Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DE PROCESOS
Índice
1 −4s
P (s ) = e
s +1
Ziegler-Nichols
! 1 " Solución:
PID(s ) = 0.3 # 1 + + 2s $
% 8s & Predictor de Smith (PS)
Compensación del retardo
Predictor de Smith: Principio de funcionamiento
Compensación del retardo
Predictor de Smith: Principio de funcionamiento
Compensación del retardo
Predictor de Smith: Principio de funcionamiento
C0
C=
1 + C0 (P̂0 P̂ )
C0 P
Gyysp =
1 + C0 (P̂0 P̂ ) + C0 P
Compensación del retardo
Predictor de Smith: Principio de funcionamiento
C0
C=
1 + C0 (P̂0 P̂ )
C0 P
Gyysp =
1 + C0 (P̂0 P̂ ) + C0 P
U = C0 (E P̂0 (1 e Ls
)U )
Predicción del efecto del control en la salida en intervalo (t-L,t)
Compensación del retardo
Predictor de Smith: Principio de funcionamiento
Compensación del retardo
Predictor de Smith: Principio de funcionamiento
Se puede interpretar como una conexión en cascada
de un controlador convencional C0 y un bloque con:
Se diseña para el
sistema sin retardo
Compensación del retardo
Predictor de Smith: Ejemplo
1. PID para sistema con retardo
! !
PID(s ) = 0.3 # 1 +
1 "
+ 2s $
! % 8s &
2. SP + PID para sistema con retardo
3. SP + PI para sistema sin retardo
1
PI (s ) = 1 +
s
1 −4s
P (s ) = e
s +1
Compensación del retardo
Predictor de Smith: Ejemplo
!
Si la perturbación ocurre en un instante t=0,
la respuesta del sistema en intervalo 0 ≤ t < L
es la misma que en lazo abierto.
Compensación del retardo
Predictor de Smith: Análisis
1) P(s) estable con ganancia estática K y C0(s) con acción
integral (ganancia integral, ki):
!
!
à
!
!
no existe error en régimen permanente para cambios en escalón en
las perturbaciones de carga
Compensación del retardo
Predictor de Smith: Análisis
2) P(s) con polo en el origen ( )y :
dL 1
dm = max < max
L !L|T |
Compensación del retardo
Predictor de Smith: Análisis - Margen de retardo
K P 1
P (s) = e sL
<
1 + sT P |T |
ln P = ln K ln(1 + sT ) sL
dP dK s dP dL
= dT sdL ' !L
P K 1 + sT P L
dK sT dT dL
= sL dL 1
K 1 + sT T L <
L !L|T |
dL 1
dm = max < max
L !L|T |
Compensación del retardo
A continuación nos vamos a centrar en algunas
modificaciones del PS:
¤ Predictor PPI à simplificación del PS para sistemas de
1er orden con retardo (L) >> constante de tiempo (T)
¤ Predictor para procesos integradores à modificación
del SP para resolver sus inconvenientes:
■ No puede utilizarse con procesos inestables, y
■ Posee error en régimen permanente frente a perturbaciones
de carga para procesos con integración
Compensación del retardo
Predictor PPI:
P̂0
Compensación del retardo
Predictor PPI:
Kp 1 + sTi
C0 (s) = ,
Ti s
T
T i = T ; Kp =
Tcl K
Tcl es el tiempo de
respuesta deseado del
sistema en lazo cerrado.
P̂0 Compromiso entre:
▪Robustez à Tcl /L
▪Rapidez à inverso a
Tcl
Compensación del retardo
Predictor PPI:
P̂0
C0 (s)
C(s) =
1 + C0 (s)(P̂0 (s) P̂ (s))
C0 (s)
=
1 + C0 (s)P̂0 (s)(1 e sL )
1 + sT 1
=
KTcl s 1 + sT1cl (1 e sL )
Compensación del retardo
Predictor PPI:
P̂0
C0 (s)
C(s) =
1 + C0 (s)(P̂0 (s) P̂ (s))
C0 (s)
=
1 + C0 (s)P̂0 (s)(1 e sL )
1 + sT 1
=
KTcl s 1 + sT1cl (1 e sL )
Compensación del retardo
Predictor PPI:
P̂0
C0 (s)
C(s) =
1 + C0 (s)(P̂0 (s) P̂ (s))
C0 (s)
=
1 + C0 (s)P̂0 (s)(1 e sL )
1 + sT 1
=
KTcl s 1 + sT1cl (1 e sL )
Compensación del retardo
Predictor PPI:
Compensación del retardo
Predictor PPI vs predictor de Smith: Ejemplo
PPI con Tcl = 0.5
1. Estructura SP
ref
SP
1 PPI
0.8
0.6
T (ºC)
0.4
1. Estructura SP 0
0 5 10 15 20 25 30 35 40 45 50
Tiempo (s)
Estimación de perturbación
Compensación del retardo
Predictor para procesos integradores:
Compensación del retardo
Predictor para procesos integradores:
1 0
Compensación del retardo
Predictor para procesos integradores:
1.4
ref
SP
1.2 SPI
0.8
T (C)
0.6
0.4
0.2
0
0 10 20 30 40 50
Tiempo (s)
Índice
MPC
Estrategia de control multivariable que utiliza:
un modelo dinámico del proceso
la historia de los pasados cambios en el control y
la optimización de una función de coste, J, sobre un
horizonte de predicción en retroceso
para calcular los cambios de control óptimos.
Control predictivo basado en modelo
MPC
Estrategia de control multivariable que utiliza:
un modelo dinámico del proceso
la historia de los pasados cambios en el control
y
la optimización de una función de coste, J,
sobre un horizonte de predicción en retroceso
para calcular los cambios de control óptimos.
N
X N
X
J= i (ri xi )2 + ⇢i u2i
i=1 i=1
Control predictivo basado en modelo
min
!
!
(pueden existir restricciones sobre las entradas y las salidas del proceso
y sobre el incremento de la señal de control)
!
!
Aplicación de u(t) y repetición del procedimiento en cada muestreo
!
▪ Resolviendo la ecuación para :
!
PI
!
Control predictivo basado en modelo
Ejemplo 2: sistema de primer orden con retardo
!
!
!
▪ Trayectoria
deseada:
!
▪ Suponiendo
!
▪ Igualando con :
min
Control predictivo basado en modelo
K
P (s) = e Ls
; K = 1; T = 10; L = 4.
1 + Ts
1
Gyysp (s) = e 4s
1 + Tcl s
L h h
h= ; Tcl ; b=1 ; a=1 ;
n Tcl T
(1 b)(1 aq 1
) u
C(q 1
)= =
K(1 a)(1 bq 1 (1 b)q (n+1) ) e
Control predictivo basado en modelo
K
P (s) = e Ls
; K = 1; T = 10; L = 4.
1 + Ts
1
Gyysp (s) = e 4s
1 + Tcl s
L h h
h= ; Tcl ; b=1 ; a=1 ;
n Tcl T
(1 b)(1 aq 1
) u
C(q 1
)= =
K(1 a)(1 bq 1 (1 b)q (n+1) ) e
Control predictivo basado en modelo
K
P (s) = e Ls
; K = 1; T = 10; L = 4.
1 + Ts
1
Gyysp (s) = e 4s
1 + Tcl s
L h h
h= ; Tcl ; b=1 ; a=1 ;
n Tcl T
(1 b)(1 aq 1
) u
C(q 1
)= =
K(1 a)(1 bq 1 (1 b)q (n+1) ) e
Control predictivo basado en modelo
K
P (s) = e Ls
; K = 1; T = 10; L = 4.
1 + Ts
1
Gyysp (s) = e 4s
1 + Tcl s
L h h
h= ; Tcl ; b=1 ; a=1 ;
n Tcl T
(1 b)(1 aq 1
) u
C(q 1
)= =
K(1 a)(1 bq 1 (1 b)q (n+1) ) e
Control predictivo basado en modelo
Control de matriz dinámica (DMC):
!
▪ Modelo como respuesta impulsional:
! !
!!Función de coste:
▪
!!
!!
!!
!!
!!
!
▪ Inconveniente: puede ser necesario un gran nº de parámetros si la dinámica del proceso es muy lenta.
▪ Generalizado a control cuadrático de matriz dinámica (QDMC): puede incluir restricciones sobre la
señal de control.
!
!
Control predictivo basado en modelo
Estrategia:
1. Predicción
2. Optimización online
3. Implementación horizonte en retroceso
Control predictivo basado en modelo
Estrategia:
1. Predicción
2. Optimización online
3. Implementación horizonte en retroceso
1. Predicción
• Modelo de la planta: xk+1 = f (xk , uk )
• Simulación:
– Secuencia entradas futuras: uk = [uk|k uk+1|k · · · uk+N 1|k ]
T
N
X N
X
2. Optimización J= i (ri xi )2 + ⇢i u2i
i=1 i=1
PN
• Función de coste: Jk = i=0 gi (xk+i|k , uk+i|k )
3. Implementación
• Usar primer elemento de u⇤k : entrada de la planta: uk = u⇤k|k
• Repetir pasos 1–3 en siguiente periodo de muestreo
Control predictivo basado en modelo
1. Predicción
• Modelo de la planta: xk+1 = f (xk , uk )
• Simulación:
– Secuencia entradas futuras: uk = [uk|k uk+1|k · · · uk+N 1|k ]
T
Desventajas
• Requiere optimización online: coste computacional
Control predictivo basado en modelo
Control predictivo basado en modelo
Control predictivo basado en modelo
Control predictivo basado en modelo
Índice
✓r ⇣✏⌘ ◆
4d ✏
N (A) = 1 j
⇡A A A
Control adaptativo
✓r ⇣✏⌘ ◆
4d ✏
N (A) = 1 j
⇡A A A
Condición de oscilación:
G(j!) = N (A)1
Distribución
obtenida
Control adaptativo
3) Cálculo valores óptimos de beta (mediante simulaciones)
βmax = f(τnet) mediante el criterio de Nyquist
J = 0.35 J 1 + 0.65 J 2
J 1 : sobreimpulso
!0.8tr si tr > tr0
J2 = "
$0.2tr si tr ≤ tr0
0.8
0.6
y / ym
0.4
0.2
−0.2
0 10 20 30 40 50
Tiempo (s)
Índice
1
C1(s ) = 1 + ,
s
! 0
"
C2 (s ) = K p 2 = #0.8
"1.6
$
Control multivariable
¤ La razón de las ganancias estáticas del lazo 1 cuando el segundo
lazo está abierto y cuando el segundo lazo está cerrado es:
p11(0)p22 (0)
λ=
! p11(0)p22 (0) − p12 (0)p21(0)
¤ La matriz de ganancias relativas: # λ 1− λ $
Λ=&
(1 − λ λ ')
2
C1(s ) = C2 (s ) = 2 +
s
El sistema se hace
inestable si Kp = 3!!!
Control multivariable
Desacoplo: eliminar o reducir las interacciones de cada
variable de entrada con las variables de salida distintas
de la que controla.
!
! "d d12 # 1 " p22 (0) − p12 (0)#
D = $ 11 % = G −1
(0) = $ %
! &d 21 d 22 ' G(0) & − p21(0) p11(0) '
!
! Y (s ) = 0 Y (s ) = 0
2 1
! U (s )
1
'
2
'
U (s ) q (s ) =
p (0)p (0) − p (0)p (0)
11 22 12 21
11
FdT del sistema G(0)
p12 (0)p11(0) − p12 (0)p11(0)
desacoplado ! q (s ) q12 (s ) "
q12 (s ) =
G(0)
Q(s ) = P (s )D = # 11 $ p21(0)p22 (0) − p21(0)p22 (0)
%q21(s ) q22 (s )& q21(s ) =
G(0)
Desarrollo en serie de Taylor
! " 1 κ12s # q22 (s ) =
p22 (0)p11(0) − p21(0)p12 (0)
Q( s ) ≈ % G(0)
para pequeños |s| 'κ 21s 1 &(
Control multivariable
¤ Continuando con el ejemplo anterior:
−1
"1 2 / 3 # " 3 −2#
D = G−1(0) = $ % = $ −3 3 % Desarrollo en serie de
&1 1 ' & ' Taylor para pequeños |s|
" 3(1 − s ) 4s #
$ (s + 1)(s + 3) (s + 1)(s + 3) % "1 − 7s / 3 4s / 3 #
Q(s ) = P (s )D = $ %≈$
$ 1 % ' 0 1 − s %(
$' 0 %(
s +1