Moderno en ingeniería de control

ˇ
Stefan Kozák
Instituto de Automotive Mechatronics, Facultad de Información e Ingeniería Eléctricas Tecnología, Universidad de eslovaco de Tecnología,
Ilkoviˇcova 3, 812 19 Bratislava, República de eslovaco
Disponible on-line 12 Marcha 2014

Abstracto
El papel trata tendencias nuevas en búsqueda, desarrollo y aplicaciones de métodos de control adelantado y las estructuras
basaron en los principios de optimality, robustez e inteligencia. Las tendencias presentes en el diseño de control de proceso
complejo reclaman un grado creciente de integración de matemática numérica, métodos de ingeniería del control, estructuras de
control nuevo basaron de distribución, embedded estructura de control de la red y comunicación e información nuevas
technologies. Además, aumentando problemas con interacciones, proceso no-linealidades, operando constreñimientos, retrasos
de tiempo, incertidumbres, y significativos muertos-el tiempo consiguientemente dirige al necessity para desarrollar control más
sofisticado estrategias. Adelantado control métodos y nuevos distribuidos embedded estructuras de control representan las
herramientas más eficaces para darse cuenta rendimiento alto de muchos procesos tecnológicos. Las ideas principales cubrieron
en este papel está motivado concretamente por el desarrollo de nuevo adelantado control métodos de ingeniería (predictivos,
híbridos predictivos, optimal, adaptive, robustos, lógica difusa, y red neuronal) y posibilidades nuevas de su SW y HW
realizaciones e implementación exitosa en industria.
© 2014 Producción y hosting por Elsevier B.V. En behalf de Instituto de Búsqueda de las Electrónicas (ERI).

Palabras clave: PID control; control Predictivo; Optimal control; Adaptive control; Self-poniendo a punto control; control Borroso y neuronal;
algoritmos Genéticos; Embedded sistemas de control; Información y communication tecnologías

1. Introducción

El control automático es crucial para prácticamente todas actividades de ingeniería. Tecnología de automatización
(Frank, 1999) está entendido para ser el uso de tales métodos, estrategias de control, procesos, e instalaciones (hardware y
software) cuáles son capaces de cumplir definió objetivos sin la interferencia constante de hombre en una manera en gran
parte independiente, i.e., automáticamente. Motivado por el éxito práctico de ingeniería de control convencional methods
en productos de consumidor y control de proceso industrial, ha habido una cantidad creciente de trabajar encima
desarrollo de métodos nuevos qué está basado en técnicas de optimización nueva, estrategias de informática blanda, y
realización de hardware eficaz de controlar unlgorithms. Control de proceso continúa ser un campo vital, importante con
problemas de búsqueda irresolutos significativos y aplicaciones industriales desafiantes. Métodos de control automático
con la integración de información y sistemas de comunicación es hoy pervasive en todos los campos de las actividades de
las personas. La búsqueda, desarrollo e implementación de control nuevo
 Higo. 1. Tendencias en desarrollo de métodos de ingeniería del control.

Los principios en campo de automatización han sido muy dinámicos (Higo. 1). Aplicaciones de principios de
control automático y métodos de control aparecen prácticamente en todas partes en electrónica de consumidor,
dispositivos de casas, en todos los tipos de industria, sistemas de comunicaciones, tipos modernos de vehículos,
mechatronics, sector de banco, servicios de salud, etc. los métodos de control automático estuvieron reconocidos
como técnica muy potente aplicable a muchos problemas en campos diversos.

2. Desarrollo de métodos de ingeniería del control y estructuras

Hoy podemos reconocer cuatro etapas del desarrollo de métodos de ingeniería de control (Mesa 1). Estrategias de
control convencional (Categoría Un) ha sido ampliamente utilizado en industria para varias décadas. La sintonía de estas
controladoras puede ser dada cuenta manualiado o automáticamente. Principios de control manual están utilizados en
muchos procesos industriales como herramienta de decisión eficaz o como control supervisor en situación extraordinaria o
para manualmente ajustado de proceso y parámetros de controlador.
En muchos casos de manual control de proceso, el operador de proceso ajusta proceso y parámetros de controlador en
la base de experiencias propias. La mayoría vasta de bucles de control automático en el proceso industrias (90%) todavía
confiar en varias formas del ubiquitous PID controlador (Category Un en Mesa 1) cuál ha sido comercialmente disponible
para encima 70

Mesa 1
Ingeniería de control de desarrollo de tiempo métodos.

Un. Convencional PID Control
Control manual
Control de retroalimentación
(FB)
Cascade Control (CC)
Feedforward Control (FFW)
Control de proporción (RC)
Peineta. Estructuras de control
(FB + FFW + CC)
B. Control adelantado yo
Adaptive Y Selftuning
Control
El beneficio que Planifica
Método
Multivariable Control
Métodos (Espacio Estatal y
Modelos de Funciones de la
transferencia)
Multivariable Control
Métodos (Desacoplamiento y
Control descentralizado)
Polo Placement Métodos
(SISO, MIMO)
Nonlinear Métodos de control
(Yo/O linearization)
C. Control adelantado II
Optimal Métodos de control
(LQ Y LQG)
Métodos de Control robusto (H2,
Hinf, IMC)
Modelo Control Predictivo
(MPC-DMC, MPC-GPC)
Control descentralizado (Tiempo
Ámbito, ámbito de Frecuencia)
Métodos de Control algebraico
(Síntesis polinómica)
Robusto QFT Métodos de Control
D. Control adelantado III
Control Predictivo híbrido
Control borroso (PID, MPC
FPGA)
Control de Red neuronal
(Optimal, MPC, FPGA)
Control de Acontecimientos
discretos
(Híbrido con Petri redes)
Nonlinear Híbrido Blando
Computando Control
Métodos de Control experto
Años. Para mucho lote procesando operaciones, control de proceso está conseguido vía ajustamientos manuales
infrecuentes por operadores de planta.
Derivado integral proporcional (PID) el control es el más control utilizado generalmente algoritmo en la
industria hoy. PID Popularidad de controlador puede ser atribuida a la efectividad del controlador en una gama
ancha de condiciones de operación, su funcionales simplicity, y la facilidad con qué ingenieras lo puede
implementar utilizando tecnología de ordenador actual. Proporcional-integral-derivado (PID) los controladores son
el más adoptó controladores en encuadres industriales debido a la proporción de beneficio/de coste ventajosa
sonabl e para proporcionar. A pesar de su historia larga y el saber-cómo obtenido de años de experiencia, la
disponibilidad de microprocesadores y herramientas de software y la demanda creciente para calidad de producto
más alto en coste reducido tiene estimuló investigadores para ingeniar metodologías nuevas para mejorar su
rendimiento y hacerles más fácil de utilizar. Práctico PID el control cubre asuntos importantes que surgir cuándo un
PID el controlador es para ser aplicado en controlar procesos industriales prácticos. En Mesa 1 nosotros proposed
estructuras de control diferente y métodos de síntesis diferente para continuos y controladores de tiempo discreto
cuáles pueden utilizar en industria. El diseño de métodos de control eficaz y los algoritmos es el objetivo principal
del control de proceso. El básico control las estructuras para procesos industriales son retroalimentaciones,
feedforward, y combinación de retroalimentación, cascade y feedforward. PID Los tipos del controlador pueden ser
incorporados en estructuras de control de la retroalimentación (FBC), feedforward estructuras de control (FFW),
cascade control (CC) y para estructuras de control combinado (FC, FFW y CC) (Qin y Badgwell, 1998; Kozák,
2002). La razón principal de la popularidad de PID el controlador en estructura de control mencionado es que este
controlador combina dos hormigade importación las características buscaron por ingenieros de control:

• Simplicidad de la ley de control e implementación fácil en continuo-tiempo o forma de tiempo digital a

microordenador, PLC o tan hardware FPGA realización de controlador (FPGA es un acrónimo para Campo Variedad
de Puerta Programable).
• Propiedades de robustez aseguran la estabilidad y rendimiento alto bajo los cambios de parámetros de proceso del
controló procesos. Robustez, fiabilidad, estado firme y el shaping de la respuesta transitoria es el asunto más
importante . Hay varias forma de los controladores industriales utilizados son de estándares PID tipo (en continuo
y/o forma digital). Para implementación práctica, sólo 10–20 algoritmos básicos están utilizados ser modificados
según el tipo de procesador utilizado, dinámica de planta, retrasos de tiempo, etc.

Implementación de PID los controladores ha pasado por varias etapas de evolución, de los diseños mecánicos y
neumáticos tempranos al microprocesador-basó sistemas (Kozák, 2002). Recientemente, Campo Puerta
Programable Unrrays (FPGA) tiene ser venido una solución alternativa para la realización de sistemas de control
digital, anteriormente dominados por los sistemas de microprocesador de propósito general. El FPGA ventajas de
oferta de controladores basados como velocidad alta, funcionalidad compleja, y consumo de poder bajo. Además,
en procesos de control típico (p. ej., procesos térmicos, procesos químicos, plantas de poder, robóticos, paseos, etc.)
es a menudo necesario de modificar los métodos de control clásicos mencionados de poner a punto tomando a
consideración the retrasos de tiempo, unmodeled dinámica, cambio de alborotos y condiciones laborables. La
mejora de métodos clásicos es posible bajo la suposición que el original emitiendo algoritmo de control es
extendable con respetar a los cambios en proceso parameters, estabilidad de cosechas del bucle cerrado incluso en
la presencia de retraso de tiempo grande y es aplicable en el control de tiempo real. El énfasis está siendo colocado
encima los controladores discretos generalizados diseñaron tan muertos-batió controladores de tipo clásico y/o
algebraic controladores polinómicos. La aproximación algebraica deja para diseñar controladores con las
propiedades robustas modificables por IMC filtros (con un feedforward y una estructura de retroalimentación
también).
Mesa 1 espectáculos el desarrollo de tiempo de los métodos de ingeniería del control del convencionales a arriba
del control adelantado con propiedades inteligentes y robustas. Para la mayoría de reparto de problemas de control
del proceso, hay poco incentivo para aplicar avance más “complicado” métodos de control. En cambio, estas
estrategias tendrían que ser reservadas para problemas de control difícil donde pueden proporcionar las mejoras
significativas es pequeñas comparados al número total de bucles de control, típicamente implican variables de
proceso crítico qué fuertemente afectar control clave objectives como seguridad, calidad de producto, proceso
operability, y conformidad con estándares medioambientales.
 Las estrategias de control adelantadas en Categoría B está referido a tan clásico porque han sido utilizados en
industria para encima 40 años. A pesar de que else técnicas de control no son utilizadas en cada planta o incluso en más
plantas, proporcionan soluciones eficaces costadas para clases importantes de problemas. Cuándo interacciones de cuerda
existen entre el controlados y manipuló variables, convencionales multi-bucle PID configuraciones de control no pueden
ser adecuadas. En estas situaciones, el más generales multivariable potencial de oferta de estrategias de control para
mejoras significativas. Para el purposed de este papel, el plazo multivariable el control referirá para controlar strategies en
qué al menos uno del manipuló variables
Es ajustó basado midió valores de más de uno controló variable. Multivariable Técnicas de control tienden para ser
modelo-basado y puede proporcionar significativamente control mejor porque el efecto de cada variable manipulada en
cada variable controlada es captured por el modelo dinámico del proceso. Aun así, exactitud de modelo es evidentemente
una preocupación clave para todos los tipos de modelo-estrategias de control basado, incluyendo multivariable técnicas
de control. Temprano multivariable técnicas de control constaron de utilizar adicionales decoupling controladores para
aumentar un multi-esquema de control del bucle. El propósito del decouplers era para compensar para interacciones de
proceso indeseable entre manipulados y controló variables. Típicamente, desacoplando sistemas de control han sido
utilizados para problems con un número pequeño de controló variables (p. ej., 2–4). Pero estático decouplers ha sido
exitosamente utilizado para muchos problemas más grandes como control de temperatura en reformar furnaces. A pesar
de que multivariable estrategias de control han sido disponibles para encima 30 años, la aplicación extendida no tuvo
lugar hasta el 1980s. Por ejemplo, un 1976 artículo de encuesta informó sólo 29 aplicaciones industriales de multivariable
técnicas de control, con 10 de este desacoplamiento de implicar sistemas de control. Por contraste, un 1995 vendedor
encuesta por Qin y Badgwell (1998) informó encima 2200 aplicaciones del más ampliamente utilizados multivariable
técnica, modelo control predictivo (MPC), el cual está considerado en la sección próxima.
Porque multivariable estrategias de control son normalmente basadas en un modelo dinámico del proceso, la
disponibilidad y la exactitud del modelo es asuntos claves. A pesar de que primeros modelos de principios están
preferidos, en muchos problemas de control práctico no son fácilmente disponibles. Consiguientemente, there es interés
considerable en identificación de proceso (o identificación de sistema), concretamente, desarrollando modelos dinámicos
empíricos de entrada–dato de producción. Típicamente, identificación de proceso es el más exigente y el tiempo que
consume paso en el industrial implementaation de estrategias de control adelantado.
Una discusión comprensible del estado del arte de identificación de proceso es allende el alcance de este papel.
En cambio, unos cuantos desarrollos recientes serán mencionados y las referencias citaron. La identificación de
lineal dynamic los modelos es un campo maduro pero los resultados nuevos importantes continúan aparecer y
paquetes de software excelente son disponibles. Subspace Técnicas de identificación pueden soler determinar
estatal-estructura de modelo espacial (incluyendo retrasos de tiempo) así como modelo parameters de entrada–dato
de producción. Estudios de simulacro para MIMO los sistemas han demostrado que subspace técnicas de
identificación pueden proporcionar modelos más cuidadosos de identificación de bucle cerrado incluso cuándo los
alborotos correlativos son presentes. Además del modelo de proceso él, es deseable de tener una estimación de su
exactitud. La exactitud es generalmente expresada tan incertidumbre de ámbito de la frecuencia bounds aquello está
calculado en algunos paquetes de software comerciales. Estas descripciones de incertidumbre juegan función clave
en análisis de robustez y el diseño de sistemas de control robusto. La identificación de nonlinear los modelos
dinámicos es una tarea mucho más difícil para varias razones, los cuales incluyen:

• El comportamiento estático y dinámico complejo que puede ocurrir, y

• La carencia de un comprehensive marco teórico para nonlinear identificación, en contraste a los resultados
elegantes que es disponible para identificación de sistema lineal.

Además, los conceptos básicos de compensación de retraso del tiempo y el beneficio que planifica es
características comunes de muchos modelo moderno-estrategias de control basado. En años recientes, modelo
general-basado nonlinear estrategias de control han sido desarrolladas utilizando ambos modo físicols y una gama
ancha de modelos empíricos. Un método de síntesis popular para clases de nonlinear los modelos está basado en
exactos linearization o una entrada–producción linearization aproximación. Por incorporar un (aproximado) inverse
del modelo de proceso al control strategy, el sistema de bucle cerrado exhibirá comportamiento lineal bajo
condiciones ideales. El número de aplicaciones industriales aparece para ser pequeño pero creciendo. Las soluciones
analíticas pueden ser obtenidas para clases generales de nonlinear dinámicos como modelos afines que es lineal con
respetar a cada entrada manipulada. Cualesquier primeros modelos de principios o los modelos empíricos pueden
ser empleados. Versiones concretas de la entrada general–producción linearization la aproximación incluye Síntesis
de Sistema de la Referencia, Nonlinear IMC, Nonlinear Decoupling y Control de Modelo Genérico. Las estrategias
de control del proceso en Categoría C ha sido ampliamente utilizado en industria y está descrito en mucho control
de proceso textbooks (Kozák, 2002).
Lineal Cuadrático Gaussiano optimal control (LQG) es una estrategia de control potente aquello ha sido
exitosamente aplicado para procesar problemas de control desde hace muchos años. Aun así LQG (es bien sabido y
ha sido disponible para encima 45 años) no ha disfrutado aplicación extendida en el proceso industrias para un
variety de razones que incluye la carencia de cuidadoso lineal estatal-modelos espaciales. Esta situación podría
cambiar en el futuro debido a la generación nueva de estatal-métodos de identificación espacial que ha devenido
comercialmente disponible. Además, LQG era un important precursor al desarrollo al modelo.

Higo. 2. Comparación de métodos de ingeniería del control y estructuras según la eficacia económica.

Control predictivo (MPC) las técnicas son ahora ampliamente utilizados en industria. Modelo control predictivo
(MPC) es un multi-estrategia de control variable aquello ha sido más ampliamente aplicado en el proceso industrias
(Higo. 2). El primer MPC las técnicas estuvieron desarrolladas independientemente por dos grupos industriales en el
1970s. En 1976, Richalet (1993) publicó un MPC técnica, el cual devino comercializado como IDCOM. Durante el
próximo 40 años, estos y relacionados MPC las técnicas han devenido el método de elección para difícil multivariable
problemas de control en refinerías de petróleo y plantas petroquímicas alrededor del mundo. El concepto de base en MPC
es que modelo dinámico del proceso y las medidas disponibles suelen pronostica comportamiento de proceso futuro. La
computación de control minimiza la diferencia entre la respuesta de proceso pronosticada y el deseado trajectory. El MPC
aproximación de control estuvo desarrollada para difícil multi-entrada, multi-control de producción (MIMO) problems
donde hay interacciones significativas entre el manipuló entradas y el controló producciones. Una ventaja clave de MPC
es que pueda acomodar constreñimientos de desigualdad encima variables de proceso. En versiones cohibidas de MPC, el
control on-line calculations consta de solucionar una programación lineal o cuadrática problema en cada instante de
muestreo, medidas tan nuevas devienen disponibles. A pesar de que estos cálculos son complejos y el tiempo que
consume, los periodos de muestreo son mucho tiempo bastante (p. ej., 5–30 min) de modo que tél los cálculos pueden ser
actuados on-line. Una ventaja del MPC la aproximación es que la pérdida de un sensor o un actuador pueden ser
acomodados por sencillamente cambiando los constreñimientos de desigualdad correspondientes. La experiencia ha
indicado que la identificación de modelo is un paso clave en la implementación exitosa de MPC técnicas. Típicamente, el
modelo está desarrollado de una serie de abierto-bucle pruebas experimentales. En el producto petroquímico, industria
alimentaria y en biotechnological procesos, estas pruebas pueden ser muy el tiempo que consume (p. ej., varias semanas a
varios meses de alrededor-el-pruebas de planta del reloj). En principio el MPC aproximación (Cutler y Ramaker, 1980)
puede ser utilizado con una variedad ancha de modelos de proceso, el cual podría ser físicamente basado o empirical,
lineal o nonlinear, estático o dinámico, etc.
 Aun así, aquella mayoría vasta de las aplicaciones industriales informadas utiliza lineal, modelos dinámicos
empíricos en la forma de respuesta de paso discreto o modelos de respuesta del impulso. Aun así, modelo de
función de la transferencias y estatal-los modelos espaciales también pueden ser empleados. En particular un MPC
la aproximación basada en función de transferencia de tiempo discreto modelos, Control Predictivo Generalizado
(GPC) (Clarke et al., 1987), ha recibido atención considerable y seren aplicado en industria. También, una variedad
de adaptive los controladores basaron en multi-predicciones de paso han sido publicadas. Porque los varios modelos
lineales están interrelacionados, la elección de MPC modelo (Camacho y Bordons, 1995) la forma es en gran parte
un asunto de comodidad y la preferencia del diseñador de sistema del control o usuario de fin. El número de MPC
las aplicaciones ha crecido rápidamente de modo que el total actual podría ser encima 2500 (ve Mesa 2).
Esta carencia de la actividad un poco está sorprendiendo porque MPC es una técnica general que no confía en atributos
concretos de refinerías de petróleo y plantas petroquímicas. Uno razona por qué MPC ha devenido un éxito comercial
importante es que hay encima 15 vendedores en todo el mundo quiénes son licensed a mercado MPC los productos y
quién les instalan encima un turnkey base. Consiguientemente, incluso medio-sized las compañías han sido capaces de
aprovechar esta tecnología nueva. Payout Tiempo de 3–12 meses han sido ampliamente informó. Unconstrained, solo-la
entrada/cantale-producción (SISO) versiones de MPC ha sido disponible en el DCS nivel desde hace muchos años pero
aparecer para tener sólo ha limitado éxito comercial. hay no razón fundamental por qué DCS los productos no pueden
incluir versiones cohibidas de MPC para al menos pequeños problemas

Aplicación MPC en industria.

Aplicación Aspen Honeywell Adersa CCI Pabellón Total
Refinado 950 300 290 – 15 1555
Sustancias
437 55 12 21 25 550
químicas
Alimentario – – 48 – 14 62
Papel de pulpa 21 39 – – 3 63
Gasista y aire 11 13 – 24 – 48
Polímero 5 – – – 22 27
Utilidades 7 9 – 6 – 22
Otro 39 – 51 6 – 96
Total 1470 416 401 57 79 2423

(P. ej., 2–10 controló variables). Genérico MPC software en el DCS los niveles ofrecerían usuarios la ventaja de liberarles
de teniendo que confiar en vendedores exteriores para instalación y cualquier modificación subsiguiente de productos
propietarios. Nuevo DCS el sistema está empezando para incluir MPC en el nivel de bloque de la función (p. ej., Fisher-
Rosemount' Delta V sistema). Avances recientes en reconfigurable tecnología de hardware ha hecho el FPGA una
plataforma adecuada para acelerar computaciones de acciones del control. FPGAs Es un bueno alternative a aplicación
circuitos integrados concretos (ASICs) para velocidad alta embedded MPC aplicaciones desde entonces ofrecen mucho
reducidos abajo-coste de volumen, flexibilidad más grande, y ciclo de diseño más a escaso, reduciendo el riesgo mientras
todavía manteniendo determinista execution tiempo y una eficacia de poder alta.
Nonlinear Modelo Controladores Predictivos (NMPC) puede ser diseñado por extender el popular MPC
aproximación para modelos lineales a clases de problemas donde el modelo de proceso es nonlinear. Si un general
nonlinear modo dinámicol está considerado con constreñimientos de desigualdad dura, entonces un nonlinear
resultados de problema de la programación, los cuales tienen que ser solucionados on-line en cada periodo de
muestreo. Esto es un mucho difícil y tarea que consume tiempo que el elepé y QP los cálculos emplearon en lineales
MPC. FO grande NLP problemas (10,000 variables), los métodos de punto de interior son aproximación muy
prometedora. Una aproximación alternativa es para actualizar modelos lineales como cambio de condiciones o para
utilizar un conjunto de un conjunto de modelos locales (cualquier lineales o nonlinear) para acomodar different
regímenes operativos. La mayoría vasta de nonlinear el controlador predictivo implicó dos paquetes comerciales:
Proceso de Tecnologías del Pabellón Perfecter (48 aplicaciones) y Controles Continentales Multivariable Control
(MVC) producto (43 aplicaciones). Ambos productos dividen los cálculos de control a un firmes-la optimización
estatal seguida por una optimización dinámica, ambos pueden acomodar constreñimientos duros. Proceso Perfecter
cálculos de control están basados en un nonlinear firmes-modelo estatal y un modelo dinámico que utilizó los
beneficios calcularon del firmes-modelo estatal.
Durante la década pasada allí ha sido un interés intenso en en desarrollo los métodos de informática Blandos (SCM)
técnicas para una variedad ancha de científico y aplicaciones de ingeniería (Categoría D). La búsqueda de control del
proceso en esta área ha sido en gran parte preocupado con tres SCM métodos: conocimiento-basó sistemas, redes
neuronales, lógica difusa, y varias combinaciones de estas técnicas En años recientes, concretamente control borroso y
híbrido borroso-neuronal ha sido widely utilizó en productos de consumidor como lavar máquinas, vacuum limpiadores, y
camcorders donde un nivel alto de rendimiento de sistema del control no es requerido. Aplicaciones industriales de control
borroso para procesar problemas de control han empezado para aparecer, quizás more frecuentemente en Japón que en los
Estados Unidos o Europa. Por ejemplo, la encuesta industrial en Japón indicó que el control borroso ha sido utilizado en
45% de las plantas que era surveyed mientras MPC aplicaciones en 42% de las plantas. Mucho del control borroso
encendióerature y algunos software comercial, emplea reglas borrosas en combinación con PID control. Por ejemplo,
varias combinaciones de lógica difusa y coche-poniendo a punto ha sido comercializado. La lógica difusa era primero
desarrollada por Zadeh en el mid 1960s para representar conocimiento incierto e impreciso. Proporciona un aproximado
pero medio eficaz de describir el comportamiento de sistemas que es demasiado complejo, enfermo-definido, o no fácil-a-
analizar matemáticamente. Los sistemas borrosos pueden ser utilizados en soluciones a mucha ingeniería problems donde
la extracción de información útil de cantidades masivas de inciertos, incompletos y diferentes por dato de tipo (numérico y
lingüístico) es necesario. Las variables borrosas están procesadas utilizando un sistema llamó un controlador de lógica
difusa. Implica fuzzification, inferencia borrosa y defuzzification. El fuzzification el proceso convierte un crisp valor de
entrada a un valor borroso. La inferencia borrosa es responsable para dibujar conclusiones de la base de conocimiento. El
defuzzification el proceso convierte las acciones de control borrosas a un crisp acción de control. La lógica difusa utiliza
graded declaraciones más que los que son estrictamente ciertos o falsos. Intenta para incorporar la “regla de
aproximación” de pulgar generalmente utilizada por seres humanos para decisión

Higo. 3. Perspectiva histórica de los sistemas de control automatizados.

Haciendo. Controladores de lógica difusa, por ejemplo, es extensiones de los sistemas expertos comunes que a reglas de
producción del uso les gusta “si-entonces”. El resultado es que la lógica difusa puede ser utilizada en los controladores
capaces de hacer decisiones de control inteligente en a veces volátiles y rápidamente cambiando entornos de problema.
Técnicas de lógica difusa han sidos uccessfully aplicó en un número de aplicaciones: visión de ordenador, la decisión que
hace y diseño de sistema que incluye formación de red neuronal artificial. El uso más extenso de la lógica difusa es en el
área de control, donde los ejemplos incluyen controladores for cemento kilns, frenando sistemas, ascensores, lavando
máquinas, calentadores de agua caliente, climatizadores, cámaras de vídeo, industrias automovilísticas, mechatronic
sistemas y consumidor sistemas electrónicos (Sugeno y Tanaka, 1991).
El nuevo intelligent métodos de control basaron en red neuronal borrosa-basó las aproximaciones utilizaron en
modelo-el control predictivo basado es una herramienta eficaz para manejar plantas con dinámica compleja así
como inestable inverse sistemas, tiempo-retrasos de tiempo variable, ocasionales abiertos-bucle instcapacidad,
modelo de planta pierde-partidos, incertidumbres diferentes, especialmente de sistemas no lineales complejos.
Debido a aplicación de algoritmos de informática paralela, la estrategia de utilizar el conocimiento borroso basó
sistemas (FKBS) co-operados con aprender capacidades de neural redes (NN) deja para obtener una exactitud más
alta de la producción requerida en un mucho tiempo más corto comparó a sistemas clásicos. En el futuro sea útil de
fusionar redes neuronales, sistemas borrosos y técnicas de informática evolutiva para offsetting the demerits de una
técnica por los méritos de otro. Algunos de ellos están fusionados cuando:

• Redes neuronales para diseñar sistemas borrosos

• Sistemas borrosos para diseñar redes neuronales
• Informática evolutiva para el diseño de sistemas borrosos.

3. Información y tecnologías de comunicación en control de proceso

Durante el pasado 15 años, una variedad de redes de control ha devenido comercialmente disponible y ampliamente
utilizado en el proceso industrias en varios niveles diferentes: dispositivo, sensor, y niveles de campo ( Higo. 3). Redes de
nivel del campo son de interés especial en control de proceso porque ofrecen un número de ventajas importantes:
instalación y cableado reducidos costes, flexibilidad, y peer-a-peer comunicación entre dispositivos inteligentes (p. ej.,
entre sensores y actuadores). También facilitan la distribución más lejana de funciones de control del nivel de ordenador
al sensor y nivel de actuador. La capacidad de red digital y los instrumentos listos abren muchos oportunidades nuevas
para plan mejoradot controlando incluyendo información de diagnóstico mejor y tiempo de respuesta más rápida.
Mientras muchos de estas redes de comunicación son propietarios, dos redes prominentes, Fieldbus y Profibus, confía en
una arquitectura abierta basó encima publicada, internacional standards. Estas redes han sido desarrolladas por dos
industriales consortia (con encima 100 compañías cada) aquello incluye virtualmente todo de los proveedores principales
de instrumentación y control de proceso equipamiento. En principio, instrumentos de campo y hombre de sistemas del
controlufactured por proveedores diferentes qué es Fieldbus (o Profibus) compliant trabajará junto seamlessly en una red
de Fieldbus (o Profibus) dispositivos.
En años recientes instrumentos listos, aquello es, equipa aquello incorpora un embedded microordenador, have
deviene disponible y ofrecer un número de ventajas importantes. Actuadores y transmisores listos tienen la
capacidad de condicionar
 Higo. 4. Multilayer estructuras de control.

Dato, actúa self-pruebas de diagnóstico, y responder a señales de red. Por ello el uso de instrumentos listos y redes
digitales como Profibus y Fieldbus habilitar una gama más ancha de procesa controlar estrategias. Los instrumentos
listos dejan mucho de las computaciones requirieron para adquisición de dato rutinario y control. Un muchos
grande-escala planta industrial (refinerías de petróleo, industrias alimentarias, planta de poder) puede tener miles de
medidas y bucles de control. Por el plazo plantwide control (Larsson y Skogestad, 2000) no es significado la
sintonía y comportamiento de cada de estos bucles, sino la filosofía de control de la planta global con énfasis en las
decisiones estructurales.
El structural la decisión incluye la selección/placement de manipulators y medidas así como el decom-posición
del problema global a más pequeño subproblems (el optimal configuración de control). En práctica, el sistema de
control es normalmente dividido a varias capas (Higo. 4). Típicamente, capas (Shinskey, 1996) incluye planificar
(semanas), sitio-optimización ancha (día), optimización local (h), control/predictivo supervisor (min) y control
regulador (s). La capa de optimización típicamente recomputed puntos de conjunto nuevo sólo una vez una hora o
tan, donde como la capa de retroalimentación opera continuamente. Las capas están enlazadas por el controló
variables, por el cual el setpoints está computado por la capa superior e implementó by la capa más baja. Un asunto
importante es la selección de estas variables.
Naturalmente, podríamos imaginar utilizar un solos optimizando controlador qué estabiliza el proceso mientras
al mismo tiempo perfectamente coordina todo el manipuló las variables basaron en dynamic optimización on-line.
Hay razones fundamentales por qué tal solución no es el mejor, incluso con hoy es y tomorrows poder de
informática.
Mucha necesidad para modelos es muy eficaz cuándo actuado localmente. De hecho, por cascading bucles de
retroalimentación, es posible de controlar plantas grandes con miles de variables con fuera de la necesidad de
desarrollar cualesquier modelos. Aun así, los sistemas de control de bucle solo tradicionales a veces puede ser
bastante complicado, especialmente si el cascades es fuertemente nested o si la presencia de los constreñimientos
durante operación lo hace necesarios de utilizar lógica. La selección de la estructura de sistema del control es una
decisión importante en diseño de sistema del control. Dos asuntos claves son:

• Selección de controlado, medido y manipuló variables.

• La elección de tcontrole estrategia (p. ej., multivariable vs. multi-bucle, lineal vs. nonlinear).
Estos asuntos de diseño han sido reconocidos para décadas pero ha devenido más crítico en años recientes,
procesos tan nuevos implican más recicla e integración de energía más grande, en respuesta a presiones
económicas. En vista de su importancia central y ocurrencia extendida, está sorprendiendo que el tema de control
structure la selección ha recibido mucho menos atención que otros temas como método de control concreto (p. ej.,
MPC, adaptive control) y el mucho tema más estrecho de PID sintonía de controlador. Aun así, en los años
recientes allí ha sido una renovación de interés entre el research comunidad y algunos los resultados nuevos
prometedores han sido informados.

Acknowledgment

El trabajo en este papel se mantuvo con la Agencia de Subvención Científica del Ministerio de Educación,
Ciencia y Deportes de la República de eslovaco debajo concede Ningún 1/0973/14, y por la Búsqueda de eslovaco y
Agencia de Desarrollo, subvención APVV-0772-12.