Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Control Predictivo PDF
Control Predictivo PDF
Indice i
1 Fundamentos 1
2 Controladores predictivos 11
3 Algoritmos 25
i
ii
Indice general
4.4.1
Tecnicas de busqueda de soluciones factibles :::::::::::: 46
Bibliografa 69
Tema 1
Fundamentos
Aunque en el pasado poda considerarse que el unico objetivo del control consista en
mantener una operacion estable del proceso, actualmente la industrias se enfrentan a
un mercado cambiante y difcil de predecir, lo que les obliga a operar sus procesos
productivos en consonancia con la evolucion del mercado para poder mantenerse
competitivas y rentables.
1
2 Tendencias actuales en control de procesos
Los resultados de un estudio realizado por Takatsu et al. para la Society of Instru-
mentation and Control Engineering [19] son indicativos de las necesidades futuras de
la industria en el a mbito del control. En este informe se analizan los principales proble-
mas de control que se encuentran en la industria de procesos, el estado de aplicacion
de las tecnologas avanzadas, el grado de satisfaccion de los usuarios con cada una de
ellas y las expectativas que cada una genera.
La evolucion en los ultimos anos
de los principales problemas de control para los
usuarios se muestra en la tabla 1.1.
Observese que los tres primeros problemas siguen siendo los mismos en los tres
anos
que se ha realizado la encuesta y parece que a lo largo del tiempo se resuelven
problemas basicos como estabilidad y respuesta y se atacan problemas mas difciles
como dinamica no lineal. Como se vera mas adelante, el Control Predictivo es una
metodologa capaz de ofrecer soluciones a todos estos problemas.
Con el fin de evaluar el grado de satisfaccion del usuario con las distintas tecnicas,
se muestra en la tabla 1.5 el porcentaje de usuarios que estan satisfechos con cada una
de las tecnicas que han empleado. Como conclusion interesante destaca el hecho de
que practicamente todos los usuarios de Control Predictivo estan satisfechos.
MPC
Retardo
Borroso
PID
Expectativas
Adaptativo
Neuronal
Hoo
Desacoplo
LQ Auto
ajuste
F. Kalman
Deslizante
Posibilidades tcnicas
Este estado actual y futuras tendencias en el campo del control de procesos indus-
triales indican que el Control Predictivo Basado en Modelo se puede considerar una
tecnologa suficientemente introducida en la industria y que ademas sigue despertando
muchas expectativas. Estos hechos, unidos a la existencia de campos abiertos tanto en
investigacion como en temas relacionados con la implementacion justifica un estudio
mas detallado de esta tecnologa.
El Control Predictivo se desarrollo en base a dos lneas basicas. Por un lado, a finales
de los anos
setenta surgieron diversos algoritmos que usaban explcitamente un mo-
delo dinamico del proceso para predecir el efecto de las acciones de control futuras
en la salida, las cuales eran determinadas minimizando el error predicho sujeto a res-
tricciones de operacion. La optimizacion se repeta en cada instante de muestreo con
informacion actualizada del proceso. Estas formulaciones eran de naturaleza heurstica
6 Situacion actual
Independientemente fue surgiendo otra lnea de trabajo en torno a las ideas del con-
trol adaptativo, desarrollando estrategias esencialmente para procesos monovariables
formuladas con modelos entrada/salida. En este contexto se extendieron las ideas del
Controlador de Mnima Varianza y se desarrollo el Control Predictivo Generalizado
(Generalized Predictive Control GPC) que es uno de los metodos mas populares en la
actualidad.
actual
1.3 Situacion
optimo de operacion. La inclusion de restricciones es quizas la caracterstica que
mas distingue al MPC respecto a otras metodologas.
Otra de las razones que han contribuido a que el MPC se haya convertido en un e xito
comercial es el hecho de que existen unos 15 suministradores que instalan el producto
llave en mano, con periodos de amortizacion 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 genericos
que ofrecen al usuario la posibilidad de realizar futuras modificaciones sin depender
de un producto cerrado.
Uso explcito de un modelo para predecir la salida del proceso en futuros instantes
de tiempo (horizonte).
Calculo de las senales
de control minimizando una cierta funcion objetivo.
Estrategia deslizante, de forma que en cada instante el horizonte se va despla-
zando hacia el futuro, lo que implica aplicar la primera senal de control en cada
instante y desechar el resto, repitiendo el calculo en cada instante de muestreo.
El MPC presenta una serie de ventajas sobre otros metodos, entre las que destacan:
Puede ser usado para controlar una gran variedad de procesos, desde aquellos con
dinamica relativamente simple hasta otros mas complejos incluyendo sistemas
con grandes retardos, de fase no mnima o inestables.
Es muy util
cuando se conocen las futuras referencias (robotica o procesos en
batch).
1. En cada instante t y haciendo uso del modelo del proceso se predicen las futuras
salidas para un determinado horizonte N , llamado horizonte de prediccion. Estas
Fundamentos 9
u(t+k|t)
u(t)
^y(t+k|t)
y(t)
N
Para llevar a cabo esta estrategia, se usa una estructura como la mostrada en la
figura 1.3. Se hace uso de un modelo para predecir las salidas futuras del proceso,
1
la notacion indica el valor de la variable en el instante t + k calculado en el instante t.
10 Estrategia de los controladores
Controles
futuros
Optimizador
Errores futuros
Controladores predictivos
Todos los controladores predictivos poseen elementos comunes y para cada uno de
estos elementos se pueden elegir diversas opciones, dando lugar a distintos algoritmos.
Estos elementos son:
Modelo de prediccion
Funcion objetivo
La piedra angular del MPC es el modelo; un diseno completo debe incluir los me-
canismos necesarios para la obtencion del mejor modelo posible, el cual debe ser lo
suficientemente rico para capturar al maximo la dinamica del proceso y debe ser ca-
paz de permitir el calculo de las predicciones a la vez que sea intuitivo y permita un
analisis teorico. El uso del modelo del proceso viene determinado por la necesidad del
calculo de la salida predicha en instantes futuros y (t + k j t). Las diferentes estrategias
de MPC pueden usar distintos modelos para representar la relacion de las salidas con
las entradas medibles, algunas de las cuales seran variables manipuladas y otras se
pueden considerar como perturbaciones medibles, que pueden ser compensadas por
feedforward. Ademas se tendra en cuenta un modelo de las perturbaciones, para
accion
intentar describir el comportamiento que no aparece reflejado en el modelo del pro-
ceso, englobandose aqu el efecto de las entradas no medibles, el ruido y los errores de
modelado.
11
12 Elementos basicos
Para el estudio se puede separar el modelo en dos partes: el modelo del proceso
propiamente dicho y el modelo de las perturbaciones. Cualquier metodo usara ambas
partes para la prediccion.
Casi todas las formas posibles de modelar un proceso aparecen en alguna formu-
de MPC siendo las mas usadas las siguientes:
lacion
h2
N
i
g
g
hi
h1
g2
hN
y(t) y(t)
g1
t t+1 t+2 ... t+N t t+1 t+2 ... t+N
a) b)
A( z ; 1 ) = 1 + a1 z ;1 + a2 z ;2 + + ana z ;na
B (z ;1 ) = b1 z;1 + b2 z;2 + + bnb z;nb
Por tanto la prediccion vendra dada por
B (z ;1 )
y(t + k j t) = A(z;1 ) u(t + k j k)
Esta representacion es valida tambien para procesos inestables y posee la ventaja
de necesitar pocos parametros, aunque es fundamental un conocimiento a priori
del proceso sobre todo en cuanto al orden de los polinomios A y B .
X
k
y(t + k j t) = C x (t + k j t) = C Ak x(t) + Ai;1Bu(t + k ; i j t)]
i=1
14 Elementos basicos
Posee la ventaja de que sirve tambien para sistemas multivariables a la vez que
permite analizar la estructura interna del proceso (aunque a veces los estados
obtenidos al discretizar no tienen ningun significado fsico). Los calculos pueden
ser complicados, con la necesidad adicional de incluir un observador si los estados
no son accesibles.
(z ;1 )e(t)
n(t) = C D (z ;1 )
n(t) = 1 ;e(tz);1
cuya mejor prediccion sera n (t + k j t) = n(t).
uf (t ; j ) = u(t ; j ) para j = 1 2
uf (t + j ) = u(t ; 1) para j = 0 1 2
Controladores predictivos 15
u y
Process
t t
u uc y yc
f f
t t t t
Los diversos algoritmos de MPC proponen distintas funciones de coste para la obtencion
de la ley de control. En general se persigue que la salida futura en el horizonte
considerado siga a una determinada senal
de referencia al mismo tiempo que se puede
penalizar el esfuerzo de control requerido para hacerlo. La expresion general de tal
funcion objetivo sera:
X
N 2 X
Nu
J (N1 N2 Nu) = (j )y(t + j j t) ; w(t + j )]2 + (j )4u(t + j ; 1)]2 (2:3)
j =N1 j =1
r(t+k)
w1(t+k)
w2 (t+k)
y(t)
4u(t + j ; 1) = 0 j > Nu
lo cual es equivalente a dar pesos infinitos a las cambios en el control a partir de cierto
instante. El caso lmite sera considerar Nu igual a 1 con lo que todas las acciones
futuras seran iguales a u(t)1 .
Este metodo usa la respuesta ante escalon (2.2) para modelar el proceso, considerando
los N primeros terminos, asumiendo por tanto que el proceso es estable. En
solo
1
Recuerdese que debido al horizonte deslizante, la senal
de control se recalcula en el siguiente
muestreo.
Controladores predictivos 19
n (t + k j t) = n (t j t) = ym(t) ; y(t j t)
y por tanto el valor predicho de la salida sera:
X
k X
N
y(t + k j t) = gi 4 u(t + k ; i) + gi 4 u(t + k ; i) + n (t + k j t)
i=1 i=k+1
donde el primer termino contiene las acciones de control futuras (que seran calculadas),
el segundo los valores pasados de las acciones de control (conocidas) y el ultimo
representa las perturbaciones. La funcion de coste puede considerar solo errores futuros
o incluir tambien el esfuerzo de control, en cuyo caso toma la forma generica (2.3).
Una de las caractersticas de este metodo que lo ha hecho muy popular en la industria
es la inclusion de restricciones, que se traduce en inecuaciones de la forma generica:
X
N
Cyij y(t + k j t) + Cuij u(t + k ; i) + cj 0 j = 1 : : : Nc
i=1
En este caso la optimizacion debe ser numerica y se lleva a cabo en cada periodo de
u(t) y recalculando todo en el nuevo periodo de muestreo,
muestreo, enviandose la senal
como en todos los metodos MPC. Los principales inconvenientes de este metodo son el
tamano
del modelo empleado y la imposibilidad de tratar procesos inestables.
Este metodo se conoce tambien como Model Predictive Heuristic Control y el producto
comercial se llama IDCOM (Identification-Command). Es muy similar al DMC con la
diferencia principal de usar un modelo de respuesta impulsional (2.1). Introduce el
concepto de trayectoria de referencia como un sistema de primer orden que evoluciona
desde la salida actual al setpoint segun una determinada constante de tiempo. La
varianza del error entre esta trayectoria y la salida es lo que marca la minimizacion de
la funcion objetivo. Las perturbaciones se pueden tratar como en el metodo anterior o
se pueden estimar segun la siguiente expresion:
Puntos de coincidencia
Este controlador fue desarrollado por Richalet [18] para procesos rapidos. Emplea un
modelo en el espacio de estados, por lo que permite el manejo de procesos inestables, y
tambien la extension 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.
X
nB
u(t + k) = i(t)Bi(k)
i=1
Normalmente estas funciones son de tipo polinomico: escalones (B1 (k ) = 1), rampas
(B2 (k ) = k) o parabolas (B3 (k ) = k2 ), ya que la mayora de referencias se pueden
especificar como combinacion de estas funciones. Con esta estrategia, un perfil de
entrada complejo se puede especificar usando un pequeno numero de parametros
desconocidos i que son las incognitas del problema de minimizacion.
4u(t + k ; 1) = 0 1<k N ;d
con el grado de E igual a N ; 1. Una ventaja de este metodo es que se puede encontrar
facilmente una solucion explcita, dada por
Este metodo propuesto por Clarke et al. [5] emplea un modelo CARIMA (Controlled
Auto-Regressive Integrated Moving Average) para la prediccion de la salida:
donde la perturbacion viene dada por un ruido blanco coloreado por el polinomio
C (z;1 ). Como en la practica es difcil encontrar el verdadero valor de este polinomio, se
puede emplear como parametro de diseno para rechazo de perturbaciones o mejora de
la robustez. La prediccion optima se lleva a cabo resolviendo una ecuacion diofantica,
lo cual puede hacerse eficazmente de forma recursiva.
Este algoritmo, al igual que otros que usan el modelo de funcion de transferen-
cia, se puede implementar facilmente en forma adaptativa usando un algoritmo de
identificacion en lnea como los mnimos cuadrados recursivos.
Las bases teoricas del algoritmo GPC has sido ampliamente estudiadas y se puede
demostrar (ver [4]) que, para distintos conjuntos de parametros, el algoritmo es estable
y que otros controladores como por ejemplo el dead beat son casos incluidos en e ste.
Controladores predictivos 23
Se puede considerar que productos como el MAC-IDCOM o el DMC estan ampliamente in-
troducidos en la industria, proporcionando un buen control de sistemas multivariables
sin restricciones y constituyen la primera generacion de controladores predictivos.
Sin embargo, la gestion de restricciones es algo que todava no estaba bien resuelto
en estos productos hasta que aparecio una version de DMC denominada QDMC, ligera
variacion del algoritmo basico en el que se consideran restricciones duras y blandas de
forma sistematica. Este algoritmo se suele considerar como la segunda generacion.
Conforme la tecnologa MPC iba despertando mayor interes y aceptacion, los proble-
mas que se abordaban eran cada vez mas complejos, apareciendo nuevas problematicas
como el tratamiento de la no-factibilidad, la consideracion de modelos apropiados para
procesos inestables o la representacion de la perturbacion para la realimentacion de otra
forma mas adecuada que un valor constante. Tambien se consideraba importante la
respuesta ante fallos, de forma que el controlador fuera capaz de reconfigurarse si se
perdiera alguna senal,
o la dificultad de incluir diversos requerimientos de control en
una unica funcion objetivo.
Los productos que existen hoy da en el mercado comparten las ideas basicas de
DMC o MAC desarrollados hace m as de veinte anos y el mayor e nfasis en los ultimos
anos
se ha centrado en la consideracion de otros tipos de modelos, incluyendo modelos
no lineales, y en una mejor integracion del controlador con los equipos de control
existentes.
Algoritmos
En este tema se tratan en profundidad los dos algoritmos considerados mas represen-
tativos de las metodologas existentes en Control Predictivo. Representan a las dos
familias de controladores predictivos, una de origen claramente industrial y la otra mas
academica.
El metodo DMC se desarrollo a finales de los setenta by Cutler and Ramaker [6] de Shell
Oil Co. y ha sido aceptado ampliamente en el mundo industrial, principalmente por
las industrias petroqumicas. Actualmente DMC es algo mas que un algoritmo y parte
de su e xito se debe al hecho de que el producto comercial resuelve otros temas como
identificacion u optimizacion global de la planta. En esta seccion solo se analiza el
algoritmo standard sin abordar detalles tecnicos propios del producto de mercado que
no son de dominio publico.
Pero a pesar de este e xito en la practica, este metodo adolece quizas de la ausencia
de un analisis teorico mas completo que estudie la influencia de los parametros de
diseno (horizontes, secuencias de ponderacion) sobre la estabilidad del bucle cerrado
as como de resultados de robustez.
3.1.1 Prediccion
25
26 Dynamic Matrix Control
Xk X1
y(t + k j t) = gi 4 u(t + k ; i) + gi 4 u(t + k ; i) + ym(t) ;
i=1 i=k+1
X1 X
k
; gi 4 u(t ; i) = gi 4 u(t + k ; i) + f (t + k)
i=1 i=1
donde f (t + k ) es la respuesta libre del proceso, es decir, la parte de la respuesta que no
depende de las acciones de control futuras, y viene dada por:
1
X
f (t + k) = ym(t) + gk+i ; gi) 4 u(t ; i)
( (3:1)
i=1
X
N
f (t + k) = ym(t) + gk+i ; gi) 4 u(t ; i)
(
i=1
Notese que si el proceso no es estable, entonces no existe N y no se puede calcu-
lar f (t + k) (aunque existe una generalizacion en el caso de que la inestabilidad sea
producida por integradores puros).
y(t + 1 j t) = g1 4 u(t) + f (t + 1)
Algoritmos 27
G
Observese que esta formada por m (horizonte de control) columnas de la respuesta
ante escalon apropiadamente desplazadas hacia abajo. y^
es un vector de dimension
u
p que contiene las predicciones de la salida, representa el vector de incrementos de
f
control y es el vector de respuestas libres. Esta es la expresion que relaciona las
respuestas futuras con los incrementos en las senales
de control, por lo que usara para
calcular las acciones necesarias para conseguir el comportamiento deseado del sistema.
y^d = Dd + fd
y^
donde d es la contribucion de las perturbaciones medibles a la salida, es una matriz D
similar a G
que contiene los coeficientes de la respuesta del sistema a un escalon en
d
la perturbacion, es el vector de incrementos en la perturbacion y d es la parte de laf
respuesta que no depende de la perturbacion.
f = fu + D d + fd + fn
Por tanto la prediccion se puede expresar en la forma general
y^ = Gu + f
El objetivo del controlador DMC es llevar el proceso los mas cerca posible al setpoint
en el sentido de mnimos cuadrados con la posibilidad de incluir una penalizacion en los
movimientos de la senal de control. Por ello se seleccionan las variables manipuladas
de forma que minimicen un objetivo cuadratico que puede incluir solo los errores
futuros p X
J= y t j j t) ; w(t + j )]2
( +
j =1
o tambien el esfuerzo de control, presentando la forma generica
X
p X
m
J= y t j j t) ; w(t + j )]
( +
2
+ 4u(t + j ; 1)]2
j =1 j =1
u = (GT G + I ); GT (w ; f )
1
(3:3)
Recuerdese que, como en todas las estrategias predictivas, solo se enva al proceso
u
el primer elemento del vector (4u(t)). No es aconsejable implementar la secuencia
completa sobre los siguientes m intervalos, ya que al ser imposible estimar de forma
exacta las perturbaciones, no es posible anticiparse a las perturbaciones inevitables que
provocan que la salida real difiera de las predicciones que se emplean para calcular la
Algoritmos 29
w +
u y
K Proceso
-
f
Calculo
Resp. libre
X
N
Cyij y(t + k j t) + Cuij u(t + k ; i) + cj 0 j = 1 : : : Nc
i=1
30 Dynamic Matrix Control
P. operacion
Zona segura 1 optimo
Punto operacion 1
Restriccion
zona Punto operacion 2
segura 2
Restriccion
Figura 3.2: Punto de operacion optimo de un proceso tpico
que deben tenerse en cuenta para la minimizacion. Como se ha visto, las salidas se
pueden expresar en funcion del vector de incrementos de control a traves de la matriz
dinamica, por que las restricciones tanto en la entrada como en la salida se pueden
recoger en una desigualdad matricial de la forma Ru
, como se vera con mas c
detalle en el tema dedicado a restricciones. Ahora la minimizacion es un problema de
Programacion Cuadratica QP, cuya solucion es numerica.
Todo lo relacionado con las restricciones sera abordado con mayor grado de detalle
en el tema dedicado a ello.
El esquema previo se puede extender facilmente al caso de sistemas con varias entradas
y varias salidas. Las ecuaciones basicas se mantienen igual a excepcion de que las
matrices y vectores cambian de dimension para poder incluir todas las entradas y
salidas.
y el de senales
de control de la forma:
u = [4u (t) : : : 4u (t + m
1 1 1 ; 1) : : : 4unu(t) : : : 4unu(t + mnu ; 1)]T
teniendo en cuenta que la respuesta libre de la salida i depende tanto de valores pasados
de yi como de valores pasados de todas las senales
de control.
Algoritmos 31
2 G G G1nu 3
66 G1121 G1222 G2nu 77
G = 66 .. 77
4 . ..
.
... ..
. 5
Gny1 Gny2 Gnynu
Cada submatriz Gij contiene los coeficientes de la respuesta ante escalon i-esima
correspondiente a la entrada j-esima. El proceso de minimizacion es analogo solo que
la ponderacion tanto de los errores como de los esfuerzos de control se realiza con
matrices de peso.
El Control Predictivo Generalizado GPC fue propuesto por Clarke et al. en 1987 y se ha
convertido en uno de los metodos mas populares en el a mbito del Control Predictivo
tanto en el mundo industrial como en el academico. Se ha empleado con e xito en
numerosas aplicaciones industriales, mostrando buenas prestaciones a la vez que un
cierto grado de robustez respecto a sobreparametrizacion o retardos mal conocidos.
Puede resolver muchos problemas de control diferentes para un amplio campo de
procesos con un numero razonable de variables de diseno, que son especificadas por
el operario dependiendo del conocimiento previo del proceso y de los objetivos de
control.
La idea basica del GPC es calcular una secuencia de futuras acciones de control
de tal forma que minimice una funcion de coste multipaso. El ndice a minimizar es
una funcion cuadratica que mide por un lado la distancia entre la salida predicha del
sistema y una cierta trayectoria de referencia hasta el horizonte de prediccion, y por
otro el esfuerzo de control necesario para obtener dicha salida.
El Control Predictivo Generalizado tiene muchas ideas en comun con otros contro-
ladores predictivos previamente mencionados ya que esta basado en las mismas ideas
pero posee a su vez algunas diferencias. Como se vera mas adelante, es capaz de
proporcionar una solucion explcita (en ausencia de restricciones), puede trabajar con
procesos inestables o de fase no mnima e incorpora el concepto de horizonte de control
as como la consideracion en la funcion de coste de ponderacion de los incrementos en
las acciones de control. Las diversas posibilidades disponibles para el GPC conducen a
una gran variedad de objetivos de control comparado con otras realizaciones, algunas
de las cuales pueden ser consideradas como subconjuntos o casos lmites del GPC.
32 Control Predictivo Generalizado
La mayora de los procesos de una sola entrada y una sola salida (single-input single-
output, SISO), al ser considerados en torno a un determinado punto de trabajo y tras ser
linealizados, pueden ser descritos de la siguiente forma:
X
N 2 X
Nu
J (N1 N2 Nu) = (j )y(t + j j t) ; w(t + j )]
2
+ (j )4u(t + j ; 1)]2 (3:5)
j =N1 j =1
El objetivo es pues el calculo de la futura secuencia de control u(t), u(t + 1),... de tal
manera que la salida futura del proceso y (t + j ) permanezca proxima a w (t + j ). Esto
se logra minimizando J (N1 N2 Nu).
Algoritmos 33
Prediccion optima
Supongase que se utiliza el mismo procedimiento para obtener Ej +1 y Fj +1, es decir,
dividir 1 entre A (z ;1 ) hasta que el resto se pueda factorizar como z;(j +1) Fj +1 (z ;1 ) con
Esta claro que solamente es necesario dar un paso mas en la division para obtener
los polinomios Ej +1 y Fj +1 . Al ser Ej +1 el nuevo cociente de la division, sera igual al
cociente que haba hasta el momento (Ej ) mas un nuevo termino, que sera el fj0 pues
el divisor (A ) es monico.
Por tanto:
G = 66 .. .. .. 77
4 . ..
. . . 5
g g ::: g
2 N ;1 N ;2 z(G0 (z;1 ) ; g ) 3
d+1
66 z2 (Gd+2 (z;1 ) ; g0 ; g1z;1 )
0
77
G0(z; )
1
= 66
4 ..
.
77
5
; ;
z (G (z ) ; g0 ; g1z ; ; gN ;1z
N ;(N ; 1)
2 F (dz+;N1 ) 3
1 1
)
66 Fdd++12 (z;1 ) 77
F( z ; )
1
= 66
4 ..
.
77
5
Fd+N (z ) ; 1
Al depender los ultimos terminos de la ecuacion (3.9) solo del pasado, pueden
agruparse en f, dando lugar a:
= + y Gu f (3:10)
Observese que es la misma expresion que se obtuvo para el DMC, aunque en este
caso la respuesta libre es distinta.
donde:
h iT
w = w(t + d + 1) w(t + d + 2) w(t + d + N ) (3.12)
J = 12 uT Hu + bu + f0 (3:13)
donde:
H = GG I
2( T + )
b = f w G
2( ; )T
f0 = f w f w)
T
( ; ) ( ;
u = ;H; bT1
(3:14)
Debido al uso de la estrategia deslizante, solo se aplica realmente el primer elemento del
vector u, repitiendo de nuevo el mismo procedimiento al siguiente instante de muestreo.
La solucion propuesta involucra la inversion (o al menos la triangularizacion) de una
matriz de dimension N N , lo cual conlleva una gran carga de calculo. El concepto ya
usado en otros metodos de horizonte de control se emplea con la finalidad de reducir
la cantidad de calculo, asumiendo que las senales
de control permaneceran en un valor
constante a partir del intervalo Nu < N . Por tanto la dimension de la matriz que hay
que invertir queda reducida a Nu Nu, quedando la carga de calculo reducida (en el
caso lmite de Nu = 1, se reduce al caso escalar) aunque restringiendo la optimalidad.
2 3
0:133 0:286 0:147
;1 T 6
(G G + I) G = 4 ;0:154 ;0:165 0:286 5
T 7
;0:029 ;0:154 0:1334
Como solo se necesita el valor de 4u(t) para los calculos, solo se emplea realmente la
primera fila de la matriz, con lo que resulta la siguiente expresion para la ley de control:
Al igual que en el DMC todo lo visto para el caso de sistemas con una sola entrada y
una sola salida se puede extender al caso multivariable, aunque los calculos son mas
complejos.
A(z; )1
Inn + A1 z;1 + A2z;2 + + Ana z;na
=
B(z; )
1
= B0 + B1 z
;1 + B2z;2 + + Bnb z;nb
C(z; )
1
= Inn + C1 z
;1 + C2z;2 + + Cnc z;nc
Las variablesy (t), u(t) y e(t) son de dimension n 1, m 1 y n 1 respectivamente.
La prediccion conlleva la resolucion de una ecuacion diofantina matricial, que tambien
puede calcularse de forma recursiva.
X
N 2 X
N 3
En la practica todos los procesos estan sujetos a restricciones. Los actuadores tienen
un campo limitado de accion impuesto por lmites fsicos (por ejemplo una valvula no
puede abrir mas de un 100 % o un calentador no puede aportar mas de su potencia
maxima. Tambien existen lmites de seguridad (por ejemplo presiones o temperaturas
maximas), requerimientos tecnologicos (por ejemplo mantener temperaturas en un
rango dado), limitaciones de calidad del producto (no salirse de cierta zona) o normativa
medioambiental.
41
42 Restricciones en Control Predictivo
P
Pmax
P1
P2
t Q1 Q2 Q
Figura 4.1: Restricciones y punto de operacion optimo
se calculan. Esta forma de proceder no garantiza el caracter optimo de la solucion y en
ningun caso garantiza el cumplimiento de las restricciones en la salida. La violacion de
los lmites de las variables controladas puede ser mas costoso y peligroso, produciendo
danos
en equipos y perdidas en la produccion.
En la actualidad el MPC es la unica metodologa capaz de incorporar las restricciones
de forma sistematica en la fase de diseno del controlador, siendo esta caracterstica una
de las razones de su gran e xito en la industria. Parece logico que al disponer de un
modelo dinamico del proceso se pueda conocer la evolucion futura de su salida y por
tanto se pueda saber si e sta va a violar o no las restricciones y actuar en consecuencia.
Para formular el algoritmo MPC con restricciones hay que expresar e stas en funcion
de la variable sobre la que se puede actuar, es decir, en funcion de u. Las restricciones
en la entrada estan ya expresadas en funcion de u y para las restricciones en la salida
se hace uso de las ecuaciones de prediccion que expresan el valor futuro de las salidas
Restricciones en Control Predictivo 43
u(t+1) u(t+1)
u max u max
uc u uc u
a) b)
U u(t) U 8t
u u(t) ; u(t ; 1) u 8t
y y(t) y 8t
siendo
2 I 3 2 l u 3
66 ;INNNN
77 66 7
66 T 77 66 l U ;;lul (ut ; 1) 777
R = 66 ;T 77 c = 66 7
66 77 66 ;l U + lu(t ; 1) 777
4 G 5 4 ly;f 5
;G ;l y + f
Restricciones duras como aquellas que no se pueden violar bajo ningun concepto.
En este grupo se incluyen las restricciones relacionadas con la operacion segura
del proceso.
Restricciones blandas, que son aquellas que pueden ser violadas en un momento
dado por no ser cruciales, pero la violacion se penaliza en la funcion objetivo
como un termino mas. Es una forma de relajar la restriccion.
del problema
4.3 Resolucion
u)
minimizar J (
Ru c
sujeto a
Resulta evidente que la carga de calculo sera considerable, ya que hay que encontrar
la solucion resolviendo el algoritmo iterativo en cada periodo de muestreo. Normal-
mente el esfuerzo esta justificado por el beneficio economico obtenido al trabajar mas
cerca del punto de operacion optimo.
Restricciones en Control Predictivo 45
En los ultimos anos
se ha trabajado mucho sobre la estabilidad en estas circuns-
tancias, proponiendose soluciones basadas en la teora de Lyapunov. La idea basica
consiste en que la funcion de coste cuando el horizonte es infinito es monotona decre-
ciente (si existe solucion factible) y se puede interpretar como funcion de Lyapunov
que garantiza por tanto la estabilidad. Sin embargo, como la solucion tiene que ser
numerica, el numero de variables de decision tiene que ser finito, por lo que se han pro-
puesto dos ideas. En la primera, se descompone la funcion objetivo en dos partes: una
con horizonte finito y restricciones y otra con horizonte infinito y sin restricciones. La
segunda idea es en esencia equivalente y consiste en imponer restricciones terminales
al estado y usar un horizonte infinito.
En cualquier caso es un tema muy abierto, sobre todo si se quieren considerar las
incertidumbres en el modelo y los temas asociados con la factiblidad.
de restricciones
4.4 Gestion
operacion normal pueden producir problemas bajo ciertas circunstancias. Puede que
una perturbacion o cambio de referencia grande fuerce a una variable fuera de su lmite
y sea imposible introducirla de nuevo en su zona permitida con senales
de control de
energa limitada. En estos casos las restricciones se hacen temporalmente incompati-
bles.
Las soluciones no factibles aparecen con mayor frecuencia en casos en que el optimo
se encuentre cerca de las restricciones y el sistema este sujeto a perturbaciones, llevando
a la salida a "regiones prohibidas".
4.4.1
Tecnicas de busqueda de soluciones factibles
Limites de operacion: son fijados por los operarios para mantener las condiciones
nominales de funcionamiento. Se pueden sobrepasar bajo ciertas circunstancias
Limites reales: son los que usa el algoritmo de control en cada instante. Son los
que proporciona el gestor de restricciones, quien debe calcularlos de forma que
nunca superen los limites fsicos.
Es decir, el gestor de restricciones calculara los lmites reales (los que se envan al
algoritmo QP) en base a los lmites de operacion pero sin salirse nunca de los lmites
fsicos, segun se observa en la figura 4.3.
2. Eliminacion de restricciones.
de restricciones.
3. Relajacion
4. Otras tecnicas.
Restricciones en Control Predictivo 47
Lmites fsicos
Restricciones reales
Lmites de operacin
Eliminacion de restricciones
Eliminacion jerarquica En este caso solo se eliminan las restricciones que provocan
problemas de incompatibilidad. En este metodo se asigna en la etapa de diseno una
prioridad a cada restriccion, que da un grado de importancia relativa de dicha res-
triccion frente a las otras. Esta prioridad se usara para clasificar las restricciones de una
forma jerarquica (se asigna un numero que indica su posicion en la jerarqua). De este
modo, cada vez que haya problemas de factibilidad o existencia de solucion el gestor
de restricciones va eliminando por orden las restricciones menos prioritarias hasta que
se restablece la factibilidad de la solucion, que se chequea cada periodo de muestreo
para reinsertar restricciones que hubieran sido temporalmente eliminadas.
Relajacion de restricciones
Otras tecnicas
Existen tecnicas que se basan en la manipulacion del horizonte mnimo de las restriccio-
nes. Algunos controladores industriales como el QDMC usan el concepto de constraint
Restricciones en Control Predictivo 49
Este tema esta dedicado a dos areas de especial interes: la consideracion de funciones
objetivos multicriterio y un campo que esta empezando a tener gran relevancia en la
practica como es el Control Predictivo No lineal.
Las estrategias que se han considerado hasta ahora estan basadas en la minimizacion
de una funcion de coste de un unico objetivo para la obtencion de la mejor secuencia
de acciones de control. Sin embargo, en muchas situaciones el comportamiento del
proceso no se puede medir con una sola funcion objetivo sino que, la mayora de las
veces, existen diversos (y a menudo contrapuestos) objetivos de control. Las razones
de la existencia de diversos objetivos de control pueden ser:
Los procesos deben operar de forma diferente en distintos momentos. Por ejem-
plo, durante la fase de arranque puede interesar una estrategia de tiempo mnimo
y en el regimen nominal el objetivo puede ser reducir en lo posible la varianza de
las variables controladas.
51
52 Multiobjetivo. Jerarqua de objetivos
Notese que ahora la funcion objetivo no es cuadratica y por tanto no se puede
emplear para su minimizacion un algoritmo de programacion cuadratica, aunque se
puede transformar en uno de este tipo anadiendo
unas variables de holgura h (j ) y
l (j ):
y(t + j ) yh + h (j )
y(t + j ) yl ; h (j )
La secuencia optima de control se obtiene con la minimizacion de
XN2
J = (h(j )2 + l (j )2)
j =N1
con la condicion de que las variables de holgura sean no negativas (y el resto de las
restricciones si las hubiera). En definitiva lo que se ha hecho es transformar el problema
en un QP con mas restricciones y variables.
En muchas ocasiones todos los objetivos de control se pueden agrupar en una sola
funcion de coste. Algunos de los objetivos pueden ser mantener las variables lo mas
cerca posible de los setpoints o dentro de unas determinadas regiones de operacion.
Cada uno de estos objetivos equivale a minimizar una cierta funcion Ji (sujeta a una serie
de restricciones). Entonces la secuencia de control se puede obtener de la minimizacion
de: mX
J= i Ji
i=1
sujeta a todo el conjunto de restricciones. La importancia relativa de cada objetivo se
puede ponderar mediante la adecuada eleccion de los i , aunque en la practica es difcil
encontrar estos pesos. Ademas, muchas veces los objetivos de control son cualitativos,
mas difcil.
haciendo la tarea aun
Tendencias actuales y nuevas perspectivas 53
Tyler y Morari [20] proponen una forma de introducir multiples objetivos jerarqui-
zados. Considerese un proceso con m objetivos Oi jerarquizados (el Oi+1 tiene mayor
prioridad que el Oi) que se pueden expresar como:
Riu ai
La idea consiste en introducir variables enteras Li que toman valor 1 cuando se satisface
el correspondiente objetivo de control y cero en caso contrario. Los objetivos se expresan
entonces como:
el numero de objetivos satisfechos (Li = 1) antes de intentar reducir f () porque la
funcion objetivo global se puede hacer mas pequena incrementando el numero de
variables Li distintas de cero que reduciendo la funcion de penalizacion. Como todos
los objetivos Oi estan satisfechos para i < f , las restricciones (5.2) tambien se satisfacen.
Como Of es el primero que falla:
i;1
X
Li = f ; 1 para i f
i=1
Es decir, el termino que multiplica a Ki es cero para i = f mientras que para ndices
mayores es mayor que uno. Esto implica que todas las restricciones se satisfaran para
i > f . La unica
Ru a
restriccion activa es f f + .
En los ultimos anos
el Control Predictivo Basado en Modelo se ha convertido en la
estrategia de control preferida para una gran cantidad de procesos industriales. Los
esquemas de MPC lineal, es decir, los vistos hasta ahora en los que la prediccion esta
basada en un modelo lineal del proceso, se usan de forma rutinaria como una opcion
de control mas a tener en cuenta en ciertos sectores de la industria y se puede decir que
sus fundamentos teoricos estan suficientemente estudiados.
No hay nada en los conceptos basicos de MPC contra el uso de modelos no lineales,
por tanto la extension de tales conceptos a procesos no lineales es en principio sencilla.
Sin embargo, como se vera seguidamente esto no es un asunto trivial y aun hay muchos
temas abiertos como:
Sin embargo, existen situaciones en las que los efectos no lineales justifican el uso
de la tecnologa NMPC. Estas situaciones entran dentro de las dos categoras siguientes:
En estas situaciones una ley de control lineal puede no ser efectiva siendo necesario
el empleo de un controlador no lineal para mejorar el comportamiento o simplemente
para una operacion estable del proceso. Es por tanto en este caso donde se puede
justificar el empleo de tecnicas de NMPC. Aunque en la actualidad el numero de
aplicaciones es aun reducido, el potencial es considerable, como se desprende del
informe de Qin y Badgwell [17], donde se observa que MPC no ha penetrado aun en
campos donde las no linealidades son fuertes y el mercado exige frecuentes cambios
del punto de operacion; es aqu donde se espera el auge del NMPC.
56 Control predictivo no lineal
Resulta evidente que la principal ventaja del NMPC frente al MPC radica en la posibilidad
de abordar dinamicas no lineales. A medida que aparecen nuevas herramientas que
hacen posible la obtencion y representacion de modelos no lineales, bien a partir de
primeros principios (leyes de conservacion) o bien a partir de datos experimentales
(modelos de Volterra o redes neuronales) el interes por su utilizacion en NMPC se va
acrecentando.
Se puede definir un algoritmo generico NMPC que englobe a todas las tecnicas que
comparten las mismas ideas. El proceso (en general multivariable) se puede describir
por un modelo en el espacio de estados de la forma:
Igual que en caso lineal, la solucion del problema es una secuencia de acciones de
control de las cuales solo la primera de ellas es enviada a la planta, desechando el resto
y volviendo a la resolver el problema en el siguiente periodo de muestreo.
La resolucion del NMPC plantea nuevos problemas que no existan en el caso lineal
relacionados por un lado con la metodologa de calculo de la senal
de control y por
otro con el comportamiento dinamico del bucle cerrado, basicamente su estabilidad.
58 Control predictivo no lineal
Resolucion
Estabilidad de la solucion
1. Horizonte infinito
Existe una solucion propuesta por Meadows et al. ([13]) que consiste en ampliar
los horizontes de control y de prediccion hasta el infinito, P M ! 1. En este caso la
funcion objetivo tambien sirve como funcion de Lyapunov, dando lugar a la estabilidad
nominal. En el artculo citado se demuestra que si existe solucion inicial factible
entonces existe solucion en cada periodo de muestreo posterior.
2. Restriccion terminal
Otra solucion al problema, propuesta por Keerthi y Gilbert ([8]) consiste en anadir
una restriccion terminal al estado en el algoritmo NMPC de la forma:
x(k + P ) = xs
Con la imposicion de esta restriccion, la funcion objetivo se convierte en una funcion
de Lyapunov para el sistema en bucle cerrado, conduciendo a la estabilidad nominal.
Con la introduccion de esta restriccion el estado al final del horizonte finito es cero y
por tanto tambien lo sera la senal
de control, con lo que el sistema (sin perturbaciones)
se queda para siempre en el origen. De esta forma es como si el horizonte de prediccion
fuera infinito.
3. Control dual
x t P ) ; xs ) 2 W
( ( +
Si el estado actual se encuentra fuera de esta region se usa el algoritmo NMPC con la
restriccion anterior. Una vez que el estado se encuentra en W , el control conmuta a una
estrategia lineal determinada previamente (estrategia del tipo dual-mode controller).
Este metodo conlleva por tanto la gestion de la conmutacion entre los dos controla-
dores y la determinacion de la region W y de la matriz de ganancia de la realimentacion
del vector de estados (una forma de hacerlo se puede encontrar en el artculo citado).
4. Horizonte casi-infinito
controlador estabilizante, pero solo para el calculo del coste terminal. La senal
de
control se determina resolviendo el problema de optimizacion en lnea (con horizonte
finito) sin conmutar al controlador lineal incluso dentro de la region terminal.
Robustez
lo es el de
Si el estudio de la estabilidad en NMPC resulta de por s complicado, mas aun
la robustez, es decir, la estabilidad cuando existen errores de modelado. Los resultados
de estabilidad de la seccion anterior son validos solo en el caso de que el modelo del
proceso sea perfecto. Resulta evidente que esto nunca va a ser cierto en la practica, por
lo que es necesario alguna forma de afrontar la existencia de incertidumbres.
5.2.4 Modelos
Estos resultados teoricos proporcionan una base para poner en marcha un NMPC, aun-
que en la practica existen muchos temas abiertos, principalmente en lo referente a la
definicion e identificacion del modelo y al desarrollo de metodos de resolucion fiables.
Se puede usar un modelo formado por la combinacion de una ecuacion de estado lineal
con una relacion no lineal de salida:
Modelos de entrada/salida
ys = hs(us)
Tendencias actuales y nuevas perspectivas 63
La identificacion del modelo lineal se lleva a cabo mediante ensayos ante escalon
mientras que a partir de datos historicos se obtiene la representacion de la relacion no
lineal por medio de una red de neuronas. Como el modelo dinamico tiene una ganancia
fija que en general sera distinta de la del modelo no lineal, la ganancia del submodelo
lineal se escala hasta ser igual a la ganancia local no lineal para la entrada actual:
dys j
Ks = du u(t)
s
Esto se consigue reescalando los coeficientes bi .
Para usar este modelo, un programa de optimizacion no lineal calcula los mejores
valores de entrada y salida ufs , ysf a partir del modelo estatico. Durante el calculo
dinamico del controlador, la ganancia estatica no lineal se aproxima por una interpo-
lineal de las ganancias inicial y final:
lacion
X
n
y(t) = aiy(t ; i) + biu(t ; i) + giu2(t ; i) (5 :5)
i=1
Se puede observar que los valores en estado estacionario se calculan a partir del
modelo estatico no lineal, mientras que los movimientos dinamicos de control estan
basados en el modelo cuadratico de la ecuacion (5.5). Sin embargo, los coeficientes del
modelo cuadratico (la ganancia local) cambian de un periodo de muestro a otro, ya son
reescalados para ajustarse a la ganancia local del modelo no lineal. Esta estrategia se
puede interpretar como una sucesiva linealizacion de los estados inicial y final seguida
por una interpolacion lineal de las ganancias linealizadas, en una formulacion similar
al gain-scheduling, pero con un modelo global diferente debido el reescalado de la
ganancia.
64 Control predictivo no lineal
Se han propuesto diversas soluciones para intentar resolver los problemas que se
han visto, como por ejemplo en [1], donde la prediccion de la salida del proceso
se hace mediante la adicion de la respuesta libre (la respuesta futura que se obtiene
si la entrada se mantiene en un valor constante durante los horizontes de control y
prediccion) obtenida de un modelo no lineal de la planta, y la respuesta forzada (la
debida a los movimiento de control futuros), calculada con un modelo incremental de
la planta. Las predicciones obtenidas de esta manera son solo una aproximacion ya
que el principio de superposicion, que permite la descomposicion mencionada, solo
es valido para sistemas lineales. Sin embargo, la aproximacion que se obtiene de esta
forma se comporta mejor que cuando se usa un modelo linealizado del proceso para
obtener ambas respuestas.
Existe una forma de resolver este problema, propuesta en [9] para el EPSAC. La idea
basica es considerar la secuencia de senales
de control como la suma de una secuencia
de control base (ub (t + j )) y una secuencia de incrementos de la variable manipulada
(ui (t + j )). Es decir:
Las condiciones iniciales para la secuencia de control base se pueden hacer inicial-
mente iguales a la ultima senal
de control que se ha aplicado al proceso. Observese que
esto corresponde al calculo de la respuesta libre en el MPC. Se puede probar con una
secuencia inicial mejor haciendo la secuencia base igual a la optima que se obtuvo en
el ultimo periodo de muestreo (con el desplazamiento temporal correspondiente).
Las condiciones de convergencia del algoritmo son muy difciles de obtener ya que
dependen de la severidad de la caracterstica no lineal del proceso, de las entradas y
salidas pasadas, de las referencias futuras y de las perturbaciones.
Es decir, incluso en los casos en que el modelo pueda ser linealizado mediante
transformaciones adecuadas, el problema se transforma de minimizar una funcion no
lineal (no cuadratica) con restricciones lineales en minimizar una funcion cuadratica
con restricciones no lineales.
La mayora de los productos (ver tabla 5.1) solo permiten matrices de peso cons-
tantes en todo el horizonte y solo el NOVA-NLC trabaja con norma 1. Por su parte, el
la salida pero con una matriz de peso que se incrementa
Process Perfecter minimiza solo
gradualmente con el horizonte, dando por tanto mas importancia a los errores mas
lejanos y en consecuencia dando lugar a una accion de control mas suave.
Tabla 5.1: EE: espacio de estados no lineal. PP: primeros principios. E/S: en-
trada/salida. PNE: polinomio no lineal estatico. RN: red neuronal. N1: norma 1.
S: saturacion. BS: blandas (mnimo y maximo) en la salida. DS: duras en las salidas.
DE: duras en las entradas. FB: funciones base. UM: unico movimiento. MM: multiples
movimientos. NLS: mnimos cuadrados no lineales. GRG: Generalized Reduced Gra-
dient. MINLP: Mixed Integer Nonlinear Programming. GD: Gradient descent.
una restriccion dura en forma de embudo, de manera que se da mas libertad a la salida
al comienzo del horizonte que al final.
Una idea introducida en el PFC y adoptada por Aspen Target es el uso de puntos de
coincidencia, en los cuales deben coincidir la salida y la trayectoria de referencia. Esta
cuando las salidas responden con distinta velocidad y se pueden
idea puede ser util
definir distintos puntos de coincidencia para cada una de ellas.
Modelado: los modelos no lineales son mas complejos que los lineales, pero
ademas el proceso de identificacion es mucho mas difcil. Se necesita una gran
batera de ensayos para capturar las no-linealidades del proceso, resultando en
un perodo de pruebas considerable. Por tanto, la forma de disponer de una
representacion correcta de la dinamica del proceso es un problema que no esta
completamente resuelto.
Otros temas: temas que son aplicables al Control Predictivo en general, funcio-
nes objetivos multicriterio, sintonizacion de parametros, mal condicionamiento o
tolerancia a fallos.
[1] E.F. Camacho, M. Berenguel y F.R. Rubio. Advanced Control of Solar Power Plants.
Springer-Verlag, London, 1997.
[2] E.F. Camacho y C. Bordons. Model Predictive Control. Springer-Verlag, 1999.
[3] H. Chen y F. Allgower. A quasi-infinite horizon nonlinear predictive control
scheme with guaranteed stability. Automatica, 34(10):12051218, 1998.
[4] D.W. Clarke y C. Mohtadi. Properties of Generalized Predictive Control. Automa-
tica, 25(6):859875, 1989.
[5] D.W. Clarke, C. Mohtadi y P.S. Tuffs. Generalized Predictive Control. Part I. The
Basic Algorithm. Automatica, 23(2):137148, 1987.
[6] C.R. Cutler y B.C. Ramaker. Dynamic Matrix Control- A Computer Control Algo-
rithm. En Automatic Control Conference, San Francisco, 1980.
[7] C.E. Garca, D.M. Prett y M. Morari. Model Predictive Control: Theory and
Practice-a Survey. Automatica, 25(3):335348, 1989.
[8] S.S. Keerthi y E.G. Gilbert. Optimal infinite-horizon feedback laws for a general
class of constrained discrete-time systems: Stability and moving-horizon appro-
ximations. J. Optim. Theory Appl., 57(2):265293, 1988.
[9] R. De Keyser. A Gentle Introduction to Model Based Predictive Control. En
PADI2 International Conference on Control Engineering and Signal Processing, Piura,
Peru, 1998.
[10] R.M.C. De Keyser, Ph.G.A. Van de Velde y F.G.A. Dumortier. A Comparative Study
of Self-adaptive Long-range Predictive Control Methods. Automatica, 24(2):149
163, 1988.
[11] K. Kramer y H. Ubehauen. Predictive Adaptive Control. Comparison of Main
Algorithms. En Proceedings 1st European Control Conference, Grenoble, paginas 327
332, julio 1991.
[12] A.G. Kutnetsov y D.W. Clarke. Advances in Model-Based Predictive Control, captulo
Application of constrained GPC for improving performance of controlled plants.
Oxford University Press, 1994.
69
70 Bibliografa
[13] E.S. Meadows, M.A. Henson, J.W. Eaton y J. Rawlings. Receding horizon control
and discontinuous state feedback stabilization. Int. Journal Control, paginas 1217
1229, 1995.
[15] N.M.C. Oliveira y L.T. Biegler. An extension of newton-type algorithms for non-
linear process control. Automatica, 31:281286, 1995.
[16] S.J. Qin y T.A. Badgwell. An Overview of Industrial Model Predictive Control
Technology. In Chemical Process Control: Assessment and New Directions for
Research. En AIChE Symposium Series 316, 93. Jeffrey C. Kantor, Carlos E. Garcia and
Brice Carnahan Eds. 232-256, 1997.
[17] S.J. Qin y Thomas A. Badgwell. An overview of nonlinear model predictive control
applications. En IFAC Workshop on Nonlinear Model Predictive Control. Assessment
and Future Directions. Ascona (Switzerland), 1998.
[19] H. Takatsu, T. Itoh y M. Araki. Future needs for the control theory in industries.
report and topics of the control technology survey in japanese indsutry. Journal of
Process Control, 8:369374, 1998.
[20] M.L. Tyler y M. Morari. Propositional Logic in Control and Monitoring Problems.
Technical Report AUT96-15, Institut fur Automatik, ETH- Swiss Federal Institute of
Technology, Zurich, Switzerland, 1996.
[21] B.E. Ydstie. Extended Horizon Adaptive Control. En Proc. 9th IFAC World Congress,
Budapest, Hungary, 1984.