Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Abstract—El presente documento comprende el estado del arte II. C ONTROL P REDICTIVO
de los métodos de control predictivo, clasificados de acuerdo a
la linealidad de las ecuaciones de los procesos que lo conforman El control predictivo, es un tipo de algoritmo de control
agrupandolos como modelos MPC y NMPC; y dentro de ellos de que surgió originalmente de los procesos industriales, no
acuerdo a la estrategia de control y funciones de costo objetivo es una estrategia de control específica, sino más bien un
empleada por cada uno en los casos correspondientes. Se pretende campo muy amplio de métodos desarrollados enmarcados con
explicar de manera general la metodología empleada por cada fines similares. Estos métodos poseen prácticamente la misma
algoritmo desde el planteamiento del modelo del proceso, modelo
de perturbaciones, predicción de salida, función objetivo hasta estructura y presentan estrategias similares para realizar las
la obtención de señal de control. predicciones de salida y señales de control. La estrategia básica
del control predictivo es el cálculo de la acción de control que
Index Terms—Control Industrial, métodos, técnicas, algorit-
mos de control predictivo. permite que la salida predicha del proceso sea igual a la salida
deseada respetando las restricciones establecidas, dentro de un
I. I NTRODUCCIÓN horizonte de predicción.
Los métodos de control predictivo pueden clasificarse de
os sistemas de control han evolucionado a través de los
L años; desde los sistemas simples que mantiene la temper-
atura de una niquelina, hasta los controles avanzados utilizados
acuerdo a las ecuaciones que gobiernan el sistema, pudiendo
ser lineales o no lineales. Así también se puede clasificar
de acuerdo al modelo que se use para capturar la dinámica
en la industria aeroespacial, automovilística y actualmente con
del proceso pudiendo ser de función de transferencia, de
mayor aplicabilidad en la industria. Los sistemas de control
convolución o espacio de estados. A continuación se describen
permiten mejorar y optimizar los procesos, alejándolos de
las características y estrategias de predicción así como la
la posibilidad de fallas humanas, por lo que se convierten
obtención de la señal de control de varios métodos predictivos
en sistemas dinámicos con un conocimiento de todas las
gobernados por ecuaciones lineales con métodos de Control de
variables y perturbaciones que gobiernan el proceso, actuando
Predicción de Modelo (MPC) y no lineales con métodos de
sobre ellas para mantener la operación del sistema dentro de
Control de Predicción de Modelo No Lineales (NMPC) [1].
un margen establecido, proporcionando eficiencia, estabilidad,
resistencia a perturbaciones y errores.
El conocimiento matemático del sistema o función de III. C ONTROL DE P REDICCIÓN DE M ODELO (MPC)
transferencia otorga las características de comportamiento a La característica principal de estos métodos, es que basan
través del tiempo, cuando el sistema es excitado por una su funcionamiento en ecuaciones lineales, así como sus fun-
señal de entrada. En base al modelo del sistema se diseñan ciones matemáticas de tipo monovariables sin restricciones que
controladores que sean capaces de guiar la señal de salida del fácilmente pueden ser extendidas al tratamiento de sistemas
sistema, a través de una señal de control, hasta una consigna multivariables con restricciones. Los métodos MPC emplean
definida. básicamente el mismo principio el cual consiste en [2]:
Durante muchos años, el control de los procesos industriales • Uso del modelo del sistema para predecir la evolución
se centró en el uso del control analógico por realimentación; futura, de las salida y la obtener la señal de control.
el conocido PID (Proporcional-Integral-Diferencial), el cual • Minimización de una función objetivo.
se puede utilizar para procesos lineales o no lineales, incluso • Utilización de un horizonte de control finito.
sin información del modelo, con pocos parámetros de ajuste
La figura 1 muestra la estructura básica del MPC, el cual
se convierte en un control fácil de implementar y usar. La
utiliza un modelo para predecir las salidas futuras a partir
posibilidad de cambio en los parámetros del modelo a través
de las señales de entrada y salida actuales y anteriores.
del tiempo, en ciertos procesos industriales, imposibilita la
Las acciones de control se calculan con el optimizador, que
aplicación del PID como sistema de control, debido al de-
considera la función del coste y las restricciones.
sconocimiento de la dinámica del proceso.
Los modelos de control predictivo, en base al conocimiento
total del sistema; sus parámetros y perturbaciones, contenidos A. Estrategia del control predictivo
en la función de transferencia, ejecutan la acción de control, Todos los modelos predictivos utilizan un modelo del sis-
realizando predicciones de comportamiento de la salida, con tema para predecir las salidas futuras del proceso, basándose
lo cual se genera una señal de control que garantizara alcanzar en las futuras señales de control propuestas. Estas señales son
la consigna establecida. calculadas por el optimizador, teniendo en cuenta la función de
coste y restricciones. Por lo tanto el modelo contiene toda la
SISTEMAS INDUSTRIALES DE CONTROL ADAPTATIVO 2
información del sistema, teniendo que ser además un modelo el modelo sea lo más cercana a la trayectoria de referencia,
de fácil comprensión. El optimizador proporciona las acciones haciendo que las acciones de control no sean excesivas. Este
de control. Si la función de coste es cuadrática, el mínimo se método permite al diseñador del control, establecer una trayec-
puede obtener como una función explicita de las entradas y toria según su criterio, independiente al modelo del proceso.
salidas pasadas y de la trayectoria de referencia. Sin embargo, El objetivo final es que la trayectoria deseada sea capaz de
cuando existen restricciones de desigualdad la solución debe dirigir a la salida de proceso hasta la consigna de una forma
ser calculada por métodos numéricos con más carga de cálculo estable y eficiente. En el criterio de minimización, la mayoría
[3]. de los métodos suelen usar una trayectoria de referencia que
no tiene que coincidir con la referencia real. Normalmente será
una aproximación desde el valor actual de la salida al valor de
referencia. La adición de restricciones a la función objetivo,
la minimización resulta más compleja, no pudiendo obtenerse
la solución analíticamente como en el caso sin restringir. Más
adelante se presenta el análisis de las restricciones como un
caso particular [4].
D. Ley de control
Para obtener la señal de control se calculan los valores de las
salidas predichas en función de valores pasados de entradas
y salidas y de señales de control futuras, haciendo uso del
modelo que se haya, reemplazándolo en la función de coste,
con lo cual se obtienen una expresión cuya minimización
Fig. 1. Estructura del MPC [2] conduce a los valores buscados. Para el criterio cuadrático
si el modelo es lineal y no existen restricciones se puede
obtener una solución analítica, en otro caso se debe usar
B. Modelo de predicción un método iterativo de optimización. La ley de control se
encuentra enmarcada en el concepto de horizonte de control,
El modelo del proceso se determina por la necesidad del el cual considerar que tras un cierto intervalo no ha y variación
cálculo de la salida predicha en instantes futuros. Las difer- en las señales de control propuestas [4].
entes estrategias de predictivas pueden usar distintos modelos
para representar la relación de las salidas con las entradas
medibles, algunas de las cuales serán variables manipuladas E. Ventajas y desventajas
y otras como perturbaciones medibles, que pueden ser com- El MPC presenta una serie de ventajas sobre otros métodos
pensadas por realimentación. Además cuenta con un modelo de control, entre las que destacan:
de perturbaciones, que no aparece reflejado en el modelo del • No requiere conocimiento especializado en control, ya
proceso, el cual contiene información de perturbaciones no que la funcionalidad es intuitiva.
medibles, el ruido y los errores de modelado. El modelo del • Son muy flexibles puesto que permiten controlar dinámi-
sistema puede ser obtenido a partir de la respuesta al impulso, cas sencillas hasta otras más complejas como sistemas
respuesta al escalón, de acuerdo a la función de transferencia con retardos de fase no mínima o inestable.
o al espacio de estados. • Permite la adaptación de caso multivariable de una man-
En sí, la función de predicción, estará conformada por dos era sencilla.
partes; una función de respuesta libre y una de respuesta • La compensación del retardo es propia del modelo de
forzada. La función de respuesta libre constituye todas las control.
variaciones paramétricas del modelo y señales de entrada y • El tratamiento de restricciones, es simple, pueden ser
salida antes del instante k, en el cual se realiza la predicción. incluidas en el proceso de diseño.
Estas variables no pueden ser modificadas por el modelo Como todo sistema también presenta algunas desventajas, una
del control, por ello se denominan “libres”, mientras que la de las de mayor influencia es la necesidad de disponer de
respuesta forzada comprende las acciones de control que se un modelo apropiado del proceso. El algoritmo de diseño
ejecutaran a futuro, calculadas en el instante k [4]. está basado en el conocimiento previo del modelo y es inde-
pendiente de éste, pero resulta evidente que las prestaciones
C. Función objetivo obtenidas dependerán del margen de error entre el proceso real
y el modelo del proceso.
En cada instante k se define una trayectoria predicha por el
modelo predictivo en respuesta a la secuencia de control, de
modo que ésta trayectoria y la secuencia de control satisfacen IV. C ONTROL POR M ATRÍZ D INÁMICA (DMC)
un criterio de rendimiento. Por lo que es necesario la imple- Este control es ampliamente estudiado y demostrado en [2]
mentación del criterio de rendimiento de la función de coste. y [3]; utiliza como predicción los parámetros de un sistema
Esta función de coste permite que la trayectoria definida por lineal, cuando es excitado con un escalón unitario. Estos
SISTEMAS INDUSTRIALES DE CONTROL ADAPTATIVO 3
∞
X U = (GT δG + λI)−1 GT δ T (w − f )
y(t) = gi 4u(t − i)
i=1
La primera fila de la matriz U consiste en la señal de control,
Donde y(t) es la salida de la planta, gi son los parámetros de la cual, únicamente se mantiene en cálculo iterativo el
a la respuesta escalón y 4u son los incrementos de control. término (w − f ), lo demás es constante. Se puede decir por
Esta ecuación contiene la información del modelo pasado, tanto que el incremento de la señal de control es proporcional
presente y los efectos futuros ante una acción de control, por (por medio de GT δG + λI)−1 GT δ T ) a los errores futuros.
lo que es necesario separar los términos, en una función libre
y función forzada con la finalidad de actuar únicamente sobre V. C ONTROL P REDICTIVO G ENERALIZADO (GPC)
la respuesta forzada del sistema. A esta ecuación se le añade
también las perturbaciones presentes en el modelo. Con estas Este método de control es ampliamente analizado en [2],
consideraciones, se representa la salida del modelo como: en donde se establece que la única diferencia notable con
DMC; es que el modelo del proceso no se obtiene en base
k a los parámetros de la respuesta al escalón, sino a partir de
X
y(t + k/t) = gi 4u(t + k − i) + ym (t) la función de transferencia discreta, con la cual se obtiene las
i=1 predicciones.
M
X A. Modelo del sistema
+ (gi+k − gi )4u(t − i)
i=1 Utiliza como predicción un modelo discreto lineal CARIMA
(Integrated Controlled Autoregresive and Moving Average –
o mediante su representación matricial Control Auto-Regresivo Integrado de Media Móvil) expresado
en función de transferencia, junto con un término adicional que
y = Gu + f representa algún modelo desconocido como por ejemplo una
perturbación, que será una dinámica estocástica. Partiendo de
un sistema de entrada y salida simple (SISO) linealizado
B. Función objetivo
Consiste en minimizar el error cuadrático provocado por la A(z −1 )y(t) = z −d B(z −1 )u(t − 1) + C(z −1 )e(t)
diferencia entre la consigna y la salida del proceso (respuesta
forzada), también minimizar el esfuerzo de control aplicado donde u(t) y y(t) son respectivamente la señal de control
sobre el sistema para hacerlo más eficiente (respuesta libre). y la salida del proceso y e(t) es un ruido blanco de media
cero. A, B y C son los siguientes polinomios en el operador
de desplazamiento hacia atrás z −1 :
P
X N
X
J= δ[y(t + i) − w(t + i)]2 + λ[4u(t + i − 1)]2
i=1 i=1 A(z −1 ) = 1 + a1 z −1 + a2 z −2 + ... + ana z −na
Nu KM
yM (s) = u(s)
X
+ λ(j)[4u(t + j − 1)]2 1 + τM s
j=1
La cual, en tiempo discreto, o representada mediante
donde ŷ(t + j | t) es la predicción óptima j pasos hacia ecuación en diferencias es:
delante de la salida del proceso con datos conocidos hasta
el instante t, N 1, N 2 son los horizontes mínimo y máximo yM (k) = αyM (k − 1) + KM (1 − α)u(k − 1)
de coste, Nu es el horizonte de control δ(j), λ(j) son las donde α = eTs /τM y Ts es el período de muestreo.
secuencias de ponderación (pudiendo ser 1 y constante respec-
tivamente) mientras que w(t+j) es la trayectoria de referencia.
B. Función objetivo
Estructurando la variable manipulada como sumatoria de
C. Ley de control funciones bases escalón, entonces:
yF (k + H) = KM (1 − αH )u(k)
−1 −1
ŷ(t + j | t) = Gj (z )4u(t + j − d − 1) + Fj (z )y(t)
donde cada una representa la respuesta libre y forzada
respectivamente. En el punto H de coincidencia cumple:
Por lo tanto la funcion de coste se reescribe como:
y ≤ y(t) ≤ y∀t y(t+1) = f (y(t), ..., y(t−ny ), u(t)..., u(t−nu ), .....z(t), ...z(t−nz ), Ψ)
Para un proceso multivariables MIMO, con restricciones donde y(t)Y y u(t)U son vectores de salida y entradas
consideradas hasta el horizonte de control N de dimensiones n y m respectivamente,Ψ es un vector de
parámetros y z(t)Z es un vector de variables exógenas.
1U ≤ T u + u(t) ≤ 1U Usualmente se consideran que los parámetros del modelo están
definidos dentro de una banda de incertidumbre alrededor de
los parámetros nominales. Por lo tanto las predicciones de
1u ≤ u ≤ u salida son:
donde l es una matriz de dimensión (N ∗ n) ∗ m formada Describiendo la función de predicción como matrices (sin
por N m ∗ m matrices identidad y T es una matriz triangular asumir que el proceso el lineal aunque el modelo si); asume
inferior por bloques cuyos elementos no nulos son matrices que el modelo puede predecir con toda certeza cuál va a ser
identidad de dimensión m∗m. En forma condensada se pueden el valor de las variables de salida del proceso en el próximo
expresar como: instante de muestreo con un grado de tolerancia determinado.
Ru ≤ c y = Gu u + Gθ θ + Gx x(t)
SISTEMAS INDUSTRIALES DE CONTROL ADAPTATIVO 7
neuronal. Se puede usar un índice de confianza de modo que 2) Restricción terminal: Consiste en añadir una restricción
la predicción se basa más o menos en la red neuronal según terminal al estado en el algoritmo NMPC. Con la introducción
este índice, apagándose en caso de que su aportación no sea de esta restricción el estado al final del horizonte finito es cero
fiable. y por tanto también lo será la señal de control, con lo que
1) SQP (Programación cuadrática secuencial): Con el que el sistema (sin perturbaciones) se queda para siempre en el
se busca resolver todo simultáneamente, desde la integración origen. De esta forma es como si el horizonte de predicción
del modelo no lineal del sistema, las restricciones físicas fuera infinito.
del sistema y la trayectoria optima de control a ser aplicada
al sistema. Esto es conocido como NLP (Programación no XI. C ONCLUSIONES
lineal). La diferencia entre las diversas técnicas MPC radica bási-
El uso de programación NO lineal requiere efectivamente camente en la formulación matemática de los criterios de
de mucho más procesamiento de cálcuo, es por eso que funcionamiento y en la elección de la manera de representar
existen abordajes que buscan simplificar el problema haciendo el proceso.
aproximaciones lineales para continuar usando programación Todas las técnicas de MPC están basadas en la minimización
cuadrática (PQ) de una función de coste de un único objetivo para la obtención
2) Combinación lineal de soluciones lineales: Aquí se de la mejor secuencia de acciones de control. Sin embargo, en
toma en cuenta diferentes modelos lineales del proceso en muchas situaciones el comportamiento del proceso no se puede
diferentes puntos de operación con el objetivo de ir combi- medir con una sola función objetivo sino que, la mayoría de
nando todos esos modelos a lo largo de las trayectorias de las las veces, existen diversos objetivos de control.
variables. Los distintos algoritmos de MPC difieren entre si casi
3) Modelos lineales dinámicos junto con no lineales estáti- exclusivamente en el modelo usado para representar el proceso
cos en espacio de estados: Por ejemplo se puede representar y las perturbaciones y en la metodología y técnica de a
el comportamiento dinámico con un modelo lineal, pero los minimización de coste. Aunque las diferencias puedan parecer
actuadores representados con un comportamiento no lineal. pequeñas, pueden provocar distintos comportamientos en bucle
4) Modelos locales: Se realizan sucesivas aproximaciones cerrado, siendo críticas para el éxito de un determinado
en cada punto de operación a lo largo de la trayectoria, con algoritmo en una determinada aplicación.
esto se convierte un problema no lineal, en un problema lineal El estudio de estabilidad o robustez de la solución es com-
variante en el tiempo. plicado, sobre todo en el caso de inclusión de restricciones,
ya que la ley de control es en general variable con el tiempo
B. Función objetivo y no se puede representar el sistema de la forma clásica de
Considerando la función objetivo similar a MPC bucle cerrado.
Queda mucho por estudiar en campos como identificación
P M −1 M −1
de modelos, estimación del estado y de las perturbaciones no
J=
X
ky(t+j)−ys kqQ +
X
k4u(t+j)kqS +
X
ku(t+j) medibles o tratamiento sistemático de las incertidumbres, más
j=1 j=1 j=1
aún en los métodos de obtención de modelos y minimización
de costo para el caso NMPC.
−us kqR + kskqT
R EFERENCES
donde q puede ser 1 o 2 según el tipo de norma que se utilice
[1] Y. Xi, Predictive Control : Fundamentals and Developments. Hoboken,
y Q, S, R y T son matrices de ponderación. Los criterios de NJ : Wiley, 2019.
minimización son: [2] E. F. Camacho and C. Bordons, Model Predictive Control. Sevilla, Spain:
Springer, 1998.
[3] C. Bordons Alba, “Control Predictivo: metodología, tecnología y nuevas
y − s ≤ y(t + j) ≤ y − s ∀j = 1, P perspectivas,” Universidad de Sevilla, 2000.
[4] J. M. Martín Sánchez, Control Adaptativo Predictivo Experto:
metodología, diseño y aplicación. Madrid: Madrid : Universidad Nacional
u ≤ u(t + j) ≤ u ∀j = 1, M − 1 de Educación a Distancia, 2012.
[5] D. Feroldi, M. Basualdo, and J. Riera, “Control Predictivo Funcional
Aplicado a Pilas de Combustible,” Universidad Politécnica de Cataluña,
2005.
4u ≤ 4u(t + j) ≤ 4u ∀j = 1, M − 1 [6] J. Richalet, A. Rault, J. L. Testud, and J. Papon, “Model predictive
heuristic control: Applications to industrial processes,” Automatica, vol.
Es de mencionar que aunque el algoritmo de minimización 14, no. 5, pp. 413–428, 1978.
encuentre la solución óptima, este hecho no garantiza la esta- [7] L. Magni, D. M. Raimondo, and F. Allgöwer, Nonlinear Model Predictive
bilidad del bucle cerrado, por lo que existen algunos métodos Control Towards New Challenging Applications, 1st ed. 2009. Berlin,
Heidelberg : Springer Berlin Heidelberg : Imprint: Springer, 2009.
alternativos de solución como los expuestos brevemente a
continuación:
1) Horizonte finito: Consiste en ampliar el horizonte de
control y predicción hasta el infinito, dando lugar a una
estabilidad nominal, este concepto tiene principalmente un
interés teórico sobre el que basar un desarrollo práctico.