Controle Preditivo

CONTROL PREDICTIVO BASEADO EM
MODELO
Dr. Julio Elas Normey Rico
Departamento de Automac ao e Sistemas
Universidade Federal de Santa Catarina
e-mail:julio@das.ufsc.br
Indice
1
Control Predictivo
2
Predictores en Control de Procesos
3
Control Predictivo Basado en Modelo (CPBM)
4
Control Predictivo Generalizado (GPC)
5
GPC para Procesos con Atraso
6
Conclusiones
Indice
1
Control Predictivo
2
3
4
5
6
Conclusiones
Introducci on
Problemas industriales: MIMO, Restricciones,
Perturbaciones
Precisamos de control simple de entender y general
M as Usados: PID, DTC, MPC
Pir amide de Control
Satisfacci on y simplicidad de uso
Indice
Introducci on
PID y SP
Control Predictivo Lineal
Principales Algortimos
Control Predictivo No Lineal
Casos de Estudio
Indice
1
Control Predictivo
2
3
4
5
6
Conclusiones
Denici on:
Acci on predictiva de un controlador - manera de generar
una actuaci on que pueda prever un determinado efecto en
la respuesta del sistema y evitarlo o al menos disminuirlo.
Actuar ahora bas andose en la predicci on del
comportamiento futuro del proceso.
Predicci on en controladores PID
La forma m as simples de predicci on puede ser encontrada
en un controlador PID.
Acci on de control PID ideal:
u(t ) = K
c
[e(t ) +
1
T
i
t
0
e(t )dt + T
d
de(t )
dt
] (1)
Acci on proporcional+derivativa para calcular predicci on
lineal del error del sistema T
d
u.t ` a frente de t :
u
PD
(t ) = K
c
[e(t ) + T
d
de
dt
(t )] = K
c
e(t + T
d
| t ) (2)
Predicci on en controladores PID
Acci on derivativa como predicci on lineal del error
dt
e(t)
e(t+Td)
e(t)+Td de(t)
erro
tempo t+Td t
Caractersticas:
Variaci on de e(t ) lenta y T
d
peque no
buena aproximaci on de e(t + T
d
)
Variaci on de e(t ) r apida obliga a usar T
d
muy peque no
Ajuste de T
d
no ofrecer a una buena predicci on
Aplicaci on de la idea:
Proceso con peque no atraso
P
e
(s) =
K
p
1 + Ts
e
Ls
(3)
PID mejora la respuesta del PI (si correctamente ajustado)
Acci on derivativa permite generar una predicci on del
comportamiento y el control puede actuar previendo lo
que acontece despu es del atraso.
EJEMPLO
P
e
(s) =
1
1 + 1.5s
e
Ls
0 1 2 3 4 5 6 7 8 9 10
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
tempo (segundos)
s
a
d
a
c
a
b
EJEMPLO
P
e
(s) =
1
1 + 1.5s
e
Ls
0 1 2 3 4 5 6 7 8 9 10
0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
tempo (segundos)
c
o
n
t
r
o
l
e
a
b
c
EJEMPLO Ajuste com o PID.
0 1 2 3 4 5 6 7 8 9 10
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
tempo (segundos)
s
a
d
a
EJEMPLO Ajuste com o PID.
0 1 2 3 4 5 6 7 8 9 10
5
0
5
10
15
20
25
tempo (segundos)
c
o
n
t
r
o
l
e
Cuando el PID es insuciente?
atraso es dominante (mayor 2 X cte de tiempo del proceso)
sistema en lazo con respuestas r apidas.
e(t ) es funci on de y(t ) que fue generado por u(t L)
PID act ua en t prediciendo un error en t + T
d
que es muy
diferente de e(t + T
d
) real.
Aumentar T
d
= Error Grande!
Como mejorar esto?
Usar una predicci on m as pr oxima a la realidad
Control ideal de plantas con atraso:
G(s)
r (t)
e
Ls
C(s)
u(t) y(t) y
1
(t)
q(t)
Se nal y
1
no es accesible!
Predictor de Smith
Usar predictor con correcci on del error:
+
+
+
-
+
+
y(t)
u(t)
^
y(t)
+
-
r(t)
C(s)
q(t)
e(t)
^
y(t+Ln)
G(s) e
-Ls
e Gn(s)
-Lns
Diagrama del Predictor de Smith - 1957
Idea el el dominio continuo discreto
restricto al control de procesos con atrasos
Ventajas del PS:
Obtener respuestas m as r apidas de que as obtenidas
usando un control PID
Ajuste es muy simple
EJEMPLO
P(s) =
e
10s
(s + 1)(0.5s +1)(0.25s + 1)(0.125s + 1)
Extensi on de las ideas de predicci on
por que limitar la predicci on al tiempo del atraso?
por que usar predictores solo en sistemas con atraso?
por que no aplicar la soluci on a otras areas?
CONTROL

OPTIMO
Optimizar una cierta funci on objetivo que es calculada en
un horizonte futuro basado en el error futuro, el el control
futuro y en las condiciones o restricciones.
Estrutura del CPBM
CONTROLE
+
-
saida atual
saida do
modelo
saida futura
erro atual
condicoes e restricoes
controle atual
controle atual
MODELO
CALCULO DO
PROCESSO
Indice
1
Control Predictivo
2
3
4
5
6
Conclusiones
Ideas del CPBM
Utilizar un modelo explcito
Minimizacci on de un objetivo
Horizonte deslizante
Elementos del CPBM
El modelo de predicci on
Modelo del Proceso
Modelo de las Perturbaciones
La funci on objetivo
Un m etodo para la obtenci on de la ley de control
Algoritmos de CPBM
DMC
GPC
UPC
Respuesta Impulsiva. Usado en el MAC.
y(t ) =
i =1
h
i
u(t i )
Solamente puede ser usado con plantas estables.
y(t) =
N
i =1
h
i
u(t i ) = H(z
1
)u(t)
donde H(z
1
) = h
1
z
1
+ h
2
z
2
+ + h
N
z
N
.
Para determinar la predicci on de la salida:
y(t + k | t) =
N
i =1
h
i
u(t + k i | t) = H(z
1
)u(t + k | t)
- Ventajas:
simples e intuitivo;
no necesita del conocimiento a priori del proceso;
puede ser usado en plantas multivariables;
describe bien atrasos y comportamientos de fase no
mnima.
- Desvantagens:
no sirve para plantas inestables e integradoras;
generalmente N es muy grande (muchos par ametros).
Respuesta al Escal on. Usado por el DMC.
y(t ) = y
0
+
N
i =1
g
i
u(t i ) = y
0
+ G(z
1
)(1 z
1
)u(t )
La predicci on en el punto de funcionamiento y
0
:
y(t + k | t) =
N
i =1
g
i
u(t + k i | t)
Recordar
h
i
= g
i
g
i 1
g
i
=
i
j =1
h
j
Ventajas y Desventajas:
las mismas que el modelo de respuesta impulsiva
Funci on de Transferencia. Usado en el GPC, UPC, EPSAC,
EHAC, ...
A(z
1
)y(t ) = B(z
1
)u(t )
A(z
1
) = 1 +a
1
z
1
+ a
2
z
2
+ + a
na
z
na
B(z
1
) = b
1
z
1
+b
2
z
2
+ + b
nb
z
nb
Predicci on de la salida:
y(t + k | t) =
B(z
1
)
A(z
1
)
u(t + k | t)
- Ventajas
v alida para todo proceso;
pocos par ametros.
- Desventaja
necesidad de conocer a priori el orden de los polinomios A
y B cuando el modelo es identicado.
Espacio de estados. Usado en el PFC.
x(t ) = Mx(t 1) + Nu(t 1)
y(t ) = Qx(t )
Predicci on calculada como:
y(t +k | t) = Q
x(t +k | t) = Q[M
k
x(t) +
k
i =1
M
i 1
Nu(t +k i | t)]
- Ventaja:
extensi on directa para caso MIMO
- Desventaja:
estados sim signicado fsico;
estados no medibles(observadores);
complejidad de c alculo del control.
Otros modelos. Usados cuando no el posible usar
modelos lineales.
No lineales;
Redes neuronales;
L ogica nebulosa (fuzzy).
El Modelo de las Perturbaciones
ARIMA (Auto-Regressive and Integrated Moving Average)
n(t ) =
C(z
1
)e(t )
D(z
1
)
D(z
1
) incluye un integrador = 1 z
1
Permite representar la mayora de los fen omenos:
movimientos brownianos;
cambios aleatorios;
off-sets.
Es usado en GPC, EPSAC, EHAC y UPC, ...
Casos particulares:
Modelo usado en DMC:
n(t) =
e(t)
1 z
1
Mejor predicci on (e(t ) tiene media cero):
n(t + k | t ) = n(t )
Modelo usado no PFC:
n(t) =
e(t)
(1 z
1
)
2
n(t + k | t) = n(t) + (n(t) n(t 1))k

Respuesta libre e forzada
Idea:
Respuesta obtenida con control futuro nulo (RESPUESTA
LIBRE)
Respuesta con control futuro impuesto y condiciones
iniciales nulas (RESPUESTA FORZADA)
Cual es o control futuro que debe ser aplicado para que la
respuesta sea la deseada?
Si la respuesta LIBRE es apropiada MANTENER
CONTROL FUTURO CERO
Si la respuesta LIBRE no es apropiada MODIFICAR
CONTROL FUTURO
C omo modicar o control?
Minimizando un ndice que considere:
error de seguimiento de la referencia
esfuerzo de control.
FUNCI
ON OBJETIVO
Ideias:
Seguir referencia futura
Ponderar o esfuerzo de control
Expresi on general:
J =
N
2
j =N
1
(j )[
y(t + j | t ) w(t + j )]
2
+
N
u
j =1
(j )[u(t + j 1)]
2
Elementos:
Par ametros: N
1
, N
2
, N
u
, (t ) y (t ).
J =
N
2
j =N
1
(j )[
y(t + j | t ) w(t + j )]
2
+
N
u
j =1
(j )[u(t + j 1)]
2
Elementos:
Par ametros: N
1
, N
2
, N
u
, (t ) y (t ).
N
1
: d + 1 mnimo
N
1
permanente
N
1
transitorio
N
2
: d + N informaci on de la respuesta:ventana
N
u
: N
u
penaliza m as futuro control m as suave
y : afectan la penalizaci on
control m as violento
variables a lo largo del horizonte importante transitorio X
permanente
Trayectoria de referencia:
Si la trayectoria es conocida ventaja del MBPC
Ex: rob otica,. servoaccionamiento, batch...
Usar:
Real trayectoria w(t + k) = r (t +k)
w(t + k): Aproximaci on m as suave
Forma tpica (ltro PB de primer orden)
w(t) = r (t)
w(t + k) = w(t + k 1) + (1 )r (t + k) k = 1. . . N
Idea de los controles TDOF
Importancia:
Conocer el instante de variaci on de la referencia (mismo no
caso de r=cte)
Ayudar a mejorar los transitorios.
El sistema prepara-se para el cambio.
Restricciones:
No control:
saturaci on
slew-rate m aximo
rango de actuaci on
En la salida:
seguridad (max/min)
economa
Minimizar la funci on objetivo bajo restricciones
u
min
u(t) u
max
t
du
min
u(t) u(t 1) du
max
t
y
min
y(t) y
max
t
Algoritmos de Optimizaci on Complexos

Grande utilidad en la industria;
Motivo del suceso del DMC y MAC en la industria
petroqumica.
CONTROLE PREDICTIVO DE PROCESOS CON ATRASO
Diferencias de los algoritmos CPBM
El modelo ARIMA es m as general
Los modelos respuesta escal on e impulsiva necesitan de
muchos par ametros cuando el atraso e grande
Los modelos param etricos permiten dejar el atraso
evidencia en el modelo
Ventajas del algoritmo GPC
El modelo es general
El atraso es representado por z
d
Permite usar polinomios de ltrado para mejorar robustez
y rechazo de perturbaciones
El estudio podra ser hecho tambi en con otros algoritmos
de CPBM.
Indice
1
Control Predictivo
2
3
4
5
6
Conclusiones
Algoritmo de control GPC
Modelo para c alculo de predicciones
A(z
1
)y(t ) = z
d
B(z
1
)u(t 1) + C(z
1
)
e(t )
D(z
1
)
A, B, C y D polinomios en funci on del operador atraso z
1
Funci on Objetivo
J =
N
2
j =N
1
(j )[
y(t + j | t ) w(t + j )]
2
+
N
u
j =1
(j )[u(t + j 1)]
2
Ajuste
Horizontes N
1
, N
2
, N
u
Ponderaciones (j ), (j )
Objetivo
Calcular control futuro u(t), u(t + 1), ... para minimizar J
C alculo de las Predicciones
GPC utiliza la predicci on optima:
y(t + j /t ) = E(y(t + j ))
Como obtener

y(t + j /t ) optimo?
Se no hay perturbaciones:
A(z
1
)y(t) = z
d
B(z
1
)u(t 1)
Cuando hay perturbaciones Usar a informaci on de e(t)
Ecuaci on Diofantina (
A(z
1
) = A(z
1
))
1 = E
j
(z
1
)
A(z
1
) + z
j
F
j
(z
1
)
E
j
e F
j
: ordenes j 1 y na, respectivamente.
Divisi on de 1 por

A(z
1
)
Resto = z
j
F
j
(z
1
)
Quociente= E
j
(z
1
)
Modelo:
A(z
1
)E
j
(z
1
)y(t + j ) =
E
j
(z
1
)B(z
1
) u(t + j d 1) + E
j
(z
1
)e(t + j )
Predicci on y(t + j ):
y(t + j ) = E
j
(z
1
)B(z
1
) u(t + j d 1)
+E
j
(z
1
)e(t + j ) + F
j
(z
1
)y(t )
Observar que E
j
(z
1
) est a en el futuro ya que
grau(E
j
) = j 1
Mejor predicci on para y(t + j ) en el sentido estoc astico:
y(t + j | t ) = G
j
(z
1
) u(t + j d 1) + F
j
(z
1
)y(t )
donde G
j
(z
1
) = E
j
(z
1
)B(z
1
)
C alculos de los polinomios E
j
e F
j
recursivamente
directamente - divisi on de 1 por

A(z
1
)
Predicci on

Optima:
Combinaci on lineal de las salidas anteriores del proceso
(de t a t na) y de los controles pasados e futuros.
Predicciones

Optimas no Horizonte N
y(t + d + 1 | t ) = G
d+1
u(t ) + F
d+1
y(t )
y(t + d + 2 | t ) = G
d+2
u(t + 1) + F
d+2
y(t )
.
.
.
y(t + d + N | t ) = G
d+N
u(t + N 1) + F
d+N
y(t )
Forma Vectorial
y = Gu + F(z
1
)y(t ) + G
(z
1
) u(t 1)
Respuesta libre f
r
+ respuesta forzada
y = Gu + f
r
y = Gu - respuesta obtenida si las condiciones iniciales
son nulas;
y = f
r
- respuesta obtenida si el control futuro es cero.
MATRICES PARA CALCULO DE LAS PREDICCIONES
y =
y(t + d + 1 | t )
y(t + d + 2 | t )
.
.
.
y(t + d + N | t )
F(z
1
) =
F
d+1
(z
1
)
F
d+2
(z
1
)
.
.
.
F
d+N
(z
1
)
u =
u(t )
u(t + 1)
.
.
.
u(t + N 1)
G =
g
0
0 ... 0
g
1
g
0
... 0
.
.
.
.
.
.
.
.
.
.
.
.
g
N1
g
N2
... g
0
(z
1
) =
(G
d+1
(z
1
) g
0
)z
(G
d+2
(z
1
) g
0
g
1
z
1
)z
2
.
.
.
(G
d+N
(z
1
) g
0
g
1
z
1
g
N1
z
(N1)
)z
N

C alculo del control en la pr actica
Matriz G es la respuesta al ESCAL
ON calculada como:
g
j
=
j
i =1
a
i
g
j i
+
j 1
i =0
b
i
j = 0...N 1,
Como calcular u optimo?
Caso simple: (j ) = 1 y (j ) = constantes.
Error de predicci on: y w
J = (y w)
T
(y w) +u
T
u
J = (Gu + f
r
w)
T
(Gu + f
r
w) +u
T
u
J = (Gu + f
r
w)
T
Q
(Gu + f
r
w) + u
T
Q
u
Forma nal del control en la pr actica
Forma Cuadr atica:
J =
1
2
u
T
Hu + b
T
u + f
0
donde:
H = 2(G
T
G +I)
b
T
= 2(f
r
w)
T
G
f
0
= (f
r
w)
T
(f
r
w)
C alculo del Controle:
u = H
1
b = (G
T
G +I)
1
G
T
(w f
r
)
Algoritmo de Horizonte Deslizante:
unicamente u(t) e aplicada
Ley de Control Final: u(t ) = K(wf
r
) odnde K es la
primera la de la matriz (G
T
G +I)
1
G
T
.
Diagrama de bloques del sistema en lazo cerrado
-
saida atual
Calcula resposta livre
controle atual
fr
w
K
+
PROCESSO
Horizonte Deslizante:
u(t ) es aplicado
control es recalculado en (t + 1)
solamente se usa la 1a. la de K!
Indice
1
Control Predictivo
2
3
4
5
6
Conclusiones
Ventajas Principales:
Considerar referencias futuras
Importante en:
rob otica
rob otica m ovil
batch processes
Tratar restricciones en el c alculo del control
fundamental en aplicaciones industriales
Incluir sistemas con atrasos
Importante en:
industria de procesos
teleoperaci on
economa
bio-sistemas
Estudiar las propiedades del GPC

cuando controla procesos con atrasos
(principalmente grandes atrasos e atrasos mal estimados)
Interesa solamente

y(t + d + j | t )
Se considera inicialmente el modelo m as simple con T = 1
Con un procedimiento similar al ya visto se obtiene las
predicciones.
y(t +d+1|t )
y(t +d+2|t )
.
.
.
y(t +d+N|t )
=G
u(t )
u(t + 1)
.
.
.
u(t +N1)
+H
u(t 1)
u(t 2)
.
.
.
u(t nb)
+S
y(t + d|t )
y(t +d1|t )
.
.
.
y(t +dna|t )
,
Escribiendo en la forma vectorial:
y = G u + H u
1
+ S e
1
Nuevamente
y = G u + f
r
Ahora f
r
est a en funci on de

y(t + d | t )
Como obtener la nova ley de control?
Nuevamente minimizando J con relaci on al vector u
Usando horizonte deslizante, se calcula solamente u(t )
CONTROLE FINAL:
u(t ) = ly
1
y(t +d | t )+ly
2
y(t +d1 | t )+...+ly

na+1
y(t +dna | t )
+lu
1
u(t 1) + lu
2
u(t 2) +... + lu
nb
u(t nb) + l
r
r (t )
donde los coecientes ly
i
, lu
i
e f
i
son funciones del:
modelo a
i
, b
i
los par ametros de control N, (i ) y (i )
ESQUEMA DE CONTROL
u(t)
lu
1
z
-1
+ ... + lu
nb
z
-nb
.
.
.
+
+
+
+
+
+
+
+
Otimo
y(t)
-1
1 - z +
.
Processo
1
^
^
w(t+d+1)
w(t+d+2)
w(t+d+N)
f
u(t)
y(t+d/t)
y(t+d-1/t)
^
y(t+d-na/t)
ly
ly
ly
1
2
na+1
f
N
2
1
f
Preditor
Se observa que:
El GPC es un PO + un control primario 2 DOF
El control primario no depende de la predicci on hasta t +d
El control primario depende apenas del comportamiento
futuro despu es de t + d
se podra usar otro predictor y mantener el controlador
primario usando los mismos horizontes y ponderaciones.
ESQUEMA DE CONTROLE
Modelo del proceso P
n
(z) = G
n
(z)z
d
=
B(z
1
)z
1d
A(z
1
)
Un ltro R(z) = ((1

A(z
1
))z)
d
C(z) y W(z) representan el controlador primario 2 DOF:
q(t)
+
+
y(t)
^
-d
z
+
+
u(t)
y(t)
+
C(z) W(z) PROCESS0
w(t)
-
+
-
R(z)
Gn(z)
Preditor otimo
^
y(t+d/t)
An alisis del Esquema de Control
Estructura de control es equivalente a la de un
compensador de tiempo muerto con dos grdos de libertad,
como el predictor de Smith con un ltro de referencia.
La inclusi on del polinomio T en el modelo CARIMA como
par ametro de ajuste permite modicar R(z).
La estructura de R dene as caractersticas de control
para un dado conjunto de par ametros (horizontes y
ponderaciones)
Resultados Interesantes:
el posible estudiar claramente el efecto del atraso en la
estructura del GPC
permite relacionar el GPC con los algoritmos de
compensaci on de tiempo muerto.
FILTRADO - POLINOMIO T
Idea original:
A(z
1
)y(t ) = z
d
B(z
1
)u(t 1) + T
e(t )
,
donde T describe las perturbaciones.
Inconvenientes:
difcil de estimar
modica la robustez.
Usar T(z
1
) como par ametro de proyecto para modicar
robustez.
A(z
1
)y
f
(t) = z
d
B(z
1
)u
f
(t 1) +
e(t)
y
f
(t) =
y(t)
T(z
1
)
e u
f
(t) =
u(t)
T(z
1
)
Con los polinomios A e B, se calcula la ganancia del
control K que no depende de T;
Sistema de Controle Resultante
1/T(z)
1/T(z)
z
-d
^
yf(t+d|t)
resposta livre
calculo da
+
+
P(z)
+
q2(t)
+
q1(t)
y(t)
Gn(z)
R(z)
+
-
+
+
+
-
yf(t)
preditor otimo
u(t)
T(z)
uf(t)
f
f
K
w
r
r
f
Observar:
Si el modelo el perfecto y no hay perturbaciones:
y
f
(t + d | t ) =
G
n
(z
1
)
T(z
1
)
u(t ) = G
n
(z
1
)u
f
(t )
f no depende de T
Cuando hay errores de modelado y perturbaciones:
T ltra los errores siempre que
F(z
1
) =
1
T(z
1
)
Act ua como ltro pasa baja
ajuste de T no es simple ni intuitivo
AN
ALISIS DA ESTABILIDAD ROBUSTA

P descrita por P = P
n
+P,
donde P= error de modelado y P
n
= planta nominal.
Funci on de transferencia de lazo cerrado:
H
r
=
CP
1 + C(G
n
+ R(P P
n
))
=
CP
1 + C(G
n
+ RP)
Ecuaci on caracterstica: 1 + C(G
n
+ RP) = 0
PR C(Gn+ )
PR C
Real
Imag
CGn
CGn
-1
-1-CGn
Estabilidad en lazo cerrado:
| P(j ) |
gpc
P() =
| 1 + C(j )G
n
(j ) |
| C(j )R(j ) |
[0, ]
PR C(Gn+ )
PR C
Real
Imag
CGn
CGn
-1
-1-CGn
AN
ALISIS COMPARATIVA DEL PS Y GPC

Las dos posen una estructura de predictor m as control
primario.
Siempre e posible usar los mismos C y W en las dos
estructuras.
Si P = P
n
y no hay perturbaciones, ambos sistemas tienen
la misma respuesta cuando se usa el mismo control
primario.
Ambas estructuras realimentan el error de predicci on.
Diferencia: FILTRO R DEL PREDICTOR
AN
ALISIS COMPARATIVA DEL PS Y GPC
Indices de Robustez:
P
gpc
=
| 1 + CG
n
|
| CR |
=
1
| R |
P
ps
R - ndice comparativo de robustez:
R = z
d
n
(1

A)
d
n
Observar:
R s o depende de A e do atraso d
para plantas de primeira ordem:
| R(j ) |= (| (a
1
1) a
1
e
j
|)
d
n
> 1
para todo se a
1
< 0, condicci on que sempre se verica
em procesos est aveis reais.
para plantas de segunda ordem ou sistemas de p olos
m ultiplos:
| R(j ) |> 1
EL GPC BASADO EN EL PREDICTOR DE SMITH - SPGPC
Como GPC es sensble a errores de modelado en altas
frecuencias Usar otro predictor.
Caractersticas del SPGPC
Misma funci on objetivo que GPC
Predictor de Smith
Filtros pasa bajas para mejorar la robustez
Ventajas:
Mejor robustez e igual desempe no
Mas simple de ajustar: Filtros!
Desventajas:
No puede ser usado en plantas inestbles
Implementaci on:
Id entico al GPC usando respuesta libre y minimizaci on
EJEMPLO 1
P
e
(s) =
0.12
1 + 6s
e
3s
N = 15, = 0.8, d = 2
0 20 40 60 80 100 120 140 160 180 200
0.2
0
0.2
0.4
0.6
0.8
1
1.2
tempo(amostras)
v
a
r
i
a
c
a
o

d
e

t
e
m
p
e
r
a
t
u
r
a

(
g
r
a
u
s

c
e
l
s
i
u
s
)
EJEMPLO 1
P
e
(s) =
0.12
1 + 6s
e
3s
N = 15, = 0.8, d = 2
0 50 100 150
2
1
0
1
2
3
4
tempo(amostras)
v
a
r
i
a
c
a
o

d
e

t
e
m
p
e
r
a
t
u
r
a

(
g
r
a
u
s

c
e
l
s
i
u
s
)
EJEMPLO 2
P(s) =
k
0
e
t
d
s
1 +k
1
s + k
2
s
2
N = 15, = 3
0 20 40 60 80 100 120 140 160 180 200
0.2
0
0.2
0.4
0.6
0.8
1
1.2
tempo (amostras)
s
a
i
d
a

p
a
r
a

o

G
P
C
(
)

e

o

S
P
G
P
C
(
)
EJEMPLO 2
P(s) =
k
0
e
t
d
s
1 +k
1
s + k
2
s
2
N = 15, = 3
0 50 100 150
3
2
1
0
1
2
3
4
5
tempo (amostras)
s
a
i
d
a

p
a
r
a

o

G
P
C
(
)

e

o

S
P
G
P
C
(
)
EJEMPLO 3 El seguimiento de trayectorias (ST) es un de los
temas m as importantes en el campo de la rob otica m ovil.
Menor error con mnimo esfuerzo (energa)
Caminos de aproximaci on
Modelos lineales simples
Controle robusto
EJEMPLO 3
N = 15, = 0.5,
e
+ 1,
= 0.5
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
0
1
2
3
4
5
6
7
8
x(metros)
y
(
m
e
t
r
o
s
)
ponto de partida
EJEMPLO 3
N = 15, = 0.5,
e
+ 1,
= 0.5
0 1 2 3 4 5 6 7 8 9 10
0
1
2
3
4
5
6
7
8
x(metros)
y
(
m
e
t
r
o
s
)
ponto de partida
Indice
1
Control Predictivo
2
3
4
5
6
Conclusiones
Conclusiones
Estudio del control de sistemas con atraso a partir de
estructuras basadas en predictores.
Se mostr o como las estructuras de predicci on aparecen en
los controladores cl asicos.
Se introdujo a los CPBM como generalizaci on de los
compensadores de tiempo muerto.
Se mostr o que el GPC es equivalente a un predictor optimo
m as un controlador primario.
Fu e presentado el control predictivo generalizado basado
en el predictor de Smith.
Resultados de simulaci on y una aplicaci on real de rob otica
m ovil.

Controle Preditivo

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Controle Preditivo

Cargado por

Copyright:

Formatos disponibles

CONTROL PREDICTIVO BASEADO EM

n(t + k | t) = n(t) + (n(t) n(t 1))k

Algoritmos de Optimizaci on Complexos

Control Predictivo Generalizado (GPC)

Estudiar las propiedades del GPC

y(t +d1 | t )+...+ly

ALISIS DA ESTABILIDAD ROBUSTA

ALISIS COMPARATIVA DEL PS Y GPC

ALISIS COMPARATIVA DEL PS Y GPC

También podría gustarte