SECRETARÍA DE

EDUCACIÓN
PÚBLICA
SEP

SUBSECRETARÍA DE EDUCACIÓN E
INVESTIGACIÓN TECNOLÓGICAS

Centro Nacional de Investigación y Desarrollo Tecnológico

Departamento de Ingenierı́a Electrónica

TESIS DE MAESTRÍA EN CIENCIAS

“Aplicación del Control Predictivo Multivariable

a una Columna de Destilación Binaria”

presentada por

Guillermo Valencia Palomo

Ing. Electrónico por el I. T. de Mérida

como requisito para la obtención de grado de:

Maestrı́a en Ciencias en Ingenierı́a Electrónica

Director de tesis:
Dr. Carlos Manuel Astorga Zaragoza

Co-Director de tesis:
Dr. Manuel Adam Medina

Cuernavaca, Morelos, México. 18 de Diciembre de 2006

 SECRETARÍA DE
EDUCACIÓN
PÚBLICA
SEP

SUBSECRETARÍA DE EDUCACIÓN E
INVESTIGACIÓN TECNOLÓGICAS

Centro Nacional de Investigación y Desarrollo Tecnológico

Departamento de Ingenierı́a Electrónica

TESIS DE MAESTRÍA EN CIENCIAS

“Aplicación del Control Predictivo Multivariable

a una Columna de Destilación Binaria”

presentada por
Guillermo Valencia Palomo
Ing. Electrónico por el I. T. de Mérida

como requisito para la obtención de grado de:

Maestrı́a en Ciencias en Ingenierı́a Electrónica

Director de tesis:
Dr. Carlos Manuel Astorga Zaragoza

Co-Director de tesis:
Dr. Manuel Adam Medina

Jurado:
Dr. Victor Manuel Alvarado Martı́nez - Presidente
Dr. Enrique Quintero-Mármol Márquez - Secretario
Dr. Alejandro Rodrı́guez Palacios - Vocal
Dr. Carlos Manuel Astorga Zaragoza - Vocal Suplente

Cuernavaca, Morelos, México. 18 de Diciembre de 2006

Resumen
En un proceso, las variables pueden clasificarse en variables controladas
y variables manipuladas. La mayor parte de estas variables se encuentran
acopladas, como en el caso de una columna de destilación. Para hacer
frente a esto, en la mayorı́a de los casos, se busca desacoplar las variables
del proceso y diseñar múltiples controladores monovariables. En aquellos
casos en los que el controlador PI se usa para regular estos lazos de
control, la sintonı́a normalmente se realiza en un punto de operación.
Esta sintonı́a no puede ser efectiva si los puntos de operación cambian
considerablemente, pudiendo originar una degradación del desempeño
del controlador. Esto podrı́a incluso causar, en el caso más extremo, la
inestabilidad del proceso.
Cuando estas interacciones entre variables no se pueden evitar, la plan-
ta, debe considerarse como un proceso multivariable en vez de un con-
junto de procesos monovariables.
En este trabajo se exponen las bases conceptuales para el diseño de un
controlador predictivo multivariable basado en modelo. El controlador
es formulado en espacio de estados y se programa en Matlabr para su
evaluación. Este controlador combina la simplicidad de los modelos linea-
les con las no linealidades esenciales del proceso utilizando una técnica
conocida como “linealización en lı́nea”. El controlador se desarrolla para
una planta piloto de destilación binaria, presentando como principales
ventajas la facilidad de sintonı́a y su adaptación a los distintos puntos
de operación de la planta sin necesidad de reajustar los parámetros de
los controladores. Se presentan los resultados obtenidos en simulación
para diversos casos estudiados. Entre éstos se incluye la compensación
de perturbaciones medibles que permite eliminar los errores de estado
estacionario.
Como caso particular del caso multivariable, se presenta la imple-
mentación experimental de un controlador monovariable para regular el
flujo de agua al condensador de la planta piloto de destilación.
Abstract

In a process, the variables can be classified in manipulated variables

and controlled variables. Most of these variables are coupled, as in the
case of a distillation column. In order to face this, the most popular
way of control the multivariable processes, is by designing decoupling
compensators to suppress the interactions and then designing multiple
monovariable controllers. In those cases in which PI controllers are used
to regulate these control loops, the tuning normally is made in a operating
point. As the set points are modified, the poor tuning originates a loss of
yield in the controller, causing a high variability in the controlled outputs
that even can arrived in instability.
When these interactions are not negligible, the process must be con-
sidered to be a multivariable process instead of a set of monovariable
process.
In this work the conceptual bases for the design of a multivariable
model-based predictive controller are exposed. The controller uses a space
state formulation and is programed in Matlabr for his evaluation. This
controller combines the simplicity of the linear models with the essen-
tial nonlinearities of the process using a technique known as “on-line
linearization”. The controller has been developed for a bench-scale disti-
llation column, presenting as main advantages the facility of tuning and
its adaptation to the different set points of the plant with no need of
readjusting the controller parameters. The results obtained in simulation
for diverse studied cases are exposed. Between these, the compensation of
measurable disturbances is included, this allows to eliminate the steady
state errors.
As a particular case of the multivariable controller, appears the experi-
mental implementation of a monovariable controller to regulate the flow
of cooling water to the condenser of the bench-scale distillation column.
Índice general

Lista de figuras V

Lista de tablas IX

Notación XI

1. Introducción 1
1.1. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Ventajas del control predictivo . . . . . . . . . . . . . . . . . . . . . . . 5
1.3. Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4. Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.6. Estado del arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6.1. Temas abiertos a la investigación . . . . . . . . . . . . . . . . . 10
1.7. Organización del documento . . . . . . . . . . . . . . . . . . . . . . . . 11

2. Conceptos básicos del control predictivo 13

2.1. Estrategia de los controladores predictivos . . . . . . . . . . . . . . . . 13
2.2. Elementos básicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1. Modelo de predicción . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.2. Función objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.3. Obtención de la ley de control . . . . . . . . . . . . . . . . . . . 22
2.3. Revisión de los principales algoritmos . . . . . . . . . . . . . . . . . . . 23
2.3.1. Control por matriz dinámica (DMC) . . . . . . . . . . . . . . . 23
2.3.2. Control algorı́tmico de modelo (MAC) . . . . . . . . . . . . . . 24
2.3.3. Control predictivo funcional (PFC) . . . . . . . . . . . . . . . . 25

i
ii Índice general

2.3.4. Control autosintonizado de predicción extendida

(EPSAC) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.5. Control adaptable de horizonte extendido (EHAC) . . . . . . . 26
2.3.6. Control predictivo generalizado (GPC) . . . . . . . . . . . . . . 27
2.3.7. Control predictivo no lineal (NLMPC) . . . . . . . . . . . . . . 28
2.4. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3. El control predictivo multivariable 31

3.1. El control multivariable . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2. Formulación del MPC en espacio de estados . . . . . . . . . . . . . . . 32
3.3. Estimación de estados . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4. Alternativas del vector de estados . . . . . . . . . . . . . . . . . . . . . 39
3.5. Restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.5.1. Restricciones en el control predictivo . . . . . . . . . . . . . . . 41
3.5.2. Solución del problema . . . . . . . . . . . . . . . . . . . . . . . 42
3.5.3. Gestión de restricciones . . . . . . . . . . . . . . . . . . . . . . 46
3.6. Pruebas realizadas al controlador . . . . . . . . . . . . . . . . . . . . . 47
3.6.1. Caso 1: Control monovariable . . . . . . . . . . . . . . . . . . . 48
3.6.2. Caso 2: Modelo de predicción diferente a la planta . . . . . . . . 50
3.6.3. Caso 3: Restricciones . . . . . . . . . . . . . . . . . . . . . . . . 52
3.6.4. Caso 4: Control multivariable . . . . . . . . . . . . . . . . . . . 53
3.7. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

4. Modelado matemático de una columna de destilación binaria 57

4.1. Perspectiva histórica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2. Hipótesis sobre el modelo . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3. Relación de equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3.1. Mezcla ideal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.3.2. Mezcla no ideal . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
4.3.3. Eficiencias de Murphree . . . . . . . . . . . . . . . . . . . . . . 60
4.3.4. Diagrama de equilibrio . . . . . . . . . . . . . . . . . . . . . . . 61
4.4. Flujos y masas molares . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.5. Parámetros de alimentación . . . . . . . . . . . . . . . . . . . . . . . . 62
Índice general iii

4.6. Balance de materia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

4.7. Balance de energı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.8. Pruebas en la columna de destilación . . . . . . . . . . . . . . . . . . . 65
4.8.1. Descripción del la planta piloto de destilación . . . . . . . . . . 65
4.8.2. Validación del modelo matemático . . . . . . . . . . . . . . . . 74
4.9. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

5. Diseño e implementación de controladores 79

5.1. Configuraciones de control en la CDD . . . . . . . . . . . . . . . . . . . 79
5.1.1. Configuración de balance de energı́a (L − V ) . . . . . . . . . . . 80
5.1.2. Configuración de balance de materia (D − V ) y (L − B) . . . . 81
5.1.3. Otras configuraciones de control . . . . . . . . . . . . . . . . . . 81
5.2. Metodologı́a para la implementación de controladores predictivos en la
columna de destilación . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.3. Controlador MPC para el flujo de agua al condensador . . . . . . . . . 83
5.3.1. Selección de variables . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3.2. Obtención de la respuesta temporal del proceso . . . . . . . . . 85
5.3.3. Obtención del modelo de predicción . . . . . . . . . . . . . . . . 85
5.3.4. Pruebas en simulación . . . . . . . . . . . . . . . . . . . . . . . 86
5.3.5. Desarrollo de una interfaz operador-proceso . . . . . . . . . . . 89
5.3.6. Pruebas experimentales . . . . . . . . . . . . . . . . . . . . . . . 91
5.3.7. Validación y análisis de resultados . . . . . . . . . . . . . . . . . 91
5.4. Controlador MPC para la columna de destilación . . . . . . . . . . . . 94
5.4.1. Selección de variables . . . . . . . . . . . . . . . . . . . . . . . . 94
5.4.2. Obtención de la respuesta temporal . . . . . . . . . . . . . . . . 95
5.4.3. Obtención del modelo de predicción . . . . . . . . . . . . . . . . 95
5.4.4. Pruebas en simulación . . . . . . . . . . . . . . . . . . . . . . . 99
5.4.5. Análisis de resultados . . . . . . . . . . . . . . . . . . . . . . . . 109
5.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

6. Conclusiones generales y perspectivas 111

6.1. Conclusiones generales . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.2. Trabajos futuros propuestos . . . . . . . . . . . . . . . . . . . . . . . . 114
iv Índice general

Bibliografı́a 115

A. Tablas de parámetros 119

B. Descripción de los programas 121

B.1. El modelo de la columna de destilación . . . . . . . . . . . . . . . . . . 121
B.2. El controlador MPC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
Lista de figuras

1.1. Diagrama esquemático de una columna de destilación. . . . . . . . . . . 2

1.2. Columna de destilación fraccionaria. . . . . . . . . . . . . . . . . . . . 2
1.3. Principio de operación de la columna de destilación. . . . . . . . . . . . 3
1.4. Esquema del objetivo de la tesis. . . . . . . . . . . . . . . . . . . . . . 7

2.1. Estrategia de control predictivo. . . . . . . . . . . . . . . . . . . . . . . 14

2.2. Estructura básica del control predictivo. . . . . . . . . . . . . . . . . . 15
2.3. Respuestas del sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
a. Respuesta al impulso. . . . . . . . . . . . . . . . . . . . . . . . . 17
b. Respuesta al escalón. . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4. Estructura ARIMA. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5. Respuestas libre y forzada. . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.6. Puntos de coincidencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.1. Estructura del control MPC en espacio de estados. . . . . . . . . . . . . 38

3.2. Estructura del control MPC en espacio de estados con observador. . . . 38
3.3. Punto de control óptimo en un proceso. . . . . . . . . . . . . . . . . . . 41
3.4. Diagrama de flujo del controlador. . . . . . . . . . . . . . . . . . . . . . 48
3.5. Calentador de agua. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.6. Respuesta al escalón del calentador de agua. . . . . . . . . . . . . . . . 49
3.7. Caso 1. Respuesta a diferentes valores de λ y α. . . . . . . . . . . . . . 50
3.8. Caso 2. Modelo diferente de la planta. . . . . . . . . . . . . . . . . . . 51
3.9. Caso 3. Restricciones en el controlador. . . . . . . . . . . . . . . . . . . 52
3.10. Sistema de cuatro tanques. . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.11. Caso 4. Respuesta del sistema. . . . . . . . . . . . . . . . . . . . . . . . 55

v
vi Lista de figuras

4.1. Diagrama de equilibrio lı́quido-vapor. . . . . . . . . . . . . . . . . . . . 61

4.2. Esquema de un plato genérico. . . . . . . . . . . . . . . . . . . . . . . . 63
4.3. Planta piloto de destilación. . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4. Diagrama de instrumentación de la columna. . . . . . . . . . . . . . . . 67
4.5. Cuerpo de la columna. . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
a. Sección del cuerpo de la columna. . . . . . . . . . . . . . . . . . 68
b. Plato. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.6. Alimentación de la mezcla. . . . . . . . . . . . . . . . . . . . . . . . . . 68
a. Bomba de alimentación. . . . . . . . . . . . . . . . . . . . . . . . 68
b. Termorresistencia de precalentamiento. . . . . . . . . . . . . . . 68
4.7. Tablero de control. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.8. Interpolación de los puntos de operación de la bomba de alimentación. 69
4.9. Adición de calor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
a. Termorresistencia de calentamiento. . . . . . . . . . . . . . . . . 70
b. Hervidor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.10. Parte superior de la columna. . . . . . . . . . . . . . . . . . . . . . . . 71
a. Condensador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
b. Válvula de control para el flujo del agua. . . . . . . . . . . . . . 71
c. Electroválvula de reflujo. . . . . . . . . . . . . . . . . . . . . . . 71
4.11. Bomba de anillo lı́quido. . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.12. Regulador Digitric 500. . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.13. Diagrama de equilibrio Metanol-Etanol. . . . . . . . . . . . . . . . . . . 74
4.14. Comparación entre los datos del modelo y la planta piloto de destilación. 76

5.1. Configuración de control en la columna de destilación. . . . . . . . . . . 82

a. Columna en lazo abierto. . . . . . . . . . . . . . . . . . . . . . . 82
b. Configuración (L − V ). . . . . . . . . . . . . . . . . . . . . . . . 82
c. Configuración (D − V ). . . . . . . . . . . . . . . . . . . . . . . . 82
d. Configuración (L − B). . . . . . . . . . . . . . . . . . . . . . . . 82
5.2. Diagrama de instrumentación de la sección del condensador. . . . . . . 84
5.3. Variables manipulada y controlada para el control de flujo de agua de
alimentación al condensador. . . . . . . . . . . . . . . . . . . . . . . . . 84
Lista de figuras vii

a. Válvula neumática FV1. . . . . . . . . . . . . . . . . . . . . . . 84

b. Sensor de flujo FI1. . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.4. Respuesta al escalón del flujo de agua de alimentación. . . . . . . . . . 85
5.5. Esquema de simulación para el control MPC de flujo de agua al conden-
sador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.6. Simulación del control de flujo de agua al condensador. . . . . . . . . . 88
5.7. Pantalla principal del programa para el control en tiempo real. . . . . . 89
5.8. Jerarquı́a de la interfaz operador-proceso. . . . . . . . . . . . . . . . . . 90
5.9. Programa del control interactuando con la planta piloto. . . . . . . . . 90
5.10. Control del lazo de flujo de agua al condensador (tiempo real). . . . . . 92
5.11. Parámetros estimados (tiempo real). . . . . . . . . . . . . . . . . . . . 92
5.12. Control del lazo de flujo de agua al condensador (tiempo real). . . . . . 93
5.13. Respuesta al escalón de la CDD. . . . . . . . . . . . . . . . . . . . . . . 95
5.14. Esquemas de simulación. . . . . . . . . . . . . . . . . . . . . . . . . . . 101
a. Esquema MPC. . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
b. Esquema PID. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.15. Caso 1. Modelo de predicción lineal, Regulación. . . . . . . . . . . . . . 103
5.16. Caso 1. Modelo de predicción lineal, Seguimiento. . . . . . . . . . . . . 104
5.17. Caso 2a. R (apertura proporcional). MPC y PI, Regulación. . . . . . . 105
5.18. Caso 2a. R (apertura proporcional). MPC y PI, Seguimiento. . . . . . . 106
5.19. Caso 2b. R (On/Off). MPC y PI, Regulación. . . . . . . . . . . . . . . 107
5.20. Caso 2b. R (On/Off). MPC y PI, Seguimiento. . . . . . . . . . . . . . . 108

B.1. Simulador de la columna de destilación en lazo abierto. . . . . . . . . . 122

B.2. Comparación de la columna de destilación en lazo abierto y la columna
de destilación linealizada en lı́nea. . . . . . . . . . . . . . . . . . . . . . 122
B.3. Bloque del controlador MPC en Simulinkr . . . . . . . . . . . . . . . . 124
B.4. Cuadro de diálogo del controlador MPC. . . . . . . . . . . . . . . . . . 124
B.5. Simulador del control de flujo de agua al condensador. . . . . . . . . . 125
B.6. Cuadro de diálogo del bloque de estimación de parámetros. . . . . . . . 125
B.7. Programa en LabViewr para el control MPC en tiempo real. . . . . . . 126
a. Pantalla inicial. . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
viii Lista de figuras

b. Salida del sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . 126

c. Entrada al sistema. . . . . . . . . . . . . . . . . . . . . . . . . . 126
B.8. Programa en LabViewr para el control MPC en tiempo real, parámetros
estimados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
a. Estimados a1 y a2 . . . . . . . . . . . . . . . . . . . . . . . . . . 127
b. Estimados b0 y b1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
B.9. Simulador del control de flujo de agua al condensador. . . . . . . . . . 128
Lista de tablas

3.1. Dimensiones de las matrices y vectores involucrados en el cálculo de u(k) 38

3.2. Valores de los parámetros del sistema de cuatro tanques. . . . . . . . . 54

4.1. Calidad de la alimentación q. . . . . . . . . . . . . . . . . . . . . . . . 62

4.2. Nomenclatura del diagrama de instrumentación. . . . . . . . . . . . . . 66
4.3. Elementos monitoreados y controlados por los reguladores. . . . . . . . 73
4.4. Señales de entrada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.5. Error del modelo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

5.1. Configuraciones de control. . . . . . . . . . . . . . . . . . . . . . . . . . 81

5.2. Parámetros de los controladores del flujo de agua al condensador. . . . 87
5.3. Error medio cuadrático del control del flujo de agua de alimentación. . 93
5.4. Parámetros de sintonı́a los controladores de la planta piloto de destilación.101
5.5. Error medio cuadrático de las simulaciones. . . . . . . . . . . . . . . . . 109

6.1. Tabla comparativa entre el controlador programado y el toolbox de MPC

de Matlabr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112

A.1. Caracterı́sticas fı́sicas de la planta piloto de destilación. . . . . . . . . . 119

A.2. Propiedades termodinámicas de la mezcla Metanol-Etanol. . . . . . . . 120
A.3. Parámetros iniciales de las simulaciones. . . . . . . . . . . . . . . . . . 120

ix
x Lista de tablas
Notación

Letras mayúsculas

Ac Constante de Antoine.
B Flujo molar del producto de fondo (mol/min).
Bc Constante de Antoine.
Cc Constante de Antoine.
Cpc Calor especı́fico (kJ/molo C).
D Flujo molar del producto destilado (mol/min).
E Eficiencia de Murphree en la sección de empobrecimiento.
F Flujo molar en la alimentación (mol/min).
FC Flujo de agua al condensador (L/hr).
FP B Porcentaje de variación en la frecuencia de la bomba.
FV Flujo volumétrico en la alimentación (mL/min).
Hci Entalpı́a de vapor (J/mol).
HC Horizonte de control.
HP Horizonte de predicción.
Kci Coeficiente de equilibrio.
L Flujo molar lı́quido (mol/min).
LR Flujo molar lı́quido en la sección de enriquecimiento (mol/min).
LS Flujo molar lı́quido en la sección de empobrecimiento (mol/min).
Mci Masa molar retenida en cada estado (mol).
MW c Peso molecular (gr/mol).
PT Presión total (kPa).
Pci Presión del componente c puro (kPa).
P AB Porcentaje de apertura de la válvula de fondo.
QB Potencia calefactora añadida al hervidor (Watt).
R Reflujo {0,1}.
T Perı́odo de la señal aplicada a la válvula.
Ti Temperatura en cada estado (o C).
TF Temperatura de la alimentación (o C).
Tbc Temperatura de ebullición (o C).

xi
xii Notación.

V Flujo molar de vapor (mol/min).

Vci Volumen de cada estado (mL).
VF Volumen de un componente en la alimentación (mL).
VR Flujo molar de vapor en la sección de enriquecimiento (mol/min).
VS Flujo molar de vapor en la sección de empobrecimiento (mol/min).
W tc Porcentaje de peso de un componente en la alimentación.

Letras minúsculas
e Eficiencia de Murphree en la sección de enriquecimiento.
f Plato de alimentación.
fci0 Fugacidad del lı́quido en un estado de referencia.
hci Entalpı́a lı́quida (J/mol).
n Número total de estados.
q −1 Operador de desplazamiento hacia atrás.
q Calidad de la alimentación.
s Señal de salida deseada.
td Tiempo de duración de la señal aplicada a la válvula de reflujo (s).
ton Tiempo de apertura de la válvula (s).
w Trayectoria interna o de referencia.
xF c Concentración lı́quida en la alimentación.
xci Concentraciones molares lı́quidas.
yci Concentraciones molares de vapor.

Letras griegas
∆Hcvap Entalpı́a de vaporización (kJ/mol).
∆u Incremento en u.
λ Peso de la señal de control.
λf Factor de olvido.
γci Coeficiente de actividad.
Φci Coeficiente de fugacidad.
ρc Densidad (g/cm3 ).

Caracteres especiales
R Campo de los números reales.
Notación. xiii

Subı́ndices
c Componente.
i i-ésima etapa de la columna.
F Etapa de alimentación.
R Sección de enriquecimiento.
S Sección de empobrecimiento.

Superı́ndices
equ En equilibrio.
min Valor mı́nimo.
max Valor máximo.
real Valor real.
set Valor deseado.
mod Valor calculado por el modelo.
vap En la fase de vapor.

Marcas diacrı́ticas
ˆ Predicho.
˜ Estimado.

Abreviaturas
CENIDET Centro Nacional de Investigación y Desarrollo Tecnológico.
CDD Columna de destilación.
EMC Error medio cuadrático.
EOH Etanol.
MeOH Metanol.
MIMO Múltiples entradas, múltiples salidas.
MPC Control predictivo basado en modelo.
PI Control proporcional-integral.
PID Control proporcional-integral-derivativo.
PWM Modulación por ancho de pulso.
SISO Una entrada, una salida.
xiv Notación.
Capı́tulo 1

Introducción

La destilación se define como la separación fı́sica de una mezcla lı́quida en dos

o más fracciones que tienen diferentes puntos de ebullición. Esta operación es la más
empleada e importante en las refinerı́as e industrias quı́micas, aunque también encuentra
aplicaciones en otras áreas como lo son la industria farmacéutica, alimenticia, perfumera
y licorera. El equipo utilizado para llevar a cabo este proceso es la columna de destilación
y representa una fuerte inversión para las industrias en el mundo. Además, una gran
parte de la energı́a usada en estas empresas se consume en los procesos de destilación.
Es por ello que la destilación es una de las áreas de control de procesos más investigada
en el mundo y se dice que es el proceso más beneficiado por estas técnicas (de control)
en las plantas industriales [Schmitz, 2001].
Los procesos de separación alcanzan sus objetivos mediante la creación de dos
o más zonas (etapas) que coexisten y que tienen diferencia de temperatura, presión,
composición y fase. Cada componente molecular de la mezcla que se vaya a separar
reaccionará de modo único ante los diversos ambientes presentes en esas etapas. En
consecuencia, conforme el sistema se desplaza hacia el equilibrio, cada componente
establecerá una concentración diferente en cada etapa y esto da como resultado una
separación entre los componentes.
El proceso de destilación utiliza fases de vapor y lı́quido, esencialmente a la misma
temperatura y a la misma presión, para las etapas coexistentes. Se utilizan varios tipos
de dispositivos, como, por ejemplo el hervidor, el condensador y las bandejas o platos
para que las dos fases entren en contacto ı́ntimo. Los platos se colocan uno sobre otro
y se encierran con una cubierta cilı́ndrica para formar una columna. Una columna de
destilación cuenta con n − 2 platos, se etiqueta al condensador como número 1 y al
hervidor como número n y los platos intermedios son numerados ascendentemente del
condensador al hervidor. En la Figura 1.1 aparece la representación esquemática de
una columna caracterı́stica de destilación del tipo de platos, junto con sus principales
accesorios externos.

1
2 Capı́tulo 1. Introducción.

1
Condensador D

R
2

Sección de
enriquecimiento
f-1
F
f
f+1

Sección de
empobrecimiento
n-1

Hervidor
B

Figura 1.1: Diagrama esquemático de una columna de destilación.

C1 a C4 Gases

20º Petróleo liquado

Naftalina
Químicos
70º
Petróleo
(Gasolina) Combustible
para
vehículos
120º

Keroseno Combustible
para
aviones,
170º parafina,
etc..

Diesel
Diesel
Petróleo 270º
crudo

Lubricantes Lubricantes,
aceites,
ceras, etc..

Aceite Combustible
combustible para barcos,
industrias
600º etc..

Residuos Betún para

caminos y
techos.

Figura 1.2: Columna de destilación fraccionaria.

 3

Flujo líquido
Li+1
Xci+1

Vi
Li yci
xci

Vi-1
yci-1

Flujo de vapor

Figura 1.3: Principio de operación de la columna de destilación.

En cada etapa de la columna se tienen diferentes concentraciones o grado de pureza

de los elementos (ver ejemplo en la Figura 1.2), para ello se emplea una variable
fı́sica denominada fracción molar e indica la relación que hay entre los moles de un
componente y los moles totales de la solución. xci es la fracción molar lı́quida del
componente c en el plato i y yci es la fracción molar de vapor del componente c en el
plato i.
La alimentación se introduce en un punto situado a lo largo de la coraza de la
columna, conocido como plato de alimentación y etiquetado con el número f. La columna
se divide en una sección superior, que se denomina con frecuencia sección de rectificación
o enriquecimiento, y otra inferior, que suele recibir el nombre de sección de agotamiento
o empobrecimiento. Estos términos se vuelven bastante indefinidos en columnas en las
cuales se retira una corriente lateral de producto en algún punto a lo largo de la columna,
además de las dos corrientes de productos de los extremos.
El material de alimentación que se debe separar en fracciones, se introduce en uno
o más puntos a lo largo de la coraza de la columna. Debido a la diferencia de gravedad
entre la fase de vapor y la lı́quida, el lı́quido corre hacia abajo de la columna, cayendo
en cascada de plato a plato, mientras que el vapor asciende por la columna, para entrar
en contacto con el lı́quido en cada uno de los platos, como se muestra en la Figura 1.3.
El lı́quido que llega al fondo de la columna se vaporiza parcialmente en un hervidor
para proporcionar vapor que asciende por la columna. El resto del lı́quido se retira como
producto del fondo (B). El vapor que llega a la parte superior de la columna se enfrı́a
y condensa como lı́quido en el condensador superior. Parte de este lı́quido regresa a la
columna como reflujo (R), para proporcionar un derrame lı́quido en los platos. El resto
4 Capı́tulo 1. Introducción.

de la corriente superior se retira como producto destilado o superior (D).

Este patrón de flujo en la columna de destilación proporciona un contacto, a contra
corriente de la corriente de vapor y lı́quido, en todos los platos de la columna. Las fases
de vapor y lı́quido en un plato dado se acercan a los equilibrios de temperatura, presión
y composición, hasta un punto que depende la eficiencia del plato de contacto.
Los componentes de punto de ebullición más bajo, llamados componentes ligeros,
tienden a concentrarse en la fase de vapor, mientras que los de punto de ebullición
más altos, llamados componentes pesados, tienden a la fase lı́quida. El resultado es una
fase de vapor que se hace más rica en componentes ligeros al ir ascendiendo por la
columna, y una fase lı́quida que se va haciendo cada vez más rica en los componentes
pesados conforme desciende en cascada. La separación general que se logra entre el
producto superior y del fondo depende primordialmente de las volatilidades relativas
de los componentes, el número de platos de contacto y la relación de reflujo.

1.1. Planteamiento del problema

Aunque en el pasado podı́a considerarse que el único objetivo del control consistı́a
en mantener una operación estable del proceso, actualmente la industrias se enfrentan
a un mercado cambiante y difı́cil de predecir, lo que les obliga a operar sus proce-
sos productivos en consonancia con la evolución del mercado para poder mantenerse
competitivas y rentables.
La competencia en muchos sectores industriales ası́ como el creciente interés social
por los problemas medioambientales relacionados con los procesos de producción provo-
ca la necesidad de disponer de técnicas fiables que permitan la operación del proceso
con gran eficiencia y alto grado de flexibilidad.
Actualmente los sistemas de control en la industria de procesos deben satisfacer
criterios económicos, asociados con el mantenimiento de las variables de proceso en
sus puntos de ajuste (set points) minimizando dinámicamente una función de costo
de operación, criterios de seguridad, medioambientales, y de calidad en la producción,
la cual debe satisfacer ciertas especificaciones sujetas a una demanda normalmente
variable.
Por ello, se puede considerar que en la actualidad el objetivo de todo sistema de
control consiste en actuar sobre las variables manipuladas de forma que puedan satis-
facerse múltiples y cambiantes criterios de funcionamiento (económicos, de seguridad,
medioambientales o de calidad) en presencia de cambios en las caracterı́sticas del pro-
ceso.
La gran variedad de metodologı́as actuales de control de procesos se enfrenta al
cumplimiento de este objetivo. La diferencia entre las diversas técnicas radica básica-
1.2. Ventajas del control predictivo. 5

mente en los compromisos hechos en la formulación matemática de los criterios de

funcionamiento y en la elección de la manera de representar el proceso.
Todas las operaciones de separación requieren un suministro de energı́a en forma
de calor o trabajo. En la operación convencional de destilación, la energı́a requerida
para la separación de los componentes se agrega en forma de calor al hervidor, en el
fondo de la columna, donde la temperatura es máxima. Además, se elimina calor del
condensador en la parte superior de la columna, donde la temperatura es mı́nima. Con
frecuencia, esto da por resultado un requerimiento elevado de energı́a y una baja eficien-
cia termodinámica en general, que tenı́a poca importancia (excepto para los procesos
criogénicos y de alta temperatura) cuando los costos de la energı́a eran bajos. Con el
reciente incremento en los costos de energı́a, las operaciones complejas de destilación
requieren una eficiencia termodinámica más elevada. La mejor manera de reducir gastos
de explotación de unidades existentes, es mejorar la eficacia y operación por medio de
la optimización y control del proceso para que los productos se obtengan con la pureza
deseada en el menor tiempo posible, y con la menor inversión en energı́a aplicada al
sistema.
Adicionalmente, en la industria de procesos, los reguladores PID solucionan bien
la mayorı́a de los problemas de control monovariable, como lo son flujo, presión, tempe-
ratura etc., sin embargo, en sistemas más complejos con interacción entre sus variables,
perturbaciones etc., como lo es una columna de destilación, las llamadas estructuras de
control convencionales no siempre dan buenos resultados y son difı́ciles de mantener.
En consecuencia, a menudo la unidad se regula manualmente por un operador.
Para cada uno de todos los problemas mencionados, podemos encontrar en la li-
teratura trabajos que proponen alguna solución, sin embargo en la mayorı́a de estos
trabajos, las soluciones que se proponen no han sido probadas experimentalmente ni
mucho menos explotadas a nivel industrial. En el Centro Nacional de Investigación y
Desarrollo Tecnológico se cuenta con una planta piloto de destilación, que posee la
instrumentación necesaria para poner en práctica conceptos teóricos de control, con la
finalidad de obtener resultados en un caso real de manera experimental.

1.2. Ventajas del control predictivo

La técnica de control predictivo parece constituir una poderosa herramienta para
afrontar los retos anteriormente planteados. El control predictivo es una de las áreas
de control que más éxito ha tenido en la industria. Este éxito se debe principalmente a
que [Maciejowsky, 2002]:

1. La idea general de funcionamiento no es difı́cil de entender.

6 Capı́tulo 1. Introducción.

2. Las restricciones en las señales de control, debido a los actuadores ası́ como las
restricciones en los estados del proceso son fáciles de incorporar al algoritmo de
control.
3. Es una técnica de control más poderosa que los PID, aún para los lazos de control
sencillos y sin restricciones.
4. Posee intrı́nsecamente compensación del retardo.
5. La sintonización de éstos controladores no es complicada, aún en los lazos de
control que presentan cierto grado de dificultad de sintonización (utilizando otras
técnicas de control) debido a retardos de tiempo.

El control predictivo basado en modelo — Model (Based) Predictive Control (MBPC

o MPC) — constituye un campo muy amplio de métodos de control desarrollados en
torno a ciertas ideas comunes e integra diversas disciplinas como control óptimo, control
estocástico, control de procesos con tiempos muertos, control multivariable o control
con restricciones.
Las ideas que aparecen en mayor o menor medida en toda la familia de contro-
ladores predictivos son básicamente:

• Uso explı́cito de un modelo para predecir la salida del proceso en instantes de

tiempo futuros (horizonte).
• Cálculo de las señales de control minimizando una cierta función objetivo.
• Estrategia deslizante, de forma que en cada instante el horizonte se va despla-
zando hacia el futuro, lo que implica aplicar la primera señal de control en cada
instante y desechar el resto, repitiendo el cálculo en cada instante de muestreo.

Los distintos algoritmos de MPC difieren entre sı́ casi exclusivamente en (i) la
función de costo a minimizar y (ii) en el modelo usado para representar el proceso y los
ruidos. Aunque las diferencias puedan parecer pequeñas a priori, pueden provocar dis-
tintos comportamientos en lazo cerrado, siendo crı́ticas para el éxito de un determinado
algoritmo en una determinada aplicación.

1.3. Hipótesis
Dado el problema planteado para este trabajo y las ventajas expuestas anteriormen-
te de los controladores predictivos, se plantea la siguiente hipótesis para este trabajo:
Con el control predictivo multivariable se obtendrá una mejora en
el desempeño del proceso de una columna de destilación binaria
comparado con un controlador convencional (PI).
1.4. Objetivo. 7

1.4. Objetivo
El objetivo de este trabajo es desarrollar un controlador predictivo multivariable
para una columna de destilación binaria, con el fin de controlar las composiciones
lı́quidas de los productos en el fondo y la salida del condensador.

LT LC

FT FC
D

TT

F
FT

MPC
TT
Multivariable

LT

LC

Figura 1.4: Esquema del objetivo de la tesis.

El esquema del objetivo de la tesis se puede ver en la Figura 1.4. La validación

del controlador multivariable se hará en simulación. Sin embargo, se desarrollará un
controlador monovariable (como caso particular del controlador multivariable) para el
control del flujo de agua al condensador de la columna de destilación. Este controlador
monovariable se validará en tiempo real ya que se cuenta con los sensores y actuadores
necesarios para llevar a cabo la validación experimental.

1.5. Justificación
Dada la expansión y desarrollo que tendrá el sector quı́mico en los próximos años, es
necesario prepararse para hacer frente a la demanda masiva de un producto calificado.
Debido a la complejidad que presentan las unidades de destilación que se encuentran en
las plantas industriales (tales como en la petroquı́mica), la demanda de un producto con
8 Capı́tulo 1. Introducción.

calidad y de bajo costo no podrá satisfacerse si no se usan herramientas matemáticas y

nuevas técnicas para el control del procesos. Lo que conlleva un cierto tipo de ventajas
que han motivado fuertemente su estudio hoy en dı́a en algunos paı́ses de Europa y de
Norteamérica. Estas ventajas pueden ser:

• Aumentar la eficiencia y confiabilidad de una unidad de destilación.

• Optimizar el proceso a su máxima capacidad.
• Mejorar los procedimientos de operación.
• Adiestramiento de operadores para la reducción de riesgos e incremento de la
seguridad.
• Promover la investigación de este campo en el paı́s para lograr tener una tecnologı́a
de vanguardia.

1.6. Estado del arte

El control predictivo fue introducido por [Richalet et al., 1978] presentando el con-
trol predictivo heurı́stico basado en modelo (“Model Predictive Heuristic Control”,
MPHC), más tarde conocido como control algorı́tmico basado en modelo (“Model Al-
gorithmic Control”, MAC); y por otro lado, de forma independiente: Cutler y Ramaker,
ingenieros de la compañı́a Shell, presentaron en [Cutler y Ramaker, 1980] sobre control
con matriz dinámica (“Dynamic Matrix Control”, DMC). Ambos algoritmos utilizan
explı́citamente un modelo dinámico del proceso (obtenido de la respuesta impulso en el
primer caso y de la respuesta escalón en el segundo) para predecir el efecto de las futuras
señales de control en las variables a controlar. Estas formulaciones eran heurı́sticas.
Estos controladores estaban ı́ntimamente ligados al problema de control óptimo
en tiempo mı́nimo y a la programación lineal [Zadeh y Whalen, 1962]. El concepto de
horizonte deslizante, una de las ideas centrales del control predictivo, fue propuesto
por [Propoi, 1963], en el marco de realimentación óptima en lazo abierto (open-loop
optimal feedback) que fue utilizada extensamente en los años 70.
El control predictivo llegó a ser popular particularmente en la industria de procesos
quı́micos debido a la simplicidad del algoritmo y a la utilización del modelo de respuesta
ante impulso que, aunque requiriendo muchos más parámetros que las formulaciones en
el espacio de estado o en el dominio de entrada y salida, resulta más intuitivo y requiere
mucha menos información a priori para la identificación.
La mayorı́a de estas aplicaciones se llevaron a cabo en sistemas multivariables que
incluı́an restricciones. A pesar de este éxito, estas formulaciones carecı́an de una teorı́a
formal para proveer resultados sobre la estabilidad y robustez. De hecho, el caso de
horizonte finito parecı́a demasiado difı́cil de analizar excepto en casos muy especı́ficos.
1.6. Estado del arte. 9

Otra lı́nea de trabajo se desarrolló independientemente en torno a las ideas de con-

trol adaptable, desarrollándose estrategias de control predictivo para sistemas mono-
variables y formulada sobre modelos de entrada y salida. El control autosintoniza-
do basado en predictores (“Predictor-Based Self-Tuning Control”) en el trabajo de
[Peterka, 1984], el control adaptable de horizonte extendido (“Extended Horizon Adap-
tive Control”, EHAC) por [Ydstie, 1984], el controlador autosintonizado (“Extended
Prediction Self Adaptive Control”, EPSAC) [Keyser y Cuawenberghe, 1985], y el con-
trol predictivo generalizado (“Generalized Predictive Control”, GPC) desarrollado por
[Clarke et al., 1987] se pueden mencionar en este contexto. El GPC utiliza ideas de
los controladores de varianza mı́nima generalizada (“Generalized Minimum Variance”,
GMV) [Clarke y Gawthrop, 1979] y es en la actualidad uno de los métodos mas utiliza-
dos a nivel académico.
Existen numerosas formulaciones de control predictivo basadas en las mismas ideas
comunes, entre las que se puede incluir control adaptable multivariable multipaso (“Mul-
tistep Multivariable Adaptive Control”, MUSMAR) [Greco et al., 1984], control pre-
dictivo funcional (“Predictive Functional Control”, PFC) [Richalet, 1992]. El MPC,
también ha sido formulado en el espacio de estados [Morari, 1994], lo que permite una
utilización de resultados bien conocidos sobre estabilidad y también la generalización
a casos más complejos como procesos multivariables, procesos no lineales y sistemas
con perturbaciones estocásticas. Aunque los primeros trabajos sobre GPC contienen
algunos resultados de estabilidad para el caso nominal, la falta de resultados generales
sobre la estabilidad de los controladores de horizontes finito y deslizante constituyó un
inconveniente para su utilización al principio. Para hacer frente a esto, apareció en
los noventa una nueva lı́nea de trabajo sobre controladores predictivos con estabilidad
garantizada, imponiendo que la señal de salida alcanzara a la referencia al final del
horizonte.
Existen muchas aplicaciones del control predictivo en la industria. La mayor parte
de las aplicaciones están en el sector petroquı́mico en el área de refinerı́a
[Qin y Badgwell, 2003], pero también existen numerosas aplicaciones en los sectores
de pulpa y papel, procesado de alimentos, gas, mineral, hornos, metalurgia, industria
aeroespacial e industria automotriz. Una excelente revisión sobre MPC dirigida princi-
palmente a personal de la industria con experiencia en control se puede encontrar en
[Rawlings, 2000].
Recientemente han aparecido en la literatura aplicaciones de los controladores pre-
dictivos a sistemas hı́bridos1 [Camacho, 2004]. Donde los sistemas hı́bridos se han mo-
delado de distintas formas, bien, como un grafo de transición de estados (con dinámica
continua dentro de cada estado) o bien como un conjunto de ecuaciones diferenciales
con variables discretas.

1
Un sistema hı́brido es un sistema continuo con eventos discretos.
10 Capı́tulo 1. Introducción.

Para el caso de las columnas de destilación, cuyo control es predictivo, existen

diferentes trabajos, en los que actualmente se trata el caso del control MPC aplica-
do a procesos mal condicionados [Pannocchia, 2003], [Waller et al., 2005]; y el caso del
MPC no lineal [Jana et al., 2005], [Volk et al., 2005], en los que la principal alternativa
está basada en una linealización iterativa (linealización en cada instante de muestreo)
de la respuesta del modelo, para asegurar una solución factible al problema de la mini-
mización. De igual forma se encuentran reportados en la literatura trabajos que presen-
tan resultados experimentales, como en [Alpbaz et al., 2002], donde se aplica el control
a una planta piloto de destilación, pero usando el control predictivo multivariable en
su forma lineal, sin restricciones y trabajando dentro de una región de operación.

1.6.1. Temas abiertos a la investigación

No se puede considerar al control predictivo como una disciplina ya cerrada a la

investigación, sino que, al contrario, es una rama del control de gran efervescencia. Esto
se puede constatar por el hecho de que en todos los congresos de control de estos últimos
años siempre hay sesiones especı́ficas de control predictivo y raro es el número de las
revistas de control donde no aparezca algún artı́culo sobre este tema.
Los temas todavı́a no del todo resueltos y que son objeto de investigación se pueden
clasificar en problemas de implementación y problemas de análisis y diseño.

Aplicados a sistemas:
Híbridos
Implementación y análisis de diseño
No lineales
Temas abiertos a Muy rápidos
la investigación

Análisis de estabilidad y robustez de estos controladores

El control predictivo es muy difı́cil de implementar en tiempo real para procesos

no lineales, procesos hı́bridos o procesos muy rápidos. En el caso de sistemas no lineales
e hı́bridos han aparecido soluciones para casos particulares y normalmente de pequeña
dimensión, pero no existen soluciones generales. Se ha demostrado recientemente que
la estructura de control predictivo para procesos lineales es afı́n a trozos (“picewise
affine systems”) y por lo tanto el controlador puede calcularse previamente. Esto ha
permitido que el control predictivo pueda ser aplicado a procesos más rápidos, pero,
desafortunadamente, la técnica sólo es aplicable a problemas especı́ficos (incluyendo
horizontes de control pequeños).
El otro gran problema todavı́a no resuelto es el problema del análisis de estabilidad
1.7. Organización del documento. 11

y robustez de estos controladores. Es decir, aún en el caso de que los controladores sean
implementables, analizar cómo se puede asegurar su estabilidad en el caso nominal o
en el caso de que el modelo no sea exacto. Para el caso de restricciones, el análisis
de estabilidad parecı́a ser un problema demasiado complicado de resolver. Aún en el
caso de que el optimizador fuera capaz de encontrar una solución, no está garantizada
la estabilidad del sistema en lazo cerrado. La utilización de penalizaciones terminales
y/o restricciones, funciones de Lyapunov, o conjuntos invariantes han dado lugar a una
familia de técnicas que garantizan la estabilidad del sistema. Este problema ha sido
atacado desde distintos puntos de vista y han aparecido numerosas contribuciones en
años recientes, siempre analizando el problema del regulador (llevar el estado al reposo)
y normalmente en espacio de estados. Se han obtenido resultados que utilizan técnicas
de control robusto en el contexto de controladores predictivos. La idea básica es tener
en cuenta las incertidumbres sobre el proceso de una manera explı́cita y diseñar el
controlador predictivo para optimizar la función objetivo ante la peor situación posible
de las incertidumbres. En cualquier caso, estos resultados exigen el cómputo de regiones
invariantes que, salvo en el caso de sistemas lineales, son difı́cilmente calculables.
Estos avances prometedores permiten pensar que el control predictivo experimen-
tará una mayor diseminación tanto en el mundo académico como en la comunidad
industrial en los próximos años.

1.7. Organización del documento

El presente documento consta de 6 capı́tulos y 2 apéndices.
En el Capı́tulo 2 se presentan los conceptos básicos del control predictivo basado
en modelo, se incluyen sus puntos clave y hace una revisión de los principales algoritmos
presentando sus caracterı́sticas más importantes.
En el Capı́tulo 3 se desarrolla la formulación en espacio de estados del control pre-
dictivo, siendo esta formulación fácilmente extendible al caso multivariable. Finalmente,
se integra este controlador a un programa y se realizan unas pruebas en simulación de
su funcionamiento.
En el Capı́tulo 4 se presenta el modelo dinámico de la planta piloto de destilación,
se estudian los fenómenos involucrados en su dinámica, posteriormente se hace una
descripción de la planta piloto utilizada para las pruebas y se valida modelo comparando
valores experimentales con los teóricos.
En el Capı́tulo 5 se muestran los resultados obtenidos al aplicarle el control
predictivo al lazo de flujo de agua al condensador (caso SISO) en simulación y de
forma experimental, ası́ como las simulaciones del control al modelo de la columna
(caso MIMO).
12 Capı́tulo 1. Introducción.

En el Capı́tulo 6 se dan las conclusiones generales de la tesis, y los trabajos futuros

propuestos.
En el Apéndice A se muestran los valores numéricos de los parámetros utilizados
en esta tesis para las simulaciones y los experimentos realizados.
En el Apéndice B se da una descripción de los programas utilizados y una pequeña
guı́a de su uso.
Capı́tulo 2

Conceptos básicos del control

predictivo

En este capı́tulo se presentan los conceptos básicos del control predictivo basado
en modelo y se describen los elementos que son comunes a todos estos controladores,
mostrando algunas alternativas que son utilizadas en diferentes implementaciones.
En la Sección 2.1 se describe la estrategia general que siguen los controladores que
pertenecen a la familia de los controladores predictivos. En la Sección 2.2 se detallan
los elementos comunes de los controladores predictivos, como lo son: el modelo utiliza-
do para la predicción, la función objetivo y la obtención de la ley de control. En la
Sección 2.3 se presenta una revisión general de los principales algoritmos reportados en
la literatura. Finalmente, en la Sección 2.4 se dan las conclusiones del capı́tulo en base
a lo estudiado.

2.1. Estrategia de los controladores predictivos

El principio de operación de todos los controladores pertenecientes a la familia del
MPC se caracteriza por la estrategia siguiente, representada en la Figura 2.1:

1. En cada instante k y haciendo uso del modelo del proceso se predicen las futuras
salidas para un determinado horizonte, llamado horizonte de predicción HP . Estas
salidas predichas ŷf (k + i|k) 1 (para i = 1, 2, ..., HP ), dependen de los valores
conocidos hasta el instante k (entradas y salidas pasadas) y de las señales de
control futuras u(k + i|k) (para i = 0, 1, ..., HP − 1) que se pretenden mandar al
sistema y que son las que se quieren calcular.
1
La notación indica el valor de la variable en el instante k + i, calculado en el instante k. Ası́ como
la marca diacrı́tica ˆ denota predicción.

13
14 Capı́tulo 2. Conceptos básicos del control predictivo.

Salida
Hp
s(t)

w(k+i|k)

^
y(k+i|k)
y(t)

^y (k+i|k)
f

k k+HP
Entrada Hc
u(t)
u(k+i|k)

k k+HC

Figura 2.1: Estrategia de control predictivo.

2. El conjunto de señales de control futuras se calcula optimizando un determinado

criterio en el que se pretende mantener el proceso lo más próximo posible a la
trayectoria de referencia w(k + i|k) (que puede ser directamente la salida deseada
s(k) o una suave aproximación a ésta). Este criterio suele tomar la forma de
una función cuadrática de los errores entre la salida predicha y la trayectoria de
referencia también predicha, incluyendo en muchos casos el esfuerzo de control.
Si el criterio es cuadrático, el modelo lineal y no existen restricciones se puede
obtener una solución explı́cita, de otra manera se debe usar un método iterativo
de optimización. Adicionalmente se hace alguna suposición sobre la estructura de
la ley de control futura, como por ejemplo que va a ser constante a partir de cierto
instante HC .
3. La primera señal de control u(k|k) es enviada al proceso mientras que las siguientes
señales de control calculadas son desechadas. Puesto que en el siguiente instante
de muestreo ya se conoce y(k + 1), se repite el paso 1 con este nuevo valor y to-
das las secuencias son actualizadas. Se calcula por tanto la nueva señal de control
u(k + 1|k + 1) (que en principio será diferente a la secuencia de salida anterior
u(k + 1|k), al disponer de nueva información), haciendo uso del concepto de hori-
zonte deslizante.
2.2. Elementos básicos. 15

v(k)

u(k|k)
s(k) Optimizador Proceso y(k)

y^f (k+i|k)
Predictor

Figura 2.2: Estructura básica del control predictivo.

Para llevar a cabo esta estrategia, se usa una estructura como la mostrada en la
Figura 2.2. Se hace uso de un modelo para predecir las salidas futuras del proceso
basándose en las futuras señales de control propuestas. Estas señales son calculadas por
el predictor teniendo en cuenta la función de costo (donde aparece el futuro error de
seguimiento) ası́ como las restricciones.
Por lo tanto, el modelo del proceso juega un papel decisivo en el controlador.
El modelo elegido debe ser capaz de reproducir la dinámica del proceso para poder
predecir correctamente las salidas futuras. Al mismo tiempo, debe ser sencillo de usar
y de comprender.
El optimizador es otra parte fundamental de la estrategia pues proporciona las
acciones de control. Si la función de costo es cuadrática, el mı́nimo se puede obtener
como una función explı́cita (lineal) de las entradas pasadas, las salidas pasadas y de
la trayectoria de referencia. Sin embargo, cuando existen restricciones de desigualdad
la solución debe de ser calculada por métodos numéricos con más carga de cálculo.
La complejidad del problema de optimización depende directamente del número de
variables y el tamaño de los horizontes elegidos.

2.2. Elementos básicos

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

• Modelo de predicción.
• Función objetivo.
• Obtención de la ley de control.
16 Capı́tulo 2. Conceptos básicos del control predictivo.

2.2.1. Modelo de predicción

La piedra angular del MPC es el modelo del proceso; un diseño completo debe de
incluir los mecanismos necesarios para la obtención del mejor modelo posible, el cual
debe de ser lo suficientemente rico para capturar al máximo la dinámica del proceso y
debe de ser capaz de permitir el cálculo de las predicciones. A la vez, debe ser intuitivo
y debe ser posible llevar a cabo en él un análisis teórico. El uso del modelo del proceso
viene determinado por la necesidad del cálculo de la salida predicha en instantes futu-
ros ŷf (k + i|k). Las diferentes estrategias del MPC pueden usar distintos modelos para
representar la relación de las salidas con las entradas medibles, que pueden ser compen-
sadas con una acción prealimentada. Además se debe de tener en cuenta un modelo de
las perturbaciones para intentar describir el comportamiento que no aparece reflejado
en el modelo del proceso, englobándose aquı́ el efecto de las entradas no medibles, el
ruido y los errores de modelado.
Para este fin, se puede separar el modelo en dos partes: el modelo del proceso
propiamente dicho y el modelo de las perturbaciones. Cualquier método utilizará ambas
partes para la predicción.

Modelo del proceso

Casi todas las formas posibles de modelar un proceso aparecen en alguna formu-
lación del MPC siendo las más usadas las siguientes:

• Respuesta al impulso. También conocida por secuencia de ponderación o modelo

de convolución. La salida viene relacionada con la entrada por la ecuación:
∞
X
y(k) = hj u(k − j)
j=1

donde hj son los valores muestreados obtenidos al someter al proceso a un impulso

unitario de amplitud igual a un perı́odo de muestreo (ver Figura 2.3a). Esta suma
es truncada y sólo se consideran N valores (por lo tanto sólo permite representar
procesos estables y sin integradores), teniendo

N
X
y(k) = hj u(k − j) = H(q −1 )u(k) (2.1)
j=1

donde: H(q −1 ) = h1 q −1 + h2 q −2 + · · · + hN q −N , siendo q −1 el operador de des-

plazamiento hacia atrás. Un inconveniente de este método es el gran número de
parámetros que necesita, ya que N normalmente es de un valor elevado (del orden
2.2. Elementos básicos. 17

h2

gN
gj
hj

g2
h1

hN
y(k) y(k)

g1
k k+1 k+2 . . . k+N k k+1 k+2 ... k+N
a Respuesta al impulso. b Respuesta al escalón.

Figura 2.3: Respuestas del sistema.

de 30-40) [Camacho, 2001]. La predicción vendrá dada por:

N
X
ŷ(k + i|k) = hj u(k + i − j|k)
j=1

= H(q −1 )u(k + i|k)

Este método es ampliamente aceptado en la práctica industrial debido a que es

muy intuitivo y no requiere de información previa del proceso, con lo que el pro-
cedimiento de identificación se simplifica, a la vez que permite describir fácilmente
dinámicas complejas como fase no mı́nima o retardos.
• Respuesta al escalón. Es muy similar al anterior sólo que la señal de entrada es
un escalón. Para sistemas estables se tiene la respuesta truncada que será (ver
Figura 2.3b):
N
X
y(k) = y0 + gj ∆u(k − j) = y0 + G(q −1 )(1 − q −1 )u(k) (2.2)
j=1

donde las gj son los valores muestreados ante la entrada escalón y ∆ u(k) =
u(k) − u(k − 1). El valor de y0 puede tomarse como 0 sin pérdida de generalidad,
con lo cual el predictor será:
N
X
ŷ(k + i|k) = gj ∆u(k + i − j|k)
j=1

Este método presenta las mismas ventajas y desventajas que el método anterior.
18 Capı́tulo 2. Conceptos básicos del control predictivo.

• Funciones de transferencia. Se utiliza el concepto de función de transferencia

G = B/A con lo que la salida viene dada por:

A(q −1 )y(k) = B(q −1 )u(k)

donde:

A(q −1 ) = 1 + a1 q −1 + a2 q −2 + · · · + ana q −na

B(q −1 ) = b1 q −1 + b2 q −2 + · · · + bnb q −nb

Por lo tanto la predicción viene dada por:

B (q −1 )
ŷ(k + i|k) = u(k + i|k)
A (q −1 )
Esta representación también es válida para procesos inestables y posee la ventaja
de necesitar pocos parámetros, aunque es fundamental un conocimiento a priori
del proceso, sobre todo en cuanto al orden de los polinomios A y B.
• Espacio de estados. Tiene la siguiente representación:

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

siendo x el estado y A, B y C las matrices del sistema, de entrada y salida respec-

tivamente. Para este modelo la predicción viene dada por:
i
X
i
ŷ(k + i|k) = C x̂(k + i|k) = C[A x(k) + Aj−1 Bu(k + i − j|k)]
j=1

Posee la ventaja de que sirve también para sistemas multivariables a la vez que
permite analizar la estructura interna del proceso (aunque a veces los estados
obtenidos al discretizar no tienen ningún significado fı́sico). Los cálculos pueden
ser complicados, con la necesidad adicional de incluir un observador si los estados
no son accesibles.
• Otros. Los modelos no lineales también pueden ser utilizados para representar al
proceso pero el problema de su uso radica en el hecho de que es muy complicado
encontrar la respuesta al problema de optimización. Las redes neuronales ası́ como
la lógica difusa son otras formas de representación usadas en algunas aplicaciones.

Modelo de perturbaciones

Tan importante es la elección de un determinado modelo del proceso como lo

es la elección del modelo utilizado para representar las perturbaciones. Un modelo
2.2. Elementos básicos. 19

e(k)

C(q-1)
D(q-1)

n(k)
+ 1
-nk -1
u(k) q B(q ) y(k)
+ A(q-1)

Figura 2.4: Estructura ARIMA.

bastante extendido es el Autoregresivo Integrado de Media Móvil (Auto-Regressive

and Integrated Moving Average, ARIMA) mostrado en la Figura 2.4, en el que las
perturbaciones, es decir, las diferencias entre la salida medida y calculada por el modelo
vienen dadas por:

C(q −1 )e(k)
n(k) =
D(q −1 )

donde el polinomio D(q −1 ) incluye explı́citamente el integrador ∆ = 1 − q −1 , e(k) es

un ruido de media cero y normalmente el polinomio C se considera igual a uno. Este
modelo se considera apropiado para dos tipos de perturbaciones: cambios aleatorios
ocurridos en instantes aleatorios (por ejemplo la calidad del material) y movimiento
browniano (en procesos con balance de energı́a) y es usado en varios métodos. Nótese
que al incluir un integrador se consigue un control sin errores en el estado estable.

Respuestas libre y forzada

Una caracterı́stica tı́pica de los controladores predictivos es el empleo de los con-

ceptos de respuesta libre y forzada. La idea es expresar la secuencia de acciones de
control como la suma de dos señales:

u(k) = u(k)f + uc (k)

La señal u(k)f corresponde a las entradas pasadas (anteriores al instante k) y en el

futuro se mantiene constante e igual al último valor de la variable manipulada. Es
decir:

uf (k − j) = u(k − j) para j = 1, 2, . . .
uf (k + j) = u(k − 1) para j = 0, 1, 2, . . .
20 Capı́tulo 2. Conceptos básicos del control predictivo.

u y
Proceso

k k

uf uc yf yc

k k k k

Figura 2.5: Respuestas libre y forzada.

La señal uc vale cero en el pasado y corresponde a las señales de control en los tiempo
futuros:
uc (k − j) = 0 para j = 1, 2, . . .
uc (k + j) = u(k + j) − u(k − 1) para j = 0, 1, 2, . . .
La predicción de la secuencia de salida se separa en dos partes, como se ve en la
Figura 2.5. Una de ellas yf (k), la respuesta libre, corresponde a la predicción de la
salida cuando se toma como entrada únicamente uf (k), y la otra, la respuesta forzada
yc (k), corresponde a la salida cuando la señal de control es uc (k). La respuesta libre
corresponde a la evolución del proceso debido a su estado actual (influido principalmente
por las acciones de control pasadas) mientras que la respuesta forzada es la debida a
las acciones de control futuras.

2.2.2. Función objetivo

Los diversos algoritmos de MPC proponen distintas funciones de costo para la

obtención de la ley de control. En general se busca que la salida futura (ŷ) en el horizonte
considerado siga una determinada señal de referencia (w) al mismo tiempo que se puede
penalizar el esfuerzo de control (∆u) requerido para hacerlo. La expresión general de
esta función objetivo es:

HP
X HC
X
J(H1 , HP , HC ) = δ(i)[ŷ(k + i|k) − w(k + i|k)]2 + λ(i)[∆u(k + i − 1|k)]2 (2.3)
i=H1 i=1

En algunos métodos el segundo sumando, que se considera el esfuerzo de control,

no se toma en cuenta, mientras que en otros aparecen directamente los valores de la
señal de control (no sus incrementos). En la función de costo se pueden considerar:
2.2. Elementos básicos. 21

• Parámetros. H1 y HP son los horizontes mı́nimo y máximo de costo (o de predic-

ción) y HC es el horizonte de control, que no tiene que coincidir con el horizonte
máximo, como se verá posteriormente. El significado de H1 y HP resulta bastante
intuitivo: marcan los lı́mites de los instantes en que se desea que la salida siga la
referencia. Ası́ si se toma un valor grande de H1 es porque no importa que haya
errores en los primeros instantes, lo cual provocará una respuesta suave del pro-
ceso. Nótese que para procesos con tiempo muerto d no tiene sentido que H1 sea
menor que dicho valor puesto que la salida no empezará a evolucionar hasta el
instante k + d. Además, si el proceso es de fase no mı́nima, este parámetro permite
eliminar de la función objetivo los primeros instantes de respuesta inversa.
Los coeficientes δ(i) y λ(i) son secuencias que ponderan el comportamiento fu-
turo. Usualmente se consideran valores constantes o secuencias exponenciales. Por
ejemplo se puede conseguir un paso exponencial de δ(i) a lo largo del horizonte
usando:
δ(i) = αHP −i
Si α está comprendido entre 0 y 1 significa que se penaliza más a los errores alejados
del instante k que a lo más próximos, dando lugar a un control más suave y con
menor esfuerzo. Si, por el contrario, α > 1 es que se penalizan más los primeros
errores, provocando un error más brusco.
Todos estos valores pueden ser usados como parámetros de sintonización, obtenien-
do muchas posibilidades con las que se puede cubrir una amplia gama de opciones,
desde un control estándar hasta una estrategia diseñada especı́ficamente para un
proceso en particular.
• Trayectoria de referencia. Una de las ventajas del control predictivo es que si se
conoce de antemano la evolución futura de la referencia, el sistema puede empezar
a reaccionar antes de que el cambio se haya efectivamente realizado, evitando los
efectos de retardo en la respuesta del proceso. En muchas aplicaciones la evolu-
ción futura de referencia es conocida de antemano, como en robótica, los servos o
procesos en lote; en otras aplicaciones aunque la referencia es constante, se puede
conseguir una sensible mejora de prestaciones simplemente conociendo el instante
de cambio de valor y adelantándose a esa circunstancia.
En el criterio de minimización (2.3), la mayorı́a de los métodos suelen utilizar
una referencia w(k + i|k) que no tiene por qué coincidir con la referencia real.
Normalmente será una suave aproximación desde el valor actual de la salida y(k)
a la referencia conocida s(k) mediante un sistema de primer orden:

w(k|k) = y(k) w(k + i|k) = αw(k + i − 1|k) + (1 − α)s(k + i|k) i = 1...HP

(2.4)
α es un parámetro comprendido entre 0 y 1 (mientras más proximo a 1 más suave
será la aproximación) que constituye un valor ajustable que influirá en la respues-
22 Capı́tulo 2. Conceptos básicos del control predictivo.

ta dinámica del sistema. Otra estrategia es la utilizada en el control predictivo

funcional, la cual es útil para puntos de ajuste (set points) variables:

w(k + i|k) = s(k + i|k) − αi (y(k) − s(k)) (2.5)

• Restricciones. Una de las grandes bondades que proporciona el control predictivo es

la posibilidad de tomar en cuenta las restricciones propias del proceso. El principal
motivo para considerar restricciones en las variables del proceso consiste en que
violarlas puede ser muy costoso o peligroso, porque puede originar daños en los
equipos y pérdidas en la producción. Por ejemplo, en la mayorı́a de los reactores
por lote, la calidad de la producción requiere que las variables del proceso se
mantengan dentro de lı́mites durante la reacción; violar estos lı́mites puede llevar
a una producción de calidad inferior a la requerida. Cuando los lı́mites han sido
impuestos por razones de seguridad, la violación de estos lı́mites puede producir
daños en los equipos, derrames de los productos nocivos o en la mayorı́a de los casos
que se activen los dispositivos de seguridad produciendo paradas de emergencia.

2.2.3. Obtención de la ley de control

Para obtener los valores de u(k + i|k) será necesario minimizar la función de costo,
la ecuación (2.3). Para ello se calculan los valores de la salida predicha ŷ(k + i|k) en
función de los valores pasados de entradas y salidas y de señales de control futuras,
haciendo uso del modelo del proceso que se haya elegido y se sustituyen en la función
de costo, obteniendo una expresión cuya minimización conduce a los valores buscados.
Para el criterio cuadrático, si el modelo es lineal y no existen restricciones, se puede
obtener la solución de forma analı́tica; en otro caso se debe de usar un método iterativo
de optimización.
De cualquier manera, la obtención de la solución no resulta tan trivial pues existirán
HP − HC + 1 variables independientes, valor que puede ser elevado (del orden de 10 a
30). Con la idea de reducir estos grados de libertad se puede proponer cierta estructura
a la ley de control. Además se ha encontrado en [Clarke y Morari, 1989] que estructurar
la ley de control produce una mejora en la robustez y en el comportamiento general
del sistema. Lo anterior se debe fundamentalmente a que el hecho de permitir la libre
evolución las variables manipuladas (sin estructurar) puede conducir a señales de control
de alta frecuencia no deseables y que en el peor de los casos podrı́an conducir a la
inestabilidad. Esta estructura a la ley control se plasma en el uso del concepto de
horizonte de control HC , que consiste en considerar que tras un cierto tiempo HC
(0 < HC < HP ) no hay variación en las señales de control propuestas, es decir:

∆u(k + i − 1|k) = 0 i > HC

2.3. Revisión de los principales algoritmos. 23

lo cual es equivalente a dar pesos infinitos a los cambios en el control a partir de HC .

El caso extremo serı́a considerar HC igual a 1 con lo que todas las señales de control
futuras serı́an igual a u(k|k) 2 .
Otra manera de estructurar la señal de control es mediante el uso de funciones base:
un procedimiento utilizado en el control predictivo funcional, que consiste en representar
la señal de control como una combinación lineal de ciertas funciones predeterminadas.

2.3. Revisión de los principales algoritmos

A continuación se presentan los principales algoritmos de control predictivo, mos-
trando de manera general sus principales caracterı́sticas. Se pueden encontrar estu-
dios comparativos de las diferentes técnicas en [Garcı́a et al., 1989], [Kramer, 1991],
[Keyser et al., 1989] y [Qin y Badgwell, 2003].

2.3.1. Control por matriz dinámica (DMC)

Este método desarrollado por [Cutler y Ramaker, 1980], usa la respuesta ante un
escalón (2.2) para modelar el proceso, considerando sólo los HP primeros términos, asu-
miendo por tanto que el proceso es estable. En cuanto a las perturbaciones, se considera
que su valor permanece constante e igual al existente en el instante actual durante todo
el horizonte, es decir, igual al valor medido de la salida ym menos el estimado por el
modelo ŷ(k + i|k).

n̂(k + i|k) = n̂(k|k) = ym (k) − ŷ(k|k)

y por lo tanto el valor predicho será:

i
X HP
X
ŷ(k + i|k) = gj ∆u(k + i − j) + gj ∆u(k + i − j) + n̂(k + i|k)
j=1 j=i+1

donde el primer término contiene las acciones de control futuras (que serán calculadas),
el segundo los valores pasados de las acciones de control (conocidas) y el último repre-
senta las perturbaciones. La función de costo puede considerar sólo errores futuros o
incluir también el esfuerzo de control.
Una de las caracterı́sticas de este método que lo ha hecho muy popular en la
industria es la inclusión de restricciones, que se traduce en inecuaciones de la forma
2
Recuerde que en el control predictivo: se calculan HP movimientos de control durante cada
instante de muestreo; se le envı́a al proceso sólo la primera de estas señales calculadas; y, debido al
concepto de horizonte deslizante, en el siguiente instante de muestreo de repite el cálculo con nueva
información.
24 Capı́tulo 2. Conceptos básicos del control predictivo.

genérica:
HP
X
r r
Cyj ŷ (k + i|k) + Cuj u (k + i − j|k) + cr ≤ 0 r = 1, ..., HC .
j=1

Donde:
Cyj Corresponde a la relación que existe entre j-ésima salida restingida y la
señal de control.
Cuj Corresponde a la relación que existe entre j-ésima entrada restingida y la
señal de control.
c Valor de la restricción.
En este caso la optimización debe ser numérica y se lleva a cabo en cada periodo
de muestreo, enviándose la señal u(k|k) y recalculando todo en el nuevo periodo de
muestreo, como en todos los métodos MPC. Los principales inconvenientes de este
método son el tamaño del modelo empleado y la imposibilidad de tratar procesos ines-
tables.

2.3.2. Control algorı́tmico de modelo (MAC)

Este método fue presentado por [Richalet et al., 1978]. Se conoce también como
control predictivo heurı́stico y el producto comercial se llama IDCOM3 (Identification-
Command). Es muy similar al DMC con la diferencia principal de usar un modelo de
respuesta al impulso (2.1). No utiliza el concepto de horizonte de control, por lo que
calcula todos los movimientos de control correspondientes al horizonte de predicción.
Introduce el concepto de trayectoria de referencia como un sistema de primer orden que
evoluciona desde la salida actual a la salida deseada según una determinada constante
de tiempo, utilizando la expresión (2.4). La varianza del error entre esta trayectoria y
la salida es lo que marca la minimización de la función objetivo.
Las perturbaciones se pueden tratar como en el método anterior o se pueden estimar
según la siguiente expresión:
n̂ (k + i|k) = αn̂ (k + i − 1|k) + (1 − α) [ym (k) − ŷ (k|k)]
con:
n̂(k|k) = 0
siendo ym el valor medido de la salida y α un parámetro ajustable (0 ≤ α < 1) rela-
cionado con el tiempo de respuesta, el ancho de banda y la robustez del sistema en lazo
cerrado.
El método también considera restricciones en los actuadores, en las variables in-
ternas o en salidas secundarias.
3
Fabricado por la companı́a Adersa.
2.3. Revisión de los principales algoritmos. 25

2.3.3. Control predictivo funcional (PFC)

Este controlador fue desarrollado por [Richalet et al., 1987] para procesos rápidos.
Emplea un modelo en espacio de estados, por lo que permite el manejo de procesos
inestables, y también la extensión al caso no lineal. Este esquema de control tiene dos
caracterı́sticas que lo distinguen del resto de controladores de la familia: el uso de puntos
de coincidencia y de funciones base.
El concepto de puntos de coincidencia (ver Figura 2.6) se emplea para simplificar
los cálculos considerando sólo un subconjunto de puntos en el horizonte de predicción.
La salida deseada y la predicha deben coincidir en dichos puntos, no en todo el horizonte
de predicción.

Figura 2.6: Puntos de coincidencia.

La otra idea innovadora de este método es la parametrización de la señal de con-

trol como una combinación lineal de ciertas funciones base, que son elegidas según la
naturaleza del proceso y la referencia:

nB
X
u (k + i|k) = µj (k) B (i)
j=1

Estas funciones se escogen de acuerdo a la naturaleza del proceso y normalmente son

de tipo polinómico: escalones (B1 (i) = 1), rampas (B2 (i) = i) o parábolas
(B3 (i) = i2 ), ya que la mayorı́a de referencias se pueden especificar como combinación
de estas funciones. Con esta estrategia, un perfil de entrada complejo se puede especi-
ficar usando un número pequeño (generalmente nB es del orden de 2 ó 3) de parámetros
desconocidos µj que son las incógnitas del problema de minimización. De esta manera,
el concepto de horizonte de control, no existe en esta formulación porque se reemplaza
por el número de funciones base utilizadas.
26 Capı́tulo 2. Conceptos básicos del control predictivo.

La función a minimizar es:

HP
X
J= [ŷ (k + hj |k) − w (k + hj |k)]2
j=1

donde hj corresponde a los puntos de coincidencia elegidos. Nótese que el número

de puntos de coincidencia, debe de ser, al menos igual al número de funciones base
utilizadas.

2.3.4. Control autosintonizado de predicción extendida

(EPSAC)

El algoritmo EPSAC usa un modelo de función de transferencia

A(q −1 )y(k) = B(q −1 )u(k − d) + v(k) (2.6)

donde d es el retardo y v(k) la perturbación a la salida. Este modelo puede am-

pliarse para tratar perturbaciones medibles d(k) añadiendo un término D(q −1 )d(k)
para incluir efecto de prealimentación. La predicción se obtiene según se muestra en
[Keyser et al., 1989] y la estructura de la ley de control es muy simple, ya que se con-
sidera que la señal de control permanecerá constante a partir del instante k (es decir,
horizonte de control igual a 1): ∆u(k + i|k) = 0 para i > 0. Para obtener la señal de
control se minimiza una función de costo de la forma:
HP
X
J= γ(i)[w(k + i|k) − P (q −1 )ŷ(k + i|k)]2
i=d

donde P (q −1 ) es un polinomio de diseño con ganancia unitaria y γ(i) es una secuencia

de ponderación similar a la de la ecuación (2.3). La señal de control se puede calcular
analı́ticamente de la forma:
PP
H
hi γ (i) [w (k + i|k) − P (q −1 ) ŷ (k + i|k)]
i=d
u (k|k) =
PP
H
γ (i)h2i
i=d

siendo hi los coeficientes de la respuesta al impulso del sistema.

2.3.5. Control adaptable de horizonte extendido (EHAC)

Esta formulación también emplea un modelo de función de transferencia (2.6) sin

tomar en cuenta las perturbaciones v(k) y pretende minimizar la diferencia entre la
2.3. Revisión de los principales algoritmos. 27

salida calculada y la referencia en el instante k + HP : ŷ(k + HP |k) − w(t + HP |k), con

HP ≥ d. La solución a este problema no es única (a menos que HP = d) [Ydstie, 1984];
una posible estrategia es considerar horizonte de control igual a 1:

∆u (k + i + 1|k) = 0 1 < i ≤ HP − d

o minimizar el esfuerzo de control

HX
P −d

J= u2 (k + i|k)
i=0

Este método utiliza un predictor de HP pasos de la forma

¡ ¢ ¡ ¢ ¡ ¢
ŷ (k + HP |k) = y (k) + F q −1 ∆y (k) + E q −1 B q −1 ∆u (k + HP − d|k)

donde E(q −1 ) y F (q −1 ) son polinomios que satisfacen la relación:

¡ ¢ ¡ ¢ ¡ ¢¡ ¢ ¡ ¢¡ ¢
1 − q −1 = A q −1 E q −1 1 − q −1 + q −HP F q −1 1 − q −1

con el grado de E igual a HP −1. Una ventaja de este método es que se puede encontrar
fácilmente una solución explı́cita, dada por:

α0 [w (k + HP |k) − ŷ (k + HP |k)]
u (k|k) = u (k − 1) + HPP −d
αj2
i=0

siendo αi el coeficiente correspondiente a ∆u(k + i|k) en la ecuación de predicción.

Por lo tanto, la ley de control depende sólo de los parámetros del proceso y puede
hacerse fácilmente adaptable si se emplea un identificador en lı́nea. El único coeficiente
de ajuste es el horizonte de predicción HP , lo cual simplifica el uso pero proporciona
poca libertad para el diseño. En este método no puede usarse trayectoria de referencia
porque el error se considera sólo en un instante (k + HP ), ni tampoco la ponderación
del esfuerzo de control.

2.3.6. Control predictivo generalizado (GPC)

El control predictivo generalizado fue desarrollado por [Clarke et al., 1987] y se ha

convertido en uno de los métodos más populares en el ámbito de control predictivo, sobre
todo en el mundo académico. Puede resolver muchos problemas de control diferentes
para un amplio campo de procesos con un número razonable de variables de diseño, que
son especificadas por el operador dependiendo de los conocimientos previos del proceso
y de los objetivos de control.
28 Capı́tulo 2. Conceptos básicos del control predictivo.

El GPC emplea un modelo CARIMA (Controlled Auto-Regressive Integrated Mo-

ving Average) para la predicción de la salida:
¡ ¢ ¡ ¢ ¡ ¢ e (k)
A q −1 y (k) = B q −1 q −d u (k − 1) + C q −1
1 − q −1

donde u(k) y y(k) son respectivamente la señal de control y salida del proceso y e(k) es
un ruido blanco de media cero. A, B y C son los siguientes polinomios en el operador
de desplazamiento hacia atrás q −1 :

A(q −1 ) = 1 + a1 q −1 + a2 q −2 + · · · + ana q −na

B(q −1 ) = b0 q −1 + b1 q −2 + · · · + bnb q −nb
C(q −1 ) = 1 + c1 q −1 + c2 q −2 + · · · + cnc q −nc

Como en la práctica es difı́cil encontrar el verdadero valor del polinomio C(q −1 ),

se puede emplear como parámetro de diseño para rechazo de perturbaciones o mejora
de la robustez.
La predicción óptima se lleva a cabo resolviendo una ecuación diofantina4 , lo
cual puede hacerse eficazmente de forma recursiva [Camacho, 2004]. Este algoritmo, al
igual que otros que usan el modelo de función de transferencia, se puede implementar
fácilmente en forma adaptable usando un algoritmo de identificación en lı́nea como los
mı́nimos cuadrados recursivos. El control predictivo generalizado usa una función de
costo cuadrática de la forma:
HP
X HC
X
2
J (H1 , HP , HC ) = δ (i) [ŷ (k + i|k) − w (k + i|k)] + λ (k) [∆u (k + i − 1|k)]2
i=H1 i=1

Las bases teóricas del algoritmo GPC han sido ampliamente estudiadas
[Clarke et al., 1987], [Clarke y Morari, 1989] y se puede demostrar que, para distin-
tos conjuntos de parámetros, el algoritmo es estable y que otros controladores, como el
control por establecimiento finito (“dead beat”), son casos incluidos en éste.

2.3.7. Control predictivo no lineal (NLMPC)

En general, los procesos industriales son no lineales, pero aún ası́, la mayorı́a de
aplicaciones del MPC están basadas en el uso de modelos lineales. Existen dos impor-
tantes razones para ello: por un lado, la identificación de un modelo lineal a partir de
datos de proceso es relativamente sencilla y por otro, los modelos lineales proporcio-
nan buenos resultados cuando la planta opera en las cercanı́as del punto de operación.
4
Una ecuación diofantina es aquella que tiene solamente coeficientes enteros, exponentes enteros y
cuyas soluciones son también números enteros.
2.3. Revisión de los principales algoritmos. 29

Además, el uso de un modelo lineal junto con una función de costo cuadrática da lu-
gar a un problema convexo haciendo uso de la programación cuadrática (Quadratic
Programming, QP), cuya solución está bien estudiada y existen numerosos productos
comerciales disponibles.
Sin embargo, la respuesta dinámica de los controladores lineales que resultan es
inaceptable cuando se aplican a procesos que son no lineales con distinto grado de
severidad. Aunque el número de aplicaciones de control predictivo no lineal es aún
limitada [Qin y Badgwell, 2003], su potencial es realmente grande y acabarı́a abriéndose
camino en aquellas áreas donde las no-linealidades son severas y la demanda de mercado
exige frecuentes cambios en el punto de operación.
El desarrollo de modelos no lineales adecuados puede ser una tarea muy complicada
y en general no existe una forma claramente apropiada para representar este tipo de
sistemas.
Hay tres tipos de modelos que se usan en las formulaciones de modelos no lineales:

• Modelos empı́ricos, que se obtienen de datos reales y pueden tomar la forma de

modelos de entrada-salida (tales como NARX, modelos de Volterra, Hammerstein
o bilineales y redes neuronales) o modelos no lineales en el espacio de estados.

• Modelos fundamentales, que provienen de ecuaciones de balance, también llamados

de primeros principios. Las ecuaciones se obtienen por el conocimiento del proceso,
aplicando ecuaciones de balance de masa, energı́a o momento. En este caso, la
predicción se hace como una simulación de las ecuaciones no lineales que describen
la dinámica del proceso. Para procesos industriales complejos, este tipo de modelos
es difı́cil y costoso de construir, ya que se necesita un conocimiento experto del
proceso.

• Modelos de caja gris, que se desarrollan combinando los enfoques empı́rico y fun-
damental, haciendo uso de las ventajas de cada tipo de modelo. En este enfoque
hı́brido, la información de los modelos fundamentales se ve enriquecida con datos
empı́ricos.

El otro asunto crucial en NLMPC es la solución del problema. Requiere la con-

sideración (y al menos la resolución parcial) de un problema no lineal no convexo
(programación no lineal, NLP) que da lugar a una serie de dificultades computacionales
relacionadas con el costo y la habilidad de la resolución del problema de optimización
en lı́nea. Esta pérdida de convexidad hace que sea mucho más difı́cil encontrar una
solución y que, una vez encontrada, no se pueda garantizar que sea un óptimo global.
Normalmente el problema se resuelve haciendo uso de la Programación Cuadrática
Secuencial (Sequential Quadratic Programming, SQP), que son extensiones de métodos
30 Capı́tulo 2. Conceptos básicos del control predictivo.

de tipo Newton5 para lograr la convergencia a las condiciones de Karush-Kuhn-Tucker 6

(KKT) del problema de optimización. El método debe garantizar convergencia rápida
y debe tratar problemas de mal acondicionamiento y no linealidades extremas. SQP
es una técnica iterativa en la cual la solución en cada paso se obtiene mediante la
resolución de una aproximación al problema no lineal en la que el objetivo es sustituido
por una aproximación cuadrática y las restricciones no lineales por aproximaciones que
sı́ lo son.
La solución exacta del problema de optimización en cada instante de muestreo
es una tarea ardua. Por ello, en los últimos años ha aparecido una serie de formu-
laciones que pretenden evitar los problemas asociados a la optimización no convexa.
Estas formulaciones deben abordar la estabilidad y la factibilidad de la solución que
debe calcularse durante el periodo de muestreo.
Una revisión de las técnicas existentes se puede encontrar en [Camacho, 2004],
donde se describen formulaciones como MPC lineal extendido, modelos locales, NLMPC
subóptimo, uso de horizontes cortos, descomposición de la secuencia de control, lineali-
zación por retroalimentación, MPC basado en modelos de Volterra o NLMPC con redes
neuronales.

2.4. Conclusiones
En este capı́tulo se presentaron nociones básicas del control predictivo basado en
modelo. Se puede observar que la estrategia general de estos controladores es muy sen-
cilla de entender y están claramente definidos sus 3 elementos básicos: el modelo de
predicción, la función objetivo y la obtención de la ley de control. Estas nociones son
necesarias para estudiar la estructura de las diferentes implementaciones de contro-
ladores predictivos.
Aunado a lo anterior se presentó un resumen general de las principales técnicas
de varios tipos de controladores predictivos con el objetivo de mostrar la diversidad de
éstos en la literatura. Y, expuestas sus ventajas y desventajas no se elige una técnica
de control predictivo pura, sino una combinación de ellas. Para el modelo de predicción
se usa la representación en espacio de estados, la función objetivo es la del control
predictivo generalizado (2.3), y en la obtención de la ley de control se utiliza el concepto
de horizonte de control para la estructuración de la señal de control. La formulación
matemática completa del controlador será desarrollada en el próximo capı́tulo, para su
posterior aplicación en un proceso de destilación.

5
Métodos de solución para problemas de programación cuadrática, para mayor información ver
[Fletcher, 1980].
6
Las condiciones de Karush-Kuhn-Tucker, son condiciones necesarias y suficientes que aseguran la
optimalidad global de la solución de un problema de programación cuadrática.
Capı́tulo 3

El control predictivo multivariable

En este capı́tulo se desarrolla el algoritmo de control predictivo propuesto en esta

tesis para resolver los problemas de control. El objetivo del desarrollo de este algoritmo
es que es capaz de controlar sistemas formulados en espacio de estados y por ello
fácilmente extendible al caso multivariable.
En la Sección 3.1 se expone brevemente la razón principal del uso de un controlador
multivariable. En la Sección 3.2 se desarrolla la predicción de estados, de salidas y el
cálculo de la señal de control para el caso sin restricciones. Debido a que no en todos
los procesos se tiene el vector de estados completamente disponible, en la Sección 3.3
se muestra la manera en que se hará la estimación de estados para el control. En la
Sección 3.4 se dan algunas alternativas a la elección del vector de estados utilizadas en
otros algoritmos. En la Sección 3.5 se presenta la manera de incorporar restricciones al
cálculo de la señal de control. En la Sección 3.6 se integra el algoritmo en un programa
y se hacen algunas pruebas en simulación para comprobar su comportamiento. Para
finalizar, en la Sección 3.7 se dan las conclusiones del capı́tulo.

3.1. El control multivariable

La mayorı́a de las plantas industriales tienen diversas variables para ser contro-
ladas (salidas) y diversas variables para ser manipuladas (entradas). En ciertos casos el
cambio en una de las variables manipuladas afecta únicamente la variable controlada
correspondiente y cada uno de los pares de entrada-salida se puede considerar como una
sola planta de una entrada y una salida (“single input, single output”, SISO) y de esta
forma se puede controlar por lazos independientes. En muchos casos cuando alguna de
éstas variables manipuladas cambia de valor, no solamente afecta a la correspondiente
variable controlada sino también afecta a otra u otras variables controladas. Estas in-
teracciones entre las variables del proceso llevan a un bajo rendimiento del control del

31
32 Capı́tulo 3. El control predictivo multivariable.

proceso e incluso a la inestabilidad. Cuando éstas interacciones entre variables no se

pueden evitar, la planta, debe de considerarse como un proceso de múltiples entradas
y múltiples salidas (“multiple input, multiple output”, MIMO) en vez de un conjunto
de procesos SISO.
El control de procesos multivariables ha sido ampliamente tratado en la literatura;
y el modo más popular de controlar un sistema de este tipo es mediante el diseño de
compensadores que desacoplen las variables para suprimir las interacciones entre ellas
y posteriormente diseñar múltiples controladores monovariables. Para esto, primero se
requiere relacionar las variables de entradas y salidas, esto es, determinar cual variable
de entrada estará asociada a cierta variable de salida y además de que la planta debe
de tener el mismo número de entradas que de salidas. El desacoplo total es difı́cil de
lograr para procesos con dinámica compleja o con tiempos muertos.
Una de las ventajas del control predictivo formulado en espacio de estados es que los
procesos multivariables pueden ser tratados fácilmente, al ser el controlador extendible
al caso multivariable de forma directa.

3.2. Formulación del MPC en espacio de estados

La formulación del control predictivo se hace en base a la elección de un modelo,
como se vió anteriormente. Varios modelos pueden ser usados: modelos de convolución,
de función de transferencia o modelos en espacio de estados.
La formulación del MPC en el espacio de estados es una metodologı́a unificada
para entender y generalizar los algoritmos de MPC. Esta formulación permite hacer
un estudio sistemático de las propiedades de los sistemas en el lazo cerrado desde el
punto de vista del control óptimo. Además, el MPC formulado en espacio de estados se
puede extender al caso no lineal. Basta con cambiar a modelos no lineales en espacio de
estados. En este trabajo, se presenta la formulación del control predictivo en espacio de
estados como se muestra en [Maciejowsky, 2002]. Además que esta formulación puede
ser usada tanto para problemas monovariables como multivariables.
Considere el sistema discreto sin perturbaciones ni errores de medición:

x (k + 1) = Ax (k) + Bu (k) (3.1)

y (k) = Cx (k) (3.2)

donde x(k) es el vector de estados y en el caso monovariable y(k), u(k) ∈ R. Un pro-

ceso multivariable tiene la misma descripción pero con u(k) ∈ Rm y y(k) ∈ Rn . Por
simplicidad en la notación sólo se considera el primer caso, la extensión al caso MIMO
es directa.
Para predecir la evolución de los estados en los siguientes HP instantes de muestreo
3.2. Formulación del MPC en espacio de estados. 33

(horizonte de predicción), se considera el vector de estados completamente medible, por

lo que sólo se necesita iterar sobre la ecuación de estado (3.1):
x̂ (k + 1|k) =Ax (k) + Bu (k|k) (3.3)
x̂ (k + 2|k) =Ax̂ (k + 1|k) + Bu (k + 1|k) (3.4)
=A2 x (k) + ABu (k|k) + Bu (k + 1|k) (3.5)
..
.
x̂ (k + HP |k) =Ax̂ (k + HP − 1|k) + Bu (k + HP − 1|k) (3.6)
HP HP −1
=A x (k) + A Bu (k|k) + . . . + Bu (k + HP − 1|k) (3.7)
En la primera lı́nea se utilizó u (k|k) en lugar de u (k), esto por que en el momento en
el que se necesite calcular las predicciones de los estados se desconoce cual será la u(k).
También se utilizará el concepto: “horizonte de control HC ”, lo que significa que la
entrada solamente cambia en los tiempos: k, k + 1, ..., k + HC − 1. Por lo que se tiene
u (k + i|k) = u (k + HC − 1|k)
para
HC ≤ i ≤ HP − 1.

De igual forma se sabe que:

∆u (k + i|k) = u (k + i|k) − u (k + i − 1|k)
y para cada tiempo k se conoce u(k − 1), por lo que:
u (k|k) =∆u (k|k) + u (k − 1)
u (k + 1|k) =∆u (k + 1|k) + ∆u (k|k) + u (k − 1)
..
.
u (k + HC − 1|k) =∆u (k + HC − 1|k) + . . . + ∆u (k|k) + u (k − 1)
Y por lo tanto sustituyendo en la predicción de estados:
x̂ (k + 1|k) =Ax (k) + B [∆u (k|k) + u (k − 1)]
x̂ (k + 2|k) =A2 x (k) + AB [∆u (k|k) + u (k − 1)]
+ B [∆u (k + 1|k) + ∆u (k|k) + u (k − 1)]
| {z }
û(k+1|k)
2
=A x (k) + (A + I) B∆u (k|k) + B∆u (k + 1|k)
+ (A + I) Bu (k − 1)
..
.
¡ ¢
x̂ (k + HC |k) =AHC x (k) + AHC −1 + . . . + A + I B∆u (k|k)
¡ ¢
. . . + B∆u (k + HC − 1|k) + AHC −1 + . . . + A + I Bu (k − 1)
34 Capı́tulo 3. El control predictivo multivariable.

¡ ¢
x̂ (k + HC + 1|k) =AHC +1 x (k) + AHC + . . . + A + I B∆u (k|k)
. . . + (A + I)B∆u(k + HC − 1|k)
+ (AHC + . . . + A + I)Bu(k − 1)
..
.
¡ ¢
x̂ (k + HP |k) =AHP x (k) + AHP −1 + . . . + A + I B∆u (k|k)
¡ ¢
. . . + AHP −HC + . . . + A + I B∆u (k + HC − 1|k)
¡ ¢
+ AHP −1 + . . . + A + I Bu (k − 1)

Finalmente escribiendo de forma matricial:

     
x̂ (k + 1|k) A B
 ..   ..   .. 
 .   .   . 
     P HC −1 i 
 x̂ (k + HC |k)   AHC   i=0 AB 
      u (k − 1)
 x̂ (k + HC + 1|k)  =  AHC +1  x (k) +  PHC Ai B 
     i=0 
 ..   ..   .. 
 .   .   . 
HP
P HP −1 i
x̂ (k + HP |k) A i=0 A B
| {z }
P asado
 
B ··· 0
 .. .. .. 
 . . .  
  ∆u (k|k)
 PHC −1 i .. 
 AB . B  .. 
+ Pi=0
HC  .  (3.8)
 i
i=0 A B ··· AB + B 
  ∆u (k + HC − 1|k)
 .. .. .. 
 . . . 
PHP −1 i PHP −HC i
i=0 A B ··· i=0 AB
| {z }
F uturo

Por último el cálculo de las salidas predichas, están dadas por:

ŷ (k + 1|k) =C x̂ (k + 1|k) (3.9)

ŷ (k + 2|k) =C x̂ (k + 2|k) (3.10)
..
.
ŷ (k + HP |k) =C x̂ (k + HP |k) (3.11)

De forma matricial:
    
ŷ (k + 1|k) C 0 ··· 0 x̂ (k + 1|k)
 ŷ (k + 2|k)   0 C ··· 0  x̂ (k + 2|k) 
    
 .. = .. .. . . .  ..  (3.12)
 .   . . . ..  . 
ŷ (k + HP |k) 0 0 ··· C x̂ (k + HP |k)
3.2. Formulación del MPC en espacio de estados. 35

Esta ecuación de salida también se puede descomponer en una parte que dependa de
los estados actuales x(k) y la señal de control anterior u(k − 1), y otra que dependa de
los incrementos futuros de la señal de control ∆u(k + i|k). Combinando las ecuaciones
(3.8) y (3.12). Esto es:
ŷHP = FHP + GHP C ∆uHC (3.13)
donde:
 
ŷ (k + H1 |k)
 .. 
ŷHP = . 
ŷ (k + HP |k)

FHP = Ψx (k) + Υu (k − 1)
   
CA CB
 ..   .. 
 .   . 
   PHC −1 
 CAHC   i=0 CAi B 
=  
 CAHC +1  x (k) +  PHC CAi B
 u (k − 1)

   i=0 
 ..   .. 
 .   . 
HP
PHP −1 i
CA i=0 CA B

 
CB ··· 0
 .. .. .. 
 . . . 
 
 PHC −1 ... 
GHP C

=  Pi=0 CAi B CB 
H 
 i=0 CA B
C i
··· CAB + CB 
 
 .. .. .. 
 . . . 
PHP −1 i
PHP −HC
i=0 CA B · · · i=0 CAi B

 
∆u (k|k)
 .. 
∆uHC =  . 
∆u (k + HC − 1|k)

La señal de control óptima se calcula minimizando una función de costo a lo largo

de un horizonte de predicción. La formulación de la función de costo se puede hacer
de muchas maneras, pero generalmente se define un ı́ndice cuadrático. El objetivo es
minimizar el error entre la salida predicha ŷ(k + i|k) y la trayectoria de referencia
w(k + i|k) durante un horizonte de predicción. La formulación general de esta función
de costo se basa en la distancia entre la trayectoria de referencia futura y la salida
36 Capı́tulo 3. El control predictivo multivariable.

predicha del proceso y una penalización al esfuerzo de control:

HP
X HC
X
2
J= [w (k + i|k) − ŷ (k + i|k)] + λ [∆u (k + i − 1|k)]2 (3.14)
i=H1 i=1

Donde:
H1 y HP son los lı́mites en el horizonte de predicción (se toma H1 = 1).
HC es el horizonte de control.
λ es el factor de peso de los incrementos de señal de control.
La trayectoria de referencia w(k + i|k), es la respuesta deseada en lazo cerrado del
sistema y tiene que ser considerado en la sintonı́a del controlador. La construcción de
esta señal está basada en un modelo de referencia, el cual puede ser de cualquier orden;
esto depende de las necesidades del control de proceso. Cabe mencionar que a medida
que el orden sea mayor, el número de cálculos aumentará.
Los criterios para determinar qué modelo usar son: tiempo de respuesta, no sobrepa-
so, etc. Su naturaleza es generalmente diferente del modelo del proceso. Por facilidad
de cálculo, el modelo que se utiliza es de primer orden, dejando abierta la opción de
usar modelos de orden mayor:

w (k + i|k) = s (k + i|k) − αi [s (k) − y (k)] 1 ≤ i ≤ HP (3.15)

Donde:
s(k) Es la señal de salida del proceso deseada.
y(k) Es la salida actual del proceso.
α Determina la suavidad de aproximación de la señal de salida actual a la
salida deseada, por lo general es una constante (0 ≤ α ≤ 1).
Definiendo:
 
w (k + 1|k)
 .. 
w= . 
w (k + HP |k)

la función de costo (3.14) puede ser reescrita en términos de (3.13) de la siguiente

manera:

J = (GHP C ∆uHC + FHP − w)T (GHP C ∆uHC + FHP − w) + ∆uTHC λ∆uHC (3.16)

Derivando esta expresión con respecto a ∆uHC e igualando a cero, podemos obtener
los incrementos óptimos de la señal de control a lo largo de HC :
δJ
=0
δ∆uHC
3.3. Estimación de estados. 37

(GHP C ∆uopt + FHP − w)T GHP C + ∆uTopt λI = 0

Finalmente la expresión de los incrementos óptimos en señal de control está dado

por:
¡ ¢−1
∆uopt = GTHP C GHP C + λI GHP C (w − FHP ) (3.17)

Como se usa una estrategia de control deslizante, sólo se envı́a el primer elemento de la
secuencia ∆uopt , y se vuelven a repetir los cálculos en el siguiente perı́odo de muestreo.
Nótese que en caso de no tener el vector de estados completamente medible, se requerirı́a
de un observador.
La estructura de este controlador puede ser representado como se muestra en las
Figuras 3.1 y 3.2 donde se muestran los casos del vector de estados completamente
medible y con el uso del observador de estados respectivamente. El bloque KM P C
está definido por:

KM P C = [I 0 0 . . . 0] (GTHP C GHP C + λI)−1 GHP C

Para el caso multivariable en donde se tiene una planta con m entradas, l estados
y n salidas controladas las dimensiones de las matrices y vectores involucrados en el
cálculo de la ley de control se resumen en la Tabla 3.1.

3.3. Estimación de estados

El algoritmo para obtener la señal de control óptima en cada tiempo de muestreo,
considera el vector de estados x(k) completamente medible. Dado que éste no siempre
es el caso, se requiere en ocasiones estimar el estado1 . Para este propósito, se utilizará el
filtro de Kalman:

x̃(k + 1) = Ax̃(k) + Bu(k) + K(y(k) − C x̃(k)) (3.18)

donde x̃ es el estado estimado, y A, B y C las matrices del sistema, de entrada y salida

respectivamente. Si se asumen las matrices de covarianza de los estados (W ) y del ruido
a la salida (V ) conocidos; la matriz de ganancia K puede ser obtenida resolviendo la
ecuación algebraica de Riccati [Åstrom y Wittenmark, 1990]:

K = (B T SB + V )−1 B T SA

donde S satisfase la ecuación:

AT SA − S − AT SB(B T SB + V )−1 B T SA + W = 0.
1
Estimar se refire al hecho de calcular el valor del estado en el tiempo actual, mientras que, predecir
es calcular como evolucionará el estado en instantes futuros.
38 Capı́tulo 3. El control predictivo multivariable.

w(k) (k) u(k|k) u(k) y(k) = x(k)

Z
KMPC Planta
Z-1

u(k-1)
Z -1

Figura 3.1: Estructura del control MPC en espacio de estados.

w(k) (k) u(k|k) Z u(k) y(k)

KMPC Planta
Z-1

u(k-1)
Z -1

~
x(k|k)
Observador

Figura 3.2: Estructura del control MPC en espacio de estados con observador.

Tabla 3.1: Dimensiones de las matrices y vectores involucrados en el cálculo de u(k)

Matriz Dimensiones
λI mHC × mHC
Ψ n(HP − H1 + 1) × l
Υ n(HP − H1 + 1) × m
GHP C n(HP − H1 + 1) × mHC
(w − FHP ) n(HP − H1 + 1) × 1
T
(GHP C GHP C + λI) mHC × mHC
T
GHP C (w − FHP ) mHC × 1
3.4. Alternativas del vector de estados. 39

3.4. Alternativas del vector de estados

Como es usual, el modelo de la planta: ecuaciones (3.1) y (3.2), expresa a los
estados x de la planta en términos de la entrada u, sin embargo la función de costo
(3.14) penaliza los incrementos de la señal de control (∆u) en vez de los valores de la
señal de control (u) por sı́ mismos e incluso el controlador MPC calcula incrementos de
la señal de control y no la señal propiamente. Es por ello que en ocasiones es conveniente
redefinir el vector de estados. Una manera de hacer esto es:
· ¸
x(k)
ξ= (3.19)
u(k − 1)

lo cual nos lleva a un modelo incremental de la planta:

· ¸ · ¸· ¸ · ¸
x(k + 1) A B x(k) B
= + ∆u(k)
u(k) 0 I u(k − 1) I
· ¸
£ ¤ x(k + 1)
y(k) = C 0
u(k)

Otra forma menos obvia de definir el estado es:

 
∆x(k)
ξ =  y(k)  (3.20)
z(k)

donde ∆x(k) = x(k) − x(k − 1), y(k) son las salidas del sistema y z(k) corresponde a
las salidas controladas, puesto que se considera que no todas las variables de salida son
variables controladas. De la ecuación (3.1) tenemos:

x (k + 1) = Ax (k) + Bu (k)
x (k) = Ax (k − 1) + Bu(k − 1)
∆x (k + 1) = A∆x (k) + B∆u (k)

Por lo que tenemos la representación:

      
∆x(k + 1) A 0 0 ∆x(k) B
 y(k + 1)  =  Cy A I 0   y(k)  +  Cy B  ∆u(k)
z(k + 1) Cz A 0 I z(k) Cz B
 
· ¸ ∆x(k)
0 I 0 
y(k) = y(k) 
0 0 I
z(k)

A partir de estas nuevas representaciones es posible hacer un procedimiento similar

que el presentado en la Sección 3.2 y encontrar una nueva ley de control equivalente a
40 Capı́tulo 3. El control predictivo multivariable.

la que se muestra en la ecuación (3.17). Ambas representaciones han sido utilizadas en

la literatura de MPC, la primera representación (3.19) fue utilizada en la formulación
del PFC2 [Richalet, 1992], mientras que la segunda representación (3.20) fue propuesta
por [Morari y Ricker, 1998] y es la que actualmente utiliza el Model Predictive Control
Toolbox r de Matlabr .

3.5. Restricciones
En los puntos anteriores, el problema de control fue formulado considerando que
todas las señales en el proceso tienen un rango ilimitado, sin embargo en la práctica
todos los procesos están sujetos a restricciones. Los actuadores tienen un campo limitado
de acción ası́ como una determinada velocidad de cambio (slew rate), como es el caso
de las válvulas, limitadas por las posiciones de totalmente abierta o cerrada y por
la velocidad de su respuesta. Razones constructivas, de seguridad o medioambientales
o bien los propios alcances de los sensores pueden causar lı́mites en las variables de
proceso, tales como niveles en depósitos, flujo en tuberı́as o temperaturas y presiones
máximas. Considere la Figura 3.3 donde se ilustra el punto de operación usual de un
proceso cuando es controlado por una técnica de control convencional (como lo pudiera
ser un PI). El proceso trabaja dentro de una región de confort para el operador. Esto
para evitar violar alguna de las restricciones marcadas para el proceso. Sin embargo,
el punto de operación, no es el punto en donde se pueden obtener los máximos bene-
ficios económicos, ya que este punto se ubica cerca de las restricciones. Para operar
en este punto sin peligro de violar alguna restricción, el sistema de control, tiene que
“anticiparse” a las violaciones de las restricciones, y corregirlas de manera apropiada.
En la práctica, la forma más común de manejar esto es calculando la señal de
control u(k) sin tomar en cuenta las restricciones. Si u(k) viola la restricción, se satura
a sus lı́mites, ya sea por el programa de control o por el mismo actuador. La capacidad
de predecir es una de las grandes ventajas del control predictivo y no se utiliza a todo
su potencial con esta manera de operar, además que no se garantiza que se obtendrá la
señal óptima u(k) cuando se violen las restricciones.
Las restricciones de un proceso pueden originar, lı́mites en la señal de control
(Umin ,Umax ), limites en el slew rate en el actuador (∆umin ,∆umax ) y lı́mites en las
señales de salida (ymin ,ymax ), y pueden ser descritas respectivamente por:

Umin ≤ u (k) ≤ Umax

∆umin ≤ u (k) − u (k − 1) ≤ ∆umax (3.21)
ymin ≤ y (k) ≤ ymax

2
PFC, por sus siglas en inglés: Control Predictivo Funcional. Ver página 25.
3.5. Restricciones. 41

Región
operativa
aceptable Óptimo económico
Aperturas de las válvulas

Beneficios
Flujos de líquidos
Presión obtenidos

Región de confort
para el operador

Agua de
enfriamiento Punto de Niveles
operación usual
(No óptimo)
Máximas temperaturas

Figura 3.3: Punto de control óptimo en un proceso.

3.5.1. Restricciones en el control predictivo

Parece lógico que al disponer de un modelo dinámico del proceso se pueda conocer
la evolución futura de su salida y por tanto se pueda saber si ésta va a violar o no las
restricciones y poder actuar en consecuencia.
Para formular el algoritmo MPC con restricciones hay que expresar éstas en función
de la variable sobre la que se puede actuar, es decir, en función de u. Las restricciones
en la entrada están ya expresadas en función de u y para las restricciones en la salida
se hace uso de las ecuaciones de predicción que expresan el valor futuro de las salidas
en función de las señales de control futuras y valores conocidos en el instante k.
El controlador calcula la predicción como lo expresa la ecuación (3.13), por lo que
tanto entradas como salidas se pueden expresar en función del vector de incrementos
de la señal de control, ası́ para un proceso de m entradas, n salidas y restricciones en
los horizontes HP y HC , las restricciones de las inecuaciones (3.21) se pueden expresar
como:
1m Umin ≤ T∆uHC + 1m u(k − 1) ≤ 1m Umax
1m ∆umin ≤ ∆uHC ≤ 1m ∆umax (3.22)
1n ymin ≤ FHP + GHP C ∆uHC ≤ 1n ymax

donde 1m es una matriz de dimensión (HC ×m)×m formada por HC matrices identidad
de m×m; 1n es una matriz de dimensión (HP ×n)×n formada por HP matrices identidad
de n × n; y T es una matriz de dimensión HC × HC , con forma triangular inferior por
42 Capı́tulo 3. El control predictivo multivariable.

bloques cuyos elementos no nulos son matrices identidad de m × m. Es decir:

     
Im×m In×n Im×m 0 ··· 0
 Im×m   In×n   .. 
     Im×m Im×m . 
1m =  .  ; 1n =  .  ; T=  . .


.
 .  .
 .   .. .. 
0
Im×m In×n Im×m · · · Im×m

Las restricciones, en forma condensada se pueden expresar como:

Ru ≤ c (3.23)

siendo:
   
IHC ×HC 1m ∆umax
 −IHC ×HC   1m ∆umin 
   
   
 T   1m Umax − 1m u(k − 1) 
R= ; u = ∆uHC ; c= 
 −T   −1m Umin + 1m u(k − 1) 
   
 GHP C   1n ymax − FHP 
−GHP C −1n ymin + FHP

Aparte de las restricciones en amplitud, a la salida se le pueden aplicar otro tipo de

restricciones para forzar un determinado comportamiento temporal (movimiento dentro
de una banda, comportamiento monótono, evitar respuesta inicial inversa, etc.) como se
muestra en [Camacho, 2004], pudiendo expresarlas también de la forma genérica (3.23).

3.5.2. Solución del problema

Con la adición de restricciones el problema general de control predictivo cambia.

Se puede formular ahora como:
1
min J(u) = min uT Hu + fT u + b (3.24)
u u 2

sujeto a Ru ≤ c (3.25)

con:
¡ ¢
H = 2 GTHP C GHP C + λI
fT = 2 (FHP − w)T GHP C
b = (FHP − w)T (FHP − w)

Por lo que la solución se convierte en un problema de optimización con una función

objetivo cuadrática y restricciones lineales, es decir se requiere la solución de un proble-
ma de programación cuadrática (QP). Como se sabe que el Hessiano3 de J(u) es una
3
El Hessiano o discriminante de una función es la doble derivada de dicha función.
3.5. Restricciones. 43

matriz definida positiva (H > 0), este problema es convexo, tiene solución y existen
métodos suficientemente probados, como lo es el método de conjuntos activos que se
describe a continuación.

Conjuntos activos

El método de solución utilizado para la resolución del problema de programación

cuadrática en esta tesis es un método iterativo de optimización llamado: conjuntos
activos [Fletcher, 1980].
En esta sección se considerará el problema general de programación cuadrática4 :
1
min J(θ) = min θT Φθ+φT θ (Φ = ΦT ≥ 0) (3.26)
θ θ 2
sujeto a Hθ = h (3.27)
Ωθ ≤ ω (3.28)

Como resultado de que el problema es convexo (Φ = ΦT ≥ 0) las condiciones

necesarias y suficientes para que θ sea el óptimo global, están dadas por las condiciones
de Karush-Kun-Tucker : deben existir vectores (multiplicadores Lagrangianos) λ ≥ 0 y
ζ, ası́ como un vector τ ≥ 0, tal que

Φθ + H T ζ + ΩT λ = −φ (3.29)
−Hθ = −h (3.30)
−Ωθ − τ = −w (3.31)
T
τ λ=0 (3.32)

El método de conjuntos activos asume un punto inicial en la variable de decisión θ

que cumpla con las restricciones. Para tal solución, las restricciones de igualdad (3.27)
por supuesto se cumplen y un subconjunto de restricciones de desigualdad (3.28) están
activas5 . Este subconjunto de restricciones se llama conjunto activo. Es posible que
este subconjunto esté vacı́o si ninguna de las restricciones se encuentra activa en el
punto factible. Se usa el sufijo a para denotar las filas de (3.28) que se encuentran en
el conjunto activo, por lo que
Ω a θ = ωa

Suponga que en la r-ésima iteración se tiene una solución factible θr . El método de

conjunto activo encuentra una posible solución en θr +∆θ la cual minimiza la función de
4
Note que este problema es el mismo problema que el presentado en las ecuaciónes (3.24) y (3.25).
Solamente se cambian las variables (u = θ, H = Φ, fT = θ, R = Ω, c = w) y se aumenta una restricción
de igualdad (3.27) para tratar el problema general de programación cuadrática.
5
La restricción está activa si la posible solución se encuentra en la restricción.
44 Capı́tulo 3. El control predictivo multivariable.

costo (3.26) que cumple con las restricciones de igualdad Hθ = h y Ωa θ = ωa , sin tomar
en cuenta las restricciones de desigualdad que no están activas. Si la solución es factible,
esto es si Ω(θr + ∆θ) ≤ ω, entonces se acepta la siguiente iteración θr+1 = θr + ∆θ. Si no
es factible, entonces se hace una búsqueda en la dirección de ∆θ para encontrar donde
se perdió la factibilidad (donde alguna restricción se volvió activa). La solución en este
punto se acepta como la siguiente iteración θr+1 = θr + αr ∆θ, donde 0 ≤ αr ≤ 1, y una
nueva restricción activa se suma al conjunto activo.
Solamente falta saber cuando se tiene una solución global del problema de progra-
mación o cuando se puede tener otra respuesta que reduzca J(θ). Esta decisión puede ser
tomada verificando si las condiciones de Karush-Kun-Tucker (3.29)-(3.32) se cumplen
en θr+1 . Note que la condición complementaria (3.32) implica que los elementos de λ
correspondientes a las restricciones inactivas son cero, ya que los elementos de τ son
positivos. Ası́, sólo los elementos de λ correspondientes a las restricciones activas nece-
sitan ser evaluados; si λ ≥ 0 la solución global ha sido encontrada, si no, se requiere
de otra iteración. Suponga que λq < 0. Ya que λq es un multiplicador Lagrangiano co-
rrespondiente a la q-ésima restricción de desigualdad activa (por suposición), su valor
negativo indica que la función de costo puede ser reducida haciendo esta restricción
inactiva, por lo que la q-ésima restricción se remueve del conjunto activo (si más de un
elemento de λ es negativo, entonces solamente se remueve la correspondiente restricción
más negativa).
Nótese que J(θr+1 ) < J(θr ) por lo que el proceso de iteración garantiza llegar
al óptimo global, debido a la convexidad del problema. Una ventaja del método de
conjuntos activos sobre otros métodos de solución en el control predictivo es que las
iteraciones permanecen factibles una vez que la solución factible inicial se haya encon-
trado. En muchos problemas de control predictivo la factibilidad es más importante que
el hecho que la solución sea óptima.
Ahora se considera con más detalle la minimización de la función de costo en la
r-ésima iteración. La nueva función de costo es
1
J (θr + ∆θ) = (θr + ∆θ)T Φ(θr + ∆θ) + φT (θr + ∆θ) (3.33)
2
1
= J(θr ) + ∆θT Φ∆θ + (φT + θrT Φ)∆θ (3.34)
2
Por lo que el problema de minimización a resolver se puede escribir como
1
min J(∆θ) = min ∆θT Φ∆θ + φTr ∆θ (3.35)
∆θ ∆θ 2

sujeto a H∆θ = 0 (3.36)

Ωa ∆θ = 0 (3.37)
donde φr = φ + Φθr . Este es un problema convexo de programación cuadrática pero
ahora solamente con restricciones lineales. Se resuelve mediante el método de multi-
plicadores Lagrangianos — esto es, usando las condiciones de Karush-Kun-Tucker —
3.5. Restricciones. 45

pero como sólo hay restricciones lineales únicamente se necesitan (3.29) y (3.30). Sin
embargo es conveniente separar el vector ζ en aquellas restricciones correspondientes
a H∆θ = 0 y a las correspondientes a Ωa ∆θ = 0. A las que se llamarán ∆ζ y ∆λ
respectivamente. Por lo que las condiciones Karush-Kun-Tucker son que deben existir
vectores ∆ζ y ∆λ tal que

Φ∆θ + H T ∆ζ + ΩTa ∆λ = −φr (3.38)

−H∆θ = 0 (3.39)
−Ωa ∆θ = 0 (3.40)

Las cuales se pueden poner de forma matricial

    
Φ H T ΩTa ∆θ −φr
 H 0 0   ∆ζ  =  0 
Ωa 0 0 ∆λ 0

y puede ser resuelta por una versión de la eliminación Gausiana, la cual involucra la
factorización de la matriz del lado izquierdo en el producto de una matriz triangular
inferior L y una matriz triangular superior U :
 
Φ H T ΩTa
 H 0 0  = LU
Ωa 0 0

Obteniéndose la factorización, la solución de la minimización de J (∆θ) se obtiene rápi-

damente ya que se requiere la solución (para η) de
 
−φr
Lη =  0 
0

seguido por la solución de

 
∆θ
U  ∆ζ  = η
∆λ

obteniéndose el valor buscado de ∆θ.

Punto inicial factible

Para iniciar el algoritmo se requiere un punto inicial que cumpla con la restric-
ciones (3.27) y (3.28), claro, este punto no es único. El punto es fácilmente encontrado
haciéndolo igual a la última señal de control aplicada al proceso u(k + i) = u(k − 1),
46 Capı́tulo 3. El control predictivo multivariable.

suponiendo de que u(k − 1) se encuentre en una región permitida. Sin embargo, éste
no es un buen punto inicial sobre todo si la salida deseada cambia en el instante k, y
puede verse reflejado en la eficiencia del algoritmo.
Si se encuentran presentes restricciones complejas, como lo pueden ser las restric-
ciones de salida, el punto inicial no puede calcularse utilizando la última señal de control.
Una manera de encontrar este punto es usando el siguiente algoritmo [Camacho, 2004]:

1. Proponer cualquier punto inicial u0 .

2. Calcular r = Ru0 − c.
3. Si r ≤ 0 ALTO, el punto es factible.
4. rmax = máx(r).
5. Resuelva el problema aumentado de optimización usando conjuntos activos

min J(u) = min [0 0 . . . 0 1] u

u u

sujeto a Ru ≤ c

con:
· ¸ · ¸
u R
u= , R=
z −1

y el punto inicial
· ¸
u0
u=
rmax

Este punto inicial es factible para éste problema.

6. Si J(ūopt ) ≤ 0 se ha encontrado una solución inicial para el problema original
(3.24), de otra manera, el problema original no es factible.

3.5.3. Gestión de restricciones

Durante la etapa de optimización pueden aparecer problemas de no existencia de

una solución óptima para un conjunto restricciones dadas. La factibilidad de un pro-
blema de optimización significa que la función objetivo está acotada y que todas las
restricciones se cumplen.
El problema de la falta de solución puede ser debido a cambios en referencias que
hagan incompatibles las restricciones (se quiera llevar alguna variable a un punto que es
imposible de alcanzar con una entrada que esté acotada). Restricciones que no causan
problemas en operación normal pueden producir problemas bajo ciertas circunstancias.
3.6. Pruebas realizadas al controlador. 47

Puede que una perturbación o cambio de referencia grande force a una variable fuera
de su lı́mite y sea imposible introducirla de nuevo en su zona permitida con señales
de control de energı́a limitada. En estos casos las restricciones se hacen temporalmente
incompatibles.
Las posibles soluciones para este problema, son [Camacho, 2001]:

1. Desconexión del controlador. Consiste en la posición manual cuando aparecen

las incompatibilidades de restricciones y volver a operación automática cuando se
recupera la admisibilidad de la solución. Este método tiene la seria desventaja de
depender de la habilidad del operador para llevar al proceso de vuelta a la región
permitida de operación.
2. Eliminación de restricciones. La factibilidad se analiza en cada perı́odo de muestreo,
por lo que la eliminación de restricciones se realiza de forma temporal. La elimi-
nación de un grupo de restricciones ha de realizarse en aquellos casos en que el
conjunto completo de restricciones que se imponen sobre el sistema sea incom-
patible. Cada vez que existe un problema de incompatibilidad de restricciones, se
forma un conjunto de restricciones no admisibles que no se tienen en cuenta en el
proceso de optimización.
3. Relajación de restricciones. Se puede hacer una relajación de los lı́mites de forma
temporal o convertir restricciones duras (Ru ≤ c), cambiándolas en restricciones
blandas (Ru ≤ c + ², con ² ≤ 0). Esto para asegurar la existencia de solución. Se
añade un término ²T ² a la función de costo de forma que se penalice la violación
de la restricción y ası́ obtener un mejor comportamiento del sistema controlado.
A largo plazo, el término de penalización en la función objetivo llevará al proceso
de vuelta a la región permitida de operación.

3.6. Pruebas realizadas al controlador

El controlador MPC propuesto en la Secciones 3.2 a 3.5 fue programado en una
función S discreta. Una función S es la descripción mediante lı́neas de código de un
bloque de Simulinkr y utilizan una sintaxis especial para interactuar con los algoritmos
internos de Simulinkr para solucionar los diversos tipos ecuaciones y otras funciones
propias de Matlabr .
El programa se resume en el diagrama de flujo de la Figura 3.4 que se ejecuta
en cada instante de muestreo. Donde con ayuda del modelo del proceso formulado en
espacio de estados (parámetros A, B, C, D) se predice la evolución futura de la salida ŷ
con la ecuación (3.13). Al mismo tiempo se genera una trayectoria de referencia w con
la ecuación (3.15), para tener una suave aproximación al punto de ajuste (set point).
ŷ y w se sustituyen en la función de costo (3.16) y finalmente, si existen restricciones
48 Capı́tulo 3. El control predictivo multivariable.

Inicio

Modelo
A, B, C, D Interno
(Ecs. 3.1, 3.2)

Generación
de predicciones x, y, u, v
(Ec. 3.13)

y^
Generación Función
de trayectoria w
,y objetivo
interna (Ec. 3.24/3.25)
(Ec. 3.15)

Optimización
(Ec. 3.17/conjuntos activos)

u(k)

Fin(u)

Figura 3.4: Diagrama de flujo del controlador.

se resuelve el problema de optimización con el método de conjuntos activos, si no, se

utiliza la solución explı́cita (3.17).
Se presentan a continuación algunas pruebas realizadas con el controlador pre-
dictivo con el objetivo de mostrar mediante simulaciones de que manera afectan los
parámetros de sintonı́a del controlador α y λ a la respuesta en lazo cerrado; el hecho de
que el modelo de predicción sea diferente del “modelo real” del proceso; la incorporación
de restricciones al problema de control; y la extensión al caso multivariable.

3.6.1. Caso 1: Control monovariable

Considere un calentador de agua donde la temperatura de salida depende de la

energı́a suministrada al agua a través de un quemador, véa la Figura 3.5. Entonces la
temperatura y(z) puede ser controlada a través de la válvula u(z) que manipula el flujo
de gas que alimenta al quemador. La función de transferencia que describe al sistema
es [Camacho, 2001]:
y(z) 0.16278
G(z) = = 3 (3.41)
u(z) z − 0.8351z 2
con un tiempo de muestreo de 1 minuto.
3.6. Pruebas realizadas al controlador. 49

Agua fría Agua caliente

Gas

Válvula de
control

Figura 3.5: Calentador de agua.

El sistema puede ser descrito en espacio de estados como:

   
0.8351 0 0 1
x (k + 1) =  1 0 0  x (k) +  0  u (k)
0 1 0 0
£ ¤
y (k) = 0 0 0.16278 x (k)

La elección de los horizontes de predicción y de control se hacen con base en las

constantes de tiempo del sistema y el tiempo de muestreo. La respuesta al escalón
(unitario) de G(z) se muestra en la Figura 3.6, donde se aprecia que la constante de
tiempo del sistema es de alrededor de 10 min. Se escoge un horizonte de predicción
igual a la constante de tiempo del sistema. Ya que el tiempo de muestreo es de 1 min,
HP = 10. El horizonte de control se escoge menor al horizonte de predicción, HC = 5.
Con lo que obtenemos las respuestas del sistema mostradas en la Figura 3.7.
Los parámetros λ y α son los correspondientes a las ecuaciones (3.14) y (3.15)
respectivamente. Se observa que a medida que el factor de peso de la señal de control
λ decrece, se tienen cambios en la señal de control más grandes, y a medida de que el
parámetro de ajuste de la trayectoria de referencia α aumenta, la convergencia de la
salida con la salida deseada es más suave.
Respuesta al escalón
2

1.5
Temperatura (oC)

0.5

0
0 5 10 15 20 25 30
Tiempo (min)

Figura 3.6: Respuesta al escalón del calentador de agua.

50 Capı́tulo 3. El control predictivo multivariable.

Salida
80

60
Temp (oC)

40

20

0
0 5 10 Set point 15
Tiempo (min) λ =1 α=0.7
λ =1 α=0
Entrada λ =0.5 α=0.7
140
Apertura de la válvula (%)

120

100

80

60

40

20

0
0 5 10 15
Tiempo (min)

Figura 3.7: Caso 1. Respuesta a diferentes valores de λ y α.

3.6.2. Caso 2: Modelo de predicción diferente a la planta

El caso anterior, es el caso más sencillo puesto que se tiene un modelo de predicción
idéntico al “modelo real” de la planta, esto implica que se tiene un modelado perfecto.
Sin embargo, en la práctica es imposible tener un modelo que logre representar la
dinámica de la planta al cien por ciento. Por ello, en este caso se plantea un modelo de
predicción diferente al “modelo real”. El modelo de predicción será ahora la función de
transferencia discreta muestreada a 1 min:

0.18
G(z) = (3.42)
z3 − 0.8351z 2

Note que ahora el modelo de la planta (3.41) difiere del modelo utilizado para la
predicción (3.42) por una ligera variación en el numerador, que pudiera corresponder a
una variación en el flujo de agua frı́a (ver Figura 3.5). Para este caso, la respuesta en
lazo cerrado no va a ser la que se quiere lograr debido a que no se predice la salida del
calentador correctamente. Se puede corregir este problema introduciendo a la predicción
un término de corrección que consiste en la diferencia entre la salida actual de la planta y
3.6. Pruebas realizadas al controlador. 51

la salida del predictor para posteriormente introducirla al cálculo de la señal de control.

ŷP (k + i + 1|k) = ŷM (k + i + 1|k) + [yS (k) − ŷM (k|k)] (3.43)

Donde ŷM (k|k) es la primera predicción con el modelo en el tiempo de muestreo k;

ŷP (k + i|k) es la i-ésima predicción corregida en el tiempo de muestreo k; yS (k) es
la salida del sistema en el tiempo de muestreo k. Esta nueva predicción ŷP se conoce
también como predicción en lazo cerrado.
Se observa en la Figura 3.8, la comparación del control del calentador de agua
(3.41) con un modelo de predicción diferente al modelo de la planta (3.42). En el primer
controlador no se toma en cuenta esta variación, por lo que la respuesta en lazo cerrado
de la planta no converge a la salida deseada; mientras que en el segundo controlador se
toma en consideración la diferencia que existe entre el modelo de predicción y la planta
mediante (3.43). En donde se puede apreciar, que haciendo uso de la predicción en lazo
cerrado se puede llegar a la salida deseada, a pesar de la diferencia del modelo. Los
parámetros de sintonı́a de ambos controladores son HP = 10, HC = 5, λ = 1 y α = 0.7.

Salida
70

60

50
Temp (oC)

40

30

20

10

0
0 2 4 6 8 10 12 14 16 18 20
Tiempo (min) Set point
Controlador 1
Entrada Controlador 2
100
Apertura de la válvula (%)

80

60

40

20

0
0 2 4 6 8 10 12 14 16 18 20
Tiempo (min)

Figura 3.8: Caso 2. Modelo diferente de la planta.

52 Capı́tulo 3. El control predictivo multivariable.

3.6.3. Caso 3: Restricciones

En la Figura 3.7, se aprecia que todas las señales de control aplicadas demandan
que la válvula supere el 100 % de apertura. Desde un punto de vista práctico esto no
es posible, por lo que en este caso se introduce una restricción a la señal de control:

0 ≤ u (t) ≤ 100

En la Figura 3.9 se aprecia la comparación del control del calentador de agua (3.41)
cuando se tiene en cuenta la restricción en la señal de control. En el primer controlador
se hace el cálculo de la señal de control como fue calculada en la Sección 3.2 y si u(k)
viola la restricción se satura a sus lı́mites. Para el segundo controlador se toma en cuenta
la restricción en la optimización y la señal de control u(k) se calcula con el método de
conjuntos activos. Ambos controladores fueron sintonizados con los mismos parámetros
(HP = 10, HC = 5, λ = 1, α = 0.7).
Se dice que la familia de controladores predictivos son un tipo de control óptimo
porque optimiza el proceso tomando en cuenta algún criterio (el error en este caso) y
esto se puede comprobar sacando el área bajo la curva de las señales de control aplicadas

Salida
70

60

50
Temp (oC)

40

30

20

10

0
0 5 10 15 20 25 30
Tiempo (min) Controlador 1
Controlador 2
Entrada Setpoint
100
Apertura de la válvula (%)

80

60

40

20

0
0 5 10 15 20 25 30
Tiempo (min)

Figura 3.9: Caso 3. Restricciones en el controlador.

3.6. Pruebas realizadas al controlador. 53

al proceso que son proporcionales al gas suministrado al quemador. En el caso cuando

se consideran las restricciones en el cálculo de la señal de control, el área bajo la curva
es menor (5, 682.1 < 5, 705.8) y la señal controlada se estabiliza antes que cuando no se
toman en cuenta las restricciones del proceso, pues el controlador logra “anticiparse” a
la violación de las restricciones.

3.6.4. Caso 4: Control multivariable

Finalmente se tiene como último caso, un sistema multivariable. Como se ha men-

cionado, la extensión de la formulación del caso monovariable al caso multivariable del
controlador predictivo es directa.
Considere el proceso mostrado en la Figura 3.10, el proceso consiste en cuatro
tanques, organizados en parejas (derecha e izquierda), donde el agua de los tanques de
arriba fluye hacia los tanques de abajo. Se utilizan dos bombas para alimentar a los
tanques. Cada una bombea agua a un tanque superior y uno inferior de lados opuestos,
con una válvula de tres vı́as se regula el flujo de agua hacia cada tanque. Las variables
de control son los voltajes de las bombas que van de 0 a 10 V.

Tanque Tanque
3 4

Tanque Tanque
Bomba 1 1 2 Bomba 2
u1 u2

Figura 3.10: Sistema de cuatro tanques.

54 Capı́tulo 3. El control predictivo multivariable.

Los estados del sistema son los niveles de agua en cada tanque (expresados en cm)
x1 , x2 , x3 y x4 respectivamente, siendo el máximo nivel de cada tanque 19.8 cm. La
dinámica del sistema está dada por [Johanson, 2006]:
   
1 A4 γ1 k 1
 − 0 0   0 
 T1 A 1 T3   A1 
 1 A4    γ2 k 2 
  
dx(t)  
0 −
T2
0 
A 2 T4 


0
A


=  x(t) +  2  u(t)
dt  1   (1 − γ 2 2 
)k
 0 0 − 0   0 
 T   A 
 3   3 
 1   (1 − γ1 )k1 
0 0 0 − 0
T4 A4
· ¸
1 0 0 0
y(t) = x(t)
0 1 0 0

donde:
s
Ai 2x0i
Ti =
ai g

Los parámetros del sistema se presentan en la Tabla 3.2. Los valores escogidos para
las aperturas de las válvulas hacen que el sistema sea de fase no mı́nima6 , los polos se
encuentran en -0.0196, -0.0090, -0.0270 y en -0.0133; mientras que los ceros en -0.0654 y
0.0251. El objetivo de control es mantener los niveles de los tanques inferiores de forma
independiente y sin que el agua sobrepase la capacidad de los tanques.

Tabla 3.2: Valores de los parámetros del sistema de cuatro tanques.

Parámetros Valor Unidad Descripción
A1 , A2 28 cm2 Área transversal de los tanques 1 y 2.
A1 , A2 32 cm2 Área transversal de los tanques 3 y 4.
a1 , a2 0.071 cm2 Área transversal de los orificios de los
tanques 1 y 2.
a3 , a4 0.057 cm2 Área transversal de los orificios de los
tanques 3 y 4.
k1 , k2 3.33, 3.35 cm3 /V s Relación de flujo/voltaje de las bombas.
γ1 , γ2 0.25, 0.35 Apertura de las válvulas.
g 981 cm/s2 Gravedad.
x1 , x2 , x03 , x04
0 0
8.2,19.1,4.3,8.8 cm Punto de linealización.

6
Un sistema de fase mı́nima es un sistema dinámico que tiene todos sus ceros en la región de
estabilidad (semiplano izquierdo para sistema continuos e interior del cı́rculo unitario para sistemas de
tiempo discreto). Si no se cumple dicha condición se dice que el sistema es de fase no mı́nima.
3.6. Pruebas realizadas al controlador. 55

Los valores de restricciones introducidos al controlador son las que marca el sistema,
19.8 cm de nivel máximo para los tanques (salidas) y el rango de operación de la bomba
(señal de control 0-10 V).
La elección de los horizontes de control y predicción, fueron escogidos en base a
las constantes de tiempo del sistema (como en el primer caso). Horizontes muy cortos
pueden causar inestabilidad. Sin embargo, tampoco deben de ser escogidos muy grandes
ya que las operaciones se harı́an más complejas. El horizonte de predicción es de 30 y
el de control es de 10. El tiempo de muestreo es de 3 segundos. Los valores de λ y α
son 0.1 y 0.7 respectivamente.
Como no todos los estados son medibles (x3 y x4 no son medibles), se debe de usar
un observador, que en este caso es el filtro de Kalman de la Sección 3.3, para estimar los
estados. La matriz de covarianza de los estados W es una matriz identidad y la matriz
de covarianza ruido a la salida V es una matriz diagonal cuyos elementos no nulos son
0.01.
Nivel del tanque 1 (cm)

Nivel del tanque 2 (cm)

15 10
Nivel Nivel
10
5
5

0 0
0 10 20 30 40 0 10 20 30 40
Tiempo (min) Tiempo (min)
Nivel del tanque 3 (cm)

Nivel del tanque 4 (cm)

15 20

18

10 16
Nivel Nivel
14
Setpoint Setpoint
5 12
0 10 20 30 40 0 10 20 30 40
Tiempo (min) Tiempo (min)
Señal a la bomba 1 (Volts)

Señal a la bomba 2 (Volts)

8 8
Voltaje
6 6

4 4

2 2
Voltaje
0 0
0 10 20 30 40 0 10 20 30 40
Tiempo (min) Tiempo (min)

Figura 3.11: Caso 4. Respuesta del sistema.

56 Capı́tulo 3. El control predictivo multivariable.

Los resultados del control se muestran en la Figura 3.11. Como se logra apreciar
en la simulación, el nivel inicial del segundo tanque se encuentra cerca de la restricción.
La combinación de un sistema de fase no mı́nima, multivariable, y operando cerca de
las restricciones, constituye un gran reto de control.

3.7. Conclusiones
En este capı́tulo se presentó la formulación del control predictivo propuesto es esta
tesis para resolver los problemas de control. El modelo de predicción es un modelo
en espacio de estados por la facilidad para la extensión al caso multivariable. Para
la función de costo, se elige una función que minimiza los errores al cuadrado entre
la salida predicha (3.13) y una trayectoria de referencia (3.15); esta función de costo
(3.16) también penaliza los esfuerzos de control. La obtención de la señal de control se
puede dividir en 2 casos:

1. Cuando no se toman en cuenta las restricciones del proceso. Entonces, la solución

a la minimización se puede hallar de manera explı́cita (3.17).
2. Cuando se toman en cuenta las restricciones. Para poder obtener la señal de control
se requiere de un método iterativo de optimización. Este método se presenta en la
Sección 3.5.

Por último, se programa el algoritmo de control para realizar algunas pruebas de

su funcionamiento. Para los cuatro casos presentados se observa un buen desempeño
del controlador, inclusive, cuando el modelo de predicción difiere del “modelo real” del
proceso controlado o cuando el proceso es multivariable, de fase no mı́nima y opera
cerca de las restricciones.
Capı́tulo 4

Modelado matemático de una

columna de destilación binaria

El objetivo principal de este capı́tulo es presentar el modelo dinámico de la colum-

na de destilación binaria que será utilizada para las pruebas finales del controlador
predictivo expuesto en el Capı́tulo 3.
En la Sección 4.1 hace una pequeña reseña histórica del estudio de las columnas de
destilación. En la Sección 4.2 se enumeran las suposiciones hechas para la formulación
del modelo. En la Sección 4.3 se describe la relación de equilibrio que existe entre las
fases lı́quida y de vapor correspondiente a la mezcla binaria. Las Secciones 4.4 y 4.5
tratan el cálculo de los flujos molares, masas molares y los parámetros fı́sicos de la
mezcla en la etapa de alimentación. En la Secciones 4.6 y 4.7 se describen los balances
de materia y energı́a mediante ecuaciones diferenciales. La Sección 4.8 contiene la des-
cripción de la planta piloto donde se realizan pruebas experimentales y la validación de
modelo obtenido. Por último, en la Sección 4.9 se dan las conclusiones del capı́tulo.

4.1. Perspectiva histórica

En 1832, Coffey fue uno de los primeros en fabricar alambiques comerciales o desti-
ladores para la producción de alcohol utilizando solamente sus principios fundamentales.
Fue hasta 1893 que Sorel, Rayleigh y Lewis empezaron con el estudio sistemático de
las columnas de destilación. Estos primeros estudios se resolvieron manualmente por
medio de algoritmos cortos y soluciones gráficas.
Con la introducción de la computadora digital y el desarrollo del control en las
cuatro últimas décadas se han realizado estudios más profundos sobre la dinámica de
sistemas de destilación. Uno de los primeros en formalizar un algoritmo matemático
en una computadora fue Peiser en 1962. Otros estudios importantes fueron los de

57
58 Capı́tulo 4. Modelado matemático de una columna de destilación binaria.

[Rosenbrock, 1960], [Rademarker et al., 1975]. Estas personas se consideran los pioneros
en la investigación del modelado dinámico, estabilidad, algoritmos de control y posibles
soluciones del proceso de destilación.
En la década de los setenta [Rademarker et al., 1975] escribió un artı́culo sobre la
dinámica y control de columnas de destilación donde presenta un excelente material
describiendo los balances de masa y de energı́a para cada plato o etapa.
En la década de los ochenta [Tolliver y Waggoner, 1980] presentaron una clasi-
ficación de las investigaciones existentes dependiendo del tipo de control: clásico o
moderno. Se presentó un estudio similar en [McAvoy y Wang, 1986].
En la década de los noventa [Luyben, 1992] presentó un libro sobre el modelado
y control del proceso de destilación haciendo comentarios importantes en su imple-
mentación por la gran experiencia que tenı́a en el proceso. [Skogestad, 1997] presentó una
recopilación de la literatura existente, comentando la importancia de trabajar con mo-
delos complejos y validados para la obtención de resultados eficientes.
Las investigaciones más recientes están basadas en el diseño y mejoras de los al-
goritmos de control y optimización inteligente. Y existen en la actualidad diferentes
modelos basándose en diferentes teorı́as e hipótesis sobre la relación de equilibrio que
debe existir entre las dos fases existentes.

4.2. Hipótesis sobre el modelo

El modelo dinámico de una columna de destilación consiste en un conjunto de ecua-
ciones diferenciales derivadas de balances de masa y energı́a en cada plato de la columna,
y un conjunto de ecuaciones algebraicas utilizadas para describir las propiedades fı́sicas
y termodinámicas.
Considérense las siguientes hipótesis de trabajo:

H1 La mezcla es binaria e ideal.

H2 La pureza de los componentes se considera del 100 %.
H3 La presión es constante a lo largo de la columna.
H4 La masa molar de vapor es insignificante comparada con la masa molar lı́quida.
H5 La masa volumétrica y la masa molar lı́quida retenidas en cada etapa son cons-
tantes.
H6 El condensador es total, por lo que la composición del vapor que abandona la
columna por la cabeza será la misma que la corriente de reflujo y destilado.
H7 No hay pérdidas de calor, la columna es adiabática.
4.3. Relación de equilibrio. 59

4.3. Relación de equilibrio

Definición 1. Equilibrio lı́quido-vapor. Si un vapor y un lı́quido están en ı́ntimo con-
tacto por un largo periodo de tiempo se alcanza el equilibrio entre las dos fases. Esto
significa que no ocurre ningún flujo de calor, ni de masa ni de momentum entre las dos
fases.
La relación de equilibrio entre las fases lı́quida y de vapor se representa por una
constante Kci . De esta relación dependen los cálculos de las concentraciones molares
lı́quidas y de vapor si se consideran como grados de libertad a la temperatura y a la
presión total del proceso [Poling et al., 2001]. En general la constante de equilibrio se
define como:
y equ γci fci0
Kci = ciequ = (4.1)
xci Φci PT
donde:
equ
yci Fracción molar de vapor del componente c en equilibrio.
equ
xci Fracción molar lı́quida del componente c en equilibrio.
γci Coeficiente de actividad.
0
fci Fugacidad del lı́quido en un estado de referencia.
Φci Coeficiente de fugacidad.
PT Presión total del proceso.
Es preciso conocer las propiedades termodinámicas de la mezcla para calcular esta
constante de equilibrio. Las mezclas se clasifican, de acuerdo a sus propiedades ter-
modinámicas en: ideales y no ideales.

4.3.1. Mezcla ideal

Una mezcla se considera ideal cuando cumple con las siguientes leyes:
• Ley de Raoult. Establece que la presión de vapor de un componente de una
mezcla Pcivap es proporcional a la fracción molar lı́quida de dicho componente
xci y a la presión de vapor del componente puro Pci :

Pcivap = Pci xci

• Ley de Dalton. Establece que la presión parcial de un componente en una

mezcla de gases Pcig es proporcional a la fracción molar de dicho componente
yci y a la presión total del sistema PT :

Pcig = PT yci

Cuando el gas está en equilibrio con el lı́quido, las presiones Pcivap y Pcig deben ser
iguales pues hacen referencia al mismo valor (la presión del componente c como gas),
60 Capı́tulo 4. Modelado matemático de una columna de destilación binaria.

de modo que igualando ambos valores se obtiene:

yci Pci
Kci = = (4.2)
xci PT
Estrictamente, no existen mezclas ideales, sin embargo, bajo ciertas condiciones
se pueden considerar como tales. Muchas operaciones de separación se realizan a baja
presión o en un vacı́o parcial donde las leyes de las mezclas ideales son válidas, en estas
condiciones tanto γci como Φci en la ecuación (4.1) son iguales a uno. Además, a bajas
presiones fci0 tiende a la presión de vapor del componente, y entonces resulta que el
cálculo de la constante de equilibrio para este caso, es equivalente a calcular la Kci de
una mezcla ideal. El cálculo de la presión de vapor de un componente Pci se puede
realizar con la ecuación de Antoine:
Bc
log Pci = Ac −
Ti + Cc

4.3.2. Mezcla no ideal

La no idealidad de los sistemas lı́quido-vapor se presenta por diversas causas. La

causa más frecuente de no idealidad de la mezcla es la no idealidad de la fase lı́quida,
es decir, cuando no se cumple la ley de Raoult. Si la presión del sistema es alta, además
existirá no idealidad de la fase vapor, es decir, que no se cumple con la ley de Dalton.
En consecuencia, se deberán usar modelos especialmente diseñados para representar
sistemas no ideales cuando: la presión es elevada o la fase lı́quida es no ideal.

4.3.3. Eficiencias de Murphree

Las fracciones molares en cada plato pueden calcularse a partir de la relación de

equilibrio, pero existen limitaciones como el propio diseño de los platos que afectan
la transferencia de masa e impiden al vapor saliente estar en equilibrio preciso con el
lı́quido en cada plato. Para reforzar el concepto de equilibrio y pasar de platos ideales
a platos reales, se utiliza la eficiencia de Murphree, que está definida en la sección de
empobrecimiento (enriquecimiento), como la variación de la fracción de vapor (lı́quido)
al pasar de un plato al siguiente, dividida por la variación que tendrı́a lugar si el vapor
(lı́quido) que sale estuviese en equilibrio con el lı́quido (vapor) que sale.
La eficiencia de Murphree para la sección de empobrecimiento es:
yci − yci+1
Eci = equ (4.3)
yci − yci+1

La eficiencia de Murphree para la sección de enriquecimiento es:

xci − xci−1
eci = equ (4.4)
xci − xci−1
4.4. Flujos y masas molares. 61

4.3.4. Diagrama de equilibrio

El diagrama de equilibrio entre las fases lı́quida y de vapor es una herramienta

gráfica útil en el modelado de columnas de destilación. En ella se muestran las curvas
obtenidas a partir de la relación entre la fracción molar lı́quida, fracción molar de vapor
y la temperatura a una presión constante. El diagrama de equilibrio de una mezcla
binaria cualquiera es mostrado en la Figura 4.1.

Vapor
Temperatura

Líquido

x y
Concentración

Figura 4.1: Diagrama de equilibrio lı́quido-vapor.

4.4. Flujos y masas molares

En la columna de destilación fluyen tasas molares de lı́quido y vapor internas y
provenientes del exterior. Estos flujos varı́an en cada estado. Con las suposiciones reali-
zadas, el cálculo de estos flujos molares [Halvorsen y Skogestad, 1997], [Luyben, 1992],
se obtienen con las siguientes expresiones1 :
• Sección de enriquecimiento.

VR = VS + (1 − q) F (4.5)
LR = (1 − R) VR (4.6)

• Sección de empobrecimiento.
QB
VS = (4.7)
∆H1vap x1n + ∆H2vap (1 − x1n )
LS = LR + qF (4.8)
1
Vea la Sección de Notación (página xi) para la definición de cada una de las variables.
62 Capı́tulo 4. Modelado matemático de una columna de destilación binaria.

• Flujos externos.
· ¸
xF 1 1 − xF 1
F = FV [ρ1 W t1 + ρ2 (1 − W t1 )] + (4.9)
MW 1 MW 2
D = (1 − R)VR (4.10)
B = (LS − VS ) P AB (4.11)

El cálculo de la masa molar lı́quida con respecto al componente más ligero se

considera constante y puede calcularse mediante [Murray, 2003]:
·µ ¶ ¸
ρ1 ρ2 ρ1
M1i = V1i − W t1 + (4.12)
MW 1 MW 2 MW 2

4.5. Parámetros de alimentación

La calidad del flujo de alimentación q es el parámetro qué indica en que fase se en-
cuentra un componente en la alimentación antes de entrar al proceso (ver la Tabla 4.1).
Este parámetro se obtiene mediante:

Cpc (Tbc − TF )
q =1+ (4.13)
∆Hcvap

Tabla 4.1: Calidad de la alimentación q.

Alimentación Calidad
Alimentación subenfriada. q>1
Alimentación en el punto de burbuja (lı́quido saturado). q=1
Alimentación parte vapor, parte lı́quido. 0<q<1
Alimentación al punto de rocı́o (vapor saturado). q=0
Alimentación sobre calentada. q<0

La concentración molar lı́quida de la alimentación con respecto al componente

ligero, es calculada a partir de [Murray, 2003]:

MW 2 W t1
xci = (4.14)
(MW 2 − MW 1 ) W t1 + MW 1

donde el porcentaje en peso del componente ligero se obtiene de:

ρ1 VF 1
W t1F = (4.15)
ρ1 VF 1 + ρ2 VF 2
4.6. Balance de materia. 63

Li 1 Vi

Plato i

Alimentación Salida
Fi D, B
Mi

Vi 1

Li

Figura 4.2: Esquema de un plato genérico.

4.6. Balance de materia

Las ecuaciones (4.16) y (4.17) describen el principio de conservación de la materia
aplicado a cada estado de la columna de destilación con respecto al componente c (ver
la Figura 4.2).

 dM1

 = V2 − L1 − D;

 dt

dMi
= Vi+1 − Li − Vi + Li−1 + π (i) F ; i = 2, ..., n − 1 (4.16)

 dt


 dMn = Ln−1 − Vn − B;

dt


 dM1 xc1

 = V2 yc2 − L1 xc1 − Dxc1 ;

 dt

dMi xci
= Vi+1 yci+1 − Li xci − Vi yci + Li−1 xci−1 + π (i) F xF c ; i = 2, ..., n − 1 (4.17)

 dt


 dMn xcn = Ln−1 xcn−1 − Vn ycn − Bxcn ;

dt
donde:
(
0 cuando i 6= f
π (i) =
1 cuando i = f

Los términos de la derecha del balance de las masas representado por la ecuación
(4.16) son iguales a cero debido a que se consideran constantes las masas molares
lı́quidas de cada etapa. Ésto permite obtener el siguiente modelo en espacio de
64 Capı́tulo 4. Modelado matemático de una columna de destilación binaria.

estados2 :

 dx11

 M1 = V2 (y12 − x11 )

 dt



 dx1i

 Mi = Vi+1 y1i+1 − Vi y1i + Li−1 x1i−1 − Li x1i ; i = 2, ..., f − 1

 dt

dx1f
Mf = Vf +1 y1f +1 − Vf y1f + Lf −1 x1f −1 − Lf x1f + F xF c (4.18)

 dt



 dx1i

 Mi = Vi+1 y1i+1 − Vi y1i + Li−1 x1i−1 − Li x1i ; i = f + 1, ..., n − 1

 dt


 Mn dxcn = Ln−1 x1n−1 − Ln x1n − Vn (y1n − xn )

dt

Finalmente, si se consideran flujos molares constantes en cada sección (enriqueci-

miento y empobrecimiento), esto es:

Vi = Vi−1 = V
Li = Li+1 = L

El modelo anterior en términos del componente ligero queda de la siguiente manera:


 dx1

 M1 = VR (y2 − x1 ) ; En el condensador.

 dt



 dxi

 Mi = VR (yi+1 − yi ) + LR (xi−1 − xi ) ; i = 2, ..., f − 1

 dt

dxf
Mf = VS yf +1 − VR yf + LR xf −1 − LS xf + F xF c ; (4.19)

 dt



 dxi

 Mi = VS (yi+1 − yi ) + LS (xi−1 − xi ) ; i = f + 1, ..., n − 1

 dt


 Mn dxn = VS (xn − yn ) + LS (xn−1 − xn ) ; En el hervidor.

dt

4.7. Balance de energı́a

El balance de energı́a para cada etapa de la columna se expresa por medio de las
siguientes ecuaciones diferenciales:

 dM1 (hc1 )

 = V2 Hc2 − L1 hc1 − Dhc1

 dt

dMi (hci )
= Vi+1 Hci+1 − Li hci − Vi Hci + Li−1 hci−1 + π (i) F hF c ; i = 2, ..., n − 1

 dt



 dMn (hcn ) = L h
n−1 cn−1 − Vn Hcn − Bhcn
dt
(4.20)
2
Utilizando las relaciones: D = V1 − L1 y B = Ln − Vn .
4.8. Pruebas en la columna de destilación. 65

donde:
(
0 cuando i 6= f
π (i) =
1 cuando i = f

Por último, la suposición de un flujo de vapor constante a través de la columna de

destilación vuelve insignificante al balance de energı́a, el cual entonces puede eliminarse
de la formulación del modelo [Torres-Ortiz, 2005]. La justificación de cuando se pueden
utilizar estas suposiciones, que son bastante comunes en la simulación de columnas de
destilación, se puede encontrar en [Skogestad, 1997].
De esta forma, las ecuaciones algebraicas (4.5) a la (4.15) y el sistema de ecuaciones
diferenciales (4.19) representan al modelo dinámico de una de columna de destilación
binaria y es el que se usará en el Capı́tulo 5 para el control multivariable.

4.8. Pruebas en la columna de destilación

Para comprobar que un modelo matemático representa el comportamiento dinámi-
co de una columna de destilación, es necesario que la respuesta de éste sea capaz de
reproducir lo mejor posible la respuesta dinámica del proceso.
En la Subsección 4.8.1 se hace una descripción de la planta piloto de destilación em-
pleada para la validación del modelo mostrando algunas de sus caracterı́sticas técnicas
proporcionadas en el manual de usuario [E.Veneta, 1998]. La Subsección 4.8.2 describe
el procedimiento utilizado para la realización de la validación y se hace una compara-
ción entre los resultados obtenidos de manera experimental y la respuesta del simulador
basado en el modelo matemático.

4.8.1. Descripción del la planta piloto de destilación

La planta piloto de destilación utilizada para la validación experimental se mues-

tra en la Figura 4.3. En la Figura 4.4 se muestra el diagrama de instrumentación. El
diagrama utiliza la nomenclatura mostrada en la Tabla 4.2.

El cuerpo principal

El cuerpo principal de la planta piloto (ver Figura 4.5a) consiste en un recipiente

vertical cilı́ndrico de vidrio tipo PIREX transparente, para que se aprecie el efecto de
transferencia de masa. El contacto de las dos fases se realiza en los 10 platos perforados
(ver Figura 4.5b) distribuidos a lo largo de la columna. El diseño de los platos es
fundamental, pues de ellos dependerá la eficiencia de la separación de los productos.
66 Capı́tulo 4. Modelado matemático de una columna de destilación binaria.

Figura 4.3: Planta piloto de destilación.

Tabla 4.2: Nomenclatura del diagrama de instrumentación.

Abreviatura Descripción
ATM Atmósfera.
C1 Hervidor.
D1 a D4 Depósitos.
E1 a E3 Condensadores.
EV1, EV2 Electroválvulas.
FC1, LC1, PC1, TC1 Controladores de flujo, nivel, presión y temperatura.
FI1, PI1, TI1 a TI12 Indicadores de flujo, presión y temperatura.
FT1, LT1, PT1, TT1 Transmisores de flujo, nivel, presión y temperatura.
FV1, PV1 Válvulas neumáticas.
G1, G2 Bombas.
H2 O Agua.
J1, J2 Termorresistencias.
V1 a V26 Válvulas de paso.
 FC1
PI1
TI10
FT1 FV1
E1 TI11
FI1
EV1 PSV1
H2O
V7
V8

TI9

V9 V23
TI8
V1 V10
TI7

TI6
4.8. Pruebas en la columna de destilación.

V2 V3 E3

TT1 V11
TI5 V12
ATM
TI1 TI4 Pdl1
D1
TC1 TI3 V16
V17 D3
V27 TI12 V20
V15
V4
TI2 V19 D4
LT1 LC1
C1 D2 V21
J1
V5 E2 PT1 PI1 PC1

V18
V6 PV1
H2O

Figura 4.4: Diagrama de instrumentación de la columna.

H2O

V24
G1 V14
J2 V25 EV2 V26
H2O G2
67
68 Capı́tulo 4. Modelado matemático de una columna de destilación binaria.

a Sección del cuerpo de la b Plato.

columna.

Figura 4.5: Cuerpo de la columna.

a Bomba de alimentación. b Termorresistencia de

precalentamiento.

Figura 4.6: Alimentación de la mezcla.

Alimentación de la mezcla

La mezcla se almacena en el depósito D1 (con capacidad de 15 L), y se sumi-

nistra de manera intermitente por la bomba de alimentación G1 (Figura 4.6a) que
se manipula desde el tablero de control de la planta (Figura 4.7). Debido a que la
4.8. Pruebas en la columna de destilación. 69

alimentación es intermitente, se hace una interpolación de varios puntos de operación

de la bomba (Figura 4.8), con el fin de conocer una función para calcular el flujo
volumétrico FV (L/hr) suministrada a la columna en función de la frecuencia de los
pulsos FP B (0 − 100 %). La función obtenida es

FV = 0.0201FP B − 0.0481 (4.21)

La temperatura a la cual se introduce la mezcla se controla por medio de la resistencia

eléctrica de precalentamiento J1 (Figura 4.6b) que puede alcanzar hasta 500 Watts.

Figura 4.7: Tablero de control.

Flujo volumétrico de alimentación

2

1.8

1.6

1.4
Flujo volumétrico (Lt/hr)

1.2

0.8

0.6

0.4
Datos experimentales
0.2 Interpolación lineal

0
0 20 40 60 80 100
Porcentaje de frecuencia de bombeo (%)

Figura 4.8: Interpolación de los puntos de operación de la bomba de alimentación.

70 Capı́tulo 4. Modelado matemático de una columna de destilación binaria.

Adición de calor

La energı́a calorı́fica necesaria para llevar a cabo la destilación en la planta piloto

de destilación, se controla por medio la termorresistencia eléctrica de calentamiento J2
(Figura 4.9a), la cual se encuentra alojada en el hervidor C1 (Figura 4.9b). La potencia
máxima de la termorresistencia es de 2500 Watts y la capacidad del hervidor es de 6L.
La temperatura transferida a la mezcla almacenada en el hervidor sirve para lograr la
evaporación del componente más ligero.

a Termorresistencia de b Hervidor.
calentamiento.

Figura 4.9: Adición de calor.

Condensador

El condensador E1 (Figura 4.10a) de la planta piloto de destilación lo compone un

recipiente que contiene el lı́quido refrigerante (agua). El lı́quido refrigerante se suminis-
tra por una bomba externa a la planta piloto y su flujo se regula por la válvula neumática
FV1 (Figura 4.10b). El vapor a condensar fluye a través de un tubo helicoidal. El lı́quido
refrigerante y el vapor a condensar están separados por una superficie de intercambio
de calor tubular.
Además del condensador principal existe un segundo intercambiador de calor E3
a la entrada del recipiente que colecta los condensados D3 para enfriar al producto
destilado y ası́ evitar pérdidas por evaporación durante el almacenamiento. Este segundo
intercambiador no se considera en el modelo debido a que no interviene directamente
en el proceso.
4.8. Pruebas en la columna de destilación. 71

Reflujo

El reflujo se controla mediante la electroválvula de tres vı́as EV1 (Figura 4.10c)

que se localiza a la salida del condensador. Esta válvula permite que parte del vapor
condensado se colecte como producto destilado y otra parte se envı́e a la columna como
reflujo para favorecer la destilación. Los tiempos de apertura y cierre de la válvula de
reflujo se controlan por medio de dos temporizadores.

a Condensador. b Válvula de control para el flujo

del agua.

c Electroválvula de reflujo.

Figura 4.10: Parte superior de la columna.

72 Capı́tulo 4. Modelado matemático de una columna de destilación binaria.

Manipulación de la presión

El parámetro fı́sico que afecta directamente la volatilidad de los componentes es

la presión. La mayorı́a de sistemas de control aplicados a columnas de destilación,
mantienen el valor de la presión en un valor constante, ya al que variar la presión se
cambian las condiciones de equilibrio en la columna. La planta piloto del CENIDET
además de operarse a presión atmosférica, existe la posibilidad de operar la columna a
presiones menores a la de la atmósfera. Para esto, se cuenta con una bomba de vacı́o
de anillo lı́quido G2 (Figura 4.11).

Figura 4.11: Bomba de anillo lı́quido.

Instrumentación de medición

Finalmente la columna de destilación cuenta con:

• 12 sensores de temperatura de tipo RTD de platino PT100.

• 12 indicadores de temperatura (TI1 a TI12) asociados a los RTD’s.
• 1 indicador de flujo volumétrico (FI1) para el agua de enfriamiento del conden-
sador.
• 1 sensor de presión diferencial (Pdl1) para conocer la diferencia de presión entre
el hervidor y el condensador.
• 1 sensor de presión (PT1) que indica la presión a lo largo de la columna.
• 1 sensor de nivel (LT1) para el depósito de recogida de destilado (D2).

Los sensores y actuadores de la planta piloto se encuentran gobernados por dos regu-
ladores Digitric 500 (se muestra uno de ellos en la Figura 4.12). Estos reguladores tienen
una interfaz RS485 para comunicación entre el controlador y la PC usando el protocolo
denominado MODBUS, para la conexión de sistemas de alto nivel. Mediante estos
4.8. Pruebas en la columna de destilación. 73

Figura 4.12: Regulador Digitric 500.

Tabla 4.3: Elementos monitoreados y controlados por los reguladores.

Regulador 1 Regulador 2
Variable Temperatura del flujo de entrada. Potencia en la
controlada Flujo de agua al condensador. termorresistencia del
Presión en la columna. hervidor.
Variable Temperaturas 1 a la 6. Temperaturas 7 a la 12.
monitoreada Flujo de agua al condensador.
Presión en la columna.
Variable Potencia en la termorresistencia J1. Potencia en la
manipulada Apertura de válvula FV1. termorresistencia J2.
Apertura de válvula PV1.

reguladores y el programa desarrollado en [Rivas et al., 2006] se pueden monitorear

las variables que intervienen en el proceso de destilación, manipular los actuadores y
modificar la configuración de los parámetros de sintonı́a de los controladores (FC1,
LC1, PC1, TC1).
El regulador 1, contiene cinco dispositivos que pueden ser controlados, ocho para
monitoreo, y dos dispositivos que operan en estado encendido-apagado. El regulador 2,
tiene una salida de tipo analógica, ocho variables capaces de ser monitoreadas, dos
entradas digitales y un dispositivo con dos estados encendido-apagado.
En la Tabla 4.3 se muestran las variables que son monitoreadas y/o controladas con
el programa desarrollado en [Rivas et al., 2006], dependiendo de las conexiones al regu-
lador. Se indican los dispositivos conectados fı́sicamente a cada uno de los reguladores,
ası́ como la sigla con que se identifican en el diagrama de instrumentación (Figura 4.4).
74 Capı́tulo 4. Modelado matemático de una columna de destilación binaria.

1
Fracción molar líquidas
0.9 Fracción molar de vapor

0.8

0.7

0.6
Fracción molar

0.5

0.4

0.3

0.2

0.1

0
64 66 68 70 72 74 76 78 80
Temperatura ºC

Figura 4.13: Diagrama de equilibrio Metanol-Etanol.

4.8.2. Validación del modelo matemático

Para la validación del modelo se elige una mezcla formada por Metanol-Etanol cuyas
propiedades termodinámicas la clasifican como una mezcla ideal. Estas propiedades se
muestran en la Tabla A.2 (del Apéndice A). Es necesario mencionar que la pureza de
los componentes no son del 100 %. Sin embargo, se toman como componentes puros
para no involucrar un tercer elemento (agua) en la relación de equilibrio.
A partir de las mediciones de temperatura en los platos 2, 4, 6, 7, 9, en el condensador
y el hervidor se pueden obtener las fraciones molares de alguno de los componentes
mediante la relación de equilibrio.
Se desean obtener las fracciones molares del componente ligero, en este caso el
Metanol. Para calcular el valor de las fracciones molares a partir de las mediciones de
temperatura, es necesario graficar el diagrama de equilibrio correspondiente a la mezcla
Metanol-Etanol con el objetivo de obtener una relación sencilla entre la temperatura
en función de las fracciones molares.
En la Figura 4.13 se puede observar el diagrama de equilibrio de la mezcla Metanol-
Etanol donde las fracciones molares lı́quidas y de vapor corresponden al componente
ligero (Metanol). Las curvas mostradas en el diagrama pueden ser interpoladas para
obtener las fracciones molares lı́quidas en función de las temperaturas. La interpolación
que se utiliza es un polinomio de tercer orden:

xi = −1.8408 × 10−5 Ti3 + 0.0051057Ti2 − 0.51947Ti + 18.209

Para la realización de las pruebas se consideran las caracterı́sticas fı́sicas de la planta

piloto de destilación mostradas en la Tabla A.1 (del Apéndice A).
4.8. Pruebas en la columna de destilación. 75

Los valores de las entradas fı́sicas del proceso (QB , FV y R ) se utilizan para calcular
los flujos molares (VR , LR , VS , LS , F , D y B). La relación que existe entre las entradas
fı́sicas y los flujos molares puede apreciarse en las ecuaciones (4.5) a la (4.11).
Los parámetros utilizados en las pruebas se detallan en la Tabla A.3. Los parámetros
VF 1 , VF 2 y TF de esta tabla, están involucrados en la obtención del porcentaje en peso
del componente ligero (Metanol), calculado con la ecuación (4.15). Los parámetros V112
y V212 , son utilizados para calcular la masa molar lı́quida de metanol en el hervidor con
la ecuación (4.12).
El periodo de muestreo de las mediciones de temperatura es de 1 minuto y las mues-
tras se toman a partir del momento en el que todas las etapas de la columna han
alcanzado el equilibrio, es decir, cuando todos los platos contengan a la mezcla en ebu-
llición. El tiempo que tarda el proceso para llegar a este punto se desprecia, por lo tanto
se considera el instante en que se obtiene la primera gota de reflujo como tiempo inicial
(t = 0) de la prueba.
Las señales de entrada aplicadas a la planta piloto se muestran en la Tabla 4.4.
En esta tabla se señala la entrada manipulada, la señal de excitación y el tiempo de
aplicación. Las señales de entrada al modelo son una simulación de las entradas reales
a la planta piloto. Los resultados de la comparación entre el modelo matemático y los
datos experimentales se aprecian en la Figura 4.14.

Tabla 4.4: Señales de entrada.

Entrada Señal Tiempo
Potencia calefactora (QB ) Escalón 0-1250 Watts 0 min
Flujo de alimentación (FV ) Escalón 0-57.1433 mL/min 16 min
Potencia calefactora (QB ) Escalón 1250-1500 Watts 30 min
Flujo de alimentación (FV ) Escalón 57.1433-49.5117 mL/min 47 min
Flujo de alimentación (FV ) Escalón 49.5117-21.8983 mL/min 59 min
Reflujo (R) Pulso (T = ton = 600 seg) 67 min
Potencia calefactora (QB ) Escalón 1500-1750 Watts 73 min
Reflujo (R) Pulso (T = 24 seg, ton = 4 seg) 84 min
Potencia calefactora (QB ) Escalón 1750-1250 Watts 94 min

Se puede apreciar, en las gráficas de la Figura 4.14 que el modelo simulado numéri-
camente sigue la dinámica del proceso real aunque no existe un ajuste perfecto, sin
embargo el modelo se toma como válido.
En la Tabla 4.5 se puede apreciar el error en cada etapa de la columna de acuerdo
con la expresión:
à N ¯ ¯ !
X ¯¯ xreal mod ¯
cij − xcij ¯
ε= ¯ ¯ /N × 100 (4.22)
j=1
¯ xreal
cij ¯
76 Capı́tulo 4. Modelado matemático de una columna de destilación binaria.

Condensador Plato 2
1 1

0.95 0.95
Concentración molar (MeOH)

Concentración molar (MeOH)

0.9 0.9

0.85
0.85
0.8
0.8
0.75
0.75
0.7
0.7
0.65
0.65
0.6
0.6 Modelo de la CDD
0.55
Datos experimentales
0.55 0.5
10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
Tiempo (min) Tiempo (min)

Plato 4 Plato 6
1 1

0.95 0.95
Concentración molar (MeOH)

Concentración molar (MeOH)

0.9 0.9

0.85 0.85

0.8 0.8

0.75 0.75

0.7 0.7

0.65 0.65

0.6 0.6

0.55 0.55
10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
Tiempo (min) Tiempo (min)

Plato 7 Plato 9
0.95 0.9

0.9 0.85
Concentración molar (MeOH)

Concentración molar (MeOH)

0.85
0.8
0.8
0.75
0.75
0.7
0.7
0.65
0.65

0.6 0.6

0.55 0.55
10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
Tiempo (min) Tiempo (min)

Hervidor
0.8
Concentración molar (MeOH)

0.7

0.6

0.5

0.4

0.3

0.2
10 20 30 40 50 60 70 80 90 100
Tiempo (min)

Figura 4.14: Comparación entre los datos del modelo y la planta piloto de destilación.
4.9. Conclusiones. 77

donde N es el número de muestras. Esta expresión calcula el error proporcional entre

los valores reales y los calculados.

Tabla 4.5: Error del modelo.

Etapa de la columna Error del modelo
Condensador 2.44 %
Plato 2 2.43 %
Plato 4 2.15 %
Plato 6 1.38 %
Plato 7 1.42 %
Plato 9 1.56 %
Hervidor 2.60 %

El error entre los valores reales y los calculados depende de muchos factores, prin-
cipalmente por las suposiciones hechas en la Sección 4.2. El modelo se puede mejorar
tomando en cuenta el balance de energı́a, un modelo más completo del condensador,
la dinámica del hervidor, las pérdidas de calor al medio ambiente y ajustando algunos
parámetros en los que se tiene cierta incertidumbre (por ejemplo: eficiencia de Mur-
phree) o que no se conocen (por ejemplo: coeficiente de efervescencia de la mezcla)
como se propone en [Juárez et al., 2006].

4.9. Conclusiones
En este capı́tulo se presentó la formulación de un modelo matemático para una colum-
na de destilación binaria. La formulación del modelo está basada en ciertas hipótesis
de trabajo presentadas en la Sección 4.2. Estas hipótesis determinan en gran medida
la complejidad y precisión del modelo. El modelo presentado es un modelo simplificado
que es apto para estrategias de control y es ampliamente usado en la literatura para
representar columnas de destilación para mezclas binarias e ideales.
La validación del modelo descrito se llevó a cabo mediante la comparación de los datos
obtenidos con el modelo y datos obtenidos de la medición de temperatura tomadas en
diferentes etapas de una planta piloto (para después calcular las fracciones molares
lı́quidas del componente ligero). La mezcla utilizada para llevar a cabo este experimen-
to fue una mezcla formada por Metanol y Etanol. La descripción de la planta piloto
donde se hicieron las pruebas se encuentra en la Subsección 4.8.1. Una caracterı́stica
importante de esta planta piloto es su configuración en la parte superior, debido a que
no cuenta con un acumulador entre el condensador y la válvula de reflujo. Ésto es im-
portante ya que casi no se encuentran reportados trabajos en la literatura (tanto para
el modelado como para el control) de esta configuración.
78 Capı́tulo 4. Modelado matemático de una columna de destilación binaria.
Capı́tulo 5

Diseño e implementación de
controladores

En este capı́tulo se muestran los resultados obtenidos al aplicarle el control predictivo

al lazo de flujo de agua al condensador (caso monovariable) en simulación y de forma
experimental; ası́ como las simulaciones del control a la planta piloto de destilación (caso
multivariable). El desempeño de estos controladores se compara con controladores PI.
En la Sección 5.1 se presentan las principales configuraciones de control que se aplican
a columnas de destilación. En la Sección 5.2 se presenta la metodologı́a que se propone
para implementar algoritmos de control predictivo a una columna de destilación. En
la Sección 5.3 se aplica la metodologı́a propuesta para la implementación del control
de flujo de agua de alimentación al condensador y se compara un controlador PI de
manera experimental. En la Sección 5.4 se presenta el diseño de un controlador pre-
dictivo multivariable aplicado al modelo de la columna de destilación presentado en el
Capı́tulo 4. Por último, en la Sección 5.5 se dan las conclusiones del capı́tulo.

5.1. Configuraciones de control en la CDD

Para una columna de destilación, es muy común descomponer el problema de control
en al menos dos subsistemas, control de inventario 1 (niveles en los tanques, presión
en la columna), necesario para mantener la operación de forma continua y el control
de productos finales (composición de los productos). En la práctica, cada uno de estos
subsistemas se descomponen en sistemas SISO. La principal razón radica en que es
mucho mas fácil controlar múltiples lazos SISO que un sistema MIMO.
1
Control de inventario es un término utilizado en [Luyben, 1992] para referirse al control de las
variables secundarias, llamadas variables de inventario. Las variables secundarias son variables que no
intervienen directamente en el control del producto final (las composiciones o temperaturas en el caso
de una columna de destilación).

79
80 Capı́tulo 5. Diseño e implementación de controladores.

En términos de la teorı́a de control, los grados de libertad de un proceso son el número

de variables que pueden o deben de ser controladas. Siempre es necesario conocer estas
variables con el fin de no sobrecontrolar o subcontrolar algún proceso.
Una columna de destilación con alimentación constante y sin reflujos intermedios
(como la que se muestra en la Figura 5.1a), tiene cuatro grados de libertad. Es decir,
cuatro flujos que pueden ser utilizados para el control de la columna: flujo molar lı́quido
L, flujo molar de vapor V , flujo molar de producto destilado D, flujo molar de producto
de fondo B.
Sin embargo, hay que considerar que se tienen que controlar los niveles en el hervidor
y en el acumulador (salidas secundarias). Por lo que, en estado estable, la suposición
de presión constante y perfecto control de nivel en el acumulador y hervidor (sin es-
tancamiento ni vaciamiento de lı́quido), reduce el grado de libertad a dos (puesto que
se utilizarán las otras dos variables para controlar los niveles en el hervidor y en el acu-
mulador). Estos dos grados de libertad se utilizan para el control de las composiciones
de los dos productos: el producto en el condensador (x1 ) y producto en el hervidor (xn ).
Los dos grados de libertad son las variables independientes que controlan el sistema,
pueden ser los flujos L, V , D o B; siendo éstos usados por la caracterı́stica de ser de
fácil manipulación. A la combinación de estos dos flujos manipulados para el control de
la columna se le conoce como configuración de control.
Usualmente se utilizan combinaciones de (L − D) cuando el producto que se desea
obtener es el producto destilado D y combinaciones de (V − B), cuando el producto
deseado es el producto de fondo de la columna B. Para el control de una columna
de destilación de dos productos, hay tres configuraciones de control comunes, la con-
figuración de balance de energı́a (L − V ) y las configuraciones de balance de materia
(D − V ) y (L − B). Estas configuraciones se describen a continuación.

5.1.1. Configuración de balance de energı́a (L − V )

La configuración de balance de energı́a (Figura 5.1b) se puede considerar la confi-

guración estándar de control para el control de composición dual en una columna de
destilación. En esta estructura de control, el flujo de lı́quido L y el flujo de vapor V (que
puede ser cualquier variable que afecte directamente a L o V , como la potencia aplicada
a la resistencia calefactora, para V ), se usan para controlar las salidas asociadas con las
especificaciones del producto (salidas primarias), que usualmente son las composiciones
o las temperaturas de la mezcla en la columna.
El nivel en el tanque de reflujo y en el hervidor (salidas secundarias) se controlan por
el flujo del destilado D y el flujo en el fondo de la columna B. Su principal ventaja es que
las variables manipuladas afectan directamente la composición y es independiente del
control de nivel en el acumulador y en el hervidor, a diferencia de otras configuraciones,
5.1. Configuraciones de control en la CDD. 81

donde el ajuste de control de estos niveles es muy importante.

5.1.2. Configuración de balance de materia (D − V ) y (L − B)

Otras configuraciones muy utilizadas en el control de columnas de destilación es la

llamada configuración de balance de materia (D − V ) y (L − B), mostradas en las
Figuras 5.1c y 5.1d respectivamente. En la configuración (D − V ) las variables D y V
se utilizan como variables primarias para controlar las composiciones x1 y xn , mientras
que las variables L y B se utilizan para el control de nivel en el hervidor y en el
acumulador. En la configuración (L − B) se hace exactamente lo contrario: las variables
L y B sirven para controlar las salidas primarias, mientras que D y V controlan las
salidas secundarias.
Las propiedades de control de estas configuraciones son muy diferentes, ya que L y
V son flujos que afectan directamente la composición, mientras que D y B solamente
afectan a la composición a través de la sensibilidad de L y V a cambios en D y B. Por
ejemplo, un incremento en flujo volumétrico de alimentación resultarı́a un incremento
en los flujos de fondo en la configuración (L − V ) mientras que en la configuración
(L − B) resultarı́a un incremento en el flujo destilado.

5.1.3. Otras configuraciones de control

Existen diferentes combinaciones para formar diferentes configuraciones de control.

En la Tabla 5.1 se muestran otras configuraciones de control reportadas en la lite-
ratura. Una descripción más amplia de las diferentes estructuras de control y sus
propiedades puede encontrarse en [Al-Arfaj y Luyben, 2000], [Hurowitz et al., 2003],
[Nooraiil y Romagnoli, 1998] y [Skogestad, 1997].

Tabla 5.1: Configuraciones de control.

Config. de control Variables secundarias Variables primarias
1 (D − V ) L, B D, V
2 (L − V ) D, B L, V
3 (L − B) D, V L, B
4 (L/D − V ) D, B L/D, V
5 (L/D − B) D, Q L/D, B
6 (D − V /B) L, B D, V /B
7 (L − V /B) D, B L, V /B
8 (L/D − V /B) D, B L/D, V /B
82 Capı́tulo 5. Diseño e implementación de controladores.

Acumulador

Acumulador

L
LC
L
D x1 D
x1
L D TC L D

F F
z z

TC
V
V LC
Q V V
xn xn

B B

B B

a Columna en lazo abierto. b Configuración (L − V ).

Acumulador
Acumulador

LC L
LC
x1 L D
x1
D

TC L D TC L D

F F
z z

TC LC
V V
LC TC
V xn V
xn

B B

B B

c Configuración (D − V ). d Configuración (L − B).

Figura 5.1: Configuración de control en la columna de destilación.

5.2. Metodologı́a para la implementación de controladores predictivos en la columna de
destilación. 83

5.2. Metodologı́a para la implementación de contro-

ladores predictivos en la columna de destilación
La metodologı́a utilizada para la implementación de controladores en la columna de
destilación es la siguiente:

1. Selección de variables. Involucra la selección de variables manipuladas, contro-

ladas y prealimentadas. Aunque estas variables pudieran cambiar durante el diseño
del controlador, éste estará fuertemente afectado por las decisiones iniciales.
2. Obtención de la respuesta temporal del proceso. Se deben verificar los
tiempos de respuesta del proceso para escoger el tiempo de muestreo.
3. Obtención del modelo de predicción. El modelo de predicción es lo más
importante en este tipo de controladores, debe de ser formulado dependiendo de
la complejidad de la dinámica del proceso y la capacidad de procesamiento del
“hardware” donde se implementará el controlador.
4. Pruebas en simulación. En esta etapa se ajustan los parámetros del controlador
y se procede a la simulación para verificar su funcionamiento.
5. Desarrollo de una interfaz operador-proceso. Con la simulación completa,
se desarrolla el software necesario para el control en tiempo real.
6. Pruebas experimentales. El controlador se pone a trabajar en tiempo real en
“modo de predicción”. En este momento se observan las predicciones hechas, ası́ co-
mo los movimientos de control calculados, para asegurarse de que sean razonables.
7. Validación y análisis de resultados. Finalmente se cierra el lazo y se observa
su funcionamiento. Los resultados de los controladores MPC se cuantifican gene-
ralmente en mejoras al rendimiento del proceso.

5.3. Controlador MPC para el flujo de agua al con-

densador
Antes de pasar al control de las composiciones de los productos de la columna, se
necesitan fijar algunas variables como lo son la presión, la temperatura de entrada
de la mezcla, los niveles en los tanques y el flujo de agua al condensador. Esto para
asegurar ciertas condiciones de operación. Y aunque en realidad en la planta piloto de
destilación ya se tienen controladas estas variables por medio de controladores PIs y,
en las suposiciones hechas en la Sección 4.2 se asume que el condensador es total; se
realiza el control de flujo de agua de alimentación al condensador para mostrar el diseño
e implementación experimental de un controlador a la columna de destilación.
84 Capı́tulo 5. Diseño e implementación de controladores.

FV1
E1
H2O FI1
V7
V8

Figura 5.2: Diagrama de instrumentación de la sección del condensador.

5.3.1. Selección de variables

El flujo de agua al condensador E1 se suministra por una bomba externa a la planta

piloto de destilación. El lı́quido fluye a través de un tubo de acero inoxidable y se regula
mediante una válvula neumática FV1. El flujo volumétrico de agua se sensa por un
medidor electrónico de área variable FI1 de rango 100-1000 Lts/hr. El diagrama de
instrumentación de esta sección de la columna se muestra en la Figura 5.2 2 .
Por lo que la variable manipulada es la válvula neumática FV1 (mostrada en la
Figura 5.3a) y la variable controlada es la medición del flujo volumétrico mediante el
sensor FI1 (mostrado en la Figura 5.3b).

a Válvula neumática FV1. b Sensor de flujo FI1.

Figura 5.3: Variables manipulada y controlada para el control de flujo de agua de

alimentación al condensador.

2
Vea la nomenclatura de este diagrama en la Tabla 4.2 de la página 66.
5.3. Controlador MPC para el flujo de agua al condensador. 85

5.3.2. Obtención de la respuesta temporal del proceso

En esta etapa, mediante la aplicación de un escalón de 0 a 100 % de apertura a

la válvula neumática FV1, se obtiene la respuesta temporal del sistema mostrada en
la Figura 5.4. En esta figura se aprecia que la constante de tiempo del sistema es
aproximadamente 0.5 segundos, lo que indica que el sistema es rápido. Por lo que el
tiempo de muestreo elegido es de 0.05 segundos (tomando en cuenta que se requiere un
tiempo de muestreo de aproximadamente entre 4 y 10 veces la constante de tiempo del
sistema).
Adicionalmente, en esta etapa se pudo verificar que las variables elegidas en la etapa
de “selección de variables” son utilizables.

Respuesta al escalón

0.35
Flujo de agua al condensador (L/hr) x 1000

0.3

0.25

0.2

0.15

0.1

0.05

0
0 0.25 0.5 0.75 1 1.25 1.5 1.75 2 2.25 2.5 2.75 3
Tiempo (seg)

Figura 5.4: Respuesta al escalón del flujo de agua de alimentación.

5.3.3. Obtención del modelo de predicción

Habiéndose desarrollado en Simulinkr el bloque MPC, el control del flujo es una

tarea trivial, donde únicamente bastarı́a obtener el modelo de predicción en una repre-
sentación de espacio de estados discreto y fijar los parámetros de sintonı́a del contro-
lador. Sin embargo, como se sabe que el modelo es parte fundamental del controlador,
el modelo del proceso se estima mediante el algoritmo de mı́nimos cuadrados recursivos.
86 Capı́tulo 5. Diseño e implementación de controladores.

La respuesta temporal de la Figura 5.4 nos puede dar información adicional del
modelo, como son: el tiempo de establecimiento, sobretiro, etc. Esto principalmente
para conocer el orden del sistema a controlar. Y, debido a estas caracterı́sticas, se
concluye que el modelo del proceso (que se usará como modelo de predicción) se puede
describir matemáticamente por una función de transferencia de segundo orden:
b0 z + b1
F (z) = (5.1)
z 2 + a1 z + a2
los parámetros de la función de transferencia b0 , b1 , a1 y a2 se estiman con el algoritmo
de mı́nimos cuadrados recursivos descrito a continuación.

Mı́nimos cuadrados recursivos

El algoritmo de mı́nimos cuadrados recursivos [Åstrom y Wittenmark, 1995] se re-

sume en :
h i
T
θ̂(k) = θ̂(k − 1) + K(k) y(k) − ϕ (k)θ̂(k − 1) (5.2)
K(k) = P (k)ϕ(k)
£ ¤−1
= P (k − 1)ϕ(k) λf I + ϕT (k)P (k − 1)ϕ(k) (5.3)
£ ¤ P (k − 1)
P (k) = I − K(k)ϕT (k) (5.4)
λf
Donde:
θ̂(k) Vector de parámetros estimados en el instante k.
y(k) Valor de la salida del modelo en el instante k.
ϕ(k) Vector de regresión del modelo.
K(k) Vector de ganancias de identificación.
P (k) Matriz de covarianza de θ̂(k) en el instante k.
λf Factor de olvido.
Si se restablece la matriz P (k) periódicamente a sus valores iniciales, hace que la
estimación de parámetros sea más rápida y efectiva en el caso de que el proceso cambie
sus parámetros. Ası́ como emplear un factor de olvido λf < 1 hace que los elementos
de la matriz P (k) calculados por la ecuación (5.4) no decrezcan drásticamente durante
la estimación.

5.3.4. Pruebas en simulación

El esquema de simulación del control MPC se muestra en la Figura 5.5 y se compara

con un controlador PI que fue sintonizado como está actualmente en la planta piloto
de destilación. Los parámetros de sintonı́a de los controladores se pueden apreciar en
la Tabla 5.2.
5.3. Controlador MPC para el flujo de agua al condensador. 87

Modelo del
proceso
Estimación de
parámetros

Set Point Planta: Flujo de agua

Control MPC Salida
al condensador
Entrada

Figura 5.5: Esquema de simulación para el control MPC de flujo de agua al condensador.

Tabla 5.2: Parámetros de los controladores del flujo de agua al condensador.

Control PI Control MPC Estimación de parámetros

Parámetro Valor Parámetro Valor Parámetro Valor inicial
P 1 HP 5 θ̂(0) [0 0 0 0]T
I 5.5 HC 3 λf 0.98
α 0.7 P (0) 1 × 104 I
λ 1 Reinicia cada 3 seg.

El modelo de predicción es la representación en espacio de estados discreto de la

ecuación (5.1) con un tiempo de muestreo de 0.05 segundos.
El objetivo de control es que el flujo de agua se mantenga constante. Recomienda
[E.Veneta, 1998] un flujo aproximado de 300 L/hr en el flujo de agua del condensador
para un buen funcionamiento.
Para efectos de simulación y observar el comportamiento del controlador ante cambios
de parámetros, el modelo a controlar es:


 0.33
 0 ≤ t < 11
F (s) = 0.3s + 1

 0.3
 11 ≤ t
0.35s + 0.9

La única restricción incluida en la optimización para el cálculo de la señal de control

en el MPC es la de la apertura de la válvula (variable manipulada) que va de totalmente
abierta a totalmente cerrada: 0 % ≤ u(k) ≤ 100 %. Para el caso del controlador PI, la
señal se calcula sin tomar en cuenta las restricciones y se satura en caso de que se llegara
a violar.
88 Capı́tulo 5. Diseño e implementación de controladores.

Salida del sistema

Flujo de agua (L/h) x1000

0.3

0.2

0.1 Ref
PI
MPC
0
0 5 10 15 20 25
Tiempo (seg)
Señal de control
100
Apertura de la válvula (%)

80

60

40

20

0
0 5 10 15 20 25
Tiempo (seg)

Estimación de parámetros a1 a2

−0.2
Parámetros

−0.4 a2

−0.6 a1

−0.8

−1
0 5 10 15 20 25
Tiempo (seg)
Estimación de parámetros b0 b1

0.03
Parámetros

0.02
b
0
0.01 b
1

0 5 10 15 20 25
Tiempo (seg)

Figura 5.6: Simulación del control de flujo de agua al condensador.

5.3. Controlador MPC para el flujo de agua al condensador. 89

Los resultados de la simulación se muestran en la Figura 5.6. Se puede apreciar

que para el controlador MPC los parámetros del modelo (b0 , b1 , a1 , a2 ) convergen3
rápidamente y la salida controlada sigue sin problema la referencia. Sin embargo, en el
momento en que varı́a la dinámica de la planta (t = 11 seg), el control se ve severamente
afectado por unos instantes, hasta que convergen nuevamente los parámetros. Esto se
debe a que el control depende directamente de las predicciones hechas con el modelo. El
controlador PI no se ve afectado visiblemente en el instante del cambio en la dinámica
de la planta. Sin embargo, sı́ varı́a la respuesta en lazo cerrado afectando principalmente
el sobretiro y el tiempo de convergencia de la variable controlada a la referencia.
El análisis del error de forma cuantitativa se puede apreciar en la Tabla 5.3 de la
página 93.

5.3.5. Desarrollo de una interfaz operador-proceso

La implementación experimental está hecha en LabViewr en donde se programa

el controlador MPC y el estimador de parámetros por mı́nimos cuadrados recursivos.
El programa se presenta al usuario en un ambiente gráfico, la pantalla principal del
programa se puede apreciar en la Figura 5.7.

Figura 5.7: Pantalla principal del programa para el control en tiempo real.

Las mediciones de flujo hechas por el medidor electrónico FI1 se envı́an al regulador
Digitric 500 4 por medio del cual se tiene acceso a los datos. Se actúa sobre la válvula
3
Los valores a los que se converge son para 0 ≤ t < 11: b0 = 0.0314, b1 = 0.0156, a1 = −0.4076,
a2 = −0.4499; para t ≤ 11: b0 = 0.0247, b1 = −0.0002, a1 = −0.9337, a2 = 0.0074.
4
Vea la descripción de este dispositivo en la página 72.
90 Capı́tulo 5. Diseño e implementación de controladores.

Programa
para el
MAESTRO
control MPC

Ciclo petición-respuesta
Formato
Red MODBUS

ESCLAVOS
Digitric 500 Manejador de registros

Actuador Sensor
FV1 FI1

Figura 5.8: Jerarquı́a de la interfaz operador-proceso.

Figura 5.9: Programa del control interactuando con la planta piloto.

5.3. Controlador MPC para el flujo de agua al condensador. 91

neumática FV1 a través del mismo regulador. La comunicación entre el regulador

Digitric 500 y el programa que contiene el algoritmo de control es mediante el protocolo
de comunicación MODBUS 5 . El diagrama jerárquico de la interfaz operador-proceso se
muestra en el Figura 5.8. La Figura 5.9 muestra al programa para el control en tiempo
real interactuando con la planta piloto de destilación.

5.3.6. Pruebas experimentales

En esta etapa se pone a trabajar el controlador en tiempo real en “modo de predic-

ción” para verificar los cálculos que el controlador realiza, tanto para la predicción de
la salida como para la señal de control. Esta verificación se hace con el fin de evitar que
un mal cálculo en las predicciones (por un mal modelado o errores en la programación)
pudiera originar una señal de control fuera de los lı́mites del proceso y dañar algún
dispositivo del sistema, ya sea al actuador o al propio condensador.
Para el control en tiempo real del flujo de agua al condensador, se utiliza el mismo
esquema planteado en la simulación del control (mostrado en la Figura 5.5), ası́ como
también la misma sintonización para ambos controladores (mostrada en la Tabla 5.2).
El resultado más importante que arroja esta prueba es que no se podrá controlar
este sistema con un tiempo de muestreo de 0.05 segundos. Esto no es posible porque
el regulador Digitric 500 permite como tiempo mı́nimo de muestreo 0.2 segundos. Adi-
cionalmente, el tiempo de cálculo de la señal de control y la estimación de parámetros
del modelo en lı́nea es de aproximadamente 0.9 segundos. Debido a esto, el nuevo tiempo
de muestreo es de 1 segundo para el desarrollo experimental.

5.3.7. Validación y análisis de resultados

Los resultados del control se muestran en la gráficas de las Figuras 5.10 y 5.11. Es
evidente que con el controlador MPC se tiene un tiempo de establecimiento menor que
con el controlador PI 6 . Sin embargo, para el proceso de destilación, donde se requiere
únicamente mantener el flujo de agua constante, no representa beneficios notables ya
que el proceso de destilación es un proceso muy lento. Finalmente para apreciar mejor
el transitorio, se tiene la gráfica mostrada en la Figura 5.12.
Además de estos resultados cualitativos, los resultados de control se pueden cuan-
5
El protocolo MODBUS es un estándar en las comunicaciones en entornos industriales y utiliza
una técnica maestro - esclavo, en la cual sólo un dispositivo (el maestro) puede iniciar transacciones
(llamadas ‘peticiones’). Los otros dispositivos (los esclavos) responden suministrando al maestro el
dato solicitado, o realizando la acción solicitada en la petición [Digitric, 2001].
6
El controlador PI que se utiliza para las pruebas experimentales es el controlador de la planta
piloto de destilación FC (sigla en el diagrama de instrumentación de la página 67). Este controlador
se encuentra incorporado en el regulador Digitric 500.
92 Capı́tulo 5. Diseño e implementación de controladores.

Salida del sistema

Flujo de agua (L/h) x 1000

0.3

0.2

0.1 Setpoint
PI
MPC
0
0 200 400 600 800 1000 1200 1400 1600 1800

Señal de control
Apertura de la válvula (%)

60

40

20

0
0 200 400 600 800 1000 1200 1400 1600 1800
Tiempo (seg)

Figura 5.10: Control del lazo de flujo de agua al condensador (tiempo real).
Parámetros estimados a1 a2
1
Parámetros

0 a2
a1
−1

−2
0 2 4 6 8 10

Parámetros estimados b0 b1

0.2 b0
Parámetros

0.15 b
1

0.1

0.05

0
0 2 4 6 8 10
Tiempo (seg)

Figura 5.11: Parámetros estimados (tiempo real).

5.3. Controlador MPC para el flujo de agua al condensador. 93

Salida del sistema

Flujo de agua (L/h) x 1000 0.26

0.24

Setpoint
0.22 PI
MPC
0.2
1540 1560 1580 1600 1620 1640 1660 1680 1700

Señal de control
Apertura de la válvula (%)

55

50

45

40

35
1540 1560 1580 1600 1620 1640 1660 1680 1700
Tiempo (seg)

Figura 5.12: Control del lazo de flujo de agua al condensador (tiempo real).

tificar mediante una evaluación del error entre los valores deseados y los valores obtenidos
con cada uno de los controladores. El ı́ndice de error utilizado para este fin es el error
medio cuadrático (EMC ) y se expresa de la siguiente forma:
v
uN ¡ ¢
u P set real 2
u FCj − FCj
t j=1
EM C =
N

donde FC es el flujo volumétrico de alimentación de agua al controlador y el error medio

cuadrático tiene unidades de L/hr. Se toman datos cada periodo de muestreo, por lo
que N = 864 para las simulaciones y N = 1800 para la parte experimental. Este error
nos proporciona el error promedio a lo largo del experimento, los valores calculados se
muestran en la Tabla 5.3.

Tabla 5.3: Error medio cuadrático del control del flujo de agua de alimentación.

Control MPC Control PI

Simulación (Figura 5.6) 28.9 22.8
Tiempo real (Figura 5.10) 2.6 28.4
94 Capı́tulo 5. Diseño e implementación de controladores.

5.4. Controlador MPC para la columna de desti-

lación
En esta sección se hará el diseño de un controlador predictivo multivariable para una
columna de destilación binaria. El objetivo de control es obtener los valores de salida
deseados para las composiciones en el condensador x1 y en el hervidor xn . El proceso
a controlar está ampliamente descrito en el Capı́tulo 4. El controlador se validará en
simulación por lo que únicamente se abarcarán los pasos del 1 al 4 de la metodologı́a
propuesta en la Sección 5.2, para posteriormente pasar al análisis de los resultados.

5.4.1. Selección de variables

Debido al conocimiento del proceso y a las diferentes configuraciones de control pre-

sentadas en la Sección 5.1, se escoge la configuración (L − V ) ya que se considera un
estándar en el control de composición dual.
Por las suposiciones hechas en la formulación del modelo, se consideran como va-
riables secundarias: la presión a lo largo de la columna, flujo de agua al condensador,
temperatura de la mezcla de entrada, composición de la mezcla de entrada y el nivel
en el hervidor7 . Estas variables se consideran perfectamente controladas.
Las variables que se consideran para cumplir los objetivos de control son:

• Variables controladas.
¦ Composición en el condensador x1 .
¦ Composición en el hervidor xn .
• Variables manipuladas.
¦ Electroválvula de reflujo R.
¦ Potencia calefactora en la termorresistencia de calentamiento QB .
• Variables prealimentadas.
¦ Flujo volumétrico de alimentación FV .

Note de las ecuaciones (4.6), (4.7) y (4.9) que: la señal aplicada a la electroválvula R
afecta directamente al flujo molar lı́quido LR ; la potencia aplicada a la termorresistencia
de calentamiento QB afecta directamente al flujo molar de vapor VS ; y, el flujo molar de
vapor F es afectado directamente por FV y puede considerarse como una perturbación
medible.
7
Recuerde que la planta piloto de destilación no cuenta con un tanque de reflujo o acumulador, por
lo que no es necesario hacer el control de nivel de dicho tanque, vea el diagrama de instrumentación
en la página 67.
5.4. Controlador MPC para la columna de destilación. 95

5.4.2. Obtención de la respuesta temporal

La respuesta al escalón (unitario) de la planta se muestra en la Figura 5.13. De estas

gráficas se puede notar que los escalones que se aplican al flujo de alimentación FV y
a la potencia de calefacción QB tienen muy poco efecto sobre las composiciones x1 y
xn , si se comparan con el efecto que tiene un escalón aplicado en la electroválvula de
reflujo. Estos efectos tendrán que ser compensados cuando se asignen las penalizaciones
a la señal de control en la función de costo (3.14).
Composición molar líquida en el condensador

Escalón en la electroválvula de reflujo Escalón en flujo de alimentación Escalón en la potencia calefactora

0.96 0.942 0.9421

0.94 0.9419
0.9421

0.92 0.9418
0.942
0.9 0.9417

0.942
0.88 0.9416

0.86 0.9415 0.942

0 200 400 0 200 400 0 200 400
Composición molar líquida en el hervidor

0.6 0.5662 0.565

0.566 0.565
0.4
0.5658
0.565
0.2 0.5656
0.565
0 0.5654
0.565
0.5652
-0.2 0.565
0.565

-0.4 0.565
0 200 400 0 200 400 0 200 400
t (min) t (min) t (min)

Figura 5.13: Respuesta al escalón de la CDD.

5.4.3. Obtención del modelo de predicción

El modelo de la columna de destilación, compuesto por las ecuaciones algebraicas

(4.5) a la (4.15) y el conjunto de ecuaciones diferenciales (4.19) componen un sistema
no lineal y, aunque sı́ se pueden predecir los estados futuros con un modelo no lineal, es
sumamente difı́cil encontrar una solución al problema de minimización para el cálculo
de las futuras entradas al proceso. Ésto principalmente por problemas de convexidad, ya
que no se puede garantizar una solución global, ası́ como tampoco se puede garantizar
la búsqueda de una solución local dentro de un tiempo de cálculo razonable.
En los últimos años el control predictivo no lineal ha sido objeto de estudio, tanto
desde el punto de vista de sus propiedades como de su implementación. Y existen
96 Capı́tulo 5. Diseño e implementación de controladores.

algunas alternativas que buscan evitar la resolución de un problema de programación no

convexa, no lineal. En este caso, el controlador MPC propuesto, emplea una estrategia
conocida como “linealización en lı́nea”, es decir, una linealización del modelo del proceso
en cada perı́odo de muestreo para calcular una “respuesta optimizada” con el modelo
linealizado en ese instante. Esta estrategia es una alternativa aproximada al control
predictivo no lineal y garantiza que el control presente una menor sensibilidad a los
cambios de punto de operación.
La ecuación de equilibrio vapor-lı́quido describe la relación entre las composiciones
de vapor yi y lı́quido xi en cada plato de la columna y está dado por la expresión no
lineal:
αxi
yi = , i = 1, ..., n. (5.5)
1 + (α − 1) xi

Donde α es la volatilidad relativa y depende de la mezcla.

Siendo x el vector de estados de dimensión n (igual al número de platos) cuyos
componentes son las composiciones xi y vector de entradas es u = ( LR VS F )T ; se
compone un sistema no lineal (4.19) de la forma:
½
ẋ = f (x, u)
y = g (x, u)

Se linealiza el modelo alrededor del punto (u, x, y) = (u∗ , x∗ , y ∗ ), que representa

el estado nominal o punto de operación del sistema. Lo cual nos lleva a un sistema
continuo, lineal e invariante en el tiempo de la forma:
½
ẋ = Ax + Bu
y = Cx + Du

∂f ∗ ∗ ∂f ∗ ∗ ∂g ∗ ∗ ∂g ∗ ∗
Donde A = (x , u ), B = (x , u ), C = (x , u ) y D = (x , u ).
∂x ∂u ∂x ∂u
Se comienza linealizando la ecuación (5.5) de equilibrio vapor-lı́quido:

∂yi α
=
∂xi [1 + (α − 1) x∗i ]2

Linealización de la ecuación condensador.

M1 ẋ1 = VR (y2 − x1 )

Pasando la ecuación en términos de u∗ , x∗ :

M1 ẋ1 = [VS + (1 − q) F ] (y2 − x1 )

5.4. Controlador MPC para la columna de destilación. 97

Linealizando:
∂f ∂f ∗ ∗ 1
(x∗ , u∗ ) = 0; (x , u ) = − [VS + (1 − q) F ]
∂LR ∂x1 M1
∂f 1 1
(x∗ , u∗ ) = (y2 − x∗1 ) ; =− (LR + D) ;
∂VS M1 M1
∂f ∗ ∗ 1 ∂f ∗ ∗ 1
(x , u ) = (1 − q) (y2 − x∗1 ) ; (x , u ) = VS y2∗ .
∂F M1 ∂x2 M1

Linealización de la sección de enriquecimiento.

Mi ẋi = VR (yi+1 − yi ) + LR (xi−1 − xi ) ; i = 2, ..., f − 1

Pasando la ecuación en términos de u∗ , x∗ :

Mi ẋi = [VS + (1 − q) F ] (yi+1 − yi ) + LR (xi−1 − xi )

Linealizando:
∂f 1 ¡ ¢ ∂f 1
(x∗ , u∗ ) = x∗i−1 − x∗i ; (x∗ , u∗ ) = − LR ;
∂LR Mi ∂xi−1 Mi
∂f 1 ∂f ∗ ∗ 1
(x∗ , u∗ ) = (yi+1 − yi ) ; (x , u ) = − (LR + VR y2∗ ) ;
∂VS Mi ∂xi Mi
∂f ∗ ∗ 1 ∂f 1
(x , u ) = (1 − q) (yi+1 − yi ) ; (x∗ , u∗ ) = ∗
VR yi+1 .
∂F Mi ∂xi+1 Mi

Linealización de la ecuación plato de alimentación.

Mf ẋf = VS yf +1 − VR yf + LR xf −1 − LS xf + F xF c

Pasando la ecuación en términos de u∗ , x∗ :

Mf ẋf = VS yf +1 − VS yf − (1 − q) F yf + LR xf −1 − LR xf − qF xf + F xF c

Linealizando:
∂f 1 ¡ ¢ ∂f 1
(x∗ , u∗ ) = x∗f −1 − x∗f ; (x∗ , u∗ ) = − LR ;
∂LR Mf ∂xf −1 Mf
∂f 1 ∂f 1 ¡ ¢
(x∗ , u∗ ) = (yf +1 − yf ) ; (x∗ , u∗ ) = − LS + VR yf∗ ;
∂VS Mf ∂xf Mf
∂f ∗ ∗ 1 £ ¤ ∂f 1
(x , u ) = − (1 − q) yf − qx∗f + xF c ; (x∗ , u∗ ) = VS yf∗+1 .
∂F Mf ∂xf +1 Mf

Linealización de la sección de empobrecimiento.

Mi ẋi = VS (yi+1 − yi ) + LS (xi−1 − xi ) ; i = f + 1, ..., n − 1

98 Capı́tulo 5. Diseño e implementación de controladores.

Pasando la ecuación en términos de u∗ , x∗ :

Mi ẋi = VS (yi+1 − yi ) + (LR + qF ) (xi−1 − xi )

Linealizando:

∂f 1 ¡ ∗ ¢ ∂f 1
(x∗ , u∗ ) = xi−1 − x∗i ; (x∗ , u∗ ) = − LS ;
∂LR Mi ∂xi−1 Mi
∂f 1 ∂f ∗ ∗ 1
(x∗ , u∗ ) = (yi+1 − yi ) ; (x , u ) = − (LS + VS yi∗ ) ;
∂VS Mi ∂xi Mi
∂f ∗ ∗ 1 ¡ ∗ ¢ ∂f 1
(x , u ) = q xi+1 − x∗i ; (x∗ , u∗ ) = ∗
VS yi+1 .
∂F Mi ∂xi+1 Mi

Linealización de la ecuación del hervidor.

Mn ẋn = VS (xn − yn ) + LS (xn−1 − xn )

Pasando la ecuación en términos de u∗ , x∗ :

Mn ẋn = (LR + qF ) xn−1 + VS yn − xn (LR + qF − VS )

Linealizando:

∂f 1 ¡ ∗ ¢ ∂f 1
(x∗ , u∗ ) = xn−1 − x∗n ; (x∗ , u∗ ) = − LS ;
∂LR Mn ∂xn−1 Mn
∂f 1 ∂f 1
(x∗ , u∗ ) = (x∗n − yn∗ ) ; (x∗ , u∗ ) = [−LR − qF + VS − VS yn∗ ]
∂VS Mn ∂xn Mn
∂f ∗ ∗ 1 ¡ ∗ ¢ 1
(x , u ) = q xn−1 − x∗n ; =− [B + VS yn∗ ]
∂F Mn Mn

De esta forma, la matriz A es una matriz tri-diagonal y tiene dimensión n × n y no

es cero para los siguientes términos:
 

 LR 

∗
VR yi+1

 i = 2, ..., f, 
 i = 1,

 M 
 Mi

 i 
 ∗
LS VR yi+1
Ai,i−1 = i = f + 1, ..., n − 1, Ai,i+1 = i = 2, ..., f − 1,

 M 
 M


i 

i

 LS 

∗
VS yi+1

 i=n 
 i = f, ..., n − 1.
Mi Mi
5.4. Controlador MPC para la columna de destilación. 99



 LR + D

 − i = 1,

 Mi



 LR + VR yi
∗

 − i = 2, ..., f − 1,

 Mi


LS + VR yi∗
Ai,i =
 −
 Mi
i = f,



 LS + VS yi∗

 − i = f + 1, ..., n − 1,

 Mi



 B + VS yi∗

 − i=n
Mi

La matriz B tiene dimensión n × 3 y la i-ésima fila esta dada por:



 1 £ ¤

 0 (y i+1 − x ∗
) (1 − q) (y i+1 − x ∗
) i = 1,

 Mi i i



 1 £ ¡ ∗ ¢ ¤

 xi−1 − x∗i (yi+1 − yi ) (1 − q) (yi+1 − yi ) 1 < i < f,

 Mi


1 £ ¡ ∗ ¢ ¤
Bi = x − x ∗
(y i+1 − y i ) x F c − qx ∗
− (1 − q) y i i = f,

 Mi i−1 i i



 1 £ ¡ ∗ ¢ ¡ ¢ ¤

 xi−1 − x∗i (yi+1 − yi ) q x∗i−1 − x∗i f < i < n,

 Mi



 1 £ ¡ ∗ ¢ ¡ ¢ ¤

 xi−1 − x∗i (x∗i − yi ) q x∗i−1 − x∗i i = n.
Mi

Finalmente para tener todos los estados disponibles, la matriz C es una matriz iden-
tidad de n × n y la matriz D = 0.

5.4.4. Pruebas en simulación

El controlador MPC se aplicará al modelo de la columna de destilación del Capı́tulo 4

cuyas caracterı́sticas fı́sicas se muestran en la Tabla A.1 y la mezcla a separar será
Metanol-Etanol. En la Tabla A.2 se muestran las caracterı́sticas termodinámicas de la
mezcla y los parámetros iniciales de la planta piloto para las simulaciones se muestra
en la Tabla A.3. Todas estas tablas se encuentran en el Apéndice A. La simulación fue
hecha en Simulinkr de Matlabr .
Finalmente se escoge un tiempo de muestreo de 0.2 minutos (12 segundos), esto para
que el modelo lineal calculado en cada instante de muestro, no diverja del “modelo real”.
Y, para que se compense el efecto de manipulación de la electroválvula de reflujo con
la potencia calefactora (ver la Figura 5.13), se le pone un peso de 1 a la penalización de
esfuerzos de control de la electroválvula y de 0.001 a la potencia de la termoresistencia.
100 Capı́tulo 5. Diseño e implementación de controladores.

Los esquemas de simulación se muestran en la Figura 5.14, se consideran dos casos

básicos:

• Caso 1. MPC con modelo lineal de la columna para las predicciones.

• Caso 2. MPC con modelo de la columna linealizado en lı́nea (linealización en cada
instante de muestreo) para las predicciones:
a) La válvula de reflujo R puede abrirse proporcionalmente según las necesidades,
para el control de la columna.
b) La válvula de reflujo R solamente puede tomar dos posiciones, totalmente
abierta, o totalmente cerrada, como es el caso de la planta piloto. Para este
caso, la señal a la válvula calculada por el MPC se convierte a una señal de
pulsos, de tipo PWM, para que pueda aplicarse a la válvula.

Se utilizan las mismas suposiciones de la Sección 4.2, por lo que desde t = 0 los flujos
molares de las etapas de enriquecimiento y empobrecimiento son constantes; ası́ co-
mo las masas retenidas en cada plato son constantes. Las condiciones iniciales de las
concentraciones en cada plato de la columna de destilación son:

x0 = [0.942, 0.915, 0.9, 0.865, 0.82, 0.81, 0.804, 0.73, 0.722, 0.65, 0.624, 0.565]T

Para todos los casos se hacen pruebas de regulación y seguimiento, se comienza

trabajando sin alimentación (destilación por lote) para posteriormente perturbar el
sistema en con un flujo volumétrico de alimentación de 50 mL/min.
Note que la dinámica de la columna es no lineal, dadas por las ecuaciones algebraicas
(4.5) a la (4.15) y el conjunto de ecuaciones diferenciales (4.19). Lo único que cambia
para cada caso es el modelo que se utiliza para las predicciones. Para todos los casos se
utilizan los mismos parámetros sintonı́a, mostrados en la Tabla 5.4.
Para la sintonı́a del controlador MPC, se toman horizontes de predicción y control
cortos debido a que el modelo de predicción es un modelo linealizado en ese instante
de muestreo y válido solamente para la vecindad de ese punto de linealización. Por las
caracterı́sticas fı́sicas del sistema, es necesario tomar en consideración las restricciones
para el cálculo de la señal de control:

0 % ≤ R ≤ 100 %

0 watt ≤ QB ≤ 2500 watts

Para el caso del controlador PI, la sintonı́a fue hecha en un punto de operación, como
generalmente se hace para este tipo de controladores, siguiendo las guı́as de sintonı́a
que se proporcionan en [Luyben, 1992]. Para este caso las restricciones no se toman en
cuenta en el cálculo de la señal de control, en caso de que se viole alguna restricción, la
señal se satura a sus lı́mites.
5.4. Controlador MPC para la columna de destilación. 101

D PI-L
FT FC
Txi
FT FC
Txi D
R
R

F
FT F

MPC
Multivariable

Txi

LT
LT
LC
PI-V Txi LC

B
B
a Esquema MPC. b Esquema PID.

Figura 5.14: Esquemas de simulación.

Tabla 5.4: Parámetros de sintonı́a los controladores de la planta piloto de destilación.

Control PI (L) Control PI (V ) Control MPC
Parámetro Valor Parámetro Valor Parámetro Valor
P 200 P 2000 HP 20
I 1 I 5000 HC 10
α 0.7
λR 1
λQB 0.001
Ts 0.2 min
102 Capı́tulo 5. Diseño e implementación de controladores.

En las Figuras 5.15 y 5.16 se observan las simulaciones para el primer caso, cuando
se tiene un modelo de predicción lineal. Se puede apreciar en ellas que, debido a las no
linealidades de la planta, solamente es posible controlarla bajo ciertas condiciones de
operación, como por ejemplo el flujo de alimentación constante, ası́ como operar dentro
de la región donde fue linealizado el modelo de predicción.
En las Figuras 5.17 y 5.18 se observan las simulaciones para el caso 2a, con un
modelo de predicción linealizado en cada instante de muestreo y la válvula de reflujo R
operando como una válvula de apertura proporcional según las necesidades de control.
En el caso de regulación (Figura 5.17) se observa la mutua dependencia de las variables
controladas: cuando una variable cambia de punto de operación se afecta a la otra. Sin
embargo, el controlador MPC logra compensar ese efecto debido a que toma en cuenta
estas interacciones, ası́ como los efectos de la perturbación generado por el cambio en
FV . Mientras que el controlador PI se ve afectado por estos efectos e incluso en ciertas
regiones presenta mayor error en estado estable y en el transitorio mayores sobretiros.
Para el caso de seguimiento (Figura 5.18), para ambos controladores es un poco más
sencillo el control, debido a que las variaciones en los puntos de operación es más suave,
sin embargo, el PI sigue teniendo error en estado estable en algunas regiones.
En las Figuras 5.19 y 5.20 se observan las simulaciones para el caso 2b, con un
modelo de predicción linealizado en cada instante de muestreo y la válvula de reflujo R
operando únicamente en las posiciones, totalmente abierta y totalmente cerrada. Para el
caso de regulación (Figura 5.19) se aprecia que el control predictivo, toma más tiempo en
estabilizarse que en el caso 2a, sobretodo en el control de xC , ésto por el efecto de pérdida
de información al momento de convertir la señal de control calculada por el controlador a
una señal de pulsos, sin embargo logra llevar a las salidas al punto deseado. El control PI
se pierde totalmente cuando hay cambios en los puntos de operación grandes, pues en el
intento de llevar las salidas al punto deseado calcula señales de control que sobrepasan
los lı́mites permitidos de éstas variables y se saturan a sus lı́mites, mientras que el
control MPC se “anticipa” a la violación de estas restricciones y por ello logra hacer un
mejor control. En el caso de seguimiento (Figura 5.20) se puede apreciar que al igual
que el caso 2a es más sencillo porque los cambios en los puntos de operación son más
suaves, y por ello PI calcula señales de control suaves, sin necesidad de violar alguna
restricción.
Tanto para el caso 2a como para el caso 2b en regulación y en seguimiento, el efecto
de la perturbación FV se compensa debido a que ésta es una variable medible y tomada
en cuenta para las predicciones en el control MPC, mientras que el control PI no lo
considera y por ello genera en esos puntos, errores en estado estable en las salidas
controladas.
5.4. Controlador MPC para la columna de destilación. 103

Composición en el condensador
1

0.95
xC

0.9

MPC
0.85
Set Point

0 50 100 150 200 250 300 350 400

Tiempo (min)

Composición en el hervidor
0.55
MPC
Set Point
0.5
xB

0.45

0.4

0 50 100 150 200 250 300 350 400

Tiempo (min)

Señal de entrada a EV1

100
R (%)

50

0
0 50 100 150 200 250 300 350 400
Tiempo (min)
Flujo volumétrico de alimentación
60
FV (mL/min)

40

20

0
0 50 100 150 200 250 300 350 400
Tiempo (min)
Potencia calefactora
2500
2000
QB (Watts)

1500
1000
500
0
0 50 100 150 200 250 300 350 400
Tiempo (min)

Figura 5.15: Caso 1. Modelo de predicción lineal, Regulación.

104 Capı́tulo 5. Diseño e implementación de controladores.

Composición en el condensador
1
MPC
Set Point
0.98
xC

0.96

0.94

0.92
0 50 100 150 200 250 300 350 400
Tiempo (min)

Composición en el hervidor
0.55 MPC
Set Point

0.5
xB

0.45

0.4

0 50 100 150 200 250 300 350 400

Tiempo (min)

Señal de entrada a EV1

80

60
R (%)

40

20

0
0 50 100 150 200 250 300 350 400
Tiempo (min)
Flujo volumétrico de alimentación
60
FV (mL/min)

40

20

0
0 50 100 150 200 250 300 350 400
Tiempo (min)
Potencia calefactora
2500
2000
QB (Watts)

1500
1000
500
0
0 50 100 150 200 250 300 350 400
Tiempo (min)

Figura 5.16: Caso 1. Modelo de predicción lineal, Seguimiento.

5.4. Controlador MPC para la columna de destilación. 105

Composición en el condensador
1
Set Point
MPC
0.98 PI

0.96
xC

0.94

0.92
0 50 100 150 200 250 300 350 400
Tiempo (min)

Composición en el hervidor
0.55
Set Point
MPC
0.5 PI
xB

0.45

0.4

0.35
0 50 100 150 200 250 300 350 400
Tiempo (min)

Señal de entrada a EV1

100
MPC
PI
R (%)

50

0
0 50 100 150 200 250 300 350 400
Tiempo (min)
Fujo volumétrico de alimentación
60
FV (mL/min)

40

20

0
0 50 100 150 200 250 300 350 400
Tiempo (min)
Potencia calefactora
MPC
2000 PI
QB (Watts)

1000

0
0 50 100 150 200 250 300 350 400
Tiempo (min)

Figura 5.17: Caso 2a. R (apertura proporcional). MPC y PI, Regulación.

106 Capı́tulo 5. Diseño e implementación de controladores.

Composición en el condensador
1.01
Set Point
1 MPC
PI
0.99

0.98
xC

0.97

0.96

0.95

0.94
0 50 100 150 200 250 300 350 400
Tiempo (min)

Composición en el hervidor
0.55 Set Point
MPC
PI
0.5
xB

0.45

0.4

0 50 100 150 200 250 300 350 400

Tiempo (min)

Señal de entrada a EV1

100
MPC
PI
R (%)

50

0
0 50 100 150 200 250 300 350 400
Tiempo (min)
Fujo volumétrico de alimentación
60
FV (mL/min)

40

20

0
0 50 100 150 200 250 300 350 400
Tiempo (min)
Potencia calefactora
MPC
2000 PI
QB (Watts)

1000

0
0 50 100 150 200 250 300 350 400
Tiempo (min)

Figura 5.18: Caso 2a. R (apertura proporcional). MPC y PI, Seguimiento.

5.4. Controlador MPC para la columna de destilación. 107

Composición en el condensador
1.02
Set Point
1 MPC
PI
0.98
xC

0.96

0.94

0.92

0 50 100 150 200 250 300 350 400

Tiempo (min)

Composición en el hervidor
0.55
Set Point
0.5 MPC
PI
0.45
0.4
xB

0.35
0.3
0.25
0.2
0 50 100 150 200 250 300 350 400
Tiempo (min)

Señal de entrada a EV1

100
MPC
PI
R (%)

50

0
0 50 100 150 200 250 300 350 400
Tiempo (min)
Fujo volumétrico de alimentación
60
FV (mL/min)

40

20

0
0 50 100 150 200 250 300 350 400
Tiempo (min)
Potencia calefactora

MPC
2000
QB (Watts)

PI

1000

0
0 50 100 150 200 250 300 350 400
Tiempo (min)

Figura 5.19: Caso 2b. R (On/Off). MPC y PI, Regulación.

108 Capı́tulo 5. Diseño e implementación de controladores.

Composición en el condensador
1.01
Set Point
1 MPC
PI
0.99

0.98
xC

0.97

0.96

0.95

0.94
0 50 100 150 200 250 300 350 400
Tiempo (min)

Composición en el hervidor
0.55 Set Point
MPC
PI
0.5
xB

0.45

0.4

0 50 100 150 200 250 300 350 400

Tiempo (min)

Señal de entrada a EV1

100
MPC
PI
R (%)

50

0
0 50 100 150 200 250 300 350 400
Tiempo (min)
Fujo volumétrico de alimentación
60
FV (mL/min)

40

20

0
0 50 100 150 200 250 300 350 400
Tiempo (min)
Potencia calefactora
MPC
2000 PI
QB (Watts)

1000

0
0 50 100 150 200 250 300 350 400
Tiempo (min)

Figura 5.20: Caso 2b. R (On/Off). MPC y PI, Seguimiento.

5.5. Conclusiones. 109

5.4.5. Análisis de resultados

El análisis cuantitativo de los resultados se hará nuevamente con el criterio del error
medio cuadrático (EMC ) que nos proporciona el error promedio a lo largo de las simu-
laciones. Para este caso el error se expresa mediante:
v
uN ¡ ¢2
u P set
u xcij − xreal
t j=1 cij
EM C = × 100
N

donde el error medio cuadrático tiene unidades de porcentaje de concentración (que

en este caso corresponde a la concentración de Metanol). El número de muestras es
N = 2000 al ser el perı́odo de muestreo de 0.2 min.
Los resultados se aprecian en la Tabla 5.5. Se puede ver de estos valores de error que
para ambas variables controladas (composición en el condensador y composición en el
hervidor), en todos los casos donde se “linealiza en lı́nea” el modelo de la columna (Caso
2a y 2b), el controlador MPC tiene un mejor desempeño que los controladores PI. El
caso donde se tiene un modelo lineal del proceso (Caso 1) tiene un error mayor debido
a que el modelo utilizado para las predicciones solamente es válido para un punto de
operación y no representa el comportamiento dinámico del proceso fuera de este punto.

Tabla 5.5: Error medio cuadrático de las simulaciones.

Control MPC Control PI

Condensador Hervidor Condensador Hervidor
Caso 1. Regulación 1.44 3.03 – –
Caso 1. Seguimiento 1.11 1.21 – –
Caso 2a. Regulación 0.78 1.15 1.05 1.52
Caso 2a. Seguimiento 0.32 0.70 0.54 0.85
Caso 2b. Regulación 0.81 1.13 2.24 6.99
Caso 2b. Seguimiento 0.35 0.77 0.54 0.85

5.5. Conclusiones
En este capı́tulo se presentaron los resultados obtenidos al aplicarle el control pre-
dictivo al lazo de flujo de agua al condensador en simulación y de forma experimental;
ası́ como las simulaciones del control a la planta piloto de destilación. El desempeño de
estos controladores se comparó con controladores PI. Para llevar a cabo el diseño e im-
plementación de los controladores se utilizó la metodologı́a planteada en la Sección 5.2.
110 Capı́tulo 5. Diseño e implementación de controladores.

Para el control de flujo al condensador se presenta paso a paso el desarrollo del

sistema de control, siendo lo más relevante la implementación experimental, donde la
solución tecnológica para la comunicación entre la PC y la planta piloto es el protocolo
de comunicaciones MODBUS. Se compara el controlador desarrollado con el controlador
PI incorporado en el regulador Digitric 500. Los resultados de control nos muestran que
el control predictivo no es apto cuando los objetivos de control requieren una respuesta
rápida, principalmente porque el tiempo necesario para las predicciones y el cálculo de
la señal de control es grande (hasta de 1 segundo para éste caso, recordando que la
constante de tiempo del sistema es de 0.5 segundos).
La evaluación del controlador multivariable se realizó mediante simulaciones
numéricas, donde el proceso a controlar se representó por el modelo obtenido en el
Capı́tulo 4 para una columna de destilación y el modelo de predicción fue un modelo
de la columna “linealizado en lı́nea”. Con este modelo de predicción se evitó la resolu-
ción de un problema de optimización no convexa, no lineal. Se mostró en este capı́tulo
la efectividad del controlador en cuanto al rechazo de perturbaciones medibles y los
cambios en los puntos de operación del proceso.
Los resultados del control para ambos casos fueron evaluados cuantitativamente me-
diante el criterio de error llamado: error medio cuadrático. El resultado de este criterio
de error representa el promedio de error a lo largo de la simulación o experimento.
Capı́tulo 6

Conclusiones generales y
perspectivas

Para finalizar este trabajo, se presentan a continuación las conclusiones generales y

los trabajos futuros propuestos.

6.1. Conclusiones generales

En el actual documento se presenta el estudio de la técnica del control predictivo desde
sus elementos básicos y las alternativas que se utilizan en diferentes formulaciones. Se
desarrolla un controlador predictivo en ambiente de Simulinkr utilizando la formulación
en espacio de estados, tomándose en consideración diferentes aspectos clave en estos
controladores, como lo pueden ser: la diferencia que pudiera existir entre el modelo de
predicción y el proceso, ası́ como la incorporación de restricciones en el cálculo de la
señal de control. Evidentemente, existen diversas herramientas de control predictivo en
el mercado, entre las que destaca el toolbox de MPC 1 [Morari y Ricker, 1998], que es
más potente que la presentada en este trabajo, al ser su orientación y objetivo distintos.
La Tabla 6.1 muestra una comparativa de las dos herramientas, donde se han destacado
en cursiva aquellas caracterı́sticas del controlador programado.
Se presentan 4 casos de estudio en donde el controlador se pone a prueba. En estos
casos se aprecian: (i) los efectos que tienen los parámetros de sintonı́a, (ii) el control
con un modelo de predicción diferente a la planta, (iii ) la incorporación de restricciones
y (iv ) un caso más complejo donde se controla una planta multivariable, de fase no
mı́nima y operando cerca de las restricciones, donde se puede ver más de cerca las
ventajas que nos ofrece esta técnica de control.

1
El toolbox de MPC no fue empleado en esta tésis.

111
112 Capı́tulo 6. Conclusiones generales y perspectivas.

Tabla 6.1: Tabla comparativa entre el controlador programado y el toolbox de MPC de

Matlabr .

Principales caracterı́sticas de las herramientas Programa Toolbox de

de MPC Matlabr
Código fuente disponible para el usuario. X X
Fácil manejo (no necesita programación para la reali- X ×
zación de ejemplos).
Representación de sistemas en función de transferencia × X
(para el modelo de predicción).
Representación de sistemas en espacio de estados (para X X
el modelo de predicción).
Sistemas multivariables. X X
Tratamiento de restricciones fı́sicas. X X
Tratamiento de sistemas no lineales. X ×
Rechazo de perturbaciones medibles. X X
Rechazo de perturbaciones no medibles. X X
Permite análisis de estabilidad. × X
Identificación de sistemas. × X
Disponibilidad gratuita. X ×

Posteriormente, se da a conocer el modelo y la descripción de la planta piloto de des-

tilación. El modelo se hace en base a ciertas suposiciones como flujos molares constantes
en cada sección, mezcla binaria e ideal, constante de equilibrio ideal, masas retenidas
constantes, etc. Estas suposiciones son muy comunes en la formulación de modelos de
columnas de destilación por su simplicidad para probar estrategias de control. La va-
lidación demuestra de forma gráfica que la simulación numérica del modelo sigue la
dinámica de la planta y aunque no hay un ajuste perfecto se toma como válido.
Se pone en práctica la metodologı́a propuesta en la Sección 5.2 para la implementación
de un controlador predictivo monovariable para el control de flujo de agua al conden-
sador de donde se puede ver que el sistema presenta una dinámica rápida, su cons-
tante de tiempo es de 0.5 segundos aproximadamente, por lo que para una buena
discretización del sistema se requerirı́a muestrear entre 4 y 10 veces la constante de
tiempo, esto es entre 0.05 y .125 seg. Sin embargo, debido a las caracterı́sticas del re-
gulador Digitric 500 (ya que el tiempo mı́nimo de muestreo es de 0.2 segundos) y que
el tiempo de cálculo de la señal de control y de la estimación de parámetros en lı́nea,
no se pueden hacer lo suficientemente rápido, se utiliza un tiempo de muestreo de 1
segundo, que podrı́a considerarse “mucho tiempo”. Pero recuerde que en el caso de
control de una columna de destilación con configuración de control (L − V ), el flujo
de agua al condensador es una variable de control de inventario (secundaria) y debe
permanecer constante a lo largo de todo el proceso, y durante el tiempo de arranque
6.1. Conclusiones generales. 113

de la columna se logra controlar perfectamente antes de que el vapor llegue al conden-

sador, que tarda aproximadamente 30 min. Cabe señalar que el control PI, con el que se
compara el control MPC, es el que se tiene en el lazo 2 del primer regulador Digitric 500
y los parámetros de sintonı́a son los que actualmente se tiene en dicho lazo y aunque
responde más rápido el controlador MPC, es difı́cil de mostrar todas las ventajas de
un controlador MPC comparado con un control PI ya que en este caso no se aprecian
las ventajas del caso multivariable ni cuando se tienen restricciones en la salida, en los
estados, etc.
El tiempo del cálculo de la señal de control en tiempo real (casi 1 segundo para el
lazo SISO) nos demuestra que este tipo de control no está hecho para controlar sistemas
rápidos, aunque existen alternativas, como el control predictivo funcional, que calcula
una señal de control subóptima para agilizar el tiempo de cálculo.
En el control de la columna se pueden apreciar con más detalle los beneficios del
control predictivo interactuando con una planta no lineal y en presencia de restricciones.
Para todos los casos estudiados, el control predictivo presenta un mejor comportamiento
que el controlador PI, ya que logra mantener un error en estado estable igual a cero y
puede compensar los efectos generados por los cambios de referencias en otras variables,
ası́ como el cambio en el punto de operación de la planta debido a la “linealización en
lı́nea”.
Por otro lado, el controlador MPC, también puede rechazar mejor las perturbaciones
generadas por el cambio de flujo de alimentación ya que las toma en cuenta al ser un
controlador multivariable. El efecto del ruido generado por la pérdida de información en
la modulación PWM de la señal de control a la electroválvula genera oscilaciones de la
salida controlada sobre la referencia en cuanto al controlador MPC, pero el controlador
PI en el caso de cambios grandes en la referencia, no puede estabilizar la salida. La
incorporación de restricciones al cálculo de la señal de control garantizan que el MPC
calcule una señal de control acotada, mientras que para el PI, la saturación de la señal
de control afecta su desempeño.
Finalmente para la validación de la hipótesis se utiliza el criterio del error medio
cuadrático. Los resultados que nos proporciona este ı́ndice de desespeño se encuentran
en las Tablas 5.3 y 5.5. Se puede apreciar por simple comparación, que para los diversos
casos estudiados y en todas las variables controladas se tiene un mejor desempeño del
control MPC.
Como ha podido observarse en las ecuaciones que describen la formulación de las
predicciones y el problema de control, los controladores predictivos tratan problemas
complejos de forma óptima, siendo una herramienta de gran valor para abordar pro-
blemas donde se necesita una mejora de la regulación, sin una complejidad conceptual
elevada. Utilizan una serie de parámetros cuyo significado es fácil de comprender y para
los que existen reglas de selección que hacen la sintonı́a y el mantenimiento asequible al
114 Capı́tulo 6. Conclusiones generales y perspectivas.

usuario. En todo caso, la sintonı́a no suele ser un problema en control predictivo, donde
el esfuerzo y el tiempo de diseño, se pone en la obtención y validación de un modelo
utilizado para las predicciones. Siendo después relativamente sencillo escoger el tipo de
respuesta deseada para el controlador.

6.2. Trabajos futuros propuestos

Existen diferentes aspectos que se pueden seguir investigando a raı́z de este trabajo,
los cuales se pueden dividir de la siguiente manera:

• El modelo de la columna de destilación. El modelo de la columna de des-

tilación presentado en el Capı́tulo 4, es un modelo simplificado que es apto para
estrategias de control, sin embargo, puede mejorarse tomando en cuenta otros as-
pectos en el modelado, como pudieran ser: un modelo más completo y detallado del
hervidor y del condensador, pérdidas de calor en el medio ambiente etc. Ası́ como
ajustando parámetros en los que se tiene incertidumbre (ej. la eficiencia de Mur-
phree) y calculando los que no se conocen (ej. coeficiente de efervescencia de la
mezcla).
• Implementación en tiempo real. En este trabajo se presenta la implementación
del control predictivo para el control de un lazo monovariable en la columna de
destilación siguiendo la metodologı́a propuesta en la Sección 5.2, quedándose como
un trabajo futuro la validación del control multivariable en tiempo real.
• Control predictivo no lineal. Para el control de la columna de destilación se
utiliza una alternativa al control predictivo no lineal conocida como “linealización
en lı́nea”. Actualmente no existen soluciones generales para el control predictivo
no lineal puro, pero si existen soluciones especı́ficas para problemas particulares
y principalmente en simulación, donde el inconveniente básico es la solución de
un problema no lineal, no convexo. Se propone hacer un estudio de estas solu-
ciones especı́ficas para poder aplicar el control predictivo no lineal a la columna
de destilación.
Bibliografı́a

[Alpbaz et al., 2002] M. Alpbaz, S. Karacan, Y. Cabbar, H. Hapoğlu (2002). Applica-

tion of model predictive control and dynamic analisis to a pilot distillation column
and experimental verification. Che. Eng. Journal 88, 163-174 .
[Åstrom y Wittenmark, 1990] K. J. Åstrom y B. Wittenmark (1990). Computer con-
troled system – Teory and design. Prentice Hall, Englewood Cliffs, New Jersey.
[Åstrom y Wittenmark, 1995] K. J. Åstrom y B. Wittenmark (1995). Adaptative con-
trol. Addison Wesley. Segunda edición.
[Al-Arfaj y Luyben, 2000] M. Al-Arfaj and W. L. Luyben (2000). Comparison of al-
ternative control structures for an ideal two-product reactive distillation column.
Ind. Eng. Chem. Res. 39, 3298-3307.
[Camacho, 2001] E. Camacho y C. Bordons (2001). Control predictivo: pasado, presente
y futuro. Reporte técnico. Escuela Superior de Ingenieros. Universidad de Sevilla.
[Camacho, 2004] E. Camacho y C. Bordons (2004). Model predictive control. Second
edition. Springer-Verlag, 2004.
[Clarke y Gawthrop, 1979] D.W. Clarke y P.J. Gawthrop (1979). Self-tuning control.
IEEE Proceedings. 123, 633-640.
[Clarke et al., 1987] D.W. Clarke, C. Morari, P.S. Tuffs (1987). Generalized predictive
control. Part I. The basic algorithm. Automatica 23(2), 137-148.
[Clarke y Morari, 1989] D.W. Clarke, C. Morari (1989). Generalized predictive control.
Automatica 25(6), 859-875.
[Cutler y Ramaker, 1980] C.R. Cutler, B.C. Ramaker (1980). Dynamic matrix control.
A computer control algorithm. Automatic Control Conference, San Francisco.
[Digitric, 2001] Digitric, Manual (2001). Protonic 100/500/550 Digitric 500, MODBUS
interface description. Clasificación 42/62-50040 EN, ABB Group. Alemania.
[E.Veneta, 1998] Manual Profesor/Alumno (1998). Planta piloto automatizada y com-
puterizada de destilación continua. MOD DCA/EV. ElettronicaVeneta. Italia.
[Fletcher, 1980] R. Fletcher (1980). Practical methods of optimization. John Wiley &
Sons Ltd.

115
116 Bibliografı́a

[Garcı́a et al., 1989] C.E. Garcı́a, D.M. Prett y M. Morari (1989). Model predictive con-
trol: theory and practice - a survey. Automatica, 25(3), 335-348.
[Greco et al., 1984] C. Greco, G. Menga, E. Mosca y G. Zappa (1984). Performance im-
provement of self tuning controllers by multistep horizons: The musmar approach.
Automatica 20, 681-700.
[Halvorsen y Skogestad, 1997] I. J. Halvorsen , S. Skogestad (1997). Optimizing control
of petlyuk distillation: understanding the steady-state behavior. Computers chem.
Engng, 21, 249-254.
[Hurowitz et al., 2003] S. Hurowitz, J. Anderson, M. Duvall, J. B. Riggs (2003). Dis-
tillation control configuration selection. Journal of Process Control, 13, 357-362.
[Jana et al., 2005] Jana, K. Amiya, N. S. Amar, G. Saibal (2005). Globally linealized
control system design of a constrained multivariable distilation column. Journal
of Process Control. 15, 169-181.
[Johanson, 2006] K. H. Johanson (2006). Relay feedback and multivariable control. Tesis
de doctorado, Lund Institute of thecnology. Suecia.
[Juárez et al., 2006] D. Juárez-Romero, C.M. Astorga-Zaragoza, V.M. Alvarado-
Martı́nez, F.R. López-Estrada (2006). A test-based methodology for parameter
estimation of a bench-scale distillation column. Conference on Dinamics, Instru-
mentation and Control CDIC06. Qerétaro, México.
[Keyser y Cuawenberghe, 1985] R.M.C. De Keyser, A.R. Van Cuawenberghe (1985).
Extended prediction self-adaptive control. IFAC Symposium on Identification and
System Parameter Estimation. York, UK. 1317-1322.
[Keyser et al., 1989] R.M.C. De Keyser, Ph.G.A.Van deVelde, F.G.A. Dumortier
(1989). A comparative study of self-adaptive long-range predictive control methods.
Automatica, 24(2), 149-163.
[Kramer, 1991] K. Krämer, H. Ubehauen (1991). Predictive adaptive control. Compari-
son of main algorithms. Proceedings 1st European Control Conference, Grenoble,
327-332.
[Luyben, 1992] W. Luyben (1992). Practical distillation control. Van Nostrand-
Reynolds.
[Maciejowsky, 2002] J.M. Maciejowsky (2002). Predictive control with constraints.
Prentice Hall.
[McAvoy y Wang, 1986] T.J. McAvoy, Y.H. Wang (1986). Survey of recent distillation
control results. ISA Transactions, 24(1), 5-15.
[Morari, 1994] M. Morari (1994). Advances in model-based predictive control. Oxford
University Press.
Bibliografı́a 117

[Morari y Ricker, 1998] M. Morari, N.L. Ricker (1998). Model predictive control toolbox
users guide. MathWorks.
[Murray, 2003] A.G. Murray (2003). Dynamical mathematical model of a distillation
column. Master’s thesis. University of Tennessee at Chatanooga. Tennesse, USA.
[Nooraiil y Romagnoli, 1998] AA. Nooraiil, J. A. Romagnoli (1998). Implementation
of advanced operational and control techniques for a pilot distillation column.
Computers chem. Engng. 22, 695-708.
[Pannocchia, 2003] G. Pannocchia (2003). Model predictive control with application to
multivariable ill-conditioned process. Journal of Process Control 13, 693-701.
[Peterka, 1984] V. Peterka (1984). Predictor-based self-tuning control. Automatica
20(1), 39-50.
[Poling et al., 2001] B.E. Poling, J.M. Prausnitz, J.P. O’Connell (2001). The properties
of gases and liquids. McGrawHill.
[Propoi, 1963] A.I. Propoi (1963). Use of LP methods for synthesizing sampled-data
automatic systems. Automatic Remote Control.
[Qin y Badgwell, 2003] S.J. Qin, T.A. Badgwell (2003). A survey of industrial model
predictive control technology. Control Engineering Practice, 11, pp. 733-764.
[Rademarker et al., 1975] O. Rademaker, J.E. Rijnsdorp, A. Maarleveld (1975). Dyna-
mics and control of continuous distillation columns. American Elsevier Publishing
Company, Inc., New York, New York.
[Rawlings, 2000] J. Rawlings (2000). Tutorial overview of model predictive control.
IEEE Control Systems Magazine 20(3), 38-52.
[Richalet et al., 1978] J. Richalet, A. Rault, J.L. Testud y J. Papon (1978). Model pre-
dictive heuristic control: application to industrial processes. Automatica 14(2),
413-428.
[Richalet et al., 1987] J. Richalet, S. Abu, C. Arber H.B. Kuntze, A. Jacubash,
W.Schill. (1987). Predictive functional control. Aplication to fast and accurate
robots. In Proc. 10th IFAC Congress, Munich.
[Richalet, 1992] J. Richalet (1992). Practique de la commande predictive. Hermes, Fran-
cia.
[Rivas et al., 2006] F. Rivas-Cruz, G. Valencia-Palomo, R. Longoria-Ramı́rez, F.R.
López-Estrada (2006). Real-time monitoring and control of a distillation column
via MODBUS protocol. Congreso anual de la Asociación Mexicana de Control
Automático AMCA06. UNAM, México D.F.
[Rosenbrock, 1960] H. Rosenbrock (1960). A Theorem of Dynamic Conservation for
Distillation. Trans. Instn. Chem. Engrs, 38, 20-35.
118 Bibliografı́a

[Schmitz, 2001] E. Schmitz (2001). Modelado y simulación de una torre de destilación

multicomponente. Tesis de maestrı́a, Universidad Politecnica de Valencia. España.
[Skogestad, 1997] S. Skogestad (1997). Dynamics and control of distillation columns. A
critical survey. Modeling, Identification and control, 18, 177-217.
[Torres-Ortiz, 2005] F.L. Torres-Ortiz (2005). Observación y control no lineal de colum-
nas de destilación. Tesis de Maestrı́a, CENIDET.
[Tolliver y Waggoner, 1980] T. L. Tolliver, R. C. Waggoner (1980). Distillation column
control: a review and perspective from the control process industry. ISA Transac-
tions, 35, 83-106.
[Volk et al., 2005] U. Volk, D. Kniese, R. Hahn, R. Haber, U. Schmitz (2005). Optimized
multivariable predictive control of an industrial distillation column considering
hard and soft constraints. Control Engineering Practice 13, 913-927.
[Waller et al., 2005] J.B. Waller, J.M. Böling (2005). Multivariable nonlinear MPC of
an ill-condicioned distilation column. Journal of Process Control. 15, 23-29.
[Ydstie, 1984] B.E. Ydstie (1984). Extended horizon adaptive control. Proc. 9th IFAC
World Congress, Budapest, Hungary.
[Zadeh y Whalen, 1962] L.A. Zadeh, B.H. Whalen (1962). Optimal control and linear
programming. IRE Trans. Automatic Control, 45-46.
Apéndice A

Tablas de parámetros

En este apéndice se muestran los parámetros utilizados a lo largo de la tesis para las
simulaciones y los experimentos realizados. La Tabla A.1 muestra las caracterı́sticas de
la planta piloto de destilación, la Tabla A.2 muestra las propiedades termodinámicas
de la mezcla Metanol-Etanol y finalmente la Tabla A.3 muestra las condiciones iniciales
utilizadas en la simulación.

Tabla A.1: Caracterı́sticas fı́sicas de la planta piloto de destilación.

Caracterı́stica Valor Unidades
Etapas (n) 12 –
Platos 10 –
Plato de alimentación (f ) 7 –
Espacio entre platos 11 cm
Diámetro de platos 10 cm
Diámetro de vertedero 0.5 cm
Altura de vertedero 2.5 cm
Capacidad del hervidor 6 L
Capacidad de recogida de producto de fondo 4 L
Area de transferencia del condensador 0.5 m2
Capacidad de recogida de destilado 1 L
Potencia de termorresistencia de calentamiento 0-2500 Watts
Potencia de termorresistencia de precalentamiento 0-500 Watts

119
120 Apéndice A. Tablas de parámetros.

Tabla A.2: Propiedades termodinámicas de la mezcla Metanol-Etanol.

Parámetro MeOH EOH Unidades
Densidad (ρc ) 0.792 0.789 g/cm3
Peso molecular (MW c ) 32 46.07 g/mol
o
Temperatura de ebullición (Tbc ) 64.7 78.5 C
vap
Entalpı́a de vaporización (∆Hc ) 35.27 38.56 kJ/mol
Calor especı́fico (Cpc ) 0.0816 0.1124 kJ/molo C
Constante de Antoine Ac 8.08097 7.58670 –
Constante de Antoine Bc 1582.271 1281.590 –
Constante de Antoine Cc 239.726 193.768 –

Tabla A.3: Parámetros iniciales de las simulaciones.

Parámetro Valor Unidades
Volumen de MeOH en la alimentación VF 1 2000 mL
Volumen de EOH en la alimentación VF 2 2000 mL
Volumen de MeOH en el hervidor V112 2000 mL
Volumen de EOH en el hervidor V212 2000 mL
Eficiencia de Murphree (E) 0.9 –
Eficiencia de Murphree (e) 0.9 –
◦
Temperatura de alimentación (TF ) 26 C
Presión del proceso (PT ) 101.3 kPa
Apéndice B

Descripción de los programas

En este apéndice se hace una descripción breve del uso de los programas utilizados
para las simulaciones y la reproducción de las gráficas de este trabajo. Incluye también
una descripción del programa utilizado para el control en tiempo real del flujo de agua
al condensador.
Los archivos involucrados en las simulaciones y el control de tiempo real se encuentran
en el disco compacto anexo a este documento de tesis.

B.1. El modelo de la columna de destilación

La programación del software de simulación se realizó utilizando Simulinkr v. 6.5 de
Matlabr v. 7.2. Simulinkr es un ambiente de programación diseñado para construir si-
muladores numéricos mediante módulos representados por bloques. Cada bloque está pro-
gramado para realizar una función en particular.

Modelo no lineal de la CDD

El software necesario para la simulación del modelo no lineal de la planta piloto

de destilación está guardado bajo el nombre columna.mdl y requiere que el archi-
vo column.m esté guardado en el mismo directorio. Para su simulación únicamente
deberá ejecutarse el programa (Figura B.1).

Modelo linealizado en lı́nea de la CDD

La programación de la simulación de la columna de destilación linealizada en ca-

da instante de muestreo está realizada en el programa Linealizaciononline.mdl y

121
122 Apéndice B. Descripción de los programas.

Figura B.1: Simulador de la columna de destilación en lazo abierto.

requiere del archivo collinonline.m. La comparación de las respuestas del mode-

lo no lineal y el modelo linealizado en lı́nea se puede ver ejecutando el programa
(Figura B.2).

Figura B.2: Comparación de la columna de destilación en lazo abierto y la columna de

destilación linealizada en lı́nea.

Los parámetros de la columna de destilación, para ambos casos, tanto el modelo lineal
como el linealizado en lı́nea, en caso de que requieran ser modificados, se tienen que
hacer directamente desde la lı́nea de código de cada simulador.
B.2. El controlador MPC. 123

B.2. El controlador MPC

A diferencia del modelo no lineal y el modelo linealizado en cada instante de muestreo,

que están programados en una función S continua, el controlador MPC desarrollado en
esta tesis se encuentra programado en una función S discreta.
El programa del controlador se encuentra distribuido en 3 archivos:

• MPCInicial.m Es una función de bajo nivel utilizada para la inicialización del

controlador MPC. Las matrices requeridas para generar las predicciones, la trayec-
toria de referencia y las utilizadas para resolver el problema de optimización se
calculan en este bloque y son devueltas en una estructura llamada md.

• MPCSoloptimizada.m Es una función de bajo nivel utilizada para calcular la

señal de control dados los estados actuales (medidos o estimados) y el valor de las
salidas deseadas (set point).

• MPCControlador.m Es la función S que contiene el algoritmo principal del

controlador, manda a llamar al archivo MPCInicial.m para que se inicialice,
posteriormente genera las predicciones y la trayectoria de referencia y manda a
llamar al archivo MPCSoloptimizada.m para el cálculo de la señal de control.

Estos archivos son almacenados en un directorio y son mandados a llamar durante

la ejecución de la respectiva simulación.
El bloque que llama a la función S (Figura B.3), tiene como entradas los esta-
dos medidos y las salidas deseadas. Las salidas del bloque son la señal de control
para las entradas manipuladas y los estados predichos. Los parámetros de entrada
al controlador se introducen directamente desde un cuadro de diálogo en Simulinkr
(Figura B.4).
Para el modelo introducido al controlador se asume un modelo discreto con intervalo
de muestreo Ts en espacio de estados:

x (k + 1) = Ax (k) + Bu (k)
y (k) = Cx (k)
z (k) = Cz x (k)
zc (k) = Cc x (k)

Donde y(k) son las salidas medidas, z(k) son las salidas controladas y zc (k) son las
salidas con restricciones. Las restricciones del sistema están dadas por la ecuación (3.21).
124 Apéndice B. Descripción de los programas.

Ejemplos con el bloque de MPC

Se realizaron algunas pruebas en el Capı́tulo 3 con el fin de probar algunos aspectos

del controlador programado. Estas pruebas se encuentran en las carpetas bajo los nom-
bres Ejer01.mdl, Ejer02.mdl, Ejer03.mdl, RestriccionesSISO.mdl y por último
Tanque.mdl. Basta con ejecutar estos programas para poder simularlos y obtener las
gráficas correspondientes.

Señal de Estados
control medidos

Estados
predecidos Set points

Figura B.3: Bloque del controlador MPC en Simulinkr .

Figura B.4: Cuadro de diálogo del controlador MPC.

B.2. El controlador MPC. 125

Control de flujo de agua al condensador

Simulación

Para la simulación del control de flujo de agua al condensador basta con ejecutar el
programa Flujoalcond.mdl (Figura B.5). La estimación de parámetros se encuentra
programada en estimacion.m, los parámetros de la estimación se pueden cambiar
directamente desde un cuadro de diálogo en Simulinkr (Figura B.6).

Figura B.5: Simulador del control de flujo de agua al condensador.

Figura B.6: Cuadro de diálogo del bloque de estimación de parámetros.

126 Apéndice B. Descripción de los programas.

Control en tiempo real

El programa de control en tiempo real del flujo de agua al condensador se encuentra

programado en LabViewr v. 8.0, el programa tiene dos partes principales: la referente al
control predictivo (Figura B.7) y la referente a la estimación de parámetros (Figura B.8),
en cada una de ellas se pueden modificar sus parámetros para diferentes sintonizaciones
o estimaciones.

a Pantalla inicial.

b Salida del sistema. c Entrada al sistema.

Figura B.7: Programa en LabViewr para el control MPC en tiempo real.

B.2. El controlador MPC. 127

a Estimados a1 y a2 . b Estimados b0 y b1 .

Figura B.8: Programa en LabViewr para el control MPC en tiempo real, parámetros
estimados.

Control de la planta piloto de destilación

Las simulaciones del control de la planta piloto de destilación (Figura B.9) se encuen-
tran divididas en 3 carpetas:

• Columna control 01 Esta carpeta contiene el control MPC lineal de la planta

piloto de destilación, el archivo para la simulación es CDDconMPC.mdl.
• Columna control 02 Esta carpeta contiene el control MPC mediante “lineali-
zación en lı́nea” de la planta piloto de destilación comparado con un control PI,
el archivo para la simulación es CDDComparacion.mdl. La electroválvula de
reflujo es considerada como una válvula de apertura proporcional.
• Columna control PWM Esta carpeta contiene el control MPC mediante “li-
nealización en lı́nea” de la planta piloto de destilación comparado con un control
PI, el archivo para la simulación es CDDComparacion.mdl. La electroválvula
de reflujo es considerada como una válvula de apertura On/Off.
128 Apéndice B. Descripción de los programas.

Figura B.9: Simulador del control de flujo de agua al condensador.