EDUCACIÓN
PÚBLICA
SEP
SUBSECRETARÍA DE EDUCACIÓN E
INVESTIGACIÓN TECNOLÓGICAS
presentada por
Director de tesis:
Dr. Carlos Manuel Astorga Zaragoza
Co-Director de tesis:
Dr. Manuel Adam Medina
SUBSECRETARÍA DE EDUCACIÓN E
INVESTIGACIÓN TECNOLÓGICAS
presentada por
Guillermo Valencia Palomo
Ing. Electrónico por el I. T. de Mérida
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
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
i
ii Índice general
Bibliografı́a 115
v
vi Lista de figuras
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.
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
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
C1 a C4 Gases
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..
Flujo líquido
Li+1
Xci+1
Vi
Li yci
xci
Vi-1
yci-1
Flujo de vapor
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.
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
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.
1
Un sistema hı́brido es un sistema continuo con eventos discretos.
10 Capı́tulo 1. Introducción.
Aplicados a sistemas:
Híbridos
Implementación y análisis de diseño
No lineales
Temas abiertos a Muy rápidos
la investigación
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.
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.
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
v(k)
u(k|k)
s(k) Optimizador Proceso y(k)
y^f (k+i|k)
Predictor
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.
• Modelo de predicción.
• Función objetivo.
• Obtención de la ley de control.
16 Capı́tulo 2. Conceptos básicos del control predictivo.
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.
Casi todas las formas posibles de modelar un proceso aparecen en alguna formu-
lación del MPC siendo las más usadas las siguientes:
N
X
y(k) = hj u(k − j) = H(q −1 )u(k) (2.1)
j=1
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.
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.
donde:
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)
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
e(k)
C(q-1)
D(q-1)
n(k)
+ 1
-nk -1
u(k) q B(q ) y(k)
+ A(q-1)
C(q −1 )e(k)
n(k) =
D(q −1 )
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
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.
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
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:
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).
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.
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
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.
nB
X
u (k + i|k) = µj (k) B (i)
j=1
∆u (k + i + 1|k) = 0 1 < i ≤ HP − d
J= u2 (k + i|k)
i=0
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
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 :
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.
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 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.
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
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.
¡ ¢
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)
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)
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:
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)
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
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:
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.
K = (B T SB + V )−1 B T SA
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.
u(k-1)
Z -1
u(k-1)
Z -1
~
x(k|k)
Observador
Figura 3.2: Estructura del control MPC en espacio de estados con observador.
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)
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:
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
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.
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
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)
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
Φθ + H T ζ + ΩT λ = −φ (3.29)
−Hθ = −h (3.30)
−Ωθ − τ = −w (3.31)
T
τ λ=0 (3.32)
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
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
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
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]:
sujeto a Ru ≤ c
con:
· ¸ · ¸
u R
u= , R=
z −1
y el punto inicial
· ¸
u0
u=
rmax
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]:
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)
Gas
Válvula de
control
1.5
Temperatura (oC)
0.5
0
0 5 10 15 20 25 30
Tiempo (min)
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)
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
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)
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)
Tanque Tanque
3 4
Tanque Tanque
Bomba 1 1 2 Bomba 2
u1 u2
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.
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)
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)
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)
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)
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:
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.
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 :
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.
Vapor
Temperatura
Líquido
x y
Concentración
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)
Cpc (Tbc − TF )
q =1+ (4.13)
∆Hcvap
MW 2 W t1
xci = (4.14)
(MW 2 − MW 1 ) W t1 + MW 1
Li 1 Vi
Plato i
Alimentación Salida
Fi D, B
Mi
Vi 1
Li
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
Vi = Vi−1 = V
Li = Li+1 = L
donde:
(
0 cuando i 6= f
π (i) =
1 cuando i = f
El cuerpo principal
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
V24
G1 V14
J2 V25 EV2 V26
H2O G2
67
68 Capı́tulo 4. Modelado matemático de una columna de destilación binaria.
Alimentación de la mezcla
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 (%)
Adición de calor
a Termorresistencia de b Hervidor.
calentamiento.
Condensador
Reflujo
c Electroválvula de reflujo.
Manipulación de la presión
Instrumentación de medición
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
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
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:
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.
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)
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)
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)
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
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
79
80 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
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
FV1
E1
H2O FI1
V7
V8
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
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)
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.
Modelo del
proceso
Estimación de
parámetros
Figura 5.5: Esquema de simulación para el control MPC de flujo de agua al condensador.
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 5.7: 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
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.
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)
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
Tabla 5.3: Error medio cuadrático del control del flujo de agua de alimentación.
• 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
0.94 0.9419
0.9421
0.92 0.9418
0.942
0.9 0.9417
0.942
0.88 0.9416
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)
∂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
M1 ẋ1 = VR (y2 − x1 )
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
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
Mf ẋf = VS yf +1 − VR yf + LR xf −1 − LS xf + F xF c
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
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
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
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
Finalmente para tener todos los estados disponibles, la matriz C es una matriz iden-
tidad de n × n y la matriz D = 0.
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
0 % ≤ R ≤ 100 %
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.
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
Composición en el hervidor
0.55
MPC
Set Point
0.5
xB
0.45
0.4
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)
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
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)
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)
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)
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
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)
Composición en el condensador
1.02
Set Point
1 MPC
PI
0.98
xC
0.96
0.94
0.92
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)
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)
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
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)
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
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.
Conclusiones generales y
perspectivas
1
El toolbox de MPC no fue empleado en esta tésis.
111
112 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.
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
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.
119
120 Apéndice A. Tablas de parámetros.
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.
121
122 Apéndice B. Descripción de los programas.
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
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.
Señal de Estados
control medidos
Estados
predecidos Set points
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).
a Pantalla inicial.
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.
Las simulaciones del control de la planta piloto de destilación (Figura B.9) se encuen-
tran divididas en 3 carpetas: