Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Internacional de
Automatización Optimización de
Lazos de Control
Lima
Javier Román
23-26 de Octubre
2007
Agenda
2
Terminología
Lazos de Control
PV: valor de proceso
SP: setpoint
CO: salida de control
PID: controlador Proporcional-Integral-Derivativo
CLCM: Monitoreo de Condiciones de Lazos de Control
KPI: Indicadores Clave de Performance
APC: Control Avanzado de Procesos
MPC: Control Predictivo basado en Modelo
SPC: Control Estadístico de Proceso
MvSPC: Control Estadístico Multivariable de Proceso
RTO: Optimización en Tiempo Real 3
El Escenario de Control Avanzado de Procesos
LAB
Modelado Riguroso
Modelos
Inferenciales MPC Operador
SPC MvSPC
Optimización
Control de Proceso en DCS de Lazos
Proceso
4
Diagrama de un Lazo de Control
Salida
Salidade
de
Control
Control“CO”
“CO” Objetivo
Objetivo Controlador
Controlador
“SP”
“SP”
Actuador Proceso
Proceso
Actuador
Medición
Medición
“PV”
“PV”
5
O
¿Cómo son los datos de un lazo de control?
Tiempo
Salida de control
6
Beneficios de Sintonía y Auditoria
Mantener el sistema de control regulatorio en su máximo
Performance del lazo
Habilita al operario a mantener lazos en su punto de óptima
performance
Mantenimiento preventivo
Alerta de problemas de equipos/proceso a su debido tiempo
Problemas de instrumentos
Problemas de actuadores
7
O
Sintonía y Auditoria de Lazos
- un requerimiento para proyectos APC
o s s
lab tiv n o
ra c ió tim
e c a to s óp
op i fi
c du v o c s
Cálculo de Propiedades s e
ti e sp ro jeti
Inferenciales
lím e ep
d ob
Control Multivariable/
Predictivo basado en Modelo
Supervisión de Lazos
Sintonía y Auditoria
Control Regulatorio Básico
sensores
de Lazos
Planta
8
Agenda
9
Diagrama en Bloques
Salida
Salidade
de
Control “CO”
Control “CO” Objetivo
Objetivo Controlador
Controlador
“SP”
“SP”
Proceso
Proceso
Actuador
Actuador
Medición
Medición
CO (u)
“PV”
“PV”
CPID GP
SP (r) - PV (y)
10
O
Transformada de Laplace
11
Función de Transferencia
dy (t ) Y ( s) b
b u (t ) a y (t ) G ( s)
dt U ( s) sa
12
Controlador PID – Breve Reseña
13
PID – Estructura interna
PID d
P: proporcional Kp*e
I: integral r e Ki e dt
u
Proceso
y
D: derivativo
Kd d e
dt
d e t
u PID t K p e t K i e t dt K d
dt
14
PID – Estructura matemática Paralela e Ideal
d e t
u PID t K p e t K i e t dt K d
Forma Paralela
dt
1 d e t
u PID t K e t e t dt Td Forma Ideal
Ti dt
15
O
PID – Función de Transferencia de un PI
1
u PI t K e t e t dt Forma PI Ideal
Ti
1
C PI s K 1
sTi
1 sTi
C PI s K
sTi
Esta formulación es muy útil porque pone en evidencia las
constantes de tiempo del controlador
Un controlador PI tiene una función de transferencia con un
cero y una acción integral 16
PID – Función de Transferencia de un PID
1 d e t
u PID t K e t e t dt Td
Forma PID Ideal
Ti dt
1
C PID s K 1 sTd
sTi
17
PID – Estructura matemática Serie
Partiendo de la forma Ideal: La forma Serie es útil
1 cuando se analiza el
C PID s K 1 sTd controlador en el dominio
sTi de la frecuencia, dado
que pone en evidencia las
1 sTi s 2TiTd constantes de tiempo
C PID s K (polos y ceros)
sTi Observar:
K, Ti y TD de la forma
~ 1 ~
C PID s K 1 ~ 1 sTd
Forma Serie
Ti s 18
PID – Estructura Interactiva y No-Interactiva
Forma No-Interactiva (Paralela e Ideal):
PID
P
PID
PD I
19
PID – Implementaciones Industriales
Forma Paralela:
Ki sK d
u PID ( s ) K p ( r y ) r y ( r y )
s 1 TF s
u: salida de control (CO)
r: setpoint (SP)
y: valor de proceso (PV)
KP: ganancia proporcional
KI: ganancia integral
KD: ganancia derivativa
TF: constante de tiempo de filtro
: factor de peso para setpoint en término proporcional
= 1 implica acción proporcional sobre el error
= 0 implica acción proporcional sobre el PV
: factor de peso para setpoint en término derivativo
= 1 implica acción derivativa sobre el error
= 0 implica acción derivativa sobre el PV
20
Respuesta de un sistema de primer orden
Td s
Función de transferencia: G s G
e
0
1 T0 s
Respuesta a escalón unitario ( t Td )
y t G0 (1 e T0
)U 0
63% Parámetros:
G0: ganancia estática
G0
T0: constante de tiempo
Td: retardo puro o
Td T0 tiempo muerto
G
e 3s
G s t r 2.2T0
1 5s 21
Respuesta de un sistema de segundo orden
n
2
Función de transferencia: G s G0 2
s 2n s n
2
Parámetros:
Mp G0: ganancia estática
n: frecuencia natural
no amortiguada
ts : relación de
Go amortiguamiento
0.4 Sub -amortiguado
0.7
1 Crítico
1.2 Sobre-amortiguado
23
Sintonía de Controladores PID
Objetivo
Hallar los parámetros del controlador PID (típicamente K, Ti y
Td) para obtener una respuesta de lazo de control deseada
Especificaciones en el dominio del tiempo y/o frecuencia
Cometidos principales del controlador:
Seguimiento de setpoint
Rechazo de perturbaciones
Métodos de sintonía
Ziegler-Nichols (Manual)
Lambda
IMC (Internal Model Control)
Ubicación de Polos Dominantes
24
Procedimiento para la Sintonía
Salida
Salidade
de
Control “CO”
Control “CO” Objetivo
Objetivo Controlador
Controlador
“SP”
“SP”
1
Adquirir
Proceso
Proceso
Actuador
Actuador
3
Sintonizar Modelar 2
Medición
Medición
CO (u)
“PV”
“PV”
CPID GP
SP (r) - PV (y)
25
Adquisición de Respuestas
26
Identificación del Modelo
Usualmente expresado como Función de Transferencia
Métodos automáticos de ajuste de parámetros con selección
manual o automática del orden del modelo
Evaluación del modelo mediante índices de ajuste a la respuesta
real (<error2>, R2, etc.)
Simulación del modelo (respuesta escalón, diagramas de Bode)
Validación del modelo con otro set de datos
K: ganancia estática
K 1 Tz s e
Ds Tz: constante de tiempo del cero
G s
T1, , n : constantes de polos
s 1 T1s s 2 n s n
2 2
D: retardo de transporte (“tiempo
muerto”)
27
Sintonía: Método Ziegler-Nichols (Manual)
En la práctica
requiere re-sintonía o Controlador K Ti Td
atenuación de los P 0.5 Ku - -
parámetros para
PI 0.4 Ku 0.8 Tu -
respuesta más
estable PID 0.6 Ku 0.5 Tu 0.125 Tu
28
Sintonía: Método Lambda
P0
SP CO PV P s
PID P P 1 T0 s
-
1
P s
1 s
Factor Lambda (relación con lazo abierto): Factor
T0
T0 1
Controlador PI: K TI T0 PID( s ) K (1 )
P0 TI s
29
Sintonía: Método IMC (Internal Model Control)
Extiende el concepto del método Lambda a modelos de mayor orden
Requerimientos: modelo estable
Parámetros de diseño:
Máxima Sensitividad (MS), o
Constante de tiempo del lazo cerrado ()
MS permite un diseño robusto (cuanto menor sea el valor de MS, más
robusta es la sintonía)
Gm modelo del proceso G f Gm
Gm inversa aprox. del modelo GC
PI ( D)
1 G f G Gm
Gf filtro, típicamente primero orden () m
CO PV
Gf G GP GP
SP - Gc m
-
IMC
Gm -
30
Sintonía: Método de Ubicación de Polos Dominantes
Requerimientos: ninguno
Aproxima el lazo cerrado a una transferencia de
segundo orden
Parámetros de diseño:
: relación de amortiguamiento
: frecuencia natural
CO
n
2
SP PV
PID G P G s 2
s 2n s n
2
-
31
O
Sintonía: Método ITAE
33
Sintonía: Evaluación
1 6
2 5
1
Error Absoluto Integrado: IAE
D e(t ) dt
35
O
Evaluación en el Dominio de la Frecuencia
d n
r: referencia, set-point (SP)
u: acción de control (CO)
r e u y
C GP y: salida (PV)
- d: perturbación a la
entrada
y C ( s )GP ( s )
Transferencia en lazo cerrado: Gcl
r 1 C ( s )GP ( s )
y 1
Función de Sensitividad: S
n 1 C ( s )GP ( s )
e 1
Transferencia Señal de Error: S
r 1 C ( s )GP ( s )
u C (s)
Transferencia Ruido-Acción de Gun
n 1 C ( s )GP ( s ) 36
Control:
Evaluación en el Dominio de la Frecuencia
Parámetros de Estabilidad Relativa - Robustez
Diagrama de Bode del lazo abierto, Gol(s)
Margen de Ganancia:
1
Am
1 G ( j )
ol cg
Margen de Fase:
m arg(Gol ( jcp )
Margen de Retardo:
m
2 Td
3 cp
Delay Margin
37
O
Lazos Feedforward y Cascada
K (TLead s 1)e Ds
Feedforward: C FF s
D TLag s 1
GD
CFF
SP CO PV
CFB GP
-
Cascada:
COOUT = SPIN
SP COIN GIN PVIN GOUT PV
COUT CIN
- -
38
Agenda
39
O
¿Qué es ‘performance de control’?
Diseño razonable
Diseño ligeramente
agresivo ¿es esto un buen control?
Si no: ¿por qué? 41
Supervisión de lazos de control – no-invasivo!
índices (KPI)
Monitoreo de
Condiciones
de Lazos de Control
(CLCM)
o
Auditoria
42
O
Evaluación de Performance por Pasos
1. Recolectar y analizar datos
2. Calcular Indicadores Claves de Performance (KPI)
3. Elaborar hipótesis y sugerencias basadas en los KPI
importante
matemática
involucrada
43
Diagnósticos de Lazos de Control
KPI
KPI
Reglas
+ Diagnósticos
Diagnósticosde
Mantenimiento
de
Mantenimiento
Reglasde
deAuditoria
Auditoria
Diagnósticos típicos:
Problema de sintonía
Lazo oscilatorio Ranking de Lazos
Perturbación externa según Performance
Fricción estática en válvula Buena
Pérdida en válvula Regular
Tamaño de válvula incorrecto Pobre
kurtosis
skewness
46
Validez de Datos
¿Son los datos válidos para análisis? “outliers”
Compresión de datos
si los datos se obtienen de un
historiador
Cuantificación de datos
Puede conducir a mala performance
de control
compresión cuantificación
47
Modos del Lazo de Control
320 35
Automático / Manual
Salida saturada
PV, SP
CO
Cascada 300 30
280 25
PV, SP
time [s]
CO Modo
Modocascada
cascada==0%0%
Modo automático = 100%
Modo automático = 100%
time [s]
Modo
Modocascada
cascada==100%
100%
Modo
Modo automático =100%
automático = 100%
Saturación = 32.3%
Saturación = 32.3%
48
Detección de Oscilación – ¿una tarea simple?
Espectro
Dominio de la frecuencia
encontrar picos en el espectro
Frecuencia
Dominio del tiempo
de error
Señal
señales periódicas “a la vista” Tiempo [s]
Auto-correlación
Auto-correlación
considera el factor de amortiguación
buena cancelación del ruido
Tiempo [s]
Auto-correlación
Auto-correlación
regularidad de cruces por cero
Tiempo [s] 49
O
Índices de Oscilación
Detección de oscilación
Interna - externa
Cuantificación
Período – amplitud
Importante para análisis de causa
raíz (“root-cause analysis”)
5
4
Fricción en válvulas
3.5
No linealidad 3
2.5
Espectro
2
1.5
0.5
50
Índice de Oscilación (dominio del tiempo)
Tiempo [s]
0.88 0.25
Controlador sintonizado
51
Severidad de la Oscilación
Cuantifica la oscilación
Período
Período==42.7
42.7[s]
[s]
Amplitud
Amplitud==23.9
23.9%%
Severidad
Severidad==79.8
79.8%%
Período
Período==21.1
21.1[s]
[s]
Amplitud
Amplitud==2.5
2.5%%
Severidad
Severidad==41.2
41.2%%
Tiempo [s] 52
Índices de No-linealidad
Análisis de causa raíz de oscilaciones
Identificación de problemas en actuadores
Sumamente útil en conexión con detección y
diagnóstico de oscilación
Histéresis
Histéresis
Fricción
Fricciónestática
estática
Banda
Bandamuerta
muerta
53
Índices de Actuadores/Válvulas
Desplazamiento/
Desplazamiento/hora
hora==3510
3510[%/h]
[%/h]
##Cambios
Cambiosde
dedirección/
dirección/hora
hora==1050
1050[#/h]
[#/h]
Tamaño
Tamañode
delalaválvula
válvula==100
100[%]
[%]
CO
54
Ejemplo de Investigación de Oscilación
carga cíclica
fricción
estática
F
FC
55
Señales ‘Perfectas’ de Fricción Estática
Setpoint
SP
Variable
de
Proceso
PV
Salida de
Control
CO
tiempo
56
Un Problema Típico: Lazos Acoplados
AC
no o.k. Lazo
Lazode
deComposición
Composición
Producto 2
A
Producto 1
o.k.
Lazo
Lazode
deCaudal
Caudal
F
FC
57
Ambos Lazos Oscilan
tiempo [s]
cross-corr.
cross-corr.
tiempo [s]
59
Si la causa es fricción estática ...
CCF
variable de
proceso
corrimientos
correlación cruzada
señal de control
60
Si la causa no es fricción estática ...
CCF
variable de
corrimientos
proceso
correlación cruzada
señal de
control 61
Diagnóstico usando correlación cruzada
25%
Índice de Harris
3%
0.96 0.3%
5.3%
0.92 0.6%
63
O
Índice de Harris (Mínima Variancia)
64
O
Índice de Harris (Mínima Variancia)
El índice de
Harris calcula la
parte predecible
mínima dada la
restricción del
tiempo muerto
=
+
Predecible, puede ser removido No predecible, no puede
por el control ser removido por el control
La
Laparte
partepredecible
predecibledepende
dependedel
deltiempo
tiempomuerto
muertodel
delproceso
proceso
65
O
Índice de Harris (Mínima Variancia)
MVC
2
SP PV actual
estimada de datos de
operación normal
control
PI óptimo
control
MV
time [s]
I= [0 1]
PERO 66
PERO...
...necesita
necesitasaber
sabereleltiempo
tiempomuerto
muertode
decada
cadalazo!
lazo!
O
Índice de Harris – Ejemplo
Antes: 0.47
Después: 0.96
67
Ejemplo de una Herramienta de Performance
Unidad de Proceso: Unit-xyz
Lazos investigados: 50
12%
Fecha: 2002-08-15 ba d
Performance global: buena
24%
# lazos de buena performance: 32 me dium
# lazos intermedios: 12
64%
# lazos de mala performance: 6
good
Loop TC-xyz
Problema: oscilación
Causa probable: externa
Solución: revisar FC-xyz
Sintonía actual OK
Loop Lc-xyz
Problema: alta variancia
Causa Probable: sintonía/
estructura del controlador
insuficiente
Solución: resintonizar controlador
PI (Ti=10.8, Kp=0.74) y usar
señales abc para feed-forward
(Kf=0.92)
69
Agenda
70
Análisis de Perturbaciones de Planta
TI1
Salida
Flujo
TI2
Calefactor
TI3
TI4
TI5 Producto
Intermedio
TC1
TC2
Entrada
Flujo TI6 LC1 TI7
Calefactor
Salida de
Producto
75
Indicador 2: Matriz de Causalidad
TI1 causa TI2
TI3 causa TI4
TI4 causa TI5
Causa
TI1
TI2
TI3
TI4
TI5
TC1
TC2
76
Indicador 3: Retardos Temporales
10 seg TI1
20 seg
TI2
TI3
20 seg
TI4
40 seg TI5
77
La perturbación es causada por la alimentación
TI1
TI1 TI2
TI2 TI3
TI3 TI4
TI4 TI5
TI5
TC1
TC2
TC
1 TI6
TC
2
LC1
TI7
TI6 LC1 TI7
0 50 100 150 200 250 300 350 400
LAB
Modelado Riguroso
Modelos
Inferenciales MPC Operador
SPC MvSPC
Optimización
Control de Proceso en DCS de Lazos
Proceso
79
Auge de Modelos derivados de Datos
Amplia disponibilidad de históricos de datos y sistemas de
información de laboratorio han de hecho de los datos un
“commodity”
Las plantas son “productoras de datos” con cientos de miles de
puntos almacenados cada día
Los datos históricos son un activo valioso para un mejor
control, soporte de decisiones gerenciales y optimización de
procesos, pero extraer información útil requiere herramientas
80
Aplicación Típica: Sensores Inferenciales
Estimar una variable de proceso cuya medida
directa no es posible o no se encuentra
disponible
Se basa en redundancia de información
mediante relaciones con otras variables de
procesos que se miden directamente
variables de variable de
proceso proceso
medidas estimada
Sensor Inferencial /
Modelo
Tecnología usada: redes neuronales,
regresiones, algoritmos genéticos, SPC, MvSPC,
etc. 81
Sensores Inferenciales: ¿Por Qué?
Muestras
ANALISIS DE LABORATORIO
LIMS
PIMS Resultados
143.0 ppm
DCS
(Sistemas de
Información) • de 1 a 12 horas de
retraso en la medida
• efectuado cada X
horas
82
Información continua, en tiempo real
Muestras
ANALISIS DE LABORATORIO
LIMS
PIMS Resultados
143.0 ppm
DCS Sensores
Inferenciales
(Sistemas de
Información) • de 1• a sin
12 horas de
demoras
retraso en la medida
• medidas continuas
• efectuado cada X
horas• análisis de laboratorio usados
para validación periódica de los 83
sensores inferenciales
Aplicaciones Típicas de Modelos Inferenciales
Medidas Inferenciales
Validación de Sensores
PEMS – Monitoreo Predictivo de Emisiones
Monitoreo de Calidad
Monitoreo de Performance de Proceso
Aviso de Mantenimiento
84
Introducción a MPC
FFs
Objetivos CV PVs
PID
Límites CV Optimiz. MVs PID COs
PROCESO
SPs PID
Objetivos MV
Automación
Modelo Básica
Límites MV
MPC
CVs & PVs
MVs = Variables de Proceso Manipuladas, independientes, SPs control básico
FFs = Variables Feedforward, perturbaciones medidas del proceso
CVs = Variables Controladas, dependientes, salidas de proceso
PVs = Variables de Proceso, realimentación al estimador, mejor predicción
85
Cómo MPC mejora la Performance
Vista Estadística
4
3
2
1
0
330° 350° 370° 390° 410° 430°
Grados F 86
Cómo MPC mejora la Performance
Manejo simultáneo de restricciones y variables
Vapor
Restricción Óptimo
Restricción Desborde Económico
Condensador
MPC
Región MPC
de Operación
Preferida por el Operador Restricción de
Inicial
Temperatura en
Reboiler
Reflujo
87
Aplicaciones Típicas de MPC
88