Está en la página 1de 9

8º CONGRESO IBEROAMERICANO DE INGENIERIA MECANICA

Cusco, 23 al 25 de Octubre de 2007

SISTEMA DE CONTROL AVANZADO DE LA PRESIÓN DEL VAPOR DE UNA CALDERA DE TUBOS DE FUEGO1
Rodríguez Vásquez J.R.*, Rivas Pérez R.**, Sotomayor Moriano J.J.* * Pontificia Universidad Católica del Perú (PUCP), Av. Universitaria cdra. 18, San Miguel. Ap. 1761, Lima 100, Lima, Perú ** Universidad Politécnica de La Habana (CUJAE) Calle 114 No 11901, Marianao, Ciudad de la Habana, Cuba. E-mails: renato.rodriguez@pucp.edu.pe, raul_rivas_perez@yahoo.es, jsotom@pucp.edu.pe

RESUMEN La imperiosa necesidad de optimizar el consumo de recursos energéticos justifica la aplicación de estrategias de control avanzado en la automatización de equipos que consumen una elevada cantidad de combustibles fósiles, entre ellos las calderas industriales de tubos de fuego. Estos equipos se caracterizan por presentar un comportamiento dinámico difícil, con múltiples entradas y salidas, retardo de tiempo y grandes incertidumbres. En este trabajo se presenta un sistema de control avanzado con algoritmo GPC-Adaptativo de la presión del vapor en el cuerpo de una caldera de tubos de fuego. Mediante la aplicación de las técnicas de identificación de sistemas se obtuvo un modelo matemático que caracteriza el comportamiento dinámico del proceso objeto de estudio. Los resultados de la validación del modelo obtenido demostraron que el mismo describe con una elevada exactitud el proceso de variación de la presión en el cuerpo de la caldera. El modelo matemático obtenido se utilizó en el diseño del sistema de control avanzado. Los resultados de la simulación del sistema desarrollado mostraron su efectividad frente a variaciones de los parámetros dinámicos del proceso y de la referencia, así como su superioridad sobre un sistema de control con algoritmo PID. La implementación práctica del sistema desarrollado posibilitará un funcionamiento efectivo de esta clase de equipos y una significativa disminución del consumo de combustible y de la contaminación del medio ambiente.

PALABRAS CLAVE: Control avanzado; algoritmo de Control GPC-adaptativo; identificación de sistemas; control del proceso de variación de la presión; caldera de tubos de fuego; uso eficiente de la energía.

1. El Control Predictivo Generalizado con autoajuste (GPC-adaptativo) constituye una variante del CPBM que en los últimos años ha reportado significativos resultados en el control de procesos industriales con comportamiento dinámico difícil [5]. que este proceso presenta una significativa importancia en el funcionamiento de esta clase de equipos. Sin embargo. Es por ello. 6]. el control de la combustión se realiza mediante el control del proceso de variación de la presión del vapor en su cuerpo [3]. Fig. de gran aplicabilidad a nivel mundial. lo anterior debido al difícil comportamiento dinámico de dicho proceso. El objetivo de este trabajo consiste en diseñar un sistema de control GPC-adaptativo para el proceso de variación de la presión del vapor en el cuerpo de una caldera de tubos de fuego que permita un funcionamiento efectivo de esta clase de equipos frente a variaciones en sus parámetros dinámicos. 1. Ante el inminente agotamiento de los mismos y los serios problemas ambientales que origina su combustión. La aplicación de sistemas de control convencional (PID) del proceso objeto de estudio no posibilita obtener la efectividad requerida. Las calderas de tubos de fuego. servoválvula para el control del flujo de combustible y computadora personal. La instalación cuenta de los siguientes elementos: sensor de presión (0-700 kPa de presión absoluta).INTRODUCCION Actualmente los combustibles fósiles se utilizan como fuente principal de energía a nivel mundial. Instalación experimental para la identificación del proceso objeto de estudio. en comparación con el diseño de sistemas de control convencional constituye un procedimiento mucho más complicado [6]. tarjeta de adquisición y procesamiento de datos. . el cual se caracteriza por presentar variaciones en sus parámetros dinámicos. IDENTIFICACIÓN DEL PROCESO DE VARIACIÓN DE LA PRESIÓN DEL VAPOR EN UNA CALDERA DE TUBOS DE FUEGO. Para ello se requiere disponer de un modelo matemático que describa de forma adecuada el comportamiento dinámico del proceso a controlar [7]. Para la obtención de una elevada eficiencia en la explotación de las calderas de tubos de fuego resulta necesario disponer de sistemas que posean efectividad en el control de la variación de la presión del vapor [4]. urge adoptar medidas que posibiliten un uso eficiente e inteligente de esta clase de combustibles [1]. En estos equipos. se encuentran entre los grandes consumidores de combustibles fósiles [2]. El Control Predictivo Basado en Modelo (CPBM) se encuentra considerado dentro de las técnicas de control avanzado que han alcanzado grandes éxitos en aplicaciones prácticas [5. es necesario destacar que el diseño de esta clase de sistemas de control. La instalación experimental utilizada para la recolección de los datos necesarios para la obtención del modelo matemático del proceso de variación de la presión del vapor en el cuerpo de la caldera mediante la aplicación de las técnicas de identificación de sistemas se muestra Fig. así como retardo de tiempo.

5 % (dentro de la región de comportamiento lineal del proceso) y graficar la presión del vapor y (t ) en el cuerpo de la caldera. cuyos resultados de validación cruzada se muestran en la Fig. uno de los pasos que presenta una significativa importancia es la selección de la estructura del modelo a obtener [9]. se realizó un experimento con señal paso escalón. Mediante la utilización de estos métodos se descartaron los modelos que no describen adecuadamente el comportamiento dinámico del proceso objeto de estudio. ARX. Para la mejor estimación de los parámetros de los modelos candidatos se seleccionaron diferentes órdenes y magnitudes de retardo de tiempo. análisis de cancelación de polos y ceros. Por ello. A continuación se realizó la validación de los modelos candidatos utilizando varios métodos. Los parámetros de los modelos candidatos se estimaron utilizando el método de minimización del error de predicción con criterio cuadrático. Los resultados obtenidos del experimento se muestran en la Fig. Para este experimento se utilizó un período de muestreo de T = 5 s . De particular interés resulta la estructura ARMAX (Auto-Regresiva de Media Móvil Controlada). A continuación. Este último se considera como el mejor método para validar modelos y como el único que verdaderamente presenta una aplicabilidad general [11]. De la Fig. Como estructura alternativa para la comparación de resultados se seleccionó la ARX (Auto-Regresiva Controlada). . los que se muestran en la Tabla 1. ya que permite modelar el comportamiento del proceso considerando entradas de control y de perturbación. y Box-Jenkins. consistente en variar el flujo de combustible u (t ) de entrada al quemador mediante la apertura de la válvula de combustible entre 12. Con los datos adquiridos del segundo experimento se efectuaron trabajos de análisis espectral y por correlación para validar los resultados obtenidos en el experimento con señal paso escalón. 2. Output (kPa) 100 50 0 150 200 250 300 350 400 450 25 Input (%) 20 15 10 150 200 250 300 Time (s) 350 400 450 Fig. 3. Resultados del experimento con señal paso escalón. Esta estructura de modelo constituye la estructura base de los sistemas de control GPC [10]. entre las que se encontraron: ARMAX. 2 se observa que el comportamiento dinámico del proceso objeto de estudio se describe mediante un sistema de segundo orden con retardo de tiempo de ≈ 30 s y tiempo de establecimiento de ≈ 120 s . diseñado como ≈ 1 / 20 del tiempo de establecimiento de la respuesta del proceso [8]. obtención de un índice de comportamiento (FIT) y finalmente validación cruzada con datos experimentales destinados a fines de validación.El proceso de identificación no paramétrica se inició realizando un experimento de ganancia estática. Finalmente se seleccionó un modelo con estructura ARMAX de segundo orden del tipo [2 2 2 7]. Con el objeto de obtener datos de entrada-salida más informativos se desarrolló un segundo experimento con señal tipo secuencia binaria pseudo-aleatoria (SBPA). 2. mediante el cual se obtuvo la región de operación en la que el proceso se comporta de forma lineal. En el desarrollo de la identificación paramétrica.5 % y 22. entre ellos: criterio del Error de Predicción Final (FPE). Mediante estos análisis se corroboró que el comportamiento dinámico del proceso objeto de estudio se describe mediante un sistema de segundo orden con retardo de tiempo de ≈ 32 s y un tiempo de establecimiento de ≈ 120 s . se evaluaron diferentes estructuras. Por estas razones fue escogida como la estructura candidata del modelo matemático del proceso objeto de estudio.

Estructura ARX ARX ARMAX ARMAX na 2 3 1 1 60 50 40 30 nb 2 3 1 2 nc 0 0 1 2 d 7 7 7 7 Estructura ARMAX ARMAX ARMAX na 2 3 4 nb 2 3 4 nc 2 3 4 d 7 7 7 FIT = 94.[ 2227] (1) ESTRUCTURA ARMAX . d . Estos valores parametrizan la estructura ARMAX .retardo de tiempo del proceso. C (q −1 ) .polinomios que caracterizan el comportamiento dinámico del proceso objeto de estudio.197 a2 0. Resultados de la validación cruzada del modelo ARMAX .7205 c1 -0.Tabla 1.2899 b1 0. Tabla 2. ∆ (2) donde: ∆ = 1 − q −1 .2381 ESTRATEGIA DEL CONTROL PREDICTIVO GENERALIZADO ADAPTATIVO (GPC-ADAPTATIVO) En diferentes aplicaciones industriales en las que las perturbaciones presentan un carácter no-estacionarias resulta más conveniente el uso de un modelo ARMAX integrado [12. 3.65% Salida del Modelo Datos de Validación Presión (kPa) 20 10 0 -10 -20 -30 -40 -50 2000 2200 2400 2600 2800 3000 3200 3400 3600 3800 4000 Tiempo (seg) Fig. A(q −1 ) . .señales de entrada y salida del proceso respectivamente. u (t ) . e(t ) -secuencia aleatoria de media cero. y (t ) . 13].689 c2 0. Datos de las estructuras de modelo seleccionadas.[2227] a1 -1.[2 2 2 7] descrita mediante la expresión (1).[2 2 2 7] utilizando los datos obtenidos experimentalmente. B (q −1 ) . Valores estimados de los parámetros del modelo con estructura ARMAX . que se describe mediante la expresión: A(q −1 ) y (t ) = B (q −1 )q − d u (t ) + C (q −1 ) e(t ) . Los parámetros estimados de los polinomios del modelo ARMAX seleccionado se muestran en la Tabla 2. y (t ) = a1 y (t − 1) − a 2 y (t − 2) + b1u (t − 8) + b2 u (t − 9) + e(t ) + c1e(t − 1) + c 2 y (t − 2) . dando lugar al modelo ARIMAX.1084 b2 0.

2).secuencia que pondera el comportamiento futuro del proceso. j ≥ 0 . N 2 . la función de coste (Ec. Para la obtención de la ley de control. j ≤ 0 . Un algoritmo de identificación ampliamente utilizado con los sistemas GPC es el de máxima probabilidad (ML) que es una variante del algoritmo de mínimos cuadrados recursivos (RPEM) [16]. la variación de la señal de control se hace cero ∆u (t + j ) = 0. f = [ f (t + N 1 ) L f (t + N 2 )] y u = [∆u (t ) L ∆u (t + N u )] . Un controlador con esta característica constituye un regulador con autojuste (STR) [15]. 2 donde: H = 2(G T G + λI ) . La expresión general de tal función de coste se representa en la forma: 2 2 ˆ J ( N 1 . Los elementos de G y de f se obtienen recursivamente utilizando el modelo del proceso (Ec. j = N1 j =1 N2 Nu (4) donde: λ ( j ) . la predicción de la salida del proceso se describe mediante la expresión: ˆ ˆ y = Gu + f . (3) donde: G . Una técnica utilizada para ayudar a minimizar este problema consiste en el uso de una etapa de ajuste de los parámetros del controlador a partir de una nueva estimación de los parámetros del proceso. El uso de una función de coste tiene como objetivo que la salida futura del proceso en el horizonte de predicción considerado siga a una determinada señal de referencia interna w(t + j ).matriz de dimensiones n × N u . f 0 = 2( f − w) T ( f − w) .número de valores que posee el horizonte de predicción considerado ( N1 . (5) El mínimo de la Ec. 3 en la forma: 1 ˆ ˆ ˆ ˆ ˆ ˆ ˆ J = (Gu + f − w) T (Gu + f − w) + λu T u = u T Hu + bu + f 0 . j ≤ N u . (7) La variación de los parámetros dinámicos del proceso constituye una de las dificultades que presenta la utilización de un controlador GPC [14]. 4) se representa considerando la Ec. puede ser calculado analíticamente mediante la expresión. Definiendo los vectores T T T ˆ ˆ ˆ ˆ y = [ y (t + N 1 ) L y (t + N 2 )] .Obsérvese que para el proceso objeto de estudio el modelo obtenido utilizando la estructura representada mediante la expresión en la Ec. Es importante definir el concepto de horizonte de control N u . A partir del modelo (Ec. al mismo tiempo que se penalice el esfuerzo de control requerido para lograr este objetivo [11]. j ≥ 0 en un rango de tiempo denominado horizonte de predicción [t + N1 . f . j ≥ 0 . ˆ u = − H −1b T = −2 H −1G T ( f − w) . b = 2( f − w)T .vector que representa la respuesta libre del proceso objeto de control. sólo se aplica el utiliza el primer elemento del vector u . n . Por lo tanto: u (t ) = u (t − 1) + ∆u (t ) . el GPC predice las futuras salidas del proceso utilizando los valores pasados de las señales de entrada y salida u (t + j ). el modelo (1) puede ser descrito mediante la expresión: ˆ y (t ) = ϕ T (t . repitiéndose el mismo procedimiento en el siguiente instante de muestreo. 2). 2. 1. t + N 2 ] . w(t + j ). siempre que no existan restricciones en la señal de control. N 2 ) . θ )θ (t − 1) + e(t ) (8) . N u ) = ∑ [ y (t + j | t ) − w(t + j )] + ∑ λ ( j )[∆u (t + j − 1)] . y (t + j ). puede expresarse mediante la Ec. Utilizando conceptos del álgebra matricial. el cual es ∆u (t ) . (6) ˆ Debido a la aplicación de una estrategia deslizante. así como los valores presentes y futuros de la variación de la señal de control ∆u (t + j ).trayectoria de referencia interna. el cual constituye un intervalo de tiempo a partir del cual. 5.

el factor de olvido del identificador recursivo ( γ (t ) ). La respuesta del sistema de control GPC del proceso objeto de estudio utilizando estos parámetros de diseño se muestra en la Fig. la constante dinámica de la trayectoria de referencia ( α ). N 2 . El valor determinado empíricamente fue α = 0. con el objeto de permitir al sistema GPC predecir la salida del proceso en un tiempo similar a su tiempo de establecimiento. θ = [a1 a 2 b1 b2 c1 c 2 ] . ˆ Para el valor inicial de P(t ) se considera un número grande. Por el contrario. la penalización de la señal de control en la función de coste ( λ ( j ) ). se pueden ajustar los parámetros del controlador GPC.vector de parámetros del modelo. los parámetros del modelo del proceso se estiman en cada instante de tiempo y si presentan variaciones. puesto que la salida no empezará a evolucionar hasta el instante t+7. El polinomio que posee la mayor cantidad de información acerca del comportamiento dinámico del proceso es A(q −1 ) . El valor de α se halló de manera similar. Un valor bajo de α introduce un sobreimpulso indeseado en la respuesta del proceso. Un valor elevado de λ origina una respuesta rápida pero al costo de una variación de la señal de control muy elevada que puede ser imposible de reproducir o que puede dañar el actuador. en este caso se fijó en 10 pasos. El valor que se encontró adecuado fue λ = 100 . N u ) .donde: ϕ (t ) = [− y (t − 1) − y (t − 2) − u (t − 1 − 7) − u (t − 2 − 7) e(t − 1) e(t − 2)] T - vector de regresión. ya que contiene los polos del proceso [17]. Dado que el proceso objeto de estudio posee un retardo de tiempo igual a 7 pasos no tiene sentido que N1 sea menor que dicho valor. Entre los mismos se encuentran: el tamaño de los horizontes de predicción y control ( N1 . El tamaño del horizonte de control también se determina intuitivamente [10] y en este caso se consideró un valor de N u = 3 . Por lo tanto. A continuación se realizó un segundo experimento con el fin de investigar cuán confiable resulta el controlador GPC diseñado cuando el proceso objeto de estudios presenta cambios en sus parámetros dinámicos. La secuencia de penalización de la señal de control se consideró constante ( λ ) y su valor se determinó empíricamente [15] mediante un procedimientos de prueba y error.00E6 [11]. mientras que un valor alto origina una respuesta muy lenta. en este caso 1. una variación en un parámetro de este polinomio implica una . PRESENTACIÓN DE RESULTADOS DE SIMULACIÓN Para simular el sistema de control GPC-adaptativo diseñado se requiere determinar varios parámetros con el fin obtener un funcionamiento efectivo del mismo. De esta figura se observa que la salida del sistema de control sigue adecuadamente a la señal de referencia. usualmente se considera constante [11]. De esta manera. El valor inicial de θ (t − 1) se obtiene del modelo identificado (Tabla 2). El tamaño del horizonte de predicción se determina intuitivamente [10].76 . Por lo tanto. El algoritmo de máxima probabilidad para la estimación de los parámetros θ del modelo se lleva a cabo resolviendo el siguiente sistema de ecuaciones recursivas: θˆ = θˆ(t − 1) + L(t )[y (t ) − ϕ T (t )θ (t − 1)] donde: (9) L(t ) = P(t − 1)ψ (t ) γ (t ) + ψ T (t ) P(t − 1)ψ (t ) (10) P(t − 1)ψ (t )ψ T (t ) P (t − 1) ⎤ 1 ⎡ P (t ) = P (t − 1) − ⎥ γ (t ) ⎢ γ (t ) + ψ T (t ) P(t − 1)ψ (t ) ⎦ ⎣ (11) ψ (t ) = 1 ϕ (t ) C (q −1 ) (12) γ (t ) -secuencia de ponderación denominada “factor de olvido”. N 2 se fijó en 18. un valor muy bajo de λ produce una respuesta muy lenta. Por ello N1 se fijó en 8. 4.

985 . 4.30 .197 del proceso. λ = 100.30 . . teniendo en cuenta que un valor cercano a 1 implica que las mediciones antiguas serán descartadas fácilmente. En esta experimento se varió el parámetro a1 = −1. 5 en el intervalo de tiempo desde 0 hasta 1000 s. La respuesta de la planta presenta un gran sobreimpulso y oscilaciones.76 . 5: Respuesta del sistema de control con variación del parámetro a1 = −1. el desempeño del mismo vuelve a ser el deseado. 5 en el intervalo de tiempo desde 1000 s hasta 2000 s.197 por a1 = −1. Fig. Respuesta del sistema de control GPC utilizando N1 = 10. se realizó una última prueba utilizando el sistema de control GPC-adaptativo diseñado para controlar la planta con la misma variación paramétrica. Fig. Los resultados de esta prueba de simulación se muestran en la Fig. N 2 = 18. Finalmente. lo que representa una variación aproximada del 10% de su valor original. Se aprecia un considerable deterioro del desempeño del sistema de control. En este caso se utilizó un valor de γ = 0.99. Se observa que en el instante que se inicia la actualización de los parámetros del controlador ( t = 1000 s ).95 y 0. Típicamente el valor de γ se escoge entre 0. α = 0. por a1 = −1. Desde t = 0 hasta t = 1000 se utilizó el sistema de control GPC. A partir de t = 1000 se utilizó el sistema GPC-adaptativo. El factor de olvido γ (t ) se consideró constante ( γ ) y nuevamente su determinación se realizó de manera intuitiva [10]. Los resultados de este experimento se muestran en la Fig.modificación del comportamiento dinámico del proceso.

en especial ante la presencia de cambios en los parámetros del proceso. 6. se desarrolló el procedimiento completo de identificación de sistemas. La estrategia del controlador predictivo generalizado adaptativo fue presentada. el mismo que se obtuvo a partir de los datos adquiridos en el experimento paso escalón (Fig. . CONCLUSIONES Se presentó el diseño de un sistema de control GPC-adaptativo del proceso de variación de la presión del vapor en el cuerpo de una caldera de tubos de fuego.COMPARACIÓN CON EL DESEMPEÑO DE UN CONTROLADOR PI PREDICTIVO (PPI) Los controladores PID son por mucho los sistemas de control más utilizados en la actualidad en todas las aplicaciones industriales. Este resultado es mucho más evidente cuando se sometió el sistema a la misma prueba de variación paramétrica descrita en la sección anterior. Se presentaron los resultados de la simulación del sistema GPC-adaptativo diseñado. los que muestran su buen desempeño. Los resultados de simulación de este experimento se muestran en la Fig. Se explicaron los criterios adoptados en el diseño del controlador. Una comparación entre el desempeño del controlador GPC-adaptativo y el de un controlador PI Predictivo (PPI) reveló una considerable mejora en el desempeño del sistema en lazo cerrado cuando se utiliza el primero de ellos. 2). estructura tipo ARMAX y un retardo de tiempo de 35 s. El método utilizado para sintonizar el controlador PPI se conoce como “λ-Tuning” mediante el cual se ajusta el comportamiento del sistema en lazo cerrado utilizando una función de transferencia deseada [18]. La señal de control calculada con el algoritmo PPI a diferencia de los algoritmos PID tradicionales considera explícitamente el retardo de tiempo o tiempo muerto. Una variante del algoritmo PI clásico se denomina PPI (PI Predictivo) y posee mayores capacidades de compensación de tiempo muerto [8]. 160 140 120 100 80 Presion (kPa) 60 40 20 0 -20 -40 -60 0 200 400 600 800 1000 1200 Tiempo(seg) 1400 1600 1800 2000 SP Salida Fig. Se hizo notar la fuerte dependencia del desempeño del controlador GPC frente a variaciones de los parámetros dinámicos del proceso y se presentó la auto-regulación del controlador como un medio eficaz para la solución de este problema. en las que más del 95% de los lazos de control poseen el algoritmo PID [6]. En términos generales los resultados de simulación del sistema de control PPI aplicado al proceso bajo estudio mostraron un desempeño inferior frente al obtenido con el sistema GPC-adaptativo. Con el fin de determinar el modelo matemático que mejor describe el comportamiento dinámico del proceso. 6. Respuesta del sistema de control del proceso objeto de estudio con variación paramétrica y controlador PPI. Este algoritmo se basa en un modelo de primer orden más tiempo muerto del proceso a controlar. Se obtuvo un modelo que presenta segundo orden. así como en la determinación de sus parámetros de ajuste.

11. Second Edition. Qin J. Englewood Cliffs. Ljung L. 18.. D.. 16. pp... Camacho E. PID controllers. 3. 667–682. 17. Segunda Edición. 14. Lindsley D. England.J.G.J.M. NJ. Model predictive control: past. Power-plant Control and Instrumentation.M. Englewood Cliffs.M. Rivas Perez. 15. 1988.R. Springer-Verlag. 1999. Lindsley D.. Prentice-Hall. NJ. Havana.W. . Stoica P. 1999.M. Prentice Hall. 2005.. Lee J. 2004. The Control of Boilers. Proceedings of 8th IFAC Symposium on Cost Oriented Automation Affordable Automation Systems. F. IEEE Control Engineering Series. Cuba.. Ogata K.. Research Triangle Park. and Wright S. 8. UNED. Sotomayor Moriano.M. 1997. Prentice Hall. Clarke. The Control of Boilers and HRSG Systems. Oxford. 2. Calderas Industriales Pirotubulares. London. Rodriguez Vasquez. Morari M. vol. Oxford University Press. 1991. Harlow. Research Triangle Park. 1999 Maciejowski J. Nonlinear predictive control and moving horizon estimation – an introductory overview. Energy Conversion.H. Computer-Controlled Systems: Theory and Design. Rawlings J. Prentice Hall. 23. Rivas Pérez R. Madrid. Computers and Chemical Eng. 12.W. 13.A.REFERENCIAS 1. Martín Sánchez J. London. USA. Third Edition. 1991. Prentice Hall Englewood Cliffs. London. Badgwell T. Control Fraccional. System Identification. Englewood Cliffs. Allgöwer F. 90-95. ISA. Tatjewski P. 7. Aström K. System Identification – Theory for the User. NJ. Third Edition. Aström. R. 1999. Castillo García F.S. London.. 2007. 4. Advances in Model-Based Predictive Control. Advanced Control of Industrial Processes. 6. NJ. Sotomayor Moriano J. 2007. 2002.. J... IEEE Trans. 5. System identification of the steam pressure variation process inside a fire-tube boiler. Wittenmark.. 282-288. El-Rabaie N. 6. Multivariable Generalized Predictive Control of a Boiler System. present and future.J. 2000. Second Edition. Nº365.B. Sistemas de Control en Tiempo Discreto. 2005. 10. Dukelow S. Boiler Control System. Automatica e Instrumentación. y B. Predictive Control. Feliú Batlle V. 1994. J. 1994. 9.J. Control adaptativo predictivo experto: Metodología. Hogg B. ISA. 1996. Bordons C. Model Predictive Control. pp. vol. Springer-Verlag. Mc-Graw Hill. Rodellar J. Proceedings of the European Conference Control. K. diseño y aplicación. Nº 2. Söderström T.