Documentos de Académico
Documentos de Profesional
Documentos de Cultura
esos Industriales
i
Índice general
Resumen I
1. Introducción 1
1.1. Diseño de un sistema de control . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Definiciones generales: sistemas y variables . . . . . . . . . . . . . . . . . . . 2
1.3. Normalización de las variables . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4. Sistemas de control a lazo abierto y a lazo cerrado . . . . . . . . . . . . . . 5
2. Modelado de procesos 7
2.1. Modelos de primeros principios . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1. Linealización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2. Comportamiento dinámico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.1. Estabilidad de modelos lineales en espacio de estados . . . . . . . . . 11
2.2.2. Funciones de transferencia . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.3. Sistema de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.4. Sistema integrador . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.5. Sistema de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.6. Sistema con tiempo muerto . . . . . . . . . . . . . . . . . . . . . . . 17
2.3. Modelos empı́ricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3.1. Modelo de primer orden con retardo . . . . . . . . . . . . . . . . . . 19
2.4. Identificación de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.1. Modelo autorregresivo con entrada externa (ARX) . . . . . . . . . . 21
2.4.2. Método de mı́nimos cuadrados . . . . . . . . . . . . . . . . . . . . . 22
2.4.3. Estructura general de los modelos . . . . . . . . . . . . . . . . . . . 23
iii
3.4.2. Mejoras en el rechazo de perturbaciones . . . . . . . . . . . . . . . . 39
3.5. Ajuste del controlador PID mediante IMC . . . . . . . . . . . . . . . . . . . 41
3.5.1. Procedimiento de ajuste . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.5.2. Ajuste para procesos sin tiempos muertos . . . . . . . . . . . . . . . 43
3.5.3. Ajuste para procesos con tiempos muertos . . . . . . . . . . . . . . . 44
3.6. Evaluando el rendimiento a lazo cerrado . . . . . . . . . . . . . . . . . . . . 45
3.6.1. Rendimiento en el dominio temporal . . . . . . . . . . . . . . . . . . 46
3.6.2. Rendimiento en el dominio frecuencial . . . . . . . . . . . . . . . . . 47
3.7. Limitaciones en el rendimiento . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.7.1. Controlabilidad entrada-salida . . . . . . . . . . . . . . . . . . . . . 50
3.7.2. Análisis de controlabilidad entrada-salida . . . . . . . . . . . . . . . 51
3.7.3. Escalado y rendimiento . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.7.4. Observaciones sobre el término controlabilidad . . . . . . . . . . . . 52
3.7.5. Control perfecto e inversión de la planta . . . . . . . . . . . . . . . . 53
3.7.6. Integrales de sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . 54
3.7.7. Restricciones de entrada . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.7.8. Limitaciones por incertidumbre . . . . . . . . . . . . . . . . . . . . . 56
4. Control multivariable 59
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.1.1. Funciones de transferencia para sistemas MIMO . . . . . . . . . . . 60
4.2. Respuesta en frecuencia para sistemas MIMO . . . . . . . . . . . . . . . . . 61
4.2.1. Direcciones en sistemas multivariables . . . . . . . . . . . . . . . . . 61
4.2.2. Autovalores y ganancia . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.2.3. Descomposición en valores singulares . . . . . . . . . . . . . . . . . . 63
4.2.4. Valores singulares y rendimiento . . . . . . . . . . . . . . . . . . . . 64
4.3. Control de plantas multivariables . . . . . . . . . . . . . . . . . . . . . . . . 64
4.3.1. Desacoplamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.3.2. Pre-Post compensadores y controladores SVD . . . . . . . . . . . . . 65
4.3.3. Control descentralizado (diagonal) . . . . . . . . . . . . . . . . . . . 66
4.4. Número de condición y RGA . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.1. Número de condición . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.2. Matriz de ganancias relativas (RGA) . . . . . . . . . . . . . . . . . . 66
4.4.3. Integridad y apareamiento . . . . . . . . . . . . . . . . . . . . . . . . 70
4.4.4. Reglas de apareamiento mediante RGA . . . . . . . . . . . . . . . . 71
4.5. Control por modelo interno (IMC) . . . . . . . . . . . . . . . . . . . . . . . 73
4.5.1. Propiedades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.5.2. Procedimiento de diseño . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.5.3. Factorización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.5.4. Diseño del filtro de robustez . . . . . . . . . . . . . . . . . . . . . . . 77
4.6. Limitaciones en el rendimiento . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.6.1. Restricciones sobre las matrices de sensibilidad . . . . . . . . . . . . 81
4.6.2. Controlabilidad funcional . . . . . . . . . . . . . . . . . . . . . . . . 82
4.6.3. Limitaciones impuestas por retardos . . . . . . . . . . . . . . . . . . 83
4.6.4. Limitaciones impuestas por ceros . . . . . . . . . . . . . . . . . . . . 83
4.6.5. Limitaciones impuestas por perturbaciones . . . . . . . . . . . . . . 84
4.6.6. Limitaciones impuestas por restricciones de entrada . . . . . . . . . 84
4.6.7. Limitaciones impuestas por incertidumbres . . . . . . . . . . . . . . 87
4.7. Resumen: controlabilidad entrada-salida . . . . . . . . . . . . . . . . . . . . 89
iv
4.8. Estabilidad de los sistemas retroalimentados . . . . . . . . . . . . . . . . . . 89
4.8.1. Estabilidad interna . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.8.2. Controladores estabilizantes . . . . . . . . . . . . . . . . . . . . . . . 90
4.8.3. Análisis frecuencial de estabilidad . . . . . . . . . . . . . . . . . . . 90
Apéndices 137
v
Bibliografı́a 143
vi
Índice de figuras
vii
Índice de figuras
viii
Índice de tablas
ix
Capı́tulo 1
Introducción
En este capı́tulo daremos una breve discusión respecto de las decisiones necesarias
en el diseño de un sistema de control. Mostraremos algunas definiciones generales sobre
los sistemas, las variables involucradas en el análisis y una rápida idea conceptual de
retroalimentación. Hablaremos también de la normalización/escalado de señales y de las
diferencias entre sistemas de control a lazo abierto y a lazo cerrado.
5. Decidir respecto de las variables medidas y manipuladas. Definir los sensores y ac-
tuadores que serán utilizados y la locación de los mismos.
9. Diseñar un controlador.
11. Simular el sistema controlado ya sea en una computadora o en una planta piloto.
1
1.2. Definiciones generales: sistemas y variables
Los cursos de control y los libros de texto generalmente se centran en los pasos 9 y
10 del procedimiento anterior. Es decir, sobre métodos para el diseño del controlador y el
análisis del sistema de control. Sin embargo, para sistemas complejos con muchas entradas
y salidas, es común que no se conozca de antemano una estructura de control adecuada. Por
lo tanto, existe la necesidad de herramientas e ideas sistemáticas para ayudar al diseñador
con los pasos 4, 5, 6 y 7.
En este documento se presenta una recopilación de herramientas, ideas y metodologı́as
que permiten abordar la mayorı́a de los pasos presentados en el procedimiento anterior.
La controlabilidad entrada-salida se ve afectada por la ubicación de los sensores y
actuadores. Una vez elegidas estas locaciones el ingeniero de control no puede modificar
las caracterı́sticas de controlabilidad propias del sistema. En pocas palabras, “incluso el
mejor sistema de control no puede convertir un Volkswagen en un Ferrari”. Por lo tanto, el
proceso de diseño del sistema de control deberı́a incluir en algunos casos un paso 0 (cero),
donde se involucre el diseño del propio equipo del proceso. La idea de pensar el diseño del
proceso integrado con el diseño del sistema de control no es nueva y numerosos autores
han realizados sus aportes a esta gran área.
Salidas medidas: son las salidas a las cuales el diseñador decidió medir (vı́a locación
de una sensor) por su importancia económica, su impacto en la calidad del producto,
o por cuestiones de seguridad. En general este tipo de variables suelen ser controladas
por una estrategia de control, para garantizar rechazo a perturbaciones o permitir
el cambio de operación de forma automática.
Salidas no medidas: son salidas que potencialmente podrı́an medirse, pero el di-
señador decidió no considerarlas en una futura estructura de control.
2
1.2. Definiciones generales: sistemas y variables
Proceso
Objetivos de control: como mencionamos con anterioridad, uno de los primeros pasos
en el diseño de una estrategia de control es la formulación de los objetivos de control.
Un proceso industrial generalmente posee varias unidades o subsistemas cumpliendo
una determinada tarea dentro del objetivo global del proceso. Es más, cada unidad
de operación puede tener múltiples objetivos y en ocasiones conflictivos, con lo cual
definir los objetivos de control del proceso (y de sus unidades) puede ser una tarea
no trivial.
Tipo de operación: los procesos se clasifican como continuos, por lotes (batch) o
semicontinuos según el tipo de operación que presenten. Las plantas que operan de
forma continua pueden permanecer meses en funcionamiento hasta que se defina
alguna parada de planta preventiva. Los procesos batch, por el contrario, operan
3
1.3. Normalización de las variables
Ahora bien, cada una de esta polı́ticas (estructuras) de control se pueden implemen-
tar con diferentes “tecnologı́as de control”. Generalmente, las estructuras descentra-
lizadas se implementan con múltiples controladores PID, IMC, override, feedforward,
etc, que son estrategias tı́picas de controladores SISO. Las estrategias centralizadas
en cambio, si bien pueden implementarse con múltiples lazos, se encuentran mejor
preparadas para utilizar métodos basados en modelos como IMC o MPC, donde
el grado de interacción lo podemos definir con el propio modelo utilizado por el
algoritmo de control.
Como se puede observar, el espacio de potenciales soluciones se expande cada vez
más dependiendo de las consideraciones iniciales del problema y de las posibilidades
estructurales y tecnológicas del controlador (o controladores).
4
1.4. Sistemas de control a lazo abierto y a lazo cerrado
Gp (s) = Σ−1 ∗
y Gp (s)Σu , Gp (s) = Σ−1 ∗
y Gd (s)Σd (1.5)
En la polı́tica de CLA se requiere que gc = gp−1 para garantizar que la salida siga
siempre la trayectoria deseada, y = ysp . Esto puede ocasionar problemas de imple-
mentación, recordando que los controladores deben ser fı́sicamente realizables.
5
1.4. Sistemas de control a lazo abierto y a lazo cerrado
ysp u y
gc gp
ysp e u y
gc gp
-
(b) Control a lazo cerrado
6
Capı́tulo 2
Modelado de procesos
7
2.1. Modelos de primeros principios
fi
xAi
xA
xB
xP
8
2.1. Modelos de primeros principios
1.68 6.42
1.67 6.41
1.66 6.4
1.65 6.39
xp [Kg mol/m3]
xa [Kg mol/m3]
1.64 6.38
1.63 6.37
1.62 6.36
1.61 6.35
1.6 6.34
0 5 10 15 0 5 10 15
Tiempo [min] Tiempo [min]
recordando la condición v̇ = 0 (control de nivel implı́cito) la Ec. 2.6 se reduce sólo a las
ecuaciones diferenciales para ẋA y ẋP .
De la Ec. 2.6 podemos obtener los valores de estado estacionario (representados con el
subı́ndice “s”) haciendo ẋ = 0:
notar que estos valores dependen de la relación v/fs denominada tiempo de residencia del
lı́quido dentro del tanque.
Este tiempo de residencia afecta o define la conversión del producto A que ingresa al
reactor, es decir:
xAis − xAs k(v/fs )
X= = (2.8)
xAis k(v/fs ) + 1
Considerando las siguientes condiciones, v = 2.9109 m3 , k = 0.311 1/min, fi = 0.2264
m3 /min, xAi = 8.0124 Kg mol/m3 , los valores de estado estacionario resultan xAs = 1.6029
y xPs = 6.4095 Kg mol/m3 . Con estas condiciones podemos integrar numéricamente la
Ec. 2.6 como se muestra en la Fig. 2.2 para un cambio de ∆f = +5 % en el flujo de salida
y observar como se comportan las conscentraciones de xA y xP . Debido a que estamos
trabajando a volumen constante, un cambio en el flujo se traduce en una modificación del
tiempo de residencia v/f . Un incremento del flujo produce una reducción del tiempo de
9
2.1. Modelos de primeros principios
residencia y por ello una reducción en la conversión del producto A al producto P. Esto se
observa en la Fig. 2.2(a) como un aumento de la concentración de óxido de etileno (xA )
y por ello una disminución en la producción de etilenglicol (xP ) como se muestra en la
Fig. 2.2(b).
En el capı́tulo 2 de Bequette (2002) se pueden encontrar varios ejemplos de modelado en
primeros principios basados en el balance de energı́a y materia, fenómenos termodinámicos,
efecto no lineal de válvulas de flujo, reacciones quı́micas, leyes de los gases, etc.
2.1.1. Linealización
Los modelos basados en primeros principios son generalmente modelos no lineales.
El diseño y análisis de estrategias de control de procesos usualmente se basa en modelos
lineales de la planta entorno de un punto operativo nominal, por ello resulta crucial obtener
alguna forma de linealización de tales modelos. En este caso utilizaremos una aproximación
en serie de Taylor.
Supongamos el siguiente modelo de una entrada, un estado y una salida:
ẋ = f (x, u)
(2.9)
y = g(x, u)
entonces f (x, u) puede aproximarse por Taylor de la siguiente forma
∂f (x, u) ∂f (x, u)
f (x, u) ≈ f (xs , us ) + (x − xs ) + (u − us ) + TOS (2.10)
∂x (xs ,us ) ∂u (xs ,us )
donde (xs , us ) son los valores de estado estacionario del estado y la entrada respectivamente
y TOS representa los términos de orden superior de la serie.
De forma similar se puede proceder con la función de salida
∂g(x, u) ∂g(x, u)
g(x, u) ≈ g(xs , us ) + (x − xs ) + (u − us ) + TOS (2.11)
∂x (xs ,us ) ∂u (xs ,us )
Si consideramos despreciable los términos de orden superior de la serie, ys = g(xs , us )
y f (xs , us ) = 0, podemos realizar el siguiente cambio de variables: x∗ = x − xs , u∗ = u − us
y y ∗ = y − ys y reescribir como
ẋ∗ = ax∗ + bu∗
(2.12)
y ∗ = cx∗ + du∗
donde a = (∂f (x, u)/∂x)|(xs ,us ) , b = (∂f (x, u)/∂u)|(xs ,us ) , c = (∂g(x, u)/∂x)|(xs ,us ) y
d = (∂g(x, u)/∂x)|(xs ,us ) .
Esta formulación se puede generalizar para el caso de nx estados, nu entradas y ny
salidas como:
ẋ∗ = Ax∗ + Bu∗
(2.13)
y∗ = Cx∗ + Du∗
siendo
∂fi (x, u) ∂fi (x, u) ∂gi (x, u) ∂gi (x, u)
aij = bij = cij = dij =
∂xj (xs ,us ) ∂uj (xs ,us ) ∂xj (xs ,us ) ∂uj (xs ,us )
(2.14)
los elementos (i, j) de las matrices Anx ×nx , Bnx ×nu , Cnx ×nx y Dnx ×nu , respectivamente.
Es importante destacar que las variables x∗ , y∗ y u∗ son vectores de desviaciones respecto
del punto nominal como se definió en párrafos anteriores.
10
2.2. Comportamiento dinámico
det(λI − A) = 0 (2.15)
y(t)(ny ) +any −1 y(t)(ny −1) +. . .+a0 y(t) = bnu u(t)(nu ) +bnu −1 u(t)(nu −1) +. . .+b0 u(t) (2.16)
11
2.2. Comportamiento dinámico
donde y(t)(ny ) indica la derivada ny -ésima respecto del tiempo de y(t) (de forma similar
u(t)(nu ) ). Si consideramos las condiciones iniciales nulas, podemos aplicar la transformada
de Laplace a ambos miembros en Ec. 2.16 para obtener:
sny + any −1 sny −1 + . . . + a0 y(s) = bnu snu + bnu −1 snu −1 + . . . + b0 u(s)
(2.17)
donde sny es la variable compleja de Laplace elevada al exponente ny (de forma simi-
lar para snu ) y tanto y(s) como u(s) son las transformadas de Laplace de y(t) y u(t),
respectivamente. Podemos definir la función de transferencia como:
y(s) bn snu + bnu −1 snu −1 + . . . + b0
g(s) = = uny (2.18)
u(s) s + any −1 sny −1 + . . . + a0
donde las raı́ces del polinomio numerador son los ceros de la función y las raı́ces del deno-
minador los polos del sistema. Retomaremos más adelante la relevancia de polos y ceros.
En el caso de que trabajemos con sistemas multivariables, donde las entradas y salidas
son vectores, la función g(s) estará dada por una matriz de funciones de transferencia.
Un concepto importante en este tipo de representación de sistemas es el orden relativo
ny − nu , donde se pueden distinguir los siguientes escenarios:
si ny − nu = 0, entonces la función g(s) es semipropia (o propia) y
g(s) → γ 6= 0 cuando s → ∞
12
2.2. Comportamiento dinámico
∆y
∆y(τp)=0.632∆y
Temperatura [ºC]
τp1 = 5 min
τp2 = 8 min
τp3 = 2 min
0
0 τp3 τp1 τp2 15 20 25 30 35 40 45 50
Tiempo [min]
13
2.2. Comportamiento dinámico
y(t) = k · ∆u · t (2.27)
donde
τ τ
τ1 = p τ2 = p
ζ − ζ2 − 1 ζ + ζ2 − 1
ζ = 1: El sistema presenta dos polos reales iguales. La respuesta al escalón es del
tipo amortiguamiento crı́tico y tiene la forma:
t −t/τ
y(t) = k∆u 1 − 1 + e
τ
14
2.2. Comportamiento dinámico
1.4
1.2
0.8
Salida 0.6
0.4 ζ=3
ζ=1
ζ=0.3
0.2
0
0 5 10 15
Tiempo [min]
siendo p p !
1 − ζ2 1 − ζ2
α= φ = tan−1
τ ζ
Ejemplo 2.2.2 (Sistema de segundo orden puro). Consideremos la Ec. 2.29 con k = 1,
τ = 0.5 y sometida a un escalón unitario de entrada u(s) = 1/s en el origen. En este caso
evaluaremos la respuesta del sistema ante diferentes valores de amortiguamiento: ζ = 3
para el caso sobreamortiguato, ζ = 1 para el caso de amortiguamiento crı́tico y ζ = 0.3
para el caso subamortiguado. Todas las respuestas se pueden observar en la Fig. 2.4.
15
2.2. Comportamiento dinámico
a
b
tr
0
la magnitud de los dos primeros valores en exceso. Esta relación nos brinda información
acerca de como se extingue la oscilación. Finalmente se puede cuantificar el perı́odo de
oscilación “p”.
Los sistemas de segundo orden puros, por definición, poseen un grado relativo de dos.
También existen sistemas de segundo orden no puros, los cuales poseen algún tipo de
dinámica en el numerador. En este caso nos focalizaremos en sistemas de segundo orden
con grado relativo de uno como se muestra a continuación:
k(τn s + 1)
g(s) = (2.31)
(τ1 s + 1)(τ2 s + 1)
La respuesta al escalón u(s) = ∆u/s de este sistema resulta:
(τn − τ1 ) −t/τ1 (τn − τ2 ) −t/τ2
y(t) = k∆u 1 + e + e (2.32)
(τ1 − τ2 ) (τ1 − τ2 )
Ejemplo 2.2.3 (Sistema de segundo orden con grado relativo de uno). Consideremos el
siguiente sistema de segundo orden
(τn s + 1)
y(s) = u(s)
(3s + 1)(15s + 1)
y analicemos la respuesta al escalón unitario para diferentes valores de τn como muestra
la Fig. 2.6.
Cuando τn toma valores negativos (ceros del numerador positivos) la evolución de la
salida muestra lo que se conoce como “respuesta inversa”. Es decir, inicialmente la salida
evoluciona hacia la dirección contraria a la cual se establecerá en estado estacionario.
Este tipo de comportamiento es realmente desafiante desde el punto de vista de control.
Otra observación importante es que cuando τn toma valores positivos, pero mayores que
las constantes de tiempo del denominador, la respuesta presenta un sobrevalor o valor en
exceso (overshoot).
16
2.2. Comportamiento dinámico
1.2
0.8
0.6
τm = −15
0.4 τm = −10
Salida
τm = −3
0.2
τm = 3
0
τm = 10
−0.2 τm = 15
τm = 20
−0.4
−0.6
0 10 20 30 40 50 60
Tiempo [min]
17
2.3. Modelos empı́ricos
0.8
0.6
Salida
0.4
0.2
Original
0 Con Padé ord. 1
Con Padé ord. 2
−0.2
0 5 10 15 20 25 30 35 40
Tiempo [min]
18
2.3. Modelos empı́ricos
∆y
63.2% de ∆y
τ
θ
19
2.4. Identificación de sistemas
0.4
0.35
0.3
0.25
Salida
dy/dt
0.2
0.05
0
0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
Tiempo Tiempo
20
2.4. Identificación de sistemas
0.8
0.6
0.4
0.2
Ts
0
t − 2Ts t t + 2Ts
donde y(k) representa la salida en el instante actual, y(k − 1) en el instante anterior, y ası́
sucesivamente.
Reescribiendo la expresión anterior,
21
2.4. Identificación de sistemas
b1 z −1 + . . . + bnu z −nu
y(k) = u(k) (2.39)
1 + a1 z −1 + . . . + any z −ny
donde
T
θ = a 1 , . . . , a n y , b 1 , . . . , bn u
(2.41)
φ(k) = [−y(k − 1), . . . , −y(k − ny ), u(k − 1), . . . , u(k − nu )]T
de donde podemos escribir en forma matricial que, Y = Φθ, y resolver en mı́nimos cua-
drados para obtener el vector de parámetros como,
−1
θ = ΦT Φ ΦT Y
(2.43)
Ejemplo 2.4.1 (Estimación de modelo ARX basada en mı́nimos cuadrados). Los datos de
planta utilizados en este ejemplo provienen de un experimento real de laboratorio recopilado
en Matlab
R (iddemo1). El proceso observado se basa en introducir un flujo de aire en
un tubo, donde se calienta mediante un dispositivo adecuado. La variable de entrada es
la tensión (volt) del dispositivo de calentamiento y la variable de salida es la temperatura
(o C) del aire al salir del tubo. En la Fig. 2.11 se pueden observar las primeras 200 muestras
22
2.4. Identificación de sistemas
65 6.5
60 6
55 5.5
Calentamiento [V]
Temperatura [ºC]
50 5
45 4.5
40 4
35 3.5
30 3
0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 80 100 120 140 160 180 200
Muestras Muestras
de dichas variables. Es importante resaltar que se recolectaron en total 1000 muestras del
experimento a una tasa de muestreo de Ts = 0.08 segundos.
Inicialmente, los datos del experimento se dividen en dos conjuntos: 1- datos de estima-
ción, que nos permitirán estimar los parámetros del modelos ARX y 2- datos de validación,
los cuales nos permitirán evaluar las propiedades de predicción del modelo. En este caso
se utilizan 500 muestras para cada uno de estos conjuntos. Se propone ajustar un modelo
ARX de segundo orden, es decir ny = nu = 2, con lo cual la Ec. 2.41 nos queda,
θ = [a1 , a2 , b1 , b2 ]T
φ(k) = [−y(k − 1), −y(k − 2), u(k − 1), u(k − 2)]T
y la respuesta del modelo a los datos de validación se pueden observar en la Fig. 2.12.
En este caso de identificación de modelo SISO no se utilizó ningún tipo de pre-procesa-
miento particular de los datos de planta. Para el caso multivariable, puede ser muy im-
portante realizar algún tipo de normalización de los datos antes de aplicar alguno de los
algoritmos de identificación. Esto se debe a que en sistemas MIMO podemos tener en jue-
go diferentes tipos de variables fı́sicas del proceso y deseamos que todas contribuyan de la
misma forma en el proceso de identificación. Una normalización tı́pica, como discutimos
en la Sección 1.3, es autoescalar los datos a media cero y varianza unidad.
23
2.4. Identificación de sistemas
65
60
55
Temperatura [ºC]
50
45
40
35 Real
Modelo
30
0 50 100 150 200 250 300 350 400 450 500
Muestras
B(z −1 ) = bnk z −nk + bnk +1 z −nk −1 + . . . + bnk +nb −1 z −nk −nb +1 = z −nk B ∗ (z −1 )
donde el retardo z −nk queda explı́citamente expresado. Las estructuras más comunes se
resumen en la Tabla 2.1.
Es importante resaltar que el software Matlab
R posee un toolbox de identificación
de sistemas con numerosas herramientas y algoritmos. Entre ellas, el toolbox presenta la
posibilidad de estimar modelos dinámicos de procesos directamente desde los datos de
planta (función procest) ası́ como también utilizar estructuras de modelos basada en
espacio de estados (función n4sid).
24
2.4. Identificación de sistemas
25
Capı́tulo 3
Control clásico por retroalimentación
La mayorı́a de las plantas industriales poseen sistemas de control para asegurar si-
multáneamente el correcto comportamiento de numerosas variables del proceso, tales co-
mo presiones, temperaturas, niveles en recipientes, etcétera. Dependiendo entonces, de
las caracterı́sticas propias de tales sistemas de control, la planta a lazo cerrado presen-
tará un determinado comportamiento ante perturbaciones, cambios en las trayectorias de
referencia y eventos anormales.
En este capı́tulo estudiaremos las estrategias de control clásicas por retroalimentación
unitaria de salida para sistemas SISO. Presentaremos la estructura general, las partes
constitutivas, los diferentes algoritmos de control, las diferentes propuestas de ajuste de
los parámetros del controlador y las limitaciones de rendimiento.
3.1. Introducción
Dos conceptos generales proveen las bases para la mayorı́a de las estrategias de control
automático existentes: control por retroalimentación (feedback control) y control en avance
(feedforward control). El primero asociado a un lazo cerrado de control y el segundo a un
efecto de lazo abierto. En este capı́tulo nos centraremos en el control por retroalimentación,
dejando el control en avance para capı́tulos posteriores.
El control por retroalimentación es la técnica más utilizada y es el concepto subya-
cente en el cual se basa gran parte de la teorı́a de control automático. El control por
retroalimentación mantiene una condición deseada del proceso, midiendo el valor actual
de dicha condición, comparándola con la condición deseada y tomando acciones correcti-
vas en función de la diferencia existente. Esta estrategia es simple y efectiva, incluso ante
contingencias desconocidas. En lı́neas generales, el control por retroalimentación funciona
correctamente como “regulador” manteniendo la operación deseada del proceso rechazan-
do diversas perturbaciones y a su vez funciona de forma exitosa como “servo” llevando al
sistema hacia nuevos puntos operativos deseados (Lipták, 2006).
En la Fig. 3.1 se puede observar todos los elementos involucrados en un sistema de
control por retroalimentación unitaria de salida, expresado en el dominio de Laplace. A
continuación describiremos cada uno de estos componentes:
gc (s): función de transferencia del controlador ,
27
3.1. Introducción
d(s)
gd (s)
ym (s): variable medida del proceso, salida del sensor o variable controlada (VC),
Los actuadores son dispositivos que permiten que la señal proveniente de un controlador
sea interpretada y efectivamente aplicada a la planta. Estos dispositivos pueden presentar
tanto dinámicas lineales como no lineales y por ello se representan con ga (s). De forma
similar, los sensores son componentes que permiten registrar e interpretar las variables
fı́sicas del proceso y convertirlas en señales utilizables por el controlador en cuestión.
También poseen su propia dinámica representada por gs (s) y además estos dispositivos
generalmente introducen ruidos de medición.
Es habitual en el diseño de estructuras de control clásicas asumir que ga (s) = gs (s) = 1.
Esto significa que los actuadores y sensores no introducen modificaciones de relevancia o en
su defecto que ya fueron modelados como parte del proceso (lı́nea a trazos en la Fig. 3.1). Es
importante destacar que existen otras lı́neas de investigación en la teorı́a de control donde
los actuadores y los sensores juegan un papel preponderante en el diseño de estructuras
de control, por ejemplo control tolerante a fallos.
28
3.1. Introducción
operando con esta última ecuación podemos escribir la siguiente relación a lazo cerrado,
gp (s)gc (s) 1
y(s) = ysp (s) + gd (s)d(s)
1 + gp (s)gc (s) 1 + gp (s)gc (s)
L(s) 1 (3.5)
= ysp (s) + gd (s)d(s)
1 + L(s) 1 + L(s)
= T (s)ysp (s) + S(s)gd (s)d(s)
donde:
29
3.1. Introducción
Se evalúan los polos del sistema a lazo cerrado. Es decir, se computan los ceros de
(1 + L(s)) = 0 donde L(s) es la función de transferencia de lazo directo. El sistema
a lazo cerrado es estable si y sólo si todos los polos poseen parte real negativa, i.e.
pertenecen al semiplano izquierdo del plano complejo.
3(−2s + 1)
gp (s) = , gd (s) = 0
(5s + 1)(10s + 1)
.
De la Ec. 3.5 podemos definir,
(5s + 1)(10s + 1) + 3k(−2s + 1)
1 + L(s) = 1 + gp (s)gc (s) =
(5s + 1)(10s + 1)
el criterio de Routh-Hurwitz para sistemas de segundo orden dice que las raı́ces de dicho
polinomio serán estables si todos los coeficientes tienen el mismo signo, entonces,
15 − 6k > 0, 3k + 1 > 0
podemos observar que en estado estacionario T (0) = 3k/(1+3k) lo que significa que con es-
te tipo de controlador proporcional la salida del proceso presentará un “offset” (diferencia)
respecto del setpoint deseado. Lo ideal serı́a que la trasnferecia entrada-setpoint presente
ganancia unitaria T (0) = 1. A medida que incrementemos la ganancia del controlador
30
3.2. Controlador PID
k = 0.5
k=1
k=3
Salida
0 5 10 15 20 25 30 35 40 45
Tiempo
podrı́amos disminuir esta diferencia, haciendo que T (0) → 1, pero lamentablemente tene-
mos restricciones de estabilidad, k < 5/2, con lo cual la ganancia no puede aumentarse
indefinidamente.
En la Fig. 3.2 se puede observar la respuesta del sistema no mı́nima fase controlado
por retroalimentación unitaria de salida y con diferentes controladores proporcionales, k =
[0.5, 1, 3]. En t = 0 se realiza un cambio unitario del tipo escalón en la trayectoria de
referencia. Se puede apreciar el comportamiento estable y con offset para k < 5/2 y la
respuesta inestable para k = 3.
donde τI = kC /kI es conocida como la constante de tiempo integral (también como “reset
time”). Tanto kC como kI (τI ) son parámetros de ajuste del controlador, los cuales deberan
ser seleccionados por el ingeniero de control/procesos.
Si ahora aplicamos la transformada de Laplace a la Ec. 3.7 obtenemos la siguiente ley
del controlador en el domino transformado,
1
u(s) = kC 1 + e(s) (3.8)
τI s
31
3.2. Controlador PID
32
3.2. Controlador PID
1 t
dy(t)
Z
u(t) = kC e(t) + e(t)dt − τD (3.14)
τI 0 dt
Ejemplo 3.2.1 (Control con diferentes estructuras PID). En este ejemplo mostraremos el
efecto de controlar la planta gp (s) = 1/(s + 1)3 con diferentes estructuras del controlador.
En particular utilizaremos controladores P, PI, PD y PID, con los siguientes ajustes de
parámetros:
33
3.2. Controlador PID
Salidas
P
PI
PD
PID
0 2 4 6 8 10 12 14
Tiempo
34
3.3. Ajuste del controlador PID
El valor de la ganancia del controlador que causa esta oscilación continua se denomina
“ganancia crı́tica (o última)” kcu . El perı́odo entre picos de la oscilación se denomina
“perı́odo crı́tico (o último)”, pcu .
Dependiendo del controlador que usted quiera implementar, utilice la Tabla 3.1 para
definir los parámetros de ajuste.
35
3.3. Ajuste del controlador PID
Parámetros
Controlador kC τI τD
P 0.5kcu - -
PI 0.45kcu pcu /1.2 -
PID 0.6kcu pcu /2 pcu /8
Ziegler-Nichols
Parámetros
Controlador kC τI τD
τ
P kθ - -
0.9τ
PI kθ 3.3θ -
1.2τ
PID kθ 2θ 0.5θ
Cohen-Coon
Parámetros
Controlador kC τI τD
τ θ
P kθ 1+ 3τ - -
τ θ
θ(30+3θ/τ )
PI kθ 0.9 + 12τ 9+20θ/τ -
τ 4 θ
θ(32+6θ/τ ) 4θ
PID kθ 3 + 4τ 13+8θ/τ 11+2θ/τ
Método Ziegler-Nichols a lazo abierto: la Tabla 3.2 resume las reglas de ajuste en
este caso. Se puede observar un potencial problema con los sistemas que presenten un
bajo valor de relación “retardo/constante de tiempo”, ya que genera un valor elevado
en la ganancia del controlador. Además, la constante de tiempo integral tiende a ser
demasiado baja, causando problemas de oscilación.
Parámetros de Cohen-Coon: este método fue desarrollado por Cohen and Coon en
1953. La Tabla 3.2 resume sus reglas de ajuste. El principal problema con esta
estrategia es que los parámetros no son muy robustos y cualquier pequeño cambio
en los parámetros del proceso puede ocasionar la inestabilidad del sistema a lazo
cerrado.
36
3.4. Control por modelo interno (IMC)
cerrado para T (s) = L(s) (1 + L(s))−1 , con L(s) = gp (s)gc (s). Basados en el conocimien-
to del modelo del proceso gp (s), buscamos un controlador gc (s) que cumpla con dicho
comportamiento deseado, es decir
T (s)
gc (s) = (3.15)
gp (s)(1 − T (s))
Dependiendo del comportamiento deseado y del modelo del proceso podremos obtener
controladores con diferentes grados de complejidad. Notar que el controlador resultante
también puede ser no realizable.
Esta técnica de sı́ntesis directa es similar en filosofı́a a la denominada “loop sha-
ping” donde se define un comportamiento para la ganancia de lazo directo |L(jw)| =
|gp (jw)gc (jw)| en un rango de frecuencias determinado. Ciertas condiciones deseables so-
bre las funciones de sensibilidad y sensibilidad complementaria se trasladan a la función
de lazo directo para su diseño (Skogestad and Postlethwaite, 2005).
En este curso no abordaremos el ajuste de controladores mediante estos métodos de
sı́ntesis directa o “loop shaping”, pero más adelante retomaremos los conceptos de funcio-
nes de sensibilidad evaluadas en frecuencia para cuantificar limitaciones en el rendimiento.
En las secciones siguientes presentaremos otra estrategia basada en modelos para el diseño
y ajuste de controladores, denominada control por modelo interno (IMC de sus siglas en
Inglés).
37
3.4. Control por modelo interno (IMC)
d(s)
gd (s)
Si no existe diferencia planta-modelo gp (s) = g̃p (s) y gimc (s) = g̃p−1 (s), entonces
garantizamos que y(s) = ysp (s), las perturbaciones d(s) no afectan (rechazo de per-
turbaciones) a lazo cerrado y la estructura de control es estable.
Si existe diferencia planta modelo gp (s) 6= g̃p (s) (error por dinámica no modelada)
la estabilidad a lazo cerrado dependerá de los ceros del denominador. Ahora bien, si
asumimos que en estado estacionario (s = 0) se cumple que gp (0) = g̃p (0) y asumi-
mos gimc (s) = g̃p−1 (s), podemos observar que seguimos manteniendo el seguimiento
perfecto de la trayectoria de referencia y el rechazo de perturbaciones, i.e. cero offset.
Factorizar el modelo del proceso en una parte invertible g̃p− (s) y una no invertible
g̃p+ (s)
g̃p (s) = g̃p− (s)g̃p+ (s)
generalmente la parte no invertible tiene en cuenta los ceros no mı́nima fase y/o los
tiempos muertos.
Construir el controlador gimc (s) como la inversa de la parte invertible del modelo y
asociarle un filtro pasa bajo (de orden adecuado) para que dicho controlador resulte
realizable (propio),
gimc (s) = g̃p−1
− (s)f (s)
38
3.4. Control por modelo interno (IMC)
1
f (s) = (3.18)
(λs + 1)n
donde n es el orden del filtro que hace al controlador gimc (s) propio o semipropio.
Ajustar el parámetro del filtro λ para definir la respuesta a lazo cerrado del sistema de
control. Un valor pequeño del parámetro λ nos dará un sistema de rápida respuesta.
Por el contrario, valores elevados de λ dotarán al sistema de mayor robustez contra
errores de modelado.
Ejemplo 3.4.1 (Sistema de segundo orden no mı́nima fase - Control IMC). En este
ejemplo mostraremos el diseño de una estrategia de control basada en IMC para la planta,
(−9s + 1)
gp (s) =
(15s + 1)(3s + 1)
1
g̃p− (s) = , g̃p+ (s) = (−9s + 1)
(15s + 1)(3s + 1)
Para que el controlador sea realizable (propio o semipropio) claramente el filtro debe
ser de segundo orden:
(15s + 1)(3s + 1)
gimc (s) = g̃p−1
− (s)f (s) =
(λs + 1)2
39
3.4. Control por modelo interno (IMC)
12
1
λ=2
10 λ=3
0.5
λ=6
Entradas − VMs
Salidas − VCs
−0.5
4
Setpoint
λ=2
−1
λ=3 2
λ=6
−1.5 0
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Tiempo Tiempo
este caso en lugar de utilizar la estructura de filtro de la Ec. 3.18, ahora utilizamos la
estructura:
(γs + 1)
f (s) = (3.19)
(λs + 1)n
donde el parámetro γ se elije para obtener buen rendimiento ante perturbaciones.
En la práctica, γ se elije de forma tal de cancelar una constante de tiempo muy lenta
en las perturbaciones. Consideremos la Ec. 3.17 bajo la condición de modelo perfecto
gp (s) = g̃p (s)
si ahora incorporamos el controlador gimc (s) = g̃p−1 − (s)f (s) con esta nueva definición de
filtro obtenemos:
−1 (γs + 1) −1 (γs + 1)
y(s) = g̃p+ (s) ysp (s) + 1 − g̃p+ (s) gd (s)d(s) (3.21)
(λs + 1)n (λs + 1)n
como g̃p−1
+ (0) = 1 y f (0) = 1, mantenemos el “cero offset” en estado estacionario y γ se
k
gp (s) = gd (s) =
(τ s + 1)
40
3.5. Ajuste del controlador PID mediante IMC
(τ s + 1) (γs + 1)
gimc (s) = g̃p−1
− (s)f (s) =
k (λs + 1)2
notar que el filtro posee un denominador de orden 2 para que el controlador resultante sea
propio o semipropio.
En estas condiciones la Ec. 3.21 se transforma en,
(γs + 1) (γs + 1)
y(s) = ysp (s) + 1 − gd (s)d(s)
(λs + 1)2 (λs + 1)2
2
λ
(γs + 1) (2λ − γ)s (2λ−γ) s + 1 k
= ysp (s) + d(s)
(λs + 1)2 (λs + 1)2 (τ s + 1)
2τ λ − λ2
γ=
τ
si pretendemos cancelar la dinámica de la perturbación.
Supongamos ahora como ejemplo numérico que gp (s) = gd (s) = 1/(10s + 1), con lo
cual τ = 10. Si proponemos un ajuste de λ = 2, resulta γ = 3.6. En la Fig. 3.6 se puede
observar comportamiento dinámico del proceso controlado con un diseño IMC basado en
el filtro clásico y el filtro mejorado. En las Figs. 3.6(a)-3.6(b) se observa el rechazo de
perturbaciones (comportamiento regulador) y en las Figs. 3.6(c)-3.6(d) el seguimiento de
setpoint (comportamiento servo). Se puede observar claramente como el filtro mejorado
cancela la dinámica de la perturbación acelerando el rechazo de la misma. También se
observa que esta nueva estructura del filtro no introduce deficiencias en el seguimiento de
la trayectoria de setpoint, más aún permite acelerar la respuesta a costa de un pequeño
sobrevalor. Tanto el comportamiento servo como el regulador se ven mejorados en este
caso. Es importante remarcar que estas mejoras se realizan a costa de una mayor energı́a
de control, como se observa en las trayectorias de las VMs.
41
3.5. Ajuste del controlador PID mediante IMC
0.14
Filtro clásico
Setpoint 0
Filtro mejorado
0.12
Filtro clásico
Filtro mejorado
−0.2
0.1
−0.4
Entradas − VMs
0.08
Salidas − VCs
0.06 −0.6
0.04
−0.8
0.02
−1
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Tiempo Tiempo
0.8
6
Entradas − VMs
Salidas − VCs
5
0.6
0.4
3
2
0.2
Setpoint
1
Filtro clásico
0 Filtro mejorado 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Tiempo Tiempo
Valores iniciales de λ de 1/3 o 1/2 la constante de tiempo dominante del proceso son
buenos ajustes para comenzar a evaluar la robustez.
42
3.5. Ajuste del controlador PID mediante IMC
τs + 1 1
gimc (s) = g̃p−1
− (s)f (s) =
k λs + 1
gimc (s) τs + 1
gc (s) = =
1 − gimc (s)g̃p (s) kλs
Con este ajuste basado en IMC se puede ver como la ley de control PI sólo depende
de un solo parámetro. En efecto, la constante de tiempo del filtro λ permite modificar la
ganancia del controlador PI de forma inversamente proporcional. Rápida respuesta a lazo
cerrado, λ pequeño, implica valores elevados de ganancia y viceversa.
Analicemos ahora el ajuste cuando contamos con un modelo de segundo orden g̃p (s) =
k/[(τ1 s + 1)(τ2 s + 1)]. Expresamos el controlador interno IMC de forma tal que resulte
impropio:
(τ1 s + 1)(τ2 s + 1) 1
gimc (s) =
k (λs + 1)
buscamos ahora la expresión del controlador clásico,
τ1 + τ2 τ1 τ2
kC = , τI = τ1 + τ2 , τD =
kλ τ1 + τ2
43
3.5. Ajuste del controlador PID mediante IMC
Ejemplo 3.5.1 (Ajuste PID basado en IMC - Padé de orden uno y cero). En este caso
mostraremos con un ejemplo numérico el procedimiento de ajuste de controladores clásicos
44
3.6. Evaluando el rendimiento a lazo cerrado
45
3.6. Evaluando el rendimiento a lazo cerrado
1.2 1.4
1 1.2
1
0.8
Entradas − VMs
Salidas − VCs
0.8
0.6
0.6
0.4
0.4
0.2
Setpoint
Ajuste PI 0.2 Ajuste PI
0 Ajuste PID Ajuste PID
0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
Tiempo Tiempo
Tiempo de subida (rise time, tr ): el tiempo que le toma a la salida alcanzar el valor
final. Generalmente se desea que tr sea pequeño.
Sobre valor (overshoot): el valor del primer pico dividido por el valor final de la
salida. El valor deseado es de 20 % o menos.
Relación de decaimiento (decay ratio): es la relación entre el valor del segundo pico
respecto del primero. Valores deseables de esta tasa de decaimiento son 0.3 o menores.
46
3.6. Evaluando el rendimiento a lazo cerrado
Notar que en este caso varios objetivos relacionados con la velocidad y calidad de la
respuesta están incluidos en este ı́ndice escalar. En la mayorı́a de los casos, minimizar esta
norma genera una razonable solución de compromiso entre todos los ı́tems listados más
arriba. También se puede incluir en dicha norma información relacionada con la variable
manipulada (similar al control óptimo cuadrático lineal).
Como L(jw) es una función racional compleja, la condición anterior se traduce en las
siguientes dos condiciones,
Los valores de s que cumplen con estas dos condiciones de magnitud y ángulo son las
raı́ces de la ecuación caracterı́sticas o los polos a lazo cerrado (Ogata, 2010).
MG = 1/|L(jw180o )|
∠L(jw180o ) = −180o
47
3.6. Evaluando el rendimiento a lazo cerrado
Magnitude (dB)
0
−3 wBT
wB
wC
L
S
90
T
Phase (deg)
−90
w180o
−180
Frequency (rad/s)
MF = ∠L(jwC ) + 180o
es importante notar que disminuyendo el valor de wC (menor ancho de banda a lazo cerra-
do, respuestas más lentas), significa que podemos tolerar mayores errores/incertidumbres
en el retardo, i.e. más robustez.
48
3.6. Evaluando el rendimiento a lazo cerrado
analizando la Fig. 3.8 y recordando que todos los sistemas reales son estrictamente pro-
pios, entonces podemos concluir que: 1- a bajas frecuencias, en particular s = 0, tenemos
|S(0)| = 0 para controladores con acción integral. Lo cual garantiza el rechazo perfecto de
perturbaciones y seguimiento de setpoint, |T (0)| = 1, 2- debido a que los sistemas reales
son estrictamente propios, es decir |L(jw)| → 0, |S(jw)| → 1 cuando w → ∞, vemos que
en esta zona de frecuencias el control no es efectivo, 3- en la zona de frecuencias interme-
dias es inevitable tener un pico de |S(jw)| (mayor a 1), lo cual es un indicativo de una
degradación del rendimiento del controlador, y el pico MS es un indicativo del peor caso
de dicha condición.
En Skogestad and Postlethwaite (2005) se proponen algunas desigualdades que vincu-
lan los márgenes de fase y de ganancia con el pico máximo de la función de sensibilidad,
MS 1
MG ≥ MF ≥ [rad]
MS − 1 MS
con lo cual MS = 2 garantiza MG ≥ 2 y MF ≥ 29o
De igual forma podemos utilizar la función de sensibilidad complementaria,
1 1
MG ≥ 1 + MF ≥ [rad]
MT MT
que si MT = 2 garantiza MG ≥ 1.5 y MF ≥ 29o .
49
3.7. Limitaciones en el rendimiento
La palabra “efectivo” puede interpretarse de diferentes formas y por ello existen di-
ferentes definiciones de ancho de banda. La definición que nosotros utilizamos es que el
control es “efectivo” si obtenemos algún “beneficio” en términos de rendimiento. Para
el caso de comportamiento como servo, el error de seguimiento del setpoint es e(s) =
ysp (s) − y(s) = S(s)ysp (s). Por lo tanto, el control es efectivo (en términos de rendimiento)
en el rango de frecuencias donde S(s) sea lo suficientemente baja en ganancia, i.e. dis-
minuya e(s). Podemos definir entonces esa cota de ganancia como 0.707 y obtenemos la
siguiente definición:
De forma similar podemos pensar que el control es efectivo cuando produce un efecto
considerable sobre la VC. Entonces, recordando que y(s) = T (s)ysp (s), podemos asumir
que el control es efectivo en la zona de frecuencias donde la ganancia de T (s) sea lo
suficientemente grande, por ejemplo mayor que 0.707. Con lo cual, tenemos una definición
alternativa, “el ancho de banda en ptérminos de T (s)”, llamado wBT : “es la frecuencia más
grande en la que |T (jw)| cruza 1/ (2) (≈ −3 dB) desde arriba”. En la mayorı́a de los
casos las dos definiciones proveen valores similares del ancho de banda, ver Fig. 3.8.
La frecuencia de cruce de ganancia (donde |L(jw)| cruza 1 desde arriba), wC , en oca-
siones también se utiliza para definir el ancho de banda. Tiene la ventaja que se puede
calcular fácilmente y por lo general genera valores en el rango [wB , wBT ]. Por lo general,
se utilizan como ancho de banda las frecuencias wB y wC , ya que wBT puede resultar un
poco engañosa.
50
3.7. Limitaciones en el rendimiento
Estas reglas parecen razonables, pero ¿Cómo cuantificar los términos “autorregula-
do”, “considerable”, “rápido” y “directo”?.
Las tres preguntas anteriores están relacionadas con las caracterı́sticas de control inheren-
tes al proceso. Introduciremos el término controlabilidad de entrada-salida para capturar
estas caracterı́sticas como se describe a continuación,
51
3.7. Limitaciones en el rendimiento
nunca puede saber con certeza si el resultado observable es una propiedad fundamental del
proceso o si depende del controlador y del escenario propuesto (setpoint y perturbaciones).
Una estrategia rigurosa de análisis de controlabilidad serı́a formular matemáticamente
los objetivos de control, la clase de perturbaciones, la incertidumbre de modelado, etc.,
y luego sintetizar los controladores para definir si los objetivos se pueden cumplir. Esta
representación matemática del problema involucra una formulación del tipo superestruc-
tura, lo cual puede resultar intratable desde el punto de vista dimensional como desde
el punto de vista de la complejidad de programación del problema de optimización (ti-
pos de “solvers” disponibles) resultante. Para más detalles ver Capı́tulo 5. Resulta más
eficaz contar con algunas herramientas simples que se puedan usar para tener una idea
aproximada de lo fácil/difı́cil que es controlar la planta, es decir, determinar si una planta
es controlable o no, sin realizar un diseño detallado del controlador. El objetivo de esta
sección es derivar tales herramientas basadas en modelos apropiadamente escalos de gp (s)
y gd (s).
Mantener la salida y(t) en el rango ysp (t) = ±1 para toda perturbación d(t) entre
[−1, 1] o toda referencia entre [−Ysp , Ysp ], utilizando una entrada u(t) en el rango
[−1, 1].
donde Ysp es la magnitud de la referencia y |ỹsp (jw)| ≤ 1 y |d(jw)| ≤ 1 son señales desco-
nocidas. Esta nueva representación nos permite unificar el tratamiento de perturbaciones
y cambios de setpoints. Particularmente, derivaremos resultados para perturbaciones, los
cuales pueden aplicarse directamente a cambios de setpoints reemplazando −gd por Ysp .
52
3.7. Limitaciones en el rendimiento
siempre que sepamos que todos los modos inestables son controlables y observables, gene-
ralmente tiene poca importancia práctica. Por ejemplo, en los años 70, Rosenbrock señala
que la mayorı́a de las plantas industriales se controlan de manera satisfactoria, aunque
no sean estado-controlables. También hay muchos sistemas que son estado-controlables,
pero que no son controlables entrada-salida (ejemplo 4.5 en Skogestad and Postlethwaite
(2005)). La propiedad de controlabilidad del estado puede no implicar que el sistema sea
controlable en un sentido práctico. Esto se debe a que la capacidad de control del estado
solo se refiere al valor de los estados en valores discretos de tiempo, mientras que en la
mayorı́a de los casos prácticos queremos que las salidas permanezcan cerca de algún valor
deseado (o trayectoria) para todos los valores de tiempo y sin utilizar señales de control
inapropiadas. En los años 80, Morari introduce el concepto de “Resiliencia” para evitar
confunsión entre “controlabilidad entrada-salida” y “controlabilidad del estado”. El con-
cepto de resiliencia describe la capacidad de la planta de moverse rápida y suavemente
de una condición operativa a otra (incluido el arranque y el apagado) y de manejar efi-
cazmente las perturbaciones. Resiliencia incluye conceptos provenientes de la ingenierı́a de
procesos como “flexibilidad”, “operabilidad” y “controlabilidad entrada-salida”.
u(s) = gp−1 (s)T (s)ysp (s) − gp−1 (s)T (s)gd (s)d(s) (3.24)
gp (s) posee más polos que ceros (gp−1 (s) no es realizable, impropia)
53
3.7. Limitaciones en el rendimiento
Además, la ley de control perfecto en avance tampoco se puede obtener si gp (s) presenta
incertidumbre ya que gp−1 (s) no puede conocer con exactitud.
La señal de entrada de la Ec. 3.23 no debe exceder el valor máximo fı́sicamente per-
mitido. Por lo tanto, el control perfecto no puede obtenerse si,
|gp−1 (s)gd (s)| es elevado
54
3.7. Limitaciones en el rendimiento
20
10
−20
−30
−40
k=0.1
−50 k=0.5
k=1
−60 k=2
−70 −3 −2 −1 0 1 2
10 10 10 10 10 10
Frequency (rad/s)
Figura 3.9: Aumentando la ganancia del controlador - Sistema con respuesta inversa
en otras palabras, para control perfecto y a su vez respetar los lı́mites de la variable de
entrada debe cumplirse que |gp (jw)| > |gd (jw)| para todo el rango frecuencial de interés.
Si ahora consideramos el caso de seguimiento del setpoint (servo), entonces d = 0 y
consideremos el peor caso de trayectoria de referencia, ysp = Ysp , con |ỹsp (jw)| = 1. Para
mantener la entradas dentro de sus lı́mites de restricción, debe cumplirse que
en otras palabras, debe cumplirse que |gp (jw)| > Ysp para todo el rango frecuencial de
interés.
|gp (jw)| > |gd (jw)| − 1, ∀w donde |gd (jw)| > 1 (3.27)
55
3.7. Limitaciones en el rendimiento
Control en avance
Considere la planta nominal defina como y(s) = gp (s)u(s)+gd (s)d(s), asuma que gp (s)
es mı́nima fase y estable. Considere también que no hay problemas con la saturación de
las entradas.
Recordemos la ley de control en avance para control perfecto (e(s) = 0) de la Ec. 3.23.
Ahora apliquemos esta ley a la planta actual, definida como:
y ∗ (s) = gp∗ (s)u(s) + gd∗ (s)d(s)
y analicemos la expresión del error,
gp∗ (s) gp∗ (s)/gd∗ (s) ∗
∗ ∗
e (s) = ysp (s) − y (s) = 1 − ysp (s) − 1 − g (s)d(s)
gp (s) gp (s)/gd (s) d
donde
gp∗ (s)
1− : es el error relativo en gp (s)
gp (s)
gp∗ (s)/gd∗ (s)
1− : es el error relativo en gp (s)/gd (s)
gp (s)/gd (s)
Por lo tanto, podemos apreciar que el error de modelado se propaga directamente al
error de seguimiento. Si queremos garantizar |e∗ (jw)| < 1 para el peor caso |d(jw)| = 1,
entonces deberı́a cumplirse que |gp (jw)/gd (jw)| < 1/|gd∗ (jw)|.
56
3.7. Limitaciones en el rendimiento
y la función de sensibilidad
S(s)
S ∗ (s) =
1 + E(s)T (s)
con T (s) la función de sensibilidad complementaria del sistema nominal y E(s) = (gp (s) −
gp∗ (s))/gp (s) el error relativo.
De la expresiones anteriores podemos observar que el error de seguimiento (e(s) y
e∗ (s)) es débilmente afectado por el error de modelado en el rango frecuencial donde el
controlador es efectivo, i.e. |S(jw)| << 1 y |T (jw)| ≈ 1. Además, si tenemos un controlador
con efecto integral y si el sistema a lazo cerrado es estable entonces S(0) = S ∗ (0) = 0, por
lo tanto, en estado estacionario no existirá error de seguimiento (no hay offset), aún con
error de modelado.
Sin embargo, aunque el control por retroalimentación contrarresta el efecto de la incer-
tidumbre en las frecuencias donde la ganancia del lazo es grande, la incertidumbre en la
región de la frecuencia de cruce puede dar como resultado un bajo rendimiento e incluso
inestabilidad.
57
Capı́tulo 4
Control multivariable
4.1. Introducción
Consideremos el proceso MIMO con ny salidas, nu entradas y nd perturbaciones, con la
siguiente representación en matriz de funciones de transferencia en el dominio de Laplace:
con
y1 (s) u1 (s) d1 (s)
y2 (s) u2 (s) d2 (s)
y(s) = .. , u(s) = .. , d(s) = .. (4.2)
. . .
yny (s) unu (s) dnd (s)
y
p p p
g11 (s) g12 (s) ... g1n (s)
u
p p p
g21 (s) g22 (s) ... g2n u
(s)
Gp (s) = .. .. .. ..
. . . .
gnpy 1 (s) gnpy 2 (s) . . . gnpy nu (s)
(4.3)
d (s)
g11 d (s)
g12 ... d (s)
g1n
d
d (s)
g21 d (s)
g22 ... d (s)
g2n
d
Gd (s) = .. .. .. ..
. . . .
gndy 1 (s) gndy 2 (s) . . . gndy nd (s)
59
4.1. Introducción
d(s)
Gd (s)
60
4.2. Respuesta en frecuencia para sistemas MIMO
|y(jw)| |g(jw)d(jw)|
= = |g(jw)|
|d(jw)| |d(jw)|
||y(jw)||2 ||G(jw)d(jw)||2
= (4.6)
||d(jw)||2 ||d(jw)||2
61
4.2. Respuesta en frecuencia para sistemas MIMO
esta ganancia resulta similar al caso SISO, pero ahora tenemos un grado de libertad
adicional, la “dirección” del vector d(jw) (Skogestad and Postlethwaite, 2005).
notar que todos los vectores de entrada propuestos tienen la misma magnitud, ||d||2 = 1,
pero diferentes direcciones.
Calculando las salidas correspondientes tenemos:
5 4 6.36 0.707 −0.2
y1 = , y2 = , y3 = , y4 = , y5 =
3 2 3.54 0.707 0.2
||y1 ||2 = 5.83, ||y2 ||2 = 4.47, ||y3 ||2 = 7.30, ||y4 ||2 = 1.00, ||y5 ||2 = 0.28
||G(jw)d(jw)||2
σ (G(jw)) = máx (4.7)
d6=0 ||d(jw)||2
||G(jw)d(jw)||2
σ (G(jw)) = mı́n (4.8)
d6=0 ||d(jw)||2
62
4.2. Respuesta en frecuencia para sistemas MIMO
correspondiente. Entonces |λi | mide la ganancia del sistema en la dirección ti . Esto puede
ser útil para un análisis de estabilidad, pero no para un análisis de rendimiento.
Para lograr una generalización útil de la ganancia |G|, para el caso en que G es una
matriz, necesitamos el concepto de norma matricial ||G||. En el Apéndice A el lector encon-
trará una completa definición de las normas que utilizaremos en este libro. En particular
se establece la diferencia entre normas y normas inducidas por un vector. La Ec. 4.7 es un
caso de norma inducida y generalmente se representa como, ||G||i2 = σ (G).
G = UΣVT (4.9)
donde la función transpuesta debe cambiarse por la compleja conjugada transpuesta cuan-
do hablamos de matrices en el dominio complejo.
De la Ec. 4.9 podemos identificar las siguientes componentes:
Las columnas de las matrices U y V son los vectores singulares correspondientes y son
ortonormales entre ellos. Lamentablemente, el i-ésimo vector singular de salida se denota
como ui , al igual que la entrada a un proceso. Es importante no confundir estos conceptos
y analizar el contexto en el cual se está utilizando determinada notación.
Las columnas de U representan las “direcciones de salida” del proceso y las columnas
de V las “direcciones de entrada” de la planta. Debido a que los vectores singulares son
ortonormales, cumplen con,
||ui ||2 = 1, uT
i ui = 1, uT
i uj = 0, ∀i 6= j, UT U = I
Si multiplicamos, por derecha, ambos miembros de la Ec. 4.9 con V, tenemos que
GV = UΣ y para cada columna,
Gvi = σi ui
con vi y ui vectores y σi un escalar.
63
4.3. Control de plantas multivariables
64
4.3. Control de plantas multivariables
4.3.1. Desacoplamiento
Si el compensador de la Ec. 4.10 se elige de forma tal que Gnp (s) resulta prácticamen-
te diagonal, en definidas frecuencias, estamos en presencia de un desacoplamiento. Los
siguientes casos son posibles:
Desacoplamiento dinámico: Gnp (s) es diagonal a todas las frecuencias. Por ejemplo,
Gnp (s) = I, entonces para un proceso cuadrado tenemos que W1 (s) = G−1 p (s) (sin
tener en cuenta los problemas potenciales en la inversión). En este caso parece razo-
nable elegir K(s) = l(s)I, con l(s) = k/s. Entonces el controlador resulta:
Gc (s) = W1 (s)K(s) = l(s)G−1
p (s)
65
4.4. Número de condición y RGA
Un valor elevado en el número de condición puede estar dado por un valor muy bajo
de σ(Gp ), lo cual es indeseable.
66
4.4. Número de condición y RGA
matricialmente: p p
∆y1 g11 . . . g1n l
∆u1
.. .. .. .. ..
. = . . . .
p p
∆ynl gnl 1 . . . gnl nl ∆unl
Entonces definimos cada componente de la RGA como,
ganancia a lazo abierto entre yi y uj
λij =
ganancia a lazo cerrado entre yi y uj
p p
= gij ĝji
67
4.4. Número de condición y RGA
denominado “número RGA” y donde || · ||sum es la norma suma (la suma de todos
los componentes de la matriz en valor absoluto).
si bien el modelo es simple, representa muy bien las principales dinámicas existentes. Las
salidas representan la composiciones de tope y de fondo de la columna y las entradas el
reflujo y el vapor suministrado.
Si trabajamos en estado estacionario (s = 0) podemos evaluar algunos ı́ndices presen-
tados anteriormente,
35.06 −34.06
Λ(Gp ) = , σ(Gp ) = 197.21, σ(Gp ) = 1.39, γ(Gp ) = 141.73
−34.06 35.06
se observa que la RGA presenta una alta interacción entrada-salida, con valores elevados
en sus componentes y con un único posible apareamiento u1 −y1 y u2 −y2 . Como analizamos
anteriormente, estos valores elevados en la RGA se deben a un mal acondicionamiento de
Gp el cual queda demostrado por un excesivo valor del número de condición γ(Gp ). Como
se observa de los valores singulares, existe una gran diferencia entre σ(Gp ) y σ(Gp ) lo que
indica que hay direcciones de las entradas que afectan fuertemente las salidas del proceso
y direcciones que tienen un efecto mucho menor.
El problema de la interacción se puede resolver, o aliviar, diseñando un controlador
desacoplador/compensador como vimos en secciones anteriores. Los elevados valores en
las componentes de la RGA nos pone de manifiesto otro problema: la alta sensibilidad a
incertidumbres de modelado.
68
4.4. Número de condición y RGA
2.5
1.5
Salidas
1
0.5
0
0 5 10 15 20 25 30
Tiempo
s 1
S(s) = I, T(s) = I
s + 0.7 1.43s + 1
claramente podemos observar que la respuesta ante un cambio de setpoint es del tipo primer
orden en cada salida y con igual constante de tiempo (1/k = 1.43 min.).
Ahora bien, para corroborar la información que brinda la RGA cuando sus elementos
son de elevado valor, vamos a suponer una incertidumbre en las ganancias de entrada del
10 % respecto de su valor nominal. Entonces la nueva planta, Gunp (s), se puede expresar
como:
un 1 + ǫ1 0
Gp (s) = Gp (s)
0 1 + ǫ2
siendo en este caso, ǫ1 = 0.1 y ǫ2 = −0.1.
La respuesta del controlador Gc (s) aplicado a la planta nominal Gp (s) y el mismo con-
trolador aplicado a la planta con incertidumbre Gun p (s) se puede apreciar en la Fig. 4.2.
En la simulación se muestra un cambio de setpoint de valor unitario en y1 y, simultánea-
mente, un cambio en la referencia de y2 de valor 0.5. En lı́nea continua se puede observar
el comportamiento de la planta nominal a lazo cerrado y en lı́nea de trazos el mismo
controlador actuando sobre la planta con incertidumbre. Claramente, se puede apreciar el
los efectos nocivos de la incertidumbre cuando la planta no está bien acondicionada, i.e.
elevados valores en los elementos de la RGA. No es recomendable diseñar un controlador
multivariable con “inversión de modelo” en estos casos.
69
4.4. Número de condición y RGA
puede eliminar la estabilidad, aún cuando los controladores individuales sean esta-
bles.
Definición 4.4.1 (Estabilizable Integralmente). El proceso Gnp (s) = Gp (s)W1 (s) es con-
siderado “estabilizable integralmente” si existe un k > 0 tal que Gnp (s) controlada por Ik/s
(retroalimentación unitaria de salida) es estable a lazo cerrado y además presenta cero
offset en estado estacionario.
Teorema 4.4.1. Sea Gnp (s) una matriz de funciones de transferencia estables, propias
y racionales, entonces el proceso es estabilizable integralmente solo sı́ det Gnp (0) > 0.
El Teorema 4.4.1 es sólo una condición necesaria para estabilidad integral para procesos
MIMO. Sin embargo, para casos SISO es una condición necesaria y suficiente (Grosdidier
et al., 1985).
Una caracterı́stica deseable e importante de todo sistema de control es la “integridad”.
Esta propiedad asegura la estabilidad a lazo cerrado a medida que los controladores de
los subsistemas entran y salen de servicio Bristol (1966). Niederlinski en 1971, introduce
un teorema interesante para cuantificar la integridad, el cual posteriormente reformula de
forma más adecuada Grosdidier et al. (1985).
Gp (s) es estable
70
4.4. Número de condición y RGA
Corolario 4.4.1. Para nl > 2 y cualquier λii negativo, la estructura de control descen-
tralizada tiene una de las siguientes propiedades:
NI(Gp (0)) < 0, la planta a lazo cerrado es inestable. Pero la planta reducida, sin el
i-ésimo lazo de control puede ser estabilizada.
NI(Gp (0)) > 0, la planta a lazo cerrado es inestable cuando falle el el i-ésimo lazo
de control.
En los sistemas de control industriales, los problemas de integridad están relaciona-
dos con fallos en sensores y actuadores. En el caso de sensores, las fallas producen que
el controlador reciba señales incorrectas. En el caso de actuadores, la acción de control
resulta incompleta. Ambos tipos de mal funcionamiento puede ocasionar problemas graves
de control e inestabilidad. En los sistemas industriales, este tipo de fallos se detecta rápi-
damente y el controlador perteneciente al lazo que falló se saca fuera de servicio mientras
dure la reparación/reemplazo. Mientras tanto, resulta crucial garantizar la estabilidad del
resto del proceso.
Teorema 4.4.3. Sea Gnp (s) una matriz de funciones de transferencia propias, racionales
y estabilizable integralmente. Entonces la planta
a lazo
cerrado con con una falla en el
j-ésimo sensor/actuador es inestable si det Gp (0) < 0. Donde Gnjj
njj
p (0) es la matriz
n
Gp (0) sin la j-ésima columna y fila. (Grosdidier et al., 1985; Khaki-Sedigh and Moaveni,
2009).
También existen dos conceptos relacionados con la estabilidad integral, vista anterior-
mente, que se denominan “controlabilidad integral” y “controlabilidad integral descentra-
lizada” los cuales garantizan la estabilidad del sistema de control descentralizado cuando
detuneamos el parámetro k de la parte integral a cero. Para más información ver el capı́tulo
2 de (Khaki-Sedigh and Moaveni, 2009).
Ejemplo 4.4.2 (Proceso 3 × 3). Consideremos en este caso la siguiente planta multiva-
riable,
1 −4.19 −25.96
(1 − s)
Gp (s) = 6.19 1 −25.96
(5s + 1)2
1 1 1
71
4.4. Número de condición y RGA
1.6 2.5
EC1 EC1
1.4 EC2 EC2
1.2 2
0.8 1.5
0.6
y1
y2
0.4 1
0.2
0 0.5
−0.2
−0.4 0
0 500 1000 1500 2000 2500 3000 0 500 1000 1500 2000 2500 3000
Tiempo [s] Tiempo [s]
0.8
0.6
y3
0.4
0.2
EC1
−0.2
EC2
0 500 1000 1500 2000 2500 3000
Tiempo [s]
(c) Salida y3
72
4.5. Control por modelo interno (IMC)
EC1
20
EC2
Magnitud [dB]
0
−3
−5 −4 −3 −2 −1 0 1 2
10 10 10 10 10 10 10 10
Frecuencia [rad/s]
Si bien podemos estar tentados a elegir la EC2, es importante tener en cuenta lo dis-
cutido en el Ejemplo 4.4.1 sobre los valores elevados de la RGA. La EC2 es más sensible
a incertidumbre en los canales de entrada. Esto se puede corroborar analizando la función
de sensibilidad en el dominio de la frecuencia para ambas estructuras de control. En la
Fig. 4.4 se puede observar el máximo valor singular, σ(S(jw)), para EC1 y EC2. Clara-
mente, la EC2 presenta mayor ancho de banda, wB , lo que implica mejor rendimiento.
Pero a su vez presenta mayor valor de pico, ||S(s)||∞ , lo que implica elevada sensibilidad
a incertidumbres. La EC1 presenta un ancho de banda muy bajo, indicando una respuesta
muy lenta a lazo cerrado.
Si bien los picos de las funciones de sensibilidad y los elementos de la RGA son indi-
cadores útiles para analizar la robustez y el rendimiento de un sistema, no proporcionan
una respuesta exacta a si una fuente dada de incertidumbre producirá inestabilidad o
bajo rendimiento. Para abordar este problema de forma más sistemática, en Morari and
Zafiriou (1989) y Skogestad and Postlethwaite (2005) se propone una estrategia basada
en valores singulares estructurados (SSV, de sus siglas en Inglés) o también denominado
“análisis-µ”.
Comportamiento regulador: las VCs deben mantenerse cerca de sus valores de refe-
rencia independientemente de las perturbaciones no medidas que afecten al proceso.
73
4.5. Control por modelo interno (IMC)
d(s)
Gd (s)
4.5.1. Propiedades
Reescribamos la Fig. 3.4 como se muestra en la Fig. 4.5 para introducir los conceptos
y relaciones de la filosofı́a IMC MIMO. Esta estructura IMC se relaciona con la clásica
estructura de retroalimentación unitaria de salida de la Fig. 4.1 mediante las siguientes
expresiones:
−1
Gc (s) = I − Gimc (s)G̃p (s) Gimc (s)
−1 (4.18)
Gimc (s) = I + Gc (s)G̃p (s) Gc (s)
donde se puede observar que para el caso sin perturbaciones d(s) = 0 y sin error planta-
modelo Gp (s) = G̃p (s), la señal de retroalimentación de la Ec. 4.19 es nula. Indicando la
operación como control en avance únicamente.
74
4.5. Control por modelo interno (IMC)
donde G̃+p (s) contiene los retardos y los ceros en el plano derecho de G̃p (s). Por lo
−
tanto G̃p (s) posee una inversa estable y realizable. Elija entonces,
como controlador.
75
4.5. Control por modelo interno (IMC)
la estructura IMC revela que la elección de la matriz de transferencia a lazo cerrado está
limitada por las caracterı́sticas no mı́nima fase del proceso y los requisitos de robustez.
Retardos y ceros en el semiplano derecho son carcaterı́sticas propias del sistema, las cuales
tienen que aparecer en alguna forma (G̃+ p (s)) en la respuesta a lazo cerrado.
Ası́, F(s) es una expresión directa de la relación de compromiso entre robustez y
rendimiento. Se puede obtener un desacople completo si elegimos G̃+ p (s) y F(s) diagonal.
Aún cuando se permita cierta interacción dinámica, estas dos matrices deben cumplir con,
G̃+
p (0) = I, F(0) = I
4.5.3. Factorización
En Holt and Morari (1985) se presentan diferentes formas de factorización para G̃p (s) =
G̃+ −
p (s)G̃p (s) cuando la planta se ve afectada por retardos. Si bien los autores proponen
una estructura diagonal para G̃+ p (s), implementar el controlador IMC en el contexto con-
tinuo de Laplace puede resultar bastante complejo (básicamente debido a los términos
exponenciales). Por otro lado, Garcia and Morari (1985) y Morari and Zafiriou (1989)
proponen trabajar en el dominio discreto mediante la transformada “Z” ya que el aborda-
je de los retardos y ceros no mı́nima fase resulta más simple y directo. Por ello, Garcia and
Morari (1985) reformulan los resultados de Holt and Morari (1985) en el dominio discreto
como se puede observar en el siguiente teorema.
Teorema 4.5.1. Supongamos que Gp (z) es la discretización de la matriz de funciones
de transferencia continua Gp (s). De igual forma G̃p (z) representa a G̃p (s). Asumamos
además que Gp (z) = G̃p (z) y que G̃+p (z) es diagonal de la forma,
h ∗ +1)
i
−(θn
G̃+
p (z) = diag z −(θ1∗ +1) −(θ2∗ +1)
, z , . . . , z l (4.25)
Sean z (θ̂ij +1) ĝij (z) los elementos de la matriz G̃p (z)−1 , donde ĝij (z) es una función semi-
propia. Entonces,
θj∗ = máx máx(0, θ̂ij ), j = 1, . . . , nl (4.26)
i
produce el mı́nimo retardo en la respuesta necesario para que el controlador Gimc (z) =
G̃− −1 = G (z)−1 G̃+ (z) resulte realizable.
p (z) p p
76
4.5. Control por modelo interno (IMC)
G̃+
p (z) = z
−(θmax +1)
I, θmax = máx θij (4.27)
ij
donde G̃+1 −1 +1 +2
p (z) se elige de forma tal que G̃p (z) G̃p (z) sea realizable y G̃p (z) se diseña
− −1 −1 +1 +2
para que G̃p (z) = G̃p (z) G̃p (z)G̃p (z) resulte estable. A continuación discutiremos
como seleccionar G̃+2
p (z).
Supongamos que no hay retardos en el proceso. Entonces el objetivo es obtener G̃− p (z)
de forma tal que posea una inversa estable. Podrı́amos calcular su inversa como:
adj G̃p (z)
G̃−
p (z)
−1
= G̃p (z)−1 G̃+
p (z) = G̃+
p (z)
det G̃p (z)
se puede demostrar que si G̃p (z) es estable, entonces “det G̃p (z) ” contendrá todos los
ceros de G̃p (z) fuera del circulo unitario (parte real positiva). Por lo tanto G̃+
p (z) deberá
− −1
contener todos los ceros “inestables” de G̃p (z) para que G̃p (z) resulte estable. Para más
detalles y ejemplos de aplicación ver Garcia and Morari (1985), Holt and Morari (1985) y
Morari and Zafiriou (1989).
Teorema 4.5.2. Asuma que el controlador IMC viene dado según la Ec.4.24, considere
también que el filtro es diagonal y de primer orden,
donde diag[·] es una función que toma como entrada un vector y devuelve una matriz con
dicho vector en la diagonal principal y cero en el resto.
Entonces, existen constantes de tiempo de los filtros pasa bajo, τfi con i = 1, . . . , nl , en
F(s) que garantizan la estabilidad a lazo cerrado sı́ y solo sı́ G̃p (s) y Gp (s) cumplen con
h i
Re λi Gp (0)G̃p (0)−1 > 0, i = 1, . . . , nl (4.28)
donde Re[·] es la función parte real, λi (·) es el i-ésimo autovalor y nl la dimensión del
sistema cuadrado bajo control. Demostración en Garcia and Morari (1985).
77
4.5. Control por modelo interno (IMC)
G̃p (z)−1 =
ĝ21 (z) z 0 ĝ22 (z) z 4
78
4.5. Control por modelo interno (IMC)
donde los ĝij (z) son funciones semipropias y representan las función racionales de trans-
ferencia de la inversa (generalmente de orden elevado).
Con esta información podemos comenzar el diseño de diferentes controladores IMC
según el error estructural planta modelo especificado y según la factorización utilizada.
que resulta de observar G̃p (z)−1 y definir θ̂11 = 1, θ̂12 = 1, θ̂21 = −1 y θ̂22 = 3. Por
lo tanto, θ1∗ = 1 y θ2∗ = 3.
G̃+
p (z) = z
−(θmax +1)
I = z −9 I
si analizamos G̃p (z) vemos que θmax = 8. Notar que I es la matriz identidad de 2×2.
Las factorizaciones en los ı́tems A) y B) generan los correspondientes controladores
IMC de acuerdo con Gimc (z) = G̃− −1 = G (z)−1 G̃+ (z)F(z) siendo
p (z) p p
1−α
F(z) = I
1 − αz −1
con α = 0.35 como sugiere Garcia and Morari (1985). Se asume en estos casos
Gp (z) = G̃p (z), para los fines de simulación.
Notar que las factorizaciones C) y D) no garantizan Gp (s) = G̃p (s), es decir existe
un error planta modelo. La factorización C) selecciona la parte invertible de Gp (s),
con interacción completa (full), sin considerar la información de los retardos. Por su
parte, la factorización D) selecciona solo la parte invertible de Gp (s) ubicada en la
diagonal principal (en relación con el apareamiento sugerido por Λ(Gp )) y también
no considera ninguna información respecto de los retardos existentes. Evidentemen-
te esta última parametrización producirá una estructura de control descentralizada.
Debido al error planta-modelo, las factorizaciones C) y D) necesitan ser evaluadas
según el Teorema 4.5.2 para garantizar la existencia de una ajuste del
filtro que esta-
bilice el lazo cerrado. En este caso tenemos que los autovalores λi Gp (0)G̃p (0) −1
79
4.5. Control por modelo interno (IMC)
0.8 0.6
0.7
0.5
0.6
0.4
0.5
y1
y2
0.4 0.3
0.3
0.2
Setpoint Setpoint
0.2 A A
B 0.1 B
0.1 C C
D D
0 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
Tiempo [min] Tiempo [min]
0.6
0.3
0.5
y1
y2
0.2
0.4
0.1
0.3
0
0.2
−0.1 0.1
−0.2 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
Tiempo [min] Tiempo [min]
80
4.6. Limitaciones en el rendimiento
a su etapa de diseño en este ejemplo. Las Figs. 4.6(a) y 4.6(b) muestran el compor-
tamiento servo con cambios em los setpoints de 0.75 para y1 y de 0.5 para y2 . En las
Figs. 4.6(c) y 4.6(d) se muestra el comportamiento regulador cuando la perturbación cam-
bia ∆d = +0.34. Los cambios se tomaron según lo sugiere Garcia and Morari (1985) y
se proponen en el instante t = 10 minutos. Podemos observar, como dijimos anterior-
mente, que el diseño “A” (basado en el Teorema 4.5.1) presenta el mejor rendimiento.
El diseño “B” (basado en la Ec. 4.27), por ser una estrategia conservadora, presenta un
comportamiento extremadamente retrasado en ambas salidas para el caso servo. El caso
“C” (modelo full sin información del retardo) y el caso “D” (modelo descentralizado sin
información del retardo) presentan comportamientos suaves y con un rendimiento menor
a los casos anteriores ya que las constantes de tiempo del filtro debieron ajustarse de forma
adecuada para garantizar la robustez a incertidumbres.
donde para cada frecuencia w tenemos que ||ỹsp (jw)||max ≤ 1, ||u(jw)||max ≤ 1 y ||d(jw)||max ≤
1, y el objetivo de control es obtener ||e(jw)||max ≤ 1. Donde || · ||max es el valor máximo
de las componentes del vector a una dada frecuencia.
81
4.6. Limitaciones en el rendimiento
Restricciones de interpolación
Si Gp (s) tiene un cero en el semiplano derecho en s = z con dirección de salida yz , en-
tonces para garantizar la estabilidad interna del sistema retroalimentado (ver Apéndice A)
se deben cumplir las siguientes restricciones de interpolación,
En palabras, la Ec. 4.30 nos dice que T tiene que tener un cero en el semiplano derecho en
la misma dirección que el cero de Gp y que S tiene un autovalor unitario correspondiente
con el autovector izquierdo yz .
Si Gp (s) tiene un polo en el semiplano derecho en s = p con dirección de salida yp , en-
tonces para garantizar la estabilidad interna del sistema retroalimentado (ver Apéndice A)
se deben cumplir las siguientes restricciones de interpolación,
Si realizamos una SVD de Gp (jw), las direcciones no controlables de las salidas las
y0 son las últimas ny − r columnas de la matriz U(jw) de la descomposición. Analizando
estas direcciones se puede decidir si es aceptable mantener ciertas salidas no controladas
o si es necesario incorporar actuadores adicionales para incrementar el rango de Gp (s).
82
4.6. Limitaciones en el rendimiento
s−3
det (Gp (s)) =
(s + 1)2 (s + 2)2
se puede observar que el cero de transmisión z = 3 produce que “det (Gp (z)) = 0” y por
lo tanto “rango (Gp (z)) = 1”, corroborando esta situación.
Si analizamos también la expresión de la inversa,
(s + 1)2 (s + 2)2
−1 1 −2
Gp (s) =
−3 s + 3 s−3
vemos que el cero del semiplano derecho en z = 3 de Gp (s) produce un polo inestable en
Gp (s)−1 .
83
4.6. Limitaciones en el rendimiento
donde || · ||i∞ es la norma infinito inducida, i.e. máxima suma por filas.
84
4.6. Limitaciones en el rendimiento
σi (Gp ) ≥ |uT d d
i g | − 1, a las frecuencias donde |ui g | > 1
85
4.6. Limitaciones en el rendimiento
Este modelo representa una columna de destilación siendo sus salidas la composición de
sus productos, el reflujo y el calor de fondo como entradas y la tasa y la composición de
la alimentación como perturbaciones (ambas con un cambio del 20 %).
Realizando una SVD de Gp = UΣVT obtenemos,
−0.6246 −0.7809 −0.7066 −0.7077 98.6 0
U= V= Σ=
−0.7809 0.6246 0.7077 −0.7066 0 0.7
Debido a que σ = 0.7, menor que uno, puede existir una pérdida de control en algunas
direcciones y/o problemas de saturación en las entradas.
Analizaremos ahora el efecto producido por las perturbaciones sobre las entradas y los
potenciales problemas de saturación existentes con cada método mencionado anteriormen-
te.
a- Control perfecto (e = 0): las entradas necesarias en este caso para rechazar de forma
perfecta el efecto de las perturbaciones es:
−1 −1.09 −0.009
u = Gp Gd =
−1.29 −0.213
el criterio sugiere que cada magnitud del elemento de la i-ésima fila de UT Gd debe
ser menor que σi (Gp )+1 para evitar saturaciones en las entradas. En la dirección de
la mayor ganancia vemos que tanto el elemnto 14.08, ası́ como el 14.24 son mucho
menores que σ1 (Gp ) + 1 = 98.6 + 1 = 99.6. En la dirección de la ganancia más
baja tenemos que las componentes 1.17 y 0.11 también cumplen con el criterio ya
que σ2 (Gp ) + 1 = 0.7 + 1 = 1.7. En este último caso el criterio se cumple con un
márgen mucho menor. Como conclusión, el criterio sugiere que se puede obtener un
control aceptable para ambas perturbaciones, pero prestando especial atención a la
perturbación d1 la cual aparece como la más conflictiva.
86
4.6. Limitaciones en el rendimiento
Estas formas de incertidumbre pueden verse parecidas, pero veremos que sus efectos a
los fines de control pueden ser bastante diferentes. Si todos los elementos de las matrices
EI o EO no son nulos entonces tenemos una “incertidumbre completa” (no estructurada).
En mucho casos, la fuente de incertidumbre se encuentra en los canales individuales de
entrada o salida. En este caso, las matrices EI o EO tienen estructura diagonal, como por
ejemplo,
EI (s) = diag (ǫ1 (s), ǫ2 (s), · · · , ǫnu (s)) (4.36)
Es importante resaltar que este tipo de incertidumbre diagonal de entrada está siempre
presente en sistemas reales.
Incertidumbre y retroalimentación
Para ilustrar los beneficios del control por retroaliemntación en la reducción de la
sensibilidad respecto a incertidumbres, analizaremos el efecto de la incertidumbre de salida
en el caso de seguimiento de setpoint.
87
4.6. Limitaciones en el rendimiento
Por lo tanto, matrices RGA, Λ(Gp ), con elevados valores en sus elementos indican
que Gp puede volverse singular con pequeños valores de incertidumbre relativa en sus
elementos.
Teorema 4.6.2. Sea np y np* el número de polos inestables a lazo abierto (excluyendo
polos en el origen s = 0) de Gp (s)Gc (s) y G∗p (s)Gc (s), respectivamente. Asumamos que el
controlador Gc (s) es tal que Gp (s)Gc (s) posee acción integral en todos los canales y que
las funciones de transferencia de Gp (s)Gc (s) y G∗p (s)Gc (s) son estrictamente propias.
Entonces si,
det(G∗p (0))
< 0 para (np − np* ) par (incluso cero)
(4.37)
det(Gp (0)) > 0 para (np − np* ) impar
entonces, al menos ocurre alguna de las dos inestabilidades siguientes: 1- el sistema a lazo
cerrado con retroalimentación negativa y ganancia de lazo Gp (s)Gc (s) es inestable. 2- el
sistema a lazo cerrado con retroalimentación negativa y ganancia de lazo G∗p (s)Gc (s) es
inestable. Demostración en Skogestad and Postlethwaite (2005).
88
4.7. Resumen: controlabilidad entrada-salida
El mı́nimo valor singular, σ (Gp (jw)), es una herramiento útil para analizar la con-
trolabilidad. Este valor singular es deseable que sea tan grande como se pueda en el
rango frecuencial donde el control es efectivo. Un valor cercano a cero de este valor
singular indica que existen direcciones donde el control no es efectivo, i.e. no existe
ganancia.
89
4.8. Estabilidad de los sistemas retroalimentados
replacemen
du (s) dy (s)
ysp (s) e(s) + + y(s)
Gc (s) Gp (s)
+ + u(s) +
-
Teorema 4.8.2. Consideremos una planta Gp (s) estable, entonces la estructura de control
con retroalimentación negativa de la Fig. 4.7 es internamente estable, sı́ y solo sı́ Q(s) =
Gc (s) [I + Gp (s)Gc (s)]−1 es estable (Skogestad and Postlethwaite, 2005).
Polinomios caracterı́sticos
Consideremos el sistema a lazo cerrado de la Fig. 4.7 con dy (s) = 0 y du (s) = 0. La
función transferencia de lazo directo es L(s) = Gp (s)Gc (s) y si asumimos que posee una
90
4.8. Estabilidad de los sistemas retroalimentados
representación en espacio de estados dada por Ala , Bla , Cla y Dla , entonces:
con lo cual, la estabilidad del sistema a lazo abierto viene dada por los polos de L(s), es
decir por las raı́ces del “polinomio caracterı́stico a lazo abierto”:
Si asumimos que no hay cancelaciones polos-ceros del semiplano derecho entre Gp (s)
y Gc (s), entonces la estabilidad interna es equivalente por ejemplo a la estabilidad de la
función de sensibilidad S(s) = [I + L(s)]−1 . De las matrices de estado a lazo abierto se
puede obtener una representación a lazo cerrado si consideramos u(t) = ysp (t) − y(t)
Los polinomios caracterı́sticos de la Ec. 4.41 y de la Ec. 4.45 se pueden vincular median-
te el “operador diferencia de retorno”, I+L(s), como se muestra a continuación (Skogestad
and Postlethwaite, 2005):
φlc (s)
det (I + L(s)) = det (I + Dla ) (4.46)
φla (s)
donde det (I + Dla ) es un valor constante que no tiene significación cuando evaluamos los
polos. Notar que φlc (s) y φla (s) son polinomios de la variable s y por lo tanto sólo tienen
ceros, pero det (I + L(s)) es una función de transferencia con ceros y polos. Asumiendo que
no hay cancelaciones entre φlc (s) y φla (s), tenemos entonces que los polos a lazo cerrado
son las soluciones de:
det (I + L(s)) = 0 (4.47)
91
4.8. Estabilidad de los sistemas retroalimentados
1. encierra nla
p veces el origen en sentido contrario a las agujas del reloj, y
92
Capı́tulo 5
Control de plantas completas
5.1. Introducción
La mayorı́a de las teorı́as de control asumen que la estructura de control viene dada
desde un principio. Por lo tanto, no responden algunas preguntas básicas que un ingeniero
de control responde regularmente en la práctica: – ¿qué variables deberı́an controlarse?, –
¿qué variables deberı́an medirse?, – ¿cuáles entradas deberı́an manipularse? y – ¿cuál es el
vı́nculo que deberı́a existir entre dichos conjuntos?. En un planta completa, hay numerosas
opciones para elegir VCs y VMs y su apareamiento, con lo cual el diseño de estructuras
de PWC puede resultar en un problema combinatorio de grandes dimensiones. El objetivo
de este capı́tulo es brindar una introducción al diseño de control de plantas completas
(PWC).
Una revisión de los métodos existentes en la literatura de PWC, claramente identifica
tres grandes puntos de vista (Skogestad and Postlethwaite, 2005; Rangaiah and Kariwala,
2012):
Métodos basados en la heurı́stica.
Estas estrategias, las cuales son sistemáticas por naturaleza, fueron ampliamente
utilizados en numerosos casos de estudio. Se basan en el conocimiento ingenieril
profundo del proceso para definir las estructuras de control de cada equipo. La
estrategia más reconocida en el ámbito académico/industrial son los “nueve pasos”
definidos por Luyben et al. (1998). El propio W. Luyben sugiere: “... el desarrollo
de una estructura de control de planta completa para procesos complejos requiere
sólidos conocimientos de todos los conceptos fundamentales de la ingenierı́a quı́mica:
93
5.1. Introducción
Los métodos anteriores sólo son una pequeña muestra del amplio campo de desarrollo
e investigación. Un análisis exhaustivo de esta sublı́nea es prácticamente imposible.
94
5.2. Diseño de estructuras de PWC
Programación
(semanas)
Optimización Completa
(días)
MPC
Control Supervisor
(minutos)
VC2
PID Control Regulador
(segundos)
Capa de Control
95
5.2. Diseño de estructuras de PWC
niveles más bajos: las capas de control supervisor y regulador, donde el objetivo principal
es seguir los setpoints dados por la capa superior.
Una decisión estructural importante, probablemente más importante que el diseño
del controlador, es la elección de las VCs. En la capa de control supervisor es deseable
seleccionar las VCs que sean útiles desde un punto de vista económico (CV1).
Generalmente, los controladores PID se utilizan en la capa de control regulador, donde
el objetivo principal es la estabilización de la planta (CV2). En la capa de control supervisor
se utilizan estrategias avanzadas de control, tradicionalmente se utiliza múltiples lazos PID
complementados con elementos avanzados tales como: desacopladores estáticos, elementos
de control en avance, selectores, controladores de rango dividido, y elementos de lógica.
Las últimas décadas, MPC aparece como la herramienta ideal para reemplazar a estos
elementos. En la capa de optimización local, generalmente las decisiones se toman de
forma manual, si bien existen algunas aplicaciones basadas en optimización en tiempo real
(RTO, de sus siglas en Inglés) en industrias petroquı́micas.
El procedimiento pretende definir los pasos deseables en todo diseño de PWC, pero
es claro que cada una de las actividades involucradas puede ser todo un gran problema
en sı́ mismo. La mayorı́a de la literatura existente, algunas citadas en la Sección 5.1,
abordan generalmente un paso o un subconjunto de pasos del procedimiento debido a
96
5.3. Escenarios de control de plantas completas
Gps (s) y Gds (s) forman parte del subproceso a ser controlado con dimensiones nq ×nq
y nq × nd , respectivamente.
Gpr (s) y Gdr (s) conforman el subproceso no controlado con dimensiones (ny − nq ) ×
nq y (ny − nq ) × nd , respectivamente.
G∗ps (s) y G∗pr (s) matrices remanentes con dimensiones nq × (nu − nq ) y (ny − nq ) ×
(nu − nq ), respectivamente.
siendo nq ≤ mı́n(ny , nu ) el número de variables que deben ser controladas (un subconjunto
de las potenciales VCs originales). Notar que también deben seleccionarse nq VMs, ya que
trabajaremos con sistemas de control cuadrados. Las variables us (s) son las VMs selec-
cionadas para controlar las salidas ys (s) a las trayectorias deseadas yssp (s). Las variables
de entradas remanentes ur (s) ((ny − nq ) × 1) podrı́an o no ser utilizadas para fines de
control, en este capı́tulo las supondremos fijas. Debido a que trabajaremos con modelos
normalizados, entonces ur (s) = 0. El vector de salidas yr (s) agrupa todas las variables no
controladas (VNCs).
Los potenciales escenarios de diseño de PWC están definidos por las dimensiones del
proceso ny y nu y por los requisitos de control nq = nqo + nqa . Es importante aquı́ realizar
la siguiente aclaración: nqo representa aquellas variables que deben ser controladas inde-
fectiblemente, es decir las variables definidas ad-hoc por los ingenieros de procesos (tasa
de producción, calidad del producto, etc.) y nqa es el número de variables adicionales que
podrı́an incluirse en la estructura de control para completar su diseño. En este contexto,
los potenciales escenarios se pueden dividir en cuatro casos, como se muestra en la Fig. 5.2
y cada uno de ellos representa un problema particular con una combinatoria especı́fica que
definiremos a continuación (Zumoffen, 2013, 2016):
Caso I: todas las variables de salidas necesitan ser controladas nq = ny y además ocurre
que ny < nu . Por lo tanto Gpr = G∗pr = 0 y la estrategia se convierte en una selección
óptima de nq VMs. En este contexto la dimensión del problema combinatorio (DPC)
es:
nu !
DPC =
nq !(nu − nq )!
97
5.4. RGA para procesos no cuadrados
ny nu nq
nq ≤ mı́n(ny , nu )
ny < nu ny = nu ny > nu
I VI III
nq × nq nq × nq nq × nq
ny × nu
ny × nu nq × nq
nq × nq nq × nq
ny × nu ny × nu ny × nu
II II II
Figura 5.2: Escenarios de diseño de PWC - Posibles particiones de Gp (s)
Caso II: este escenario está definido por 1 ≤ nq ≤ mı́n(ny , nu ) y la estrategia a utilizar
debe seleccionar de forma óptima tanto VMs como VCs. La DPC resulta,
nq
X ny ! nu !
DPC =
(i!(ny − i)!) (i!(nu − i)!)
i=1
Caso III: todas las VMs son utilizadas para control, nq = nu con ny > nu . Por lo tanto
G∗ps = G∗pr = 0 y la estrategia se convierte en una selección óptima de nq VCs. En
este contexto la DPC es:
ny !
DPC =
nq !(ny − nq )!
98
5.4. RGA para procesos no cuadrados
casos es tratar de “hacer cuadrado” (squaring down) el problema de alguna forma. Esto
es, se adicionan o se quitan del análisis variables de entrada o de salida hasta obtener
un proceso cuadrado, como discutimos en la Sección 5.3. Ahora bien, adicionar salidas
innecesarias implica mayores costos de inversión y mantenimiento y desechar potenciales
VMs reduce los grados de libertad para alcanzar un determinado comportamiento.
En el “caso I” (ny < nu ) de la Sección 5.3, hay reportes que indican que un con-
trolador centralizado no cuadrado podrı́a ser beneficioso comparado con una estructura
cuadrada, debido a la redundancia de algunos actuadores. En el “caso III” (ny > nu ), este
tipo de procesos son funcionalmente no controlables, de acuerdo a lo discutido en la Sec-
ción 4.6.2, y todas las salidas no pueden ser perfectamente controladas hacia los setpoints
deseados (Khaki-Sedigh and Moaveni, 2009).
Consideremos un proceso Gp (s) con ny salidas y nu entradas, siendo en este caso
ny > nu . La idea de control perfecto que se utilizó en la Sección 4.4.2 para derivar la RGA
no es posible en este caso, i.e. el proceso no es funcionalmente controlable. Por lo tanto,
se modifica este concepto de control perfecto con la idea de minimizar el error cuadrático
medio de seguimiento en las salidas.
Retomemos la idea de controlador IMC de la Sección 4.5, en este caso con modelo
G̃p (s) y referencias ysp (s). Las salidas controladas resultan,
h i−1
y(s) = Gp (s) Inu + Gimc (s) Gp (s) − G̃p (s) Gimc (s)ysp (s) (5.2)
la cual posee las siguientes propiedades como define Khaki-Sedigh and Moaveni (2009),
99
5.4. RGA para procesos no cuadrados
La suma de cada fila es un número entre cero y la unidad. Esto es una consecuencia
directa de que el proceso no es funcionalmente controlable. Es imposible error de
seguimiento nulo en estado estacionario en todas las salidas.
−0.02 0.00 0.01 −0.06
G†p = −0.27 −0.55 0.02 −0.05
−0.08 −0.02 −0.01 0.05
en este caso la RGA no cuadrada y su correspondiente vector de sumas por fila resultan,
0.24 −0.10 0.86 1.00
0.01 1.09 −0.10 1.00
Λnc (Gp ) =
0.03
Σf =
0.00 0.00 0.03
0.73 0.01 0.24 0.97
si analizamos el vector suma por filas, Σf , vemos que la salida y3 presenta el menor valor
y por lo tanto dicha variable puede ser quitada para conformar una estructura 3 × 3 con
un apareamiento entrada-salida sobre la diagonal secundaria (valores en negrita).
Analicemos ahora el caso presentado en Skogestad and Postlethwaite (2005) sobre un
100
5.4. RGA para procesos no cuadrados
Es importante tener en cuenta que si bien la RGA es una herramienta eficiente para
evaluar potenciales estructuras de control, siempre suele ser útil analizar otros indicadores,
como por ejemplo los valores singulares o la magnitud de los elementos de la RGA, para
poder concluir de forma concisa respecto de la controlabilidad de una determinada polı́tica
de control. El siguiente ejemplo muestra como se pueden obtener conclusiones erróneas.
2 1
101
5.5. Desviaciones cuadráticas mı́nimas (DCM)
el objetivo es seleccionar dos salidas para diseñar una estructura de control 2 × 2 descen-
tralizada.
La RGA no cuadrada y su correspondiente suma por filas son,
−2.57 3.27 0.70
1.96 −1.43 0.53
Λnc (Gp ) =
0.80 −0.42
Σf =
0.38
0.80 −0.42 0.38
la estrategia mostrada hasta el momento nos sugiere seleccionar las salidas y1 e y2 , por
tener los mayores valores en el vector suma Σf . Ahora bien, si analizamos el proceso
resultante y la RGA que esta selección nos genera vemos que,
10 10 −9 10
G1p = Λ G1p =
10 9 10 −9
vemos que la RGA posee valores muy elevados en sus componentes indicando que la estra-
tegia de control desarrollada sobre G1p será muy sensible a errores de modelado.
Por otro lado, si por ejemplo seleccionamos las salidas y1 e y3 , vemos que para este
nuevo proceso resulta,
10 10 −1 2
G2p G2p
= Λ =
2 1 2 −1
102
5.5. Desviaciones cuadráticas mı́nimas (DCM)
ur (s)
G∗pr (s)
d(s)
yr (s)
Gdr (s) G∗ps (s)
-
G̃ps (s) -
η(s)
donde usp −1 sp
s = Gps ys son los movimientos de las VMs asociados con los cambios de set-
points y uds = G−1
ps Gds d son las desviaciones de las VMs debido a los efectos de las pertur-
baciones. De forma similar las VNCs se pueden subdividir en dos efectos yrsp = Gpr G−1 sp
ps ys
y yrd = Gdr − Gpr G−1
ps Gds d.
Si consideramos que las modificaciones en los setpoints y las perturbaciones son uni-
tarios (debido a la normalización de los modelos) y evaluamos estos cambios de forma
individual, podemos entonces cuantificar como afectan a las VNCs en forma de desviacio-
nes cuadráticas respecto de su punto de trabajo nominal. De esta forma se define el ı́ndice
“suma de desviaciones cuadráticas” (SSD, de sus siglas en Inglés) como:
2 2
SSD = ||Gpr G−1 −1
ps ||F + ||Gdr − Gpr Gps Gds ||F (5.9)
donde || · ||F es la norma de Frobenius.
La minimización del ı́ndice SSD fue analizada extensamente en trabajos tales como
Zumoffen (2013) y Zumoffen (2016) y se muestra que dicha minimización tiende a maxi-
mizar el mı́nimo valor singular del subproceso a controlar Gps , i.e. la búsqueda conduce
hacia procesos bien acondicionados los cuales no presentan pérdida de ganancia direccio-
nal (Skogestad and Postlethwaite, 2005).
Si logramos parametrizar de forma adecuada la subdivisión de la Ec. 5.1, por ejem-
plo con variables binarias de decisión, podemos programar un problema de optimización
MINLP con la Ec. 5.9 como funcional costo y definir la VCs y VMs óptimas, con la carga
combinatoria (DPC) que definimos en la Sección 5.3. En las próximas secciones presenta-
remos este problema formalmente.
103
5.5. Desviaciones cuadráticas mı́nimas (DCM)
donde
siendo ysnet (s) el denominado “efecto de carga neta”, el cual cuantifica la interacción
multivariable a lazo cerrado del sistema.
Es claro de la Ec. 5.10 que el término asociado con el efecto de carga neta es una
perturbación indeseable desde el punto de vista de las VCs. Hay dos formas de evitar
estos efectos adversos de ysnet (s):
1. ajustar los parámetros de los controladores de forma tal de tener una respuesta
rápida, i.e. (Inq − F(s)) → 0 rápidamente.
Si analizamos la Ec. 5.15 podemos ver que un error especı́fico planta-modelo, dado por
la selección de G̃ps , en el desarrollo del controlador IMC, podrı́a disminuir la ganancia
multivariable de ysnet y de esta forma mejorar la respuesta dinámica de las VCs a lazo
cerrado.
Notar que para el diseño de controladores IMC generalmente se elije que Gps = G̃ps en
estado estacionario, i.e. no hay error planta-modelo y el controlador IMC resultante tendrá
una estructura “completa” (full). En este caso las Ecs. 5.12-5.13 resultan en An = 0 y
Bn = Gds , lo que implica que: 1- cambios en los setpoints no afectarán a ysnet y por ello
104
5.5. Desviaciones cuadráticas mı́nimas (DCM)
5 0.8
10
0.7
4
10
0.6
0.4
2
10
0.3
0.2
1
10
0.1
0
10 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35
Soluciones Soluciones
Ejemplo 5.5.1 (Estrategia DCM). En este ejemplo mostraremos las estrategias basadas
en los ı́ndices SSD y NLE por separado. Inicialmente abordaremos la selección de VCs
para el proceso Shell definido en Maciejowski (2002) y Zumoffen and Basualdo (2013),
105
5.5. Desviaciones cuadráticas mı́nimas (DCM)
106
5.6. Estrategia DCM con ı́ndices combinados
donde ⊗ es el producto elemento a elemento y los zij son variables de decisión binarias que
permitirán seleccionar partes especı́ficas de Gp . Podemos entonces utilizar el concepto de
diseño basado en NLE de la Ec. 5.15 para comandar esta búsqueda. La dimensión del pro-
blema combinatorio en este caso es de DPC = 2ny (ny −1) = 4096, lo cual no representa un
inconveniente para resolverlo de forma exhaustiva. Las soluciones se ordenan en función
del ı́ndice NLE de la Ec. 5.15.
En la Tabla 5.2 se muestra una comparación entre diferentes soluciones. Por un lado
se presenta la solución óptima denominada sop obtenida mediante la estrategia NLE, la
solución presentada en Chang and Yu (1992, 1994) llamada scy , también se detalla la
estructura descentralizada sd y finalmente la estructura full o completa sf . Desde el punto
de vista del método NLE las estructuras clásica descentralizada y full no presentan el mejor
rendimiento, generalmente ocurre que una estructura dispersa (sparse) puede mejorar el
comportamniento de dichas estructuras clásicas.
En la Fig.5.5 se resume el comportamiento del funcional costo NLE a lo largo de las
soluciones (ordenadas de izquierda a derecha) y la prueba de estabilidad/robustez para
sistemas de control MIMO basados en IMC presentada en el Teorema 4.5.2. El compor-
tamiento dinámico de estas estructuras de control se pueden observar en Zumoffen and
Basualdo (2010, 2013).
Si bien para algunos casos particulares puede ser útil trabajar de forma secuencial
con las estrategias SSD y NLE, en general, la integración de ambas herramientas en un
único problema de optimización nos brindará mejores resultados permitiendo abordar los
problemas de forma sistemática y generalizada (Zumoffen, 2013).
107
5.6. Estrategia DCM con ı́ndices combinados
3500
Estable
1
3000
0.8
Estabilidad/Robustez de Morari
2500
0.6
2000
NLE
1500 0.4
1000
0.2
500
Instable
0
0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 0 500 1000 1500 2000 2500 3000 3500 4000
Soluciones Soluciones
Los programas de optimización de doble nivel poseen dos capas bien diferenciadas:
1- el programa superior o externo con su propia función de costo, variables de decisión
y restricciones y 2- el problema inferior o interno el cual representa otro problema de
optimización completo embebido en las restricciones del problema externo. Estos niveles
pueden ser cooperativos o no dependiendo de la naturaleza del problema. (Braccia et al.,
2017). En la Ec. 5.16 se presenta una estrategia de integración entre la propuesta SSD y
el método NLE como problema MINLP de doble nivel.
Las Ecs. 5.16d-5.16h permiten seleccionar partes especı́ficas de Gp y Gd con la finalidad
de evaluar el ı́ndice SSD. Las matrices de transformación TO y TI son funciones de las
variables binarias de decisión zO y zI , respectivamente. Las componentes unitarias del
vector zO indican las variables de salidad seleccionadas para ser VCs. De forma similar, el
vector zI indica la selección de VMs. La cantidad de elementos unitarios en estos vectores
es la misma e igual a nq . Las funciones nre(·) y nce(·) toman una matriz cuadrada y
eliminan las filas y columnas nulas, respectivamente.
El error planta-modelo se define en la Ec. 5.16i mediante zP and zS , las cuales represen-
tan matrices binarias de decisión de nq ×nq . La matriz zP considera el mejor apareamiento
entrada-salida resultante de resolver el problema embebido de la Ec. 5.16m. Por su parte,
la matriz zS representa la selección dispersa del modelo tomando como base la estur-
ctura descentralizada zP para minimizar el ı́ndice NLE. Es importante tener en cuenta
que para cada apareamiento dado por zP existen 2(nq −1)nq posibilidades de elegir el error
planta-modelo. Notar que el funcional costo del problema embebido se basa en el núme-
ro RGA, ΛN , definido en la Sección 4.16. La restricción de la Ec. 5.16j es el criterio de
robustez/estabilidad desarrollado por Garcia and Morari (1985) para sistemas de control
MIMO basados en IMC como definimos en el Teorema 4.5.2. La Ec. 5.16k representa una
restricción estructural.
108
5.6. Estrategia DCM con ı́ndices combinados
zI ∈ Bm , zO ∈ Bn , zS ∈ Bq×q (5.16l)
mı́n ΛN
zP
T
s.t. Λ = Gps ⊗ (G−1 ps )
ΛN = ||zP − Λ||sum (5.16m)
X X
zP (i, j) = zP (i, j) = 1
i j
P q×q
z ∈B
109
5.6. Estrategia DCM con ı́ndices combinados
la restricciones del problema externo. Si bien la literatura es extensa para los casos en
que el problema interno no posee variables de decisión enteras (BLP/BNLP/BQP), hay
una carencia importante de solvers rigurosos y procedimientos para abordar problemas de
doble nivel mixto-entero no lineales (BMINLP) (Yue and You, 2017; Braccia et al., 2017).
La reformulación utilizada en este caso se basa en la idea propuesta por Yue and You
(2017) de programación centralizada paramétrica de un único nivel, donde la optimización
embebida se reemplaza por condiciones de factibilidad (relajación). Entonces la versión
modificada del problema de la Ec. 5.16 se puede presentar como:
zP ∈ Bq×q (5.18g)
Las restricciones de las Ecs. 5.18d y 5.18e garantizan que el apareamiento entrada-salida
seleccionado por zP es una solución factible, donde Λp contiene los elementos elegidos por
zP de la RGA y cero para el resto. En la Ec. 5.18e, δ1 y δ2 son parámetros de diseño que
nos permiten definir el grado de interacción deseado (mı́nimo y máximo respectivamente)
entre las entradas y salidas que van a ser apareadas en una estrategia de control descen-
tralizado. Además, la matriz de decisión binaria zP es ahora un argumento del problema
de optimización junto a zI , zO , and zS .
La reformulación en este caso se basa en el siguiente razonamiento: la optimización
interna de la Ec. 5.16m genera el apareamiento entrada-salida más descentralizado para
el subproceso Gps , es decir, los elementos seleccionados para apareamiento poseen valores
muy cercanos a la unidad y el resto de las componentes poseen valores muy bajos. Desde
el punto de vista de control, esto significa buenas carcaterı́sticas de control, bajos valores
de energı́a de control y baja interacción a lazo cerrado.
Analizando las propiedades inherentes de los métodos SSD y NLE se observa que, por
un lado, la minimización del ı́ndice SSD (Ec. 5.8) tiende a maximizar el mı́nimo valor singu-
lar del subproceso Gps al minimizar las desviaciones de usp d
s y us (es decir, un proceso bien
acondicionado, buenas caracterı́sticas de control, baja energı́a de control y una confiable
RGA) y, por otro lado, la minimización del ı́ndice NLE tiende a minimizar la interacción
multivariable a lazo cerrado (Ec. 5.14), minimizando también la ganancia multivariable
del modelo del proceso G̃ps y las desviaciones de usp d
s y us (Zumoffen and Basualdo, 2013;
Zumoffen, 2016). En otras palabras, el indice combinado “SSD+NLE” conduce la opti-
mización hacia subprocesos bien acondicionados con RGA confiable y mı́nima energı́a de
control. Por lo tanto, la optimización en la Ec. 5.16m se reemplaza por condiciones de
factibilidad.
Es importante resaltar que la formulación de la Ec. 5.16 y la reformulación de la Ec. 5.18
no son equivalentes. Ésta última es una aproximación al problema original, principalmente
focalizada en factibilidad debido a la carencia de solvers determinı́sticos para resolver
problemas MINLP de doble nivel. La rigurosidad de dicha aproximación dependerá del
110
5.6. Estrategia DCM con ı́ndices combinados
Vectores de variables reales: yic , yinc , yjd , yjnd ∈ Rny ×1 y uci , udj ∈ Rnu ×1 y
111
5.6. Estrategia DCM con ı́ndices combinados
ny nd
ny nd
d
2 X nc 2 X
nd
2
kyic k22
X X
mı́n +
yj
+ kyi k2 +
yj
(5.19a)
u,y,z 2 2
i=1 j=1 i=1 j=1
Subproblema SSD
112
5.6. Estrategia DCM con ı́ndices combinados
ción j:
c
yi = Gp uci − vi ∀ i ∈ VCs
Cambios de setpoint: VCs seleccionadas en yic fijas a cero
Subproblema NLE
El diseño de la estructura del controlador, basado en la estrategia NLE, se representa
aquı́ mediante las Ecs. 5.19k a 5.19q de la refolrmulación MIQP. Siguiendo una estrategia
similar al caso SSD, se evita realizar la subdivisión de matrices de la Ecs. 5.16g a 5.16i, el
producto no lineal de Hadamard en la Ec. 5.16i y las operaciones no lineales con matrices
en la Ec. 5.16c.
Si los cambios en setpoints y perturbaciones son considerados individualmente, enton-
ces se utilizan los siguientes sistemas derivados de la Ec. 5.14:
nc
yi = vi − G̃p uci
Cambios de setpoint:
∀ i ∈ VCs
nd (5.21)
yj = −G̃p udj
Cambios de perturbaciones:
∀j = 1, . . . , nd
En la Ec. 5.21, la matriz G̃p solo contiene las componentes de Gp seleccionadas por la
estructura de control. Para realizar esta selección, se utiliza la matriz de variables binarias
zn de dimensión ny × nu . Debido a que por definición es G̃p = Gp ⊗ zn , entonces el
producto G̃p uci (y G̃p udj ) de la Ec. 5.21 introduce ecuaciones con multiplicaciones entre
variables de decisión binarias y continuas a la formulación. Para evitar esta no linealidad
113
5.6. Estrategia DCM con ı́ndices combinados
entre corchetes se puede obtener utilizando restricciones lineales llamas big-M y una nueva
matriz real unci , como se muestra en las Ecs. 5.19k, 5.19m y 5.19ñ. Un argumento similar
se utiliza para el caso del producto G̃p udj , utilizando la nueva matriz und
j como se resume
en la restricciones de las Ecs. 5.19l, 5.19n y 5.19o.
Los vectores de desviación de NLE son yinc e yjnd , cada uno asociado al i-ésimo setpoint
y la j-ésima perturbación. Las restricciones en la Ecs. 5.19p y 5.19q, son restricciones
estructurales que garantizan que la estructura del controlador zn sólo tenga componentes
en las posiciones permitidas definidas por la selección de VCs y VMs dadas por zO y zI ,
respectivamente, ası́ como asegurar también que por lo menos se pueda seleccionar una
estructura descentralizada.
p
donde ĝji son las componentes de la matriz G−1
p .
T
Esto nos permite escribir la RGA en forma matrical como Λ(Gp ) = Gp ⊗ G−1
p ,
considerando un proceso genérico Gp de ny × nu .
De acuerdo con estas relaciones también podemos escribir que
∆u1 /∆y1 ∆u1 /∆y2 ··· ∆u1 /∆yny
∆u2 /∆y1 ∆u2 /∆y2 ··· ∆u2 /∆yny
G−1 = .. .. .. (5.22)
p ..
. . . .
∆unu /∆y1 ∆unu /∆y2 · · · ∆unu /∆yny
114
5.6. Estrategia DCM con ı́ndices combinados
en,
∆uc1 (1) ∆uc2 (1) · · · ∆ucny (1)
∆uc1 (2) ∆uc2 (2) · · · ∆ucny (2) h i
c c c
= u1 , u2 , . . . , uny (5.23)
.. .. .. ..
. . . .
c c
∆u1 (nu ) ∆u2 (nu ) c
· · · ∆uny (nu )
donde los vectores uci con i = 1, . . . , ny son las desviaciones de la entrada previamente
definidas para el problema SSD. Por lo tanto la matriz RGA se puede computar como:
h iT
Λ(Gp ) = Gp ⊗ uc1 , uc2 , . . . , ucny (5.24)
donde Gp es una matriz real fija, ⊗ el producto Hadamard y el cómputo ahora no posee
relaciones no lineales.
De acuerdo con lo discutido anteriormente, la RGA se calcula en la Ec. 5.19t utilizando
restricciones del tipo big-M sobre la estructura descentralizada de control definida por znd .
Los elementos seleccionados para apareamiento de la matriz yr se someten a la desigualdad
de la Ec. 5.19u para garantizar factibilidad utilizando los parámetros seleccionados por el
usuario δ1 y δ2 .
Condición de estabilidad/robustez
El criterio de estabilidad/robustez de la Ec. 5.16j introduce fuertes no linealidades
al modelo, debido a que se trata de una prueba basada en autovalores. Por lo tanto, es
necesario algún tipo de reformulación y en este sentido comenzaremos recordando algunas
propiedades matriciales de interés.
Toda matriz real A de dimensión n × n se denomina “estable positiva” (EP) sı́
Re [λi (A)] > 0, ∀i = 1, . . . , n, donde λi (·) es el i-ésimo autovalor y Re(·) es la función
parte real.
Además, sı́ A es EP entonces A−1 también es EP (Horn and Johnson, 1990). Adi-
cionalmente, ya que toda matriz real cuadrada posee sólo autovalores reales o complejos
conjugados, para toda matriz A real y EP la siguiente condición basada en la traza es
verdadera,
Xn X n Xn
tr (A) = λi (A) = Re [λi (A)] = aii > 0 (5.25)
i=1 i=1 i=1
donde aij es el (i, j)-ésimo elemento en la matriz A. Es importante notar que lo inverso no
es verdadero, i.e. una traza positiva no implica EP. De todas formas, una traza negativa
implica que la matriz A es definitivamente no EP y este hecho se utiliza como prueba
preliminar de estabilidad/robustez en al modelo MIQP.
Consideremos el producto Gps (G̃ps )−1 y su inversa G̃ps (Gps )−1 , para un proceso Gps
de dimensiones nq ×nq . La traza entonces para el último producto se puede expresar como:
tr G̃ps (Gps )−1 = rT1 G̃ps (Gps )−1 r1 + rT2 G̃ps (Gps )−1 r2 + . . .
(5.26)
+ rTnq G̃ps (Gps )−1 rnq
115
5.6. Estrategia DCM con ı́ndices combinados
Considerando ahora la Ec. 5.14 y sólo cambios de setpoint unitarios tenemos que
sp
G̃ps us k = rk − ysnetk , por lo tanto la Ec. 5.27 se puede modificar como:
netn
tr G̃ps (Gps )−1 =rT1 r1 − ysnet1 + rT2 r2 − ysnet2 + . . . + rTnq rnq − ys q
netn
= 1 − ysnet1 (1) + 1 − ysnet2 (2) + . . . + 1 − ys q (nq )
(5.28)
nq
X
= 1 − ysneti (i)
i=1
La Ec. 5.28 nos brinda una forma alternativa de computar la traza de G̃ps (Gps )−1
utilizando información ya disponible como ysnet . Notar que esta representación se aplica
para sistemas cuadrados Gps .
Como propusimos cambiar la filosofı́a en esta representación MIQP y trabajar con
el sistema general no cuadrado Gp , entonces la evaluación de la traza de la Ec. 5.28 se
transforma en el cómputo de la Ec. 5.19v, ya que las desviaciones del efecto de carga neta
dependen de las VCs seleccionadas por zO . Se considera en esta caso un pequeño lı́mite
inferior δ.
Esta restricción conservativa evita la selección de estructuras de control las cuales
son definitivamente no EP. Es importante notar que una traza positiva es una condición
“necesaria pero no suficiente” para garantizar la propiedad de EP de una determinada
matriz.
Consideraciones heurı́sticas
Las consideraciones heurı́sticas pueden fácilmente ser incorporadas a la formulación de
la Ec. 5.19. Por ejemplo, si la i-ésima variable de salida y la l-ésima variable de entrada
son elegidas ad-hoc para formar parte de las VCs y VMs, respectivamente, entonces esta
situación se puede considerar fijando los correspondientes valores binarios de las variables
zO (i) = 1 y zI (l) = 1. Estas decisiones ad-hoc provienen generalmente de la etapa de sı́nte-
sis de procesos, de prácticas habituales en una determinada planta, de los ingenieros de
proceso y/o por cuestiones de seguridad. Además, el usuario puede elegir entre tres diferen-
tes estructuras de control (topologı́as) para el diseño de PWC, tales como, descentralizada,
dispersa y completa. La idea original de la formulación en la Ec. 5.19 está pensada para
diseño de estructuras de control del tipo disperso, es decir controladores con
interacción
arbitraria. Dependiendo de la dimensión de la estructura de control, nq =
zO
=
zI
,
este tipo de controladores se puede implementar mediante una estrategia IMC, teorı́a de
MPC o simplemente mediante múltiple lazos PID. El diseño de estructuras descentrali-
zadas de control se puede llevar a cabo si la desigualdad en la Ec. 5.19s se reemplaza
por zn = znd . Por otro lado, la estructura de control tipo completa o full resulta cuando
agregamos a la formulación la desigualdad zn (i, l) ≥ zI (l) + zO (i) − 1.
Ejemplo 5.6.1 (Diseño PWC - Estrategia DCM con ı́ndices combinados). En este ejem-
plo se muestran algunos resultados obtenidos de aplicar el método de ı́ndices combinados
“SSD+NLE”, basado en programación MIQP, sobre el caso de estudio denominado Pro-
ceso Tennessee Eastman (TE). Para un conocimiento profundo del proceso se recomienda
a los lectores los trabajos de Downs and Vogel (1992) y Braccia et al. (2017). En este
ejemplo sólo brindaremos una breve introducción.
116
5.6. Estrategia DCM con ı́ndices combinados
u4
u5
u2
1 8 y8 Purge
A
CWS 9 A y11
Compressor
u8 N
u1
2 7 A
D CWR LC LI
Condenser 13 L
FI FC LC Y
Z
3 y1 5 E
E FC FI y4, y5
LI R
CWS
10
A TC Vap/liq
N u7 separator
6 TI
A
y2 Stripper A
L CWR y6, y7
Y 12 N
y3, y9
Z A
Reactor u6 L
E
LI Stm Y
R
Cond Z
E
FI FC LC R
u3
C Product
4 11 y10, y12
Varios apareamientos alternativos que la RGA podrı́a generar para cada selección,
117
5.6. Estrategia DCM con ı́ndices combinados
Las Tablas 5.5 y 5.6 muestran las estructuras de control MIMO para cada polı́tica
de control (descentralizado, disperso y completo). Por un lado, la Tabla 5.5 muestra la
selección óptima de VCs y VMs a través de las variables binarias de decisión zO y zI ,
respectivamente. Por otro lado, la Tabla 5.6 muestra la selección óptima del error planta-
modelo con las entradas unitarias de la variable zn , el apareamiento definido por znd
(componentes resaltadas con fondo gris) y la prueba de estabilidad/robustez de Morari. Es
importante notar que no sólo es diferente la cantidad de VCs/VMs, sino que también las
variables seleccionadas.
Las implementaciones dinámicas de dichas estructuras PWC, aplicaciones a otros casos
de estudio y un análisis detallado de los efectos del ajuste de los parámetros en la estrategia
MIQP, se pueden encontrar en Braccia et al. (2017, 2018).
118
5.6. Estrategia DCM con ı́ndices combinados
119
Capı́tulo 6
Estrategias alternativas de control
121
6.1. Mejoras sobre PID
u = f (v)
ysp (s) e(s) v(s) u(s) y(s)
gc (s) gp (s)
+
-
e(s) PD
PID, mediante una constante de tiempo τR , de forma tal de mitigar el volado de la integral
en caso de saturación. Cuando el controlador funciona normalmente, sin saturación, er (s) =
0 y la estrategia de AWR no tiene efecto en el cómputo de la señal final de control. La
velocidad con la que el integrador es “reseteado” está gobernada por la constante τR ,
denominada “constante de reseteo”. En general se elige τR = τI . En el siguiente ejemplo
se presenta esta metodologı́a y se compara con las propuestas clásicas.
Si el lector desea profundizar sobre estos conceptos de AWR y otras alternativas exis-
tentes, se recomienda la lectura de Åström and Rundqwist (1989) y Åström and Hägglun
(1995).
Ejemplo 6.1.1 (Antireset windup). En este ejemplo evaluaremos tres estrategias de con-
trol SISO: 1- PI clásico sin saturación en la VM, 2- PI clásico con saturación den la VM y
3- PI con estrategia AWR y saturación en la VM. El proceso considerado en este caso es la
planta simple gp (s) = 0.5/(s + 1) con unidades de tiempo en minutos. La saturación sobre
la VM en este caso tiene lı́mites ±1, por lo que el mayor cambio de setpoint permitido
es ±0.5 (si se desea un salida sin offset). Los parámetros de ajuste del PI son: kC = 8 y
τI = 1 y el setpoint deseado se propuso en 0.4.
En la Fig. 6.3 se presenta la comparación entre las tres estrategias de control. Las
Figs. 6.3(a)-6.3(b) muestran las respuestas de la VC y la VM, respectivamente. Se puede
observar que la estrategia sin saturación presenta la mayor energı́a de control permitiendo
una rápida respuesta de la salida hacia el valor de setpoint deseado. La estrategia con
saturación claramente muestra su VM “fija” en su lı́mite superior y permaneciendo sin
reacción aproximadamente hasta el minuto 4. Debido a esta saturación la VC presenta
una respuesta degradada en el seguimiento del setpoint. La estrategia con AWR permite
reducir la contribución del integrador sobre la señal v(s) (Fig. 6.3(c)) en el perı́odo de
122
6.1. Mejoras sobre PID
0.5 3.5
PI sin saturación
0.45 PI con saturación
3 PI con ARW
0.4
0.35 2.5
0.3
2
VMs
VCs
0.25
1.5
0.2
0.15 1
Setpoint
0.1
PI sin saturación
0.5
0.05 PI con saturación
PI con ARW
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
Tiempo [min] Tiempo [min]
1.6
1.4
1.2
Aporte integral
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
Tiempo [min]
6.1.2. Autoajuste
123
6.1. Mejoras sobre PID
donde e(s) = ysp (s) − y(s) es el error de seguimiento y [umin , umax ] son los lı́mites ope-
rativos. En general se supone simetrı́a y podemos considerar umin = −h y umax = h. La
Ec. 6.2 asume que la ganancia del proceso es positiva, si por el contrario la ganancia de la
planta es negativa entonces se invierten las desigualdades en dicha ecuación.
En modo autotune el sistema a lazo cerrado oscila con una amplitud en la salida de
a y un “perı́odo último” de pu (tiempo entre picos). La “ganancia última” ku se puede
aproximar como:
4h
ku = (6.3)
aπ
De esta forma se pueden utilizar los criterios de Ziegler-Nichols discutidos en la Sec-
ción 3.3.1 para definir los parámetros del controlador. Es importante tener en cuenta que
este tipo de ajuste no es robusto y cualquier modificación posterior del proceso podrı́a ori-
ginar inestabilidad. Existen formas alternativas y más precisas para calcular la ganancia y
frecuencia última como sugiere Yu (2006) en su libro enteramente dedicado a estrategias
de autotune de PIDs.
donde kC0 es el valor nominal de la ganancia del PID, e(t) = ysp (t) − y(t) es el error de
seguimiento y α es un parámetro para regular el impacto de la norma del error en la
ganancia.
Una estrategia PID con la ganancia definida como en la Ec. 6.4 se conoce como “PID
no lineal”, ya que la ley final de control contendrá el producto entre |e(t)| y e(t).
Otra estrategia denominada “controlador por zona” define que la ganancia del PID
varı́e según la función: L
kC , si e(t) < eL
kC = kC0 , si eL ≤ e(t) ≤ eH (6.5)
H
kC , si e(t) > eH
donde generalmente kCL = kCH .
Otra propuesta para modificar de forma continua (por tramos) los parámetros del PID
es la denominada “control por ganancia tabulada”. Esta estrategia se basa en identificar
diferentes modelos del proceso para diferentes zonas de operación, generalmente dadas por
las excursiones de la VC, y ası́ definir diferentes conjuntos de parámetros de ajuste. Esto
nos generará diferentes controladores nominales entorno a los diferentes puntos operativos
identificados.
124
6.2. Control en cascada y en avance
d2 (s) d1 (s)
ysp1 (s) ysp2 (s) Proceso
+ +
gc1 (s) gc2 (s) gp2 (s) gp1 (s)
+ + + +
- - u(s)
Lazo Interno y2 (s)
Lazo Externo y1 (s)
S2 (s) = (1 + L2 (s))−1 ,
donde L1 (s) = gc1 (s)T2 (s)gp1 (s). claramente se puede observar como el lazo interno de
control afecta el lazo externo.
Es importante resaltar que si el lazo interno es mucho más rápido que el lazo ex-
terno, entonces T2 (s) = 1 en el contexto temporal del lazo externo, por lo cual L1 (s) =
gc1 (s)gp1 (s) y y1 (s) = T1 (s)ysp1 (s)+S1 (s)d1 (s). Lo que evidencia que en este caso los lazos
de control internos y externos pueden diseñarse de forma independientemente.
Las principales ventajas de una estructura de control en cascada son:
125
6.2. Control en cascada y en avance
Las perturbaciones del lazo secundario pueden rechazarse rápidamente antes de que
afecten el lazo principal.
El lazo primario de control puede reaccionar más rápido, resultando en una mejora
del rendimiento.
El lazo secundario de control permite reducir los efectos no lineales que observa el
lazo primario, i.e. válvulas.
126
6.2. Control en cascada y en avance
1.8
1.6
1.4
VCs − Primarias
1.2
0.8
0.6
0.4
Set point
Control en cascada
0.2
Control simple
0
0 50 100 150 200 250 300 350 400 450 500
Tiempo [min]
127
6.2. Control en cascada y en avance
d(s)
gd (s)
gca (s) = − (6.9)
gp (s)
notar que la Ec. 6.9 requiere la inversión del modelo del proceso, lo cual puede traer
problemas si el proceso posee ceros no mı́nima fase o retardos.
Dependiendo de la estructura particular de los modelos gp (s) y gd (s), se pueden iden-
tificar los siguientes casos tı́picos de diseño:
Primer orden con retardo: si gp (s) = kp e−θp s /(τp s + 1) y gd (s) = kd e−θd s /(τd s + 1),
entonces
kd (τp s + 1) −(θd −θp )s
gca (s) = − e
kp (τd s + 1)
que representa un controlador lead-lag en avance con retardo.
Es importante notar que en este caso se debe cumplir con la condición θd ≥ θp para
que el controlador sea realizable. Si esta condición no puede garantizarse, entonces
el controlador en avance debe diseñarse sin retardo y aceptar el error de modelado.
Proceso de mayor orden: cuando el modelo de gp (s) es de mayor orden que el modelo
de gd (s), entonces el controlador resulta impropio (no realizable). En este caso, se
puede anexar un filtro de orden adecuado para que gca (s) resulte propio o aproximar
gp (s) con un modelo de menor orden con la misma finalidad.
128
6.3. Control de relación, selectivo y de rango dividido
Producto A
yA ysB
FI X RC
yB
R u
FI
Producto B
Estático: en el caso de que gp (s) tenga mayor orden que gd (s) el controlador re-
sultante es no realizable (impropio), pero en el caso de que gp (s) tenga un cero no
mı́nima fase y gd (s) no, el controlador leag-lag resultante es inestable. En estos casos,
lo aconsejable es sólo utilizar la parte dinámica invertible de los modelos y aceptar
el error correspondiente, o más simple aún disñar un controlador en avance de tipo
estático gca (s) = −kd /kp y que el controlador por retroalimentación compense la
dinámica no modelada.
129
6.3. Control de relación, selectivo y de rango dividido
fija el setpoint de relación deseado Rsp . Esta estrategia puede generar algunos problemas
de inestabilidad debido a la ganancia variable (cociente de flujos) en el lazo de control.
En el capı́tulo 2.23 de Lipták (2006) se pueden encontrar diversas aplicaciones indus-
triales de esta estrategia de control de relación o ratio control.
Mantener las variables dentro de los lı́mites de diseño para proteger los equipos del
proceso,
Selección de señales.
130
6.3. Control de relación, selectivo y de rango dividido
SP SP
uf < up Punto de
CF S CP IP
control
RE
IF
Flujo de vapor
kC
Z
u(t) = kC e(t) + e(t)dt (6.10)
τI
cuando el PI está en automático pero su salida, u(t), está bloqueada para comandar la VM
y el error e(t) no es cero, la acción integral producirá la saturación de la salida a 100 % o
0 % dependiendo de la acción del controlador.
En el dominio de Laplace la Ec. 6.10 se puede escribir como:
kC kC (τI s + 1)
u(s) = kC e(s) + e(s) = e(s) (6.11)
τI s τI s
podemos ver que la salida del controlador u(s) consiste de una componente proporcional
(kC e(s)) y un término integral obtenido por retroalimentar u(s) a través de un primer
orden 1/(τI s + 1). Cuando e(s) no es cero, u(s) crece (o decrece) hacia sus lı́mites por
medio del lazo de retroalimentación positiva del primer orden.
Una forma de limitar este volado de la integral es mediante la interrupción de este lazo
interno de retroalimentación y utilizar una señal de “retroalimentación externa”, ure (s),
del siguiente modo:
1
u(s) = kC e(s) + ure (s) (6.13)
(τI s + 1)
131
6.3. Control de relación, selectivo y de rango dividido
100
Válvulas - uc y uh ( %) uc uh
0 50 100
Salida del controlador - u ( %)
Para el caso simple de la Fig. 6.8, la señal externa puede ser la señal que comanda la
válvula tomada a la salida del selector. Cuando el controlador está activo (seleccionado),
la señal de retroalimentación es su propia salida, u(s) = ure (s), y cuando no se selecciona
(anulado), la señal de retroalimentación es la salida de otro controlador seleccionado. En
este último caso, el controlador anulado sigue la señal de control del controlador activo.
132
6.3. Control de relación, selectivo y de rango dividido
133
Apéndices
135
Apéndice A
Teorı́a de sistemas lineales, matrices y nor-
mas
137
A.2. Controlabilidad y observabilidad de estado
138
A.3. Estabilidad
A.3. Estabilidad
Existen varias formas de definir la estabilidad, afortunadamente para sistemas lineales
invariantes en el tiempo estas diferencias no son de mayor importancia.
Definición A.3.1 (Estabilidad interna). Un sistema se dice “estable internamente” si
ninguno de sus componentes presentan modos ocultos inestables y si excitamos al sistema
con señales externas acotadas, en cualquier lugar del sistema, obtenemos como respuesta
señales de salida acotadas si las medimos en cualquier lugar del sistema.
Definición A.3.2 (Estado estabilizable, estado detectable y modos ocultos inestables).
Un sistema es “estado estabilizable” si todo los modos ocultos son estado controlables.
Un sistema es “estado detectable”, si todos los modos ocultos son estado observables. Un
sistema con modos no detectables y no estabilizables se dice que contiene modos ocultos
no estables.
Un sistema lineal (A, B) es estado estabilizable sı́ y solo sı́ existe una matriz F tal
que A + BF es estable. Esto es, existe una retroalimentación de estado u = Fx tal que el
sistema resulta estable. De forma similar, el sistema (A, C) es estado detectable sı́ y solo
sı́ existe una matriz L tal que A + LC es estable.
A.4. Polos
Por simplicidad, definiremos los polos de un sistema en términos de los autovalores
de la matriz de espacio de estados A. De forma más general los polos de una matriz de
funciones de transferencia Gp (s) pueden definirse como los valores de s = p donde Gp (p)
posee una singularidad.
Definición A.4.1 (Polos). Los polos pi de un sistema con una representación de espacio
de estados como la de la Ec. A.1 son los autovalores λi (A), con i = 1 . . . nx , de la matriz
A. El “polinomio caracterı́stico” se define como
nx
Y
φ(s) = det (sI − A) = (s − pi )
i=1
A.5. Ceros
Definición A.5.1 (Ceros). zi es un cero de Gp (s) si el rango de Gp (z
Qi )z es menor que el
rango normal de Gp (s). El polinomio de ceros se define como z(s) = ni=1 (s − zi ), donde
nz es un número finito de ceros de Gp (s).
Estos ceros también se denominan “ceros de transmisión” o “ceros multivariables”,
pero aquı́ los llamaremos simplemente ceros.
139
A.6. Direcciones de polos y ceros
3. No existen ceros si las salidas poseen información completa de los estados, por ejem-
plo C = I y D = 0.
140
A.8. Normas
4. Los polos pueden moverse mediante control por retroalimentación. Por ejemplo, una
planta estrictamente propia, Gp (s) = C (sI − A)−1 B, los polos pueden determinarse
mediante el polinomio caracterı́stico a lazo abierto φLA (s) = det (sI − A). Si retro-
alimentamos este proceso con la ley de control u(s) = −Ky(s) entonces los polos
ahora vienen dados por el polinomio caracterı́stico φLC (s) = det (sI − A + BKC).
A.8. Normas
Es muy útil contar con un único número escalar para cuantificar la dimensión de un
vector, de una matriz, de una señal o de un sistema. En estos casos se utilizan funciones
denominadas “normas”.
Definición A.8.1 (Norma). Sea e un vector, matriz, señal o sistema, entonces su norma
definida como ||e|| es un número real que satisface las siguientes propiedades:
No negativa: ||e|| ≥ 0,
Positiva: ||e|| = 0 ⇔ e = 0,
141
A.8. Normas
Definición A.8.2 (Norma matricial). La norma ||E|| aplicada sobre la matriz E se con-
sidera una “norma matricial” si, además de cumplir con las propiedades de la Defini-
ción A.8.1, cumple con la propiedad multiplicativa siguiente:
Toda norma matricial que cumple con los criterios de la Definición A.8.1, pero no
satisface la condición de consistencia en la Definición A.8.2 se denomina “norma matricial
generalizada”.
Podemos definir las siguientes normas para matrices:
es importante notar que esta norma no es una norma matricial ya que no cumple
con la condición de consistencia en la Definición A.8.2.
142
Bibliografı́a
de.
Es importante notar que las tres normas inducidas anteriores cumplen con la condición
de consistencia en la Definición A.8.2, con lo cual son ademas normas matriciales.
En Skogestad and Postlethwaite (2005) el lector encontrará varias relaciones que vin-
culan los diferentes tipos de normas con los valores singulares, ası́ como también literatura
especı́fica para profundizar estos temas.
143
Bibliografı́a
K. Åström and T. Hägglun. PID Controllers: Theory, Design, and Tuning. ISA, 2nd
edition, 1995.
K. Åström and L. Rundqwist. Integrator windup and how to avoid it. American Control
Conference, IEEE, pages 1693–1698, 1989.
V. Alstad and S. Skogestad. Null space method for selecting optimal measurement com-
binations as controlled variables. Industrial & Engineering Chemistry Research, 46:
846/853, 2007.
J. Chang and C. Yu. Relative disturbance gain array. AIChE Journal, 38:521–534, 1992.
J. Chang and C. Yu. Synthesis of controller structures for robust load performance. Int.
J. Control., 60:1353–1369, 1994.
J. Downs and E. Vogel. A plant-wide industrial process control problem. Comput. Chem.
Eng., 17(3):245–255, 1992.
C. Garcia and M. Morari. Internal model control. 2. design procedure for multivariable
systems. Ind. Eng. Chem. Process Des. Dev., 24:472–484, 1985.
145
Bibliografı́a
M.J. He, W.J. Cai, W. Ni, and L.H. Xie. RNGA based control system configuration for
multivariable processes. Journal of Process Control, 19:1036–1042, 2009.
B. Holt and M. Morari. Design of resilient processing plants. v. the effect od deadtime on
dynamic resilience. Chem. Eng. Sci., 40:1229–1237, 1985.
R. Horn and C. Johnson. Matrix analysis. Cambridge University Press: New York, 1990.
A. Jha and O. Okorafor. Optimal plantwide process control applied to the Tennessee
Eastman problem. Industrial Engineering & Chemistry Research, 53:738–751, 2014.
L. Ljung. System Identification: Theory for the User. Prentice-Hall, 2nd edition, 1999.
P. Luppi, L. Braccia, P. Rullo, and D. Zumoffen. Plantwide control design based on the
control allocation approach. Industrial & Engineering Chemistry Research, 57:268–282,
2018.
M. Munir, W. Yu, and B. Young. Plant-wide control: Eco-efficiency and control loop
configuration. ISA Transactions, 52:162–169, 2013.
S. Skogestad. Control structure design for complete chemical plants. Comput. Chem.
Eng., 28:219–25534, 2004.
146
Bibliografı́a
Z. Yuan, B. Chen, and J. Zhao. Effect of manipulated variables selection on the con-
trollability of chemical processes. Industrial & Engineering Chemistry Research, 50:
7403–7413, 2011.
D. Yue and F. You. Stackelberg-game-based modeling and optimization for supply chain
design and operations: A mixed integer bilevel programming framework. Comput. Chem.
Eng., 102:81–95, 2017.
D. Zumoffen and M. Basualdo. Improvements on multiloop control design via net load
evaluation. Computers and Chemical Engineering, 59:54–70, 2013.
D. Zumoffen and D. Feroldi. Analyzing plant-wide control structures for industrial proces-
ses, pages 27–68. Nova Science Publishers Inc. USA, 2014.
147