Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PUCP - 2006
RESUMEN
Teniendo en cuenta la actual creciente crisis energtica en el mbito
internacional y la evidente necesidad de utilizar de forma inteligente y racional
los combustibles fsiles, sobre todos en aquellos equipos que son considerados
como alto consumidores de esta clase de combustibles, esta tesis se encuentra
dirigida al desarrollo de estrategias de control avanzado de las calderas de
tubos de fuego que posibiliten elevar la efectividad y fiabilidad en su
funcionamiento, as como disminuir su actual consumo de combustible y
emisin de gases contaminantes al medio ambiente.
Considerando que el proceso que presenta un mayor significado en
funcionamiento de las calderas de tubos de fuego es el de variacin de
presin del vapor en su cuerpo, debido a que el control de la combustin
realiza mediante el control de la presin del vapor, esta tesis presenta
siguiente objetivo:
el
la
se
el
INTRODUCCIN
Actualmente la sociedad moderna requiere para desarrollar todas sus
actividades productivas y no productivas de la utilizacin de combustibles
fsiles, los cuales en los ltimos aos se han venido utilizando como fuente
principal de energa. Esta clase de combustible se est consumiendo de forma
masiva y en un espacio reducido de tiempo, por lo que el riesgo de que se
agoten estos recursos en el plazo mediato es evidente. Asimismo, la combustin
de este tipo de combustibles incrementa la cantidad de dixido de carbono
atmosfrico, originndose serios problemas ambientales como el efecto
invernadero. Por ello, el uso eficiente y racional de los combustibles fsiles
presenta una elevada prioridad.
Entre los grandes consumidores de combustibles fsiles se encuentran las
calderas, las cuales constituyen equipos de gran aplicabilidad en la industria a
escala mundial. El objetivo fundamental de esta clase de equipos consiste en
transformar en energa trmica la energa qumica contenida en los
combustibles fsiles mediante su combustin y transferirla al agua para generar
vapor, el cual posteriormente es utilizado como fuente de energa para realizar
mltiples actividades industriales, as como para alimentar de vapor a diversos
procesos. Para mantener una elevada eficiencia en el funcionamiento de las
calderas se necesita disponer de sistemas efectivos de control automtico.
Las calderas en correspondencia con el contenido de sus tubos se clasifican
en calderas de tubos de agua o acuotubulares y calderas de tubos de fuego o
pirotubulares. Las calderas acuotubulares son utilizadas principalmente cuando
se requiere de elevadas cantidades de vapor, por ejemplo en centrales
termoelctricas. Por el contrario, las calderas pirotubulares se utilizan en
procesos que no necesitan un elevado consumo de vapor. Este trabajo centra su
atencin en las calderas pirotubulares debido a que estos equipos son los ms
difundidos en el mbito industrial en diversas aplicaciones.
Las calderas como objeto de control automtico presentan un
comportamiento dinmico difcil, con mltiples entradas y salidas, mltiples
interrelaciones entre estas variables, as como incertidumbres. Entre los
procesos que presentan una mayor significacin en el funcionamiento de las
calderas tubos de fuego se encuentra el de variacin de la presin del vapor en
su cuerpo, debido a que el control de la combustin se realiza mediante el
control de la presin del vapor.
En la mayor parte de las calderas de tubos de fuego el proceso de variacin
de la presin del vapor se controla mediante controladores PID. No obstante,
debido al difcil comportamiento dinmico que presenta dicho proceso, esta
clase de controladores no posibilita la obtencin de una elevada efectividad en
el control, lo que se traduce en un mayor consumo de combustible, as como en
una mayor emisin de gases producto de la combustin a la atmsfera.
NDICE
INTRODUCCIN
15
16
18
19
19
19
21
22
23
28
28
28
28
29
31
32
33
33
36
38
40
41
49
2.4.4. Comprobacin de los resultados obtenidos en la identificacin no paramtrica utilizando anlisis por correlacin
50
2.4.5. Comprobacin de los resultados obtenidos en la identificacin no paramtrica utilizando anlisis espectral
52
54
56
58
2.5. Conclusiones
74
77
78
78
82
83
83
85
87
87
3.2.6.1.1.
87
3.2.6.1.2.
91
3.2.6.1.3.
91
93
96
96
97
98
98
99
100
101
3.2.7.6.1.
102
3.2.7.6.2.
Prediccin ptima
103
3.2.7.6.3.
107
3.2.7.6.4.
111
113
114
115
124
125
131
132
135
3.5.1. Estimacin recursiva utilizando el mtodo de mnimos cuadrados con factor de olvido
136
138
139
146
146
150
152
3.7. Conclusiones
154
4.1. Introduccin
160
161
164
169
170
173
175
178
4.4. Conclusiones
181
CONCLUSIONES GENERALES
183
BIBLIOGRAFA
186
ANEXOS
191
1.1. INTRODUCCIN
La expresin "eficiencia energtica" define una adecuada administracin de la
energa tanto desde el punto de vista econmico como medioambiental. Su
objetivo consiste en disminuir el consumo de energa, fomentando
comportamientos, mtodos de trabajo y tcnicas de produccin que
consuman menos energa. Se trata de utilizar mejor la energa.
El incremento de la eficiencia energtica resulta esencial para el logro de una
poltica energtica sostenible, as como para la seguridad en el abastecimiento
energtico, tema que ha suscitado inquietud en los ltimos aos.
Es fundamental que la sociedad aprenda a usar la energa de forma eficiente,
lo cual constituye una tarea urgente, debido a la creciente amenaza del
cambio climtico global y otros problemas ambientales.
Para mejorar la seguridad del abastecimiento energtico y reducir las
emisiones de gases con efecto invernadero, la eficiencia energtica es tan
importante como las fuentes de energa renovables. Un uso eficiente de la
energa implica no utilizarla en actividades innecesarias. Desarrollar
tecnologas y sistemas de vida y trabajo que ahorren energa es capital para
lograr un desarrollo sostenible.
En los ltimos 20 aos, en los pases desarrollados el consumo energtico ha
ido disminuyendo. Se ha estimado que desde 1970 a la actualidad en
promedio se usa un 20% menos de la energa en la generacin de la misma
cantidad de bienes. Contrariamente, en los pases en desarrollo, aunque el
consumo por persona es mucho menor que en los desarrollados, la eficiencia
en el uso de la energa es inferior, debido fundamentalmente a que estos
pases no cuentan con tecnologas modernas. Mejorando la eficiencia
energtica es posible disminuir el consumo energtico considerablemente, el
cual para se estima que puede ser del orden del 18% para la Unin Europea.
Los combustibles fsiles, los cuales incluyen el petrleo, el carbn y el gas
natural, proporcionan la mayor parte de la energa que mueve la sociedad
10
Otra de las razones que han contribuido a que el GPC se haya convertido en
un xito comercial es el hecho de que existen unos 15 suministradores que
instalan el producto llave en mano, con periodos de amortizacin de entre 3 y
12 meses, permitiendo que medianas empresas puedan tener acceso a esta
tecnologa. Aparte de esto, los nuevos Sistemas de Control Distribuido
empiezan a ofertar productos GPC genricos que ofrecen al usuario la
posibilidad de realizar futuras modificaciones sin depender de un producto
cerrado.
Una de las principales desventajas de los controladores predictivos es que
dependen fuertemente del modelo de la planta. Ello quiere decir que si se
producen cambios en el comportamiento dinmico de la caldera, el modelo
matemtico no representar adecuadamente dicho comportamiento y por lo
tanto la efectividad del sistema de control se ver disminuida. Por ello, se
presenta el control predictivo-adaptivo como una variante que soluciona en
12
13
14
1.3. ESTADO
NACIONAL
15
el
la
se
el
2.
3.
16
2.1. INTRODUCCIN
Una caldera es un equipo que tiene por objetivo transferir la energa de los
combustibles al agua mediante combustin para generar vapor. Este vapor
puede ser utilizado en una gran cantidad de labores tales como: generacin
de energa elctrica, intercambio de calor, limpieza, etc.
El control de la presin del vapor dentro de la caldera es de suma
importancia, ya que es una variable que junto con la temperatura indica la
cantidad de energa que transporta el vapor (Rivas et al., 2000). Por ello es
importante el control de esta variable, lo que se lleva a cabo modificando el
flujo de alimentacin de combustible. Al variar el flujo de combustible que
ingresa al quemador, se incrementa o disminuye la cantidad de calor
transferida al agua en el interior de la caldera. Esto se traduce en una mayor
o menor generacin de vapor y por ende en el aumento o disminucin de la
presin de vapor en la caldera.
Para disear un sistema eficiente de control de las calderas que cumpla con
los requerimientos impuestos por la industria moderna es necesario construir
un modelo matemtico que permita dicho diseo (Rodrguez et al., 2006).
Para la modelacin matemtica de los procesos que se originan en el interior
de las calderas existen dos mtodos fundamentales. El primer mtodo se basa
en el modelado a partir de las ecuaciones de balance de masa y energa. Este
mtodo es muy engorroso y difcil por el gran nmero de variables y
ecuaciones involucradas en el funcionamiento de las calderas (Rivas Prez et
al., 1994). El segundo mtodo consiste en la aplicacin de las tcnicas de
identificacin de sistemas dinmicos. Este mtodo utiliza los datos obtenidos
de entrada y salida del sistema para aproximar un modelo matemtico lineal,
y se considera una va alternativa muy fiable (Ljung, 1999). Este
procedimiento se desarrolla en la segunda parte de este captulo.
19
las diferentes partes del sistema, las masas del metal y de refractario y su
configuracin, y otros factores adicionales. Para los propsitos de control, es
generalmente suficiente entender que la constante de tiempo dominante se
encuentra en el orden de los minutos.
2.2.3. RECUPERACIN DE CALOR DE GASES DE COMBUSTIN
Si las prdidas de calor de los gases de combustin se requiere reducirlas, se
deben aadir intercambiadores de calor separados de la caldera para
recuperar el calor y enfriar los gases de combustin (Basu, 1999). El
precalentador de aire de combustin es una forma de estos intercambiadores
de calor adicionales. La aplicacin de un precalentador de aire se muestra en
la Fig. 2.2. Los gases de combustin salen de la caldera y pasan a travs de un
precalentador de aire. El aire de combustin tambin pasa a travs del
precalentador de aire antes de ser mezclado con el combustible. Debido a que
la temperatura de los gases de combustin es mucho mayor que la
temperatura del aire, el calor se transfiere desde los gases de combustin al
aire de combustin va la superficie convectiva de transferencia de calor del
precalentador de aire de combustin.
Vapor
Combustible
Aire
Caldera
Agua de
alimentacin
Economizador
Gases de
Combustin
25
26
27
Alimentacin
de Agua
Caldera
Aguas
Residuales
Fig. 2.15. Balance de masa por componentes qumicos en el lado de agua de la caldera
30
Eficiencia =
(2.1)
Entrada
+
Caldera
Salida
Demanda de
Combustible
Demanda de Aire
Demanda de
Velocidad de
Combustin
DE
VELOCIDAD
DE
COMBUSTIN
PARA
CALDERAS
INDUSTRIALES
Adicionalmente, cada vez que el quemador est apagado, el aire que entra
caliente a combustin se enfra. Cuando el sistema est en uso, la combustin
se realiza a toda capacidad y la temperatura del gas de flama se encuentra al
mximo. En la Fig. 2.19 se representa como trabaja el sistema on/off. Cuando
se usa el control on/off para aadir agua a la caldera basndose en el nivel
de agua de la misma- intermitentemente se enfra y se calienta el agua que se
encuentra dentro de ella, causando un incremento en la accin cclica del
controlador on/off de combustin.
34
38
Planificacin experimental
Formulacin de un criterio
Estimacin de parmetros
Salida de vapor
Controlador de
presin ON/OFF
Alimentacin de agua
Quemador
42
Servovlvula lineal.
Computadora personal.
43
Salida (kPa)
100
80
60
40
20
0
10
15
Entrada (% Apertura de Vlvula)
20
25
Fig. 2.28. Anlisis de Ganancia Esttica, en el que se grfica la salida del sistema
en estado estacionario, para diversas magnitudes de la seal de entrada.
45
Se observa que con este escaln de entrada se cubre casi toda la regin lineal
de comportamiento dinmico de la presin del vapor de la caldera. De la
Fig. 2.29 se obtienen los siguientes parmetros:
G p ( s) =
K
,
( 1s + 1)( 2 s + 1)
(2.2)
donde:
G p (s ) - Funcin de transferencia del proceso de variacin de la presin del
vapor en la caldera,
G p (s) =
Yp (s)
U p (s)
(2.3)
donde:
Y p (s ) - Presin del vapor a la salida de la caldera,
U p (s ) - Seal de entrada (variacin del flujo de combustible).
2 T
;
0.15
2 T
2 T
< Tmin <
,
10
5
(2.4)
(2.5)
donde:
T - Perodo de muestreo,
Tmax - Ancho de pulso mximo,
47
R yu ( ) = g (k ) Ru ( k ) ,
(2.6)
k =0
donde:
R yu - Correlacin cruzada entre la salida y y la entrada u,
Ru - Autocorrelacin de la entrada u,
g - Respuesta impulso estimada del proceso,
k , - Nmero de la muestra y del desplazamiento respectivamente.
50
1
R yu ( ) =
N
1
R u ( ) =
N
y(k )u (k + );
k =1 min( , 0 )
= 0,1, 2,K ;
(2.7)
u (k )u (k + ),
(2.8)
k =1
donde:
N Nmero total de muestras.
El problema queda muy simplificado en el caso en que se utilicen seales de
entrada especiales con funciones de autocorrelacin sencillas. Cuando se
utiliza, por ejemplo, un ruido blanco como seal de prueba, sabiendo que
R ( ) = 0 para >0, la solucin se reduce a:
u
g ( ) =
R yu ( )
,
R (0)
(2.9)
R yu ( ) = g (k ) R u ( k ) .
(2.10)
k =0
R yu = R u g .
(2.11)
Da como resultado una tabla de datos o una grfica que no pueden ser
utilizados directamente en simulacin.
51
u ( ) =
1
2
U ( ) ,
N
(2.12)
donde:
U ( ) - Transformada de Fourier de la seal de entrada u(t),
N Nmero total de muestras.
Dada una seal u(t) obtenida de un proceso estocstico con una densidad
uN ( ) para N muestras ser:
espectral u ( ) , el valor estimado
N ( ) = ( ) + R ,
u
u
N
(2.13)
donde:
RN - termino residual, responsable de las fluctuaciones.
El trmino RN se caracteriza por tener un valor medio nulo y una variancia
que depende del tipo de seal y puede tender a cero a medida que se
aumenta N.
Como resultado de aplicar la transformada de Fourier al modelo
representado por:
y ( t ) = G ( q )u ( t ) + v ( t ) ,
(2.14)
donde:
y (t ) - Salida o respuesta del proceso,
u (t ) - Entrada al proceso,
G (q ) - Funcin de transferencia del proceso,
v (t ) - Perturbaciones medibles como no medibles.
se obtiene:
Y ( ) = G ( j )U ( ) + V ( ) ,
(2.15)
53
donde:
Y ( ), U ( ), V ( ) - Transformada de Fourier de las seales correspondientes,
G (i ) - Funcin de transferencia del proceso expresada en el dominio de la
frecuencia.
Nyu ( ) = G N ( j )
uN ( ) ,
(2.16)
donde:
N ( ) - Estimacin del espectro cruzado entre la seal de salida y la seal
yu
de entrada para N muestras,
uN ( ) - Estimacin del espectro de la seal de entrada para N muestras,
N ( )
yu
G N ( j ) = N
( ) ,
(2.17)
Fig. 2.34. Diagrama de Bode del sistema estudiado obtenido por anlisis espectral.
De particular inters es la estructura ARMAX, ya que permite obtener una
funcin de transferencia de la parte determinstica (relacin entrada-salida) y
otra de la parte estocstica (relacin perturbaciones-salida). Esto provee al
controlador una mejor estimacin de las perturbaciones, que permite realizar
mejores predicciones de la respuesta del sistema (Astrm, 1995). Por estas
razones, las estructuras candidatas son ARX y ARMAX.
La siguiente seleccin importante, se refiere al orden de los parmetros de
cada estructura (Ljung, 1999). En base a la identificacin no paramtrica
realizada, como tambin en base al anlisis por correlacin y al anlisis
espectral, puede hacerse una aproximacin tentativa. En estas pruebas se
observ que la respuesta del proceso bajo estudio es similar a la respuesta de
un sistema de segundo orden. Sin embargo, por consideraciones prcticas el
modelo debe tener un orden ms elevado ya que el actuador y el sensor
tienen dinmicas incluidas en los datos. Se probarn entonces modelos de
rdenes 2, 3 y 4. A manera de comprobacin tambin se probarn modelos de
primer orden. En cuanto al nmero de ceros o de los polinomios B(q-1) y
C(q-1), slo se puede inferir que debe ser igual o menor que el nmero de
polos estimados, para obtener funciones de transferencia propias. Por ltimo,
es necesario incluir en el modelo el retardo de tiempo del sistema, el cual se
obtuvo de la identificacin no paramtrica y corroborado con el anlisis por
correlacin. En este caso se observa un retardo de t = 35 seg, que corresponde
a d=7 muestras.
55
J ( ) = g ( (t )) ,
(2.18)
t =1
donde:
J ( ) - funcin de costos de la estimacin,
g ( (t )) - funcin de ponderacin del error,
- error de entrada, error de salida o un error generalizado.
56
na
nb
nc
ARX
ARX
ARMAX
ARMAX
ARMAX
ARMAX
ARMAX
y (t ) + a1 y (t 1) + a 2 y (t 2) = b0 u (t 1 7) + b1u (t 2 7) + e(t );
(2.19)
y (t ) + a1 y (t 1) + a 2 y (t 2) + a3 y (t 2) = b0 u (t 1 7) + L
(2.20)
ARMAX1117:
ARMAX1227:
ARMAX2227:
L b1u (t 2 7) + b2 u (t 3 7) + e(t );
(2.21)
y (t ) + a1 y (t 1) = b1u (t 1 7) + b2 u (t 2 7) + L
(2.22)
y (t ) + a1 y (t 1) + a 2 y (t 2) = b1u (t 1 7) + b2 u (t 2 7) + L (2.23)
L e(t ) + c1e(t 1) + c 2 e(t 2);
y (t ) + a1 y (t 1) + a 2 y (t 2) + a3 y (t 3) = L
ARMAX3337:
L b1u (t 1 7) + b2 u (t 2 7) + b3u (t 3 7) + L
(2.24)
b1u (t 1 7) + b2 u (t 2 7) + b3 u (t 3 7) + b4 u (t 4 7) + L (2.25)
L e(t ) + c1e(t 1) + c 2 e(t 2) + c3 e(t 3) + c 4 e(t 4).
57
Tabla 2.2. Parmetros estimados del polinomio A(q) para los modelos ARX y ARMAX.
Estructura
a1
a2
a3
a4
ARX227
-1.020
0.1291
ARX337
-0.645
-0.3022
0.1013
ARMAX1117
-0.8884
ARMAX1227
-0.881
ARMAX2227
-1.197
0.2899
ARMAX3337
-1.09
0.122
0.06548
ARMAX4447
-1.811
1.915
-1.251
0.2637
Tabla 2.3. Parmetros estimados del polinomio B(q) para los modelos ARX y ARMAX.
Estructura
b0
b1
b2
b3
ARX227
0.1060
0.8875
ARX337
0.1174
0.8086
0.4022
ARMAX1117
1.078
ARMAX1227
0.06305
1.063
ARMAX2227
0.1084
0.7205
ARMAX3337
0.1152
0.7517
0.01058
ARMAX4447
0.1176
0.6566
-0.3784
0.6577
Tabla 2.4. Parmetros estimados del polinomio C(q) para los modelos ARMAX.
Estructura
c1
c2
c3
c4
ARMAX1117
0.09445
ARMAX1227
-0.2606
-0.00208
ARMAX2227
-0.6890
0.2381
ARMAX3337
-0.6341
-0.01793
0.1202
ARMAX4447
-1.394
1.575
-0.7952
0.1485
Validacin cruzada.
ndices de performance.
Medidas estadsticas.
FPE ( p ) =
N+p
J ( ) ,
Np
(2.26)
donde:
J ( ) - funcin de costos de la estimacin de parmetros,
p - nmero de parmetros del modelo,
N - nmero de muestras.
Si bien es cierto que este criterio tiende a subestimar el modelo del sistema,
permite determinar el orden del mismo como el valor mnimo del criterio y
no es necesario evaluarlo en funcin de unos niveles de confianza.
Otro mtodo utilizado para verificar el orden de los parmetros del modelo
estimado, es la evaluacin de sus polos y ceros. Si el orden del modelo es s y
es superior al orden del proceso real n, se originan pares de polos-ceros muy
prximos que pueden ser cancelados. En este caso se dice que el modelo est
sobredimensionado y se debe reducir el orden.
59
Para los modelos estimados, la aplicacin del criterio FPE dio los resultados
que se muestran en la Tabla 2.5.
Tabla 2.5. Valor del error final de prediccin (FPE) de los modelos estimados.
Estructura
[na nb nc d]
FPE
ARX
[2 2 0 7]
1.7294
ARX
[3 3 0 7]
1.4178
ARMAX
[1 1 1 7]
1.8126
ARMAX
[1 2 2 7]
1.8219
ARMAX
[2 2 2 7]
1.3039
ARMAX
[3 3 3 7]
1.3077
ARMAX
[4 4 4 7]
1.2888
Imaginario
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-1
-0.5
0
Real
0.5
Imaginario
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-1
-0.5
0
Real
0.5
Imaginario
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-1
-0.5
0
Real
0.5
Imaginario
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-1
-0.5
0
Real
0.5
Imaginario
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-1
-0.5
0
Real
0.5
De este anlisis se observa que los modelos ARMAX de tercer y cuarto orden
presentan cancelacin de polos y ceros, dejando en cada caso 2 polos sin
cancelar. Esto muestra que el orden preponderante del sistema es 2, por lo
que no se considerarn estos modelos en adelante.
Una vez verificado el correcto orden de los modelos, se procede a realizar la
validacin cruzada. Este es un paso en la validacin del modelo que consiste en
comparar grficamente en el dominio del tiempo la respuesta del modelo y la
respuesta del sistema real. Para esto, se utilizan los datos experimentales de
validacin. De este modo se puede estudiar la independencia de los
resultados del conjunto de los experimentos.
La comparacin entre los datos observados y la salida del modelo se realiza
generalmente mirando las anomalas del modelo no detectadas previamente.
La validacin cruzada se considera la mejor manera de validar el modelo y la
nica prueba verdadera para su aplicabilidad general.
Los resultados de la validacin cruzada para los modelos restantes se
muestran en las Fig. 2.40 - Fig. 2.42.
FIT=93.84%
40
30
Presin (kPa)
20
10
0
-10
-20
-30
-40
-50
2000
2200
2400
2600
3400
3600
3800
4000
63
50
FIT=94.56%
40
30
Presin (kPa)
20
10
0
-10
-20
-30
-40
-50
2000
2200
2400
2600
3400
3600
3800
4000
50
FIT=94.65%
40
30
Presin (kPa)
20
10
0
-10
-20
-30
-40
-50
2000
2200
2400
2600
3400
3600
3800
4000
64
A partir de estos resultados, se aprecia que las salidas de los tres modelos se
aproximan bastante bien a los datos de validacin adquiridos de la caldera.
En este caso se puede cuantificar la aproximacin del modelo utilizando un
ndice de performance. Este es una medida cuantitativa de la calidad del
modelo que puede obtenerse a partir de la norma de los errores residuales.
Una frmula que utiliza Matlab como ndice de performance (FIT) es la
siguiente:
y y
FIT = 1
yy
100% ,
(2.27)
donde:
y salida medida,
y - salida estimada.
[na nb nc d]
FIT
ARX
[2 2 0 7]
93.84%
ARX
[3 3 0 7]
94.56%
ARMAX
[2 2 2 7]
94.65%
Se observa que si bien todos los modelos dan una buena estimacin, el
modelo ARMAX es el que tiene la mejor performance.
Para comprobar aun ms las propiedades de los modelos estimados se realiza
una verificacin cruzada de modelos. Hasta ahora, varios tipos de modelos
han sido identificados: funciones de transferencia, grficos de respuesta
transitoria (impulso) y de respuesta en frecuencia (diagrama de bode).
Si el modelo paramtrico estimado es correcto, todos los modelos
identificados deben ser coherentes entre s. Se puede comparar la respuesta
transitoria obtenida utilizando anlisis por correlacin con la respuesta que
se obtiene del modelo como se muestra en las Fig. 2.43 - Fig. 2.45.
Tambin se puede comparar la respuesta en frecuencia obtenida por anlisis
espectral con la respuesta que se obtiene del modelo como se muestra en las
Fig. 2.46 - Fig. 2.48.
65
Presin (kPa)
0.15
0.1
0.05
-0.05
-50
50
100
Tiempo (seg)
150
200
0.25
Presin (kPa)
0.2
0.15
0.1
0.05
0
-0.05
-0.1
-50
50
100
Tiempo (seg)
150
200
66
Presin (kPa)
0.15
0.1
0.05
-0.05
-50
50
100
Tiempo (seg)
150
200
Amplitud
10
10
Modelo ARX-[2 2 7]
Analisis de Correlacin
-2
10
-3
10
-2
-1
10
10
10
Fase (grados)
-500
-1000
-1500
-3
10
-2
-1
10
10
10
Frecuencia (rad/s)
Amplitud
10
10
Modelo ARX-[3 3 7]
Analisis de Correlacion
-2
10
-3
10
-2
-1
10
10
10
Fase (grados)
-500
-1000
-1500
-3
10
-2
-1
10
10
10
Frecuencia (rad/s)
Amplitud
10
10
Modelo ARMAX-[2 2 2 7]
Analisis Espectral
-2
10
-3
10
-2
-1
10
10
10
Fase (grados)
-500
-1000
-1500
-3
10
-2
-1
10
10
10
Frecuencia (rad/s)
68
-0.5
-20
-15
-10
-5
10
15
20
-15
-10
-5
0
Muestras
10
15
20
Fig. 2.49. Correlacin cruzada entre la entrada de excitacin y los residuales de la salida
de la planta, y autocorrelacin de los residuales de la salida de la planta para el
modelo ARX-[2 2 7]
Autocorrelacin de los residuales de la salida de la planta
0.5
Region de confianza 99%
-0.5
-20
-15
-10
-5
10
15
20
-15
-10
-5
0
Muestras
10
15
20
Fig. 2.50. Correlacin cruzada entre la entrada de excitacin y los residuales de la salida de
la planta, y autocorrelacin de los residuales de la salida de la planta para
el modelo ARX-[3 3 7]
69
0.2
0.1
0
-0.1
-0.2
-20
-15
-10
-5
10
15
20
-15
-10
-5
0
Samples
10
15
20
70
Imaginario
0.5
0
-0.5
-1
-1.5
-2
-5
-3
-2
Real
-1
Respuesta Impulsiva:
Respuesta al Impulso del modelo ARMAX identificado
0.2
0.18
0.16
0.14
Presin (kPa)
-4
0.12
0.1
0.08
0.06
0.04
0.02
0
20
40
60
80
100
120
Tiempo (seg)
140
160
180
200
71
6
5
4
3
2
1
0
20
40
60
80
100
120
Tiempo (seg)
140
160
180
200
Diagrama de Bode:
Amplitud
10
-3
10
-2
-1
10
10
10
0
Fase (grados)
-500
-1000
-1500
-3
10
-2
-1
10
10
10
Frecuencia (rad/s)
72
y (t ) + a1 y (t 1) + a 2 y (t 2) = b1u (t 1 7) + L
(2.28)
Los modelos ARX337 y ARX227 que no fueron elegidos pero que presentaron
un desempeo aceptable y que pueden utilizarse en algunas aplicaciones
bsicas, tienen las siguientes estructuras:
ARX227:
ARX337:
y (t ) + a1 y (t 1) + a 2 y (t 2) = b0 u (t 1 7) + L
(2.29)
L b1u (t 2 7) + e(t );
y (t ) + a1 y (t 1) + a 2 y (t 2) + a3 y (t 2) = b0 u (t 1 7) + L
(2.30)
L b1u (t 2 7) + b2 u (t 3 7) + e(t ).
Los parmetros estimados para los tres modelos se muestran en la Tabla 2.7:
Tabla 2.7. Parmetros estimados del polinomio para los modelos ARX y ARMAX.
Estructura
a1
a2
a3
b0
b1
b2
c1
c2
ARMAX2227
-1.197
0.2899
0.1084
0.7205
-0.689
0.2381
ARX227
-1.02
0.1291
0.106
0.8875
ARX337
-0.645
-0.3022
0.1013
0.1174
0.8086
0.4022
(2.21)
Y (s)
s 2 + 0.3286s + 0.02815
= 2
.
E ( s ) s + 0.2419 s + 0.006299
(2.22)
73
10
Presin (kPa)
-2
0
50
100
150
Tiempo (seg)
200
250
300
75
CAPTULO III:
DESARROLLO DE UN SISTEMA DE CONTROL AVANZADO
DE LA PRESIN DEL VAPOR EN UNA CALDERA DE TUBOS
DE FUEGO
3.1. INTRODUCCIN
Actualmente los sistemas de control en la industria de procesos deben
satisfacer criterios econmicos, asociados con el mantenimiento de las
variables de proceso en sus referencias minimizando dinmicamente una
funcin de coste de operacin, criterios de seguridad y medioambientales, y
de calidad en la produccin, la cual debe satisfacer ciertas especificaciones
sujetas a una demanda normalmente variable. (Feli et al., 2005).
La representacin matemtica de muchos de estos criterios se lleva a cabo en
forma de funciones objetivo dinmicas y de restricciones mientras que el
proceso se representa como un modelo dinmico con incertidumbres
asociadas. Las tcnicas de Control Predictivo Basado en Modelo (Model
Based Predictive Control, MPC) parecen constituir poderosas herramientas
para afrontar estos retos (Clarke D.W., 1994).
En esta seccin se hace una revisin de las principales tendencias en el
control de procesos industriales y se exponen los principales motivos que
fundamentan la eleccin del control avanzado como estrategia para el control
de la presin del vapor en una caldera pirotubular. Posteriormente se detalla
el algoritmo de Control Predictivo Generalizado (GPC) y se disea el
controlador sobre la base del modelo ARMAX estimado en el captulo
anterior. Luego, se simula el sistema de control en lazo cerrado y se comentan
las razones que justifican la incorporacin de un sistema de control adaptivo
predictivo utilizando un identificador ARMAX recursivo. Finalmente, se
comprueba mediante simulacin la efectividad del controlador diseado.
78
Obsrvese que los tres primeros problemas siguen siendo los mismos en los
tres aos que se ha realizado la encuesta y parece que a lo largo del tiempo se
resuelven problemas bsicos como estabilidad y respuesta y se atacan
problemas ms difciles como dinmica no lineal.
En las tablas 3.2 y 3.3 se muestran los factores claves de xito y fracaso de la
automatizacin del proceso. Se desprende que la eleccin de la estrategia de
control no es el nico factor a tener en cuenta para garantizar un buen
funcionamiento del sistema de control. Se observa que el principal factor de
fracaso de un sistema automatizado lo constituyen las inexactitudes del
modelo matemtico.
Tabla 3.2. Principales factores claves de xito
79
80
81
82
Otra de las razones que han contribuido a que el MPC se haya convertido en
un xito comercial es el hecho de que existen unos 15 suministradores que
instalan el producto llave en mano, con periodos de amortizacin de entre 3 y
12 meses, permitiendo que medianas empresas puedan tener acceso a esta
tecnologa. Aparte de esto, los nuevos Sistemas de Control Distribuido
empiezan a ofertar productos MPC genricos que ofrecen al usuario la
posibilidad de realizar futuras modificaciones sin depender de un producto
cerrado.
3.2.4. CONCEPTOS BSICOS DE CONTROL PREDICTIVO
El Control Predictivo Basado en Modelo, Model (Based) Predictive Control
(MBPC MPC) constituye un campo muy amplio de mtodos de control
desarrollados en torno a ciertas ideas comunes e integra diversas disciplinas
como control ptimo, control estocstico, control de procesos con tiempos
muertos, control multivariable o control con restricciones.
El Control Predictivo no es una estrategia de control especfica, sino que se
trata ms bien de un campo muy amplio de mtodos de control desarrollados
en torno a ciertas ideas comunes. Estos mtodos de diseo conducen a
83
84
85
Modelo de prediccin
Funcin objetivo
y (t ) = hiu (t i ) ,
i =1
(3.1)
donde:
y(t) salida del proceso (variable controlada),
87
y (t ) = hi u (t i ) = H (q 1 )u (t ) ,
(3.2)
i =1
donde:
H ( q 1 ) = h1 q 1 + h2 q 2 + L + hN q N .
(3.3)
y (t + k | t ) = hi u (t + k i | t ) = H (q 1 )u (t + k | t ) ,
(3.4)
i =1
donde:
k Nmero de pasos de prediccin.
88
y (t ) = y0 + g i u (t i ) = y0 + G (q 1 )(1 q 1 )u (t ) ,
(3.5)
i =1
donde:
g i - Valores muestreados ante la entrada escaln,
u (t ) = u (t ) u (t 1) .
(3.6)
y (t + k | t ) = g i u (t + k i | t ) ,
(3.7)
i =1
donde:
u (t + k i | t ) - Cambio en el valor de la entrada desplazada i muestras
en el tiempo t+k con la informacin conocida hasta el
tiempo t.
A( q 1 ) y (t ) = B ( q 1 )u (t ) ,
(3.8)
donde:
(3.9)
(3.10)
B (q 1 )
u (t + k | t ) .
y (t + k | t ) =
A(q 1 )
(3.11)
x(t + 1) = Ax(t ) + Bu (t );
y (t ) = Cx(t ),
(3.12)
(3.13)
donde:
x(t) Vector de estado del proceso,
u(t) Vector de entradas del proceso,
y(t) Vector de salidas del proceso,
A, B y C Matrices de coeficientes que caracterizan el comportamiento
dinmico del proceso.
Para este modelo la prediccin viene dada por:
k
y (t + k | t ) = Cx (t + k | t ) = C Ak x(t ) + Ai1 Bu (t + k i | t ) ,
i =1
(3.14)
donde:
90
C (q 1 )
n(t ) =
e(t ) ,
D(q 1 )
(3.15)
donde:
n(t) modelo de perturbaciones ARIMA,
e(t ) ruido blanco de media cero,
D(q 1 ) polinomio que incluye explcitamente el integrador = 1 q 1 ,
C (q 1 ) polinomio promediador de media mvil del ruido.
Este modelo se considera apropiado para dos tipos de perturbaciones:
cambios aleatorios ocurridos en instantes aleatorios (por ejemplo cambio en
la calidad del material) y movimiento browniano (en procesos con balance de
energa) y es usado en varios mtodos. Ntese que al incluir un integrador se
consigue un control con error nulo en rgimen permanente (offset-free).
Como caso particular del modelo ARIMA se puede incluir la perturbacin
constante:
n(t ) =
1
e(t ) ,
1 q 1
(3.16)
u (t ) = u f (t ) + uc (t )
(3.17)
91
donde:
u f (t ) Seal que corresponde a las entradas pasadas (anteriores al instante t)
u f t (t j ) = u (t j ) para j=1,2,;
(3.18)
u f t (t + j ) = u (t 1) para j=0,1,2,,
(3.19)
(3.20)
(3.21)
92
Nu
j =1
j =1
2
2
J ( N1 , N 2 , N u ) = ( j )[ y (t + j | t ) w(t + j )] + ( j )[u (t + j 1)] , (3.22)
donde:
J ( N1 , N 2 , N u ) Funcin de costos a minimizar,
N1 y N2 Horizontes mnimo y mximo de prediccin (o de costo),
Nu Horizonte de control (no tiene por qu coincidir con el horizonte
mximo de prediccin, como se ver posteriormente),
( j ) y ( j ) Secuencias que ponderan el comportamiento futuro,
w(t + j ) Trayectoria de referencia en el tiempo t+j,
n Nmero de valores que posee la trayectoria de referencia.
En algunos mtodos el segundo sumando, que considera el esfuerzo de
control, no se tiene en cuenta, mientras que en otros tambin aparecen
directamente los valores de la seal de control (no sus incrementos). En la
funcin de costo se pueden considerar:
( j) = N
(3.23)
donde:
93
w(t ) = y (t ) ;
w(t + k ) = w(t + k 1) + (1 )r (t + k ) , k = 1K n ,
(3.24)
(3.25)
donde:
umin
dumin
u (t ) u (t 1) dumax
t ;
t ;
ymin
t ,
u (t )
y (t )
umax
ymax
(3.26)
(3.27)
(3.28)
donde:
umin, umax, ymin, ymax Valores mximos y mnimos posibles de las entradas y
de las salidas del proceso respectivamente,
dumin, dumax Valores mximo y mnimo posibles del cambio de las
entradas del proceso.
95
j > Nu ,
(3.29)
96
3.2.7.1. CONTROL
DMC)
CON
n (t + k | t ) = n (t | t ) = y m (t ) y (t | t ) ,
(3.30)
donde:
y (t + k | t ) = g i u (t + k i ) +
i =1
g u (t + k i) + n (t + k | t ) ,
i = k +1
(3.31)
donde:
97
EN
n (t + k | t ) = n (t + k 1 | t ) + (1 )[ y m (t ) y (t | t )] ,
(3.32)
donde:
n (t | t ) = 0 ,
parmetro ajustable (0 1) relacionado con el tiempo de respuesta, el
ancho de banda y la robustez del lazo cerrado.
El mtodo tambin considera restricciones en los actuadores, en las variables
internas o en salidas secundarias.
3.2.7.3. CONTROL FUNCIONAL PREDICTIVO (PREDICTIVE FUNCTIONAL
CONTROL PFC)
Este controlador fue desarrollado por Richalet para procesos rpidos. Emplea
un modelo en el espacio de estados, por lo que permite el manejo de procesos
inestables, y tambin la extensin al caso no lineal. Este esquema de control
tiene dos caractersticas 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 (Fig. 3.8) se emplea para simplificar los
clculos considerando slo un subconjunto de puntos en el horizonte de
prediccin h j , j = 1, K , n H . La salida deseada y la predicha deben coincidir en
dichos puntos, no en todo el horizonte de prediccin.
La otra idea innovadora de este mtodo es la parametrizacin de la seal de
control como una combinacin lineal de ciertas funciones base, que son
elegidas segn la naturaleza del proceso y la referencia, es decir:
98
nB
u (t + k ) = [ i (t ) + Bi (t )]
(3.33)
i =1
donde:
u (t + k ) Valor de la entrada en el tiempo t+k.
B (t ) Funciones de base.
Parmetros desconocidos a encontrar.
(3.34)
donde:
A(q 1 ) y B(q 1 ) Polinomios que definen el comportamiento dinmico del
proceso,
d Retardo de tiempo,
v (t ) Perturbaciones.
99
J = ( k ) w(t + k ) P(q 1 ) y (t + k | t ) ,
2
(3.35)
k =d
donde:
P (q 1 ) Polinomio de diseo con ganancia unitaria,
(k ) Secuencia de ponderacin,
w(t + k ) Trayectoria de referencia en el tiempo t+k,
y (t + k ) Salida estimada en el tiempo t+k con la informacin conocida hasta
el tiempo t.
La seal de control se puede calcular de la siguiente manera:
N
u (t ) =
h (k )
k =d
N
h (k )
k =d
[w(t + k ) P(q
) y (t + k | t ) ,
(3.36)
2
k
donde:
hk Coeficientes de la respuesta impulsional del sistema.
N Nmero de valores de la vector de respuesta impulsional del sistema.
3.2.7.5. CONTROL ADAPTIVO DE HORIZONTE
HORIZON ADAPTIVE CONTROL EHAC)
EXTENDIDO
(EXTENDED
y (t + N | t ) w(t + N ) ,
N d.
(3.37)
u (t + k 1) = 0,
1< k N d ,
(3.38)
100
J=
N d
(t + k ) .
(3.39)
k =0
y (t + n | t ) = y (t ) + F ( q 1 ) y (t ) + E ( q 1 ) B ( q 1 ) u (t + n d ) ,
(3.40)
donde:
E (z 1 ) y F (z 1 ) Polinomios que satisfacen la relacin:
(1 q 1 ) = A( q 1 ) E ( q 1 )(1 q 1 ) + q N F ( q 1 )(1 q 1 ) .
(3.41)
u (t ) = u (t 1) +
0 [w(t + N ) y (t + N | t )]
N d
i2
(3.42)
k =0
donde:
101
(3.43)
donde:
u (t ) y y (t ) Seal de control y la salida del proceso respectivamente,
e(t ) Ruido blanco de media cero,
d Tiempo de retardo del sistema.
A(q 1 ) , B(q 1 ) y C (q 1 ) Polinomios en el operador de desplazamiento hacia
A( q 1 ) = 1 + a1 q 1 + a 2 q 2 + L + a na q na
(3.44)
B (q 1 ) = b0 + b1 q 1 + b2 q 2 + L + bnb q nb
(3.45)
C (q 1 ) = 1 + c1 q 1 + c2 q 2 + L + c nc q nc
(3.46)
102
A(q 1 ) y (t ) = q d B(q 1 )u (t 1) + C (q 1 )
e(t )
,
(3.47)
donde:
= 1 q 1 ,
(3.48)
Nu
(3.49)
j =1
donde:
J ( N1 , N 2 , N u ) Funcin de costos a minimizar,
y (t + j | t ) Prediccin ptima de la salida del proceso j pasos hacia delante
con datos conocidos hasta el instante t,
N1 y N2 Horizontes mnimo y mximo de prediccin,
Nu Horizonte de control,
( j ) y ( j ) Secuencias que ponderan el comportamiento futuro. En
muchas situaciones se considera ( j ) igual a 1 y ( j )
constante,
w(t + j ) Trayectoria de referencia futura en el tiempo t+j,
n Nmero de valores que posee la trayectoria de referencia.
El objetivo consiste en calcular la futura secuencia de control u (t ), u (t + 1) ,K ,
de tal manera que la salida futura del proceso y (t + j ) permanezca prxima
a w(t + j ) . Esto se logra minimizando J ( N 1 , N 2 , N u ) .
3.2.7.6.2. Prediccin ptima
Con la intencin de minimizar la funcin de costo, se obtendr previamente
la prediccin ptima de y (t + j ) para j N1 y j N 2 . Considrese la
siguiente ecuacin diofntica:
103
1 = E j (q 1 )A(q 1 ) + q j F j (q 1 ) ;
~
1 = E j (q 1 ) A(q 1 ) + q j F j (q 1 ) ,
(3.50)
(3.51)
donde:
E j (q 1 ) y F j (q 1 ) Polinomios a hallar,
~
A(q 1 ) = A(q 1 ) = (1 q 1 ) A(q 1 ) .
(3.52)
~
A(q 1 ) E j (q 1 ) y(t + j) = E j (q 1 ) B(q 1 )u(t + j d 1) + E j (q 1 )e(t + j) .
(3.53)
(3.54)
y (t + j | t ) = G j ( q 1 )u (t + j d 1) + F j (q 1 ) y (t ) ,
(3.56)
donde:
G j (q 1 ) = E j (q 1 ) B(q 1 ) .
(3.57)
104
F j ( q 1 ) = f j , 0 + f j ,1q 1 + L + f j ,na q na ;
1
E j ( q ) = e j , 0 + e j ,1q + L + e j , j 1 q
( j 1)
(3.58)
(3.59)
donde:
f j ,m m-simo coeficiente del polinomio F j (q 1 ) ,
e j ,n n-simo coeficiente del polinomio E j (q 1 ) .
(3.60)
E j +1 ( q 1 ) = E j ( q 1 ) + e j +1, j q 1 ,
(3.61)
donde:
e j +1, j = f j , 0 .
(3.62)
f j +1,i = f j ,i +1 f j , 0 a~i +1 ,
i = 0,1, L na .
(3.63)
105
i = 0 K na ,
siendo f j ,na +1 = 0 .
G j +1 (q 1 ) = E j +1 (q 1 ) B( q 1 ) = ( E j (q 1 ) + f j , 0 q j ) B (q 1 ) = K
K G j (q 1 ) + f j , 0 q j B(q 1 )
(3.64)
g j +1, j +1 = g j , j +1 + f j , 0 bi .
(3.65)
y (t + d + 1 | t ) = Gd +1 (q 1 )u (t ) + Fd +1 (q 1 ) y (t ) ;
(3.66)
y (t + d + 2 | t ) = Gd + 2 (q 1 )u (t + 1) + Fd + 2 (q 1 ) y (t ) ;
(3.67)
y (t + d + N | t ) = Gd + N (q 1 )u (t + N 1) + Fd + N (q 1 ) y (t ) ,
(3.68)
y (t yf | t ) = G (q 1 )u (t uf ) + G (q 1 )u (t 1) + F (q 1 ) y (t )
(3.69)
donde:
y (t + d + 1 | t )
y (t + d + 2 | t )
y (t yf | t ) =
;
M
y (t + d + N | t )
(3.70)
t yf = (t + d + 1), (t + d + 2),L , (t + d + N ) ;
(3.71)
106
u (t )
u (t + 1)
;
u (t uf ) =
u (t + N 1)
(3.72)
tuf = t , t + 1, L , t + N 1 ;
(3.73)
g0
g
1
G (q ) = 1
M
g N 1
(3.74)
0
g0
M
g N 2
0
L 0
O M ;
L g0
L
q (Gd +1 (q 1 ) g 0 )
1
1
2
q
(
G
(
q
)
g
g
q
)
1
+
d
2
0
1
G (q ) =
;
M
N
1
1
( N 1)
)
q (Gd + N (q ) g 0 g1q L g N 1q
(3.75)
Fd +1 (q 1 )
Fd + 2 (q 1 )
1
F (q ) =
.
1
Fd + N (q )
(3.76)
Al depender los dos ltimos trminos de la ecuacin (3.69) slo del presente
y del pasado, pueden agruparse, dando lugar a:
y (t yf | t ) = G (q 1 )u (t uf ) + f (q 1 , t , t 1) ,
(3.77)
donde:
f (q 1 , t , t 1) = G (q 1 )u (t 1) + F (q 1 ) y (t ) .
(3.78)
C (q 1 ) = E j (q 1 ) A(q 1 ) + q j F j(q 1 ) ,
(3.79)
107
donde:
E j (q 1 ) Polinomio de grado j 1 ,
F j(q 1 ) Polinomio de grado na .
La ecuacin (3.79) se puede expresar en la forma:
q j F j (q 1 )
C ( q 1 )
1
= E j (q ) +
.
A(q 1 )
A(q 1 )
(3.80)
B (q 1 ) d
C (q 1 )
y (t + j ) =
q u (t + j 1) +
e(t + j ) ;
A(q 1 )
A(q 1 )
y (t + j ) =
B(q 1 )
C (q 1 )
u
(
t
+
j
d
)
+
e(t + j ) .
A(q 1 )
A(q 1 )
(3.81)
(3.82)
A(q 1 )y (t ) B (q 1 )u (t 1 d )
e(t ) =
C (q 1 )
(3.83)
y (t + j ) =
F Ay (t ) Bu (t 1 d )
B
u (t + j 1 d ) + E j e(t + j ) + j
; (3.84)
A
A
C
y (t + j ) =
F j
B
B Fj
u (t + j 1 d ) + E j e(t + j ) +
y (t )
u (t 1 d ) ; (3.85)
A
C
A C
y (t + j ) =
F j
B F j j
+
+
+
+
1
q
u
(
t
j
1
d
)
E
e
(
t
j
)
y (t ) .
A C
C
(3.86)
y (t + j ) =
F j
B E j A
u
(
t
j
1
d
)
E
e
(
t
j
)
y (t ) ;
+
+
+
+
j
A C
C
(3.87)
108
y (t + j ) =
BE j
C
u (t + j 1 d ) + E j e(t + j ) +
F j
C
y (t ) .
(3.88)
y (t + j ) = E{y (t + j ) | t} ;
y (t + j ) =
BE j
C
(3.89)
u (t + j 1 d ) +
F j
C
y (t ) .
(3.90)
E j (q 1 ) B(q 1 ) = C (q 1 )T j (q 1 ) + q j K j (q 1 ) ,
(3.91)
donde:
K j (q 1 ) Polinomio a hallar,
T j (q 1 ) Polinomio a hallar de grado j 1 .
En adelante los polinomios se representan sin su argumento para simplificar
las representaciones.
Por lo tanto, la prediccin viene dada por:
y (t + j ) =
CT j + q j K j
C
u (t + j 1 d ) +
y (t + j ) = T j u (t + j 1 d ) +
Kj
C
F j
C
y (t ) ;
u (t 1 d ) +
F j
C
(3.92)
y (t ) ,
(3.93)
donde:
T j u (t + j 1 d ) incluye las acciones de control futuras,
Kj
C
y (t + d + j ) = T j u (t + j 1) +
Kj
C
u (t 1) +
F j
C
y (t ) .
(3.94)
F (q 1 )
K (q 1 )
y (t ) ,
u (t 1) +
y (t yf | t ) = T (q )u (t uf ) +
C (q 1 )
C (q 1 )
1
(3.95)
donde:
y (t + d + 1 | t )
y (t + d + 2 | t )
y (t yf | t ) =
;
M
y (t + d + N | t )
(3.96)
t yf = (t + d + 1), (t + d + 2),L , (t + d + N ) ;
(3.97)
u (t )
u (t + 1)
;
u (t uf ) =
u (t + N 1)
(3.98)
t uf = t , t + 1, L , t + N 1 ;
(3.99)
T1 (q 1 )
T2 (q 1 )
1
T (q ) =
M ;
1
TN (q )
(3.100)
K1 (q 1 )
K 2 (q 1 )
1
K (q ) =
;
M
1
K N (q )
(3.101)
F '1 (q 1 )
F '2 (q 1 )
1
F ' (q ) =
.
M
1
F ' N (q )
(3.102)
y (t yf | t ) = G(q 1 )u(t uf ) + f (q 1 , t , t 1) ,
(3.103)
110
donde:
G ( q 1 ) = T ( q 1 ) ;
f (q 1 , t , t 1) =
(3.104)
F (q 1 )
K (q 1 )
y (t ) .
+
u
(
t
1
)
C (q 1 )
C (q 1 )
(3.105)
y = Gu + f .
(3.106)
J = (Gu + f w) T (Gu + f w) + u T u ,
(3.107)
donde:
w = [w(t + d + 1)
w (t + d + 2 ) L w ( t + d + N ) ] .
T
(3.108)
J=
1 T
u Hu + bu + f 0 ,
2
(3.109)
donde:
H = 2(G T G + I ) ;
b = 2( f w) T G ;
f 0 = ( f w) T ( f w) .
(3.110)
(3.111)
(3.112)
u = H 1b T = 2 H 1G T ( f w) .
(3.113)
u (t ) = 2 1 01( N 1) H 1G T ( f w) .
(3.114)
111
u (t ) = u (t 1) + u (t ) .
(3.115)
u (t ) = 2 1 01( Nu 1) H 1G T ( f w) .
(3.116)
112
3.3. DESARROLLO
A( q 1 ) y (t ) = B ( q 1 )u (t d ) + C ( q 1 )e(t ) ,
(3.117)
donde:
A(q 1 ) = 1 1.208q 1 + 0.2983q 2 ;
B(q 1 ) = 0.1291q 1 + 0.6878q 2 ;
C (q 1 ) = 1 0.7758q 1 + 0.1788q 2 ;
d =7;
T = 5s .
(3.118)
(3.119)
(3.120)
(3.121)
(3.122)
y (t yf | t ) = T (q 1 )u (t uf ) +
F (q 1 )
K (q 1 )
y (t ) ,
+
u
(
t
1
)
C (q 1 )
C (q 1 )
(3.123)
Definiendo:
G (q 1 ) = T (q 1 ) ;
(3.124)
G (q 1 ) =
K (q 1 )
;
C (q 1 )
(3.125)
F (q 1 ) =
F (q 1 )
.
C (q 1 )
(3.126)
y (t yf | t ) = G (q 1 )u (t uf ) + G (q 1 )u (t 1) + F (q 1 ) y (t ) ,
(3.127)
113
D = Qd + R ,
(3.128)
donde:
D = dividendo,
d = divisor,
Q = cociente,
R = residuo.
Para los propsitos del diseo del controlador GPC, se dispone del dividendo
y del divisor y se requiere calcular el cociente y el residuo.
La resolucin de esta ecuacin puede realizarse en Matlab teniendo en cuenta
la representacin polinomial de esta aplicacin, en la que cada polinomio se
representa por el vector de coeficientes del mismo, ordenados segn el orden
de la variable que multiplican. As, el polinomio P ( z ) = z 3 3 z 2 + 2 , puede
representarse en Matlab con el vector P= [1 3 0 2] .
Una vez en su representacin numrica tanto el dividendo como el divisor, se
utiliza la funcin deconv, la que directamente entrega el cociente y el residuo
segn la siguiente sintaxis:
[Q , R] = deconv(D , d) : Deconvoluciona el vector d del vector D. El
resultado se obtiene en el vector Q y el residuo en el vector R, tal que:
D = conv ( d , Q ) + R .
(3.128)
q j C (q 1 ) = E j ( q 1 )q j A( q 1 ) + F j ( q 1 ) .
(3.129)
114
D = Qd + R ,
(3.130)
donde:
D = q j C (q 1 ) ;
d = q j A(q 1 ) ;
1
(3.131)
(3.132)
Q = E j (q ) ;
(3.133)
R = F j(q ) .
(3.134)
q j E j ( q 1 ) B(q 1 ) = q j C (q 1 )T j (q 1 ) + K j (q 1 ) .
(3.135)
D = Qd + R ,
(3.136)
donde:
D = q j E j B(q 1 ) ;
1
d = q C (q ) ;
j
Q = T j (q ) ;
1
R = K j (q ) .
(3.137)
(3.138)
(3.139)
(3.140)
inicial u(0) para originar la salida medida y(1), que a su vez se utiliza para
obtener la ley de control en u(1), y as sucesivamente.
116
m( k + 1) = Am ( k ) + bp ( k ) ,
(3.141)
donde:
p(k) Valor de la variable que se desea acumular en un vector,
m(k ) Vector que contiene los valores pasados de p(k),
A Matriz de desplazamiento,
b Vector de acoplamiento.
Para entender mejor el funcionamiento de este algoritmo, se propone el
siguiente ejemplo:
Se requiere acumular los 3 ltimos valores de la variable escalar p en un
vector que se denomina m, en donde el valor ms reciente de p sea el primer
valor del vector m.
Para ello, se definen las siguiente matrices:
0 0 0
A = 1 0 0 ;
0 1 0
(3.142)
1
b = 0 .
0
(3.143)
p ( k ) 0 0 0 p ( k 1) 1
m ( k + 1) = p ( k 1) = 1 0 0 p ( k 2) + 0 p ( k ) ;
p ( k 2) 0 1 0
0
0
(3.144)
117
0 p(k )
m(k + 1) = p (k 1) + 0 .
p ( k 2) 0
(3.145)
A = diag(ones(N - 1,1),-1);
B = [1; zeros(N - 1,1)] ;
Memoria(0) = zeros(N,1) ;
N Nmero de valores del horizonte de prediccin
(3.146)
(3.147)
(3.148)
(3.149)
(3.150)
(3.151)
118
P = 2 1 01( N 1) H 1G T ;
(3.152)
u (t ) = P ( f w) .
(3.153)
Al optimizador ingresan entonces los errores futuros (f-w), los que son
multiplicados por la matriz P obtenida luego de resolver las ecuaciones
diofnticas. Se obtiene como resultado u (t ) . Para obtener u (t ) debemos
sumar u (t ) y u (t 1) . Nuevamente para obtener u (t 1) se utiliza un bloque
memoria. La salida del optimizador es u (t 1) , ya que como se coment es
necesaria la condicin inicial u (0) para obtener la salida medida de la planta
y(1), con la que obtenemos u(1), y as sucesivamente. De no tener esta
condicin inicial, se formara un lazo algebraico sin fin. Este procedimiento se
observa en la Fig. 3.13:
P* u
f-w
du(t)
u(t)
1
u(t-1)
Matriz P
u(t-1)
K (q 1 )
F (q 1 )
f (t , t 1, q ) =
u (t 1) +
y (t )
C (q 1 )
C (q 1 )
1
(3.154)
f = K (q 1 )
u (t 1)
y (t )
+ F (q 1 )
= Ku f (t 1) + F y f (t )
1
C (q )
C (q 1 )
(3.155)
119
Matriz K
K* u
duf
duf (t-1)
1
duf (t-1)
C(z)
du(t-1)
Memory
u(t-1)
u(t-2)
1
f
Buffer y
Filtro1 (1/C)
Matriz Fp
Fp* u
yf
y f (t)
1
y f (t)
C(z)
2
y(t)
Fig. 3.14: Algoritmo implementado en Simulink, que permite hallar las salidas
predichas utilizando el modelo de la planta, las salidas y entradas pasadas.
Una vez que se tiene el bloque del controlador, se procede a implementar el
modelo de la planta. Para ello, se aade un sub-sistema nuevo y se configura
las entradas y salidas como se muestra en la Fig. 3.15:
120
Fig. 3.18: Configuracin utilizada para el bloque generador de pulsos. Para acceder a
esta ventana hacer doble clic sobre el bloque respectivo.
El modelo de la planta al ser de tipo ARMAX, cuenta con dos funciones de
transferencia. La primera de ellas modela el comportamiento dinmico de la
salida ante una variacin en la entrada y la segunda modela el
comportamiento de la salida ante perturbaciones.
Para poder simular la influencia de las perturbaciones, se ingresa a la planta
una secuencia aleatoria con la configuracin que se muestra en la Fig. 3.19:
121
Fig. 3.19: Configuracin utilizada para el bloque nmero aleatorio. Para acceder a
esta ventana hacer doble clic sobre el bloque respectivo.
Finalmente, se utilizan bloques de salida Scope para poder mostrar la
evolucin de la salida medida junto con la referencia, y la evolucin de ley de
control.
El archivo de simulacin se grab con el nombre simcontrolpa.mdl
Para poder realizar la simulacin es necesario cargar las matrices P, K y Fp al
espacio de trabajo (workspace) de Matlab. Como se mencion, se ha
preparado la funcin matpred.m con este fin. La sintaxis de esta funcin es la
siguiente:
[P , K , Fp]=matpred(A , B , C , N1 , N2 , Nu , lam):
Esta funcin permite solucionar las ecuaciones diofnticas (3.79) y (3.91)
y resolver la minimizacin de la funcin de costos (3.152), para una
planta modelada con estructura tipo ARMAX. A la funcin ingresan los
polinomios A(q 1 ) , B (q 1 ) y C (q 1 ) del modelo, as como el nmero de
pasos a partir de donde comienza y en donde termina el horizonte de
prediccin (N1 y N2), el nmero de pasos de horizonte de control (Nu) y el
peso de la ley de control lambda. Como resultado se obtienen las
matrices P, K y Fp.
Asimismo para simplificar la simulacin del sistema de control en Simulink,
se elabor un archivo de Matlab denominado controlpa.m, el cual carga el
modelo ARMAX identificado, inicializa todas las constantes necesarias,
ejecuta el algoritmo de diseo del controlador GPC implementado en el
archivo matpred.m e inicializa el modelo simcontrolpa.mdl en Simulink. El
contenido del archivo controlpa.m se muestra en la Fig. 3.20:
122
DEL
SISTEMA
DE
CONTROL
PREDICTIVO
GENERALIZADO
IMPLEMENTADO EN SIMULINK.
124
1
2
3
4
0
0
0.99
0.99
0
1000
0
1000
125
Fig. 3.23. Ley de control del sistema en lazo cerrado con =0 y =0.
Se observa que presenta una variacin brusca.
126
Fig. 3.25. Ley de control del sistema en lazo cerrado con =0 y =1000.
Se observa que no presenta variaciones bruscas.
127
Fig. 3.27. Ley de control del sistema en lazo cerrado con =0.99 y =0.
Se observan variaciones bruscas.
128
Fig. 3.29. Ley de control del sistema en lazo cerrado con =0.99 y =1000.
Se observa que no presenta variaciones bruscas.
129
Para lograr la respuesta deseada con una ley de control suave, se deben
equilibrar ambos parmetros, por prueba y error. El resultado de este
procedimiento se muestra en las Fig. 3.30 y Fig. 3.31. Se observa que la
constante de tiempo del modelo de la trayectoria referencia no es muy
grande haciendo que la respuesta del sistema sea rpida y que se penalizan
las acciones de control haciendo que la evolucin de la ley de control no
presente variaciones bruscas.
Fig. 3.31. Ley de control del sistema en lazo cerrado con =0.76 y lambda=100.
Se observa que no presenta variaciones bruscas.
130
132
133
134
3.5. IMPLEMENTACIN
DE
UN
IDENTIFICADOR
RECURSIVO
DE
MXIMA
N = (N , t ) (t ) T (t )
t =1
1 N
(N , t ) (t )y(t ) ,
(3.156)
t =1
donde:
cualquiera:
t = (t , k ) (k ) T (k )
k =1
1 t
(t , k ) (k )y(k ) ,
(3.157)
k =1
donde:
t, k ndices utilizados para designar el valor del tiempo actual t y del tiempo
pasado k.
De esta expresin podemos definir:
t = R 1 (t ) f (t ) ,
(3.158)
donde:
t
R (t ) = (t , k ) (k ) T (k ) ;
(3.159)
k =1
t
f (t ) = (t , k ) (k ) y (k ) ;
(3.160)
k =1
135
3.5.1. ESTIMACIN
RECURSIVA
UTILIZANDO
EL
MTODO
DE
MNIMOS
(t , k ) = (t ) (t 1, k ) ,
(t , t ) = 1 ;
1 k t 1;
(3.161)
(3.162)
donde:
R(t ) = (t ) R(t 1) + (t ) T (t ) ;
f (t ) = (t ) f (t 1) + (t ) y (t ) .
(3.163)
(3.164)
t = t 1 + R 1 (t ) (t ) y (t ) T (t )t 1 ;
R (t ) = (t ) R (t 1) + (t ) T (t ) .
(3.165)
(3.166)
(3.167)
136
P(t 1) (t ) T (t )P(t 1)
P(t 1)
(t ) + T (t )P(t 1) (t )
P(t ) =
(t )
(3.168)
L (t ) = R 1 (t ) (t ) =
P (t 1) (t )
(t ) + T (t )P (t 1) (t )
(3.169)
t = t 1 + L(t ) y (t ) T (t )t 1 ;
(3.170)
L(t ) =
P(t 1) (t )
;
(t ) + T (t )P(t 1) (t )
(3.171)
P(t ) =
P(t 1) (t ) T (t )P(t 1)
1
(
)
P
t
1
.
(t )
(t ) + T (t )P(t 1) (t )
(3.172)
(t, k ) = t k
es decir
(t ) ,
(3.173)
donde:
(t , k ) = e (t k )log e (t k )(1 )
(3.174)
137
(t ) = y(t ) (t )t 1 .
(3.175)
(t ) =
1
(t ) .
C (q 1 )
(3.176)
138
G (q) =
0.5
.
1 0.8q 1
(3.177)
139
Fig. 3.41: Vista interna final del bloque Identificador Recursivo ARX.
140
, se
Los bloques Reshape, representados mediante el smbolo
utilizan para cambiar las dimensiones de una seal o de una matriz, en
este caso se cambiar una seal tipo fila a una seal tipo columna.
8. Ingresar los valores iniciales del vector t 1 y de la matriz P(t-1), en los
bloques Memoria como se muestra en la Tabla 3.7.
Tabla 3.7: Valores iniciales de los bloque Memoria que representan las
condiciones iniciales del vector t 1 , y de la matriz P(t-1).
Bloque
Conectado a seal
Campo
Valor
Memoria
theta
Initial Condition
Memoria
P(t)
Initial Condition
1e6*eye(3)
143
Fig. 3.48: Vista interna del sub-sistema que calcula el vector de regresin
con las modificaciones realizadas.
En este caso el vector de regresin debe estar formado tambin por los
errores de prediccin pasados. Entonces, se realiza el clculo del error de
prediccin actual mediante la sustraccin de la salida actual y la estimada,
que se calcula como el producto (t ) T t 1 . Finalmente, este valor actual
del error de prediccin se acumula utilizando un buffer o acumulador
como en el caso de las seales y(t) o para u(t).
144
(t ) =
1
(t )
C (q 1 ) (t ) = (t ) ;
1
C (q )
(t ) = c1 (t 1) (t 1) c2 (t 1) (t 2) L
L cnc (t 1) (t nc ) + (t ) ;
(3.178)
(3.179)
145
3.6. IMPLEMENTACIN
PREDICTIVO GENERALIZADO.
146
Seal de
Comando
Seal de
Control
Controlador
Proceso
Salida
147
Modelo
ym
Parmetros del
Controlador
Mecanismo de
Ajuste
uc
Controlador
Proceso
Salida
Especificacin
Reajuste del
Controlador
Parmetros del
Proceso
Parmetros del
Controlador
Estimacin
Referencia
Controlador
Proceso
Entrada
Salida
149
DEL
CONTROLADOR
PREDICTIVO-ADAPTIVO
Fig. 3.55: Bloque controlador que ha sido modificado para incluir un identificador
recursivo para reajustar los parmetros del controlador GPC.
El sub-sistema Identificador Recursivo y Recalculador del Controlador
contiene los bloques que se muestran en la Fig. 3.56.
El bloque identificador del modelo ARMAX fue ya desarrollado en la seccin
anterior. El bloque utilizado para el recalculador, es un sub-sistema con
activacin. La activacin viene dada por el parmetro configurable Tiempo
de Inicio de Actualizaciones. Este tiempo implica que las actualizaciones del
controlador no se inician al iniciar la simulacin, puesto que el identificador
recin est estimando los parmetros del modelo. Si la actualizacin se
produce entonces, es muy probable que el desempeo del controlador al
151
inicio de la simulacin sea muy pobre. Por esto, se da un tiempo para que los
parmetros estimados converjan y las actualizaciones puedan realizarse.
Fig. 3.56: Vista interna del bloque que implementa un identificador recursivo para
modelos tipo ARMAX y un bloque que permite reajustar los parmetros del
controlador GPC.
Por otro lado, el tiempo de muestreo de las actualizaciones puede variar con
relacin al tiempo de muestreo del lazo de control principal. Sin embargo,
por lo general se recomienda que sean iguales.
3.6.3. SIMULACIN DEL SISTEMA
GENERALIZADO.
DE
152
153
3.7. CONCLUSIONES
154
155
156
CAPTULO IV:
COMPARACIN ENTRE EL SISTEMA DE CONTROL
GPC-ADAPTIVO DISEADO Y UN SISTEMA DE CONTROL
PID PARA CONTROLAR LA PRESIN DEL VAPOR EN UNA
CALDERA DE TUBOS DE FUEGO.
3.1. INTRODUCCIN:
Los controladores PID son por mucho los sistemas de control ms utilizados
en la actualidad en todas las aplicaciones industriales, en las que ms del 95%
de los lazos de control poseen el algoritmo PID, muchos de los cuales son
incluso PI. (Astrm, 1994).
Estos controladores son suficientes para muchos problemas de control,
particularmente cuando la dinmica del proceso es benigna y los
requerimientos de desempeo son modestos. Es por esto, que han
sobrevivido muchos cambios tecnolgicos desde los antiguos controladores
neumticos a los microprocesadores pasando por los tubos de vaco, los
transistores, y los circuitos integrados. (Bitmead et al. 1990).
Por esta razn, se considera que este algoritmo representa una buena base
comparativa para el controlador GPC-adaptivo diseado en este proyecto. En
este captulo se disea una variante del controlador PID, el controlador PI
predictivo (PPI), el cual posee mayores capacidades de compensacin de
tiempo muerto, y se simula la respuesta del proceso de variacin de la
presin del vapor en el cuerpo de la caldera utilizando este controlador.
Finalmente, se compara el desempeo del controlador PPI con el del
controlador GPC-adaptivo diseado.
G(s) =
K
e sL ,
1 + sT
(4.1)
donde:
K Ganancia esttica,
T Constante de tiempo,
L Tiempo muerto.
Este modelo de proceso caracterizado por tres parmetros es el ms
comnmente utilizado en artculos sobre ajuste de controladores PID. Los
parmetros L y T frecuentemente se denominan tiempo muerto aparente y
constante de tiempo aparente, respectivamente. La respuesta temporal de esta
clase de sistema es:
y (t ) = K 1 e (t L ) T ,
(4.2)
donde:
y (t ) Salida de la planta.
161
Tar =
(4.3)
donde:
Tar Tiempo de residencia promedio,
y ( ) Valor de la salida en un tiempo muy lejano. Frecuentemente coincide con el
valor de estado estacionario.
La relacin que se define como (Astrm, 1994) :
L
L
=
;
T + L Tar
0 1,
(4.4)
donde:
162
Fig. 4.1. Mtodo grfico utilizado para modelar el proceso de variacin de la presin
del vapor en el cuerpo de la caldera mediante un modelo de primer orden
con tiempo muerto (tres parmetros)
En este proyecto el anlisis por correlacin de la respuesta de la planta a una
seal pseudoaleatoria fue realizado en la seccin 2.4.4. El resultado de la
identificacin por anlisis de correlacin se aprecia en la Fig. 2.32. All se ve la
respuesta impulsiva de la planta, la que una vez integrada da como resultado
la respuesta escaln.
El modelamiento del proceso de variacin de la presin del vapor en el
cuerpo de la caldera se hizo aplicando el mtodo grfico, como se muestra en
la Fig. 4.1. Los parmetros encontrados son: L = 35 seg ; T = 35 seg ; K = 8.80 .
El proceso bajo estudio tiene entonces el siguiente ratio de controlabilidad:
L
35
=
= 0.5 .
T + L 35 + 35
(4.5)
Esto indica que este proceso no es muy fcil de controlar, aunque tampoco
muy difcil. La funcin de transferencia del proceso de variacin de la
presin de vapor en el cuerpo de la caldera queda entonces:
G(s) =
8.80 35 s
e .
1 + 35s
(4.6)
163
Go ( s ) =
G p ( s )Gc ( s )
1 + G p ( s )Gc ( s )
(4.7)
donde:
Go (s) Funcin de transferencia del lazo cerrado,
G p (s ) Funcin de transferencia de la planta,
Gc (s ) Funcin de transferencia del controlador.
En la Fig. 4.2 se muestra un diagrama que representa el lazo cerrado del
sistema de control del proceso bajo estudio con controlador PPI.
Fig. 4.2. Lazo cerrado del sistema de control del proceso de variacin de la presin
del vapor en el cuerpo de una caldera con controlador PPI.
Despejando Gc (s) de la ecuacin (4.7) se tiene:
Gc ( s ) =
Go ( s )
1
.
G p ( s ) 1 Go ( s )
(4.8)
Go ( s )
basndose
en
Se tiene de la ecuacin (4.8), que todos los polos y ceros del sistema son
cancelados por el controlador. Esto significa que el mtodo no puede
164
GP (s) =
K P sL
e .
1 + sT
(4.9)
GO =
e sL
,
1 + s T
(4.10)
donde:
GC ( s ) =
1 + sT
.
K P 1 + sT e sL
(4.11)
(1 + sT e )U (s ) = K1 (1 + sT )E (s ) ,
sL
(4.12)
donde:
U (s ) =
KP
1
1
1 e sL U (s ) .
1 +
E (s )
K P sT
1 + sT
(4.13)
KP
(
1 e sL )U (s ) ,
1 + sT
(4.14)
U (s ) =
1
1
1
1 e sL U (s ) .
1 +
E (s )
s T
K P sT
(4.15)
K P L2
=
,
0.6T
IE PID
(4.16)
donde:
1
T
L
(u (t ) u(t L ))dt = T
0
(4.17)
u ( ) u (0 ) = 1 =
1
K P T
e(t )dt
L
.
T
(4.18)
IE PPI = K P (L + T )
(4.19)
donde:
e sL
1 + sT e sL
S (s ) = 1
=
,
1 + s T
1 + s T
(4.20)
M S = max S (i )
(4.21)
donde:
M S siempre menor que 2.
Una expresin aproximada para M S viene dada por:
MS = 2
T
L
(4.22)
e sL
U (s ) = KE (s ) +
U (s ) .
1 + sT
(4.23)
Presion (kPa)
60
40
20
-20
200
400
600
1400
1600
1800
2000
Fig. 4.4. Respuesta del proceso bajo estudio ante variaciones por la referencia
utilizando controlador PPI.
168
%ap. valvula
10
-5
200
400
600
1400
1600
1800
2000
EL SISTEMA DE CONTROL
GPC-ADAPTIVO
Y EL SISTEMA
169
3.3.1. RESPUESTA
VARIACIN PARAMTRICA.
Presion (kPa)
60
40
20
-20
50
100
150
Tiempo(seg)
200
250
Fig. 4.6. Respuesta del proceso bajo estudio ante una variacin por la referencia
utilizando un controlador PPI (no hay variaciones paramtricas)
170
%ap. valvula
12
11
10
9
8
7
6
5
50
100
150
Tiempo(seg)
200
250
300
Presion (kPa)
60
40
20
-20
50
100
150
Tiempo(seg)
200
250
300
Fig. 4.8. Respuesta del proceso bajo estudio ante una variacin por la referencia
utilizando un controlador GPC adaptivo (no hay variaciones paramtricas).
171
%ap. valvula
10
50
100
150
Tiempo(seg)
200
250
300
J = e 2 (t )dt
(4.24)
donde:
Funcin de costos
6.5947e4
7.2201e4
Se observa que este resultado favorece al controlador PPI. Sin embargo, hay
que observar que el controlador enva una seal de control brusca en el
instante inicial. Esto permite un acercamiento inicial rpido de la salida del
sistema hacia la referencia, por lo que se obtiene una funcin de costo menor.
Si bien esto es favorable, como se mencion, la forma de la seal de control
172
VARIACIN PARAMTRICA.
50
Presion (kPa)
40
30
20
10
0
-10
-20
50
100
150
200
250
Tiempo(seg)
300
350
400
%ap. valvula
-5
-10
50
100
150
200
250
Tiempo(seg)
300
350
400
Fig. 4.11. Seal de control del sistema con controlador PPI en presencia
de una perturbacin (no hay variaciones paramtricas)
50
Presion (kPa)
40
30
20
10
0
-10
-20
50
100
150
200
250
Tiempo(seg)
300
350
400
%ap. valvula
-5
-10
50
100
150
200
250
Tiempo(seg)
300
350
400
Fig. 4.13. Seal de control del sistema con controlador GPC-Adaptivo en presencia
de una perturbacin (no hay variaciones paramtricas)
La integral de la funcin de costos calculada para esta prueba dio los
resultados que se muestran en la Tabla 2.
Tabla 2. Comparacin del valor de la funcin de costo cuando
se prueban ambos controladores en presencia de una perturbacin.
Controlador
PPI
GPC adaptivo
Funcin de costos
2.1261e4
1.3215e4
INCREMENTO DE
5%
ESTUDIO.
140
120
100
Presion (kPa)
80
60
40
20
0
-20
-40
-60
200
400
600
1400
1600
1800
2000
Fig. 4.14. Respuesta del sistema con controlador PPI cuando el primer parmetro del
polinomio A(q -1 ) sufre un incremento de 5%.
176
%ap. valvula
10
-5
-10
200
400
600
1400
1600
1800
2000
Fig. 4.15. Seal de control del sistema con controlador PPI cuando el primer
parmetro del polinomio A(q -1 ) sufre un incremento de 5%.
100
Presion (kPa)
80
60
40
20
0
-20
-40
200
400
600
1400
1600
1800
2000
Fig. 4.16. Respuesta del sistema con controlador GPC-Adaptivo cuando el primer
parmetro del polinomio A(q -1 ) sufre un incremento de 5%.
177
%ap. valvula
10
-5
-10
200
400
600
1400
1600
1800
2000
Fig. 4.17. Seal de control del sistema con controlador GPC-Adaptivo cuando el
primer parmetro del polinomio A(q -1 ) sufre un incremento de 5%.
3.3.4. RESPUESTA
DECREMENTO DE
ESTUDIO.
5%
178
100
Presion (kPa)
80
60
40
20
0
-20
-40
200
400
600
1400
1600
1800
2000
Fig. 4.18. Respuesta del sistema con controlador PPI cuando el primer parmetro del
polinomio A(q -1 ) sufre un decremento de 5%.
%ap. valvula
15
10
-5
200
400
600
1400
1600
1800
2000
Fig. 4.19. Seal de control del sistema con controlador PPI cuando el primer
parmetro del polinomio A(q -1 ) sufre un decremento de 5%.
179
100
Presion (kPa)
80
60
40
20
-20
200
400
600
1400
1600
1800
2000
Fig. 4.20. Respuesta del sistema con controlador GPC-Adaptivo cuando el primer
parmetro del polinomio A(q -1 ) sufre un decremento de 5%.
%ap. valvula
15
10
-5
200
400
600
1400
1600
1800
2000
Fig. 4.21. Seal de control del sistema con controlador GPC-Adaptivo cuando el
primer parmetro del polinomio A(q -1 ) sufre un decremento de 5%.
180
3.4. CONCLUSIONES
181
CONCLUSIONES GENERALES
Se fundament la elevada prioridad que presenta el uso eficiente, racional e
inteligente de los combustibles fsiles, tanto por el riesgo de su evidente
agotamiento como por los problemas ambientales que su utilizacin conlleva.
Se seal que las calderas se encuentran entre los equipos industriales que
consumen una elevada cantidad de combustibles fsiles, y que las mismas
pueden incrementar notablemente su eficiencia y por ende reducir su actual
consumo de combustible mediante la implementacin de sistemas avanzados
de control automtico.
Se analiz el estado del arte de la automatizacin de calderas, concluyndose
que la mayor parte de las investigaciones en este campo, as como de la
implementacin prctica de los resultados de dichas investigaciones se
realizan sobre calderas de tubos de agua. Se concluye que el desarrollo de
sistemas de control efectivo de calderas de tubos de fuego constituye un tema
poco abordado, y que presenta una alta importancia debido a la gran cantidad
de esta clase de calderas que se encuentran funcionando en el sector
industrial.
Se realiz un estudio sobre el principio de funcionamiento de las calderas de
tubos de fuego como objeto de control automtico. Se mostr que esta clase de
calderas como objeto de control automtico presenta un comportamiento
dinmico difcil, con mltiples entradas y salidas y mltiples interrelaciones
entre estas variables, as como significativas incertidumbres. Se fundament
que la presin del vapor en el cuerpo de la caldera constituye una de las
variables ms importantes de esta clase de equipos, debido a que el control de
la combustin se realiza mediante el control de la presin del vapor.
Mediante el uso de las tcnicas de identificacin de sistemas se obtuvo un
modelo matemtico que describe el comportamiento dinmico de la presin
del vapor en el cuerpo de una caldera de tubos de fuego. El modelo obtenido
del proceso bajo estudio presenta estructura ARMAX, segundo orden y un
retardo de tiempo de 35 s. Los resultados de la validacin muestran que el
modelo obtenido describe con una elevada exactitud el proceso real bajo
estudio, presentado un ndice de comportamiento de 94.65 %, por lo que se
considera un buen modelo para su utilizacin con fines de prediccin y
control.
Se desarroll un estudio sobre las principales tendencias del control avanzado
de procesos industriales, destacndose el control predictivo-adaptivo como
una alternativa viable industrialmente, de gran aceptacin y con una
proyeccin futura bastante favorable. Se presentaron los conceptos bsicos de
control predictivo, as como los algoritmos de control predictivo ms
utilizados en la prctica industrial. Se fundament la eleccin del algoritmo de
control predictivo generalizado (GPC) como la estrategia a utilizar en el
control de la presin del vapor en el cuerpo de una caldera de tubos de fuego.
184
BIBLIOGRAFA
Aguado A. (2000). Identificacin de Sistemas y Control Adaptable. Editorial Academia.
Alonso F. (1996). La Seguridad en Calderas, INSHT, Madrid, Espaa.
Astolfi A. (2006). Nonlinear and Adaptive Control, Imperial College Press, U.K.
Astrm, K.J. y B. Wittenmark (1997). Computer-Controlled Systems: Theory and
Design. Third Edition, Englewood Cliffs, NJ: Prentice Hall.
Astrm, K.J. (1995). Adaptive Control. Second Edition, Addison-Wesley, USA.
Astrm, K.J. (1994). PID controllers. Third Edition, ISA, Research Triangle Park.
Basu, P. (1999). Boilers and Burners: Design and Theory, Springer-Verlag Inc., New
York.
Bychko B.J. (1988). Procesos Qumicos y Termoenergticos. Dinmica y Control.
Editorial ENPES, Cuidad de la Habana.
Bitmead, R.R., M.Gevers, y V. Wertz (1990). Adaptive Optimal Control: The Thinking
Mans GPC, Englewood Cliffs, NJ: Prentice Hall.
Calderin M., Palensuela M. (1998). Control integral del sistema de generacin de vapor
del comedor de estudiantes del ISPJAE. ISPJAE.
Camacho E. F., Bordons C. (2004). Model Predictive Control, Second Edition,
Springer-Verlag, London.
Camacho E. F., Bordons C. (1995) Model Predictive Control in the Process Industry.
Springer Verlag, 1995.
Camacho E.F. (1995). Model Predictive Control in the Process Industry, SpringerVerlag, New York.
Chen J., Gu G. (2000). Control-Oriented System Identification, John Wiley & Sons
Ltd., Canada.
Clarke, D.W., C. Mohtadi, y P.S. Tuffs (1987). Generalized Predictive Control, Part I
and II. Automatica, Vol.23, N.2, 137-160.
Clarke, D.W. (1994). Advances in Model-Based Predictive Control, Oxford University
Press, Oxford.
Colectivo de Autores. (1982). Generadores de Vapor. UCLV.
Colectivo de autores. (1990). Calderas de Vapor en la Industria Azucarera. Segunda
Edicin, compilacin de artculos.
Colectivo de Autores. (1998) Informacin tcnica (Ahorro en procesos). Editorial del
Centro de Informacin de la Construccin.
Control System Toolbox For use with Matlab. (2002), Version 5, The Mathworks Inc.,
Natick, MA.
Controlador de Nivel Mobrey. (1990). Manual de instrucciones.
Ljung L. (1999). System Identification Toolbox For Use with Matlab, Version 5, The
Mathworks Inc., Natick, MA.
Maciejowski J. (1999). Predictive Control, Englewood Cliffs, NJ: Prentice Hall.
Martnez M. (1995). Identificacin y control adaptativo. Universidad Politcnica de
Valencia.
Miln Garca G, Rivas Prez R, (1997). Automatizacin integral de generadores de
vapor igneotubulares. Memorias del segundo congreso de la asociacin colombiana de
automtica.
Mosca E. (1994). Optimal, Predictive and Adaptive Control, Englewood Cliffs, NJ:
Prentice Hall.
Moscinski J. (1996). Advanced Control with MATLAB and SIMULINK. Prentice Hall,
N.Y.
Ogata, K. (2003). Ingeniera de Control Moderna, Cuarta Edicin, Pearson Educacin
S.A., Madrid.
Ogata, K. (1996). Sistemas de Control en Tiempo Discreto, Segunda Edicin,
Englewood Cliffs, NJ: Prentice Hall.
Prez Garay, L. (1972). Generadores de Vapor. ENPES, Cuidad de la Habana.
Prez Garay, L. (1986). Generadores de Vapor. Editorial Pueblo, Ciudad de la Habana.
Prada Moraga C. (1998). Fundamentos de control predictivo de procesos.
Departamento de Ingeniera de Sistemas y Automtica, Facultad de Ciencias
Universidad de Valladolid, Espaa.
Quemador OERTLI. (1994). Manual de instrucciones.
Qiu X., Xue M., SunD., Wu G. (2000). The Stair-Like Generalized Predictive Control
for Main-Steam Pressure of Boiler in Steam-power Plant, Proceedings of the 3rd World
Congress on Intelligent Control and Automation, Hefei, China.
Real-Time Windows Target For Use with Real-Time Workshop. (2002), Version 2,
The Mathworks Inc., Natick, MA.
Revaux F. H. (1995) Automatic control engineering, New York, McGraw-Hill.
Rivas Prez R, Aref Ghraizi R., Pern Gonzlez J. R., Cesar Snchez E. (2000).
Industrial Boilers. Integral Automatic Control System, Automatica and Instrumentation,
No. 308, 79-80.
Rivas Prez R. (1999). Identificacin de Sistemas. Universidad de Valladolid, Espaa.
Rivas Prez R., Aref Ghraizi R., Cesar Snchez E., Inga Castro J. (2000). Sistemas de
Control Automtico Integral de Generadores de Vapor Pirotubulares. Ingeniera
Elctrica, Automtica y Comunicaciones, Vol. XXI, No 2.
Rivas Prez R., Prada Moraga C., Peran Gonzlez J, R. (2000). Desarrollo de Sistemas
de Control Avanzado para la Automatizacin de Procesos Industriales con
Comportamiento Dinmico Difcil. Memoria de la III Conferencia Internacional sobre
el Control de Sistemas Industriales, Informtica2000, Ciudad de la Habana.
Rivas Prez R., Sotomayor J., Prada Mraga C., Fuente Aparicio M. J. Control
Avanzado de Procesos. Electro-Electrnica, No 12, pp. 30-36, 1999.
Rivas Prez, R. (1997). Control Adaptativo. ISPJAE.
188
Rivas Perez R., Beauchamb G., Saliceti Piazza L., Cesar Snchez E. (1998). Automatic
Control System of Steam Generator, Proceedings of XVIII Interamerican Congress of
Chemical Engineering, San Juan, Puerto Rico.
Rivas Prez R., Herranz J., Llanes O., Cartaya L. (1994). Modelo Matemtico Dinmico
de Generadores de Vapor, Ingeniera Electrnica, Automtica y Comunicaciones, Vol.
XV, N 3, 45-54.
Rodrguez R., Rivas R., Sotomayor J. (2006). Identificacin del Proceso de Variacin
de la Presin del vapor en el Cuerpo de una Caldera de Tubos de Fuego, Proceedings
del XII Congreso Latinoamericano de Control Automtico, Salvador Bahia, 3-6 de
octubre, Brasil.
Rodrguez R., Rivas R., Sotomayor J. (2006). Identificacin de un Generador de Vapor
de Tubos de Fuego, Electro-Electrnica, No. 24, pp. 33-38.
Rodrguez R., Rivas R., Sotomayor J. (2007). System Identification of Fire Tube Steam
Generator, Enviado al Congreso Internacional de la IFAC Low Cost Automation, La
Habana, 10-14 de febrero, Cuba.
Rodrguez Rubio F., Lpez Snchez M.J. (1996). Control Adaptativo y Robusto.
Universidad de Sevilla.
Rositer J.A. (2003). Model-Based Predictive Control, CRC Press, USA.
Roffel B., Vermeer P.J., Chin P.A. (1989). Simulation and Implementation of SelfTuning Controllers, Englewood Cliffs, NJ: Prentice-Hall.
Snchez J.M., Rodellar J. (1996). Adaptive Predictive Control: Industrial Plant
Optimization, Englewood Cliffs, NJ: Prentice-Hall.
Shields C.D. (1996). Boilers: Types, Characteristics and Funcions., McGraw-Hill, TX.
Simulink Model-Based and System-Based Design. (2002), Version 5, The Mathworks
Inc., Natick, MA.
Sintas Coll J. (1994). Control de Calderas de Vapor, Tercera Edicin, Tiempo Real
S.A.
Smith C., Corripio A. (2000). Control Automtico de Procesos, John Wiley Limusa,
Mxico.
Sderstrm T., Stoica P. (1988). System Identification, Englewood Cliffs, NJ: PrenticeHall.
Sohlberg. B. (1997). Supervision and Control for Industrial Processes, Springer-Verlag
Inc., New York.
Sunan H. (2001). Applied Predictive Control, Springer-Verlag Inc., New York.
Tao G. (2003). Adaptive Control Design and Analysis, Wiley-IEEE Press, USA.
Ulacia, O. (1997). Informe tcnico sobre el autmata SISCAL600. Empresa de
Calderas Alastor.
VanDoren V. (2002). Techniques for Adaptive Control, Butterworth-Heinemann, U.K.
189