Está en la página 1de 18

SEMINARIO AADECA-UBA

Lgica difusa, redes neuronales y control predictivo. Tcnicas modernas de control


Profesora: Dra. Doris Sez

APUNTES III: FUNDAMENTOS DE CONTROL PREDICTIVO

CONTROL PREDICTIVO BASADO EN MODELOS (MBPC Model Based Predictive Control)

El control predictivo basado en modelos se presenta actualmente como una atractiva herramienta de control que permite incorporar criterios operacionales a travs de la utilizacin de una funcin objetivo y restricciones para el clculo de las acciones de control. Adems, estas estrategias de control han alcanzado un nivel muy significativo de aceptabilidad industrial en aplicaciones prcticas de control de procesos. El control predictivo basado en modelos se basa principalmente en los siguientes elementos: El uso de un modelo matemtico del proceso que se utiliza para predecir la evolucin futura de las variables controladas sobre un horizonte de prediccin. La imposicin de una estructura en las variables manipuladas futuras. El establecimiento de una trayectoria deseada futura, o referencia, para las variables controladas. El clculo de las variables manipuladas optimizando una cierta funcin objetivo o funcin de costos. La aplicacin del control siguiendo una poltica de horizonte mvil.

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

ESTRATEGIA DEL MBPC La metodologa de los controladores MBPC consiste en los siguientes pasos:

u(t+j/t) u(t)

y(t) y(t+j/t) t t+1... t+j


1.

...

t+N

Las salidas futuras para un horizonte de prediccin N son predichas en cada instante t, usando un modelo del proceso. $ ( t + j / t) dependen de los valores Estas salidas predichas y conocidos hasta t (entradas y salidas pasadas) y adems pueden depender de las seales de control futuras u(t+j/t) que se quieren calcular. Las acciones de control futuras u(t+j/t) son calculadas optimizando una funcin objetivo de manera de llevar la salida del proceso lo ms cerca posible de una trayectoria de referencia dada. Este criterio, generalmente es una funcin cuadrtica de los errores entre la salida predicha y la trayectoria de referencia deseada, incluyendo en muchos casos el esfuerzo de control.

2.

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

3.

Slo se aplica u(t/t) al proceso, debido a que en el instante siguiente t+1 se tienen los valores de todas las variables controladas hasta t+1 y variables manipuladas hasta t.

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

ESTRUCTURA BSICA DEL CONTROL MBPC

La figura muestra la estructura bsica de las estrategias de control predictivo basado en modelos. En este caso, se hace uso de un modelo para predecir las salidas futuras del proceso, basndose adems en los controles futuros o entradas futuras propuestas. Estas seales son calculadas por un optimizador teniendo en cuenta una funcin de costo y restricciones del proceso.
Trayectoria de referencia Entradas pasadas y salidas pasadas Salidas predichas

Modelo
Controles futuros

Optimizador

Errores futuros

Funcin Restricciones de costo

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

ELEMENTOS DEL MBPC

Los elementos principales del control predictivo son: Modelos de prediccin Funcin objetivo Obtencin de la ley de control

MODELOS DE PREDICCIN El modelo de prediccin debe ser capaz de capturar la dinmica del proceso para poder predecir las salidas futuras, al mismo tiempo que debe ser sencillo de usar y comprender, y adems permitir un anlisis terico. Las estrategias de MBPC utilizan diferentes modelos del proceso para representar la relacin de las salidas con las entradas medibles (variables manipuladas y perturbaciones medibles). Adems, se considera incluir las entradas no medibles, el ruido y los errores de modelacin (pereturbaciones). A continuacin se presentarn los principales modelos utilizados para las formulaciones del control predictivo.

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

Modelo de respuesta al escaln

y(t)

g1 t

g2

gi

gN t+N

t+1 t+2

La salida est dada por:

y( t ) = g i u ( t i) + n ( t)
i =1

donde gi son los valores muestreadas cuando el proceso es excitado con un escaln. Las perturbaciones se consideran constantes a lo largo del horizonte de prediccin e iguales al valor en el instante t, es decir:

$(t / t) $ (t + j / t ) = n $ ( t / t) = y( t ) y n
La prediccin est dada por:

( t + j / t ) = g i u ( t + j i / t ) + n ( t + j / t) y
i =1

Entonces, la prediccin est dada por


Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

$ (t + j / t ) y $ (t + j / t ) = g i u ( t + j i / t ) + g i u ( t + j i ) + n i=144 = j+1 1 4 2444 3 i1 442443


acciones de control futuras acciones de control pasadas
j

Reemplazando la prediccin de la perturbacin en esta ecuacin y $ ( t / t) en ella, se tiene: el modelo para y

( t + j / t ) = g i u ( t + j i / t ) + y
i =1

i = j+1

g u (t + j i)
i

+ y ( t ) g i u ( t i )
i =1

(**)

Entonces, se define la respuesta libre del sistema como los valores conocidos hasta el instante t, es decir:

pj =

i= j+1

g u( t + j i) + y( t) g u( t i)
i i i =1

p j = g j+i g i u( t i) + y( t )
i=1

[ [

] ]

Como g j+i gi 0 para i > N, se tiene:

p j = g j+i g i u( t i) + y( t )
i=1

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

Por lo tanto, la ecuacin (**) se puede reescribir como:

$ ( t + j / t ) = g i u( t + j i / t ) + p j y
i =1

Entonces, las predicciones en el intervalo N1 y N2 estn dadas por:

$ ( t + N1 / t ) = g1u( t + N 1 1 / t ) +L+g N1 u( t / t) + p N1 y M

$ ( t + N1 + 1 / t ) = g1u( t + N1 / t ) +L+g N1 +1u ( t / t ) + p N1 +1 y $ ( t + N 2 / t ) = g1u( t + N 2 1 / t ) +L+g N2 u( t / t) + p N 2 y


Matricialmente, y considerando que Nu, se tiene:

u( t + j 1) = 0 para j >

$ = Gu + p y
donde

$ = [y $ ( t + N1 / t ) y $ ( t + N1 + 1 / t ) L y $ ( t + N 2 / t )] y

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

g N1 L g1 0 g L L g1 N1 +1 M M M G= M M M M M gN L L L 2

L L 0 O O O O L L L

0 0 M g N2 N u +1 0
T

u = [ u( t / t) u( t + 1 / t) L u( t + N u 1 / t )]

p = p N1 , p N1+1 ,K, p N2

Una gran ventaja de este mtodo es que no requiere informacin previa sobre el proceso, con lo cual el proceso de identificacin se simplifica. Adems, permite modelar sistemas complejos como fase no mnima y sistemas con retardos. Sin embargo, esta representacin slo es vlida para procesos estables. Modelo funcin de transferencia Este modelo est dado por la siguiente ecuacin:

A( z 1 ) y( t) = B( z 1 ) u ( t) + n ( t ) A( z 1 ) = 1 + a1z 1 + a 2 z 2 +L+ a na z na B( z 1 ) = b1z 1 + b 2 z 2 +L+ b nb z nb


Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

Para calcular la prediccin, se considera un modelo ARIMAX:

A( z 1 ) y( t) = B( z 1 ) u (t d ) + n ( t) = B( z 1 ) u ( t d) + yt = w B utd + t A A w t+ j B = u t d + j + A A

w ( t)

y t+ j
donde

F 1 = E j + j z j { A A 123 Cuociente
Re sto

Ecuacin diofntica

( Fj y G j notacin en ARMAX)
1 se realiza hasta que Ej sea un polinomio de grado La divisin A j 1 , de modo que E jw t+ j tenga los valores futuros de wt, es decir, w t +1 , w t +2 ,K, w t+ j

Adems,

A = 1 z 1 + a 1z 1 a 1z 2 +L
entonces A es mnico y por ende Ej es mnico. Por lo tanto,

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

yt+ j =

F B u t d + j + E jw t + j + j w t 1 2 3 A A 123 ( w t +1 , w t +2 ,K)

(#)

( w t , w t 1 ,K)

Para la determinacin de wt, wt-1, ...., se utiliza el modelo ARIMAX, es decir

Ay t = Bu t d +

wt

w t = Ay t Bu t d
Entonces, reemplazando w t en la ecuacin (#), se obtiene:

yt+ j =

yt+ j

F F B ut d + j + E j w t + j + j Ay t j Bu t d A A A B B ( j 1) = u t d + j + Fj yt Fj u t d + E j w t + j A A

Fj es de grado n-1 (n orden del sistema) considerando que Ej tiene grado j-1 por hiptesis. A continuacin,

yt + j =

B B u t d + j + E jw t + j + Fjy t Fj u t d + j z j 4 24 3 A A1
u t d

yt+ j =

B u t d + j 1 Fjz j + E jw t + j + Fjy t A

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

donde segn la ecuacin diofntica

Fjz j = 1 E jA
Entonces,

yt+ j =

B u t d + jE jA + E jw t + j + Fjy t A

y t + j = BE ju t d + j + E jw t + j + Fjy t
Se define G j BE j

y t + j = G ju t d + j + E jw t + j + Fjy t
Por lo tanto, la prediccin a j pasos de y est dada por:

$ t + j = G ju t d + j + Fjy t E yt + j / t y

(*)

pues E jw t+ j genera slo valores futuros de ruido blanco (w t+1, wt+2, wt+3, ...). Gj representa los j primeros trminos de la respuesta escaln, entonces g ji = g i para i = 0, 1, 2, ... < j. Es decir,

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

g j0 = g 10 =L = g k 0 =L = g 0 M g ji = g ji =L = g ki =L = g i

Por lo tanto, se tiene

G 2 = g0 + g1z 1 +L+g n b +1z ( n b +1)

G1 = g 0 + g1z 1 +L+g n b z n b

G 3 = g 0 + g1z 1 +L+ g n b + 2 z ( n b + 2 ) G j = g 0 + g1z 1 +L+ g n b + j 1z ( n b + j1)


Por otra parte,

$ t + j = G ju t d + j + Fjy t y
y si d = 1, N 1 = 1 y N2 = N, se tiene

M $ t + N = G N u t 1+ N + FN y t y
A continuacin, se agrupan los trminos conocidos hasta t en el vector f {u t 1 , u t2 ,..., y t , y t1 ,...} , es decir
Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

$ t +1 = G1u t + F1y t y $ t + 2 = G 2 u t +1 + F2 y t y

f t +1 = G 1 ( z 1 ) g0 u t + F1y t ft +2 M
1 2

[ = [G ( z

) g1z 1 g0 u t +1 + F2 y t

Entonces, la expresin (*) se puede expresar de manera vectorial como

~+f $ = Gu y
donde

$ [y $ t+ , y $ t + 2 ,K, y $ t+N ] son las predicciones desde el horizonte y de prediccin N 1 = 1 hasta N2 = N.

g0 g 1 M G= M g N 1

0 g0 M

L L O

gN2 L

0 L 0 g0 N N

T ~ u [u t , u t+1 ,..., u t+2 ,...., u t+ N 1 ] son las acciones de control futuras.

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

~ contiene trminos desconocidos por determinar Por lo tanto, Gu {u t , u t+1 ,..., u t +N1} y f agrupa los trminos conocidos {u t1 , u t2 ,..., y t , y t1 ,...}
Est representacin es tambin vlida para procesos inestables.

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

FUNCIN OBJETIVO Los diferentes algoritmos de control predictivo utilizan diferentes funciones objetivo o de costo para la obtencin de la ley de control. En primer lugar se considera la funcin objetivo dada por:

$ ( t + 1 / t) ] J = [ w( t + 1) y

donde w(t+1) es la referencia o salida deseada en el instante t+1 y $ ( t + 1 / t) es la salida predicha en el instante t+1. y Ntese que utilizando esta funcin objetivo y un modelo ARIX, se obtiene un controlador de varianza mnima. Para reducir variaciones en la variable manipulada o sobreactuaciones se puede utilizar la siguiente funcin objetivo, que adems incluye accin integral.

$ ( t + 1 / t )] + [u( t) ] J = [ w( t + 1) y
2

A continuacin, para incluir algunos sistemas de fase no mnima y sistemas inestables se utiliza la siguiente funcin objetivo que incluye horizontes de prediccin y control mayores:

J=

$ ( t + j / t )] + ( i)[ u( t + i 1) ] ( j)[ w( t + j) y
2 j= N1 i=1

N2

Nu

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.

donde (j) y (j) son coeficientes que ponderan el comportamiento futuro, $ ( t + j / t) es la salida predicha en el instante t+j, y w ( t + j) representa la trayectoria de referencia deseada, N1 y N2 son los horizontes mnimo y mximo de prediccin, Nu es el horizonte de control

OBTENCIN DE LA LEY DE CONTROL Para obtener los valores u(t+j/t) es necesario minimizar la funcin de objetivo planteada anteriormente. Para ello se calculan los $ ( t + j / t ) en funcin de los valores valores de las salidas predichas y pasados de las entradas y salidas, y de las seales de control futuras, haciendo uso de un modelo de prediccin y luego se sustituyen estos valores en la funcin objetivo. La minimizacin de esta expresin conduce a los valores buscados. Adems se ha encontrado que una estructuracin de la ley de control produce una mejora en la robustez del sistema. Esta estructura de la ley de control se basa en el uso del concepto de horizonte de control (Nu), que consiste en considerar que tras un cierto intervalo Nu < N2 no hay variacin en las seales de control propuestas, es decir:

u( t + j 1) = 0
para j > Nu.

Doris Sez (Marzo, 2002). Apuntes III: Fundamentos de Control Predictivo. Seminario AADECA-UBA, Buenos Aires.