CV
1
vsMV
1
CV
1
MV
1
MV
2
Trends
SS Rate
of Change: 0.015
-
-
24
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Dnde est la magia del Control Multivariable ?
La respuesta es : en el modelo
DMCPlus usa el modelo de tipo :
Definicin del Modelo Matricial 1/6
Modelo de Convolucin
Discreta
25
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Un modelo multivariable relaciona matemticamente el efecto
causado por cada MV en cada CV
A cada pareja (CV
I
, MV
J
) se le llama subproceso
El modelo completo es una matriz de subprocesos
El modelo de convolucin discreta de un subproceso es una
secuencia de nmeros, que indican los incrementos en las CV's
ante un cambio unitario en una MV, cuando todas las dems
MV's permanecen constantes.
Definicin del Modelo Matricial 2/6
26
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Como ejemplo tomemos un horno en el que cambia la temperatura de salida del
producto ante un cambio en el combustible de una unidad (1 nm
3
/h de F.G.)
Definicin del Modelo Matricial 3/6
1
4
6
7 7
t0 1 2 3 4 5 6
1
CV
MV
300
302
304
306
308
27
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
El modelo es la secuencia de nmeros, junto con el periodo de
muestreo :
(1, 4, 6, 7, 7, ...)
Matemticamente se denomina vector.
Un modelo de este tipo aporta la informacin :
Ganancia : (CV/MV)
Tiempo de estabilizacin (en el ejemplo 5 * T)
Si el subproceso tiene retardo puro aparecen ceros en el inicio
de la secuencia ( p.e. [0 0 0 1 4 6 7 7])
Definicin del Modelo Matricial 4/6
28
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
En un controlador real estos vectores tienen del orden de 100
elementos y por tanto adquieren la apariencia de curvas continuas
Definicin del Modelo Matricial 5/6
1
2
3
4
5
6
7
8
t0 t1 t2 t3 t4 t5 t6 t7 t8 t9 t10 t11
1
Tiempo
muerto
Tiempo de estabilizacin
G
A
N
A
N
C
I
A
CV
MV
29
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Un proceso con 2 CV's, 2 MV's y 1DV queda representado por su matriz
dinmica.
Definicin del Modelo Matricial 6/6
CV1 CV2
MV1
MV2
DV1
ganancia = 1
ganancia =0.3
ganancia = -2
ganancia = -1.3
ganancia = 0.1
90 min
30
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Una vez visto el tipo de modelo a usar, vamos a ver cmo y para
qu utiliza el controlador multivariable estos modelos.
Uno de los usos principales es para predecir el comportamiento
futuro de las CV's en funcin de cambios en las MV's. Para
poder entender cmo se hace esta prediccin es necesario
entender el Principio de Linealidad y Superposicin
Qu quiere decir que un proceso es lineal ?
Uso del Modelo Matricial 1/11
31
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ahora realizamos un
incremento de tres unidades,
en vez de un incremento de
una unidad.
Si el proceso es lineal
obtendremos la siguiente
respuesta
Uso del Modelo Matricial 2/11
2
4
6
8
1
4
6
7 7
t0
La respuesta a un cambio de 1 unidad en la MV
CV
1
- CV
0
=1 * (variacin de MV en t
0
=1)
CV
2
- CV
0
=4 * (variacin de MV en t
0
=1)
CV
3
- CV
0
=6 * (variacin de MV en t
0
=1)
CV
4
- CV
0
=7 * (variacin de MV en t
0
=1)
CV
5
- CV
0
=7 * (variacin de MV en t
0
=1)
CV
6
- CV
0
=7 * (variacin de MV en t
0
=1)
CV
7
- CV
0
= 7 * (variacin de MV en t
0
=1)
1 2 3 4 5 6
32
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ahora realizamos un
decremento de dos unidades,
en vez de un incremento de
tres unidades.
Si el proceso es lineal
obtendremos la siguiente
respuesta
Uso del Modelo Matricial 3/11
3
12
18
21 21
t0
La respuesta a un cambio de 3 unidades en la MV
1 2 3 4 5 6
MV
3
CV
CV
1
- CV
0
=1 * (variacin de MV en t
0
=3) =3
CV
2
- CV
0
=4 * (variacin de MV en t
0
=3) =12
CV
3
- CV
0
=6 * (variacin de MV en t
0
=3) =18
CV
4
- CV
0
=7 * (variacin de MV en t
0
=3) =21
CV
5
- CV
0
=7 * (variacin de MV en t
0
=3) =21
CV
6
- CV
0
=7 * (variacin de MV en t
0
=3) =21
33
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Si el proceso es lineal, tambin
se puede aplicar el principio
de superposicin
Para determinar el efecto de
las MV en la CV, slo hay que
sumar los efectos de cada
MV por separado.
Para el caso anterior se
obtiene :
Uso del Modelo Matricial 4/11
-2
-8
-12
-14 -14
t0
La respuesta a un cambio de -2 unidades en la MV
1 2 3 4 5 6
MV
-2
CV
CV
1
- CV
0
=1 * (variacin de MV en t
0
=-2) =-2
CV
2
- CV
0
=4 * (variacin de MV en t
0
=-2) =-8
CV
3
- CV
0
=6 * (variacin de MV en t
0
=-2) =-12
CV
4
- CV
0
=7 * (variacin de MV en t
0
=-2) =-14
CV
5
- CV
0
=7 * (variacin de MV en t
0
=-2) =-14
CV
6
- CV
0
=7 * (variacin de MV en t
0
=-2) =-14
34
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Este conjunto de ecuaciones
se puede sustituir por una
forma ms genrica, en la que
I
N
representa el valor de la
entrada (MV) en el instante N.
Uso del Modelo Matricial 5/11
10
CV
7
- CV
0
=7 *(1) +7*(0) +7*(-2) =-7
1
4
6
7 7
0
5
-5
-10
-2
-8
-12
-14 -14
4
-1
-5
-7 -7
CV
1
0
-2
MV
CV
6
- CV
0
=7 *(1) +7*(0) +7*(-2) =-7
CV
5
- CV
0
=7 *(1) +7*(0) +6*(-2) =-5
CV
4
- CV
0
=7 *(1) +6*(0) +4*(-2) =-1
CV
3
- CV
0
=6 *(1) +4*(0) +1*(-2) =4
CV
2
- CV
0
=4 *(1) +1*(0) =4
CV
1
- CV
0
=1 *(1) =1
35
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Uso del Modelo Matricial 6/11
CV
1
-CV
0
= 1*(I
1
-I
0
) = 1
CV
2
-CV
0
= 4*(I
1
-I
0
) + 1*(I
2
-I
1
) = 4
CV
3
-CV
0
= 6*(I
1
-I
0
) + 4*(I
2
-I
1
) + 1*(I
3
-I
2
) = 4
CV
4
-CV
0
= 7*(I
1
-I
0
) + 6*(I
2
-I
1
) + 4*(I
3
-I
2
) = -1
CV
5
-CV
0
= 7*(I
1
-I
0
) + 7*(I
2
-I
1
) + 6*(I
3
-I
2
) = -5
CV
6
-CV
0
= 7*(I
1
-I
0
) + 7*(I
2
-I
1
) + 7*(I
3
-I
2
) = -7
CV
7
-CV
0
= 7*(I
1
-I
0
) + 7*(I
2
-I
1
) + 7*(I
3
-I
2
) = -7
Sustituyendo CV
N
-CV
0
por

CV
N
y I
N
-I
N-1
por

I
N-1
se obtiene :
36
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Uso del Modelo Matricial 7/11
Esta expresin se puede reescribir de forma matricial :
cv = A * i
donde :
A matriz dinmica
i [1 0 -2]
T
cv prediccin CV

CV
CV
CV
CV
CV
CV
CV
I
I
I
1
2
3
4
5
6
7
0
1
2
1 0 0
4 1 0
6 4 1
7 6 4
7 7 6
7 7 7
7 7 7
1
4
4
1
5
7
7

CV
1
= 1*(

I
0
) = 1

CV
2
= 4*(

I
0
) + 1*(

I
1
) = 4

CV
3
= 6*(

I
0
) + 4*(

I
1
) + 1*(

I
2
) = 4

CV
4
= 7*(

I
0
) + 6*(

I
1
) + 4*(

I
2
) = -1

CV
5
= 7*(

I
0
) + 7*(

I
1
) + 6*(

I
2
) = -5

CV
6
= 7*(

I
0
) + 7*(

I
1
) + 7*(

I
2
) = -7

CV
6
= 7*(

I
0
) + 7*(

I
1
) + 7*(

I
2
) = -7
37
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Uso del Modelo Matricial 8/11
Para un proceso multivariable con 2CV's, 1DV, 2MV's resulta :
cv = A * mv
Se sigue
cumpliendo
a b c
a a b b c c
a a b b c c
a a b b c c
a a b b c c
a a b b c c
d e f
d d e e f f
d d e e f f
d d e e f f
d d e e f f
d d e e f f
1 1 1
2 1 2 1 2 1
3 2 3 2 3 2
4 3 4 3 4 3
5 4 5 4 5 4
5 5 5 5 5 5
1 1 1
2 1 2 1 2 1
3 2 3 2 3 2
4 3 4 3 4 3
5 4 5 4 5 4
5 5 5 5 5 5
0 0 0
0 0 0

MV
MV
MV
MV
DV
DV
CV
CV
CV
CV
CV
CV
CV
CV
CV
CV
CV
CV
1
1
2
2
1
1
1
1
1
1
1
1
2
2
2
2
2
2
0
1
0
1
0
1
1
2
3
4
5
6
1
2
3
4
5
6


A Matriz dinmica de coeficientes
mv Variacin de las variables de entrada
cv Prediccin de la variacin de las variables de salida
a
N
coeficientes que relacionan MV1 con CV1
b
N
coeficientes que relacionan MV2 con CV1
c
N
coeficientes que relacionan DV1 con CV1
d
N
coeficientes que relacionan MV1 con CV2
e
N
coeficientes que relacionan MV2 con CV2
f
N
coeficientes que relacionan DV1 con CV2
38
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Alguna Pregunta?
Pues toca ejercicio!
Prctica 1
39
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Uso del Modelo Matricial 9/11
Si disponemos de un modelo del proceso, es posible conocer la evolucin
de las variables controladas si conocemos cmo se han movido las variables
manipuladas.
MV
Pasado Futuro
CV
Momento actual
valor predicho
de CV
La prediccin de las CV'steniendo en cuenta slo los valores pasados de
las MV's, y considerando que las MV'spermanecen constantes en el futuro
se llama respuesta libre del sistema.
40
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Uso del Modelo Matricial 10/11
Si disponemos de un modelo del proceso, tambin es posible calcular cual
serel resultado de una estrategia de control determinada.
La prediccin de las CV'steniendo en cuenta slo los valores futuros de
las MV's, se llama respuesta forzada del sistema.
La evolucin futura del proceso es la suma de la respuesta libre ms la
respuesta forzada. Al conocer la respuesta libre, se puede calcular cual
tiene que ser la respuesta forzada para conseguir la respuestadinmica
deseada. Es decir, quhacer para cumplir las especificaciones del controlador.
Futuro
CV
MV
t = 0
41
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Uso del Modelo Matricial 11/11
HISTORIA
VARIABLES
MANIPULADAS
MODELO
PREDICCION
VARIABLES
CONTROLADAS
PREDICCION
OBJ ETIVOS
VARIABLES
CONTROLADAS
MODELO
MOVIMIENTOS
VARIABLES
MANIPULADAS
CONTROL
42
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Prediccin
CV = A * I
Calcular
Conocido

CV
CV
CV
CV
CV
CV
CV
I
I
I
1
2
3
4
5
6
7
0
1
2
1
4 1
6 4 1
7 6 4
7 7 6
7 7 7
7 7 7

43
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Control
CV = A * I
Calcular
Conocido

CV
CV
CV
CV
CV
CV
CV
I
I
I
1
2
3
4
5
6
7
0
1
2
1
4 1
6 4 1
7 6 4
7 7 6
7 7 7
7 7 7

44
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Identificacin
CV = A * I
Calcular
Conocido
Conocido

CV
CV
CV
CV
CV
CV
CV
I
I
I
1
2
3
4
5
6
7
0
1
2
1
4 1
6 4 1
7 6 4
7 7 6
7 7 7
7 7 7

45
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ejemplo de Modelo Matricial
46
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus-Modelos 1/8
Un buen algoritmo de identificacin tiene que tener
una serie de atributos para poder funcionar
correctamente en modelos grandes:
El proceso no tiene por qu estar en estacionario.
Puede que ms de una variable independiente se mueva al
mismo tiempo.
Un periodo de datos invlidos no tiene que anular toda la
toma de datos.
El modelo no tiene por qu tener en cuenta el orden del
sistema de ecuaciones diferenciales.
47
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus-Modelos 2/8
Las ecuaciones que predicen un sistema lineal :
CV
1
- CV
0
= (I
1
-I
0
)*a
1
CV
2
- CV
0
= (I
1
-I
0
)*a
2
+ (I
2
-I
1
)*a
1
CV
3
- CV
0
= (I
1
-I
0
)*a
3
+ (I
2
-I
1
)*a
2
+ (I
3
-I
2
)*a
1
CV
4
- CV
0
= (I
1
-I
0
)*a
4
+ (I
2
-I
1
)*a
3
+ (I
3
-I
2
)*a
2
+ (I
4
-I
3
)*a
1
CV
5
- CV
0
= (I
1
-I
0
)*a
4
+ (I
2
-I
1
)*a
4
+ (I
3
-I
2
)*a
3
+ (I
4
-I
3
)*a
2
+ (I
5
-I
4
)*a
1
. .
. .
. .
48
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus-Modelos 3/8
Ecuaciones del modelo en su forma Step-response:
CV
1
- CV
0
= (I
1
-I
0
)*a
1
CV
2
- CV
0
= (I
2
-I
1
)*a
1
+ (I
1
-I
0
)*a
2
CV
3
- CV
0
= (I
3
-I
2
)*a
1
+ (I
2
-I
1
)*a
2
+ (I
1
-I
0
)*a
3
CV
4
- CV
0
= (I
4
-I
3
)*a
1
+ (I
3
-I
2
)*a
2
+ (I
2
-I
1
)*a
3
+ (I
1
-I
0
)*a
4
CV
5
- CV
0
= (I
5
-I
4
)*a
1
+ (I
4
-I
3
)*a
2
+ (I
3
-I
2
)*a
3
+ (I
2
-I
0
)*a
4

CV
CV
CV
CV
CV
CV
CV
I
I
I
1
2
3
4
5
6
7
1
2 1
3 2 1
4 3 2
4 4 3
4 4 4
4 4 4
1
2
3

a
a a
a a a
a a a
a a a
a a a
a a a

CV
CV
CV
CV
CV
CV
CV
I
I I
I I I
I I I I
I I I I
I I I I
I I I I
1
2
3
4
5
6
7
1
2 1
3 2 1
4 3 2 1
5 4 3 2
6 5 4 3
7 6 5 4
1
2
3
4







? ? ?
? ?
?
a
a
a
a

49
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
CV
1
- CV
0
= (I
1
-I
0
)*a
1
CV
2
- CV
0
= (I
2
-I
1
)*a
1
+(I
1
-I
0
)*a
2
-CV
1
+ CV
0
= - (I
1
-I
0
)*a
1
CV
2
- CV
1
= (I
2
-I
1
)*a
1
+(I
1
-I
0
)*(a
2
-a
1
)
CV
3
- CV
0
= (I
3
-I
2
)*a
1
+(I
2
-I
1
)*a
2
+(I
1
-I
0
)*a
3
-CV
2
+ CV
0
= - (I
2
-I
1
)*a
1
- (I
1
-I
0
)*a
2
CV
3
- CV
2
= (I
3
-I
2
)*a
1
+(I
2
-I
1
)*(a
2
-a
1
) +(I
1
-I
0
)*(a
3
-a
2
)
CV
4
- CV
0
= (I
4
-I
3
)*a
1
+(I
3
-I
2
)*a
2
+(I
2
-I
1
)*a
3
+(I
1
-I
0
)*a
4
-CV
3
+ CV
0
= - (I
3
-I
2
)*a
1
- (I
2
-I
1
)*a
2
- (I
1
-I
0
)*a
3
CV
4
- CV
3
= (I
4
-I
3
)*a
1
+(I
3
-I
2
)*(a
2
-a
1
) +(I
2
-I
1
)*(a
3
-a
2
) +(I
1
-I
0
)*(a
4
-a
3
)
CV
5
- CV
0
= (I
5
-I
4
)*a
1
+(I
4
-I
3
)*a
2
+(I
3
-I
2
)*a
3
+(I
2
-I
1
)*a
4
+(I
1
-I
0
)*a
4
-CV
4
+ CV
0
= - (I
4
-I
3
)*a
1
- (I
3
-I
2
)*a
2
+(I
2
-I
1
)*a
3
- (I
1
-I
0
)*a
4
CV
5
- CV
4
= (I
5
-I
4
)*a
1
+(I
4
-I
3
)*(a
2
-a
1
) +(I
3
-I
2
)*(a
3
-a
2
) +(I
2
-I
1
)*(a
4
-a
3
)
DMCplus-Modelos 4/8
Sustraemos cada ecuacin
a la anterior para eliminar
CV
0
50
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus-Modelos 5/8
La forma Impulse-response es de la siguiente manera :
Definiendo b
i
como coeficientes impulsionales, a
i
-a
i-1
:
b
1
= a
1
b
2
= a
2
-a
1
b
3
= a
3
-a
2
b
4
= a
4
-a
3
CV
1
- CV
0
= (I
1
-I
0
)*b
1
CV
2
- CV
1
= (I
2
-I
1
)*b
1
+ (I
1
-I
0
)*b
2
CV
3
- CV
2
= (I
3
-I
2
)*b
1
+ (I
2
-I
1
)*b
2
+ (I
1
-I
0
)*b
3
CV
4
- CV
3
= (I
4
-I
3
)*b
1
+ (I
3
-I
2
)*b
2
+ (I
2
-I
1
)*b
3
+ (I
1
-I
0
)*b
4
CV
5
- CV
4
= (I
5
-I
4
)*b
1
+ (I
4
-I
3
)*b
2
+ (I
3
-I
2
)*b
3
+ (I
2
-I
1
)*b
4
51
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus-Modelos 6/8
Caractersticas de un modelo de respuesta impulsional:
Un cambio en la variable dependiente es slo funcin de los
cambios pasados en las variables independientes durante un
tiempo igual a tiempo que necesita para alcanzar el estacionario.
Las perturbaciones no medidas que entran en el proceso slo
tienen efecto hasta el estacionario.
Por el contrario tienen la desventaja de aadir ruido al modelo ya
que efectan la derivada de la variable dependiente.
52
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado

CV
CV
CV
CV
CV
CV
CV
CV
CV
I
I I
I I I
I I I I
I I I I
I I I I
1
2
4
6
7
8
9
3
5
11
12 11
13 12 11
14 13 12 11
15 14 13 12
16 15 14 13

=
,
, ,
, , ,
, , , ,
, , , ,
, , , ,
? ? ?
? ?
?
I I I I
I I I I
I I I I
I
I I
I I I
I I I I
I I I I
I I I I
17 16 15 14
18 17 16 15
19 18 17 16
21
2 2 21
2 3 2 2 21
2 4 2 3 2 2 21
25 2 4 2 3 2 2
2 6 25 2 4 2
, , , ,
, , , ,
, , , ,
,
, ,
, , ,
, , , ,
, , , ,
, , ,
? ? ?
? ?
?







,
, , , ,
, , , ,
, , , ,
,
,
,
,
,
,
,
,
3
2 7 2 6 25 2 4
28 2 7 2 6 25
2 9 28 2 7 2 6
11
12
13
14
21
2 2
2 3
2 4



I I I I
I I I I
I I I I

b
b
b
b
b
b
b
b
Sistema MISO
DMCplus-Modelos 7/8
Identificacin
simultanea de
coeficientes
53
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus-Modelos 8/8
Calcular los coeficientes del modelo es un problema
de regresin por Mnimos Cuadrados
Para identificar las respuestas individuales es
necesario que los movimientos de las variables
independientes no estn correlacionados
Los modelos se identifican simultneamente, por
tanto cambiar el nmero de variables
independientes cambia el modelo
54
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Arquitectura
MDL
Connect
Connect
CIM I/O
CIM I/O
Collect
Collect
CLC
CIMIO SERVER
CIMIO SERVER
CIMIO SERVER
CIMIO SERVER
CIMIO SERVER
CIMIO SERVER
Model
Model
BIN
Offline Tool
Online Tool
Realizar un Step-Test para
recoger datos de planta
Usar el programa DMCplus-Model
para crear los modelos
55
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Alguna Pregunta?
56
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
A la pizarra!
Despus la
prctica 2
57
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Obtencin del Modelo Matricial 1/2
La fase ms importante de un proyecto de control multivariable, es, sin lugar
a dudas, la obtencin del modelo del proceso que se quiere controlar.
A esto se le denomina identificacin dinmica del sistema.
MODELO
HISTORIA
VARIABLES
CONTROLADAS
IDENTIFICACION
HISTORIA
VARIABLES
MANIPULADAS
IDENTIFICADOR
58
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Para la identificacin dinmica es necesario 'excitar' el proceso de
forma que se pueda obtener la matriz dinmica 'A'. A este proceso se le
denomina 'Step test'.
Durante este proceso cada variable manipulada se mueve una media de
10 veces esperando a que se alcance el estacionario.
Dependiendo el tamao del controlador estas pruebas duran de 3 das a
3 semanas. Para un controlador con 5 MV's y un tiempo de estacionario
de 1 hora se necesitan : 5*10*1 = 50 horas.
Una vez recuperados los datos del sistema de adquisicin (scada), se
usa un programa que estadsticamente obtiene el 'mejor' modelo 'A' que
se ajusta a los datos tomados.
Obtencin del Modelo Matricial 2/2
59
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Modelado con DMCPlus
Importar datos del test de planta
Definir variables dependientes e independientes
Seleccionar los datos de planta buenos
Definir n de parmetros para identificacin
Validar cada modelo individual
Crear el modelo global con los modelos individuales
60
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Fractionator Simulation
FI
2005
Feed
TIC
2003
Fuel Gas
FIC
2100
FIC
2001
FIC
2004
FIC
2002
Mid
Prod
Top
Prod
Btm
Prod
Al
2021
Al
2022
Manipulated
FIC-2001
FIC-2002
TIC-2003
FIC-2004
FeedForward
FI-2005
Controlled
AI-2020
AI-2021
AI-2022
Al
2020
LC
LC
FIC
2102
FIC
2101
QI
2106
61
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Importar datos de planta
FILENAME.CLC
Input_Filename
This is the Test Description
4
31
01-21-1997 14:27:23
60
12863
===============================
FIC-2001~~~ FIC-2001~~~FRACTIONATOR REFLUX~~~MBPD
FIC-2002~~~ FIC-2002~~~FRACTIONATOR P/A~~~MBPD
TIC-2003~~~ TIC-2003~~~FRACTIONATOR FEED T~~~DEG F
FIC-2004~~~ FIC-2004~~~FRACTIONATOR SS PROD~~~MBPD
===============================
01-21-1997 14:27:23,1234.765,G,1233.532,G,1234.423,G,1235.463,G
01-21-1997 14:28:23,1234.765,G,1233.532,G,1234.423,G,1235.463,G
01-21-1997 14:29:23,1234.765,G,1233.532,G,1234.423,G,1235.463,G
01-21-1997 14:30:23,1234.765,G,1233.532,G,1234.423,G,1235.463,G
01-21-1997 14:31:23,1234.765,G,1233.532,G,1234.423,G,1235.463,G
...
normalmente de un fichero COLLECT
62
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Importar datos de planta
VECTOR
2880
FIC-2001
FRACTIONATOR REFLUX
MBPD
1234.765
1233.532
1234.423
1235.463
1233.546
1233.098
1234.543
1233.540
1235.342
...
se pueden importar
ficheros VECTOR
generados por Collector
informacin mnima
fcil transferencia entre
ordenadores
cuando se importa se le
aade el time-stamp
63
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Seleccin de Variables
no existe modelo
existe modelo
dudosa
Caso 1 Caso 2
Case 3
Dep 1 Dep 2 Dep 3 Dep 4 Dep 5 Dep 6
Ind 1
? X X X
Ind 2
X X X ? X ?
Ind 3
? X
Ind 4
X X
64
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Identificando datos
buenos
Slice 2 Slice 1 Slice 3
Dep 2
Dep 6
Ind 1
Ind 4
Ind 2
Datos perdidos
Fallo de instrumento
65
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Identificacin de Parmetros
Nmero de coeficientes
cuanta ms precisin dinmica se necesite es necesario
aumentar el nmero de coeficientes
Tiempo de estacionario (steady-state time)
longitud de los modelos en el tiempo
Smoothing
se filtran los modelos para suavizarlos
no degrada el comportamiento del modelo
66
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Evaluar Modelos
El suavizado solo debe eliminar el ruido
las variables predichas tienen que tener un
comportamiento dinmico igual con filtro o sin el
Cambiar el tiempo de asentamiento debe tener
poco efecto en el modelo global
tss muy pequeos no llegan al estacionario
tss muy grandes hacen que las curvas filtradas y sin filtrar
se separen
67
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Crear el Modelo
El tiempo de asentamiento se define en funcin de
la respuesta mas lenta
las respuesta rpidas se asientan en el estacionario
El periodo de muestreo se define en funcin de la
respuesta ms rpida
periodos de control pequeos necesitan ms coeficientes
Periodo de muestreo
Tiempo de asentamiento
nde coeficientes
=
68
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Crear el Modelo
El controlador acepta los valores:
Coefficients: 30 45 60 75 90 105 120
Moves: 8 9 10 11 12 13 14
Periodo de muestreo
Tiempo de asentamiento
n de coeficientes
=
69
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Arquitectura
MDL
Connect
Connect
CIM I/O
CIM I/O
Collect
Collect
CLC
CIMIO SERVER
CIMIO SERVER
CIMIO SERVER
CIMIO SERVER
CIMIO SERVER
CIMIO SERVER
Model
Model
BIN
Offline Tool
Online Tool
Realizar un Step-Test para
recoger datos de planta
Usar el programa DMCplus-Model
para crear los modelos
70
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Alguna Pregunta?
Seccin Espaola
Master de Instrumentacin y control
CONTROL MULTIVARIABLE
PREDICTIVO con
RESTRICCIONES
DETALLES DE LA PREDICCION
EN LAZO ABIERTO
(mdulo 3)
CONTROL MULTIVARIABLE
CONTROL MULTIVARIABLE
PREDICTIVO con
PREDICTIVO con
RESTRICCIONES
RESTRICCIONES
DETALLES DE LA PREDICCION
DETALLES DE LA PREDICCION
EN LAZO ABIERTO
EN LAZO ABIERTO
(
(
m
m

dulo 3
dulo 3
)
)
2
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Architecture
Context
Context
CCF MDL
Manage
Manage
Control
Control
Connect
Connect
CIM I/O
CIM I/O
View
Server
View
Server
View
Client
View
Client
CIMIO SERVER
CIMIO SERVER
Offline Tool
Online Tool
CIMIO SERVER
CIMIO SERVER
CIMIO SERVER
CIMIO SERVER
Optional
Human
Interface
Controller
La prediccin del
comportamiento futuro
del proceso la realiza
la parte on-linedel
controlador
3
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus-Control Structure
Economics
Costs on Manipulated Variables
Linear
Program
Module
Dynamic
Control
Module
DMCplus-Connect / CIMIO
DCS / Process Information System
Dependent
Variable
Values
Independent
Variable Values
Manipulated
Variable Values
Setpoint
Output
Values
Limits and Targets
Tuning
Constants
Dynamic prediccins MV
Targets
Steady
State
prediccins
CV
Targets
Operator Control Engineer
prediccin
Module
4
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Prediccin de la CV
Futuro
Pasado
CV
Ind
Ahora
La formulacin matricial
Cambio predicho donde es la historia pasada
= CV
5
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Prediccin
CV = A * I
Calcular
Conocido

2
1
0
7
6
5
4
3
2
1
7 7 7
7 7 7
6 7 7
4 6 7
1 4 6
1 4
1


I
I
I
CV
CV
CV
CV
CV
CV
CV

6
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
0 1 2 3 4 5 6 7 8 9 10 11
645
650
655
660
665
650 650 650
652
656
658
660 660 660 660 660 660
0
1
2
3
4
5
6
0
1
3
4
5 5
Modelo
para
T vs. Q
Tendencia
T
Q
Q
650
660
T
Q
T
+2
Ejemplo del clculo
de la prediccin
7
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
0 1 2 3 4 5 6 7 8 9 10 11
649.5
650
650.5
651
651.5
652
652.5
650 650 650
650.5
651
651.5
652 652 652 652 652 652
0
1
2
3
4
5
6
0
1
3
4
5 5
Trends
T
Tin
Q
650
660
T
Q
T
+1
T in
0
0.5
1
1.5
2
2.5
0
0.5
1
1.5
2 2
T vs. Q
T vs. Tin
Ejemplo del clculo
de la prediccin
8
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Predicccin
Se miden las entradas y salidas:
Se inicializa la prediccin
1. Medida, feedback y correccin
2. Desplazamiento temporal
3. Sumar nuevos cambios
700 700 700 Prediccin =
1 2 3 4
entradas salidas
T = 500 T = 700
Q = 100
in
700
9
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Prediccin (1)
entradas Paso 1: salidas
T = 698 T = 502
Q = 101
in
= 698 - 700
= - 2
Error de prediccin = Medido - Predicho
1 2 3 4
Prediccin
700 700 700 700
+Error
-2 -2 -2 -2
Corr. Prediccin
698 698 698 698
10
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Prediccin (2)
Paso 2: Desplazamiento temporal
1 2 3 4 5
698 698 698 698 698
Actual
Siguiente
698 698 698 698
11
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Prediccin (3)
Paso 3: Sumar nuevos cambios
0
1
I = Q - Q
= 101 - 100
= +1
1 in in
I = T - T
= 502 - 500
= +2
0 1
2
1 2
698
3
698
4
698
Prediccin anterior
698
+ 1 *
1
3
4
5
+ 2 *
0.5 1.0 1.5 2.0
Nueva prediccin
700 703
705 707
12
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Prediccin nueva(1)
entradas Paso 1: salidas
T = 702 T = 504
Q = 104
in
= 702 - 700
= 2
Error de prediccin = Medido - Predicho
1 2
700
3
705
4
707
Prediccin
703
+Error
2 2 2 2
Corr. Prediccin
702 705 707 709
13
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Prediccin nueva(2)
Paso 2: Desplazamiento temporal
1 2 3 4 5
702 705 707 709 709
Actual
Siguiente
705 707 709 709
14
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Prediccin nueva(3)
Paso 3: Sumar nuevos cambios
0
1
I = Q - Q
= 104 - 101
= +3
1 in in
I = T - T
= 504 - 502
= +2
0 1
2
1 2
705
3
709
4
709
Prediccin anterior
707
+ 3 *
1
3
4
5
+ 2 *
0.5 1.0 1.5 2.0
Nueva prediccin
709 718
724 728
15
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Alguna Pregunta?
Seccin Espaola
Master de Instrumentacin y control
CONTROL MULTIVARIABLE
PREDICTIVO con
RESTRICCIONES
CALCULO DE LA LEY DE
CONTROL
(mdulo 4)
CONTROL MULTIVARIABLE
CONTROL MULTIVARIABLE
PREDICTIVO con
PREDICTIVO con
RESTRICCIONES
RESTRICCIONES
CALCULO DE LA LEY DE
CALCULO DE LA LEY DE
CONTROL
CONTROL
(
(
m
m

dulo 4
dulo 4
)
)
2
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Estructura DMCplus-Control
Economics
Costs on Manipulated Variables
Linear
Program
Module
Dynamic
Control
Module
DMCplus-Connect / CIMIO
DCS / Process Information System
Dependent
Variable
Values
Independent
Variable Values
Manipulated
Variable Values
Setpoint
Output
Values
Limits and Targets
Tuning
Constants
Dynamic Predictions MV
Targets
Steady
State
Predictions
CV
Targets
Operator Control Engineer
Prediction
Module
3
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Clculo de la Ley de Control 1/8
El vector de prediccin incluye todos los cambios
que se han producido en la variables independientes
en el pasado
Pasado
CV
MV
Futuro
4
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Clculo de la Ley de Control 2/8
Prediccin en lazo abierto
Efectos de la accin de control
Respuesta global
lazo cerrado
Qu curva debe sumarse a la respuesta libre para que la respuesta del
lazo cerrado sea lo ms cercana al punto de consigna ?
La respuesta global del proceso es la suma de la prediccin en lazo abierto
ms la respuesta forzada del sistema.
5
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
El clculo de la ley de control se reduce a un problema de ajuste de curvas.
Teniendo en cuenta que A*mv (pasados) predice los CV, definimos e =
error en el tiempo = SP- prediccin lazo abierto (A*mv)
Clculo de la Ley de Control 3/8
La respuesta es la imagen especular.
Punto de consigna
Prediccin lazo abierto
Imagen especular
6
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
El objetivo de la ley de control es calcular A*mv (futuros) = e
Para conseguir este objetivo hay que minimizar la diferencia residual entre
el error y la prediccin e lazo cerrado. Es decir minimizar :
r = A*mv(futuros) - e
El mtodo tradicional consiste en minimizar la suma de los cuadrados de
los elementos de r. Es decir, aplicar mnimos cuadrados
Clculo de la Ley de Control 4/8
7
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Clculo de la Ley de Control 5/8
Para una prediccin de 9 muestras, con un Tsde 5 muestras y con 4
movimientos futuros de MV, se obtiene :

9
8
7
6
5
4
3
2
1
3
2
1
0
6 6 6 6
5 6 6 6
4 5 6 6
3 4 5 6
2 3 4 5
1 2 3 4
1 2 3
1 2
1
9
8
7
6
5
4
3
2
1
e
e
e
e
e
e
e
e
e
MV
MV
MV
MV
a a a a
a a a a
a a a a
a a a a
a a
a
a
a a a a
a a a
a a
a
r
r
r
r
r
r
r
r
r
8
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Clculo de la Ley de Control 6/8
El objetivo es minimizar la suma de los cuadrados de 'r'.
Es decir minimizar : r
T
*r
[ ]
r r r r r r r r r
r
r
r
r
r
r
r
r
r
r
i
i
i
1 2 3 4 5 6 7 8 9
1
2
3
4
5
6
7
8
9
2
1
9

=
=
=

9
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Clculo de la Ley de Control 7/8
Para minimizar
r
T
* r = (A

mv -e)
T
* (

mv-e)
primero hay que derivar la funcin con respecto a

mv y luego encontrar la raiz del polinomio


resultante:

( )
( )
r r
mv
T

= 0
[ ]

(A mv - e) A mv - e)
mv
T

*
( )
= 0
A
T
* (A

mv -e) =0
A
T
A

mv - A
T
e =0
A
T
A

mv =A
T
e
10
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Clculo de la Ley de Control 8/8
Para resolver esta ecuacin previamente conviene comentar que A
T
A es una matriz cuadrada y
suele ser no-singular, por lo tanto se puede calcular su inversa (A
T
A)
-1
. Luego despejando

mv
de la ecuacin anterior, resulta :
(A
T
A)
-1
A
T
A

mv =(A
T
A)
-1
A
T
e

mv =(A
T
A)
-1
A
T
e
Es decir, para una matriz dinmica conocida A, y para un error calculado e, el vector

mv que
minimiza el error a lo largo del horizonte de prediccin es :

mv = (A
T
A)
-1
A
T
e
11
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Alguna Pregunta?
12
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Un paso 1/10
Supongamos que tenemos un sistema en el que el modelo tiene una ganancia en
estacionario de 7 y se estabiliza en 4 periodos de muestreo :
Construimos la matriz A para
calcular solo un movimiento:
a = 1 4 6 7 7
El clculo del movimiento se basa en el setpoint y en la prediccin en lazo abierto
A =

1
4
6
7
7
[ ]
MV A A A e
T T
=
1
13
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Un paso 2/10
Calculamos y lo guardamos ... ( ) A A A
T T
1
[ ]
( )
[ ]
[ ] [ ]
A A
A A
A A A
T
T
T T
=

= + + + +
=
=
=

1 4 6 7 7
1
4
6
7
7
1 16 36 49 49
151
1
151
1
151
1 4 6 7 7
1
1
14
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Un paso 3/10
Setpoint constante = 0
Cambio en la variable de perturbacin = 1
e = setpoint - prediccin
setpoint = 0 0 0 0 0

prediccin = 0 1 4 6 7

e = 0 -1 -4 -6 -7

1 2 3 4 5
Prediccin inicial = 0 1 4 6 7
15
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Un paso 4/10
( )
[ ]
( )
M V A A A e
.
T T
=
=

=
=
=
1
1
151
1 4 6 7 7
0
1
4
6
7
1
151
0 4 24 42 49
119
151
0 7881
16
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Un paso 5/10
Este movimiento afecta a la respuesta A* x :
Prediccin = 0 1 4 6 7

+ 1 4 6 7 7 * (-0.7881)
Nueva
Prediccin = -0.7881 -2.1513 -0.7285 0.4834 1.4834
17
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Un paso 6/10
Muestreo siguiente: Desplazamos la prediccin y duplicamos el
ltimo elemento
e = setpoint - prediccin
Prediccin = -2.1523 -0.7285 0.4834 1.4834 1.4834
Calculamos el
segundo movimiento :

e = 2.1523 0.7285 -0.4834 -1.4834 -1.4834
( )
[ ]
( )
MV A A A e
T T
=
=

= +
=
1
1
151
1 4 6 7 7
21523
07285
04834
14834
14834
1
151
21523 29140 29004 103838 103838
01232
.
.
.
.
.
. . . . .
.
18
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Un paso 7/10
Este movimiento afecta a la respuesta A* x :
Prediccin = -2.1523 -0.7285 0.4834 1.4834 1.4834



+ 1 4 6 7 7 *(-0.1232)


Nueva Prediccin =-2.22755 -1.2213 -0.2557 0.6211 0.6211

Prediccin = -1.2213 -0.2557 0.6211 0.6211 0.6211

Error = 1.2213 0.2557 -0.6211 -0.6211 -0.6211

Deslizamos la prediccin y calculamos el nuevo error:
19
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Un paso 8/10
( )
[ ]
( )
MV A A A e
T T
=
=

= +
=
1
1
151
1 4 6 7 7
12213
02557
06211
06211
06211
1
151
12213 10228 37266 43477 43477
00674
.
.
.
.
.
. . . . .
.
El tercer movimiento se calcula :
20
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Un paso 9/10
Tiempo Error predicho Error
Paso (sin mov.) Movim. con mov.
1 0 -0.7881 -0.7881
2 -1 -0.1232 -1.2755
3 -4 -0.0674 -1.2887
21
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Un paso 10/10
Proyeccin MV
0 1 2 3 4 5 6 7 8 9
-2.0
-1.5
-1.0
-0.5
0
0.5
1.0
0 0
Ahora
Prediccion CV actualizada
0 1 2 3 4 5 6 7 8 9
(4)
(2)
0
2
4
6
8
-0.7881
-0.9113
-0.9787
22
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Dos Pasos 1/8
Esta vez vamos a calcular dos movimientos,
usando el mismo modelo
a = 1 4 6 7 7
La matriz A toma la forma :
A =

1 0
4 1
6 4
7 6
7 7
La ley de control sigue siendo la misma :
[ ]
MV A A A e
T T
=
1
23
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Dos Pasos 2/8
Calculamos y lo guardamos.
( ) A A A
T T
1
( ) ( )
( ) ( )
A A
T
=

=
+ + + + + + + +
+ + + + + + + +

1 4 6 7 7
0 1 4 6 7
1 0
4 1
6 4
7 6
7 7
1 16 36 49 49 0 4 24 42 49
0 4 24 42 49 0 1 16 36 49
151 119
119 102
24
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Dos Pasos 3/8
0082192 0095891
0095891 0121677
1 4 6 7 7
0 1 4 6 7
00821192 0232877 0109588 0 0095893
00958910 0261887 0088638 00588250 0180502
. .
. .
. . . .
. . . . .

Calculamos ( ) A A A :
T
1
T

151 119
119 102
0082192 0095891
009589 0121677
1

. .
. .
La inversa
de
A A:
T
25
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Dos Pasos 4/8
Si asumimos la misma trayectoria para el setpoint (0s) y la
misma perturbacin que en el caso anterior
e = setpoint - prediccin
setpoint 0 0 0 0 0
prediccin - 0 1 4 6 7
error = 0 -1 -4 -6 -7
26
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Dos Pasos 5/8
Los movimientos se calculan :
( )

MV A A A e
MV
T T
=
=

1
00821192 0232877 0109588 0 0095893
00958910 0261887 0088638 00588250 0180502
0
1
4
6
7
000019
100002
. . . .
. . . . .
.
.
27
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Dos Pasos 6/8
El primer movimiento es 0, y el segundo -1
Esto movimientos afectan al sistema en A*x:
Prediccin = 0 1 4 6 7

+ 1 4 6 7 7 * 0

+ 0 1 4 6 7 * -1

Nueva Pred = 0 0 0 0 0

28
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Dos Pasos 7/8
Si se aplicaran los movimientos (0, -1), la
perturbacin se rechaza perfectamente
La CV estar en su punto de consigna durante toda la
prediccin
29
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
DMCplus Dos Pasos 8/8
0 1 2 3 4 5 6 7 8 9
(4)
(2)
0
2
4
6
8
0 1 2 3 4 5 6 7 8 9
(2)
(1.5)
(1)
(0.5)
0
0.5
1
0 0 0
(1) (1) (1) (1) (1) (1) (1)
Ahora
Prediccin actualizada CV
Error predicho
Proyeccin MV
30
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Alguna Pregunta?
31
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
La solucin mv = (A
T
A)
-1
A
T
e, a pesar de ser la ms ptima para
minimizar el error, puede ser demasiado agresiva para un proceso real.
Normalmente se aade un segundo objetivo que consiste en minimizar la
magnitud de los mv.
Esto se consigue aadiendo un factor de peso k que intente cumplir el
objetivo :
k * mv = 0
Aadiendo el segundo objetivo al ejemplo anterior :
Move Suppresion Factor 1/6
32
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
A k se le llama Move Suppression Factor
En el caso de un controlador multivariable se obtiene :
Move Suppresion Factor 2/6
k 0 0 0
0 k 0 0
0 0 k 0
0 0 0 k
A mv e
*
MV
0
MV
1
MV
2
MV
3
=
0
0
0
0
CV
1
Matriz
S
Minimiza
el
error
Minimiza
el tamao
del mov.
33
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Move Suppresion Factor 3/6
A
11
Matriz dinmica de coeficientes que relaciona MV
1
con CV
1
A
12
Matriz dinmica de coeficientes que relaciona MV
2
con CV
1
A
21
Matriz dinmica de coeficientes que relaciona MV
1
con CV
2
A
22
Matriz dinmica de coeficientes que relaciona MV
2
con CV
2
E
1
Vector de errores de la variable controlada CV
1
E
2
Vector de errores de la variable controlada CV
2
k MoveSuppressionFactor para CV
1
L MoveSuppressionFactor para CV
2
donde :
k 0 0 0
0 k 0 0
0 0 k 0
0 0 0 k
*
MV1
0
MV1
1
MV1
2
MV1
3
=
0
0
0
0
CV
1
MV2
0
MV2
1
MV2
2
MV2
3
0
0
0
0
L 0 0 0
0 L 0 0
0 0 L 0
0 0 0 L
0
0
CV
2
E
1
E
2
A
11
A
12
A
21
A
22
34
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Move Suppresion Factor 4/6
Existe un compromiso entre minimizacin del error y
minimizacin del move suppresion.
S
u
m
a

d
e
l

v
a
l
o
r

a
b
s
o
l
u
t
o

d
e
l

e
r
r
o
r
Suma del valor absoluto de los movimientos
Alto
Move
Suppression
Bajo
Move
Suppression
35
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Move Suppresion Factor 5/6
99
100
101
102
103
104
105
0
5
10
15
CV
MV
Move Suppression=1
LowMV Limit
Cambio el el Setpoint
de la CV
CV
MV
Move Suppression =1
Move Suppression =1
36
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Move Suppresion Factor 6/6
99
100
101
102
103
104
105
0
5
10
15
CV
MV
Move Suppression =10
Move Suppression =1
Move Suppression =10
Move Suppression =1
CV
MV
LowMV Limit
Aumentando el Move Suppression...
37
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Alguna Pregunta?
38
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Demostracin
prctica
del algoritmo
39
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
En un entorno de control Multivariable, todas las variables controladas no
tienen la misma importancia. Sin embargo en la resolucin del problema
de mnimos cuadrados todas las variables se ponderan de la misma forma.
Multiplicando una CV por un coeficiente artificial W
CVn
, se provocara que
los residuos asociados a CVn sean mayores y por tanto el algoritmo
intentar minimizar con ms nfasis esos errores.
Definimos el Equal Concern Error como el nivel de error admisible para
una variable controlada. Se define en las mismas unidades de ingeniera
que la CV.
El Equal Concern error no significa que el controlador permita dicha
magnitud de error, si no que comparativamente pondere ms o menos los
errores en una CV con respecto a otra. En la medida que el Equal Concern
Error es mayor, menos importancia relativa se da a dicha CV.
Equal Concern Error 1/5
40
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
De forma matricial se puede expresar :
Equal Concern Error 2/5
El factor de peso w
CVn
definido anteriormente es el inverso del Equal Concern Error :
w
Equal Concern Error
CVN
=
1
CV
n
Resumiendo :

El Equal Concern Error normaliza los errores en las CVs para poner todas las magnitudes
de error en una misma escala matemtica. Esto da lugar a una resolucin matemticamente
ms robusta de la ecuacin (A
T
A)
-1
A
T
e.

Prioriza las variables controladas por orden de importancia relativa de unas con respecto a
otras.
41
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Equal Concern Error 3/5
k 0 0 0
0 k 0 0
0 0 k 0
0 0 0 k
*
MV1
0
MV1
1
MV1
2
MV1
3
=
0
0
0
0
* w
CV1
MV2
0
MV2
1
MV2
2
MV2
3
0
0
0
0
L 0 0 0
0 L 0 0
0 0 L 0
0 0 0 L
0
0
E
1
E
2
A
11
A
12
A
21
A
22
* w
CV2
* w
CV1
* w
CV2
42
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Equal Concern Error 4/5
Para cada variable controlada se especifica :
ECE lmite superior
ECE lmite inferior
ECE entre lmites
Bandas de transicin superior e inferior
No obstante hay veces que el error no es igual de
significativo a lo largo de todo el rango de la variable
controlada. Esto se trata mediante el :
Dynamic Weighting
43
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Equal Concern Error 5/5
Zona baja de
transicin
Zona alta de
transicin
E.C.E.
Medio
E.C.E.
Alto
E.C.E.
Bajo
Operador
Limite Inferior
CV valor
Operador
Limite Superior
44
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Alguna Pregunta?
45
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Seccin Espaola
Master de Instrumentacin y control
CONTROL MULTIVARIABLE
PREDICTIVO con
RESTRICCIONES
OPTIMIZACION
EN ESTADO
ESTACIONARIO
(mdulo 5)
CONTROL MULTIVARIABLE
CONTROL MULTIVARIABLE
PREDICTIVO con
PREDICTIVO con
RESTRICCIONES
RESTRICCIONES
OPTIMIZACION
OPTIMIZACION
EN ESTADO
EN ESTADO
ESTACIONARIO
ESTACIONARIO
(
(
m
m

dulo 5
dulo 5
)
)
2
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Grados de Libertad (1/9)
Grados de
libertad
Nmero de variables
que describen el sistema
Nmero de relaciones independientes que se
pueden establecer entre las variables
3
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Grados de Libertad (2/9)
Ejemplo
qf(t), Tf(t)
FT
1
TT
1
qc(t), Tc(t)
q(t), T(t)
Variables del sistema :
qf, qc, Tf, Tc, q, t
Ecuaciones
Tf = cte.
Tc = cte.
q = qf + qc
T = 1/q (qf * Tf + qc * Tc)
Grados de libertad = 6 (variables)-4 (ecuaciones) = 2, es
decir, se pueden escoger arbitrariamente dos variables sin
que esto condicione a las dems, luego se puede optimizar.
4
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Grados de Libertad (3/9)
Ejemplo
Variables del sistema :
qf, qc, Tf, Tc, q, t
Ecuaciones
Tf = cte.
Tc = cte.
q = qf + qc
T = 1/q (qf * Tf + qc * Tc)
Grados de libertad = 6-5 = 1, es decir, todava se
puede escoger arbitrariamente una variable,
luego hay posibilidad para la optimizacin
qc = F(q)
qf(t), Tf(t)
FT
1
FC
1
TT
1
SP
qc(t), Tc(t)
q(t), T(t)
5
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Grados de Libertad (4/9)
Ejemplo
qf(t), Tf(t)
TC
1
FT
1
FC
1
TT
1
SP SP
qc(t), Tc(t)
q(t), T(t)
Variables del sistema :
qf, qc, Tf, Tc, q, t
Ecuaciones
Tf = cte.
Tc = cte.
q = qf + qc
T = 1/q (qf * Tf + qc * Tc)
Grados de libertad = 6-6 = 0, es decir, todas las
variables del sistema estn fijadas y no es posible
optimizar ya que la solucin es nica.
qc = F(q)
qf = F(T)
6
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Grados de Libertad (5/9)
CVs
MVs
MVs
MVs
CVs CVs
Proceso estrecho
CVs >MVs
grados de libertad <0
Proceso cuadrado
CVs =MVs
grados de libertad =0
Proceso amplio
CVs <MVs
Grados de libertad >0
La estructura del proceso determina los grados de libertad disponibles
para el controlador.
Tpico
Columna binaria:
CV's: calidad cabeza y fondo
MV's: caudal reflujo, calor reboiler
Poco usual
7
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Si no existen grados de libertad disponibles se sustituyen los
puntos de consigna por rangos.
Si existen grados de libertad, se desea operar contra las
restricciones del proceso ptimas
Se utiliza un optimizador local (LP) para determinar el punto
ptimo de operacin
La programacin Lineal (LP) permite minimizar una funcin
objetivo lineal con restricciones lineales
El optimizador LP empuja hacia las esquinas de la regin de
operacin
Grados de Libertad (6/9)
8
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Optimo
Econmico
Operando con
restricciones
Apertura vlvula
Temperatura
Velocidad Turbina
P en columna
Presin
Composicin
Regin de
Operacin
Preferida por
el Operador
Regin final de
Operacin
del Controlador
Grados de Libertad (7/9)
Nueva Regin de
Operacin
del Controlador
Menor
Variabilidad
9
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Grados de Libertad (8/9)
FI
2005
Feed
TIC
2003
Fuel Gas
FIC
2100
FIC
2001
FIC
2004
FIC
2002
Mid
Prod
Top
Prod
Btm
Prod
Al
2021
Al
2022
Manipulated
FIC-2001
FIC-2002
TIC-2003
FIC-2004
FeedForward
FI-2005
Controlled
AI-2020
AI-2021
AI-2022
Al
2020
LC
LC
FIC
2102
FIC
2101
QI
2106
10
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Grados de Libertad (9/9)
Grados de libertad en
un sistema de control
N MVs
disponibles
N CVs a controlar
en un valor fijo (SP)
11
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
De donde provienen los puntos de consigna usados para
calcular el vector de errores?
Cmo se incluye en el controlador el tratamiento de las
restricciones del proceso?
mediante el uso de un algoritmo de programacin lineal
Programacin Lineal 1/3
12
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 2/3
Optimizacin en estado estacionario
con
restricciones lineales
y una
funcin objetivo lineal
Solucin Factible:
Un conjunto de objetivos de operacin en estado
estacionario dentro de los lmites de operacin
especificados
13
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 3/3
Si existe ms de una solucin factible.
Se utiliza la informacin econmica para elegir la mejor
solucin factible
Si no existe una solucin factible.
Se relajan temporalmente los lmites de las variables menos
importantes
14
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Estructura de control del DMCplus
Economics
Costs on Manipulated Variables
Linear
Program
Module
Dynamic
Control
Module
DMCplus-Connect / CIMIO
DCS / Process Information System
Dependent
Variable
Values
Independent
Variable Values
Manipulated
Variable Values
Setpoint
Output
Values
Limits and Targets
Tuning
Constants
Dynamic Predictions MV
Targets
Steady
State
Predictions
CV
Targets
Operator Control Engineer
Prediction
Module
15
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal MVs 1/5
Objetivos en el estado estacionario para las Variables
Manipuladas (MV)...
Si no cambiamos las MV, estas permanecern con el valor actual
hasta llegar al estado estacionario:
Podemos expresar el objetivo en el estado estacionario como:
MV MV
i i
SS Now
=
MV MV MV
i i i
Target SS SS
= +
16
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal MVs 2/5
Los objetivos de las MV en SS estn restringidos entre el lmite alto
y bajo
MV MV MV
MV MV MV
i i i
i i i
SS SS High
SS SS Low
+
+

Por ejemplo para dos MVsse generan cuatro ecuaciones...


MV MV MV
MV MV MV
1 1 1
1 1 1
SS SS High
SS SS Low
+
+

MV MV MV
MV MV MV
2 2 2
2 2 2
SS SS High
SS SS Low
+
+

17
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal MVs 3/5
MV MV MV
MV MV MV
1 1 1
1 1 1
SS SS High
SS SS Low
+
+

Restricciones:
Expected
SS Value
MV
1
SS
MV
1
Low
MV
1
High
MV
1
M
V
2
18
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal MVs 4/5
Restricciones:
MV MV MV
MV MV MV
1 1 1
1 1 1
SS SS High
SS SS Low
+
+

MV MV MV
MV MV MV
2 2 2
2 2 2
SS SS High
SS SS Low
+
+

Expected
SS Value
MV
1
SS
M
V
1

L
o
w
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
MV
2
SS
19
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal MVs 5/5
Si la LP mueve los targetsde la MV
SS
,
propondrun cambio en cada una de ellas...
MV
2
SS
MV
1
SS
M
V
1

L
o
w
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
MV
1
ss

M
V
2
s
s
MV MV MV
MV MV MV
1 1 1
1 1 1
SS SS High
SS SS Low
+
+

MV MV MV
MV MV MV
2 2 2
2 2 2
SS SS High
SS SS Low
+
+

Restricciones:
20
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal CVs 1/6
CV CV CV
CV CV CV
j j j
j j j
SS SS High
SS SS Low
+
+

Restricciones de las Variables Controladas (CV) en el


estado estacionario...
CV CV CV
j j j
Target SS SS
= +
Ahora
Prediccin CV
CV
j
ss
Estado
estacionario
Objetivo LP:
El Objetivo se acota entre:
21
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal CVs 2/6
Podemos cambiar las MVspara causar el cambio deseado en
las CVs. En el estado estacionario el cambio en las CVs ser
las ganancia, G
i,j
, de la respuesta del modelo MV
i
vsCV
j
Para cambios en varias MVs, el cambio en la CV viene dado
por le principio de superposicin:
CV CV G MV
j j i j i
i
SS Target SS
SS
= +

,

22
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal CVs 3/6
Del modelo del proceso y de la prediccin en lazo abierto:
Para nuestro ejemplo de dos MVs:
CV G MV G MV CV
CV G MV G MV CV
j ,j ,j j
j ,j ,j j
SS
SS SS
High
SS
SS SS
Low
+ +
+ +
1 1 2 2
1 1 2 2


( ) ( )
( ) ( )
105 20 40 137
105 20 40 101
1 2
1 2
+ +
+ +
. MV . MV
. MV . MV


SS SS
SS SS
23
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal CVs 4/6
Las restricciones pueden expresarse como ecuaciones lineales
substituyendo por un signo igual
Reorganizando las ecuacin anterior, representamos mas
claramente la recta:
( )
MV
G
G
MV
CV CV
G
,j
,j
j j
,j
2
1
2
1
2
SS SS
Low SS
=

+

CV G MV G MV CV
j ,j ,j j
SS
SS SS
Low
+ + =
1 1 2 2

24
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal CVs 5/6
G
1,1
= 2.0
G
2,1
= 4.0
Slope=

=
20
40
05
.
.
.
Intercept
Low SS
=

=

=
CV CV
G
1 1
21
101 105
40
10
,
.
.
CV
1 Low
= 101
CV
1 SS
= 105
M
V
1

L
o
w
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
CV
1
Low
} -1.0
105 20 40 101
1 2
+ + = ( . ) MV ( . ) MV
SS SS
25
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal CVs 6/6
M
V
1

L
o
w
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
C
V
1

L
o
w
+ 8.0
CV
1
High
G
1,1
= 2.0
G
2,1
= 4.0
Slope=

=
20
40
05
.
.
.
Intercept
High SS
=

=

= +
CV CV
G
1 1
21
137 105
40
80
,
.
.
CV
1 High
= 137
CV
1 SS
= 105
105 20 40 137
1 2
+ + = ( . ) MV ( . ) MV
SS SS
26
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 1/16
10 40 150
10 60 130
1
2
. . .
. . .
+
+

MV
MV
SS
SS
Restricciones:
M
V
1

L
o
w
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
C
V
1

L
o
w
C
V
1

H
i
g
h
C
V2

L
o
w
C
V2

H
i
g
h
Variables Manipuladas:
Variables Controladas:
Aadiendo una segunda variable controlada...
( ) ( )
( ) ( )
101 105 20 40 137
29 29 15 60 76
1 2
1 2
+ +
+ +
. MV . MV
MV . MV


SS SS
SS SS
.
27
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 2/16
10 40 150
10 60 130
1
2
. . .
. . .
+
+

MV
MV
SS
SS
Restricciones:
M
V
1

L
o
w
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
C
V
1

L
o
w
C
V
1

H
i
g
h
C
V2

L
o
w
C
V2

H
i
g
h
Variables Manipuladas:
Variables Controladas:
Cualquier solucin en la zona sombreada satisface todas las
restricciones...
Feasible
Region
( ) ( )
( ) ( )
101 105 20 40 137
29 29 15 60 76
1 2
1 2
+ +
+ +
. MV . MV
MV . MV


SS SS
SS SS
.
28
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 3/16
Operador o Ingeniero
Limites de las Restricciones
Programacin Lineal
Objetivos consistentes
Calculo de movimientos
Refresca los Setpointsdel control regulatorio
29
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Limitacion de la velocidad de cambio
coherente
LP Step:
Lmite de la
velocidad de cambio
en el objetivo al
estado estacionario
0 5 10 15 20 25 30
-20
-15
-10
-5
0
5
10
15
20
Low Limit
High Limi t
LP Step = 10
Max Move = 1
High Limit
Max Move:
Limitacin de la
velocidad de cambio
en cada movimiento
individual de MV
30
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 4/16
10 40 150
10 60 130
1
2
. . .
. . .
+
+

MV
MV
SS
SS
( ) ( )
( ) ( )
101 105 20 40 137
29 29 15 60 76
1 2
1 2
+ +
+ +
. MV . MV
MV . MV


SS SS
SS SS
.
M
V
1

L
o
w
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
C
V
1

L
o
w
C
V
1

H
i
g
h
C
V2

L
o
w
C
V2

H
i
g
h
Minimiza:
Sujeto a:
Cuando hay mas de una solucin posible.OPTIMIZA!
?
Cost MV Cost MV
1 1 2 2
+
SS SS
31
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 5/16
La LP minimiza la funcin lineal objetivo de la forma:
La funcin objetivo puede representar una funcin de optimizacin
que es razonablemente lineal y puede ser minimizada
Para minimizar costos y maximizar beneficios...
= - (SS cambio en produccin)*($ valor de los productos)
+ (SS cambio en carga & utilities)*($ costo carga & utilities)
= + Cost MV Cost MV
1 1 2 2

SS SS
Cost
i
es el cambio en despus de haber cambiado una
unidad MV
i
manteniendo las otras MVsconstantes.
32
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 6/16
Supongamonos que estamos controlando el siguiente proceso...
= - SS Produccin A * $ Valor de A
- SS Produccin B * $ Valor de B
+ MV
1
ss * $ Costo de MV
1
+ MV
2
ss * $ Costo de MV
2
Proceso
MV
1
Producto A
A
CV
2
Producto B
MV
2
F
A F
CV
1
33
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 7/16
F
A
F
B
MV
1
-0.23 0.30
MV
2
0.16 -0.10
Los cambio de produccin en el SS sern.


SS Produccion A = (-0.23) MV ss + ( 0.16) MV ss
SS Produccion B = ( 0.30) MV ss + (-0.10) MV ss
1 2
1 2


Ganancias del proceso en el estado
estacionario
de los test de planta...
Proceso
A
A
F
F
MV1
MV2
CV1
CV2
A
B
34
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 8/16
Funcin Objetivo:
( )
( )
= G MV ss + G MV ss Value of A
G MV ss + G MV ss Value of B
+ MV ss $ Cost of MV
+ MV ss $ Cost of MV2

A,1 1 A,2
B,1 1 B,2
1 1
2

2
2
$
$ -
Donde: Cost
1
= (-G
A,1
* $ Valueof A)+(-G
B,1
* $ Valueof B)+$ Cost of MV
1
= ( 0.23 * $100) + (-0.30 * $80) + $0 = $ -1
Cost
2
= (-G
A,2
* $ Valueof A)+(-G
B,2
* $ Valueof B)+$ Cost of MV
2
= (-0.16 * $100) + ( 0.10 * $80) + $2 = $ -6
= + Cost MV Cost MV
1 1 2 2

SS SS
35
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 9/16

MV LP Cost


Mnimo

-

Maximiza
Coste

+

Minimiza


Mnimo
Movimiento

(+)

No se mueve para
optimizar

Mnimos Movimiento de MVs
36
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 10/16
10 40 150
10 60 130
1
2
. . .
. . .
+
+

MV
MV
SS
SS
( ) ( )
( ) ( )
101 105 20 40 137
29 29 15 60 76
1 2
1 2
+ +
+ +
. MV . MV
MV . MV


SS SS
SS SS
.
M
V
1

L
o
w
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
C
V
1

L
o
w
C
V
1

H
i
g
h
C
V2

L
o
w
C
V2

H
i
g
h
Minimizar:
Sujeto a:
( )
La LP elegirla solucin que minimiza los costos...
( )
+ 1 6
1 2
MV MV
SS SS
6
1
37
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 11/16
M
V
1

L
o
w
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
C
V
1

L
o
w
C
V
1

H
i
g
h
C
V2

L
o
w
C
V2

H
i
g
h
La solucin optima estarsiempre en una esquina...
Minimizar:
( ) ( )
+ 1 6
1 2
MV MV
SS SS
C
A
B
( ) ( )
= + = 1 20 6 7 44 .
( ) ( )
= + = 1 107 6 27 267 . . .
( ) ( )
= + = 1 30 6 7 39 .
A
B
C
MV
2
=7
MV
1
=2
38
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 12/16
MV
1
LP Target = 4.0+ MV
1
ss = 4.0 + 2.0 = 6.0
MV
2
LP Target = 6.0+ MV
2
ss
= 6.0 + 7.0 = 13.0
CV
1
LP Target =105 + (2.0)MV
1
ss + (4.0)MV
2
ss
=105 + (2.0)2.0 + (4.0) 7.0 = 137
CV
2
LP Target =29+ (-1.5)MV
1
ss + (6.0)MV
2
ss
=29 + (-1.5)2.0 + (6.0)7.0 = 68
Los objetivos son calculados como...
39
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 13/16
10 40 150
10 60 130
1
2
. . .
. . .
+
+

MV
MV
SS
SS
Restricciones:
Variables Manipuladas:
Variables Controladas:
Si una de las CVs tiene un setpoint fijo.
( ) ( )
( ) ( )
101 105 20 40 137
29 29 15 60 29
1 2
1 2
+ +
+ +
. MV . MV
MV . MV


SS SS
SS SS
.
M
V
1

L
o
w
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
C
V
1

L
o
w
C
V
1

H
i
g
h
C
V2

S
e
t
p
o
i
n
t
40
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 14/16
10 40 150
10 60 130
1
2
. . .
. . .
+
+

MV
MV
SS
SS
Restricciones:
Variables Manipuladas:
Variables Controladas:
Cuando ambas CVstienes setpointshay solo una solucin...
( ) ( )
( ) ( )
121 105 20 40 121
29 29 15 60 29
1 2
1 2
+ +
+ +
. MV . MV
MV . MV


SS SS
SS SS
.
M
V
1

L
o
w
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
C
V
1

S
e
t
p
o
i
n
t
C
V2

S
e
t
p
o
i
n
t
41
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 15/16
10 40 150
10 60 130
1
2
. . .
. . .
+
+

MV
MV
SS
SS
Restricciones:
Variables Manipuladas:
Variables Controladas:
Aadiendo otra CV no tiene efecto en la solucin.
( ) ( )
( ) ( )
( ) ( )
121 105 20 40 121
29 29 15 60 29
16 19 20 10 32
1 2
1 2
1 2
+ +
+ +
+ +
. MV . MV
MV . MV
MV . MV



SS SS
SS SS
SS SS
.
.
M
V
1

L
o
w
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
C
V
1

S
e
t
p
o
i
n
t
C
V2

S
e
t
p
o
i
n
t
Consistent error minimizationtarget
42
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal 16/16
10 40 150
10 60 130
1
2
. . .
. . .
+
+

MV
MV
SS
SS
Restricciones:
Variables Manipuladas:
Variables Controladas:
Si la CV tuviera setpoint fijo.?
( ) ( )
( ) ( )
( ) ( )
121 105 20 40 121
29 29 15 60 29
16 19 20 10 16
1 2
1 2
1 2
+ +
+ +
+ +
. MV . MV
MV . MV
MV . MV



SS SS
SS SS
SS SS
.
.
M
V
1

L
o
w
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
C
V
1

S
e
t
p
o
i
n
t
C
V2

S
e
t
p
o
i
n
t
C
V
3

S
e
t
p
o
i
n
t
Minimizaciondel error Consistente si CV
3
tiene menos importancia
43
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Restricciones en Estado Estacionario
Debe proporcionar una forma robusta de manejar el
conjunto de limites del proceso
Existen dos aproximaciones diferentes:
Minimizar lo mas posible la violacin global de restricciones
atendiendo a la violacin de todas las variables, (mnimo suma
violaciones)
Asignar un rango de prioridad a la restriccin
satisfacer primero las restricciones mas importantes, no
importa cuanto deban ser violadas las otras restricciones
44
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Controlled Variable Ranks 1/4
Usada cuando se conoce el orden de prioridad.
Agrupar los limites de las variables controladas por tipo
limites de seguridad o medioambientales
Limites de la operabilidad de los equipos
requerimientos de validacin del modelo
Especificaciones de calidad de los productos
Objetivos secundarios de optimizacin econmica
Asignar a cada grupo su ranking de CV
45
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
CV Limit Ranking 2/4
A cada limite de las variables dependientes se le puede
asignar un rango, rank
LP satisface los limites por orden de rank
Los factores de Equal Concern Error se usan para
promediar violaciones en un rank
46
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
CV Limit Ranking 3/4
Agrupaciones tpicas de variables dependientes:
Limites de seguridad y equipos
Variables integradoras
Limites de operabilidad de equipos (vlvulas, etc.)
Objetivos de calidad de productos
Objetivos Sub-econmicos (biases)
47
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
CV Limit Ranking 4/4
Satisface las restricciones por orden de Rank ....
M
V
1

L
o
w
C
V
3

S
e
t
p
o
i
n
t
R
a
n
k
=

6
0
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
C
V
1

S
e
t
p
o
i
n
t
R
a
n
k
=

2
0
CV
2
Setpoint
R
a
n
k
=
1
0
LP Solucin
48
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Equal Concern Error en LP 1/2
Se usa para dar prioridad a cada restriccin dentro de
un rango
Define la referencia de error para cada limite
En unidades de ingeniera de CV
Representa un orden del nivel de violacin para cada lmite de
CV
49
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Equal Concern Error en LP 2/2
Minimiza la Violacin de la restricciones promediadas ....
M
V
1

L
o
w
C
V
3

S
e
t
p
o
i
n
t
M
V
1
H
i
g
h
MV
1
M
V
2
MV
2
Low
MV
2
High
C
V
1

S
e
t
p
o
i
n
t
CV
2
Setpoint
LP Solucin
50
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Objetivos de optimizacin externos
Son objetivos secundarios de optimizacin para la
funcin LP del DMCplus
Objetivos para MVs y CVs
Los objetivos externos pueden tener rango, de la misma
manera que los limites normales
Desatienden los objetivos econmicos de la funcin LP
51
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Prioridades de Control
Limites de las variables Manipuladas
Solucin posible
Limites de las variables dependientes (Ranks 1-999)
Objetivos Optimizadores externos
Optimizacin Econmica
Costos LP, Movimientos mnimos
Variables dependientes Economic (Rank 1000)
52
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal compuesta
Mltiples controladores DMCplus comparten
soluciones comunes LP
Diseado para controladores muy grandes en los que
hay un ratio muy grande entre las dinmicas
aplicables al proceso
No aplicable a todos los procesos
53
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Una vez resuelta la funcin de coste sujeta a restricciones
mediante el algoritmo de programacin lineal, falta por ver como se
incluye esto dentro del controlador.
La forma ms habitual consiste en forzar al mdulo de clculo de
movimientos la solucin de estado estacionario calculada por el
mdulo de programacin lineal.
Imposicin de la solucin LP 1/5
54
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
El mdulo de programacin lineal genera el vector MV
SS
, que es el vector de
movimientos de las variables manipuladas en el estacionario. Pero an falta por
determinar cmo van a ser cada uno de los movimientos MV hasta que se
alcance el estacionario
La solucin consiste en hacer MV = MV
SS
Suponiendo un caso en el que haya dos variables manipuladas, dos variable
controladas y que el vector de movimientos futuros incluya los prximos cuatro
cambios, entonces se fuerza al controlador a que cumpla :
MV1
1
+ MV1
2
+ MV1
3
+ MV1
4
= MV1
SS
MV2
1
+ MV2
2
+ MV2
3
+ MV2
4
= MV2
SS
Incluyendo estas dos ecuaciones en la ecuacin del controlador :
Imposicin de la solucin LP 2/5
55
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
k 0 0 0
0 k 0 0
0 0 k 0
0 0 0 k
*
MV1
1
MV1
2
MV1
3
MV1
4
=
0
0
0
0
* w
CV1
MV2
1
MV2
2
MV2
3
MV2
4
0
0
0
0
L 0 0 0
0 L 0 0
0 0 L 0
0 0 0 L
0
0
E
1
E
2
A
11
A
12
A
21
A
22
* w
CV2
* w
CV1
* w
CV2
1 1 1 1
0 0 0 0 1 1 1 1
0 0 0 0
MV1
MV2
Imposicin
de la solucin LP
* Whh * Whh
Imposicin de la solucin LP 3/5
56
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Imposicin de la solucin LP 4/5
Despus de la ejecucin LP, el modulo de calculo de movimientos
minimiza el error en el siguiente problema....
MV
1
MV
2
?
?
Que plan de movimientos minimiza el error?
TTSS
f(MV)
Objetivos de la
funcin LP
CV
1
57
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Imposicin de la solucin LP 5/5
MV + MV + MV + MV + MV + MV + MV + MV = MVss
1 2 3 4 5 6 7 8
MV1
MV steady-state = -9
-4
-4
-2
+4
+2
-4
-2
+1
Seccin Espaola
Master de Instrumentacin y control
CONTROL MULTIVARIABLE
PREDICTIVO con
RESTRICCIONES
Resumen
CONTROL MULTIVARIABLE
CONTROL MULTIVARIABLE
PREDICTIVO con
PREDICTIVO con
RESTRICCIONES
RESTRICCIONES
Resumen
Resumen
2
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Programacin Lineal
Inventada por G. B. Dantzig en 1947 para resolver problemas de logstica de las
Fuerza Areas Americanas
Inmenso campo de aplicacin
Permite resolver un problema de maximizacin/minimizacin conociendo:
El coste de las variables independientes en nuestro caso las variables
manipuladas
La relacin de ganancia entre las variables manipuladas y las retsricciones
operativas.
Vamos a aplicar la LP al ejemplo de una columna estabilizadora.
3
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Estabilizadora
MVs CVs
1.) TIC Plato 5 1.) C
5
s
2.) Reflujo 2.) RVP
3.) Dp
PC
FI
dP
FI
TI
FC
FI
LI
C
5
s
PVR
AI
AI
TIC
TI
FC
TI
LC
4
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ecuaciones Lineales
# Independientes = # Dependientes
a
11
x
1
+ a
12
x
2
+ a
13
x
3
= b
1
a
21
x
1
+ a
22
x
2
+ a
23
x
3
= b
2
a
31
x
1
+ a
32
x
2
+ a
33
x
3
= b
3
3 ecuaciones, 3 incgnitas, se resuelve directamente para x
1
, x
2
, x
3
# Independientes > # Dependientes
a
11
x
1
+ a
12
x
2
+ a
13
x
3
= b
1
a
21
x
1
+ a
22
x
2
+ a
23
x
3
= b
2
nmero de soluciones
# Independientes < # Dependientes
aado a
41
x
1
+ a
42
x
2
+ a
43
x
3
= b
4
a las 3 ecuaciones de arriba
problema sobreespecificado no tiene solucin
5
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ecuaciones Lineales
3 Ecuaciones, 3 Incgnitas
DP
s C
RVP
REF
REF
DP
PIC
PIC
DP
TIC
TIC
DP
REF
REF
s C
PIC
PIC
s C
TIC
TIC
s C
REF
REF
RVP
PIC
PIC
RVP
TIC
TIC
RVP
PIC
TIC
TIC
REF
PIC
REF
PIC
TIC
TIC
REF
PIC
REF
PIC
TIC
TIC
REF
PIC
REF
= + +
= + +
= + +

' 5
' 5 ' 5 ' 5
Qu son estas derivadas parciales?
Las ganancias identificadas durante los test.
6
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ecuaciones Lineales
3 Ecuaciones, 2 Incgnitas
DP
s C
RVP
REF
REF
DP
TIC
TIC
DP
REF
REF
s C
TIC
TIC
s C
REF
REF
RVP
TIC
TIC
RVP
PIC
TIC
PIC
REF
PIC
TIC
PIC
REF
PIC
TIC
PIC
REF
= +
= +
= +

' 5
' 5 ' 5
Puedo satisfacer las tres ecuaciones cambiando slo el reflujo y el TIC?
NO
7
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Tabla de ganancias y lmites
Lmites
TIC Reflujo
PVR -0.200 -0.072
C5's 0.125 -0.954
DP 0.025 0.101
Lmite Lo
Valor
actual
Lmite Hi Estacionario
PVR 8 9 10 ??
C5's 0.5 2.5 5 ??
DP 3.5 4 4.5 ??
Matriz de
ganancias
8
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ecuaciones LP problema 2X3
Soft Constraints
PVR HI: -.200 TIC + -.072Ref 10 - 9
PVR LO: -.200 TIC + -.072Ref 8 - 9
C
5
s HI: .125 TIC + -.954Ref 5 - 2.5
C
5
s LO: .125 TIC + -.954Ref .5 - 2.5
DP HI: .025 TIC + .101Ref 4.5 - 4
DP LO: .025 TIC + .101Ref 3.5 - 4
Hard Constraints
TIC UL Valor actual
TIC LL Valor actual
Ref UL Valor actual
Ref LL Valor actual
FuncinObjetivo: Cost
TIC
TIC + Cost
Ref
Ref = Mnimo
-1. TIC + -1. Ref =Mnimo
9
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Conceptos de Programacin Lineal
Espacio de soluciones (2 MV)
Para cada restriccin de una variable dependiente tenemos una
ecuacin con dos incgnitas (una recta)
Determinar los puntos de corte de la recta con los ejes
Dibujar distintas rectas correspondientes a las distintas restricciones.
El espacio comprendido por la interseccin de todas las rectas
representa el espacio de soluciones del problema en trminos de
las restricciones de las variables dependientes.
El espacio de soluciones se define en trminos de las
consiciones actuales y la distancia a las restricciones. Queda
redefinido en cada ejecucin de la LP.
10
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Espacio de soluciones
Constraint Boundaries
-20
-15
-10
-5
0
5
10
15
20
-20 -15 -10 -5 0 5 10 15 20
TIC Moves
R
e
f
l
u
x

M
o
v
e
s
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
RVP LO: [ (-.200 TIC) + (-.072 Ref ) -1
Intercepts
RVP Lo
Constraint Boundaries
-20
-15
-10
-5
0
5
10
15
20
-20 -15 -10 -5 0 5 10 15 20
TIC Moves
R
e
f
l
u
x

M
o
v
e
s
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
Restricciones
-20
-15
-10
-5
0
5
10
15
20
-20 -15 -10 -5 0 5 10 15 20
Mov TIC
M
o
v

R
e
f
l
u
j
o
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
PVR Hi
Interseccin
Espacio de soluciones
PVR HI: [(-.200 TIC) + (-.072 Ref)] 1
Slo para lmites
PVR Hi & PVR Lo
11
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Espacio de soluciones
Constraint Boundaries
-20
-15
-10
-5
0
5
10
15
20
-20 -15 -10 -5 0 5 10 15 20
TIC Moves
R
e
f
l
u
x

M
o
v
e
s
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
Constraint Boundaries
-20
-15
-10
-5
0
5
10
15
20
-20 -15 -10 -5 0 5 10 15 20
TIC Moves
R
e
f
l
u
x

M
o
v
e
s
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
Constraint Boundaries
-20
-15
-10
-5
0
5
10
15
20
-20 -15 -10 -5 0 5 10 15 20
TIC Moves
R
e
f
l
u
x

M
o
v
e
s
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
Constraint Boundaries
-20
-15
-10
-5
0
5
10
15
20
-20 -15 -10 -5 0 5 10 15 20
TIC Moves
R
e
f
l
u
x

M
o
v
e
s
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
Espacio de
soluciones
Espacio de soluciones para los lmites de PVR y
C5s
12
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Espacio de soluciones
El espacio de soluciones no cambia porque los
lmites del DP son amplios
Constraint Boundaries
-20
-15
-10
-5
0
5
10
15
20
-20 -15 -10 -5 0 5 10 15 20
TIC Moves
R
e
f
l
u
x

M
o
v
e
s
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
Zoom In
Constraint Boundaries
-10
-5
0
5
10
-10 -5 0 5 10
TIC Moves
R
e
f
l
u
x

M
o
v
e
s
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
Espacio de soluciones
13
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Espacio de soluciones
El espacio de soluciones no cambia porque los
lmites del DP son amplios
Zoom In
Constraint Boundaries
-10
-5
0
5
10
-10 -5 0 5 10
TIC Moves
R
e
f
l
u
x

M
o
v
e
s
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
Espacio de soluciones
14
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Conceptos de Programacin Lineal
La LP, slo busca la solucin en las esquinas del espacio de
soluciones
La solucin queda definida por la Funcin Objetivo
Siempre se trata de MINIMIZAR la Funcin Objetivo
Los LP Costs definen las direcciones preferidas de movimientos en
las MV
LP Cost negativo significa maximizar dicha MV (preferido, pero no
garantizado).
LP Cost positivo implica minimizar dicha MV
15
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Solucin de la LP
Restricciones
-10
-5
0
5
10
-10 -5 0 5 10
Mov. TIC
M
o
v
.

R
e
f
l
u
j
o
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
TIC Cost =-1, Reflux Cost =-1
(Costesfijadosparamximofraccionamiento)
16
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Nuevos costes, las mismas restricciones
Restricciones
-10
-5
0
5
10
-10 -5 0 5 10
Mov. TIC
M
o
v
.

R
e
f
l
u
j
o
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
Tic Cost =+1, Reflux Cost =-1
17
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Solucin LP si ambos costes son positivos
(Mnimo consumo energtico)
Restricciones
-10
-5
0
5
10
-10 -5 0 5 10
Mov. TIC
M
o
v
.

R
e
f
l
u
j
o
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
Tic Cost =+1, Reflux Cost =+1
18
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
La ltima opcin
Restricciones
-10
-5
0
5
10
-10 -5 0 5 10
Mov. TIC
M
o
v
.

R
e
f
l
u
j
o
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
Tic Cost =-1, Reflux Cost =+1
19
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Discusin rpida
Existe un conjunto nico de LP cost que lleva al proceso a los
objetivos deseados?
Ajustar los Lp cost se reduce a asignar el signo correcto a cada
coste?
20
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Otro caso ms con ambos costes negativos
Restricciones
-10
-5
0
5
10
-10 -5 0 5 10
Mov. TIC
M
o
v
.

R
e
f
l
u
j
o
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
Tic Cost =-1, Reflux Cost =-0.1
21
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Qu pasa si disminuimos el lmite alto del Delta
P?
Nuevo contorno de restricciones
-10
-5
0
5
10
-10 -5 0 5 10
Mov. TIC
M
o
v
.

R
e
f
l
u
j
o
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
Tic Cost =-1, Reflux Cost =-1
Solution Space
22
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Si bajamos aun ms el lmite alto del Delta P
No hay solucin, 3 Posibilidades
-10
-5
0
5
10
-10 -5 0 5 10
Mov. TIC
M
o
v
.

R
e
f
l
u
j
o
RVP HI
RVP LO
C5 HI
C5 LO
DP HI
DP LO
OPT
OPT 2
OPT 3
Sirvenparaalgolos costesen lasMVs paraestasituacin?
(La solucin depender de las prioridades en las CVs
23
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Parmetros de ajuste del mdulo LP
Variables Manipuladas
LP Costs
Opcin LP Min Move/Min Cost
LP Step (SSStep)
Variables Controladas
CV Rank
Equal Concern Lmites Hi/Lo
24
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Clculo de los LP Costs
Qu es un LP Cost?
Es el coste incremental de aumentar una MV en una unidad, mientras
las dems MVs se mantienen constantes
LP cost negativo Beneficio al aumentar
LP intenta maximizar una MV con Lpcost negativo
LP Cost
i
=
- $
MV
i
MV
j
j i
Definicin:
El coste total debe incluir los efectos en utilities
y productos
Por Definicin
25
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Clculo de los LP Costs
Al menos tres maneras de calcularlos:
1) Utilizando el programa SIMULATE de DMCplus. Por ensayo y error se ajustan los
LP costs que llevan al controlador contra las restricciones que se consideran
ptimas.
2) Utilizando las respuestas identificadas en las pruebas en planta (ganancias) en las
variables de balance de materia y energa, junto con los precios y los costes de
utilities. Despus se pueden depurar los valores calculados utilizando el programa
SIMULATE.
3) Utilizando una simulacin rigurosa (HYSYS o similar) para calcular las ganancias
en las variables de balance de materia y energa. Despus se pueden depurar los
valores calculados utilizando el programa SIMULATE.
26
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Clculo de LP costs por Balance de Materia
Requiere precios de los productos/alimentacin y coste de los utilities (normalmente
esta informacin la proporciona Planificacin)
Requiere el valor de las ganancias en las MVs y la carga/productos/utilities. Se
pueden obtener de los step-test
Hay que forzar el cierre del balance de materia aunque no salga as de los test
MV Cost =
-

Producto
MV
x
$
Unidad producto
+

i
i
i
Utility
MV
j
j
x
$
Utility
j
+

Carga
MV
k
k
x
$
Carga
k
Ganancias
27
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Clculo de LP Costs a partir de modelos rigurosos de estado
estacionario
Es lo mismo que hemos visto en el caso anterior, pero ahora las ganancias se
obtienen del modelo de estado estacionario en lugar de obtenerlas de los step-test
Hay que asegurarse de que las variables independientes de la simulacin son las
mismas que en el controlador (la simulacin debe tener la misma configuracin de
control).
Cuando las variables independientes de la simulacin son distintas que en el
controlador, hay que hacer uso de la regla de la cadena para obtener las ganancias
requeridas.
28
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Puntualizaciones sobre los LP Costs
El conjunto de costes que llevan al proceso a las restricciones ptimas
NO ES UNICO
Cuanto mejor sean las bases de clculo de los LP Cost, en general,
mejor va a funcionar el controlador cuando el sistema alzance distintas
restricciones
A pesar de todo lo riguroso que haya sido el clculo de los LP Cost, es
ineludible revisar el funcionamiento del controlador cuando se
introducen nuevos costes
A pesar de todo lo riguroso que haya sido el clculo de los LP Cost,
puede que haya que hacer pequeas modificaciones para llevar a la
planta contra las restricciones deseadas.
29
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Variables de Mnimo Movimiento
Las MVs tiene dos opciones en cuanto a su tratamiento en LP:
Minimizar Coste (que es la opcin por defecto)
Minimizar Movimiento
Con la opcin de mnimo movimiento, la funcin objetivo LP aumenta ya sea que
la variable aumente o disminuya. (Este aumento de la funcin objetivo depende
del valor asignado al Lpcost).
Es lo mismo Mnimo Movimiento que coste cero?
Se debe utilizar en aquellas MVs que no tienen incentivo econmico y cuyo
movimiento slo es necesario cuando algunas CVs alcanzan sus lmites (no
existe incentivo en llevar esas CVs a sus valores mximo o mnimo).
30
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Grados de Libertad
Cuntos lmites alcanza el controlador DMCplus?
El nmero de grados de libertad = # Variables Manipuladas
El nmero de variables que alcanza un lmite (empujadas por la LP) = # Variables Manipuladas
Las variables de rampa (niveles) siempre actan como restriccin activa
Las variables de Mnimo Movimiento consumirn un grado de libertad si no es necesario moverlas
SSSTEP es una restriccin potencial en las MVs constraint, junto con los propios lmites de las
MVs.
Las restricciones activas se encuentran remarcadas en la pantalla del controlador
31
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Parmetros de ajuste LP - CV Rank
Rango de las variables controladas
Se utiliza para determinar qu lmites deben relajarse cuando no existe una solucin factibles
en la Programacin Lineal
Representa la importancia relativa de un grupo de lmites en CVs, 1 son los ms importantes
y 999 los menos importantes
Se aplican de manera separada a los lmites alto y bajo de cada CV (el lmite alto puede ser
mucho ms importante que el bajo y viceversa)
Un rango de 9999 significa que se ignoran los lmites.
32
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Parmetros de ajuste LP - CV Rank
Se debe considerar la importancia relativa de los lmites alto y bajo de cada variable
controlada.
Lmites de salida a vlvula de controladores el menor rango 10 -19 (relajar estos lmites causar
graves errores en el modelo porque los reguladores asociados a estas vlvulas estarn sin control:
como si estuvieran en MANUAL).
Restricciones crticas Lmite alto de temperatura de pared de tubo, lmite bajo de temperatura en
sistemas de refrigeracin: rango 20-29. Relajar estos lmites podra causar graves problemas de
operacin. Nunca deben relajarse estos lmites para alcanzar las calidades de los productos.
Restricciones importantes, pero menos crticas - Ps en columnas: rango 30 - 39
Especificaciones de productos: rango 40 - 49. En este caso lo importante son las relaciones entre
unos y otros
33
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ajuste de parmetros LP- LP Equal Concern.
LP Hi Limit y Lo Limit Equal Concerns (ECELPU & ECELPL)
Definen la importancia relativa de los lmites alto y bajo dentro de un conjunto de variables con el mismo rango
Podramos decir que con estos nmeros se mide la importancia del lmite en unidades de ingeniera para una
CV dada
Cuanto ms pequeo es este nmero ms importante es el lmite
La prioridad en la relajacin de lmites dentro de un rango de CVs (LP Equal Concern) se debe
determinar mediante simulacin con DMCplus SIMULATE. Esto significa que el usuario deber realizar
muchas simulaciones en escenarios en donde no todas las restricciones pueden satisfacerse (grados
de libertad negativos).
Seccin Espaola
Master de Instrumentacin y control
CONTROL MULTIVARIABLE
PREDICTIVO con
RESTRICCIONES
RESUMEN
OPERACIN DEL
CONTROLADOR
(mdulo 6)
CONTROL MULTIVARIABLE
CONTROL MULTIVARIABLE
PREDICTIVO con
PREDICTIVO con
RESTRICCIONES
RESTRICCIONES
RESUMEN
RESUMEN
OPERACI
OPERACI

N DEL
N DEL
CONTROLADOR
CONTROLADOR
(
(
m
m

dulo 6
dulo 6
)
)
2
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Modela la dinmica del proceso
Predice el comportamiento del proceso
Reconcilia la prediccin con la ltima medida real
disponible
Examina las restricciones e identifica los objetivos
ptimos para todas las variables
Calcula el plan de control que minimiza la diferencia
entre el comportamiento predicho y el deseado.
Funcionamiento Controlador 1/3
3
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Funcionamiento Controlador 2/3
MODULO
DE
PREDICCION
MODULO
PROGRAMACIN
LINEAL
MODULO
DE CLCULO
DE MOVIMIENTOS
Prediccin CVs
Objetivos SS de CVs y MVs
SPs de las Variables Manipuladas
Valores de Variables Perturbacin
Valores de Variables Controladas
Predicciones del ciclo anterior
SPs de las Variables Manipuladas
Lmites de SPs
Costes del algoritmo LP
Limites de Variables Controladas
SPs de las Variables Manipuladas
Lmites de SPs
Movimientos actuales
Movimientos futuros
SPs de las Variables Manipuladas
4
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Funcionamiento Controlador 3/3
COSTES ECONMICOS DE LAS VARIBLES MANIPULADAS
INGENIERO DE CONTROL
MDULO
PREDICTIVO
MDULO DE
PROGRAMACIN
LINEAL
MDULO DE
CONTROL
DINMICO
Predicciones del
Estado Estacionario
Objetivos de las Variables
Manipuladas
Objetivos de
las Variables Controladas
OPERADOR
Objetivos y Lmites de las
Variables Manipuladas y Controladas
Constantes de ajuste
SISTEMA DE CONTROL
PROCESO
Variables de
adelanto
Variables
Dependientes
Variables
Manipuladas
Set Point
Manipulados
DMC
5
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Numero de variables crticas
Rangos de las variables controladas
Rangos de las variables manipuladas
Qu variables manipuladas estn disponibles
Operacin Controlador 1/3
Qu puede modificar el operador?
6
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Operacin Controlador 2/3
PETRONOR
DMC : DMCF3T5
[DMC
]
CTLR
SWITCH ON
GRAFICO
MAESTRO
SUMARIO
MENSAJ ES
SUMARIO
MV
SUMARIO
CV
SUMARIO
DV
SUMARIO
LP
CONFIG.
CONTROL
CONEXION
VARIABLES CONTROLADAS
# TAG ESTADO LIMITE VALOR. LIMITE OBJETIVO SP VARIABLE
BAJ O ALTO [DMC
]
RAMPA CRITICA
1 A09Y074Z.PV GOOD 50.00 55.00 62.2 56.00 SI
2 A09Y0805.PV GOOD 6.90 7.15 7.30 7.30 SI
3 9PDI0025.PV GOOD 0.10 0.15 0.20 0.10 SI
4 A09Y184Z.PV GOOD 70.00 76.00 88.0 85.00 SI

PETRONOR
DMC : DMCF3T5
[DMC] CTLR
SWITCH ON
GRAFICO
MAESTRO
SUMARIO
MENSAJES
SUMARIO
MV
SUMARIO
CV
SUMARIO
DV
SUMARIO
LP
CONFIG.
CONTROL
CONEXION
VARIABLES MANIPULADAS
# TAG ESTADO LIMITE VALOR. LIMITE OBJETIVO MOV. VARIABLE
BAJO ALTO [DMC] ACTUAL CRITICA / MODO
1 9PC00017.SP GOOD 9.10 9.20 9.31 9.10 -0.01 SI / CAS
2 9TC00017.SP GOOD 158.00 175.00 176.00 160.00 +0.20 SI / CAS
3 9FC00068.SP GOOD 110.00 115.00 160.00 120.00 +0.50 SI / CAS

7
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Equal Concern Errors
Move Suppression Factors
LP Costs
Ajustar los modelos del proceso
Operacin Controlador 3/3
Qudebe modificar el tcnico de control?
8
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Criterios de implantacin
Procesos interactivos con objetivos de control y
restricciones que entran en conflicto
Procesos cuyas restricciones varan
estacionalmente o donde los precios de carga y
productos cambian regularmente.
Procesos en donde trabajar de manera
consistente cerca de sus lmites genere altos
beneficios.
Seccin Espaola
Master de Instrumentacin y control
CONTROL MULTIVARIABLE
PREDICTIVO con
RESTRICCIONES
VARIABLES
INTEGRADORAS
(mdulo 7)
CONTROL MULTIVARIABLE
CONTROL MULTIVARIABLE
PREDICTIVO con
PREDICTIVO con
RESTRICCIONES
RESTRICCIONES
VARIABLES
VARIABLES
INTEGRADORAS
INTEGRADORAS
(
(
m
m

dulo 7
dulo 7
)
)
2
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Integradores: prediccin
CV
Valor medido
CV
Prediccin
anterior
12:00 12:02 12:04 12:05
MV
Ahora
3
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Integradores: prediccin
CV
Valor medido
11:59 12:00 12:01 12:02 12:03 12:04 12:05
Ahora
}
{
"Error de
Prediccin"

Se define un factor, el RotationFactor que es la fraccin del error de prediccin que


podemos atribuir a las perturbaciones no medidas de tipo integrador
4
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Integradores: prediccin
CV
11:59 12:00 12:01 12:02 12:03 12:04 12:05
Ahora
{

Se rota la prediccin
para compensar las
perturbaciones tipo integrador
Rotation
Factor
5
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Integradores: prediccin
12:00 12:01 12:02 12:03 12:04 12:05
Ahora
{

Valor medido
de la CV
Desplazamiento
6
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Integradores: prediccin
Rotation
Factor
DEMASIADO ALTO
Rotation
Factor
DEMASIADO PEQUEO
Rotation
Factor
RAZONABLE
0
0
0
Error de prediccin frente al tiempo
7
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Integradores: Programacion Lineal 1/2
High
Limit
Prediccin
del integrador
en lazo-abierto
Low
Limit
Overall
Steady-state
Prediccin
del integrador
en lazo-cerrado
High
Limit
Low
Limit
No existe una
relacin esttica entre
MV
SS
y CV
SS
No se pueden
mapear las
restricciones de las
CVs integradoras en
el plano de las MVs
8
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Integradores: Programacin Lineal 2/2
Ecuacinesde restricciones en el estado estacionario:
Son reemplazadas por una
ecuacin de restriccion:
CV G MV G MV CV
CV G MV G MV CV
j ,j ,j j
j ,j ,j j
SS
SS SS
High
SS
SS SS
Low
+ +
+ +
1 1 2 2
1 1 2 2


CV_Slope S MV S MV
j ,j ,j
SS
SS SS
+ + =
1 1 2 2
00 .
Pendiente final
de la prediccin
Pendientes finales
de los modelos
Se pierde un
grado de libertad
9
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Integradores : Calculo de Movimientos 1/5
High Limit
LowLimit
Integrator Prediction & Error Minimization
Calculado o " Internal" Setpoint
En funcin del tipo de integrador
Error
Los integradores se tienen que controlar dinmicamente !
Como el LP slo se encarga de balancear la rampa al final,
es necesario que el mdulo de clculos de movimientos
mantenga la variable entre lmites
10
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Integradores : Clculo de Movimientos 2/5
High Limit
LowLimit
Integrator Prediction & Error Minimization
Setpoint Calculado para Ramp Rate = 1.0
El usuario especifica un Setpoint en unidades de CV
Current
Integradores con punto de consigna asignado por el usuario.
11
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Integradores : Clculo de Movimientos 3/5
High Limit
LowLimit
Ramp Between Limits
Setpoint Calculado para Ramp Rate = 0.3
El usuario especifica un Setpoint en unidades de CV
Current
0.3x
x
Ramp Rate = 0.3
Integradores con punto de consigna asignado por el usuario.
12
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Integradores : Clculo de Movimientos 4/5
High Limit
LowLimit
Current
0.3x
x
Ramp Rate = 0.3
Ramp Outside Limits
Setpoint Calculado para Ramp Rate = 0.3
El usuario especifica un Setpoint en unidades de CV
Integradores con punto de consigna asignado por el usuario.
13
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Integradores : Clculo de Movimientos 5/5
High Limit
LowLimit
Integrator Prediction & Error Minimization
Setpoint Calculado para Ramp Rate = 0
Current
Integradores con punto de consigna sin asignar. Ramprate= 0
El SP es siempre el valor actual, excepto cuando se esta fuera de lmites
14
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Procesos con Integradores 1/4
Rampa tradicional
Variables con desbalance masa/energaa
La Programacin Lineal intenta balancear la rampa
(ratio de cambio = 0) en cada ciclo de control
Se puede limitar la cantidad de desbalance para un
determinado numero de ciclos de control
El controlador se desconectar si no es capaz de
controlar la variable
15
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Procesos con Integradores 2/4
Rampa de desbalance programada
La LP intenta mantener la rampa dentro de los lmites de
desbalance calculados a partir de los lmites de
operacin
Poniendo el numero de desbalances en negativo se
define una rampa de desbalance programada
El desbalance permitido esta en funcin de lo cerca que
se encuentre el valor actual de sus lmites de operacin
16
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Procesos con Integradores 3/4
Rampa de desbalance entre lmites
Pendiente=desbalance superior permitido
Tiempo
TTSS
Pendiente=desbalance inferior permitido
Horizonte de rampa
Limite Alto
Limite Bajo
17
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Procesos con Integradores 4/4
Pseudo Rampas
No son verdaderas indicaciones de desbalance
masa/energa
No se efectan chequeos del grado de desbalance
LP intenta balancear la rampa en cada ciclo de control
Se permite ilimitada cantidad de desbalance para un
nmero especfico de ciclos de control
No se deben definir rampas reales como Pseudo-rampas
para pasar los chequeos de desbalance
Seccin Espaola
Master de Instrumentacin y control
CONTROL MULTIVARIABLE
PREDICTIVO con
RESTRICCIONES
DISEO Y EJECUCIN
DE PROYECTOS
(mdulo 8)
CONTROL MULTIVARIABLE
CONTROL MULTIVARIABLE
PREDICTIVO con
PREDICTIVO con
RESTRICCIONES
RESTRICCIONES
DISE
DISE

O Y EJECUCI
O Y EJECUCI

N
N
DE PROYECTOS
DE PROYECTOS
(
(
m
m

dulo 8
dulo 8
)
)
2
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ejecucin de un proyecto
Estudio de viabilidad
Determina el coste del proyecto y los posibles beneficios
Diseo funcional
Revisin de los objetivos de operacin
Definicin del alcance del proyecto
Pruebas preliminares en planta
Documento de Diseo Funcional
3
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ejecucin de un proyecto
Diseo de detalle
Desarrollo de los clculos en lnea
Step-test para identificacin dinmica
Desarrollo de los estimadores inferenciales
Desarrollo de los modelos dinmicos
Simulacin y ajuste off-line del controlador
Documento de Diseo de Detalle
4
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ejecucin de un Proyecto
Integracin y comisionado
Instalar y evaluar los estimadores inferenciales
Instalar el interfaz con el Operador
Formacin de Operadores y Tcnicos
Comisionado en Lazo Cerrado
Documentacin Final: Manual de Ingeniera y Manual de
Operacin
Mantenimiento
5
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Diseo Funcional
Definir los Objetivos Econmicos
Qu beneficio debe conseguir el controlador?
Definir los Objetivos de Control
Variabilidad del Proceso, rechazo de perturbaciones
Lmites de Operacin y Especificaciones de Productos
Limitacin de Recursos
Energa, Capacidad de los equipos, Cargas
6
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Diseo del controlador
Alcance
Qu parte del proceso va a incluir
Objetivos del controlador
Para qu vamos a construir el controlador
Seleccin de Variables
Cmo vamos a conseguir los objetivos
Control Bsico
Qu cambios vamos a realizar
7
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Alcance
Incluir la parte de proceso que sea necesaria para
cubrir todas las restricciones que afecten a los
objetivos definidos
Separar en unidades de operacin similares a
las que utilizan los operadores
Todas las partes del controlador deben estar
conectadas . Si no hay interacciones es mejor
crear varios controladores ms pequeos
8
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Objetivos del controlador
El objetivo principal debe ser econmico.
Si el controlador no va a generar beneficio econmico
puede ser que no valga la pena
Es esencial comprender los objetivos econmicos del
proceso y el controlador
Identificar todas las restricciones que limitan los
beneficios
Algunas slo se presentan estacionalmente
Hay que revisar los datos histricos
9
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Objetivos del controlador
Procesos altamente interactivos
Deben mantenerse lejos de las restricciones porque son
muy difciles de controlar
No se operan de manera eficiente
Balance complejo entre objetivos econmicos
que compiten entre s
Condiciones que cambian continuamente y que
requieren ajustes frecuentes en el proceso para
mantener la operacin ptima
10
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Seleccin de Variables
Especificar las variables manipuladas (MV)
Atencin a las discontinuidades
Saturaciones de vlvulas
Especificar las variables feedforward (FF)
Atencin a la dependencia de las MVs
Especificar las variables controladas (CV)
Considerar transformaciones si existen no
linealidades
11
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Seleccin de Variables
Variables Manipuladas (MVs)
Normalmente se utilizarn puntos de consigna de los
controladores bsicos
Si el proceso es muy lento entonces se debe utilizar la salida
a vlvula como MV
Atencin a las discontinuidades generadas por el sistema de
control bsico (rangos partidos)
12
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Seleccin de Variables
Variables Controladas (CVs)
Asegurarse de que todas las restricciones del proceso estn
incluidas
Incluir la salida a vlvula de los controladores bsicos que se
utilicen como manipuladas en vez de fiarse del anti-windup
en el DCS
Considerar transformaciones si existen no linealidades
13
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Seleccin de Variables
Variables de Perturbacin (FFs, DVs)
Asegurarse de que todas las posibles perturbaciones
medidas estn incluidas directamente aunque estn en otra
unidad
Evitar variables de perturbacin que no sean completamente
independientes
Si es posible utilizar punto de consigna como variable de
perturbacin en vez de PVs
14
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Control bsico
Abrir las cascadas que operan con oscilaciones
Cerrar las cascadas que rechazan las perturbaciones
de alta frecuencia
Eliminar las aplicaciones de Control Avanzado que
tengan un periodo de ejecucin similar al controlador
DMCplus
incluirlas en el controlador
15
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Control bsico
Eliminar los sistemas de control que provocan
discontinuidades o no linealidades
Controladores de rango partido
Controladores no lineales de Nivel
Controladores por restricciones (maximizacin)
Aadir medidas de la perturbacin donde sea posible
un mejor rechazo de la perturbacin
16
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ajuste de PIDs
Reducir oscilaciones al mnimo
Mejor es una respuesta suave
El ptimo es una ligera sobreoscilacin
Considerar todo el rango de operacin
Atencin a los problemas mecnicos de las
vlvulas. No intentar solucionarlos mediante el
ajuste!
Mirar los filtros utilizados
17
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ajuste de PIDs
UTILIZAD SINTOLAB
TM
!!
18
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Unidad de Gases
OBJETIVOS DE CONTROL
Maximizar la carga a la Desetanizadora
Minimizar el Propano enviado a Fuel Gas
Maximizar produccin de C4
Minimizar el consumo energtico
Mantener las Calidades de los Productos
RESTRICCIONES TPICAS:
P en la despropanizadora
Capacidad de condensacin en la desbutanizadora y la
desetanizadora
Produccin de Propano (Almacenamiento Limitado)
Disponibilidad de carga a la desetanizadora
19
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
L2
P1
F2
T1
P1
F1
F4
D
E
E
T
H
A
N
I
Z
E
R
F
3
Steam
T10
P2
Fuel Gas
Propane to Fuel
F5
L4
F6
P2
D
E
P
R
O
P
A
N
I
Z
E
R
C4 A2
Propane
T4
L3
Steam
T5
T6
L5
F9
Pentane
D
E
B
U
T
A
N
I
Z
E
R
P3
F7 F8
T8
P3
Mixed Butanes
T7
Unidad de Recuperacin de Gases
L1
T9
T2
F
1
0
C2 A1
C3 A3 C+5 A4
F
1
1
Steam
20
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Unidad de Crudo
OBJETIVOS
Maximizar la carga de crudo
Maximizar produccin de Nafta y Keroseno
Minimizar produccin de Crudo Reducido
Minimizar consumo energtico
Mantener las calidades de los productos
RESTRICCIONES TPICAS:
Capacidad del horno
P en la seccin de cabeza
Vlvulas de entrada a los strippers
Vlvula del reflujo
21
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
CRUDE UNIT ATMOSPHERIC TOWER
STM
STM
STM
LSR GASOLINE
TO TREATING
NAPHTHA
KEROSENE
GAS OIL
TOPPED CRUDE
TO VACUUM TOWER
SIDE CUT
STRIPPERS
ATM
TOWER
STM
DESALTER
EXG "B"
EXG "A"
SALT WATER
CRUDE
CHARGE
CW
GAS TO
LPG
RECOVERY
WATER
EXG "A"
EXG "B"
P1
P2
P3
P2
T4
T5
P3
A4
A3
A2
T11
F10
F9
F11
T10
T9 ENDPOINT
FLASH
ENDPOINT
(FREEZE)
ENDPOINT
F3
L2
L3
T6
T7
T8
A1
T1
P1
F4
HEATER
DP3
P1
02
F1 T3
T2
L1
L4
F5
F6
F7
F8
F12
F2
T12
22
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Horno de varios pasos
OBJETIVOS DE CONTROL
Mantener la carga total al horno
Mantener la temperatura de salida
Minimizar el consumo energtico
Balancear las temperaturas de los pasos
RESTRICCIONES TPICAS:
Temperaturas de pared de tubo
Temperaturas de Humos
Temperaturas paso Convectiva/Radiante
Exceso de Oxgeno
Tiro del horno
23
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Horno de varios pasos
F2
F4
F3
F5
F1
HC1
P1
T1
A1 O
2
F6 F7 F8 F9
T10
T11 T12 T13
T14
T9 T8 T7
T6
T4 T5 T3 T2
24
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Pruebas preliminares (1/4)
Objetivos de los Pre-test ...
1. Comprobar los objetivos de operacin
2. Confirmar el alcance del controlador
3. Reducir al mnimo el nivel de ruido
4. Comprobar el funcionamiento del sistema de recogida de
datos
25
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Pruebas preliminares (2/4)
Instalar el software en lnea DMCplus
Necesario para la recogida de datos
Preparar la lista de variables a recoger
SP, PV y OP de los controladores bsicos
Cualquier perturbacin potencial al proceso
Medida de todas las restricciones
Medidas redundantes
Indicadores econmicos (si existen)
26
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Pruebas preliminares (3/4)
Identificar los fallos de Instrumentacin
Todo lo que interfiera con la operacin
Vlvulas agarrotadas, rangos incorrectos, instrumentos
que fallan, ...etc.
Modificar los ajustes del control bsico
Anotar las constantes de ajuste y los factores de
filtro
Iniciar un cuaderno de bitcora que documente
problemas y resultados
27
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Pruebas preliminares (4/4)
Anticipar las condiciones de los step-test
Comprobar que la planta se puede operar en las
condiciones del test
Estimar el tiempo de asentamiento y la magnitud de los
movimientos
Identificar restricciones adicionales
Aadir medidas a la lista de variables a recoger
Determinar los modos de los reguladores durante
los test
Romper cascadas o cerrarlas
28
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Pruebas en planta (1/6)
Soporte tcnico durante las pruebas
Siempre que se estn tomando datos de planta
Las pruebas se monitorizan desde la consola de
Operacin
Normalmente 24 horas al da
Los movimientos debe hacerlos el operador
As participa activamente en las pruebas
l es el responsable y tiene poder de veto
Discutir los movimientos antes de hacerlos
29
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Pruebas en planta (2/6)
Distribuir los movimientos en distintas series a lo
largo de los test
Variar la duracin de los movimientos
Algunos movimientos de duracin mayor o igual que el
estacionario
Tiempo medio alrededor de del estacionario
En variables crticas los movimientos deben ser
lo suficientemente grandes como para asegurar
un relacin seal ruido de 6:1
30
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Patrones de movimientos
tpicos
(2) 0 2 4 6 8 10 12
SS Times
0 5 10 15 20
SS Times
0 5 10 15 20
SS Times
31
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Pruebas en planta (4/6)
La configuracin del control bsico no debe alterarse
durante las pruebas
Los controladores regulatorios son parte del proceso
Evitar saturacin o wind-up en los controladores
bsicos durante las pruebas
Sera como poner el controlador en MANUAL
Se modifica la dinmica del proceso
32
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Pruebas en planta (5/6)
Iniciar la identificacin de modelos durante las
pruebas
Comenzar en cuanto tengamos datos suficientes
disponibles
Utilizar los resultados para modificar el tamao o la
duracin de los movimientos
Hacer ms movimientos donde peores salgan los
modelos
Seguir con las pruebas hasta que los modelos
fundamentales sean buenos
33
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Prueba en planta (6/6)
Duracin esperada de las pruebas:
8..10 * (# Independientes) * (T
ss
)
Realizar 15-20 movimientos en cada variable
independiente
Concentrarse en un movimiento cada vez
Pueden hacerse otros movimientos si es necesario
Evitar movimientos correlacionados
34
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Identificacin Dinmica
Los primeros anlisis durante las pruebas
Indican cmo van los test
Primera idea de la bondad de los modelos
No valen para comisionar
Anlisis detallados tras las pruebas
Revisin a fondo de las condiciones de planta durante
las pruebas
Eliminar los datos sospechosos
Anlisis exhaustivo de la calidad del modelo
35
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Simulacin del controlador
Parmetros de ajuste del controlador:
Optimizacin Econmica
Lpcost para la Programacin Lineal
Tratamiento de retricciones en estacionario
Rangos (ranking) de las CVs
LP Equal Concern Error
Minimizacin dinmica del error
Equal Concern Error dinmicos
Move Suppression factors
36
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Optimizacin econmica
Cada MV tiene un coste asociado
Representa el incremento de beneficio asociado a un
incremento de +1.0 en esa MV
Considerar la variable en s y el efecto econmico de los
cambios que produce en el resto del proceso
Normalmente se obtienen a partir de los precios de los
productos y de las ganancias en estacionario del modelo
37
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Restricciones en estado estacionario
Hay que indicarle al controlador qu debe hacer
cuando no hay solucin factible
Existen dos posibilidades:
Jerarquizacin de las restricciones por orden de rango
se satisfacen las restricciones ms importantes sin
importan cunto se violan las dems
Minimizar la suma ponderada de violaciones
optimiza el nivel de importanciaglobal de las
violaciones de todas las restricciones
38
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Rangos de las CVs
Se utilizan cuando se conoce el orden de
prioridad
Agrupar los lmites de las CVs por grupos
Seguridad y Medio Ambiente
Lmites de Operacin de los equipos
Lmites de validez del modelo
Especificaciones de calidad
Objetivos econmicos
Asignar a cada grupo de CVs su rango
39
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Equal Concern Error
Se utilizan para ponderar las restricciones
Definen el error de referencia para cada lmite
En Unidades de Ingeniera de cada CV
Representan un mismo nivel de importancia respecto
a la magnitud de la violacin del lmite
Compensa las diferentes escalas de unidades y la
diferente importancia de las CVs
Usar ECE para balancear las CVs en cada
rango
40
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Minimizacin Dinmica del Error
Conceptos clsicos de ajuste de controladores
Rechazo de las Perturbaciones
Se deben mover las MV para mantener las CVs en sus
valores deseados
Seguimiento de Puntos de Consigna
Se deben mover las MVs para llevar a las CVs a sus nuevos
puntos de consigna
La esencia del ajuste es el compromiso entre el
esfuerzo de control y el error permitido
41
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Dynamic ECE Factors
La importancia de un control dinmico ajustado en cada CV
es diferente
Se utiliza otro conjunto de Equal Concern Error para definir
prioridades dinmicas
En unidades de ingeniera de las CVs
Compensa las diferentes escalas y las diferentes prioridades
dinmicas
El error dinmico es relativo al objetivo en el estacionario
(steady-state target)
42
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Move Suppression
El mejor objetivo de control no es siempre
minimizar el error en las CVs
Se tiende a pasar la perturbacin a otra zona del
proceso
Queremos minimizar la variacin de algunas MVs
Se utiliza el move suppressions para hacer el
balance entre variabilidad en la MV frente a
reduccin de variabilidad en las CVs
43
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ajuste Off-line
Definir distintos escenarios
Perturbaciones tpicas
Cambios de SP tpicos
Definir que entendemos por buen control
Objetivos ptimos en el estacionario
Objetivos no factibles
Comportamiento Dinmico
Esfuerzo de control
44
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Ajuste Off-Line
Pasos a seguir en el ajuste:
1. Calcular LPcost y analizar los objetivos en el
estacionario para todos los escenarios
2. Seleccionar rangos de las CVs y LP ECE factors y
analizar los escenarios con solucin no factible
3. Seleccionar ECE dinmicos y move suppression factors
y analizar el comportamiento dinmico en todos los
escenarios
45
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Finalizacin del proyecto
Formacin rigurosa a los operadores
Documentacin detallada de todas las fases del
proyecto
Evaluacin de beneficios
Plan de seguimiento
46
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Plan de seguimiento
Segn va pasando el tiempo el funcionamiento del
controlador, y, por consiguiente los beneficios que se
obtienen pueden degradarse
Es muy importante estar al tanto de cualquier
degradacin para tomar acciones correctivas de manera
rpida y eficiente.
47
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Evolucin de los beneficios
Beneficios
anuales
($M)
Puesta en servicio
del controlador
Desconexin
Periodo de
degradacin
Degradacin del funcionamiento
del controlador
Prdida de
beneficios
Funcionamiento sostenido
(mejoras contnuas)
Mejora del funcionamiento
del controlador
tiempo
Los cambios en el
proceso o en los
equipos, o en el
mercado pueden
afectar seriamente al
funcionamiento
Es posible hacer pequeas
modificaciones al
controlador para re-
optimizar los beneficios
. Modificar lmites de
operacin, objetivos,
costes, modelos o ajustes
48
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Porqu dejan de funcionar?
Cambios en el proceso y/o equipos
cambios en la composicin de la carga; modos diferentes de
operacin
cambios en la capacidad de enfriamiento o calentamiento;
ensuciamientos
Cambios del mercado
coste de las materias primas, costes energticos, precios de los
productos
Movimiento de las personas a cargo de la Aplicacin
rotaciones, recursos limitados
De quin depende ...
P
T
XITO
= x x x x
Definicin
de objetivos
y restricciones
Definicin de
restricciones
y objetivos
operativos
Costos
y objetivos
econmicos
PROCESOS PLANIFICACIN
OPERACIN
INSTRUMENTACIN
CONTROL
AVANZADO
Mantenimiento
de instrumentos
Tuningdel
Controlador
P
I
P
C
P
L
P
M
P
E
50
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Procesos
Identificacin de oportunidades
Objetivos operativos
Definicin de restricciones
Validacin del modelo
Estimacin de beneficios
Seguimiento de objetivos
51
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Operacin
Identificacin de oportunidades
Objetivos de Operacin
Ejecucin de las pruebas en planta
Operacin del controlador:
Fijar los lmites que definen el escenario de operacin del
controlador
Procurar un alto factor de servicio
52
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Planificacin
Identificacin de oportunidades
Objetivos econmicos
Costes y precios
Establece los objetivos de calidad y los rangos
aceptables
Clculo de beneficios
53
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Instrumentacin/Analizadores
Mantenimiento de instrumentos crticos
Mantenimiento de analizadores en lnea
Validacin de clculos inferenciales
Mantenimiento del hardware
54
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Control Avanzado
Objetivos de control
Mantenimiento de los modelos
Parmetros de ajuste del comportamiento dinmico
Mantenimiento del software del controlador
Monitorizacin del funcionamiento
55
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Grupos de Seguimiento
Las inversiones realizadas en Control Avanzado
deben ser rentabilizadas
Los controladores multivariables son una
herramienta al servicio de la planta
El potencial beneficio generado exige un seguimiento
continuo
La responsabilidad del seguimiento es compartida
56
Seccin Espaola
Master de Instrumentacin y Control Mdulo 9 Control Avanzado
Grupos de seguimiento
Estn formados por personas de los departamentos
de Procesos, Operacin, Planificacin y Control
Avanzado
Su objetivo es asegurar el correcto funcionamiento
de la Unidad
Se elabora un informe mensual
Se toman acciones inmediatas ante anomalas en el
funcionamiento.