DISEO DE UN CONTROLADOR PREDICTIVO MPC PARA EL CONTROL DE LOS

PRODUCTOS DE DESTILADO Y DE FONDO EN UNA COLUMNA DE DESTILACIN

BINARIA.

GERMAN MAURICIO NEIRA VARGAS

UNIVERSIDAD AUTNOMA DE BUCARAMANGA UNAB

FACULTAD DE INGENIERAS FISICOMECANICAS
ESPECIALIZACIN EN AUTOMATIZACIN INDUSTRIAL
BUCARAMANGA
2016

DISEO DE UN CONTROLADOR PREDICTIVO MPC PARA EL CONTROL DE LOS

PRODUCTOS DE DESTILADO Y DE FONDO EN UNA COLUMNA DE DESTILACIN
BINARIA.

GERMAN MAURICIO NEIRA VARGAS

TRABAJO DE GRADO PARA OPTAR EL TITULO DE ESPECIALISTA EN

AUTOMATIZACIN INDUSTRIAL

M.Sc. Ing. HERNANDO GONZALEZ ACEVEDO

UNIVERSIDAD AUTNOMA DE BUCARAMANGA UNAB

FACULTAD DE INGENIERAS FISICOMECANICAS
ESPECIALIZACIN EN AUTOMATIZACIN INDUSTRIAL
BUCARAMANGA
2016

DEDICATORIA

Dedico este logro a mis hijos, Andrs y Alejandra, que son el motor que me impulsan a
alcanzar las metas trazadas, a mi esposa Katherine por su apoyo y comprensin, a mis
padres por su esfuerzo y entrega para darme una buena educacin y a mis hermanos
por ser ejemplos de superacin y dedicacin.

Igualmente agradezco al ingeniero y profesor Hernando Gonzales Acevedo por sus

valiosos aportes y acompaamiento durante el desarrollo de este trabajo.

Tambin resalto a aquellas personas que con su ejemplo de vida me han demostrado
que el xito se basa simplemente en insistir.

CONTENIDO

Pg.
RESUMEN....................................................................................................................... 8
1

INTRODUCCIN ...................................................................................................... 9

OBJETIVOS ............................................................................................................ 16
2.1 OBJETIVO GENERAL ......................................................................................... 16
2.2 OBJETIVOS ESPECFICOS ................................................................................ 16

PLANTEAMIENTO DEL PROBLEMA ..................................................................... 17

3.1 DEFINICIN DEL PROBLEMA ............................................................................ 17
3.2 JUSTIFICACIN .................................................................................................. 17

MARCO TEORICO ................................................................................................. 19

4.1 MODELO DINAMICO DE LA COLUMNA DE DESTILACION BINARIA. .............. 19
4.1.1

EQUILIBRIO VAPOR-LIQUIDO ................................................................. 20

4.1.2

BALANCE DE MATERIA. .......................................................................... 21

4.2 DISEO DEL CONTROLADOR LINEAL CUADRATICO GAUSSIANO (LQG). ... 27

4.3 CONTROLADOR PREDICITIVO DMPC .............................................................. 31
4.3.1 MODELO DE PREDICCION DEL CONTROLADOR DMPC ............................. 31
4.3.2 FUNCION OBJETIVO DEL CONTROLADOR DMPC ....................................... 35
4.3.3 OBTENCION DE LA LEY DE CONTROL ......................................................... 37
4.3.4 METODOLOGIA DE DISEO DEL CONTROLADOR PREDICTIVO DMPC: ... 37
5

METODOLOGA ..................................................................................................... 41

ANALISIS DE RESULTADOS ................................................................................. 43

6.1

DESEMPEO DE LOS CONTROLADORES ANTE CAMBIOS EN LOS SET

POINTS ...................................................................................................................... 45
6.2

DESEMPEO DE LOS CONTROLADORES ANTE PERTURBACIONES EN EL

FLUJO DE ENTRADA DE ALIMENTACION (F)......................................................... 47

7

CONCLUSIONES ................................................................................................... 49

BIBLIOGRAFIA ....................................................................................................... 51

ANEXO 1. FUNCIONES DE LAGUERRE. .................................................................... 53

ANEXO 2. ALGORITMO DE PROGRAMACION DE HILDRETH .................................. 55
ANEXO 3 IMPLEMENTACION EN SIMULINK DEL MODELO DINAMICO DE LA
COLUMNA DE DESTILACION BINARIA....................................................................... 58
ANEXO 4. IMPLEMENTACION EN SIMULINK DEL CONTROLADOR PREDICTIVO
DMPC ............................................................................................................................ 62
ANEXO 5. IMPLEMENTACION EN MATLAB DE LOS ALGORITMOS PARA EL
DISEO DEL CONTROLADOR LQG ........................................................................... 69

LISTA DE TABLAS

Tabla 4.1 Parmetros de la columna de destilacin binaria .......................................... 24

Tabla 4.2 Valores en estado estable de la composicin liquida en cada plato. ............. 25
Tabla 6.1 Parmetros de sintonizacin del controlador DMPC. .................................... 44
Tabla 6.2 Parmetros de sintonizacin del controlador LQG. ....................................... 45
Tabla 6.3 ndices de desempeo de la respuesta del sistema de la Figura 5. .............. 47
Tabla 6.4 ndices de desempeo de la respuesta del sistema de la Figura 9. .............. 48

LISTA DE FIGURAS

Pg.
Figura 1.1 Columna de destilacin binaria de platos convencionales. .................. 11
Figura 1.2 Sistema de Control de una Columna de Destilacin Binaria. ....................... 13
Figura 1.3 Esquema de Control 2x2 de Una columna de destilacin binaria. ............... 15
Figura 4.1 Diagrama balance de materia para un plato N de la columna de destilacin.
...................................................................................................................................... 22
Figura 4.2 Respuesta transitoria del modelo dinmico de la columna de destilacin. ... 24
Figura 4.3 Comparacin de la respuesta del modelo lineal y no lineal de la columna de
destilacin...................................................................................................................... 27
Figura 4.4 Estructura de un Regulador LQR. ................................................................ 28
Figura 4.5 Diseo del observador de estados para el controlador LQG. ....................... 30
Figura 4.6 Estructura completa del controlador LQG .................................................... 31
Figura 4.7 Diagrama de flujo que sintetiza la implementacin de un controlador DMPC.
...................................................................................................................................... 40
Figura 5.1 Interfaz grfica desarrollada para la evaluacin del desempeo de los
controladores DMPC y LQG diseados. ........................................................................ 42
Figura 6.1 Respuesta en lazo cerrado de los controladores DMPC y LQG diseados
ante cambios en los Set Points. .................................................................................... 46
Figura 6.2 Respuesta en lazo cerrado de los controladores DMPC y LQG diseados
ante perturbaciones en la entrada de alimentacin (F). ................................................ 48
Figura A3.0.1 Modelo Simulink del Rehervidor.............................................................. 58
Figura A3.0.2 Modelo Simulink para los platos 2 a N ( , + ). ................. 59
Figura A3.0.3 Modelo Simulink para el plato de alimentacin, = . ......................... 59
Figura A3.0.4 Modelo Simulink para el plato encima del plato de alimentacin, = +
. ................................................................................................................................... 60
Figura A3.0.5 Modelo Simulink para el condensador, = + ................................... 60
Figura A3.0.6 Modelo para la entrada de la Alimentacin. ............................................ 61
Figura A3.0.7 Interconexin de los platos de la columna de destilacin. ...................... 61

Figura A4.0.1 Estructura general del control predictivo DMPC...................................... 62

Figura A4.0.2 Bloque del controlador DMPC ................................................................. 62
Figura A4.0.3 Estructura interna del controlador DMPC ................................................ 63
Figura A4.0.4 Estructura del bloque GET_Xf. ............................................................. 63
Figura A4.0.5 Estructura del bloque Constantes para el clculo de Gamma. ............. 64
Figura A4.0.6 Estructura del bloque Matlab Function. ................................................ 64
Figura A4.0.7 Estructura del bloque QPHILD.............................................................. 66
Figura A4.0.8 Estructura del bloque ACTUALIZACION ACCION CONTROL (U). ...... 68
Figura A5.0.1 Estructura general del control LQG. ........................................................ 69
Figura A5.0.2 Estructura del bloque REGULADOR LQR. ........................................... 69
Figura A5.0.3 Estructura del bloque OBSERVADOR FILTRO KALMAN. ................... 70

RESUMEN

El objetivo del presente proyecto se centra en el estudio de la estrategia de control

predictivo DMPC, especialmente en su diseo e implementacin usando las herramientas
matemticas de Matlab y Simulink. Se espera con el desarrollo de esta investigacin,
sentar las bases y promover el desarrollo y construccin de controladores predictivos tipo
DMPC y su implementacin en diferentes campos de aplicacin industrial, comercial y
acadmica.

Para ello se realiz una revisin bibliogrfica en donde se estudi el diseo de

controladores predictivos tipo DMPC y su implementacin utilizando la herramienta
computacional Matlab y se aplic sobre un modelo dinmico de una columna de
destilacin binaria.

Se exponen los resultados obtenidos de la investigacin bibliogrfica y el diseo de los

lazos de control. Se inicia con una descripcin de los controladores predictivos DMPC
con la particularidad que se usan funciones de Laguerre para representar la trayectoria
de control . Posteriormente se realiza el diseo y la implementacin del controlador
predictivo. Por ltimo se presentan los resultados obtenidos en las arquitecturas de
control implementadas a travs de una interfaz grfica desarrollada en Matlab.

El estudio bibliogrfico estuvo enfocado en la metodologa de diseo e implementacin

de controladores DMPC y en apoyarse en las herramientas matemticas de Matlab para
generar simulaciones con los algoritmos de control implementados.

INTRODUCCIN

Esta tesis se centra en el desarrollo e implementacin de un controlador predictivo DMPC

utilizando las herramientas matemticas de Matlab y Simulink. En este trabajo se
exponen las bases conceptuales para el diseo de un controlador predictivo multivariable
basado en modelo, donde el modelo es formulado en espacio de estados.

El control predictivo basado en modelo es una estrategia de control avanzado que utiliza
un modelo para predecir las salidas del proceso y calcular la accin de control futura a
travs de la minimizacin de una funcin de coste. La idea del control predictivo naci en
la industria petroqumica a finales de los aos 70 y desde sus inicios han permitido dar
solucin al control de procesos con comportamiento dinmico complejo.

Entre sus principales ventajas se encuentran la posibilidad de tratar con sistemas

multivariables y de incorporar restricciones a las acciones de control. Su desventaja ms
considerable es el elevado coste computacional que se requiere para desarrollar en
tiempo real sus algoritmos de control y optimizacin. Es por esta razn que su mayor
aplicacin se encuentra en procesos con dinmica lenta; sin embargo, gracias al avance
de la ciencia y de la tecnologa, este inconveniente est siendo mejorado.

Otro inconveniente del control predictivo es la necesidad de disponer de un modelo

apropiado del proceso. Es evidente que las prestaciones obtenidas por un controlador
predictivo dependen de las discrepancias que existan entre el proceso real y el modelo
usado. Generalmente, se usan modelos de prediccin lineales, no obstante, en los
ltimos aos se ha dado una gran aceptacin a algoritmos que utilizan modelos no
lineales.

Los distintos algoritmos de controladores predictivos difieren entre si casi exclusivamente

en el modelo usado para representar el proceso y los ruidos, y en la funcin de coste a
minimizar. Bsicamente existen tres tcnicas de diseo:

1. Tcnicas de diseo en donde la prediccin del modelo se basa en modelos FIR

(Modelo de respuesta al impulso) y la respuesta al impulso. Un ejemplo de
controlador predictivo de este tipo es el DMC (Dynamic Matrix Control). Ha sido
ampliamente usada desde los inicios de controladores predictivos. Su estructura
da una descripcin transparente del proceso, sin embargo estn limitados a
plantas estables y a menudo requiere la descripcin con un modelo de alto orden.

2. Tcnicas de diseo basadas en modelos de funciones de transferencia. Un

ejemplo de este tipo de controlador predictivo es el GPC (Generalized predictive
control). Su gran ventaja es que permite tratar con plantas estables e inestables,
sin embargo es considerado poco efectivo para el control de procesos
multivariables.

3. La tercera tcnica de diseo es aquella que usa modelos en espacio de estados.

Esta tcnica permite representar la prediccin de las salidas futuras en base a las
variables de estado actuales del proceso. Un ejemplo de este tipo de controladores
predictivos es el DMPC (Discrete-time model predictive control) y es la tcnica de
diseo que se va a tratar en este documento.

Las ideas que aparecen en mayor o menor medida en toda la familia de controladores
predictivos son bsicamente:

Uso explcito de un modelo para predecir la salida del proceso en futuros instantes
de tiempo (horizonte).

Calculo de las seales de control minimizando una funcin objetivo.

Estrategia deslizante, de forma que en cada instante el horizonte se va

desplazando hacia el futuro, lo que implica aplicar la primera seal de control en
cada instante y desechar el resto, repitiendo el clculo en cada instante de
muestreo.

10

Una de las propiedades ms atractivas del MPC es su formulacin abierta, que permite
la incorporacin de distintos tipos de modelos de prediccin, sean lineales o no lineales,
monovariables o multivariables, y la consideracin de restricciones sobre las seales del
sistema. Estas caractersticas han hecho del control predictivo una de las escasas
estrategias de control avanzado con un impacto importante en problemas de mbito
industrial como por ejemplo las columnas de destilacin.

La destilacin es un proceso que permite separar los distintos componentes de una

mezcla en funcin de su temperatura de ebullicin, basndose en las distintas
volatilidades relativas de los propios componentes. Dada la simplicidad de este proceso
y coste relativamente bajo, la destilacin es una operacin bsica en la industria qumica
y petroqumica.

La Figura 1.1 muestra el esquema simplificado de una columna de destilacin binaria con
los equipos ms importantes que rodean a la misma. La parte inferior de la columna se
denomina zona stripper o de agotamiento y la parte superior zona de rectificacin o
enriquecimiento.

Figura 1.1 Columna de destilacin binaria de platos convencionales.

11

La destilacin se realiza por el contacto en contracorriente del vapor que asciende, como
consecuencia del calentamiento efectuado en el reboiler, y del lquido que desciende
como consecuencia del enfriamiento producido en el condensador de cabeza.

De esta manera, los componentes ms voltiles se acumulan en el vapor y los

componentes ms pesados en el lquido. El reparto entre las dos fases se traduce, a lo
largo de la columna, en un gradiente de temperatura proporcional a la concentracin de
los componentes.

Las dificultades para controlar las columnas de destilacin recaen en su alta

caracterstica no lineal, su estructura de mltiples entradas mltiples salidas (sistema
MIMO) y las fuertes interacciones que existen entre las variables del proceso.

Las interacciones que ocurren entre las entradas y las salidas del proceso en una
columna de destilacin son difciles de identificar. Los disturbios pueden provenir de
diferentes fuentes, desde la alimentacin del producto, la presin interna de la columna,
el agua usada para el enfriamiento, etc. Estas dificultades prosee numerosos desafos en
los problemas de control y ha atrado la atencin de un gran nmero de investigadores
de diferentes disciplinas.

Desde el punto de vista de control, una columna de destilacin binaria puede verse como
un sistema 5 x 5 (vase la Figura 1.2), es decir, se tienen cinco entradas de control:

Reflujo (L).

Vapor (V).

El Destilado (D).

Los Fondos (B).

Calor removido en el condensador (VT).

12

Cinco variables a regular:

La presin (P).

El nivel del rehervidor (MB)

El nivel del tanque de condensados (MD),

La composicin del Destilado xD.

La composicin de los Fondos xB.

Y se considerarn perturbaciones el flujo de la alimentacin (F) y la composicin de

alimentacin (zF).

Figura 1.2 Sistema de Control de una Columna de Destilacin Binaria.

Uno de los parmetros intocables en la columna de destilacin es la presin, basndose

en la relacin existente entre la misma, el punto de ebullicin de los componentes y la
temperatura. En efecto, para mantener constante la calidad de los productos es necesario

13

mantener asimismo constante la presin y temperatura en la columna, ya que si slo se

mantiene uno de los dos parmetros constante y el otro variable, se producir una
alteracin en la composicin, sobre todo si se trata de columnas de destilacin finales,
donde un pequeo cambio en algunos de estos parmetros puede ocasionar una gran
variacin en la calidad final.

La eleccin de variables manipuladas para controlar simultneamente las composiciones

de cabeza y fondo, presenta una complejidad que va ligada al tipo de columna. Al
controlar las composiciones de los dos extremos de la columna se producen
acoplamientos entre variables, siendo necesario recurrir a sistemas de control basados
en mtodos como el estudio de ganancias relativas, que mide la interaccin entre lazos
de control en estado estacionario, o mejor an, a control multivariable basado en
modelos.

En la prctica, las columnas de destilacin se controlan de manera jerrquica, es decir,

primero se disean los controladores SISO para el control de la presin y el nivel de los
tanques de condensados y el rehervidor, con el objetivo de asegurar una operacin
segura de la columna y hacer que la dinmica de los lazos de control de composicin
estn en desacoplo con los lazos de control de nivel.

Los tres bucles SISO por lo general interactan dbilmente y pueden sintonizarse de
forma independiente el uno del otro. Sin embargo, ya que cada tanque tiene un flujo de
entrada y dos flujos de salida, existen varias opciones para el control del nivel.

En este trabajo se utilizan los flujos B y D para controlar los niveles en el rehervidor (MB)
y el tanque de condensados (MD), respectivamente, mientras que la presin (P) se regula
mediante el calor removido en el condensador (VT). Las dos entradas manipulables

14

restantes, el vapor (V) y el reflujo (L), se utilizan para regular las composiciones de los
productos de Destilado (xD) y de Fondos (xB).

En otras palabras, el problema de regular la calidad de los productos (fondos y destilado)

se simplifica a disear un sistema de control 2x2, es decir, con dos entradas y dos
salidas, vase figura 1.3. Esta configuracin se llama LV y tiene la ventaja de que es
prcticamente independiente de la sintonizacin de los lazos de control de nivel, sin
embargo, su gran problema es que lazos de control de composicin estn fuertemente
acoplados.

Figura 1.3 Esquema de Control 2x2 de Una columna de destilacin binaria.

Esta tesis no pretende realizar un estudio de las columnas de destilacion, ni su

construccion, diseo y/o comportamiento. Por lo tanto, se utiliza un modelo simplificado
de la columna de destilacion que ha sido ampliamente usado en la literatura, el cual es
bastante generico y confiable para describir matematicamente el desempeo del proceso
y que ha sido usado por varios autores como base para sus investigaciones.

15

OBJETIVOS

2.1 OBJETIVO GENERAL

Disear un controlador predictivo MPC para realizar el control de las composiciones

liquidas de los productos finales de fondo y de destilado de una columna de destilacin
binaria.

2.2 OBJETIVOS ESPECFICOS

Determinar el modelo matemtico de una columna de destilacin binaria.

Disear un controlador predictivo MPC para controlar los productos de destilado y

de fondo de una columna de destilacin binaria.

Programar en Matlab los algoritmos de control predictivo MPC usando los bloques
funcionales de Simulink.

Evaluar el desempeo del controlador MPC diseado comparndolo con el

desempeo obtenido a partir de un controlador LQG, usando como indicadores de
desempeo los ndices ISE, IAE, ITAE e ITSE.

16

PLANTEAMIENTO DEL PROBLEMA

3.1 DEFINICIN DEL PROBLEMA

En la industria existen muchos procesos que cuentan con variables altamente acopladas,
de difcil control y alta inestabilidad. Para enfrentar este tipo de dificultades, es muy
comn recurrir a desacoplar las variables del proceso y disear mltiples controladores
monovariables debido a su bajo costo, la simplicidad y un fcil diseo de ingeniera. Sin
embargo, esta tcnica no puede ser efectiva si los puntos de operacin cambian
considerablemente, pudiendo originar una degradacin en el desempeo del controlador
e incluso causar la inestabilidad del proceso.

Cuando estas interacciones entre variables no se pueden evitar, la planta debe tratarse
como un proceso multivariable en vez de un conjunto de procesos monovariables. Para
tratar el problema de control multivariable se han desarrollado algoritmos de control ms
sofisticados como son es el control predictivo, entre otros.

El objetivo del control predictivo es resolver los problemas de control y automatizacin de

procesos industriales multivariables, como es el caso de una columna de destilacin
binaria, donde su algoritmo de control se basa en el modelo matemtico del proceso a
controlar para predecir su comportamiento futuro y en base a este comportamiento futuro
predecir la seal de control ptima para el proceso.

3.2 JUSTIFICACIN

Se hace necesario realizar trabajos que permitan aplicar tcnicas de control avanzado a
procesos multivariables y poner en prctica las ventajas que tiene el control predictivo
sobre los esquemas de control clsicos, tales como, el tratar con sistemas lineales y no

17

lineales, monovariables y multivariables, poder incorporar restricciones en la accin de

control y actuar sobre las variables manipuladas de forma que puedan satisfacerse
mltiples y cambiantes criterios de operacin (ya sean de seguridad, ambientales o de
calidad), entre otras.

Es importante desarrollar documentos que describan las metodologas para el diseo y

la implementacin de algoritmos de control predictivo aplicados a procesos multivariables
y promover su uso a otros tipos de procesos, que permitan mejorar la calidad del
producto, la velocidad de produccin, minimizar la energa utilizada y tener una
implicacin econmica y de competitividad en la industria.

18

MARCO TEORICO

4.1 MODELO DINAMICO DE LA COLUMNA DE DESTILACION BINARIA.

Como se indico en el Capitulo 1, una vez fijado el esquema de control de presion y de

nivel del condensador y del rehervidor, la columna de destilacion queda reducida a un
sistema 2x2. Esta tesis va a utilizar una configuracion L-V, en donde la composicion del
producto de destilado se controla con L (Reflujo) y la composicion del producto de fondos
con V (Vapor).

Ambas composiciones se controlan automaticamente (los dos lazos de composicion

cerrados), olvidandose de los problemas de acoplamiento y de medida de calidades [15].
Para controlar la composicion de los dos productos es necesario manipular el balance de
materia y energia. El modelo dinamico de la columna de destilacion consiste en un
conjunto de ecuaciones diferenciales no lineales derivadas de balances de masa en cada
plato de la columna y un conjunto de ecuaciones algebragicas utilizadas para describir
las propiedades fisicas y termodinamicas.

El sistema que a continuacion se muestra es un modelo simplificado y que ha sido

utilizado ampliamente en la literatura para representar columnas de destilacion para
mezclas binarias. Este modelo es bastante generico y confiable para describir
matematicamente el desempeo del proceso, pues autores como Luyben en [4], Smith
and Corripio en [16], Skogestad y Morari en [9] y tesis como [6], [7], [8], lo han utilizado
como base para sus investigaciones. Este modelo tiene en cuenta las siguientes
consideraciones debido a la complejidad del proceso:

Se considera un sistema binario con alimentacin en un nico plato.

19

La alimentacin entra como liquido saturado (en su punto de burbujeo).

No hay prdidas de calor, la columna es adiabtica.

El condensador es total, por lo que la composicin que abandona la columna de

la cabeza ser la misma que la de la corriente de reflujo y destilado.

Se considera que la presin a lo largo de la columna es constante

No existe acumulacin de vapor a lo largo del sistema. A pesar de que el volumen

de vapor es grande, el nmero de moles usualmente es pequeo debido a que su
densidad es mucho menor que la del lquido.

El nivel del lquido en el condensador y en el rehervidor se consideran constantes.

Esta simplificacin es aceptable debido a que en columnas industriales, estas
unidades poseen un sistema de control de nivel apropiado.

La suposicin de flujo de vapor constante a travs de la columna de destilacin vuelve

insignificante el balance de energa, por lo que puede ser eliminado de la formulacin del
modelo [18]. Las justificaciones de cundo se pueden utilizar estas suposiciones, que son
bastantes comunes en las columnas de destilacin, se pueden encontrar en [3].

4.1.1 EQUILIBRIO VAPOR-LIQUIDO

El equilibrio vapor-lquido es clave para la construccin del modelo de la columna de

destilacin, se define como: Si un vapor y un lquido estan en intimo contacto por un largo
periodo de tiempo, se alcanza el equilibrio entre las dos fases. Esto significa que no existe
ningn flujo de calor, ni de masa ni de momentum entre las dos fases.

El vapor que despide cada plato esta en equilibrio con el liquido de la misma. Partiendo
de esto para relacionar el liquido-vapor se usa la siguiente ecuacion:

20

= 1+(1)

(4.1)

En donde es la concentracin de lquido en el plato (fraccin molar del componente

ms voltil), es la concentracin de vapor en el plato (fraccin molar del componente
ms voltil) y es la volatilidad relativa.

4.1.2 BALANCE DE MATERIA.

El modelo de la columna se compone de cuatro modelos basicos que representan: el

condensador, un plato cualquiera, el plato de alimentacion y el hervidor. Repitiendo el
modelo del plato tantas veces como sea necesario y conectandolos a los modelos del
condensador y el rehervidor de forma conveniente, se obtiene el modelo de la completo
de la columna.

Aplicando tambien el concepto de estado en equilibrio y el principio de conservacion de

la materia, se calcula el balance global de materia en cada etapa de la columna,
colocando cada etapa (plato) en cascada [9], [10], [11], [12]. Las entalpias del proceso
son consideradas constantes, por lo tanto, el balance de energia no es tomado en cuenta
en el desarrollo de este modelo.

La figura 4.1 muestra las entradas y salidas de un plato de la columna de destilacin

binaria, realizando el correspondiente balance de materia se obtiene la ecuacin 4.2.
Cada etapa de la columna de destilacin recibe el lquido de la etapa inmediatamente
anterior y el vapor de la posterior, y pasa a la etapa superior como vapor y a la inferior
como lquido. Tambin puede recibir alimentacin desde el exterior y/o producir una
salida lateral de producto lquido, vapor o ambos.

21

Figura 4.1 Diagrama balance de materia para un plato N de la columna de

destilacin.

( )

= +1 +1 + 1 1

(4.2)

En la ecuacin 4.2, representa el nmero del plato, es el lquido retenido en cada

plato, es el flujo molar en vapor, es el flujo molar en lquido, es la composicin molar
del vapor y es la composicin molar del lquido.

Los N platos de la columna estn numerados de abajo hacia arriba, (el plato 1 es el
rehervidor y el plato N + 1 es el condensador). Para obtener el modelo dinmico, el
balance de materia se desarrolla de forma separada a cada uno de los platos de la
columna obteniendo las siguientes ecuaciones:

Para el reherbidor, = 1:
= +1 +1

Para los platos 2 a N ( , + 1):

22

(4.3)

 = +1 +1 + 1 1

Para el plato de alimentacin, = :

= +1 +1 + 1 1 +

(4.5)

Para el plato encima del plato de alimentacin, = + 1:

= +1 +1 + 1 1 +

(4.4)

(4.6)

Para el condensador, = + 1:
= 1 1

(4.7)

Finalmente, si se considera flujos molares constantes, se tiene que:

> , = , = +

(4.8)

, = + , =

(4.9)

En el Anexo 3 se puede observar la implementacin en Simulink del modelo dinmico de

la columna de destilacin binaria. Para la simulacin de la planta se toma como caso de
estudio los datos de la columna dados en [16], donde los parmetros de trabajo y las
condiciones iniciales se muestran en la tabla 4.1 y 4.2 respectivamente.

La respuesta transitoria del modelo en lazo abierto se observa en la figura 4.2, en la que
se detalla que el modelo alcanza el estado estable alrededor de los 60 minutos,
obteniendo una composicin para el producto de destilado (xD) de 0.98 y para el producto
de fondos (xB) de 0.02.

23

Tabla 4.1 Parmetros de la columna de destilacin binaria

Numero de Platos (N)

21

Plato de Alimentacin ( )

11

Lquido retenido en el condensador ( )

100 kmol

Lquido retenido en el rehervidor ( )

100 kmol

Lquido retenido en cada plato ()

10 kmol

Razn de flujo del Reflujo ()

128.01 kmol/min

Razn de flujo del Vapor ()

178.01 kmol/min

Volatilidad relativa ()

Razn de flujo de Alimentacin ()

100 kmol/min

Fraccin de lquido Alimentacin ( )

Composicin molar en lquido de alimentacin ( )

0.5

Figura 4.2 Respuesta transitoria del modelo dinmico de la columna de

destilacin.

24

Tabla 4.2 Valores en estado estable de la composicin liquida en cada plato.

Etapa

Composicin 0.020 0.035 0.057 0.088 0.131 0.186 0.249 0.316 0.379
Etapa

10

11

12

13

14

15

16

17

18

Composicin 0.433 0.476 0.515 0.562 0.618 0.680 0.743 0.803 0.856
Etapa

19

20

21

22

Composicin 0.899 0.934 0.960 0.980

El modelo de la columna de destilacin binaria es no lineal debido a la ecuacin de

relacin de equilibrio vapor-lquido (4.1). Por lo tanto, se requiere linealizar el modelo para
realizar el diseo de los controladores predictivo y LQG. Para la linealizacin del modelo
de la columna se utiliz la matriz jacobina, utilizando como punto de equilibrio los valores
en estado estable de la tabla 2. El modelo obtenido cuenta con 22 estados (1 estado por
cada plato de la columna), 2 entradas ( y ) y 2 salidas ( y ). Las matrices A, B, C
y D del modelo en espacio de estados son:

25

La figura 4.3 compara la respuesta del modelo lineal y no lineal ante un pequeo cambio
en los flujos de entrada del modelo, reflujo (L) y vapor (V). Cabe resaltar que los valores
mostrados en la grafica son valores relativos.

26

Figura 4.3 Comparacin de la respuesta del modelo lineal y no lineal de la

columna de destilacin.

4.2 DISEO DEL CONTROLADOR LINEAL CUADRATICO GAUSSIANO (LQG).

Para el diseo del controlador LQG, se disea de manera separada un regulador LQR y
un estimador de estados. La metodologa indica que primero se disea el regulador LQR
bajo la suposicin que todas las variables de estado se pueden medir y esta informacin
sirve para generar una seal de control. Despus se disea un filtro de Kalman para la
planta a partir de la seal de control y las mediciones realizadas a las salidas de la planta.
El filtro de Kalman provee la estimacin de las variables de estado. Finalmente, se
combinan el regulador LQR con el filtro de Kalman, para generar una seal de control a
partir de las variables de estado estimadas.

27

En la figura 4.4 se muestra la estructura de control usada para el diseo del regulador
LQR, en donde la planta se modela en espacio de estados a travs de las matrices A, B,
C y D.

Figura 4.4 Estructura de un Regulador LQR.

Para el diseo del controlador LQR por realimentacin de estados debemos extender el
sistema de modo que incluya un par de integradores sobre las variables que deseamos
controlar. El sistema extendido tendr la siguiente presentacin:

[ ]=[

[] = [

][ ] + [ ]
0

0] [ ] +

(4.14)

Donde el vector representa la integral del error de seguimiento:

= [ ] = [
]

(4.15)

El objetivo del LQR es encontrar una matriz de ganancias K que minimice la ecuacin
(4.15), en donde Q y R son matrices diagonales definidas positivas que se utilizan para
penalizar los estados y la accin de control, respectivamente.

= 0 ( + )

(4.16)

28

Donde Q es una matriz diagonal de tamao 2424 correspondiente a los 24 estados del
modelo extendido (4.14) y R es una matriz diagonal de tamao 22 correspondientes a
las dos acciones de control.
11
0
= 0

[ 0

=[

11
0

0
22
0

0 0
0 0
33 0
0
0 0 24 ]

(4.17)

0
]
22

(4.18)

Para el clculo de las ganancias K y Ki se utiliza la funcin lqr de la toolbox de control

robusto de Matlab. El prototipo de la funcin es: [ Kt , P , E ] = lqr (Ahat ,Bhat ,Q ,R).

Las 22 primeras columnas de Kt corresponden a las ganancias de los estados naturales

del sistema (matriz K) y las dos columnas restantes corresponden a la realimentacin de
las integrales de los errores de seguimiento (matriz KI).
Un sistema es observable si conociendo la entrada y su salida es posible estimar su
estado . Un filtro kalman es el mejor estimador posible para una planta corrupta con
ruidos y , asumiendo dichos ruidos como no correlacionados. Para construir este
observador de estados asumimos que el ruido de medicin de las salidas y el ruido en
los estados son:
6
= [1
0

0
]
1 6

(4.19)

0
]
1 6

(4.20)

= [1
0

29

Figura 4.5 Diseo del observador de estados para el controlador LQG.

La ganancia del observador se puede calcular, resolviendo la ecuacin de Riccati o bien

usando directamente la funcin kalman incluida en el toolbox de control de Matlab. Para
utilizar la funcin kalman es necesario entregar a la rutina un sistema dinmico con la
siguiente descripcin: [ Kobv , L, P] = kalman( A , B , v , w).

Donde Kobs es un sistema dinamico con el observador ya construido, L es la ganancia

del observador y P es la solucin a la ecuacin de Riccati.

El control LQG es el controlador ptimo obtenido como la combinacin de una ganancia

de realimentacin de estado LQR con realimentacin desde los estados estimados a
partir del filtro Kalman, como se muestra en la figura 4.6. En el Anexo 5 se encuentra el
cdigo de Matlab empleado para el diseo e implementacin del controlador LQG.

30

Figura 4.6 Estructura completa del controlador LQG

4.3 CONTROLADOR PREDICITIVO DMPC

Todos los controladores predictivos poseen elementos comunes y para cada uno de
estos elementos se pueden elegir diversas opciones, dando lugar a distintos algoritmos:

Modelo de prediccin

Funcin objetivo

Obtencin de la ley de control

4.3.1 MODELO DE PREDICCION DEL CONTROLADOR DMPC

Partiendo de un modelo de una planta en espacio de estados dado por:
( + 1) = () + ()
() = ()

31

(4.21)

Se pueden definir dos nuevas variables, () y (), como:

() = () ( 1)

(4.22)

() = () ( 1)

(4.23)

A partir de (4.21), (4.22), y (4.23) se puede construir un nuevo modelo en espacio de

estados definido como [1], [12]:
[

( + 1)

]=[
( + 1)

() = [0

1] [

0 ()
][
] + [ ] ()

1
()

(4.24)

()
]
()

El modelo aumentado representado a travs de las ecuaciones (4.19) se puede escribir

como:
( + 1) = () + ()

(4.25)

() = ()

()

En donde () = [ ], () = (), = [
()

0
], = [ ], = [0

1].

Basado sobre el modelo en espacio de estados descrito por (4.20), las variables de
estado futuras son calculadas secuencialmente a travs de:
( + 1| ) = ( ) + ( )
( + 2| ) = ( + 1| ) + ( + 1)
( + 2| ) = 2 ( ) + ( ) + ( + 1)

32


( + | ) = ( ) + 1 ( ) + 2 ( + 1) +
+ ( + 1)

En donde y son los horizontes de control y prediccin respectivamente. Desde las

variables de estado predichas, se pueden calcular las variables de salida como:
( + 1| ) = ( ) + ( )
( + 2| ) = 2 ( ) + ( ) + ( + 1)
( + 3| ) = 3 ( ) + 2 ( ) + ( + 1) + ( + 2)

( + | ) = ( ) + 1 ( ) + 2 ( + 1) +
+ ( + 1)

Note que todas las variables predichas estn formuladas en trminos de las variables de
estado ( ) y las acciones de control futuras ( + ), donde = 0,1, , 1.
Recopilando las anteriores ecuaciones en forma matricial se obtiene el modelo de
prediccin como:
= ( ) +

(4.26)

2
= 3

[ ]

(4.27)

En donde:

33

= 2

[ 1

0
0

3
]

(4.28)

Ntese que el nmero de filas de es igual al horizonte de prediccin y el nmero de

columnas es igual al horizonte de control . En muchas ocasiones, la representacin de
la trayectoria de control requiere de un gran nmero de parmetros, lo que conlleva a
una alta carga computacional para la implementacin online del controlador predictivo.

Un mtodo alternativo es representar la accin de control a travs de un modelo de

redes de Laguerre, permitiendo optimizar el funcionamiento del controlador. Vase el
Anexo 1 para un mayor detalle sobre las redes de Laguerre. A travs de las redes de
Laguerre, la trayectoria de control se representa como la respuesta al impulso de un
sistema estable dado por:
() = ()

(4.29)

En donde () es una matriz constante que representa las funciones de Laguerre y es

un vector con los coeficientes de Laguerre. A partir de las ecuaciones (4.21) y (4.24), el
modelo de prediccin del controlador DMPC se puede definir como:
= ( ) + ()

(4.30)

En donde se ha reemplazado por la funcin de Laguerre (). Con esta formulacin,

la prediccin de las futuras variables de estado y salidas del sistema quedan en funcin
de los coeficientes de Laguerre () en lugar de . Por lo tanto, el controlador DMPC

34

calculara la mejor accin de control a travs de la optimizacin del vector de coeficientes

.

4.3.2 FUNCION OBJETIVO DEL CONTROLADOR DMPC

El objetivo del controlador DMPC es encontrar los coeficientes Laguerre que minimicen
la funcin costo:

= 1
=1 (( + | ) ( + | ) + )

(4.31)

En donde y son matrices usadas en la sintonizacin del controlador para penalizar

las desviaciones en las variables de estado y las acciones de control, respectivamente.
Los matrices de penalizacin son parmetros empricos que deben ser optimizados con
el fin de que el controlador sea robusto y a su vez suave en su respuesta.

La funcin costo puede ser reformulada como [1]:

= + 2 ( )

(4.32)

En donde:

= (=1
()() + )

(4.33)

= (=1
()
)

(4.34)

1
() = (1
() )
=0

(4.35)

35

Cuando el controlador no tiene restricciones y asumiendo que 1 existe cuando = 0,

la solucin ptima para , se obtiene analticamente como:
= 1 ( )

(4.36)

Sin embargo, en la prctica todos los procesos estn sujetos a restricciones, por ejemplo,
los actuadores tienen un campo limitado de accin as como una determinada velocidad
de cambio (slew rate), los sensores pueden causar lmites en las variables del proceso,
tales como niveles en depsitos, caudales en tuberas o temperaturas y presiones
mximas. Por lo expuesto anteriormente, se hace necesaria la introduccin de las
restricciones en la funcin a minimizar.

Una de las ventajas de los controladores predictivos es que tienen en cuenta el tema de
las restricciones para el clculo de la accin de control. Normalmente, las restricciones
ms comunes son los lmites en la amplitud y el slew rate de la seal de control. Estas
restricciones deben ser formuladas como :

( 1)

+ ( 1)

(0)

( )

[ (0) ]
+
( )]
[

(4.37)

Donde , , , , y son las restricciones mnimas y mximas

impuestas a la tasa de cambio de la variable de control, amplitud de la seal de control y
amplitud de la variable de salida respectivamente. , y son las matrices que hacen
parte de la restriccin de desigualdad. Para mayor detalle se puede consultar [1].

36

Para obtener la solucin ptima de teniendo en cuenta las restricciones, hace necesario
utilizar alguna tcnica iterativa de optimizacin, como por ejemplo el algoritmo de
Hildreths, vase el Anexo 2 para un mayor detalle de este algoritmo.

4.3.3 OBTENCION DE LA LEY DE CONTROL

Una vez calculado el valor ptimo de , los valores para la variacin de la accin de
control, ( ), es obtenida como:
() = (0)

(4.38)

En donde (0) es la condicin inicial de la funcin de Laguerre para un y dado:

(0) = (1 2 )[1

(1)1 1 ]

(4.34)

La accin de control se calcula como:

( + 1) = () + ()

(4.39)

4.3.4 METODOLOGIA DE DISEO DEL CONTROLADOR PREDICTIVO DMPC:

La implementacin del controlador DMPC se divide en dos etapas: la fase de inicializacin

y la fase de ejecucin o proceso iterativo.

En la fase de inicializacin se obtiene el modelo discreto de la planta y se calculan las

matrices constantes , , , , , , , () y (0) . Estas matrices son calculadas una
sola vez en el controlador sin la necesidad de que haya conexin con la planta.

37

Durante la fase de ejecucin el algoritmo predictivo interacta con la planta y calcula

analticamente la solucin ptima para a travs de la ecuacin (4.31), en el caso de que
no existan restricciones, se implementa la ley de control a travs de las ecuaciones (4.33)
y (4.35). En el caso de que existan restricciones, se usa el algoritmo de Hildreths para
obtener la solucin ptima para . La Figura 4.7 muestra un diagrama de flujo que
sintetiza la implementacin de un controlador DMPC.

Los parmetros de entrada requeridos para el diseo del controlador DMPC son:

Tiempo de muestreo usado en la discretizacin del modelo lineal.

Parmetros y de las funciones de Laguerre, usados en la representacin de

la trayectoria de control deseada.

Numero de predicciones del controlador DMPC.

Las matrices y usadas en la optimizacin de la funcin costo.

Los valores para , , , que definen las restricciones del

controlador DMPC.

El clculo de las matrices en la fase de inicializacin se realiza por:

, , a travs de la ecuaciones (4.19) y (4.20).

a travs de la ecuacin (4.22).

a travs de la ecuacin (4.23).

a travs de la ecuacin (4.28).

a travs de la ecuacin (4.29).

() a travs de la ecuacin (A1.2) y (A1.3).

(0) a travs de la ecuacin (4.34).

38

En el Anexo 4 se encuentran los algoritmos desarrollados en Matlab y/o Simulink para la

implementacin del controlador DMPC. Para mayores detalle sobre la implementacin de
los algoritmos del controlador DMPC y su aplicaciones se puede consultar [1].

39

FASE INICIALIZACION
1. Discretizacion del modelo
2. Calculo de , , , , , , , () y (0)

Calculo de:
= 1 ( )
Actualizar

Calcular a travs
del algoritmo de
Hildreths

NO

SI

Obtencin ley de control:

() = (0)
( + 1) = () + ()

Calcular estados ( ):

() = ()

PLANTA

Figura 4.7 Diagrama de flujo que sintetiza la implementacin de un controlador

DMPC.

40

METODOLOGA

Para el desarrollo de la tesis se realiz una investigacin bibliogrfica en papers y

artculos cientficos sobre las ms recientes tcnicas de control predictivo, su diseo y la
implementacin de los algoritmos de control usando Matlab y aplicndolos
especficamente a columnas de destilacin.

En Matlab se efectu el modelamiento del comportamiento dinmico de una columna de

destilacin binaria con una configuracin L-V, en la cual se tienen como entradas el flujo
de vapor que llega desde el reherbidor y el reflujo que llega desde el condensador, y
como salidas la composicin de los productos de destilado y de fondo. El modelo se
obtuvo de libros de control de procesos qumicos y fue de tipo no lineal, a travs de la
matriz Jacobiana se obtuvo el modelo lineal empleado durante la etapa de diseo.

Con fundamento en la informacin recolectada, se realiz el diseo del controlador

predictivo DMPC, teniendo en cuenta el tamao del horizonte de prediccin, el horizonte
de control, las restricciones sobre las variables manipuladas y las matrices de
penalizacin de la funcin objetivo. La implementacin del controlador se realiz
empleando los bloques funcionales de Simulink.

Para la presentacin de los resultados y la evaluacin del desempeo del controlador se

desarroll una interfaz grfica con la herramienta GUIDE de Matlab, y su desempeo se
compar contra el obtenido por un controlador LQG, utilizando como indicadores de
desempeo los ndices ISE, IAE, ITAE e ITSE.

La figura 5.1 muestra la interfaz grfica desarrollada, el usuario puede sintonizar

interactivamente los controladores DMPC y LQG, seleccionar el tipo de simulacin
(puede ser el seguimiento a un cambio del set point o el rechazo de una perturbacin),
ejecutar la simulacin, observar los resultados de forma grfica y compararlos a travs
de los ndices de desempeo obtenidos en cada respuesta.

41

Figura 5.1 Interfaz grfica desarrollada para la evaluacin del desempeo de los
controladores DMPC y LQG diseados.

42

ANALISIS DE RESULTADOS

Los parmetros seleccionados para el diseo del controlador DMPC se muestran en la

tabla 3, estos valores fueron seleccionados empricamente a partir de la evaluacin del
desempeo del controlador DMPC durante varias simulaciones teniendo en cuenta los
siguientes conceptos:

Los parmetros de Laguerre, Alfa () y N, describen cmo va a hacer el

comportamiento de la accin de control y por lo tanto tienen una gran influencia
en el desempeo del controlador:
o Cuando el valor de N es pequea, el comportamiento de es influenciada
fuertemente por Alfa. Si Alfa es pequea, va a tener altos valores en los
primeros instantes de tiempo y caer a cero rpidamente, por el contrario,
si Alfa es grande los valores en los primeros instantes de tiempo de
sern menores en amplitud y decaern ms lentamente a cero.
o Cuando el valor de N es grande, la influencia de Alfa sobre es mnimo,
y la respuesta de converge a sus valores ptimos [1].

Basados en los valores obtenidos por los ndices de desempeo durante varias
simulaciones se observ que un buen valor para el horizonte de prediccin Np es
20, un mayor valor va a producir un mayor costo computacional y el desempeo
del controlador ser muy similar.

Basados en los valores obtenidos por los ndices de desempeo durante varias
simulaciones se observ que, cuando no existen restricciones en el proceso, el
horizonte de control Nc afecta poco o nada el comportamiento del controlador.
Cuando existen restricciones en el proceso, un buen valor para Nc es 5, un mayor
valor va a producir un mayor costo computacional y el desempeo del controlador
ser muy similar.

La matriz R penaliza la accin de control y su valor debe ser igual o mayor a

cero. Si los coeficientes de R son muy grandes se penaliza bastante la accin de

43

control, lo que conlleva a pequeos cambios en y produciendo que el error del

sistema se reduzca sutilmente generando una lenta respuesta del controlador.

La matriz Q penaliza el error del sistema y los estados de la planta (). Los
coeficientes de Q para el error deben ser mayores a cero, si sus valores son muy
pequeos se penaliza muy poco al error y la respuesta del sistema en lazo cerrado
es lenta, por el contrario, si sus valores son muy altos va a producir un controlador
muy agresivo, con altos sobrepasos y oscilante alrededor de la seal de referencia.

Los coeficientes de Q para la penalizacin de los estados pueden ser iguales o

mayores a cero. Si sus valores son muy grandes, se penaliza fuertemente la accin
de control del controlador generando una lenta respuesta del controlador,
generando pequeos cambios en y el error se reduce tenuemente

Si los coeficientes de Q para la penalizacin de los estados son iguales o cercanos

a cero, har que el controlador no tenga en cuenta los estados del sistema durante
la prediccin de la accin de control .

Tabla 6.1 Parmetros de sintonizacin del controlador DMPC.

Tiempo de Muestreo

1 min.

Alfa para entrada 1 (L)

0.8

Alfa para entrada 2 (V)

0.8

Nro. Coeficientes (N)

Estados (X)

0.1

Error entrada 1 (xD)

Error entrada 2 (xB)

Coeficientes Matriz

Accin de control 1 (L)

1e-8

Penalizacin R

Accin de control 1 (R)

1e-8

Funcin de Laguerre

Coeficientes Matriz
Penalizacin Q

Restricciones

Horizonte de prediccin

10

Horizonte de Control

Delta Max. Ent. 1

-10

Delta Max. Ent. 2

-10

Delta Min. Ent. 1

10

Delta Min. Ent. 2

10

Valor Max. Ent 1

-30

Valor Max. Ent 2

-30

Valor Min. Ent 1

30

Valor Min. Ent 2

30

44

La tabla 4 muestra los parmetros seleccionados para el controlador LQG y su mtodo

de seleccin fue semejante a la utilizada en el controlador DMPC.

Tabla 6.2 Parmetros de sintonizacin del controlador LQG.

MATRIZ DE

VALOR

PENALIZACION

6.1

VALOR

Estado 1

Estado 2

0.1

Estado 3

0.1

Estado 4

0.1

Estado 5

0.1

Estado 6

0.1

Estado 7

0.1

Estado 8

0.1

Estado 9

0.1

Estado 10

0.1

Estado 11

0.1

Estado 12

0.1

Estado 13

0.1

Estado 14

0.1

Estado 15

0.1

Estado 16

0.1

Estado 17

0.1

Estado 18

0.1

Estado 19

0.1

Estado 20

0.1

Estado 21

0.1

Estado 22

Error Y1

Error Y2

U1

1e-6

U2

1e-6

DESEMPEO DE LOS CONTROLADORES ANTE CAMBIOS EN LOS SET

POINTS

En la figura 8 se presenta el comportamiento en lazo cerrado de los controladores DMPC

y LQG diseados ante cambios en los setpoint del orden de hasta el 0.01% de su
composicin. Se observa que con los dos controladores hacen seguimiento de la

45

referencia y llevan el error a cero en estado estable, se aprecia un gran parecido en las
respuestas en lazo cerrado y en las acciones de control ejercidas por cada controlador.
El tiempo de establecimiento de ambos es similar y estn alrededor de los 11 minutos,
sin embargo el controlador DMPC es ms agresivo y presenta mayores sobrepasos. La
tabla 4 muestra los ndices de desempeo de la respuesta dada en la figura 8, en ella se
demuestra que el controlador DMPC presenta un mejor desempeo segn cada uno de
los ndices calculados.

Figura 6.1 Respuesta en lazo cerrado de los controladores DMPC y LQG

diseados ante cambios en los Set Points.

46

Tabla 6.3 ndices de desempeo de la respuesta del sistema de la Figura 5.

6.2

INDICE

DMPC

LQG

ISE

0.0073

0.0106

IAE

2.6162

3.3452

ITSE

0.0002

0.0003

ITAE

0.0854

0.1093

DESEMPEO DE LOS CONTROLADORES ANTE PERTURBACIONES EN EL

FLUJO DE ENTRADA DE ALIMENTACION (F)

En la figura 9 se presenta el comportamiento en lazo cerrado de los controladores DMPC

y LQG ante la presencia de perturbaciones de hasta un 10% en el flujo de entrada de
alimentacin de la columna. Se observa que los dos controladores responden ante la
presencia de las perturbaciones y regresan a las composiciones xD y xB a sus set points
llevando el error en estado estable a cero; nuevamente el controlador DMPC presenta
una mejor respuesta con un menor tiempo de establecimiento y menor sobrepaso, lo cual
queda en evidencia con los valores obtenidos en los ndices de desempeo calculados y
que se muestran en la tabla 5.

47

Figura 6.2 Respuesta en lazo cerrado de los controladores DMPC y LQG

diseados ante perturbaciones en la entrada de alimentacin (F).

Tabla 6.4 ndices de desempeo de la respuesta del sistema de la Figura 9.

INDICE

DMPC

LQG

ISE

0.0019

0.0173

IAE

1.2407

8.9978

ITSE

0.0001

0.0006

ITAE

0.0405

0.2937

48

CONCLUSIONES

En esta tesis se present una metodologa para disear controladores predictivos DMPC
aplicados al control de las composiciones de los productos de fondo y destilado de una
columna de destilacin binaria. Se demostr que los controladores predictivos DMPC son
idneos para controlar este tipo de procesos debido a sus propiedades para tratar con
sistemas multivariables, no lineales y fuertemente acoplados.

Se estudi el modelo dinmico de una columna de destilacin binaria en configuracin LV, usando el principio de balance de materia se establecieron las ecuaciones
matemticas que modelan la columna. Se utiliz los bloques de Simulink para
implementar el modelo dinmico y realizar simulaciones de la planta. El modelo fue
linealizado a travs de la matriz jacobiana y fueron comparados los modelos lineal y no
lineal de la columna de destilacin.

Se realiz el diseo de un controlador LQG para comparar su desempeo frente al

controlador DMPC. Primero se obtuvieron las ganancias de realimentacin de estado
suponiendo que los estados del modelo son accesibles. Despus se realiz el filtro
Kalman con el cual se estiman los estados no medibles de la planta. El controlador LQG
es la combinacin de las ganancias de realimentacin y el filtro kalman.

Los dos controladores, DMPC y LQG, se probaron mediante simulaciones numricas

ante cambios en los set points y ante la presencia de las perturbaciones. Se usaron los
ndices de desempeo ISE, IAE, ITSE e ITAE para realizar la comparacin y evaluacin
de los dos controladores.

49

Los resultados obtenidos fueron presentados en una interfaz grfica de Matlab, la cual
permite realizar el diseo de los controladores DMPC y LQG, ejecutar las simulaciones,
visualizar grficamente las respuestas del sistema y comparar los dos controladores
mediante los ndices de desempeo.

50

BIBLIOGRAFIA

[1] Liuping W. Model Predictive Control System Design and Implementation Using Matlab.
Editorial Springer. Melbourne, Australia. 2009.
[2] Wilson D. Advanced Control Using Matlab. Auckland University of Technology. New
Zealand. 2014.
[3] Skogestad S., Postlethwaite I. Multivariable Feedback Control. Analysis and Design.
Second Edition. John Wiley & Sons. 2001.
[4] Luyben W. Process Modeling, Simulation, And Control For Chemical Engineers.
Second Edition. McGraw-Hill. 1999.
[5] Harmon W., Bobatunde A. Process Dynamics, Modeling and Control. Oxford
University. 1994.
[6] Alzate A. Modelado y control de una columna de destilacin binaria. Universidad
Nacional de Colombia. Tesis de Maestra. 2010.
[7] Zhiyun Z., Dehong Y., Zhen H. State Space Modeling and Predictive Control of a Binary
Batch Distillation Column. Proceedings of the 6th World Congress on Intelligent Control
and Automation, June 21 - 23, 2006.
[8] Vu Trieu M. Modeling and Control of Distillation Column in a Petroleum Process. 5th
IEEE Conference on Industrial Electronics and Applications. 2010.
[9] Skogestad S, Morari Understanding the Dynamic Behavior of Distillation Columns.
California Institute of Technology, Chemical Engineering, 206-41. 1988.
[10] Valencia G. Aplicacion del control Predictivo Multivariable a una columna de
destilacin binaria. Tesis de Maestra. CENIDET. 2006.
[11] Skogestad S. Dynamics And Control Of Distillation Columns. A Tutorial Introduction.
Norwegian University of Science and Technology. 1997.

51

[12] Zambrano J., Gonzlez A. Implementacin de un algoritmo de control predictivo en

espacio de estados sobre una plataforma de simulacin desarrollada en Matlab. Revista
de Ciencia y Tecnologa INGENIUS. 2013.
[13] Troung H., Ismail I., Razali R. Fundamental Modeling And Simulation of a Binary
Continuos Distillation Column. University Technology PETRONAS. 2012
[14] Barragan D. Manual de Interfaz Grfica de Usuario en Matlab. Parte 1. MatPic.com.
2008.
[15] Hergueta D. Mdulo de Procesos de Fabricacin y Sistemas Integrados. Control de
Columnas de Destilacin. EOI. MBA Edicin 2007-2008.
[16] Smith C, Corripio A. Principles and Practice of Automatic Process Control. New
York. Jhon Wiley & Sons, Inc. 1998.
[17] Torres F., Ortiz L. Observacin y control no lineal de columnas de destilacin.
CENIDET. 2005.

52

ANEXO 1. FUNCIONES DE LAGUERRE.

La aplicacin de las redes de Laguerre se encuentra fundamentalmente en la

identificacin de sistemas y en la compresin de datos [1]. La funcin de Laguerre
permite representar la respuesta al impulso de un sistema discreto como:
() = ()

(A1.1)

En donde () es la respuesta del sistema, () es una matriz constante definida por el

usuario que representa un juego de funciones de Laguerre en tiempo discreto y son los
coeficientes de Laguerre.
La matriz () contiene funciones de Laguerre expresados en forma de vectores como:
() = [1 () 2 () 3 ()

()]

(A1.2)

La construccin de la matriz () se basa en la siguiente ecuacin de diferencias:

( + 1) = ()

(A1.3)

En donde la matriz es () y es funcin de los parmetros y = (1 2 ), y la

condicin inicial para la construccin de la matriz () es dada por:
(0) = [1

Por ejemplo, en el caso donde = 5, entonces:

53

(1)1 1 ]

(A1.4)

=
2
[ 3

0
0

0
0
0

0
0
0 ;
0
]

(0) = 2
;
3

[ 4 ]

Entonces, para la construccin de la matriz () se requiere que el usuario defina el

nmero de funciones de Laguerre a utilizar y el parmetro (tambin llamado factor
de escalamiento), el cual su valor debe estar entre 0 <1. Una vez construida la matriz
(), esta ser constante para el resto del programa.

Los coeficientes de Laguerre, , son los parmetros a optimizar a partir de los datos del
sistema:
= [1

(A1.5)

Usando las redes de Laguerre es posible definir la accin de control deseada a travs de
los parmetros y de , y optimizando solo el vector , disminuyendo el nmero de
parmetros usados en la representacin de la trayectoria de control.

54

ANEXO 2. ALGORITMO DE PROGRAMACION DE HILDRETH

El algoritmo de Hildreth es un mtodo de solucin de problemas de optimizacin con

restricciones, que hace uso del problema de optimizacin dual y el conjunto activo para
solucionar el problema de optimizacin primal.

Se desea utilizar el algoritmo de Hildreth para resolver el problema de optimizacin primal:

1
(2 + )

(A2.1)

El algoritmo se fundamenta en la solucin del problema dual, definido mediante

multiplicadores de Lagrange as:

0 ( (2 + + ( )))

(A2.2)

El problema de minimizacin dentro de la ecuacin (A2.2) es un problema de optimizacin

sin restricciones el cual tiene la siguiente solucin:
= 1 ( + )

(A2.3)

Sustituyendo la respuesta anterior en el problema de optimizacin (A2.2) el problema de

optimizacin se transforma en:

1
1
( 2 2 1 )
0

55

(A2.4)

Donde:
= 1

(A2.5)

= + 1

Que se representa de manera equivalente como:

1
1
(2 + + 2 1 )
0

(A2.6)

El cual es ms fcil de solucionar, debido a que las restricciones son ms simples en el

problema dual que definidas en el primal. Solucionado el problema dual se obtiene la
solucin del primal mediante la ecuacin (A2.3).

El algoritmo de Hildreths es un mtodo de solucin de conjunto activo que soluciona el

problema dual (A2.6), siguiendo el siguiente procedimiento:

1. Se determina la solucin del problema de optimizacin primal (A2.1) sin

restricciones: = 1 .
2. Si los valores de satisfacen las restricciones el algoritmo retorna el
vector optimo y termina. De lo contrario es necesario resolver el problema dual,
determinando los multiplicadores de Lagrange de forma iterativa y se procede al
paso 3.

3. Se determinan las matrices H y K del problema dual utilizando las ecuaciones

(A2.5). Se inicializan los valores de en ceros.

56

4. Se actualizan de manera secuencial todos multiplicador de Lagrange siguiendo la

siguiente regla:
1

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

(A2.7)

+1
= max(0, +1 )

Donde es el nmero del multiplicador de Lagrange a actualizar, es el elemento

de la matriz , y es el elemento del vector . Es importante aclarar que la
ecuacin (A2.7) involucra los multiplicadores de Lagrange que se han actualizado
y los valores de los elementos no actualizados de la iteracin anterior. Actualizados
todos los multiplicadores de Lagrange se procede al paso 5.

5. Si el error de los multiplicadores de Lagrange obtenidos en la iteracin actual con

respecto a los obtenidos en la iteracin anterior es inferior a una tolerancia
( 1 )( 1 ) <

(A2.8)

O se cumplen el nmero mximo de iteraciones establecidas, se calcula la solucin

del problema de optimizacin primal,
= 1 1

(A2.9)

Se retorna el vector ptimo y termina. Si el error no esta por debajo de la

tolerancia y el nmero mximo de iteraciones del mismo no se han alcanzado se
regresa al punto 4.

57

ANEXO 3 IMPLEMENTACION EN SIMULINK DEL MODELO DINAMICO DE LA

COLUMNA DE DESTILACION BINARIA.

A continuacin se muestra la implementacin en Simulink de las ecuaciones (4.1) a (4.13)

que modelan el comportamiento dinmico de la columna de destilacin binaria:

Modelo en Simulink para el rehervidor, = +1 +1

Figura A3.0.1 Modelo Simulink del Rehervidor.

58

Modelo en Simulink para los platos 2 a N ( , + 1):

= +1 +1 + 1 1

Figura A3.0.2 Modelo Simulink para los platos 2 a N ( , + ).

Modelo en Simulink para el plato de alimentacin, = :

= +1 +1 + 1 1 +

Figura A3.0.3 Modelo Simulink para el plato de alimentacin, = .

59

Modelo en Simulink para el plato encima del plato de alimentacin, = + 1:

= +1 +1 + 1 1 +

Figura A3.0.4 Modelo Simulink para el plato encima del plato de alimentacin, =
+ .

Modelo en Simulink para el condensador, = + 1: = 1 1

Figura A3.0.5 Modelo Simulink para el condensador, = +

60

Figura A3.0.6 Modelo para la entrada de la Alimentacin.

Cada uno de los platos se interconecta como se muestra en la siguiente figura, creando
la columna de 22 platos.

Figura A3.0.7 Interconexin de los platos de la columna de destilacin.

61

ANEXO 4. IMPLEMENTACION EN SIMULINK DEL CONTROLADOR

PREDICTIVO DMPC

A continuacin se muestra la implementacin del controlador DMPC con los bloques de

Simulink.

Figura A4.0.1 Estructura general del control predictivo DMPC

Figura A4.0.2 Bloque del controlador DMPC

62

Figura A4.0.3 Estructura interna del controlador DMPC

Figura A4.0.4 Estructura del bloque GET_Xf.

63

Figura A4.0.5 Estructura del bloque Constantes para el clculo de Gamma.

Figura A4.0.6 Estructura del bloque Matlab Function.

64

El bloque Matlab Function fue creado con un bloque MATLAB-function y su cdigo es

el siguiente:

function gamma = fcn(du1_min, du1_max, du2_min, du2_max, u1_min, u1_max, u2_min, u2_max, Nc,
v_umax, v_umin, v_dumax, v_dumin, U)
%#codegen
[n_in, m]=size(U);
up1=U(1,1);
up2=U(2,1);
r_umax=[u1_max-up1;u2_max-up2];
r_umin=[-u1_min+up1;-u2_min+up2];
r_dumax=[du1_max;du2_max];
r_dumin=[-du1_min;-du2_min];
for tt = 1:n_in:Nc*n_in
v_umax(tt:tt+n_in-1,1)=r_umax;
v_umin(tt:tt+n_in-1,1)=r_umin;
v_dumax(tt:tt+n_in-1,1)=r_dumax;
v_dumin(tt:tt+n_in-1,1)=r_dumin;
end
%creacion vector gamma
gamma=[v_umax;v_umin;v_dumax;v_dumin];

65

Figura A4.0.7 Estructura del bloque QPHILD.

El bloque QPHILD fue creado con un MATLAB-function y su cdigo es el siguiente:

function eta = QPHILD(Xf,Omega,Psi,M,gamma,x_ini)
%#codegen
%% Ejecucion del algorito Qphild para el calculo de n segun restricciones dadas
H=Omega;
f=Psi*Xf;
A_cons=M;
b=gamma;
%eta=x;
[n1,m1]=size(A_cons);
eta=-H\f;
kk=0;
for i=1:n1
if(A_cons(i,:)*eta>b(i))
kk=kk+1;
else
kk=kk+0;
end

66

end
if (kk==0)
return;
end
P=A_cons*(H\A_cons');
d=(A_cons*(H\f)+b);
[n,m]=size(d);
%

x_ini=zeros(n,m);
lambda=x_ini;
al=10;
for km=1:38
lambda_p=lambda;
for i=1:n
w=P(i,:)*lambda-P(i,i)*lambda(i,1);
w=w+d(i,1);
la=-w/P(i,i);
lambda(i,1)=max(0,la);
end
al=(lambda-lambda_p)'*(lambda-lambda_p);
if (al<10e-8)
break;
end
end
eta=-H\f-H\A_cons'*lambda;

67

Figura A4.0.8 Estructura del bloque ACTUALIZACION ACCION CONTROL (U).

68

ANEXO 5. IMPLEMENTACION EN MATLAB DE LOS ALGORITMOS PARA EL

DISEO DEL CONTROLADOR LQG

A continuacin se muestra la implementacin del controlador LQG con los bloques de

Simulink.

Figura A5.0.1 Estructura general del control LQG.

Figura A5.0.2 Estructura del bloque REGULADOR LQR.

69

Figura A5.0.3 Estructura del bloque OBSERVADOR FILTRO KALMAN.

A continuacin se muestra el cdigo empleado en Matlab para el diseo del controlador

LQG.
% Rutina para el diseo del controlador LQG
% Carga el modelo lineal de la planta
load('AB1CD1.mat');
Ac=A;
Bc=B1;
Cc=C;
Dc=D1;
% Matriz de controlabilidad
Mc = ctrb(Ac,Bc)
rank(Mc)
% calculo de las dimensiones de las matrices del modelo
[m1,n1]=size(Ac);
[m2,n2]=size(Cc);
% Matriz aumentada
Ahat = [Ac zeros(m1,m2); -Cc zeros(m2,m2)]

70

Bhat = [Bc; -Dc]

% Matriz de controlabilidad modelo aumentado
Mc = ctrb(Ahat,Bhat)
rank(Mc)
% Penalizacin de los estados y los integradores
Qlqr = diag([1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 .1 1 Q_lr1 Q_lr2]);
% Penalizacin de las variables manipuladoras
Rlqr = diag([R_lr1 R_lr2]);
[Kt, P, E] = lqr(Ahat,Bhat,Qlqr,Rlqr);
K_lqr = Kt(:,1:m1);
KI_lqr = -Kt(:,m1+1:m1+m2);
% Diseo del Observador (Filtro Kalman)
% Matriz observabilidad
Vob = [C; C*A; C*A^2];
Vob = obsv(A,C);
rank(Vob);
% diseo del observador
Qn = [0.000001^2 0; 0 0.000001^2];

% Matriz de Varianza del ruido en el actuador

Rn = [0.000001^2 0; 0 0.000001^2];

% Matriz de Varianza del ruido en el sensor

sys_kal = ss(A,[B1 B1],C,[D1,D1]);

[Kobv,L,P] = kalman(sys_kal,Qn,Rn);
eig(Kobv);

% Polos del observador

E;

% Polos del controlador

71