SISTEMAS INDUSTRIALES DE CONTROL ADAPTATIVO
Métodos de Control Predictivo
Freddy Esteban Guillén Luna
eguillen60@alumno.uned.es
Universidad Nacional de Educación a Distancia
Abstract—El presente documento comprende el estado del arte
de los métodos de control predictivo, clasificados de acuerdo a
la linealidad de las ecuaciones de los procesos que lo conforman
agrupandolos como modelos MPC y NMPC; y dentro de ellos de
acuerdo a la estrategia de control y funciones de costo objetivo
empleada por cada uno en los casos correspondientes. Se pretende
explicar de manera general la metodología empleada por cada
algoritmo desde el planteamiento del modelo del proceso, modelo
de perturbaciones, predicción de salida, función objetivo hasta
la obtención de señal de control.
Index Terms—Control Industrial, métodos, técnicas, algorit-
mos de control predictivo.
I. I NTRODUCCIÓN
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
en la industria aeroespacial, automovilística y actualmente con
mayor aplicabilidad en la industria. Los sistemas de control
permiten mejorar y optimizar los procesos, alejándolos de
la posibilidad de fallas humanas, por lo que se convierten
en sistemas dinámicos con un conocimiento de todas las
variables y perturbaciones que gobiernan el proceso, actuando
sobre ellas para mantener la operación del sistema dentro de
un margen establecido, proporcionando eficiencia, estabilidad,
resistencia a perturbaciones y errores.
El conocimiento matemático del sistema o función de
transferencia otorga las características de comportamiento a
través del tiempo, cuando el sistema es excitado por una
señal de entrada. En base al modelo del sistema se diseñan
controladores que sean capaces de guiar la señal de salida del
sistema, a través de una señal de control, hasta una consigna
definida.
Durante muchos años, el control de los procesos industriales
se centró en el uso del control analógico por realimentación;
el conocido PID (Proporcional-Integral-Diferencial), el cual
se puede utilizar para procesos lineales o no lineales, incluso
sin información del modelo, con pocos parámetros de ajuste
se convierte en un control fácil de implementar y usar. La
posibilidad de cambio en los parámetros del modelo a través
del tiempo, en ciertos procesos industriales, imposibilita la
aplicación del PID como sistema de control, debido al de-
sconocimiento de la dinámica del proceso.
Los modelos de control predictivo, en base al conocimiento
total del sistema; sus parámetros y perturbaciones, contenidos
en la función de transferencia, ejecutan la acción de control,
realizando predicciones de comportamiento de la salida, con
lo cual se genera una señal de control que garantizara alcanzar
la consigna establecida.
1
II. C ONTROL P REDICTIVO
El control predictivo, es un tipo de algoritmo de control
que surgió originalmente de los procesos industriales, no
es una estrategia de control específica, sino más bien un
campo muy amplio de métodos desarrollados enmarcados con
fines similares. Estos métodos poseen prácticamente la misma
estructura y presentan estrategias similares para realizar las
predicciones de salida y señales de control. La estrategia básica
del control predictivo es el cálculo de la acción de control que
permite que la salida predicha del proceso sea igual a la salida
deseada respetando las restricciones establecidas, dentro de un
horizonte de predicción.
Los métodos de control predictivo pueden clasificarse de
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
del proceso pudiendo ser de función de transferencia, de
convolución o espacio de estados. A continuación se describen
las características y estrategias de predicción así como la
obtención de la señal de control de varios métodos predictivos
gobernados por ecuaciones lineales con métodos de Control de
Predicción de Modelo (MPC) y no lineales con métodos de
Control de Predicción de Modelo No Lineales (NMPC) [1].
III. C ONTROL DE P REDICCIÓN DE M ODELO (MPC)
La característica principal de estos métodos, es que basan
su funcionamiento en ecuaciones lineales, así como sus fun-
ciones matemáticas de tipo monovariables sin restricciones que
fácilmente pueden ser extendidas al tratamiento de sistemas
multivariables con restricciones. Los métodos MPC emplean
básicamente el mismo principio el cual consiste en [2]:
• Uso del modelo del sistema para predecir la evolución
futura, de las salida y la obtener la señal de control.
• Minimización de una función objetivo.
• Utilización de un horizonte de control finito.
La figura 1 muestra la estructura básica del MPC, el cual
utiliza un modelo para predecir las salidas futuras a partir
de las señales de entrada y salida actuales y anteriores.
Las acciones de control se calculan con el optimizador, que
considera la función del coste y las restricciones.
A. Estrategia del control predictivo
Todos los modelos predictivos utilizan un modelo del sis-
tema para predecir las salidas futuras del proceso, basándose
en las futuras señales de control propuestas. Estas señales son
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
información del sistema, teniendo que ser además un modelo
de fácil comprensión. El optimizador proporciona las acciones
de control. Si la función de coste es cuadrática, el mínimo se
puede obtener como una función explicita de las entradas y
salidas pasadas y de la trayectoria de referencia. Sin embargo,
cuando existen restricciones de desigualdad la solución debe
ser calculada por métodos numéricos con más carga de cálculo
[3].
Fig. 1. Estructura del MPC [2]
B. Modelo de predicción
El modelo del proceso se determina por la necesidad del
cálculo de la salida predicha en instantes futuros. Las difer-
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
y otras como perturbaciones medibles, que pueden ser com-
pensadas por realimentación. Además cuenta con un modelo
de perturbaciones, que no aparece reflejado en el modelo del
proceso, el cual contiene información de perturbaciones no
medibles, el ruido y los errores de modelado. El modelo del
sistema puede ser obtenido a partir de la respuesta al impulso,
respuesta al escalón, de acuerdo a la función de transferencia
o al espacio de estados.
En sí, la función de predicción, estará conformada por dos
partes; una función de respuesta libre y una de respuesta
forzada. La función de respuesta libre constituye todas las
variaciones paramétricas del modelo y señales de entrada y
salida antes del instante k, en el cual se realiza la predicción.
Estas variables no pueden ser modificadas por el modelo
del control, por ello se denominan “libres”, mientras que la
respuesta forzada comprende las acciones de control que se
ejecutaran a futuro, calculadas en el instante k [4].
C. Función objetivo
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
un criterio de rendimiento. Por lo que es necesario la imple-
mentación del criterio de rendimiento de la función de coste.
Esta función de coste permite que la trayectoria definida por
2
el modelo sea lo más cercana a la trayectoria de referencia,
haciendo que las acciones de control no sean excesivas. Este
método permite al diseñador del control, establecer una trayec-
toria según su criterio, independiente al modelo del proceso.
El objetivo final es que la trayectoria deseada sea capaz de
dirigir a la salida de proceso hasta la consigna de una forma
estable y eficiente. En el criterio de minimización, la mayoría
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
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
un método iterativo de optimización. La ley de control se
encuentra enmarcada en el concepto de horizonte de control,
el cual considerar que tras un cierto intervalo no ha y variación
en las señales de control propuestas [4].
E. Ventajas y desventajas
El MPC presenta una serie de ventajas sobre otros métodos
de control, entre las que destacan:
• No requiere conocimiento especializado en control, ya
que la funcionalidad es intuitiva.
• Son muy flexibles puesto que permiten controlar dinámi-
cas sencillas hasta otras más complejas como sistemas
con retardos de fase no mínima o inestable.
• Permite la adaptación de caso multivariable de una man-
era sencilla.
• La compensación del retardo es propia del modelo de
control.
• El tratamiento de restricciones, es simple, pueden ser
incluidas en el proceso de diseño.
Como todo sistema también presenta algunas desventajas, una
de las de mayor influencia es la necesidad de disponer de
un modelo apropiado del proceso. El algoritmo de diseño
está basado en el conocimiento previo del modelo y es inde-
pendiente de éste, pero resulta evidente que las prestaciones
obtenidas dependerán del margen de error entre el proceso real
y el modelo del proceso.
IV. C ONTROL POR M ATRÍZ D INÁMICA (DMC)
Este control es ampliamente estudiado y demostrado en [2]
y [3]; utiliza como predicción los parámetros de un sistema
lineal, cuando es excitado con un escalón unitario. Estos
SISTEMAS INDUSTRIALES DE CONTROL ADAPTATIVO 3

parámetros de la respuesta al escalón son almacenados en una C. Acción de control

matriz conocida como matriz dinámica, y cuando se trabaja
A partir de la función objetivo en forma matricial
con sistemas lineales e invariantes en el tiempo, basta con
repetir los parámetros al escalón en cada columna de la matriz
solo desplazando una fila hacia abajo cada que se desplaza en J = (Gu + f − w)T δ(Gu + f − w) + λuT u
la columna.
se aplica el concepto de minimización de costo, con el
criterio ∂J/∂u = 0 se obtiene:
A. Modelo del sistema
J = 2(GT δG + λI)U + 2(f − w)δG = 0
La respuesta de un sistema dinámico lineal ante una entrada
del tipo escalón, puede ser representada como el siguiente con lo cual se define la acción de control en forma de matriz
producto de convolución. como:

∞
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

P es conocido como el horizonte de predicción, y es la

salida del proceso, w es la referencia, δ es una matriz que
pondera la importancia que deseo darle a la minimización del B(z −1 ) = b0 + b1 z −1 + b2 z −2 + ... + anb z −nb
error, N es el horizonte de control, u es la acción de control,
λ es una matriz que pondera la importancia que deseo darle
al esfuerzo de control. C(z −1 ) = 1 + c1 z −1 + c2 z −2 + ... + anc z −nc
SISTEMAS INDUSTRIALES DE CONTROL ADAPTATIVO
B. Función objetivo
El algoritmo del Control Predictivo Generalizado consiste
en aplicar una secuencia de señales de control que minimice
una función de coste de la forma:
N2
X por un modelo de primer orden:
J(N1 , N2 , Nu ) = δ(j)[ŷ(t + j | t) − w(t + j)]2
j=N1
Nu
X
+ λ(j)[4u(t + j − 1)]2
j=1
donde ŷ(t + j | t) es la predicción óptima j pasos hacia
delante de la salida del proceso con datos conocidos hasta
el instante t, N 1, N 2 son los horizontes mínimo y máximo
de coste, Nu es el horizonte de control δ(j), λ(j) son las
secuencias de ponderación (pudiendo ser 1 y constante respec-
tivamente) mientras que w(t+j) es la trayectoria de referencia.
C. Ley de control
A partir de la minimización de coste, obtenida de calcular
la predicción optima y(t + j) para j ≥ N 1 y j ≤ N 2.
−1 −1
ŷ(t + j | t) = Gj (z )4u(t + j − d − 1) + Fj (z
Por lo tanto la funcion de coste se reescribe como:
J = (Gu + f − w)T (Gu + f − w) + λuT u
Considerando que no hay restricciones se puede encontrar
igualando a cero el gradiente ∂J/∂u = 0, lo que conduce a:
U = (GT G + λI)−1 GT (w − f )
VI. C ONTROL P REDICTIVO F UNCIONAL (PFC)
La estrategia de este modelo es aplicada en [5], la cual
se basa en cuatro características; el modelo del sistema, la
trayectoria de referencia, la autocompensación debido a errores
en el modelo y estructuración de la variable manipulada,
empleando superposición de funciones como escalón unitario,
rampa, etc.
El núcleo del método consiste en cómo calcular la respuesta
forzada del sistema para el vector de valores futuros de la
variable controlada. La solución es estructurar la variable ma-
nipulada como la sumatoria de funciones base (UB0 escalón,
UB1 rampa,...), y calcular las respuestas forzadas ante las
mismas ( YB0 , YB1 , ...). De esta manera se obtiene una matriz
constante que permite calcular la respuesta forzada durante
todo el control. El controlador sólo debe limitarse a encontrar
los valores de las magnitudes de la variable manipulada.
4
A. Modelo del sistema
El modelo del sistema, al igual que los demás controles
MPC, es una representación del comportamiento real del
sistema. En general se trata que el modelo sea lo más simple
posible, para simplificar el desarrollo y volverlo simple. Con-
siderando que el estado de la planta KM , está representada
KM = Fu KM (k − 1) + GM u(k − 1)
KM
yM (s) = u(s)
1 + τM s
La cual, en tiempo discreto, o representada mediante
ecuación en diferencias es:
yM (k) = αyM (k − 1) + KM (1 − α)u(k − 1)
donde α = eTs /τM y Ts es el período de muestreo.
B. Función objetivo
Estructurando la variable manipulada como sumatoria de
funciones bases escalón, entonces:
yL (k + H) = αH yM (k)
yF (k + H) = KM (1 − αH )u(k)
)y(t)
donde cada una representa la respuesta libre y forzada
respectivamente. En el punto H de coincidencia cumple:
C(n + H) − yR (k + H) = λH (C(k) − yp (k))
La cual corresponde a la trayectoria de referencia, donde
H − 3T H
λ = e TRBF y TRBF es el tiempo de respuesta en lazo
cerrado, por lo que si la consigna se mantiene constante;
yR (k + H) = C(k) − λH (C(k) − yp (k))
Como en todos los casos de MPC, se considera que la salida
del proceso está siendo afectada por un error de estimación
de modelo
ê(k + H) = (yp (k) − yM (k))
considerando además que la salida predicha es afectada por
el criterio de desempeño
kh
X 2
D(k) = {ŷp (k + hj ) − yR (k + hj )}
j=1
donde kh es el número de puntos de coincidencia y hj es
el número total de puntos de coincidencia definidos sobre el
horizonte de predicción. Es en estos puntos de coincidencia
que el sistema verificará la aproximación de la predicción de
la salida a la trayectoria de referencia. Esta predicción de la
salida está definida como la suma de la salida del modelo más
el error de estimación:
SISTEMAS INDUSTRIALES DE CONTROL ADAPTATIVO
ŷp (k + H) = yM (k + H) + ê(n + i)
yR (k + H) = ŷp (k + H)
C. Ley de control
La variable futura de control está compuesta por un conjunto
de funciones definidas con antelación, lo cual hace que sea más
fácil determinar la respuesta futura del sistema. La variable
futura de control será entonces:
H
(C(k) − yp (k))(1 − λ ) yM (k)
u(k) = +
KM (1 − αH ) KM
En resumen, la variable de control que se obtiene está com-
puesta por tres términos: el primero realiza una compensación
proporcional del error de posición, el segundo efectúa una
anticipación de la consigna y del error, y el tercero corresponde
a un término de compensación dado que el modelo utilizado
no corresponde exactamente al modelo real.
VII. C ONTROL P REDICTIVO H EURÍSTICO BASADO EN
M ODELO (MPHC)
También conocido como Algoritmo Basado en Modelo
(MAC), con el nombre comercial de IDCOM. Este método
es aplicado en [6]; introduce el concepto de trayectoria de
referencia como un sistema de primer orden que evoluciona
desde la salida actual hasta alcanzar la consigna de acuerdo
a una constante de tiempo. La minimización de la función
objetivo establece el error entre la trayectoria deseada y la
salida, emplea técnicas heurísticas que ajustan un modelo
con la suposición de que el sistema experimental tiene k
variables independientes x1 , x2 , . . . , xk y n observaciones
y1 , y2 , . . . , yn , cada una de las cuales se pueden expresar por
la ecuación :
yi = β0+ β1 x1i + β2 x2i + ... + βk xki + i ,
Empleando notación matricial se reescribe como:
y = Xβ + ε,
La solución de mínimos cuadrados para la estimación de β
implica encontrar b para la que,
SSE = (y − Xb)’(y − Xb)
Se minimiza. Este proceso de minimización implica resolver
b en la ecuación ∂(SSE)/∂b = 0. El resultado se reduce a
la solución de b en (X 0 X)b = X 0 y. Si la matriz A es no
singular, podemos escribir la solución para el coeficiente de
regresión como,
b = A−1 g = (X 0 X)−1 X 0 y
De esta forma se puede obtener la ecuación de predicción al
resolver el conjunto de k + 1 ecuaciones con un número igual
de incógnitas. Esto implica la inversión de la matriz X’X de
k + 1 por k + 1. Cuando se busca en espacio de estados de
5
n estructuras, es conveniente tener una lista cerrada debido
a que el número generado de nodos es exponencialmente
creciente conforme se profundiza una búsqueda. Introduce
el concepto de trayectoria de referencia como un sistema
de primer orden que evoluciona desde la salida actual hasta
alcanzar la consigna de acuerdo a una constante de tiempo. La
minimización de la función objetivo establece el error entre la
trayectoria deseada y la salida.
A. Algoritmo de control
Cada salida sj (n) del sistema multivariable es una suma
ponderada de N valores pasados ek (n−1) de las N E entradas
NE X
X N
sj (n) = y(i)k,i ek (n − 1)
k=1 i=1
o en forma de vector
sj (n) = aTj e(n)
aj = {a(i)k,j }
e(n) = {ek (n − 1)}
La información empleada para representar el sistema con
N E entradas y una salida es representado por un vector de
dimensión N ExN , asumiendo por simplicidad que todos los
impulsos de respuesta tienen el mismo tiempo de memoria
N T (T =periodo de muestra). La elección de N y T debería
ser tal que N T > T R donde T R es el tiempo de respuesta
del sistema.
El sistema se asume asintóticamente estable, por lo que es
posible encontrar N tal que el error de truncamiento puede ser
arbitrariamente pequeño. Si una integración se presenta en la
función de transferencia, como en el control de nivel, podemos
representar el sistema como sigue
s(n) = s(n − 1) + bT e
La mayor característica de este tipo de representación es
la linealidad con respecto a los parámetros aj esto entonces
permite modelar los sistemas por ecuaciones del siguiente tipo
s(n) = aT u(n)
Donde u(n) = f (e(n)), f (.) puede ser cualquier función
u(n) medida o estimada. Las no linealidades inducidas por los
actuadores pueden ser fácilmente tomadas en cuenta por este
procedimiento.
Dado el modelo del proceso y las facilidades de cálculo
numérico, si la solución existe, las variables de control heurís-
ticas serán computadas de manera que la salida del proceso
siga una trayectoria de referencia. En este caso el sistema es
lineal con respecto a las entradas ej = (n − i) y tiene una
estructura lineal con respecto a los parámetros aj .Se usa el
principio de conmutatividad.
s(n) = aT e(n) = eT (n)a
SISTEMAS INDUSTRIALES DE CONTROL ADAPTATIVO 6

s(n), e(n) están dados y el problema es encontrar a. En el

problema de control a está dado por la identificación s(n) es   
1u

IN ∗N
conocida, de los datos colectados en el pasado, en el futuro por −1u
 −IN ∗N   
el modelo de referencia; e(n) está dado en el pasado por los    
 T   1U − 1u(t − 1) 
controles aplicados; el problema es encontrar e en el futuro. R=  c= 

 −T 


 −1U + 1u(t − 1) 

 G   1y − f 
VIII. R ESTRICCIONES DEL C ONTROL P REDICTIVO −G −1y + f
Entendiendo restricciones a las limitaciones físicas de los
Se le pueden aplicar otro tipo de restricciones de para forzar
elementos que conforman el sistema, especialmente de los
un determinado comportamiento temporal.
actuadores, sensores, o límites de operación por seguridad;
Un problema asociado a la implementación del control con
estas representan un problema en el control, puesto a que el
restricciones es el análisis de la estabilidad del bucle cerrado.
modelo de control y sus señales pueden ser capaces de violar
Como es necesario utilizar métodos numéricos para resolver
estas limitaciones, con lo cual el sistema de control se satura
el problema de la optimización, la ley de control resultante no
[2], [3].
se puede describir de forma explícita, haciendo el problema
La violación de los límites de las variables controladas
muy difícil de atacar mediante la teoría clásica de control.
puede resultar peligrosas, produciendo daños en equipos y
paradas inesperadas o pérdidas en la producción.
MPC es la única metodología que incorpora las restricciones IX. C ONTROL P REDICTIVO ROBUSTO
de forma sistemática en la fase de diseño del controlador, El objetivo de un controlador robusto, estudiado en [2], es
expresándolas en función de la variable sobre la que tiene hacer frente a los errores en el modelo que, aunque algunos
posibilidad de actuar; las restricciones en la entrada se expre- son eliminados por la realimentación, el Control Robusto se
san en función de u y las de la salida utilizan las ecuaciones utiliza para aquellos controladores que tienen en cuenta las
de predicción contemplando las señales de control futuras y incertidumbres de forma implícita. Las técnicas más utilizadas
las conocidas en el instante k. son incertidumbres en las respuestas frecuenciales o incer-
Considerando la función de salida del control predictivo en tidumbres en los parámetros de la función de transferencia
su forma matricial: del proceso. Ambos modelos asumen que la planta es lineal
con una respuesta en frecuencia dentro de la banda de incer-
y = Gu + f tidumbre en el primer caso y en el segundo caso que la planta
es además del mismo orden. Las incertidumbres afectan a la
Las restricciones más comunes se presentan en las entradas
capacidad de predicción del modelo, la predicción en lugar de
y salidas y actúan sobre la amplitud y velocidad de cambio
ser una trayectoria es una banda alrededor del modelo nominal.
en la señal de control. Éstas pueden ser representadas como:

U ≤ u(t) ≤ U ∀t A. Modelo del sistema

Considerando un sistema con una dinámica discreta definida
u ≤ u(t) − u(t − 1) ≤ u∀t por

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:

1y ≤ Gu + f ≤ y ŷ(t + 1) = fˆ(y(t), ..., y(t − nna ), u(t)..., u(t − nnb ), θ)

donde l es una matriz de dimensión (N ∗ n) ∗ m formada
por N m ∗ m matrices identidad y T es una matriz triangular
inferior por bloques cuyos elementos no nulos son matrices
identidad de dimensión m∗m. En forma condensada se pueden
expresar como:
Describiendo la función de predicción como matrices (sin
asumir que el proceso el lineal aunque el modelo si); asume
que el modelo puede predecir con toda certeza cuál va a ser
el valor de las variables de salida del proceso en el próximo
instante de muestreo con un grado de tolerancia determinado.

Ru ≤ c y = Gu u + Gθ θ + Gx x(t)
SISTEMAS INDUSTRIALES DE CONTROL ADAPTATIVO
B. Función objetivo
La forma normal de operar al considerar incertidumbres es-
tocásticas es minimizar la función objetivo J para la situación
más esperada. En el caso de control robusto, la estrategia más
extendida es considerar la peor de las situaciones posibles, que
en el contexto de control predictivo equivale a minimizar la
función objetivo en el peor de los caso, esto es uU y θΘ con
lo cual el número de restricciones aumenta considerablemente,
volviendo el problema más complejo.
El control predictivo robusto consiste en encontrar los
movimientos de control futuro minimizando la función obje-
tivo y forzando al estado terminal alcanzar la región terminal
para todos los valores posibles de las incertidumbres; esto es
x = Gu u + Gθ θ + fx x(t)
C. Ley de control
La secuencia de control u(t), u(t + 1) u(t + N − 1) se
calcula para todo el horizonte sin ninguna información sobre
las incertidumbres. Sin embargo en la realidad cuando haya
que calcular u(t+j) el controlador ya tiene información sobre
las incertidumbres hasta ese instante de tiempo. El problema
es muy difícil de resolver, una forma que permite una solución
en ciertos casos es utilizando Programación Dinámica.
Una forma de reducir la banda de incertidumbre de la
predicción es utilizar una realimentación lineal del vector de
estado antes de aplicar el control predictivo. Es decir, hacer:
u(t + k) = −Kx(t + k | t) + v(t + k)
donde K es una realimentación que estabiliza al sistema y la
variable auxiliar v(t) es la referencia para el bucle interno y la
variable manipulable para el control predictivo. De esta forma
se consigue disminuir el tamaño de la banda de incertidumbre
de la predicción.
X. C ONTROL DE P REDICCIÓN DE M ODELO N O L INEAL
(NMPC)
De la información contenida en [2], [3], [4] y ampliamente
detallada en [7]; se diferencia que normalmente un sistema
lineal representa bien un proceso industrial, por lo tanto
la teoría de control lineal es ampliamente extendida en la
aplicación de controladores. La aplicación de controladores
lineales se debe a que en un proceso cualquiera en la industria
trabaja generalmente en un punto de operación, y de ahí la
razón de que se use tanto la linealización de sistemas. Sin
embargo, cuando el modelo lineal no consigue representar bien
la dinámica de un proceso y fuera de eso nuestro controlador
tiene dificultades en cumplir los objetivos sobre el sistema,
se opta por realizar una representación del mismo por medio
de una descripción no lineal. Las acciones de control en el
caso lineal tales como en el DMC, GPC o en espacio de
estados, de manera general consiste en resolver un problema
de optimización cuadrático para nuestros modelos eran lineales
con restricciones del proceso también lineales. Para el caso
del NMPC se emplea programación no lineal, donde el opti-
mizador tendrá que encontrar la trayectoria óptima del proceso
7
solucionando simultáneamente las restricciones del proceso.
La extensión de la estrategia MPC y sus conceptos a procesos
no lineales es en principio sencilla. Sin embargo, se debe tener
en cuenta la dificultad en muchos temas como:
• Disponibilidad y técnicas para la identificación de sis-
temas no lineales.
• El alto grado de complejidad de resolución de sistemas
no lineales.
• Pocos resultados de estabilidad y robustez.
Además de las dificultades y consideraciones en adaptación
de MPC al modelo NMPC, se presentan dificultades durante
su aplicación como son:
• Los modelos utilizados no siempre reflejan el compor-
tamiento real de los sistemas no lineales.
• La optimización es más difícil y toma más tiempo en
realizar el cálculo que la programación cuadrática, in-
fluyendo en la calidad del control, incluso en la estabili-
dad.
• No existe mucha información fundamental para la es-
tabilidad y robustez, constituyendo un campo para la
investigación.
El proceso de predicción de manera general, multivariable, se
puede describir como:
x(t + 1) = f (x(t), u(t), d(t), w(t))
y(t) = g(x(t)) + e(t)
donde x es el vector de estados de dimensión n, u es el
vector de mu entradas, d son las perturbaciones medibles y
w(t) las no medibles. El vector de salidas es y de dimensión
my , la misma que la del vector de ruidos de medida e. Se debe
resolver es el cálculo de la secuencia de señales de control u
que llevan al proceso desde su estado actual al estado deseado
xs .
Las perturbaciones medibles se pueden eliminar incluyendo
su efecto en la función f , mientras que el resto se suprime
con la realimentación, teniendo en cuenta que duran hasta
el horizonte de predicción. Esto se formalizar añadiendo un
término igual al error entre medida y salida calculada a toda
la predicción:
y(t + j) = g(x(t + j)) + b(t)
b(t) = ym (t) − y(t)
A. Modelo del sistema
A diferencia de un sistema lineal, en el sistema no lineal,
su respuesta debe ser analizada para todas las posibles señales
de entrada. Pero en general habrá que recurrir a modelos
específicos que reflejen la dinámica no lineal, pudiendo ser
basadas en redes neuronales, o modelos existentes. Pero el
principal problema en NMPC no es la elección del tipo de
modelo, sino de un método de identificación fiable y robusto.
Según el modelo propuesto, se identifica el sistema como lineal
y los residuos de las salidas se ajustan a los estados con la red
SISTEMAS INDUSTRIALES DE CONTROL ADAPTATIVO
neuronal. Se puede usar un índice de confianza de modo que
la predicción se basa más o menos en la red neuronal según
este índice, apagándose en caso de que su aportación no sea
fiable.
1) SQP (Programación cuadrática secuencial): Con el que
se busca resolver todo simultáneamente, desde la integración
del modelo no lineal del sistema, las restricciones físicas
del sistema y la trayectoria optima de control a ser aplicada
al sistema. Esto es conocido como NLP (Programación no
lineal).
El uso de programación NO lineal requiere efectivamente
de mucho más procesamiento de cálcuo, es por eso que
existen abordajes que buscan simplificar el problema haciendo
aproximaciones lineales para continuar usando programación
cuadrática (PQ)
2) Combinación lineal de soluciones lineales: Aquí se
toma en cuenta diferentes modelos lineales del proceso en
diferentes puntos de operación con el objetivo de ir combi-
nando todos esos modelos a lo largo de las trayectorias de las
variables.
3) Modelos lineales dinámicos junto con no lineales estáti-
cos en espacio de estados: Por ejemplo se puede representar
el comportamiento dinámico con un modelo lineal, pero los
actuadores representados con un comportamiento no lineal.
4) Modelos locales: Se realizan sucesivas aproximaciones
en cada punto de operación a lo largo de la trayectoria, con
esto se convierte un problema no lineal, en un problema lineal
variante en el tiempo.
B. Función objetivo
Considerando la función objetivo similar a MPC
P M −1 M −1
J=
X
ky(t+j)−ys kqQ +
X
k4u(t+j)kqS +
X
ku(t+j)
j=1 j=1 j=1
−us kqR + kskqT
donde q puede ser 1 o 2 según el tipo de norma que se utilice
y Q, S, R y T son matrices de ponderación. Los criterios de
minimización son:
y − s ≤ y(t + j) ≤ y − s ∀j = 1, P
u ≤ u(t + j) ≤ u ∀j = 1, M − 1
4u ≤ 4u(t + j) ≤ 4u ∀j = 1, M − 1
Es de mencionar que aunque el algoritmo de minimización
encuentre la solución óptima, este hecho no garantiza la esta-
bilidad del bucle cerrado, por lo que existen algunos métodos
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.
8
2) Restricción terminal: Consiste en añadir una restricción
terminal al estado en el algoritmo NMPC. Con la introducción
de esta restricción el estado al final del horizonte finito es cero
y por tanto también lo será la señal 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 predicción
fuera infinito.
XI. C ONCLUSIONES
La diferencia entre las diversas técnicas MPC radica bási-
camente en la formulación matemática de los criterios de
funcionamiento y en la elección de la manera de representar
el proceso.
Todas las técnicas de MPC están basadas en la minimización
de una función de coste de un único objetivo para la obtención
de la mejor secuencia de acciones de control. Sin embargo, en
muchas situaciones el comportamiento del proceso no se puede
medir con una sola función objetivo sino que, la mayoría de
las veces, existen diversos objetivos de control.
Los distintos algoritmos de MPC difieren entre si casi
exclusivamente en el modelo usado para representar el proceso
y las perturbaciones y en la metodología y técnica de a
minimización de coste. Aunque las diferencias puedan parecer
pequeñas, pueden provocar distintos comportamientos en bucle
cerrado, siendo críticas para el éxito de un determinado
algoritmo en una determinada aplicación.
El estudio de estabilidad o robustez de la solución es com-
plicado, sobre todo en el caso de inclusión de restricciones,
ya que la ley de control es en general variable con el tiempo
y no se puede representar el sistema de la forma clásica de
bucle cerrado.
Queda mucho por estudiar en campos como identificación
de modelos, estimación del estado y de las perturbaciones no
medibles o tratamiento sistemático de las incertidumbres, más
aún en los métodos de obtención de modelos y minimización
de costo para el caso NMPC.
R EFERENCES
[1] Y. Xi, Predictive Control : Fundamentals and Developments. Hoboken,
NJ : Wiley, 2019.
[2] E. F. Camacho and C. Bordons, Model Predictive Control. Sevilla, Spain:
Springer, 1998.
[3] C. Bordons Alba, “Control Predictivo: metodología, tecnología y nuevas
perspectivas,” Universidad de Sevilla, 2000.
[4] J. M. Martín Sánchez, Control Adaptativo Predictivo Experto:
metodología, diseño y aplicación. Madrid: Madrid : Universidad Nacional
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.
[6] J. Richalet, A. Rault, J. L. Testud, and J. Papon, “Model predictive
heuristic control: Applications to industrial processes,” Automatica, vol.
14, no. 5, pp. 413–428, 1978.
[7] L. Magni, D. M. Raimondo, and F. Allgöwer, Nonlinear Model Predictive
Control Towards New Challenging Applications, 1st ed. 2009. Berlin,
Heidelberg : Springer Berlin Heidelberg : Imprint: Springer, 2009.