Recientes alcances del control predictivo por modelo (MPC): enfoques y

aplicaciones

RESUMEN

El control predictivo por modelo (MPC) ha sido una estrategia de control ampliamente
utilizada y estudiada por las comunidades del sector industrial y del sector académico. La
principal potencia de esta estrategia de control ha sido por su gran capacidad de trabajar
con todo tipo de procesos y fundamentalmente por el manejo implícito de restricciones de
proceso. En el presente trabajo se hizo una revisión sobre los métodos de control, con
énfasis en la teoría y aplicaciones del modelo de control predictivo (MPC) para fabricación
de productos farmacéuticos, captura de CO2, baterías de ion-litio, procesos de
ultrafiltración, manejo de turbinas e industria del petróleo.
ABSTRACT

The predictive control by model (MPC) has been a control strategy widely used and studied
by the communities of the industrial sector and the academic sector. The main power of this
control strategy has been its great capacity to work with all kinds of processes and
information due to the implicit handling of process restrictions. In the present work, a
revision of the control methods was carried out, with emphasis on the theory and
applications of the predictive control model (MPC) for the manufacture of pharmaceutical
products, CO2 capture, lithium ion batteries, ultrafiltration processes, of turbines and oil
industry.
PALABRAS CLAVES
Control predictivo por modelo, restricciones de proceso, métodos de control

INTRODUCCIÓN

El control predictivo por modelo (MPC) futuras para lograr que en el horizonte de
es una de las técnicas avanzadas de predicción, las variables controladas
control que ha tenido un impacto converjan a los valores de referencia
importante en la industria. La técnica del (khairy et al., 2010; Chang & Tsai, 2013).
MPC se puede interpretar como una
estrategia de control que utiliza de forma
explícita un modelo matemático interno
El método MPC constituye un campo
del proceso a controlar (modelo de
muy amplio de métodos de control;
predicción). Este modelo se utiliza para
integra diversas disciplinas como control
predecir la evolución de las variables a
óptimo, control estocástico, control de
controlar a lo largo de un horizonte
procesos con tiempos muertos y control
temporal de predicción; de este modo se
con restricciones (Lamburn et al., 2014).
pueden calcular las variables manipuladas
El MPC es un tipo de control de
1
naturaleza abierta dentro del cual se han
desarrollado gran cantidad de
aplicaciones, encontrando aceptación
tanto en la industria como en el ámbito
académico. En la actualidad existen
numerosas aplicaciones de controladores
predictivos funcionando con éxito en
diversas áreas, como en la industria de
procesos, en el control de motores y la
robótica.
Una de las propiedades más atractivas del
MPC es su formulación abierta que
permite la incorporación de distintos tipos
de modelos de predicción, así como la
consideración de restricciones sobre las
señales del sistema permitiendo
maximizar el rendimiento, también
presenta otras ventajas como: sencillo de
comprender, maneja tanto sistemas de una
sola variable como multivariables así
como la compensación con retardo,
agregando que los pasos para ajustarlo a
un proceso es relativamente muy fácil.
Sin embargo, la técnica MPC presenta
ciertos inconvenientes, ejemplo de estos
son: requerimiento del conocimiento
preciso del modelo dinámico del sistema
que se está estudiando, además de
requerir un algoritmo de optimización,
por lo que sólo puede implementarse por
computador lo que tiene como
consecuencia la demanda de un alto coste
computacional, haciendo difícil su
aplicación a sistemas rápidos (Mayne et
al., 2014).
El control MPC posee principalmente
tres elementos: un modelo explícito del
sistema que será utilizado para predecir el
comportamiento futuro del sistema en
determinados instantes de tiempo, una ley
de control que junto con las restricciones
del problema formulará el problema de
optimización a resolver y una estrategia
de horizonte deslizante que implica la
resolución del problema de optimización
en cada instante de tiempo, siempre
teniendo en cuenta el comportamiento
futuro del sistema durante un cierto
intervalo que se desplaza según avanza el
tiempo actual (Xi et al., 2013).
La estrategia que sigue el control
predictivo por modelos se puede expresar
de forma genérica como se define en la
Figura 1. La figura muestra la evolución
del sistema hasta el instante actual (t) y la
predicción del comportamiento futuro, así
como algunos de los parámetros más
relevantes de un MPC, como pueden ser:
- Horizonte de predicción ( N ): Indica la
ventana de tiempo para la cual se calculan
las salidas futuras y ( t+ k|t ) para cada
instante k.
- Horizonte de coincidencia ( N 1 , N 2):
indica la ventana de tiempo que se
considera en el cálculo de la
optimización. Se suele fijar un N 1 ≠0 , por
ejemplo, en aquellos sistemas en que la
dinámica incluye un retardo o una
respuesta de fase no mínima.
- Horizonte de control ( N u ): Indica el
número cambios en la acción de control
permitidos en un ciclo del controlador.
Figura 1. Metodología del control
predictivo por modelo.
La predicción de la evolución de cada
variable controlada del sistema se realiza
empleando un modelo matemático de éste
2
y, basándose en el concepto de horizonte
móvil (receding horizon), el MPC realiza,
en primer lugar, las predicciones
requeridas en una ventana temporal finita
previamente definida (horizonte de
predicción) para llevar a cabo la
minimización de la función de coste.
Finalmente, se aplica al sistema el primer
valor calculado para cada variable
controlada y se repite el proceso (Faedo
et al., 2017).
El conjunto de acciones de control
obtenidas de la resolución de dicho
proceso responden habitualmente al
criterio de la minimización del cuadrado
de la función de error, es decir, la
diferencia entre la salida predicha
y ( t+ k|t ) respecto de la trayectoria de
referencia w ( t +t|k ) . También es habitual
incluir en el problema de optimización el
esfuerzo de control ∆ u ponderado por un
factor , resultando la siguiente función
de coste:
N2
min J = ∑ ¿ ¿ ¿ (1)
j=N 1
Además a la función de costes se le
pueden añadir una serie de restricciones
sobre las variables controlada y
manipulada (ecuación 2) que delimitan la
región factible de la solución del
problema de optimización (Sultana et al.,
2017).
y max ≥ y (t+ j)≥ y min
umax ≥ u(t + j)≥ umin
∆ u max ≥ ∆ u(t+ j)≥ ∆ umin (2)
Para llevar a cabo esta estrategia se utiliza
una estructura como la mostrada en la
figura 2. Se usa un modelo para predecir
la evolución de la salida o estado del
proceso a partir de las señales de entrada
y salidas conocidas. Las acciones de
control futuras se calculan con el
optimizador, que considera la función del
coste y las posibles restricciones. El
modelo elegido determina la eficacia del
control, por lo que éste debe ser lo
suficientemente adecuado como para
poder predecir la evolución del proceso
de una forma razonable y al mismo
tiempo lo suficientemente simple como
para poder implementarlo. Las distintas
metodologías difieren en la forma que se
implementa el modelo del proceso
(Ziogou, et al., 2018). El optimizador es
otra parte fundamental de la estructura ya
que permite obtener las acciones de
control a aplicar. Si la funcion de coste es
cuadrática, el mínimo se puede obtener
como una función explícita de las
entradas y salidas pasadas y de la
trayectoria de referencia. Si éste no es el
caso se ha de acudir a un algotirmo
numérico de optimización que requiere
mayor capacidad de cálculo.
El tamaño del problema resultante
depende del numero de variables, de los
horizontes de control y prediccion y del
numero de restricciones.
Figura 2. Estructura del MPC
El presente trabajo tiene como objetivo
proporcionar una revisión del control
predictivo por modelo con énfasis en los
fundamentos teóricos y las aplicaciones
correspondientes con el propósito de
3
entender el comportamiento futuro del
sistema dinámico.
DISCUSIÓN
El MPC es un método que ha tenido
aplicaciones en diversas áreas de la
ciencia. Por ejemplo, este se ha aplicado
en diversas plantas piloto de fabricación
de productos farmacéuticos de manera
continua debido a sus atributos críticos de
calidad.
Para obtener productos farmacéuticos de
alta calidad es necesario emplear un
control por retroalimentación, teniendo en
cuenta todas las incertidumbres y
perturbaciones del proceso e interacciones
dinámicas entre diversas unidades de los
procesos de la planta.
Se han elaborado múltiples diseños de
controles predictivos por modelo
aplicados a una planta piloto de
fabricación farmacéutica utilizando un
algoritmo de control de matriz cuadrática.
Los sistemas de control predictivo por
modelo que ocupan toda la planta se
diseñan utilizando una matriz dinámica
cuadrática de control (QDMC, por sus
siglas en inglés) la cual se basa en una
descripción de entrada-salida de la
dinámica de toda la planta. El sistema
QDMC de toda una planta se implementa
en un modo de “retroceso-línea
horizontal”, como se observa en la figura
3, la cual requiere una solución en tiempo
real del problema del control óptimo
sobre el horizonte del control Nc en cada
instante K (Mesbah et al., 2017).
Figura 3. Implementación del modelo de
retroceso-línea horizontal del sistema
QDMC aplicado a una planta
farmacéutica.
De esta manera, se ha podido utilizar este
MPC para controlar la síntesis industrial
en una planta piloto de diversos fármacos.
Por otra parte, el MPC ha tenido una
aplicación comprometedora para la
captura de CO2 producido en diversas
plantas, dicha aplicación se fundamenta
en el uso del reactivo químico
monoetanol-amina (MEA), esto con el fin
de reducir las emisiones de CO2 de las
centrales eléctricas (por ejemplo)
alimentadas con combustibles fósiles. Sin
embargo, la planta de captura de CO2
obedece a un sistema multivariable no
lineal con un gran retraso de tiempo. De
tal manera que para obtener un
rendimiento de control satisfactorio se
han realizado modelos de control
predictivo para el control de variables en
los procesos de captura de dióxido de
carbono (CO2) en las plantas una vez
realizados los procesos de combustión.
Para evaluar los proceso de captura, se ha
requerido el uso de softwares para llevar a
cabo la respectiva simulación del proceso
utilizando MEA como solvente para la
captura de CO2. Una vez realizada la
4
simulación y obtenido el modelo, el MPC
(en este caso, multivariable) es
desarrollado para controlar la velocidad
de captura del CO2 y la temperatura del
hervidor del MEA. Esta simulación
multimodelo ha demostrado tener la
capacidad para rastrear el punto de
referencia de la tasa de captura de forma
rápida y sin problemas mientras se
mantiene la temperatura del hervidor en
su rango de operación deseado,
corroborando que el sistema de control
predictivo multimodelo tiene una alta
precisión de control y una buena robustez.
Por lo que un sistema MPC multimodelo
se puede aplicar para realizar este tipo de
acción de manera flexible (Xu et al.,
2017; Wu et al., 2018).
Desde otro punto de vista, el control
predictivo por modelo se ha utilizado
también en las baterías de ion-litio (Li+),
las cuales presentan ciertas ventajas, entre
las que se incluyen las altas capacidades
de energía y densidad de poder que estas
poseen, el bajo requerimiento de
mantenimiento y una relación
relativamente amigable con el ambiente.
Estas baterías han sido reconocidas como
las celdas electroquímicas más
prometedoras en aplicaciones en los
vehículos eléctricos, así como también en
dispositivos electrónicos.
Una variable que afecta la vida útil de la
batería es la temperatura, en el sentido de
que, una temperatura alta acelerara el
proceso de envejecimiento de la batería
causando fugas y posibles explosiones.
De esta manera, surge la necesidad de
monitorear y manejar los
comportamientos térmicos de las baterías
de ion litio, donde el tiempo de recarga de
la batería es otra variable importante en la
vida útil de esta.
Con el propósito de cumplir estas tareas,
se han propuestos algoritmos para
administrar las operaciones de carga a la
batería utilizando un enfoque MPC.
Basado en un modelo electro térmico, la
carga de la batería se ha formulado como
una variable con respecto al tiempo. Se
han implementado observadores no
lineales para las mediciones de la
temperatura y voltaje de la batería. Los
resultados de estos trabajos han
demostrado que el modelo propuesto es
capaz de equilibrar de manera óptima la
temperatura de la batería con respecto al
tiempo de carga de esta. Además de las
simulaciones del proceso, se ha afirmado
que el algoritmo de carga basado en el
control predictivo por modelo es
prometedor para la implementación en
tiempo real (Zou et al., 2017).
En este orden de ideas, se han utilizado
modelos y controladores predictivos de
redes neuronales artificiales (ANN) para
el control del proceso de la ultrafiltración
(UF), en la producción de agua potable en
sistemas de tratamiento de agua a gran
escala. Esto para reducir las pérdidas de
agua prestando atención a algunos
parámetros no considerados por el
sistema de control convencional.
En los sistemas de control convencionales
no se tomarían en cuenta las posibles
perturbaciones de obstrucciones
potenciales de una membrana, tales como
las concentraciones de sólidos en agua de
alimentación y la resistencia específica a
la torta durante la filtración y retrolavado
del proceso. Siendo el agua tomada de
ríos, es entendible tener cambios
constantes de las características del agua
superficial, que se deben a las fuertes
lluvias y la escorrentía superficial; por tal
razón el modelo predictivo fue utilizado
para estimar la resistencia específica de la
5
torta o α en tiempo real, además de
reducir significativamente la duración
requerida para el análisis de laboratorio
convencional en este parámetro. Los
datos de entrada de la turbidez del agua
de alimentación (feed water turbidity), el
TMP en línea (transmembrane pressure),
el tiempo de filtración (filtration time) y
el valor pasado inmediato de α (α t-1) se
introdujeron en el modelo predictivo para
estimar el valor actual de α (α t) (figura
4). Esto se conoce como modelado ANN
dinámico mediante el cual el valor pasado
inmediato de la salida se retroalimenta
como entrada en el modelo para permitir
una predicción mucho más precisa. La
reducción de las pérdidas de agua se logró
al prolongar la duración de la filtración
para agua de alimentación con baja
turbidez usando el sistema de control
ANN (Chew et al; 2018).
Figura 4. Entradas y salidas del modelo
predictivo ANN. (Chew et al., 2018)
Se ha llevado a cabo una reciente
aplicación de una estrategia de control
predictivo (MPC) basada en un modelo
no lineal multivariable para evitar la
operación insegura o inapropiada de unas
turbinas, el cual tenía como objetivo
controlar la rotación del compresor y la
temperatura después de la turbina de una
turbina de gas durante los cambios de
carga, mientras que al mismo tiempo
reducía las emisiones de NOx, con vistas
a una producción de energía más limpia y
sostenible. Mediante la manipulación del
caudal de combustible que alimenta la
cámara de combustión y las paletas de
guía de entrada variable del compresor, se
emplearon con éxito la metodología, la
cual hace uso del programa DESTUR
para representar el comportamiento
dinámico no lineal de una turbina de gas.
El simulador de turbina de gas resuelve
ecuaciones de conservación de masa,
energía y momento, así como una
ecuación de estado. El procedimiento
general se lleva a cabo por los
controladores MPC típicos, como se
ilustra en la Figura 1. El modelo de
proceso interno se usa para predecir
salidas futuras, para un horizonte dado
N2. Las salidas pronosticadas 𝑦 (𝑡 + 𝑘│𝑡),
k = 1,2 ... N2, dependen del conocimiento
de los valores de entrada y salida en el
tiempo t, y en el conjunto de señales de
control futuras 𝑢 (𝑡 + 𝑘 │𝑡), k = 1,2 ... N2.
El objetivo es evaluar y enviar a la planta
las señales de control 𝑢 (𝑡 + 𝑘│𝑡) que
harán que las salidas pronosticadas del
proceso sigan los valores deseados. El
control predictivo del modelo se formula
como la solución repetida de un problema
de control óptimo con ciclo abierto de
horizonte finito, sujeto a la dinámica del
sistema, restricciones de entrada y
restricciones de estado, como se muestra
en la figura 2 (Pires et al., 2018).
La industria del petróleo y el gas buscan
estrategias más eficientes para controlar
sus instalaciones. Fluid Catalytic
Cracking (FCC) ha mantenido su papel
clave entre los procesos de las refinerías
de petróleo debido a su contribución en el
rendimiento general de la refinería y su
impacto en la rentabilidad económica. Se
han estudiado múltiples técnicas de
control para controlar la unidad, ya que
presenta un desafío muy fuerte para la
teoría de control debido a su complejidad.
Se muestra una implementación exitosa
de control predictivo modelo adoptando
un modelo lineal riguroso para la unidad
de craqueo catalítico fluido. La estrategia
de CPM (o MPC) depende de la función
6
objetivo (o función de costo), que es un
intento de ecuación para minimizar el
error entre la trayectoria de salida de la
planta deseada y la real, al tiempo que
valora las restricciones sobre los cambios
de salida y entrada.
(3)
Donde (ŷ) el vector representa la
predicción de salida (s) de planta a través
del modelo de planta identificado con
longitud (N), (r) es la trayectoria de
referencia con la misma longitud de (ŷ), y
(u) que representa el cambio en entrada
(s) manipulada (s) con longitud (M), (N)
es el horizonte de predicción. También
hay dos factores de ponderación que se
utilizan para controlar la contribución de
las salidas y las entradas en el cálculo de
minimización, (Qy) es el factor de
ponderación para la salida (s) y (Su) es el
peso de los cambios en la entrada
manipulada. Se investigaron varios casos
que se asemejan a los objetivos de
operación de la unidad real, como el
aumento en el flujo de materia prima y el
cambio del factor de armado; a través de
diferentes cambios de punto de ajuste. El
MPC proporcionó los méritos del control
de salida múltiple de múltiples entradas,
el manejo de restricciones para entradas y
salidas, y la estabilidad del bucle cerrado
(Zahran et al; 2017).
CONCLUSIONES
REFERENCIAS
Chang, Y., Tsai, C. (2013). Adaptive
Stable Generalized Predictive Control
Using TSK Fuzzy Model for Nonlinear
Discrete- Time Systems with Time-
Delays. International Journal of Fuzzy
Systems, 15(2), pp. 133-141.
Chew, C., Aroua, M., Hussain, M. (2018).
Advanced process control for
ultrafiltration membrane water treatment
system. Journal of Cleaner Production,
179, 63–80.
Faedo, N., Olaya, S., Ringwood, J.
(2017). Optimal Control, MPC and MPC-
Like Algorithms for Wave Energy
Systems: An Overview. IFAC Journal of
Systems and Control.
Khairy, M., Elshafei, A. Emara, H.
(2010). LMI Based Design of
Constrained Fuzzy Predictive Control.
Fuzzy Sets and Systems, Volumen 5, pp.
328-337.
Lamburn, D. J., Gibbens, P. W., Dumble,
S. J. (2014). Efficient constrained model
predictive control. European Journal of
Control, 20(6), 301–311.
Mayne, D. Q. (2014). Model predictive
control: Recent developments and future
promise. Automatica, 50(12), 2967–2986.
Mesbah, A., Paulson, J. A., Lakerveld, R.,
& Braatz, R. D. (2017). Model Predictive
Control of an Integrated Continuous
Pharmaceutical Manufacturing Pilot
Plant. Organic Process Research &
Development, 21(6), 844-854.
Pires, T. S., Cruz, M. E., Colaço, M. J.,
Alves, M. A. C. (2018). Application of
nonlinear multivariable model predictive
control to transient operation of a gas
turbine and NOXemissions reduction.
Energy, 149, 341–353.
7

Sultana, W. R., Sahoo, S. K., Sukchai, S.,
Yamuna, S.,Venkatesh, D. (2017). A
review on state of art development of
model predictive control for renewable
energy applications. Renewable and
Sustainable Energy Reviews, 76(March),
391–406.
Xi, Y.-G., Li, D.-W., Lin, S. (2013).
Model Predictive Control — Status and
Challenges. Acta Automatica Sinica,
39(3), 222–236.
Xu, M., Leng, W., Liang, X., & Wu, X.
(2017). Multi-model predictive control of
post-combustion CO2 capture plants.
In Chinese Automation Congress (CAC),
2017 (pp. 6243-6248).
cracking unit control using model
predictive control and adaptive neuro
fuzzy inference system: Comparative
study. In 2017 13th International
Computer Engineering Conference
(ICENCO) (pp. 172–177).
Ziogou, C., Voutetakis, S., Georgiadis,
M. C., & Papadopoulou, S. (2018). Model
predictive control (MPC) strategies for
PEM fuel cell systems – A comparative
experimental demonstration. Chemical
Engineering Research and Design.
Zou, C., Hu, X., Wei, Z., Tang, X.
(2017). Electrothermal dynamics-
conscious lithium-ion battery cell-level
charging management via state-monitored
predictive control. Energy, 141, 250-259.

Wu, X., Shen, J., Li, Y., Wang, M.,

Lawal, A. (2018). Flexible operation of
post-combustion solvent-based carbon .
capture for coal-fired power plants using
multi-model predictive control: A
simulation study. Fuel, 220, 931-941.
Zahran, M., Ammar, M. E., Ismail, M.
M., Hassan, M. (2017). Fluid catalytic