Proyecto final: Control mediante MBPC 01/Agosto/2019 1

1
  Uso explicito on-line de un modelo de proceso para
UNIVERSIDAD SURCOLOMBIANA
pronosticar la salida de un proceso en el futuro
 Calcular la acción de control óptima basada en la
INGENIERIA ELECTRÓNICAminimización de una o más funciones de coste

CONTROL ADAPTATIVO Y entre

La diferencia PREDICTIVO
los algoritmos de MBPC difieren en:

PROYECTO FINAL: CONTROL MEDIANTE MBPC

David Ernesto Reina Munar

20142129331
Heidy Tatiana Rincón Hernández
20142
Daniel Felipe Ruiz Alarcón
20142
Resumen—En este documento se
plantea la implementación de un Control Predictivo Basado en
Modelos (MBPC) a un sistema de un robot controlando a una
moto cuyo modelo posee un integrador, con el fin de controlar el
ángulo para que la moto no se caiga. Se realizó el diseño e
implementación de 3 controladores, el primero de ellos es un PID
diseñado mediante la técnica de auto-tunning Aström-Hägglund, El tipo de modelo para representar el proceso y las
y el segundo y tercero utilizando las técnicas de control predictivo perturbaciones
mediante MBPC con un modelo de perturbación básico y con un  Las funciones de coste a minimizar.
modelo de perturbación inteligente respectivamente.
La estrategia MBPC es fácil de entender y muy práctica:
Palabras claves—MBPC, modelo de perturbación, predicción,
horizonte de predicción, horizonte de control, Aström-Hägglund, 1. Usa el modelo del proceso para predecir la salida de
auto-tunning. este como una función de las acciones de control
futuras
2. Minimizar las acciones de control, índices de costo,
I. OBJETIVOS los errores en la salidas deseadas y previstas y el
esfuerzo de control requerido.
 Implementar un controlador MBPC en su configuración
por defecto e inteligente
 Estudiar el comportamiento del sistema controlado al
ingresar ruido en este
 Comprender las diferencias y ventajas entre la
configuración por defecto y la configuración inteligente
 Comparar los resultados del MBPC con los resultados del
controlador PID clásico.

II. MARCO TEÓRICO

Model Based Predictive Control:

El Control Predictivo Basado en Modelos (MBPC) es una

metodología de control que utiliza en línea (en la computadora
de control) un modelo de proceso para calcular las
predicciones de la producción futura de la planta y para
optimizar futuras acciones de control. De hecho, MBPC no es
una estrategia de control específica, sino una familia de
métodos de control que se han desarrollado con ciertas ideas
en común.
Ilustración 1: Diagrama de bloques de
MBPC se desarrolla bajo ciertos principios claves, dos de estrategia MBPC
estos son:

1
Proyecto final: Control mediante MBPC 01/Agosto/2019 2

Este tipo de control es de naturaleza genérica abierta: los

principios básicos de predicción el control se hizo ahora bien Predicción de x (t + k/ t): Hay dos posibles configuraciones
conocido y bien entendido, y están abiertos a muchos de implementación, El modelo paralelo (también llamado
contribuciones futuras del mundo académico así como del modelo independiente) sólo se puede utilizar para procesos
mundo industrial. La metodología también ha sido estables. El modelo en serie paralelo (también llamado modelo
ampliamente aceptada en ambos mundos, a diferencia de realineado) también se puede usar para procesos inestables
muchas otras estrategias de control Muchas aplicaciones de
control predictivo son hoy en día con éxito en uso en todos los
campos de la actividad industrial. El buen rendimiento de
estas aplicaciones es bueno apreciado y ha despertado un
interés creciente en la metodología durante el último decenio

MBPC en procesos SISO: Ilustración 3: Modelo Paralelo (Izquierda), Modelo

Un proceso modelado de la forma: Serie-Paralelo (Derecha)

Y ( t ) =X ( t ) + n ( t ) , como en la figura siguiente: El modelo paralelo (también llamado modelo independiente)

solo se puede usar para estable procesos. El modelo en serie-
paralelo (también llamado modelo re-alineado) también se
puede usar para procesos inestables. La diferencia entre ambas
estructuras de implementación se ilustra a continuación

Ilustración 2: Modelo de un proceso

donde:

Y ( t ) : Salidadelproceso
u ( t ) : Entradadelproceso
x ( t ) : Salidadelmodelo
n ( t ) : Perturbaci ó ndel modelo/ proceso
Ilustración 4: Implementación de modelos paralelo
Implica que la perturbación n(t) afectará directamente la salida
independiente del modelo y el proceso, esta señal no puede ser
medida, pero puede ser modelado por un proceso de ruido de Controlador Predictivo:
color:
Respuesta base y Optimización de la respuesta:
C (q −1
)
n ( t )= e (t) Conceptualmente y basado en el principio de superposición de
D (q −1
) sistemas lineales, la respuesta futura y (t+k|t) puede ser
considerada como el resultado acumulativo de 2 efectos:
Donde e(t) es ruido blanco ( ruido no correlacionado, con
valor medio igual a cero) y el filtro C(q-¹)/D(q-¹) el modelo de Y ( t+ k /t ) = y base ( t +k /t ) + y opt ( t+ k /t )
la perturbación
III. ELEMENTOS MATERIALES Y EQUIPOS
Una estructura sub-óptima aunque popular del modelo es:
 Software de MATLAB – Herramienta de simulación
C (q 1
−1
) SIMULINK
=
D(q ) 1−q−1
−1
IV. PROCEDIMIENTO
La salida del modelo x (t) representa el efecto de la entrada de El proceso sobre el cual se va a trabajar es el determinado por
proceso u (t) en la salida del proceso y (t). Esta es otra vez una la función de transferencia:
señal no mensurable, ya que sólo el efecto combinado de
"entrada de proceso + perturbaciones" es mensurable en la 32
P ( s )=
salida del proceso. s ( s+ 4 )( s+16 )
Proyecto final: Control mediante MBPC 01/Agosto/2019 3

La salida del sistema obtenida es la siguiente:

Controlador PID:
El primer controlador a implementar es el PID implementado
en prácticas pasadas, con PID Tunning se ajustó para un
Margen de Fase 45°:

Controlador MBPC Inteligente:

El modelo de perturbación es el siguiente:
C (q −1
1
Ilustración 5: Implementación PID en Simulink )
=
D (q −1
)
−1
( 1−q ) (1−ae+ jαq−1 )( 1−ae− jα q−1 )
Al observar la salida del sistema respecto a la perturbación:
Donde, 0≤𝑎≤1, 0≤α≤π.
Después de realizar pruebas, el mejor resultado se consigue
con:
𝑎=0.99 y α=0.1

El modelo en simulink es el mismo utilizado en la ilustración

8, la salida obtenida fue:

Ilustración 8: Salida sistema con MBPC Default

Ilustración 6: Salida sistema con PID

Controlador MBPC Default:

Para este modelo, se implementa el modelo de perturbación:

C (q 1
−1
)
= Ilustración 9: Salidas del sistema,
D (q 1−q−1 verde(PID),rojo(MBPC Default),azul(MBPC
Ilustración 10: Salida MBPC Inteligente
−1
)
Inteligente)
Implementación en Simulink:
Proyecto final: Control mediante MBPC
Para comparar mejor, se muestran las tres señales en una
misma gráfica, esto se presenta en la ilustración 10.
V. ANALISIS DE RESULTADOS
¿El controlador PID conduce a alguna mejora en
comparación con un sistema no controlado?
Para este caso, en el modelo de PID fijamos P = 1 , D = 0 , I=0
y simulamos, igualmente comparamos con el resultado
obtenido antes
Ilustración 11: Salida del sistema, sin controlar
(Azul) con PID (Rojo)
El sistema sin controlador es susceptible a cualquier
perturbación que pueda afectar a la motocicleta, como viento
cruzado o el estado de la carretera, por lo cual no se puede
mantener verticalmente todo el tiempo, esto se puede apreciar
en la figura, donde la diferencia entre la respuesta con PID y
sin PID es muy mínima, hay que acercar bastante el eje
verticar para notar diferencias.
¿El controlador PID deja alguna mejora comparada al sin
controlador?
01/Agosto/2019 4
Al utilizar un control PID se observa que la respuesta trata de
mejorar, sin embargo es muy poco el efecto que causa en la
respuesta, por lo que no se puede garantizar que la posición
de la motocicleta sea completamente estable.
¿El control optimizado ‘MBPC2’ requiere mucho más
esfuerzo de control (=acciones en el volante=salida del
controlador) comparado al MBPC1 por defecto y el PID?
Debido a que la respuesta del MBPC2 brinda una mayor
estabilidad comparada a los otros dos métodos analizados, este
requiere un mayor esfuerzo de control, por lo cual el costo
computacional al que conlleva también aumenta. Si se
compara con el MBPC1 existe una gran diferencia, sin
embargo, dicha diferencia se hace mucho más notable con el
control PID.
Esto explica el balance que se debe realizar entre conseguir un
sistema más estable y el requerimiento computacional que
demanda el proceso que se implemente.
Suponga que el promedio de las perturbaciones no es cero
(viento lateral permanente). Para simular eso agregue el
valor de 0.1 al ruido estocástico. (remplace Dt = n(Tm) por
Dt = n(Tm) + 0.1)
¿Cuál es el resultado para la salida del sistema del sistema
controlado (posición de la moto)?
En el script se reemplaza Dt = n(Tm) por Dt = n(Tm) + 0.1)
para comparar el resultado de los tres valores, se grafican en
una misma figura.
Ilustración 12: Simulación con ruido cuya media no es
cero, en verde PID, en rojo MBPC default , en Azul
MBPC inteligente.
En PID la respuesta inicia con un sobre pico mayor, pero a lo
largo del tiempo mejora comportándose similar a como estaba
antes con perturbación netamente aleatoria, en MBPC Default
es donde se ve el problema, pues este valor aunque oscila,
permanece en un nivel más alto, por lo cual su media no va a
tender a cero, es decir, visto desde el punto de vista de la
Proyecto final: Control mediante MBPC 01/Agosto/2019 5

realidad, la moto presentaría una inclinación todo el tiempo y

oscilaría sobre esta inclinación
Con el MBPC inteligente implementado, se puede observar y VII. REFERENCIAS
decir nuevamente que este controlador es mejor contra
perturbaciones que lo anteriores, pues la oscilación es muy
pequeña y su media tiende a cero [1] CONTROL SYSTEMS, ROBOTICS AND
AUTOMATION – Vol. XI – Model Based Predictive Control
¿Sigue la moto montada verticalmente (en promedio)? For Linear Systems - Robin DE KEYSER

Para el PID los primeros segundos tendrá una leve inclinación

luego su promedio mantendrá valores de cero por la forma de
la señal, para el MBPC inteligente es muy notable que se
mantendrá en cero el promedio de las inclinaciones.

La diferencia como ya se ha dicho se ve en el MBPC Default,

donde la moto va a tener una inclinación todo el tiempo y su
media será distinta de cero pero muy cercana a cero

¿Como resolver este problema?

Utilizar el MBPC inteligente sería el indicado porque es el que
mejor responde ante perturbaciones, en otras palabras, va a
mantener vertical la motocicleta.

VI. CONCLUSIONES
 El controlador PID clásico el cual ha sido estudiado
desde la teoría de control básica no es el indicado en
cuanto a perturbaciones o ruido no correlacionado se
refiere, pues como se pudo observar, su
comportamiento ante este es casi nulo, el sistema
responde similar a como si este no estuviera presente.
 De acuerdo a los resultados planteados en el
desarrollo de la práctica, el mejor control realizado es
con el MBPC inteligente, pues ante perturbación
responde eficientemente, es más robusto aún cuando
el ruido no es estocástico.
 Si se quiere maximizar precisión a la hora de
enfrentar el problema de las perturbaciones, el PID
puede no resultar el mejor, pues este como se observa
todo el tiempo, mantiene oscilaciones mucho
mayores que con los controladores MBPC
 Los dos MBPC implementados responden
considerablemente bien respecto a ruido estocástico,
sin embargo, si las perturbaciones no son de
naturaleza netamente aleatoria, el MBPC Default
tenderá a no tener un efecto completamente deseado,
pues alejará del setpoint el sistema, mientras que el
MBPC inteligente siempre mantiene un
comportamiento que tiende a cero la respuesta
obtenida contra perturbaciones.
 Sin embargo, aunque el controlador MBPC
inteligente tiene una respuesta muy buena, es
importante aclarar que este tiene un filtro más
complejo en su algoritmo para modelar ruido, lo que
implica un coste computacional mayor, es evidente
que este es mejor que el filtro por defecto, pero si el
costo computacional es un factor determinante a la
hora de seleccionar algoritmo, este factor es
importante considerar a la hora de decidir que filtro
implementar.