Integracin Optimizacin y Control Predictivo Aplicacin a la

Planta Tennessee Eastman

Luz A. Alvarez Toro
*
, Oscar A. Z. Sotomayor
1,**
, Hernn D. Alvarez Zapata
***

*
Departamento de Engenharia Qumica, Escola Politcnica
Universidade de So Paulo (USP), So Paulo SP, BRASIL
E-mail: luz@pqi.ep.usp.br
**
Ncleo de Engenharia Eltrica, Centro de Cincias Exatas e Tecnologia
Universidade Federal de Sergipe (UFS), So Cristvo SE, BRASIL
E-mail: oscars@ufs.br
***
Escuela de Procesos y Energa, Facultad de Minas
Universidad Nacional de Colombia (UNAL), Medelln, COLOMBIA
E-mail: hdalvare@unal.edu.co
Resumen: El control predictivo (MPC) es la estrategia de control avanzado ms ampliamente usado en
procesos industriales. Aproximadamente el 90% de aplicaciones de soluciones de control avanzado usan
alguna forma de MPC. MPC es tambin una de las reas de investigacin ms activas de la teora de
control. Asuntos tales como optimalidad, estabilidad y robustez son bien conocidos, sobretodo para
sistemas lineales. Sin embargo, a pesar de esta grande adopcin, tanto en los medios industriales como
acadmicos, poco se ha escrito sobre la forma como estos controladores son implementados en la prctica.
Este artculo trata de llenar este vaco presentando el desarrollo de sistemas MPC, discutiendo su
integracin con sistemas de optimizacin, y su implementacin dentro de una estructura de control
jerrquica. El esquema de control integrado propuesto es aplicado a la planta Tennessee Eastman y los
resultados obtenidos muestran la efectividad de la estrategia para el control ptimo de procesos.
Palabras clave: Control predictivo, Optimizacin, Control jerrquico, Control ptimo de procesos, Planta
Tennessee Eastman.



1
Autor de correspondencia.
1. INTRODUCCIN
El Control predictivo (MPC) o control predictivo basado en
modelo (MBPC) puede ser considerado como la mayor
innovacin en control avanzado de procesos de los ltimos
20 aos y la herramienta standard para aplicaciones
industriales (Qin y Badgwell, 2003). El nmero de estas
aplicaciones es estimado alrededor de 6000 en todo el
mundo, constituyendo un mercado creciente a una proporcin
anual de aproximadamente 18%. Su suceso se debe
principalmente a la incorporacin de un modelo del proceso
en el calculo de la ley de control y a su fuerte relacin con
optimizacin on-line, que le permite tratar procesos
multivariables, acoplados, con respuestas inversa, tiempos
muertos, restricciones operacionales y errores de modelado y
de medicin.
MPC es tambin una de las reas de investigacin ms
activas. Desde el trabajo pionero de Richalet et al. (1978), la
teora MPC ha evolucionado en forma substancial.
Actualmente, cuestiones tericas tales como optimalidad,
estabilidad, desempeo y robustez son bien conocidos,
sobretodo para sistemas descritos por modelos lineales, que
puede ser comprobado por la cantidad de artculos
disponibles en la literatura. Sin embargo, a pesar de la amplia
adopcin de los MPCs, tanto en los medios industriales como
acadmicos, poco se ha escrito sobre la forma como estos
controladores son implementados en la prctica.
En una instalacin industrial tpica, los MPCs son
comnmente implementados, en conjunto con un algoritmo
de optimizacin estacionaria, en el nivel de supervisin
dentro de una estructura de control jerrquica, entre el nivel
superior de optimizacin en tiempo real (RTO) y el nivel
inferior de control regulatorio, como es mostrado en la Figura
1. Esta estructura de control jerrquica proporciona una
separacin clara de objetivos y escalas de tiempos entre los
diferentes niveles que componen la estructura (Skogestad,
2004; Tatjewski, 2007). Por ejemplo, los niveles de
optimizacin calculan la operacin econmica de la planta en
una escala de tiempo de minutos a horas, mientras que los
niveles de control proporcionan regulacin y accin de servo
en escalas de tiempo de segundos a minutos.
El objetivo del presente trabajo es mostrar el desarrollo e
integracin de sistemas de optimizacin estacionaria y
control MPC y su aplicacin en procesos industriales
complejos, haciendo parte de una estructura de control
jerrquica. El desempeo del sistema de control integrado es
evaluado por simulaciones usando la planta Tennessee
Eastman (TE), para los casos de variaciones en las
condiciones de operacin y perturbaciones no medidas. Este

esquema de control integrado es implementado en la mayora
de los paquetes comerciales MPC y es frecuentemente usado
en la industria.

Fig. 1. Estructura de control jerrquico
2. PLANTA TENNESSEE EASTMAN (TE)
En 1993, Downs y Vogel publicaron el modelo de un proceso
qumico industrial de la Eastman Chemical Company, que
quedo conocido como planta Tennessee Eastman (TE). El
propsito de los autores fue colocar a disposicin un
problema de referencia para desarrollar y evaluar diferentes
tecnologas de control de procesos, principalmente, para
estudios relacionados con control total de planta y control
multivariable. Un diagrama simplificado de la planta TE
puede ser visualizado en la Figura 2.

Fig. 2. Diagrama de proceso de la planta TE
El proceso consiste de cinco unidades de operacin: reactor,
condensador, separador lquido-vapor, compresor de reciclo
y columna stripper. El reactor es un tanque con agitacin
continua (CSTR) de dos fases, en el cual se generan dos
productos G y H y un subproducto F a partir de cuatro
reactivos A, C, D y E y un inerte B. El proceso dispone de 12
vlvulas para manipulacin y 41 mediciones para realizar
monitoreo y control, siendo 22 de ellas continuas y 19
discretas. Adicionalmente, los autores propusieron diez
posibles perturbaciones que pueden afectar al proceso. Se
presentaron tambin 6 modos de operacin de la planta,
definidos como la relacin msica entre G y H en la corriente
de producto y la velocidad de produccin. El caso base es
50/50, los dems estn definidos como 10/90, 90/10 y
velocidades mximas de produccin. Ricker (1995)
determin las condiciones ptimas de estado estacionario
para cada uno de los modos de operacin, logrando una
disminucin de ms del 30% en los costos de operacin de la
planta. En todos los casos se demostr que es ptimo operar
con la presin mxima y el nivel mnimo en el reactor,
velocidad mxima de agitacin en el reactor y la apertura
mnima de la vlvula de vapor.
Bsicamente, los objetivos de control de la planta TE son: a)
mantener las variables del proceso en los valores deseados, b)
mantener las condiciones de operacin con las restricciones
de los equipos, c) minimizar la variabilidad en la velocidad
de produccin y en la calidad del producto durante
perturbaciones, d) minimizar los movimientos de vlvula que
afectan otros procesos y e) recuperarse rpida y suavemente
de las perturbaciones, cambios en la velocidad de produccin
o en la composicin del producto. Es necesario resaltar que
una de las restricciones ms importantes en la planta son los
lmites de operacin de las variables presin y temperatura en
el reactor, si la presin alcanza el lmite superior de seguridad
de 3000kPa, la operacin de la planta se detiene, es decir, se
apaga.
El listado de las variables medidas y manipuladas de la planta
TE y sus valores operacionales en estado estacionario son
aqu omitidos, pero pueden ser encontrados en el trabajo
original de Downs y Vogel (1993) o en Ricker (1995).

3. CONTROL PREDICTIVO
El trmino control predictivo (MPC) se refiere a una clase de
algoritmos de control automtico que controlan la respuesta
futura de una planta a travs del uso de un modelo explcito
del proceso. En cada instante de muestreo, el MPC soluciona
on-line un problema linear cuadrtico (LQ), usando el estado
actual de la planta como estado inicial. El resultado de la
optimizacin genera una secuencia de control ptimo en lazo
abierto que es aplicado a la planta de acuerdo con la filosofa
del control de horizonte mvil (RHC), donde solo la primera
accin de control de la secuencia es usada, proporcionando
un controlador con las caractersticas de re-alimentacin
deseadas. MPC incorpora ideas de identificacin de sistemas,
optimizacin y teora de control.
Los orgenes del MPC tuvieron inicio a partir de 1960
(Garcia et al., 1989). Al contrario de la teora de control
ptimo LQ, que fue desarrollada en los medios acadmicos,
el MPC surgi de la necesidad prctica de enfrentar
problemas multivariables, pues los controladores
convencionales PID fueron incapaces de satisfacer los
requerimientos crecientes de desempeo de las industrias. Sin
embargo, el inters real en MPC comenz a crecer a partir de
1980, despus de los primeros trabajos sobre MPHC (Model
Predictive Heuristic Control), DMC (Dynamic Matrix
Control) y, particularmente, despus del QDMC (Quadratic

Dynamic Matrix Control) que fueron muy populares en la
industria petroqumica y en las estaciones de energa. Desde
esa poca han surgido nuevas variantes MPC, tales como:
MAC, IMC, GPC, MOOCA, HIECON, PFC, OPC, PCT e
RMPCT. A pesar de la cantidad de abreviaciones
introducidas, no existen muchas diferencias entre estos
algoritmos. Tpicamente, estos algoritmos difieren en el
modelo del proceso usado, perturbaciones y adaptacin.
Interesantes reviews de esta tecnologa pueden ser vistos en
Garca et al. (1989), Morari et al. (1999), Rawlings (2000),
Qin e Badgwell (2003) y Camacho y Bordons (2004).
A pesar del surgimiento de los algoritmos MPC no lineales
(NMPC), la generacin actual de algoritmos MPC
comercialmente disponibles son basados en modelos lineales
(LMPC, o simplemente MPC). Entre estos, el algoritmo
QDMC de Garca y Morshedi (1986), que usa un modelo de
respuesta al escaln para prediccin, es ampliamente usado
en aplicaciones industriales. Bsicamente, el QDMC debe
calcular los valores de las variables manipuladas (acciones de
control) que minimizan la diferencia entre los valores
predichos y deseados de las variables controladas, sujetas a
las restricciones impuestas a las variables manipuladas. En
general, el algoritmo QDMC minimiza un funcional de costo
cuadrtico de la siguiente forma:
( ) (
1
1
min ( ) ( )
( 1) ( 1)
p
T
sp sp
u
i
m
T
j
y k i y Q y k i y
u k j R u k j

=
=
+ + +
+ +

)
m
)
(1)

sujeto a:

max max
min max
( 1) , 1, ,
( 1) ( 1) , 1, ,
j
i i
u u k j u j m
u u k u k j u j
=
+ =
+ + =

(2)

donde es el valor predicho de la salida, , ( y k i +
sp
y es el
setpoint, es el
incremento en las entradas, es el horizonte de
optimizacin o de prediccin del controlador, es el
horizonte de control, es el lmite mximo de
incremento en las entradas, y son los lmites
mximo y mnimo de las entradas y, y son matrices
diagonales de ponderacin positiva definida y positiva semi-
definida, respectivamente.
( 1) ( 1) ( u k i u k i u k i + = + + 2)
p
m
max
u
max
u
min
u
Q R
Por conveniencia, la ecuacin (1) puede ser escrita en la
forma matricial compacta como:

min
k
T T
k k
u
J e Qe u R u

= + (3)
En el caso del DMC se puede demostrar que
, y por tanto el problema (3) queda de la
siguiente forma:
'
k k
e S u e = +
( ) ( )
min 2 ( ')
k
T T T
k k k
u
k
J u S QS R u e QS u

= + +
m nu
(4)
donde:
- es el vector
de variaciones de las acciones de control y es el nmero
de variables manipuladas (entradas).
.
[ ( ) ( 1) ]
T T T
k
u u k u k m = +
nu
-
( )( ) . . p ny m nu
S es la matriz dinmica que contiene el
modelo del proceso y es el nmero de variables
controladas (salidas).
ny
-
( )( ) . . p ny p ny
Q es la matriz diagonal de factores de peso
de las variables controladas.
-
( )( ) . . m nu m nu
R es la matriz diagonal de factores de
supresin de las variaciones de las acciones de control.
-
( ) .
'
p ny
k sp k
e y y

=

es el vector de errores entre el
valor deseado y los valores predichos si no hay ninguna
accin de control futura y es el vector de prediccin
debido a las acciones de control pasadas.
k
y
El problema de minimizacin (4) sujeto a restricciones (2) es
resuelto usando programacin cuadrtica (QP). Note que solo
el primer elemento de
k
u es aplicado a la planta.

4. OPTIMIZACIN ESTACIONARIA
La optimizacin en estado estacionario soluciona, en el
mismo instante de muestro del controlador MPC, un
problema de programacin lineal (LP) o QP con
restricciones, usando un modelo en estado estacionario del
proceso (consistente con el modelo dinmico usado en el
MPC) e informaciones provenientes del controlador. El
resultado de la optimizacin estacionaria (setpoints para las
variables controladas y/o targets para las variables
manipuladas) es enviado al MPC para su implementacin
(Ying e J oseph, 1999; Qin e Badgwell, 2003; Engell, 2007).
En general, la optimizacin estacionaria LP (o QP) establece
una conexin entre el RTO y el MPC (ver Figura 1),
haciendo ajustes en los valores ptimos provenientes del
RTO, en respuesta a perturbaciones o cambios en las
condiciones operacionales, adems de proporcionar una
posible solucin en estado estacionario para el controlador
(que satisface todas las restricciones dando estabilidad al
MPC) sin que el proceso haya alcanzado tal condicin. La
optimizacin estacionaria tambin da un alto grado de
robustez; proporciona un desempeo libre de offsets (en las
variables controladas y en las variables manipuladas)
independiente de los pesos en la funcin objetivo del MPC;
permite la opcin de especificar cuales variables controladas
son operadas por setpoint o cuales son operadas por bandas;
permite controladores no cuadrados y opera variables
integradoras conjuntamente con variables estables (Sorensen
e Cutler, 1998; Bezerra et al., 1998, 1999).
La principal diferencia entre una optimizacin estacionaria
LP y QP, es que la solucin LP estar en la interseccin de
las restricciones. Cuando una perturbacin entra al proceso,
el punto ptimo se puede mover. Usando LP, esto puede

resultar en un salto de una interseccin para otra, i.e. los
setpoints/targets pueden cambiar abruptamente, lo que es
perjudicial para la estabilidad del controlador. Por otro lado,
con la QP este tipo de situacin es menos probable de
suceder y, por lo tanto, el desempeo del sistema entero ser
mejor. En el caso que las dinmicas de las perturbaciones
sean muy rpidas, tiene que ser diseado un filtro para tratar
de suavizar los cambios en los setpoints/targets. Otra
desventaja de la optimizacin LP es que el problema LP
puede tener mltiples soluciones (e.g. la solucin puede estar
a lo largo del posible polgono de la regin viable). En este
caso, tenemos que usar una tcnica apropiada para
seleccionar apenas una solucin del conjunto de soluciones
que ser pasada al MPC. Por el contrario, con la QP slo
habr una nica solucin.
La formulacin de la optimizacin estacionaria puede
implicar la minimizacin de la desviacin entre los valores
ptimos provenientes de la RTO y los setpoints/targets a ser
implementados por el MPC (target calculation) o,
directamente, la optimizacin de un criterio econmico
(economic optimization). En el presente estudio,
considerando el caso de target calculation y que la RTO y los
niveles superiores de la estructura de control jerrquica de la
Figura 1 no existen, es propuesto un esquema de
optimizacin estacionaria QP que se realiza en dos etapas. En
la primera etapa se busca solucionar el siguiente problema:
( ) ( ) ( )
1 2
min ( 1) Q ( 1) +Q ( 1)
ss
T
ss ss ss
u
u u k u u k u u k
)
(5)

sujeto a:
(6)
min max
min max
( ) ( 1
ss ss s
s
ss
ss
y Gu d
d y k n Gu k
u u u
y y y
= +
= +



donde es la ltima accin de control que ha sido
implementada, es el instante actual,
( 1) u k
k
ss
u es el vector de
targets en estado estacionario para las variables manipuladas,
ss
y es el vector de salidas predichas en estado estacionario,
es la prediccin de las salidas controladas en el
instante ( n es el horizonte de estabilizacin del
proceso en lazo abierto o horizonte del modelo),
( y k n + )
k n +
s
d es el
valor de la perturbacin en estado estacionario (model bias) y
es la matriz de ganancias en estado estacionario del
proceso (Kassmann e Badgwell, 2000). y son los
lmites mximo y mnimo de las salidas controladas y, y
son matrices de ponderacin de dimensiones apropiadas.
G
max
y
min
y
1
Q
2
Q
Como resultado de las restricciones tanto en las variables
controladas como en las manipuladas, el problema mostrado
encima puede no tener solucin. Esto sucede, principalmente,
cuando una perturbacin mueve una controlada (o la
prediccin de una controlada) para fuera de la regin
permitida definida por y . En este caso, ser
necesario relajar los lmites mximo o mnimo. Por tanto, en
la segunda etapa de la optimizacin estacionaria se trata de
solucionar el siguiente problema:
max
y
min
y
( ) ( ) ( )
( ) ( )
1 2
max,min max,min
min ( 1) Q ( 1) +Q ( 1)
ss
T
ss ss ss
u
T
ss ss
u u k u u k u u k
y y MQ y y


+
(7)
sujeto a: (6)
donde M es un nmero grande (e.g. ) y los valores de
son cero en los casos que los
6
10
Q
ss
y calculados en la primera
etapa se encuentren dentro de la regin permitida. Note que
fue incluido en la funcin objetivo (7) un trmino para
minimizar las salidas que violen sus regiones de operacin.

5. OPTIMIZACIN INTEGRADA AL CONTROL
La estrategia de optimizacin descrita en la seccin 4 es
resuelta simultneamente con el control MPC de la seccin 3.
Los targets de entrada ptimos provenientes de la
optimizacin estacionaria son enviados al MPC, cuya funcin
objetivo es extendida con un trmino para ponderar la
distancia entre el valor actual de la entrada y el target
ptimo. Por tanto, el problema MPC de la ecuacin (1) es re-
formulado como sigue (Sotomayor et al., 2008):
( ) ( )
( ) ( )
1
1
1
min ( ) ( )
( 1) ( 1)
( 1) ( 1)
p
T
sp sp
u
i
m
T
j
m
T
ss u ss
j
y k i y Q y k i y
u k j R u k j
u k j u R u k j u

=
=
=
+ + +
+ + +
+ +

)
(8)
sujeto a las restricciones definidas en (2).
Considerando que las restricciones en las entradas pueden ser
expresadas como:
0 0 ( ) ( ) ( 1)
0 ( 1) ( 1) ( 1)
( 1) ( 1) ( 1
m
m m
m m m
I u k u k u k
I I u k u k u k
I I I u k m u k m u k




+ +

= +






+ +

(9)
o en forma compacta como ( 1)
k k
u N u u k = + , la
ecuacin (8) puede ser escrita como:
( )
( )
min
2 ( ')
k
T T T
k u
u
T T
k d u k
J u S QS R N R N u
e QS u R N u

k
= + +
+
+
(10)
donde ( 1)
d ss
u u k u =
u
R e es una matriz diagonal de
pesos para conducir las variables manipuladas para sus

respectivos targets. La estructura del sistema integrado
2
QP-
QDMC es mostrado en la Figura 3.

Fig. 3. Estructura del sistema integrado QP-QDMC
En gran parte de las aplicaciones industriales, las salidas son
controladas por bandas en vez de setpoints fijos. Esta
estrategia es usualmente adoptada en los casos en que el
nmero de salidas controladas es mayor que el nmero de
entradas manipuladas y como un intento de tener algunos
grados de libertad que permitan llevar las entradas a sus
targets ptimos (constraint pushing) y suavizar la respuesta
del sistema. Para tener en cuenta el control por bandas, la
ecuacin (8) es modificada de la siguiente forma:
( ) (
( ) (
1
1
1
min ( ) ( ) ( ) ( )
( 1) ( 1)
( 1) ( 1)
p
T
b
u
i
m
T
i
m
T
ss u ss
i
y k i y k i Q y k i y k i
u k i R u k i
u k i u R u k i u

=
=
=
+ + + + +
+ + +
+ +

)
)
b
(11)
Siguiendo Sotomayor et al (2008), la estrategia es
implementada de la siguiente forma. Para cada salida
observamos su prediccin en el instante :
j
k i +
1. Si , la salida
,min ,max
( )
j j j
y y k i y +
j
y debe ser
ignorada (liberada o removida de los clculos de control) en
el instante . Por tanto, el parmetro de la matriz Q
correspondiente a esa salida debe ser cero.
k i +
2. Si , la salida
,max
( )
j j
y k i y + >
j
y debe ser traerse para su
lmite superior. Por lo tanto, hacemos y el
parmetro de la matriz , correspondiente a esa salida, debe
ser el parmetro de sintona previamente establecida para el
controlador.
,max
( )
b
j j
y k i y + =
Q

2
Propiedades de esquemas integrados optimizacin-MPC del punto
de vista de estrategias de implementacin, estabilidad robusta,
desempeo dinmico y anlisis de sensibilidad son analizados por
Ying y J oseph (1999) y Nikandrov y Swartz (2008).
3. Si , la salida
,min
( )
j j
y k i y + <
j
y debe traerse para su
lmite inferior. Por lo tanto, hacemos y el
parmetro de la matriz , correspondiente a esa salida, es
seleccionada como en el caso anterior.
,min
( )
b
j j
y k i y + =
Q
El sistema integrado optimizacin-MPC como est ilustrado
en la Figura 3 es comnmente denominado de MPC de dos
fases y es implementado, con algunas modificaciones, en el
software de control avanzado SICON@ de PETROBRAS y
en la mayora de los paquetes comerciales MPC, tales como
DMC-plus de Aspen Tech, Connoisseur de Invensys y
RMPCT de Honeywell. Para mayores informaciones sobre
estrategias de optimizacin integrado al control revisar Backx
et al. (2000), Zanin et al. (2002), Lacerda et al. (2004),
Rotava y Zanin (2005) y Young (2006).
6. CONTROL QP-QDMC DE LA PLANTA TE
La operacin de la planta TE es extremadamente compleja.
Existen varias restricciones operacionales que deben ser
mantenidas dentro de ciertos lmites mnimos y mximos, por
ejemplo si la presin en el reactor pasa de 3000KPa la planta
deja de operar. El desempeo del sistema depende altamente
de la estructura de control seleccionada. En esta seccin, el
sistema integrado QP-QDMC descrito anteriormente es
aplicado a este proceso.
Para esto, el trabajo de Larsson et al. (2001) es tomado como
referencia. Larsson et al. (2001) implementaron un sistema
de control descentralizado para la planta TE, operando en el
caso base 50/50 optimizado (Ricker, 1995), basado en una
Tabla 1. Valores en estado estacionario de las variables del
sistema de control QP-QDMC de la planta TE
Descripcin Tag Valor
Variables manipuladas:
Relacin flujo de A/flujo total
alimentacin
u
1
2.67x10
-3
(m
3
/h)
Relacin flujo de D/flujo total
alimentacin
u
2
36.57 (kg/h)
Relacin flujo de E/flujo total
alimentacin
u
3
44.4 (kg/h)
Relacin flujo de C/flujo total
alimentacin
u
4
0.0924 (m
3
/h)
Relacin flujo de purga/flujo total
aliment.
u
5
2.135x10
-3
(m
3
/h)
Apertura vlvula de refrigerante al
reactor
u
6
35.96 (%)
Flujo total alimentacin u
7
100 (*)
Variables controladas:
Flujo de reciclo y
1
32.2 (kscmh)
%G en el producto (o calidad) y
2
53.8 (%mol)
%C en la purga y
3
13.1 (%mol)
Presin en el reactor y
4
2800 (KPa)
Temperatura en el reactor y
5
122.9 (C)
Flujo de producto
(o velocidad de produccin)
y
6
22.89 (m
3
/h)
(*) sin dimensiones.

serie de controladores PID en cascada. En el presente trabajo,
los controladores PID maestros de las estructuras en cascada
son retirados y substituidos por el sistema QP-QDMC,
constituyendo un sistema de control multivariable con 7
entradas manipuladas y 6 salidas controladas. La descripcin
de las variables manipuladas y controladas y sus respectivos
valores en estado estacionario son presentados en la Tabla 1.
La estructura de control jerrquico resultante es ilustrada en
la Figura 4.

El modelo del proceso es obtenido por aplicacin individual
de un escaln en las variables manipuladas. Este modelo en
la forma de matriz de funciones de transferencias es mostrado
en la Tabla 2. Es necesario indicar que todas las funciones de
transferencias del modelo son normalizados antes de ser
usadas en el desarrollo del QDMC. Los parmetros de
sintona del controlador QP-QDMC son listados en la Tabla
3.
Fig. 4. Estructura de control jerrquico QP-QDMC
implementada en la planta TE

Tabla 2. Modelo en matriz de funciones de transferencia de la planta TE
u
1
u
2
u
3
u
4
u
5
u
6
u
7
y
1
9363
18 1 s +

2.5704
5 1 s

+

1.5766
8 1 s

+

4870.1
17.5 1 s +

4683.8
18 1 s

+

2
1.112
0.26 1 s s + +

2
0.2871(0.07 1)
0.25 0.1 1
s
s s
+
+ +

y
2
0
2
2.302 0.9297
10.68 3.017 1
s
s s
+
+ +
0 0 0 0 0
y
3
14607
20 1 s

+

3.64
6 1
s
e
s

+

2.523
8.5 1 s

+

6493.5
13 1 s +

7494.1
28 1 s +

2
23.64 0.5098
7.647 13.64 1
s
s s

+ +

0.6061( 5 1)
14 1
s
s
+
+

y
4
5 3
3.745x10
24 1
s
e
s

+

65.08
10 1 s

+

48.198
11.5 1 s

+

319264
23 1 s +

5
3.841x10
22 1 s

+

2
756.46 15.758
7.65 6.819 1
s
s s

+ +

25.518( 2 1)
8 1
s
s
+
+

y
5
2097.3
4 1 s +

2
7.73 1.203
5.356 6.26 1
s
s s

+ +

1.3063( 0.5 1)
5.5 1
s
s
+
+
1569.3
5 1 s +

4
1311.5
7 1
s
e
s

+

2
1.9466
0.49 0.14 1 s s

+ +

2
0.73365( 1)
0.6 1
s
s s
+
+ +

y
6
0 0 0 0 0 0
2
0.2424
0.4225 0.39 1 s s + +
Tabla 3. Parmetros de sintona del controlador QP-QDMC
Parmetro Descripcin Valor
s
T Tiempo de muestreo 0.2 h
n Horizonte del modelo 500
p
Horizonte de prediccin 250
m Horizonte de control 10
max
u Lmite mx. incremento en las entradas [0.002 3.2 4.6 0.0034 0.002 5 10 ]
T
max
u Lmite mx. de las entradas [0.01 57.92 83.28 0.117 0.0084 100 120]
T
min
u Lmite min. de las entradas [0 0.32 0.46 0.001 0.0001 0 80]
T
max
y Lmite mx. de las salidas [38 55.3 19 2900 130 23.89]
T
min
y Lmite mn. de las salidas [28 52.3 7 2700 110 21.89]
T
Q
Matriz de ponderacin de predicciones de las salidas diag([0.5 0.3 0.1 3 3 0.5])
R Matriz de factores de supresin de incrementos en las entradas diag([10 5 10 20 2 10 5])
u
R
Matriz de ponderacin de la distancia entre la entrada
calculada y el target ptimo
diag([5 1 1 5 5 1 1])
1
Q Matriz de ponderacin de incrementos en las entradas diag([10 10 10 10 10 10 10])
2
Q Vector de coeficientes de costo de las variables manipuladas [0 0 0 0 0 0 0]
T
M Factor usado en la optimizacin estacionaria 10
6


El desempeo del proceso controlado es testado para
variaciones en las condiciones de operacin y
perturbaciones no medidas. En el primer caso, para una
corrida de 160 horas, las bandas de operacin de las
variables controladas (%G en el producto o calidad) y
(flujo de producto o velocidad de produccin) son
cambiadas en forma de rampas. Las respuestas del proceso
es mostrado en la Figura 5, donde puede ser observado que
las variables controladas e siguen el perfil trazado
por sus bandas operacionales y son mantenidas dentro de
ellas, al igual que las otras salidas controladas. En la
variacin de la banda operacional de , la variable
(presin en el reactor) escapa un poco de su lmite mximo
de operacin, pero luego es retornado hacia dentro de su
rango operacional. Las respuestas de las variables
manipuladas del controlador QP-QDMC son mostradas en
la Figura 6.
2
y
6
y
2
y
6
y
2
y
4
y


Fig. 5. Variables controladas del sistema QP-QDMC para el
seguimiento de calidad y velocidad de produccin

Fig. 6. Variables manipuladas del sistema QP-QDMC para el
seguimiento de calidad y velocidad de produccin


Fig. 7. Variables controladas del sistema QP-QDMC para el
rechazo de secuencia de perturbaciones 13 y 8

Fig. 8. Variables manipuladas del sistema QP-QDMC para el
rechazo de secuencia de perturbaciones 13 y 8

En el segundo caso, durante una corrida de 100 horas,
ocurren 2 perturbaciones. Entre 20-40 h hay una cintica
lenta de la reaccin (perturbacin 13) y entre 60-80 h hay una
variacin aleatoria en la composicin de los componentes A,
B y C de la alimentacin (perturbacin 8). En general, todas
las salidas son mantenidas dentro de su banda operacional,
con excepcin de la variable y
4
(presin en el reactor) que
durante la perturbacin 13 oscila llegando casi al lmite
mximo de seguridad de 3000 KPa, siendo luego retornada
para dentro de su zona de operacin. Durante la ocurrencia de
la perturbacin 8, la salida y
3
(%C en la purga) tambin
escapa un poco de su lmite mximo de operacin, pero luego
tal situacin es controlada por el QP-QDMC. El perfil de las
variables manipuladas del controlador es mostrado en la
Figura 8. Para mayores detalles sobre la implementacin e
influencia de las perturbaciones 8, 13 y otras, referirse a
Downs y Vogel (1993).

7. CONCLUSIONES
En la era de la globalizacin y alta competitividad del
mercado, herramientas tales como optimizacin y MPC son
fundamentales para el control ptimo de procesos.
Actualmente, aplicaciones industriales de MPC integra la
presencia de una etapa de optimizacin estacionaria, que
ajusta los valores ptimos provenientes de la etapa de RTO y
proporciona una solucin viable en estado estacionario para
el controlador. El presente trabajo muestra el desarrollo de
las etapas optimizacin estacionaria (QP para target
calculation) y MPC (QDMC), y como ambas etapas son
integradas formando un controlador MPC de dos fases,
comnmente implementado en la mayora de los paquetes
comerciales MPC. El controlador QP-QDMC, con estrategia
de control de las salidas por bandas, es aplicado a la planta
TE. Los resultados de las simulaciones muestran los
beneficios econmicos del sistema propuesto ante cambios en
las condiciones de operacin y perturbaciones no medidas,
asegurando que la planta opere dentro de sus restricciones,
con perfiles suaves de respuestas tanto en las entradas
manipuladas como en las salidas controladas.

REFERENCIAS
Backx, T., O. Bosgra, W. Marquardt (2000). Integration of
model predictive control and optimization of processes.
In: Proceedings of the 6
th
IFAC International Symposium
on Advanced Control of Chemical Processes (ADCHEM
2000), Pisa, Italy.
Becerra, V.M., P.D. Roberts, G.W. Griffiths (1998). Novel
developments in process optimization using predictive
control. Journal of Process Control, 8(2): 117-138.
Becerra, V.M., Z.H. Abu-el-zeet, P.D. Roberts (1999).
Integrating predictive control and economic optimization.
Computing and Control Engineering Journal, 10(5): 198-
208.
Camacho, E.F., C. Bordons (2004). Control predictivo:
Pasado, presente y futuro. Revista Iberoamericana de
Automtica e Informtica Industrial, 1(3): 5-28.
Downs, J .J ., E.F. Vogel (1993). A plant-wide industrial
process control problem. Computers and Chemical
Engineering, 17(3): 245-255.
Engell, S. (2007). Feedback control for optimal process
operation. Journal of Process Control, 17(3): 203-219.
Garca, C.E., A.M. Morshedi (1986). Quadratic programming
solution of dynamic matrix control (QDMC). Chemical
Engineering Communications, 46(1-3):73-87.
Garca, C.E, D.M. Prett, M. Morari (1989). Model predictive
control: Theory and practice A survey. Automatica,
25(3): 335-348
Kassmann, D.E., T.A. Badgwell (2000). Robust steady-state
target calculation for model predictive control. AIChE
Journal, 46(5): 1007-1024.
Lacerda, A.I., O.Q.F Arajo, J .L. Medeiros (2004). Estratgia
para o controle e otimizao integrada de processos.
Boletim Tcnico da Petrobras, 47(2-4): 166-192.
Larsson, T., K. Hestetun, E. Hovland, S. Skogestad (2001).
Self-optimizing control of a large-scale plant: The
Tennessee Eastman process. Industrial and Engineering
Chemistry Research, 40(22): 4889-4901.
Morari, M., J .H. Lee (1999). Model predictive control: Past,
present and future. Computers and Chemical
Engineering, 23(4-5): 667-682.
Nikandrov, A., C.L.E. Swartz (2008). Sensitivity analysis of
LP-MPC cascade control systems. Journal of Process
Control (in press).
Qin, S.J ., T.A. Badgwell (2003). A survey of industrial
model predictive control technology. Control Engineering
Practice, 11(7): 733-764.
Rawlings, J .B. (2000). Tutorial overview of model predictive
control. IEEE Control System Magazine, 20(3): 38-52.
Ricker, N.L. (1995). Optimal steady-state operation of the
Tennessee Eastman challenge process. Computers and
Chemical Engineering, 19(9): 949-959.
Richalet, J ., A. Rault, J .L. Testud, J . Papon (1978). Model
predictive heuristic control: Applications to industrial
processes. Automatica, 14(5): 413-428.
Rotava, O, A. Zanin (1995). Multivariable control and real-
time optimization An industrial practical overview.
Hydrocarbon processing, 84(6): 61-71.
Skogestad, S. (2004). Control structure design for complete
chemical plants. Computers and Chemical Engineering,
28(1-2): 219-234.
Sorensen, R.C., C.R. Cutler (1998). LP integrates economics
into DMC. Hydrocarbon Processing, 77(9): 57-65.
Sotomayor, O.A.Z, D. Odloak, L.F.L. Moro (2008). Closed-
loop model re-identification of processes under MPC with
zone control. Control Engineering Practice (in press).
Tatjewski, P. (2007). Advanced control of industrial
processes Structures and algorithms. Springer-Verlag:
London.
Ying, C.-M., B. J oseph (1999). Performance and stability
analysis of LP-MPC and QP-MPC cascade control
systems. AIChE Journal, 45(7): 1521-1534.
Young, R.E. (2006). Petroleum refining process control and
real-time optimization. IEEE Control System Magazine,
26(6): 73-83.
Zanin, A.C., M.T. de Gouva, D. Odloak (2002). Integrating
real-time optimization into the model predictive controller
of the FCC system. Control Engineering Practice, 10(8):
819-831.