Captulo 2

Identificacin y control predictivo no lineal

2.1 Introduccin
Entre las tcnicas de control usadas en la industria se aprecian en su mayora el uso de
controladores PID y controladores predictivos lineales. stos ltimos constituyen una
tcnica de control avanzada con una tendencia de gran impacto en la industria. Aunque
estos controladores se han diseado para modelos lineales, la mayora de procesos
industriales tienen un modelo no lineal bastante marcado, por lo que uno lineal no
funcionara adecuadamente.
Estudios realizados a esta problemtica conllevan a aplicar modelaciones para poder
sobrellevarla y emplear esta tcnica de control para poder alcanzar la consigna requerida en
tiempos adecuados y con gastos menores de energa.
En este captulo se desarrollar la teora que se aplicar en las etapas de identificacin y
control, en simulacin y en aplicacin real en un mdulo de pH. Realizar el proceso de
identificacin y un diseo adecuado del controlador optimiza las variables de trabajo y
reduce los errores.
Estos procesos para el tratamiento de sistemas no lineales estn an en prueba para
poder aplicarlos a gran escala en los procesos industriales con no linealidad marcada,
donde otros controladores no tendran las prestaciones adecuadas para trabajar bien.

22
2.2 Sistema
Como sistema se puede considerar al mbito en el que interactan bsicamente las
variables de entrada, de salida y perturbaciones. En la figura 1 se esquematiza un sistema
con las variables de interaccin.

Figura 2.1 Esquema de un sistema.

La entrada es la variable manipulable, es decir, la que el usuario entrega al sistema

segn el requerimiento del proceso. La salida es la respuesta del sistema a la entrada y a las
perturbaciones, que son entradas no controlables propias del sistema del ambiente
adicionada en conjunto con el efecto del ruido que son entradas no controlables propias del
sistema o del mbito del mismo.

2.3 Modelacin de un sistema

La modelacin de un sistema consiste en obtener una representacin del sistema para
poder experimentar con el modelo obtenido a nivel de simulacin. Este modelo puede
obtenerse por experimentacin (entradas y salidas), por ecuaciones matemticas, fsicas o
qumicas. El producto obtenido es conocido como modelo del sistema, con ayuda de este
modelo se puede describir y predecir cmo responder el sistema a entradas aplicadas,
adems permite simular el control para estimar si es vlido o no el tipo de control que
desee implementarse.
2.3.1 Tipos de modelos
Se puede hacer una clasificacin de los modelos aplicados a procesos industriales de
acuerdo a distintos criterios:
-

Segn el nivel de formalismo matemtico

A. Modelos paramtricos. Son los modelos obtenidos a partir de relaciones entre
variables internas aplicando para ello ecuaciones de fenmenos fsicos, qumicos
y matemticos. Con esto se puede encontrar una ecuacin que relacione la
entrada o entradas del proceso con la salida o salidas segn corresponda. Estos
procesos se pueden trabajar en sistema continuo (utilizando ecuaciones
diferenciales), o en sistema discreto (usando ecuaciones diferencia).

23
B. Modelos no paramtricos. Son los modelos obtenidos a partir de grficos de
respuesta (salida) del sistema ante una entrada aplicada al sistema. En sistemas
lineales por ejemplo, es suficiente con aplicar una entrada escaln y analizar su
salida para encontrar la funcin de transferencia para el modelo.
-

Segn la relacin entre las entradas y salidas

A. Modelos lineales. Un modelo es lineal cuando cumple el principio de
proporcionalidad y el de superposicin. Esto quiere decir, que la salida es
proporcional a la entrada ingresada y que a seales sumadas de entrada, la salida
ser la suma de los dos efectos superpuestos. Los modelos lineales son aplicables a
sistemas de temperatura, sistemas elctricos y otros.
B. Modelos no lineales. Los modelos no lineales no cumplen el principio de
proporcionalidad ni el de superposicin. Este tipo de modelos se asemeja ms a los
procesos industriales, que son por lo general de no linealidad marcada. Estos
modelos permiten describir el comportamiento del sistema en un rango mayor que
el que puede describir un modelo lineal.

Los modelos se obtienen por identificacin (mtodo experimental de pruebas entrada

salida), o por modelacin terica (usando ecuaciones fsico-qumicas). Sin embargo
ninguno de los dos mtodos por s solos permite obtener un modelo preciso.
La modelacin por identificacin se restringe a un rango limitado de validez, y la
modelacin terica descuida algunos parmetros desconocidos como condiciones
ambientales que afectan a la respuesta del sistema, por ello, lo ideal es realizar una
combinacin de ambos mtodos para obtener un modelo de mejor aproximacin.

2.4 Identificacin de un sistema

Es la fase inicial para poder estimar las variables necesarias para el modelo que se
crear, con el objetivo de asemejarlo lo ms posible al proceso real. Los sistemas que se
requieren identificar pueden ser lineales o no lineales.
2.4.1

Identificacin de sistemas lineales

Los sistemas lineales son fciles de identificar y no presentan mayor problema,

muchos mtodos pueden ser aplicados, entre los ms comunes se encuentran el desarrollo
de ecuaciones de fenmenos fsico-qumicos y la aplicacin de entradas escaln para
encontrar una funcin de transferencia con la salida. Otra seal utilizada es la PRBS
(Pseudo Random Binary Secuence), que permite observar la dinmica del proceso (ver
figura 2.2). Se emplea esta tipo de identificacin cuando el rango de trabajo no es muy
grande y por tanto permite aproximar con una linealizacin de la zona de trabajo.

24
-3

x 10

Amplitud Seal

100

200

300
TIempo (s)

400

500

600

Figura 2.2 Seal PRBS.

2.4.2 Identificacin de sistemas no lineales

El proceso de identificacin de sistemas no lineales es ms complicado, que el antes
expuesto, sin embargo es muy importante para poder realizar un control en un rango ms
amplio, donde una modelacin lineal deja de tener buenas prestaciones.
Para realizar este estudio es muy importante disponer de seales entrada salida
adecuadas considerando todas las frecuencias posibles y abarcando todo el rango de
amplitud en el que se desarrollar el control posterior. Adems el periodo de muestreo
debe permitir obtener toda la informacin importante sin descuidar una excesiva toma de
datos innecesarios.
Suele emplearse para la dinmica de estos procesos seales PRS (Pseudo Random
Signal) como la que se puede apreciar en la figura 2.3.
-3

x 10

Amplitud seal

2000

4000

6000

8000

10000
Tiempo (s)

Figura 2.3 Seal PRS.

12000

14000

16000

18000

25
2.5 Identificacin no paramtrica de modelos no lineales
Un proceso de identificacin no paramtrica se realiza excitando el sistema con seales
de ingreso como escaln, sinusoidal, PRS, PRBS y analizando la salida a estas entradas en
un intervalo de tiempo, dependiendo de la seal de ingreso.
La estructura y los parmetros del proceso no se pueden determinar, por tanto deben
obtenerse de manera iterativa, lo que implica un proceso de correccin continua hasta
encontrar el mejor resultado.
El proceso de identificacin se esquematiza en la figura 2.4:

Figura 2.4 Proceso de identificacin no paramtrica.

La adquisicin de informacin se constituye por la seleccin de datos experimentales

de entrada y salida para poder realizar el anlisis con los datos relevantes. En la seleccin
de la estructura del modelo es necesario tener un previo conocimiento del proceso y de las
perturbaciones que lo afectan. La eleccin de algoritmos para determinar parmetros debe
realizarse como recursivos para poder optimizar el modelo. Por ltimo debe realizarse la
validacin del modelo identificado con un criterio de reduccin del error (comparacin con
el proceso real). Como se puede observar en el esquema 2.4 si el modelo final no es
satisfactorio, se debe regresar a cualquiera de las etapas anteriores y modificar la
estructura, datos o modificar el mtodo de identificacin.

2.5.1

Tipos de modelos no paramtricos

La identificacin no paramtrica permite obtener modelos que son descritos por un

nmero infinito de parmetros, que asume la restriccin de ser bueno solo para propsitos
de identificacin y control.
Los modelos principales que se tratarn son de tipo entrada salida dinmicos y
SISO (single input single output).

26
Series de Volterra. Fueron desarrolladas en 1887 por Vito Volterra. Es un modelo del
comportamiento no lineal, muy similar a las series de Taylor, pero que difiere en la
habilidad de capturar efectos de memoria. Son utilizadas en sistemas de no linealidad leve.
Por lo tanto un sistema esttico con no linealidad leve puede describirse con una seal de
entrada u(t) y una de salida y(t).

A medida que el valor de n se incrementa se obtiene una mejor aproximacin,

adems ser analtico si tiene caracterstica de single value, que hace referencia a un solo
valor salida para cada valor de entrada (lo que significara que tenga la caracterstica de
funcin inyectiva).
Para un sistema dinmico lineal, la salida se halla con la integral de convolucin en
dominio continuo de la siguiente manera:

Y en dominio discreto de la siguiente manera:

Donde:

Los modelos de Volterra presentan muchos parmetros, por ello se usan en algunas
aplicaciones como neurociencia, biologa, medicina, controladores humanos, presin
sangunea y otros.
Series de Hammerstein. Es la extensin de la funcin ponderada usada en el caso lineal
para el caso no lineal. Est constituida de una parte esttica y una parte dinmica en
cascada.
Son expresadas en el dominio continuo como:

Y en dominio discreto como:

Series de Wiener. Estas series dependen del sistema y de las seales de entrada. Expresan
el modelo no lineal con ayuda de las series de Laguerre, obteniendo la siguiente expresin
para el dominio continuo:

27

Y para el sistema discreto se obtiene la siguiente expresin:

2.6 Identificacin paramtrica

En su forma general, un modelo paramtrico puede representarse de la siguiente
manera en sistema discreto:

Donde:

La ecuacin 2.1 tiene su representacin en diagrama de bloques como se muestra en la

figura 2.5.

Figura 2.5 Diagrama de bloques para un modelo general.

Para un modelo de una entrada y una salida, la ecuacin 2.10 se convierte en:

28

Donde:

Cuando
expresin:

se obtiene por reduccin de la ecuacin 2.11 la

De esta expresin se obtiene el valor del error, como la diferencia entre la salida
medida y la salida del modelo.
-

Cuando

Cuando

se obtiene la expresin:

se obtiene:

A esta estructura del modelo se le conoce como ARMAX (AutoRegresive

Moving Average).
-

Y cuando

la expresin se convierte en:

Esta estructura del modelo es conocida como ARX (AutoRegresive with

eXternal input).

2.7 Validacin de modelos

Realizada la identificacin del sistema se procede a la obtencin del modelo, que debe
probarse para poder compararlo con el proceso real. La validacin por tanto indicar
cuando un modelo es lo suficientemente adecuado para predecir la respuesta que
entregara el sistema, y si no lo es, cules son los posibles defectos.

29
Un procedimiento para realizar esta validacin del modelo encontrado, consiste en dar
entradas distintas a las utilizadas para la identificacin tanto al modelo como al proceso
real y comparar ambas respuestas. Este mtodo es conocido como validacin cruzada.
Para poder dar un valor cuantitativo de la medida de la calidad del modelo encontrado
se usan ndices de prestacin, entre ellos, el ndice RMS (Relative quadratic average) y el
MSE (quadratic average error). El primero indica una medida del error respecto al valor
real. El segundo indica la variacin del error.

Donde:

2.8 Identificacin recursiva

Se realiza cuando se necesita estimar los parmetros mientras se reciben los datos
entrada-salida, por lo tanto, estos parmetros son constantemente actualizados con el uso
de algoritmos conocidos como mtodos de identificacin recursiva.
Este algoritmo ha sido enunciado como:

y
Siendo:

y
Donde:

30

y
2.9 Modelos orientados al bloque
Los modelos orientados al bloque han sido desarrollados para superar el problema de la
no linealidad de manera prctica, es por ello que han adquirido gran importancia en los
ltimos aos. Sus prestaciones son muy adecuadas para modelar sistemas no lineales.
Se componen por dos bloques en cascada, uno de ellos representa la no linealidad del
sistema y el otro representa la dinmica lineal del mismo. Esto permite extender los
conocimientos de control de los sistemas lineales a los no lineales evitando las
complicaciones en el anlisis.
En algunos casos estos modelos son retroalimentados como se aprecia en la figura 2.6

Figura 2.6 Modelo orientado al bloque retroalimentado.

Es necesario tener en cuenta que esta modelacin sirve solamente para sistemas no
lineales en estado estacionario. Por ello se mostrar a continuacin algunos tipos de no
linealidades estticas (ver tabla 2.1).
Tabla 2.1 Tipos de funciones continuas y discontinuas

Tipo

Caractersticas

Derivada

Funcin continua

Continua

Funcin continua con

derivada discontinua

Discontinua (punto de
quiebre)

Funcin discontinua con

derivada discontinua

Discontinua

31
Se le considera funcin continua si sus derivadas tambin lo son en todo el rango, y
funcin discontinua se le considera si presenta puntos de quiebre o una derivada
discontinua.
Durante el proceso de aproximacin de funciones no lineales, se emplean usualmente
curvas polinmicas, sin embargo en algunos casos se emplean otras funciones de
aproximacin (ver tabla 2.2)
Tabla 2.2 Funciones empleadas para aproximacin.

Tipo

Curva original

Representacin grfica

Ecuaciones

Y = f (u )

Y = f (U i ) + (U U i )x

Stepwise lineal

f (U i +1 ) f (U i )
U i +1 U i

Si: U i U U i +1

Y = f (U i )
3

Stepwise constante
Si U i U U i +1

Como ya se mencion en el apartado 2.5.1, existen relaciones llamadas de valor

simple (single value), que presentan relacin unvoca entre la seal de entrada y la de
salida, sin embargo, el que una funcin sea unvoca no es condicin suficiente para que su
inversa tambin lo sea.
Existen funciones simples con inversa de valor simple, funciones simples con
inversa de valor mltiple, funciones mltiples con inversa de valor simple y funciones
mltiples con inversa de valor mltiple.
La tabla 2.3 permite observar de manera grfica la clasificacin antes realizada.

32

Tabla 2.3 Relaciones de no linealidades simples y mltiples

Nombre

Valor simple con inversa de valor

simple

Funcin

Funcin Inversa

Valor simple con inversa de valor

mltiple

Valor mltiple con inversa de valor

simple

Valor mltiple con inversa de valor

mltiple

Segn se presenten estas relaciones se debe hacer un estudio para la parte de la no

linealidad, no todos los mtodos pueden cumplir para todos los casos de no linealidad.

2.10

Modelos orientados al bloque en cascada

Estos modelos presentan una sola parte dinmica pero pueden presentar ms de una
no linealidad esttica conectada en cascada (serie) a la anterior (ver figura 2.7)

No linealidad
esttica

Dinmica del
proceso

33
Figura 2.7 Representacin de bloques en cascada (1 sola no linealidad).

Se puede apreciar un sistema de bloques en cascada en el que todas las seales

pueden medirse en la etapa de simulacin (una vez obtenida la no linealidad y la
dinmica), pero cara a la identificacin de un proceso real, es imposible medir este
parmetro (un proceso real no puede separar su no linealidad de su linealidad).
Entre las principales estructuras de modelos orientados al bloque en cascada se
encuentra el modelo Hammerstein, el modelo Wiener y el modelo Hammerstein-Wiener.
Los bloques o elementos constituyentes de la representacin cascada pueden tener
distintas maneras de obtenerse, se estudiar a continuacin algunos de ellos.
A. Bloque esttico no lineal.
Este elemento puede acogerse a ilimitadas estructuras debido a que no almacena
informacin referente a las entradas, desde las ms simples hasta las ms complejas.
Es importante para decidir por alguna estructura, el conocimiento de la no linealidad
que presente el sistema (continua o discontinua)
Entre las opciones de modelacin se encuentran:
-

Representacin polinomial. Es muy flexible y su forma de implementacin es ms

sencilla. Puede emplease desde el polinomio cuadrtico simple (grado 2) hasta uno
de orden muy superior.

Series de potencia. Las funciones en esta modelacin son simples potencias de una
variable. Se adecuan al funcionamiento en las zonas de trabajo adyacentes a un
punto especfico respecto al cual se ha identificado, sin embargo sus prestaciones
son pobres al alejarse de ese punto. Su expresin es la siguiente:

(2.20)
-

Funciones spline. Un spline es una curva definida en porciones mediante

polinomios. Es una interesante alternativa de representacin por su facilidad de
clculo. Esta aproximacin permite obtener modelos de no linealidades
discontinuas, que se producen por saturacin, ganancia variable, y otros.
El spline siempre es de un grado mayor al de los polinomios empleados. Por
ejemplo, si se emplea un polinomio de orden n, el spline correspondiente ser de
orden n+1. Una forma bastante conveniente de representar los splines es como una
expansin de funciones bsicas.

Funcin lineal a tramos. Son conocidas tambin como funciones piecewise y se

usan para aproximar funciones genricas. Son muy buenas para representar no
linealidades porque permiten un tratamiento sistemtico y exacto de las funciones
de aproximacin.

34

B. Bloque dinmico lineal

Por ser un sistema dinmico lineal, se trabaja con modelos lineales dando nfasis al
trabajo en sistemas discretos.
Destacan entre estos modelos discretos:
-

Representacin ARX. (AutoRegressive with eXogenous inputs). Muy empleado

para representar modelos paramtricos donde el subsistema lineal H(z) puede ser
representado como sigue:

(2.21)
Donde los parmetros p y q son de orden finito, y la ganancia en estado
estacionario es dada por:
(2.22)

Respuesta finita a entrada impulso (FIR). Es conocido tambin como modelo de

convolucin y est referida a la siguiente relacin entre la entrada y la salida del
proceso:

(2.23)
En la expresin mostrada,
representa la salida muestreada al excitar al
proceso con una seal impulso unitario durante el perodo de muestreo.
Cuando la funcin se discretiza, se obtiene la expresin:
(2.24)

Respuesta finita a estrada escaln (FSR). Presenta como nica diferencia con el
modelo anterior, la seal empleada, en este caso se usa escaln en lugar de
impulso. Viene definida de la siguiente manera:

(2.25)
Y al discretizar el modelo, se encuentra la expresin:
(2.26)

35

En estas expresiones, el trmino

representa los valores de la salida
.
muestreada para una entrada escaln y
Bases ortonormales racionales.
Representacin por espacio de estados. Los espacios de estado son modelos
paramtricos que tienen la ventaja de poder trabajar con procesos multivariables
(MIMO), su representacin es la siguiente:
(2.27)
(2.28)
Donde:
.
.
.
Q: matriz de salida.

Con este modelo se pueden trabajar los procesos multivariables (MIMO), sin
embargo, las variables de estado no tienen un significado fsico

2.11 Modelacin Hammerstein

Un modelo Hammerstein consiste en la unin en cascada una no linealidad esttica
(Nonlinear system) y en seguida de un sistema dinmico lineal (linear system). Debido a
que muchos procesos presentan esta estructura, esta modelacin resulta ser muy til.
En los modelos Hammerstein la variable de entrada u(k) ingresa al sistema y es
transformada por el bloque de no linealidad esttica para convertirse en la seal interna
v(k) de ingreso al bloque dinmico, luego de este ltimo bloque, se obtiene la salida del
sistema, que debe coincidir con la salida del sistema real.
En la figura 2.8 se aprecia una estructura Hammerstein y las variables implicadas en
el proceso. La no linealidad convierte la variable u(k) en la variable v(k), de modo que
, y el modelo dinmico proyecta la variable intermedia v(k) en la salida
.
total del modelo y(k), cumpliendo

No linealidad
esttica (Ne)

Sistema dinmico
lineal: H(z)

Figura 2.8 Estructura del modelo Hammerstein.

Segn el modelo, la variable u(k) se transformar en la variable v(k) sin afectarse

sus propiedades, si se ingresan seales pulso, escalones o secuencias binarias, la variable
intermedia v(k) tambin presentar la misma caracterstica general, pero con valores

36
diferentes. Por lo tanto, la respuesta cualitativa del sistema ser determinado por el bloque
dinmico lineal H(z).
La modelacin Hammerstein implica un poco ms de esfuerzo durante el desarrollo
que el invertido en un modelo lineal, sin embargo, los resultado obtenidos ofrecen mejores
caractersticas, con lo que el rango de operacin puede ampliarse a la vez que se evitan
complicaciones con operadores no lineales.
Como ya se ha expuesto, la modelacin no lineal se da en la entrada por lo que puede
representar convenientemente procesos industriales como:
-

Hornos industriales.
Intercambiadores de calor.
Columnas de destilacin.
Regulacin de pH.
Planta trmica de generacin de energa.
Unidad de potencia elctrica.

2.11.1 Estructuras del modelo Hammerstein.

Con el objetivo de encontrar los modelos de los subprocesos, tanto del no lineal
como del dinmico lineal, se estudian posibilidades que originan distintas combinaciones
para representar los bloques.
Con ayuda de la figura 2.9 se realizar un estudio de las principales posibilidades
de representar los subprocesos.

Figura 2.9 Estructura Hammerstein con disturbio a la salida.

A.

Estructura NARX. Esta estructura se origina cuando el bloque esttico no lineal

se trabaja con una expresin polinomial o B-spline y el bloque dinmico lineal
con una representacin ARX.
Con ayuda de la ecuacin 2.17 y considerando que
obtiene:

, se

(2.29)

37
Donde como ya se mencion, la funcin Ne puede ser una expresin polinomial o
una funcin B-spline.
En estado estacionario, el valor de la salida ser:
(2.30)
Donde

B.

viene a ser la ganancia en estado estacionario para el modelo lineal.

Estructura B-spline. Respuesta finita a entrada escaln. Esta estructura se

origina cuando el modelo esttico no lineal est conformado por una funcin Bspline y el bloque dinmico lineal un modelo de respuesta finita a entrada escaln.
La salida del bloque dinmico para esta estructura es expresada como:
(2.31)
Y la del bloque esttico no lineal es expresada como:
(2.32)
Donde

es un spline de orden r.

Y el modelo Hammerstein en conjunto sera expresado como:

(2.33)

C.

Estructura de funciones LAT-espacios de estado. Esta estructura se genera al

considerar al bloque esttico no lineal como una funcin lineal a tramos y al
bloque dinmico lineal un modelo en espacio de estados.
La salida del bloque dinmico lineal se expresa como:
(2.34)
(2.35)
Y la salida del bloque esttico no lineal se expresa como:
(2.36)
Por lo tanto el modelo Hammerstein final ser representado por las ecuaciones en
espacio de estado:
(2.37)
(2.38)

38
D. Estructura de bases ortonormales. Esta estructura es generada cuando se trabaja el
bloque no lineal como representaciones polinomiales o B-splines y el bloque
dinmico lineal se trabaja con bases ortonorrmales.
La salida del bloque lineal ser por tanto:
(2.39)
Y como la salida del bloque no lineal es:
(2.40)
El modelo Hammerstein obtenido ser:
(2.41)
Como se puede observar, la estructura del modelo Hammerstein ser definida por
las estructuras escogidas para los bloques de subprocesos lineal y no lineal.

2.11.2 Identificacin de modelos Hammerstein.

Dada la variedad de procedimientos de identificacin, se har una clasificacin para
estos elementos en cascada orientados al bloque.
A. Identificacin en una etapa.
La informacin dinmica es utilizada para identificar la parte lineal y la no lineal del
modelo en un paso. Es til cuando el sistema en estudio no presenta una no linealidad
muy marcada (de grado inferior).
Los parmetros de identificacin son calculados con algoritmos basados en tcnicas
para modelos residuales es decir, mnimos cuadrados y prediccin del error
principalmente.

B. Identificacin en dos etapas.

La identificacin en dos etapas se realiza primero identificando un bloque para luego
usar esa informacin e identificar el segundo bloque. Segn el orden de identificacin
de los bloques se puede dar:
Enfoque N-L. En este caso, lo primero en desarrollarse es la identificacin de la no
linealidad esttica para su uso posterior en la obtencin del modelo de dinmica lineal.
Siguiendo el orden de identificacin de bloques se aplica:

39
Para la no linealidad esttica: Se identifica utilizando algoritmos basados en el mtodo de
los mnimos cuadrados (incluyendo sus variantes). Los datos estacionarios de salida para
cada entrada escaln se ajustan para obtener una representacin de la no linealidad.

Obtenido este modelo, es necesario analizar y calcular la variable intermedia

valores usados en la primera identificacin.

para los

Para la dinmica lineal: Se identifica utilizando datos en estado transitorio

correspondientes a la variable intermedia y a la variable de salida y. Para esta
identificacin se emplean algoritmos basados en estimacin para modelos residuales
lineales paramtricos.

Enfoque L-N. En este enfoque lo primero en desarrollarse es el bloque lineal y luego el no

lineal.
Siguiendo este orden se trata a los bloques de la siguiente manera:
Para la dinmica lineal: La identificacin de este bloque lineal se realiza utilizando
principalmente el mtodo de correlacin paramtrica a partir de una descripcin entradasalida del proceso.
Para la no linealidad esttica: Se realiza la identificacin del bloque no lineal con pruebas
que exciten la totalidad del proceso, y con el bloque lineal se obtienen las seales
intermedias , con la que se ajusta la ganancia empleando algoritmos basados en el mtodo
de mnimos cuadrados y sus variantes.

En el desarrollo de estructuras Hammerstein se da un caso especial de identificacin, en la

que la parte no lineal se representa con dos segmentos de aproximacin polinomial (f y g)
y la parte dinmica por una funcin de transferencia. Los mtodos de identificacin
recursiva son importantes tanto por el hecho de poder ser calculados en tiempo real como
por poder ser combinados con estrategias de control on- line para producir algoritmos de
control adaptativo.
Empleado el esquema de la figura 2.10, el sistema dinmico lineal puede ser descrito
como:
(2.43)
Donde
representa el retraso puro del sistema,
y
son las entradas y salidas,
y
son escalares polinomiales en el operador
de
respectivamente,
retraso de la unidad. Se definen:
(2.44)
(2.45)

40
Y

es el ruido de salida. El bloque no lineal es caracterizado por:

Donde

son las entradas y salidas, respectivamente.

(2.47)

Figura 2.10 Estructura del modelo Hammerstein

Por tanto, al definir una funcin de conmutacin (expresin 2.43)

La relacin entre la entrada

expresada como:

y la salida

de la no linealidad asumida puede ser

(2.49)

O como:
(2.50)

En el caso de que los polinomios puedan aproximarse a :

De esta manera, al remplazar la expresin 2.50 en la 2.43, el modelo Hammerstein se

expresa como:

41
Las estimaciones de parmetros desconocidos pueden ser generadas por el algoritmo de
mnimos cuadrados usando entradas y salidas medidas en el sistema y estimacin de
variables internas.

2.12

Control predictivo basado en el modelo (MPC)

El control predictivo basado en el modelo (model predictive control) hace

referencia a una familia del control predictivo, cuyas bases se fundamentan en algunas
ideas comunes como el uso explcito de un modelo de prediccin de la salida en instantes
futuros (horizontes), clculo de secuencias de control para minimizar la funcin objetivo
tratada y estrategia recesiva para que el horizonte se desplace hacia el futuro.
Estos algoritmos MPC difieren entre s en los modelos usados para representar al
proceso, en los ruidos y en la funcin de costo que requiere ser minimizada. Es muy
utilizado en aplicaciones industriales como en torres de secado, columnas de destilacin,
plantas de PVC y otros.
Las ventajas que permite alcanzar este tipo de mtodos son:
-

Sintonizacin relativamente fcil.

Permite controlar procesos con largos tiempo de retardo, a fase no mnima, y
tambin inestables.
El caso multivariable es tratado adecuadamente con esta modelacin.
Presenta una compensacin intrnseca de tiempos muertos.
Introduce el control feed forward en adelanto para compensacin de disturbios
medibles.

Los principales objetivos perseguidos por esta familia de controladores predictivos son:
-

Estabilidad. Se busca un comportamiento sin oscilaciones en la variable de control.

Rendimiento. Se debe alcanzar el setpoint en el tiempo deseado.
Robustez. Este controlador busca mantener la estabilidad y rendimiento frente a
errores o perturbaciones externas.
Adaptatividad. Debe responder adecuadamente en caso los objetivos cambien o las
caractersticas de la planta cambien.
Rapidez en el clculo. El clculo de la seal ptima de control se realiza on-line, en
cada muestreo.

Es muy importante que el modelo obtenido y el proceso real no tengan

discrepancias importantes significativas, de lo contrario, no se satisfarn estos
objetivos.

42
2.12.1

Estrategia de control predictivo basado en el modelo.

La estrategia planteada para los mtodos de control predictivo son:

Prediccin de las salidas futuras en cada instante t para un horizonte de prediccin

determinado usando para ello el modelo obtenido del sistema. Estas predicciones
dependen de los valores pasados de entradas y salidas, y de las seales de control
futuras.
Las seales de control futuras son calculadas optimizando un criterio que
usualmente es una funcin cuadrtica de errores entre la salida predicha y la
trayectoria de la referencia.
En el un instante determinado solamente se enva la seal actual, ya que las
calculadas para instantes posteriores son recalculadas con los datos recibidos de la
lectura de la ltima salida. Este proceso se repite en cada muestreo.

El modelo obtenido con la identificacin es muy importante en la fase de diseo del

controlador, ya que debe ser capaz de captar la dinmica del proceso para poder predecir
con exactitud las salidas futuras.

2.12.2 Elementos del MPC

Los algoritmos MPC presentan elementos comunes que son: modelo de prediccin,
funcin objetivo y ley de control a obtener.
2.12.2.1 Modelo de prediccin.
Se necesita el modelo para poder estimar las salidas del proceso en instantes
con mucha precisin. Este modelo debe haber capturado bien la
futuros
dinmica del proceso para realizar una buena representacin del mismo.
Los modelos de prediccin deben constar de dos partes:
A. Modelo del proceso. Para escoger la estructura de este modelo se debe conocer las
prestaciones que se desean alcanzar y las limitaciones de funcionamiento del
controlador.

Las formas ms usadas en esta modelacin son las siguientes:

- Respuesta al impulso. Es conocido tambin como modelo de convolucin. La
salida viene determinada por la ecuacin:

Donde es la salida muestreada cuando el proceso se excita por un impulso

unitario. La sumatoria es truncada para N valores y se expresa por la ecuacin:

43

Donde

Por lo tanto la prediccin se dar por:

- Respuesta al escaln. Es similar al caso anterior con la diferencia del tipo de

seal de entrada, ahora ser una de tipo escaln.
La salida ser determinada por la ecuacin:

Considerando que

el predictor obtendr la forma:

- Funcin de transferencia. Se utiliza el concepto de que una funcin de

transferencia viene determinada por
en discreto, por lo tanto la salida
ser determinada por:

Donde:

- Espacio de estados. Esta modelacin tiene la siguiente representacin:

44
Donde x son los estados, M la matriz del sistema, N la matriz de entrada y Q la
de salida.
La prediccin se dar por tanto mediante la ecuacin:

B. Modelo de los disturbios. Este modelo es usado para representar disturbios y es tan
importante como la eleccin del modelo del proceso.

Un modelo empleado es el CARIMA, en el que la diferencia entre la salida

medida y la calculada har referencia al disturbio expresado por la ecuacin:

Donde
es un ruido blanco, el polinomio C es considerado de valor 1 y el
polinomio D incluye un integrador
.
Por lo que se obtiene la ecuacin:

Donde la expresin para la prediccin ser:

2.12.2.2 Funcin objetivo.

La funcin objetivo es la funcin de costo que debe minimizarse para obtener la
ley de control, la finalidad es que la salida futura en el horizonte considerado siga la
seal de referencia considerando a la vez que la seal de control sea bien regulada.
En general, una funcin objetivo se enuncia por la ecuacin:

Se puede encontrar en dicha funcin los siguientes parmetros:

-

Parmetros
y
. Son los horizontes de costo mnimo y mximo
es el horizonte de control, que no
respectivamente, mientras que
necesariamente coincide con el horizonte mximo.

45
Analizando el valor de
se puede concluir que un valor elevado implica que
no importa el error cometido en los primeros instantes de control, por lo tanto el
sistema responder suavemente.
y
son consideradas valores constantes que
Las secuencias de pesos
ayudan en la obtencin el comportamiento seguro.
-

Trayectoria de la referencia. Si es conocida esta trayectoria, se facilita el control

predictivo ya que el sistema puede reaccionar antes de que el cambio se haya
realizado efectivamente, evitando los retardos en la respuesta del proceso.
Normalmente, en muchas aplicaciones esta trayectoria ya es conocida y para
minimizar la ecuacin (2.68) por lo general se utiliza una trayectoria de referencia
que no necesariamente coincide con la referencia real.

Restricciones. Todos los procesos presentan restricciones, como por ejemplo el uso
de vlvulas cuando estn limitadas por las posiciones de totalmente abierto y
totalmente cerrado, y la velocidad de respuesta.

2.12.2.3 Ley de control a obtener.

se debe
Para obtener los valores futuros de la variable de entrada
minimizar la funcin J, descrita por la ecuacin (2.68). Con ayuda del modelo obtenido en
la identificacin, y despus de sustituirlo en la funcin de costo, se obtienen una expresin
que al minimizarla da como resultado los valores buscados.
Al estructurar la ley de control, que est basada en el concepto de horizonte de
control, se mejora la robustez y el comportamiento general del sistema.

2.13

Control Predictivo Generalizado (GPC)

El controlador predictivo generalizado se ha convertido en uno de los mtodos MPC

ms importantes, ya que ha sido implementado en aplicaciones industriales y se han
obtenido mejores prestaciones que con otros controladores aplicados.
El problema de control es manejado con la utilizacin de un nmero razonable de
variables de diseo, que deben ser especificadas por el usuario teniendo en cuenta los
objetivos de control y las leyes fsicas que gobiernan los procesos industriales.
La idea en la que se fundamenta este controlador, es en obtener seales futuras
secuenciales que minimicen una funcin de costo definida sobre un horizonte de
prediccin. Se optimiza una suma de dos funciones: la primera es una funcin cuadrtica
que se encarga de regular la distancia entre la salida predicha por el sistema y la secuencia

46
de referencia (lo que minimiza el error y el tiempo de establecimiento) y la segunda es
tambin una funcin cuadrtica que minimiza el esfuerzo de control (para obtener una
mejor seal de entrada de control).
El controlador GPC presenta entre sus ventajas el trabajar con soluciones analticas y la
posibilidad de trabajar con sistemas inestables y de fase no mnima, adems de ponderar
los incrementos de la seal de control para ahorrar energa.
2.13.1 Formulacin del Control Predictivo Generalizado
Se trabajar con un sistema de una entrada y una salida que puede ser descrito en
dominio discreto por la ecuacin:

Donde se aprecia la secuencia de control

y el tiempo muerto se expresa por d.
Adems los polinomio
continuacin:

,la salida de la planta

, el ruido blanco

son expresados por los polinomios mostrados a

Si los disturbios son no estacionarios, es necesario usar el modelo de la ecuacin 2.73, que
es muy til en aplicaciones industriales para sobrellevar este problema.

Siendo:
El polinomio C simplemente es considerado igual a 1, y la funcin de costo que ser
minimizada con la aplicacin de la secuencia de control es la siguiente:

El objetivo del control predictivo es el de calcular una secuencia de control futura

para asegurar que la salida futura de la planta se encuentre cercana a la

47
referencia futura
citada.

que se asegura cuando se minimiza la funcin de costo antes

Para optimizar la funcin de costo se obtendr la prediccin ptima de

. Se considerar la siguiente ecuacin Diofantina:
valores de

El polinomio

es de grado

y el polinomio

para

es de grado

. Estos

hasta lograr que el residuo sea

polinomios se obtienen realizando la operacin
factorizado como
. El cociente de la divisin da como resultado el polinomio

Multiplicando la ecuacin (2.73) por el trmino

Diofantina, esta misma ecuacin puede ser ordenada como

, y considerando la ecuacin

Dado que el grado del polinomio

es
, el trmino del ruido
encuentra en el futuro, por lo tanto la mejor prediccin de
es:

se

En la que
El clculo de los polinomios

es recursivo y dado de la siguiente manera:

(2.79)

El polinomio

y el polinomio

se obtienen en la siguiente divisin como:

(2.80)

Considerando que

48
Los coeficientes del polinomio

, pueden expresarse como:

; donde i = 0, 1, .. (na-1)

Adems el polinomio
continuacin:

(2.81)

puede ser obtenido de manera recursiva como se muestra a

(2.82)

Por lo tanto los primeros coeficientes de

coeficientes restantes estarn dados por:

sern idnticos a aquellos de

y los

(2.83)
Considerando un tiempo muerto de perodos de muestreo, la salida del sistma ser
influenciada por la seal
despus del periodo de muestreo
.
Por lo tanto:

Entonces considerando las predicciones ptimas:

(2.84)

Que pueden ser escritas como:

Donde:

49

Y adems se visualiza que los dos ltimos trminos de la ecuacin (1.75) solo
dependen del pasado y pueden ser agrupados como . Por lo tanto dicha ecuacin queda
expresada como:
(2.86)
La primera columna de la matriz G puede ser calculada como la respuesta al escaln
de la planta cuando el escaln unitario es aplicado a la variable manipulable.
Adems, la respuesta

puede ser calculada recursivamente como:

(2.87)

Considerando adems que

y que

para

La ecuacin (2.74) puede ser escrita como:

(2.88)
Donde el valor de referencia viene dado por el vector:
(2.89)
Por ltimo, la ecuacin (1.79) puede ser escrita como:
(2.90)
Donde:
(2.91)

El primer trmino de u es aplicado y el procedimiento se repite en el siguiente

periodo de muestreo. La solucin del GPC involucra invertir la matriz
, que requiere
una cantidad considerable de clculos. Sin embargo el horizonte de control permite reducir

50
la cantidad de clculos necesarios considerando que las seales de control sern constantes
despus de que sea mayor que , que implicara la inversin de una matriz de menor
orden
.

2.14 Control Predictivo no lineal basado en la modelacin Hammerstein

Hasta ahora se han dado los conceptos necesarios de modelacin Hammerstein para
sistemas no lineales y del controlador predictivo GPC lineal. En este apartado se estudiar
la forma de implementar un controlador predictivo GPC lineal a un proceso no lineal con
el uso del modelo Hammerstein.
Segn la estructura Hammerstein, un sistema no lineal puede representarse por
bloques en cascada, uno de la no linealidad esttica y uno de la dinmica lineal. Si no
existiese el bloque no lineal, el controlador GPC se programara directamente sobre el
bloque restante, sin embargo dada la presencia de la no linealidad se recurre a eliminarla
previamente con un bloque del polinomio inverso de Hammerstein.
Matemticamente si una funcin es inversa a otra, el resultado en cascada sera la
unidad, que no afectara el control GPC sobre el bloque dinmico. No hay que perder de
vista, que esto se desarrolla solo con fines de aplicar el control predictivo sobre el sistema,
ya que ste no puede ser alterado, as el polinomio inverso es considerado parte del
controlador, un bloque en cascada al GPC que regular al sistema real.
Por lo tanto, es requerido que el modelo indentificado de Hammerstein sea lo ms
cercano posible al sistema real, para que no se presenten errores en este mtodo.
El control GPC con modelo Hammerstein presenta la estructura mostrada en la figura
2.4.

Figura 2.11 Estructura de Control GPC con modelo Hammerstein.

51
En este diagrama de bloques se aprecia el controlador Gc, el proceso Gp, el modelo
Hammerstein Gm, el polinomio inverso NL-1, la salida del proceso yp la salida del modelo
ym y el set point ysp.

2.14.1 Control Predictivo no lineal basado en modelacin Hammerstein con

aproximacin polinmica.
Esta estrategia de control consiste en realizar un modelo Hammerstein en el que la
parte de la no linealidad esttica sea identificada con aproximacin polinmica y la parte
de la dinmica lineal sea identificada por algn modelo lineal de los estudiados en el
apartado 2.10 B. Para el caso en estudio, se ha realizado la aproximacin polinmica
mediante aproximacin por mnimos cuadrados y la aproximacin de la dinmica se ha
modelado con una estructura ARX.
La estructura de control sera aplicar el polinomio inverso del obtenido y
anteponerlo al proceso real, con esto se estara prcticamente eliminando la no linealidad y
el GPC controlara prcticamente un modelo lineal.
Para hacer ms entendible esta tcnica se muestran los siguientes casos, referidos al
anlisis:
1. Desarrollo simple en el caso de un proceso lineal. Suponiendo que el proceso a
controlar es lineal, el controlador predictivo generalizado adecuadamente diseado
lo controla sin problemas. La estructura para realizarlo puede ser la que se muestra
en la figura 2.5, en la que vemos que la seal de salida del controlador va
directamente al actuador del proceso (incluidos en un solo bloque).

Figura 2.12 Estructura de control vlida aplicada a un proceso lineal.

2. Caso de control con un proceso no lineal. Si en lugar del bloque del proceso lineal del
apartado anterior, se encuentra un bloque de proceso No Lineal, el controlador lineal
GPC no tendra buenas prestaciones de control.

52

Figura 2.13 Estructura de control no vlida aplicada a un proceso lineal.

3. Modelacin Hammerstein del proceso no lineal. A partir del proceso No Lineal, se

puede modelar por Hammerstein, los bloques No Lineal y dinmico en cascada. De
igual manera, no puede controlarse directamente con el GPC porque existe la parte no
lineal.

Figura 2.14 Modelacin Hammerstein. Estructura de control no vlida.

4. Polinomio inverso de Hammerstein. La solucin que se propone ante esta

problemtica, es anticipar al proceso un bloque del polinomio inverso de Hammerstein
identificado. De esta manera, se reducir el efecto de la No Linealidad y el controlador
predictivo podr regular con buenas prestaciones. Como se observa, el polinomio
inverso transforma la seal de salida (u) en una seal intermedia (v), esta nueva seal
ingresa en el proceso real, trabaja directamente con la no linealidad y la dinmica
lineal por tanto es controlada directamente por el GPC.

53

Figura 2.15 Estuctura de control vlida. Control predictivo no lineal.