Nacional de Investigacion y Desarrollo Tecnologico, Interior Internado Palmira S/N, Palmira, 62490, Cuernavaca, Morelos, Mexico
b Instituto Tecnol
ogico de Hemosillo, Av. Tecnologico S/N, El Sahuaro, 83170, Hermosillo, Sonora, Mexico
Resumen
En este artculo se presenta el desarrollo de un control predictivo distribuido o ptimo (DOMPC) el cual esta basado en el control
predictivo o ptimo centralizado (OMPC) y el control predictivo en modo dual. Esta adaptacion engloba la particion del sistema a
controlar en s subsistemas y la optimizacion de manera distribuida de las senales de control. Se considera que los controladores se
comunican mediante una red de a rea local (LAN), la cual introduce un retardo de un instante de muestreo en la transmision de los
datos para la optimizacion. El esquema DOMPC propuesto se aplica a un sistema de 4 tanques y se realiza una comparacion con el
c 2015 CEA. Publicado por Elsevier Espana, S.L.U.
esquema OMPC centralizado. Copyright
S.L. Todos
Todoslos
losderechos
derechosreservados.
reservados.
Palabras Clave:
Control distribuido, Control predictivo.
1.
Introduccion
Los procesos industriales se han vuelto cada vez mas complejos. Tradicionalmente, para realizar el control de una planta
industrial completa se disenaban lazos de control locales o se
empleaban controles centralizados. El uso de este tipo de controladores genera desventajas en la operacion de la planta debido a la falta de interaccion en los controladores locales o por el
alto riesgo que conlleva depender de un solo controlador. Por lo
que la tendencia se ha tornado en el uso de controladores distribuidos conectados a una red de comunicacion. El control predictivo se ha utilizado como una alternativa para el desarrollo
de controladores distribuidos. Una desventaja que se presenta
al introducir una red de comunicacion en el esquema de control
es la presencia de retardos en la transmision de datos, esto puede ocasionar una degradacion en el desempeno del sistema de
control e incluso generar inestabilidad.
En el control predictivo distribuido se realiza la particion del
modelo del proceso de tal forma que se pueden obtener subsistemas que representen de forma local la dinamica del proceso,
Correos electronicos: fsorcia@cenidet.edu.mx (Felipe D. J.
Sorcia-Vazquez), cgarcia@cenidet.edu.mx (Carlos D. Garcia-Beltran),
gvalencia@ith.mx (Guillermo Valencia-Palomo),
garardog@cenidet.edu.mx (Gerardo Guerrero-Ramrez),
adam@cenidet.edu.mx (Manuel Adam-Medina),
esjiri@cenidet.edu.mx (Ricardo Escobar-Jimenez)
2015 CEA. Publicado por Elsevier Espaa, S.L.U. Todos los derechos reservados
http://dx.doi.org/10.1016/j.riai.2015.07.002
366
El control predictivo o ptimo se basa en el uso de predicciones en modo dual (Rossiter et al., 1998; Scokaert and Rawlings,
1998) y el paradigma de lazo cerrado (Rossiter, 2003). Al realizar las predicciones en lazo cerrado se garantiza la estabilidad
del sistema al garantizar la inclusion de la cola de la prediccion
como posibles predicciones en el siguiente instante de muestreo
y que la funcion costo sea una funcion de Lyapunov. En (Rossiter, 2003) se muestra el concepto de predicciones en modo dual
y el concepto de predicciones en lazo cerrado.
El control predictivo o ptimo centralizado se basa en el modelo lineal en espacio de estado estandar sin considerar perturbaciones, en este caso, de la forma:
(1)
(2)
(3)
u ss = Pu rk ,
donde rk R p es la referencia.
En base a la ganancia de retroalimentacion K, las predicciones de la entrada de control se establecen de la manera siguiente:
uk+i u ss =
K(xk+i x ss ) + ck+i
K(xk+i x ss )
i = 0, . . . , nc 1
,
i nc
(4)
donde ck+i es una senal de compensacion que se anade a la entrada de control. Dicha compensacion es la que garantiza la satisfaccion de las restricciones del control predictivo. El parametro nc representa los grados de libertad del controlador u horizonte de control. Al utilizar ck como variable de decision, no
se requieren grandes horizontes de control, lo que permite reducir la carga computacional que genera la optimizacion de la
variable de decision. Por lo tanto el modelo a utilizar para el
desarrollo de las ecuaciones de prediccion es:
xk+i,k = xk+i + Buk+i
uk+i = Kxk+i + Pr rk+i + ck+i ,
(5)
k
yk
k
uk
=Pcl xk + Hc c k + Prx rk
(6)
Los vectores de prediccion tienen las siguientes dimensiones: x k R(n)(ny ) , y k R(p)(ny ) y u k , uk R(m)(ny ) , donde ny
2.1.
2SWLPL]DGRU
n
c 1
J = zTk Pzk +
cTk+i [BPB + R]ck+i
(7)
i=0
=
zk 2P
rk
Pr
Jc =
(8)
(9)
Otro componente esencial del control predictivo es la denicion de restricciones. Las restricciones ayudan a mantener
(10)
y y k y u uk u.
k
ck
uk
x k +1 = Ax k + Bu k
xk
y k = Cx k .
K
Figura 1: Esquema OMPC
3.
Para el diseno del esquema DOMPC se realizan las siguientes suposiciones: i) Los controladores son sncronos, ii) los controladres se encuentran interconectados a una red LAN. iii) En
cada subcontrolador los horizontes de prediccion y control son
iguales nyi = ny j , nci = nc j , i, j = 1, . . . , s, j i. Donde nyi son
los horizontes de prediccion, nci son los horizontes de control
respectivamente y s es el numero de subsistemas. Debido a las
condiciones de diseno, se induce un retardo de un instante de
muestreo en la comunicacion de los datos de interaccion. Este
retardo se induce porque en el instante actual de muestreo no
se tienen datos a transmitir, y el subcontrolador calcula la senal
de control u nicamente con la informacion del estado actual del
subsistema. En el instante siguiente de muestreo ya se tiene disponibles los vectores de prediccion, los cuales se envan a los
demas subcontroladores, sin embargo, esta informacion es del
instante de tiempo anterior.
3.1. Ecuaciones de prediccion
Para el desarrollo del DOMPC se parte del siguiente modelo centralizado no perturbado el cual incluye la regulacion a
referencias constantes. El modelo esta compuesto por s subsistemas:
x1k+1
.
..
x sk+1
(12)
Mc c k qc (xk , uk1 , rk ).
En la Figura 1 se muestra el esquema OMPC. Como se observa en esta gura, el optimizador depende de los estados, de
la senal de control y de la referencia.
s.t.
ck
c k 2W ,
c k 2W .
367
y1k+1
.
..
y sk+1
.. ..
..
= ..
.
. .
A s1 . . . A ss
x sk
.. ..
..
+ ..
.
. .
B s1 . . . B ss
u sk
.. .. .
..
= ..
.
. .
C s1 . . . C ss
x sk
(13)
368
u1k
K11 . . . K1s x1k
..
..
.. ..
..
. = .
.
. .
x sk
K s1 . . . K ss
u sk
Pr11 . . . Pr1s r1k c1k
..
.. .. + .. .
..
+ .
.
. . .
c sk
Prs1 . . . Prss
r sk
(14)
s
umero de subsistep=1 Bip Prpi , i = 1, . . . , s, donde s es el n
mas que componen el proceso. xik Rni , uik Rmi , yik R pi ,
rik R pi y cik Rmi son el estado, las entradas de control, las
salidas, las referencias y las compensaciones o ptimas de cada
subsistema respectivamente.
El modelo de interaccion para cada subsistema esta descrito
por:
wik =
s
i j x jk +
j=1; ji
vik =
s
s
Bi j c jk +
j=1; ji
s
BPrDi j r jk
j=1; ji
Ci j x jk
(16)
j=1; ji
hik =
s
j=1; ji
Ki j x jk +
s
Pri j r jk ,
j=1; ji
s
on de interaccion conp=1 Bip Prp j . Los modelos de predicci
taran con la informacion retrasada un instante de muestreo.
Iterando el modelo distribuido (15) se generan las siguientes
ecuaciones de prediccion:
x
ik
y ik
ik
ui(k)
(18)
ik
v ik = Cvi X k|k1
(17)
= Pclui xik + Hcui c ik + Prui rik + Wclui w ik + h ik
ik
(19)
C k|k1 = c 1k|k1 , . . . , c sk|k1 , R k|k1 = r1k|k1 , . . . , rsk|k1 .
3.2.
Jik =
(20)
j=0
donde los vectores de prediccion tienen las siguientes dimensioPara cada subsistema se denen las siguientes predicciones
nes: x ik R(ni)(nyi ) , y ik R(pi)(nyi ) , u ik , uik R(mi)(nyi ) y c ik
xi(k+ j+1) = ii xi(k+ j) = iij xik
(21)
u ik = uik , . . . , uik+nyi y c ik = cik , . . . , cik+nci 1
369
/$1
Jik =
CG JK \K
RJK \K
XG JK\K
XG IK
3UHGLFWRUGH
HVWDGRVVDOLGDV
HQWUDGDVH
LQFUHPHQWRV
j=0
3UHGLFWRUGH
LQWHUDFFLyQ
Pii
xik Pii xik ,
(22)
j+1
j+1
j=0 (ii ) Qii ii
+
.
donde Pii =
Para cada subsistema se obtendra una matriz Pii de la solucion de la siguiente ecuacion de Lyapunov:
j=0
zik 2Pii
(24)
c ik 2Wii ,
donde zik = xik xiss , Wii = diag(Bii Pii Bii +Rii , con Rii > 0,
> 0 Wii > 0. Al igual que en el caso centralizado, el
termino zik 2Pii , ya que no depende de la variable de decision,
puede ignorarse en la minimizacion de la funcion costo (24),
por tanto, se tiene que:
Bii Pii Bii
Jci = c ik 2Wii .
(25)
Restricciones
Las restricciones para el esquema DOMPC se denen de
manera similar que en el caso centralizado. Obviamente no seran
iguales debido a que las ecuaciones de prediccion del DOMPC
dependen de la informacion de los estados y de las entradas de
los demas subsistemas. Las restricciones en las entradas, las salidas, los estados y los incrementos de las entradas de manera
general tienen la forma:
xi x ik xi
ui u ik ui
y y ik yi ui uik ui .
i
XIK
RIK
n
ic 1
2SWLPL]DGRU
CIK
CIK
(23)
Ji = zik Pii zik +
XG IK YG UJG I K %
JJJUG IK
IK
(26)
Con la funcion costo (25) y las restricciones (27) se obtiene el siguiente problema de programacion cuadratica para cada
subsistema considerando las interacciones:
ik
ck
s.t.
(28)
370
4.
Algoritmo 1 (DOMPC)
1:
2:
3:
k|k1
de estado x ik|k1 , las senales de compensacion c ik|k1 y las
esquema propuesto se supone que los diferentes subsistemas interactuan, por lo que todos los subcontroladores se
comunican entre si).
4:
Medicion a nivel de subsistema de las variables de estado, directamente del proceso xik ; se considera que todos
los subcontroladores realizan la adquisicion con su propia
instrumentacion y de manera simultanea.
5:
Resolucion local del problema de programacion cuadratica, considerando una funcion costo Jci particular para cada
subsistema
ik
ck
s.t.
6:
7DQTXH
7DQTXH
7DQTXH
7DQTXH
ik
8:
Regresar al paso 2.
%RPED
X
%RPED
X
Los parametros del sistema y el punto de linealizacion se tomaron de (Johansson, 2000), los cuales se muestran en la Tabla
1.
371
Parametro
Alturas 1 y 2
Alturas 3 y 4
Voltaje bombas
Ganancias bombas
Apertura de las valvulas
Area
T1 y T2
Area T3 y T4
Restricciones salida T1 y T2
Restricciones salida T3 y T4
Ganancia sensores de nivel
Constante gravitacional
4.1.
Variable
(h01 , h02 )
(h03 , h04 )
(v01 , v02 )
(k1 , k2 )
(1 , 2 )
(A1 , A2 )
(A3 , A4 )
(a1 , a2 )
(a3 , a4 )
kc
g
B21 =
El modelo no lineal de los cuatro tanques acoplados se obtiene a partir de las relaciones de ujos de entrada y salida. El
modelo para este caso tiene la forma siguiente:
a1
A1
a2
=
A2
a3
=
A3
a4
=
A4
=
a2
1 k1
2gh2 +
v1
A1
A1
(1 2 )k2
v2
2gh2 +
A2
(1 1 )k1
v1
2gh3 +
A3
a3
2 k2
2gh4 +
2gh3 +
v2
A4
A4
0.9533 0.1152
, A22 =
0 0.8820
0.2439
, B12 =
B11 =
0
[cm2 ]
[cm2 ]
[cm2 ]
[cm2 ]
[V/cm]
[cm/s2 ]
0.9048
0
0.0936 0.9673
0.0085
,
0.1349
0.0891
0
, B22 =
,
0.0045
0.1853
,
A12 = A21 = 022
= kc 0 C22 = 0 kc ,
C12 = C21 = 012
(31)
0 u2k 10
0 y2k 19.9
(33)
1
T1 AA1 T2 2
0
0
T12
0
0
0
x(t)
x (t) =
1
0
T2
0
0
A3
0
0
T14
A4 T 3
1 k1
0
A1
(32)
(12 )k2
2
u(t)
+ (11 )k1
0
A3
2 k2
0
A4
k 0 0 0
x(t)
y(t) = c
0 0 0 kc
donde T i = 2h0i (Ai /ai ), i = 1, . . . , 4.
El modelo se discretizo con un periodo de muestreo de 3 s.
Posteriormente se realizo la particion del sistema de la siguiente
forma:
C11
2gh1 +
El modelo lineal utilizado para la simulacion de los esquemas OMPC y DOMPC se obtiene mediante linealizacion de
Taylor, esto a traves del calculo de los Jacobianos fi /hi y
fi /vi , por tanto, se obtiene el siguiente modelo:
A11 =
Unidades
[cm]
[cm]
[V]
[cm3 /Vs]
dh1
dt
dh2
dt
dh3
dt
dh4
dt
Valor
(12.4, 1.8)
(1.4, 12.7)
(3, 3)
(3.33, 3.35)
(0.7, 0.6)
28
32
0.071
0.057
0.5
981
,
4.2.
Resultados
372
4
2
50
100
150
200
250
300
50
100
150
200
250
300
250
300
200
250
300
200
250
300
20
15
10
0
50
100
150
200
250
300
10
50
100
150
200
10
10
0
0
50
100
150
200
250
300
50
100
c1
150
c2
20
10
20
10
50
100
150
Tiempo (s)
200
250
300
50
100
150
Tiempo (s)
4
2
50
100
150
200
250
300
50
100
150
200
250
300
250
300
200
250
300
200
250
300
20
15
10
0
50
100
150
200
250
300
10
50
100
10
10
200
0
0
50
100
150
200
250
300
50
100
c1
5
50
100
150
Tiempo (s)
150
c2
10
10
150
200
250
300
50
100
150
Tiempo (s)
J
Je
Ju
Costo OMPC
43.6069
20.0180
23.5889
J=
kf
5.
Costo DOMPC
77.1042
53.0396
24.0646
(34)
Ju
Conclusiones
El esquema DOMPC maneja las restricciones de forma distribuida y tiene como variable de decision una compensacion
para hacer cumplir las restricciones, a diferencia del esquema
presentado en (Vaccarini et al., 2009), lo que hace del esquema
una opcion atractiva para la solucion de problemas de control
distribuido donde se consideren restricciones.
En el aspecto de ventajas y desventajas que el esquema
DOMPC presenta se pueden enunciar las siguientes: i) una de
s1
100 %;
s
(35)
373
Referencias
Alessio, A., Barcelli, D., Bemporad, A., 2011. Decentralized model predictive
control of dynamically coupled linear systems. Journal of Process Control
21 (5), 705714.
Alvarado, I., de la Pena, D. M., Maestre, J. M., Ridao, M. A., Scheu, H., Marquardt, W., Negenborn, R. R., Schutter, B. D., Valencia, F., Espinosa, J.,
2011. A comparative analysis of distributed MPC techniques applied to the
HD-MPC four-tank benchmark. Journal of Process Control 21 (5), 800815.
Camponogara, E., Jia, D., Krogh, B. H., Talukdar, S., 2002. Distributed model
predictive control. IEEE Control System Magazine 22 (1), 4452.
Fukushima, H., Kon, K., Matsuno, F., 2005. Distributed model predictive control for multi-vehicle formation with collision avoidance constraints. In:
IEEE European Control Conference. Sevilla, Espana, pp. 54805485.
Jia, D., Krogh, B. H., 2001. Distributed model predictive control. In: IEEE
American Control Conference. Arlington, VA, pp. 27672771.
Johansson, K. H., 2000. The quadruple-tank process: A multivariable laboratory with an adjustable zero. IEEE Transaction on Control Systems Technology 8 (3), 456465.
Leirens, S., Zamora, C., Negenborn, R. R., Schutter, B. D., 2010. Coordination in urban water supply networks using distributed model predictive control. In: IEEE American Control Conference. Marriott Waterfront, Baltimore, MD, USA., pp. 39573962.
Maestre, J. M., de la Pena, D. M., Alamo, T., 2011. Distributed model predictive
control based on agent negotiation. Journal of Process Control 21 (5), 685
697.
Maestre, J. M., de la Pena, D. M., Camacho, E. F., 2009. Distributed MPC
based on a cooperative game. In: IEEE Conference on Decision and Control.
Shanghai, P. R. China, pp. 53905395.
Mercangoz, M., Doyle-III, F. J., 2007. Distributed model predictive control of
an experimental four-tank system. Journal of Process Control 17 (3), 297
308.
Morosan, P. D., Bourdais, R., Dumur, D., Buisson, J., 2011. A distributed MPC
strategy based on benders descomposition applied to multi-source multizone temperature regulation. Journal of Process Control 21 (5), 729737.
Muske, K. R., Rawlings, J. B., 1993. Model predictive control with linear models. American Institute of Chemical Engineers (AIChE) Journal 39 (2),
262287.
Pannocchia, G., Kerrigan, E. C., 2003. Oset-free receding horizon control of
constrained linear systems subject to time-varying setpoints and persistent
unmeasured disturbances. Technical report, University of Cambridge.
Rossiter, J. A., 2003. Model-Based Predictive Control: A Practical Approach.
CRC PRESS.
Rossiter, J. A., Kouvaritakis, B., Price, M. J., 1998. A numerically robust statespace aproach to stable-predictive control strategies. Automatica 83 (4),
789797.
Scokaert, P. O. M., Rawlings, J. B., 1998. Constrained linear quadratic regulation. IEEE Transaction on Automatic Control 43 (8), 11631168.
Vaccarini, M., Longhi, S., Katebi, M. R., 2009. Unconstrained networked decentralized model predictive control. Journal of Process Control 14 (2), 328
339.
Venkat, A. N., Hiskens, I. A., Rawlings, J. B., Wright, S. J., 2008. Distributed
MPC strategies with application to power system automatic generation control. IEEE Transactions on Control Systems Technology 16 (6), 11921206.
Zafra-Cabeza, A., Maestre, J. M., Ridao, M. A., Camacho, E. F., Sanchez, L.,
2011. A hierarchical distributed model predictive control approach to irrigation canals: A risk mitigation perspective. Journal of Process Control 21 (5),
787799.
Apendice A.
0
0 . . .
B
B
2
B 0 . . .
Pcli = 3 ; Hci = 2 B B B . . .
ii
..
..
..
..
..
.
.
.
.
.
374
BPr
BP
r + BPr
..
BPryi
0
0 . . .
C
CB
CB
C2
CB
0 . . .
Pcly = C3 ; Hcy = C2 B CB CB . . .
..
..
..
..
..
.
.
.
.
.
CBPr
CBP
+ CBPr
r
..
Apendice B.
Pclui
...
...
...
..
.
...
...
...
..
.
0
0
Kii
..
.
0 . . .
0 . . .
0 . . .
..
..
.
.
Pclwi =
BPrwi =
diag{i,1 }
Huwi =
0
0
...
Cii Bii
Cii ii
Cii ii Bii
Cii 2ii
Cii Bii
0
...
Pclyi = Cii 3 ; Hcyi = Cii 2 Bii Cii ii Bii Cii Bii . . .
ii
ii
..
..
..
..
..
.
.
.
.
.
K
ii
= Kii 2
ii
..
0 . . .
0 . . .
I . . .
..
..
.
.
0
I
Kii Bii
..
.
Prii
..
Wclui
0
0 . . .
ii
Bii
ii Bii
2ii
Bii
0 . . .
ii
ii
..
..
..
..
..
.
.
.
.
.
BPrxi
0
0
Cii
..
.
I
Kii
K
K B
ii ii
ii ii
..
...
.
Prui
BPrDii
BP
+ ii BPrDii
rDii
..
0 0 . . .
I
ii I 0 . . .
Wcli = 2 ii I . . .
ii
..
..
..
..
.
.
.
.
0
Cii
Cii ii
..
.
I
0
0
K
K
KB
I
0
= K2 ; Hcu = KB KB I
..
..
..
..
.
.
.
.
Pr
KBPr
r
..
Cii
C
ii ii
= Cii 2
ii
..
Wclyi
Pclu
Cii BPrDii
C
BP
ii
rDii + Cii ii BPrDii
..
...
diag{i,i+1 } . . .
diag{i,s }
diag{Bi,1 } . . .
diag{Bi,i1 }
diag{Bi,i+1 } . . .
diag{Bi,s }
col{BPrDi,1 }
...
col{BPrDi,i+1 } . . .
Cvi =
Khui =
diag{Ci,i+1 } . . .
diag{Ci,s }
...
diag{Ki,i+1 } . . .
col{BPrDi,s }
diag{Ci,i1 }
diag{Ki,1 }
col{BPrDi,i1 }
diag{Ci,1 } . . .
Prhi =
diag{i,i1 }
diag{Ki,s }
col{Pri,1 } . . .
col{Pri,i1 }
col{Pri,i+1 } . . .
col{Pri,s }
diag{Ki,i1 }
Apendice C.
Notese que:
La funcion costo del esquema DOMPC se sintetizo a partir de los resultados mostrados en (Pannocchia and Kerrigan,
2003). Asuma que se tiene el siguiente sistema discreto en espacio de estado sin considerar las interacciones
zik+1 = Aii zik + Bii qik
(C.1)
donde zik = xik xiss y qik = uik uiss . La funcion costo a ser
optimizada es:
Jik =
Entonces,
qik+ j =
(C.2)
j=0
j {0, 1, . . . , nci 1}
j {nci , nci + 1, . . . }
(C.3)
Se asume que Kii es la ganancia de retroalimentacion de estado o ptima sin restricciones para Ji y se dene ii = Aii
Bii Kii . Entonces, sustituyendo (C.3) en (C.1), se tiene la siguiente prediccion de estados
zik+ j+1 =
375
ii
n
c 2
j=0
j {0, 1, . . . , nci 1}
j {nci , nci + 1, . . . }
ii
ii
ii
(C.4)
Sustituyendo (C.3, C.4) en (C.2) se tiene:
n
ci 1
zik+ j 2Qii
Jik =cik+nci 1 2Bii Pii Bii +Rii + zik+nci 2 + Bii cik+nci 2 2Pii
+ Kii zik+ j +
cik+ j 2Rii
j=0
n
ci 2
zik+ j 2Qii
+ Kii zik+ j +
cik+ j 2Rii
=zik+nci 1 2 Pii ii +K Rii Kii +Qii + cik+nci 1 2B Pii Bii +Rii
ii
ii
j=0
=cik+nci 1 2Bii Pii Bii +Rii + cik+nci 2 2Bii Pii Bii +Rii
+ zik+nci 2 2ii Pii ii +Kii Rii Kii +Qii
+
j=0
n
ci 3
n
ci 3
j=0
ii
n
ci 2
j=0
+
+
j=0
Jik =
Kii Rii )cik+nci 1
n
ci 1
j=0
(C.5)