Documentos de Académico
Documentos de Profesional
Documentos de Cultura
es
∗
Control Systems Engineering Laboratory
Department of Chemical Engineering
Arizona State University, Tempe, AZ 85287-6006
Correo: daniel.rivera@asu.edu
El control con modelo interno (IMC) es un pro- priori del modelo da la planta (Ljung, 1999).
cedimiento sistemático para el diseño de siste- En la práctica el conocimiento que se tiene
mas de control basados en el concepto de la Q- de la dinámica del proceso al comienzo de la
parametrización, que constituye el fundamento de experiencia de identificación es con frecuen-
muchas técnicas de diseño de control modernas cia limitado, excepto quizás alguna estima
(Morari and Zafiriou, 1989). El procedimiento de aproximada de las constantes de tiempo y
diseño IMC aplicado a funciones de transferencia posiblemente de la ganancia en estado es-
de bajo orden, que son comunes en las aplicaciones tacionario. Normalmente, el usuario mejora
de control de procesos, dan como resultado reglas su conocimiento del proceso en el curso del
de sintonı́a basadas en modelos para controladores modelado y del diseño del control que deben
PID, tal como se muestra en las Tablas 1 y 2. reconocerse como tales en el procedimiento
Un único parámetro ajustable en estas reglas de de identificación.
sintonı́a IMC-PID especifica la velocidad de res- 3. Tomar en cuenta cuestiones relativas a la
puesta en lazo cerrado y al mismo tiempo tiene amigabilidad del procedimiento durante la ex-
una influencia directa sobre su robustez (Rivera periencia de identificación. La identificación
et al., 1986; Rivera and Flores, 2004). Un artı́culo durante la operación normal del proceso debe
de revisión publicado en el número “PID 2006”del ser informativa y lo más corta y menos invasi-
IEEE Control Systems Magazine (Li et al., 2006) va posible. Estas consideraciones constituyen
dice que el IMC es el método de sintonı́a más am- la base de las técnicas de identificación ami-
pliamente utilizado entre los paquetes de software gables con la planta y que han sido recono-
PID comerciales que utilizan modelos analı́ticos. cidas como tales en la literatura de control
Un medio efectivo para obtener estos modelos de procesos (Braun et al., 2002; Parker et
consiste en utilizar técnicas de identificación de al., 2001; Rivera et al., 2003).
sistemas (Ljung, 1999; Ljung and Glad, 1994). 4. Considerar el nivel de conocimiento del usua-
rio final. Los métodos de identificación con-
Si se integra la identificación del sistema con el
siderados deben ser realizados por ingenieros
diseño del controlador IMC-PID, es más fácil ob-
de procesos y otro personal de planta que
tener controladores con un alto nivel de compor-
no poseen estudios de grado en ingenierı́a de
tamiento que cuando ambas tareas se realizan de
control. Esta consideración y la facilidad con
forma independiente. Conseguir esta sinergia es
que se llevan a cabo se extiende también al
la filosofı́a motivadora que subyace detrás de la
problema de diseño del control PID.
metodologı́a que se describe en este trabajo.
5. La iteración en el proceso de identificación es
La sintonı́a de un controlador PID comenzando a menudo inevitable. En la práctica a causa
a partir de datos de entrada-salida es un pro- de la información limitada que se dispone de
blema bien conocido cuando la planta está libre la planta al comienzo de la identificación, con
de perturbaciones. La sintonı́a PID basada en frecuencia resulta necesario realizar más de
la curva de reacción del proceso o en el método una experiencia. Como consecuencia de esto
del relé (Åström and Hägglund, 2006; Atherton, la identificación se hace un proceso iterativo.
1999; Johnson and Moradi, 2005; O’Dwyer, 2003) Diseñar un ensayo experimental es costoso y
son técnicas que funcionan bien en circunstancias supone una ruptura en la operación normal
de bajo niveles de ruido. Sin embargo, muchos de la planta, ası́ que no resulta deseable
problemas de control PID que son significativos reiterar en esta etapa del procedimiento de
desde un punto de vista práctico no caen dentro identificación. Sin embargo, la iteración sobre
de esta categorı́a. Los retos en identificación para la selección de la estructura del modelo y el
control PID incluyen las siguientes cuestiones: diseño del control una vez se dispone de los
datos se puede hacer fuera de lı́nea y permite
1. La identificación del sistema debe realizarse
su automatización mediante software.
bajo condiciones experimentales especialmen-
te exigentes. El proceso puede estar sometido Para demostrar estas cuestiones, considérese un
a derivas en la variable controlada y a pertur- modelo estimado a partir de una curva de reacción
baciones con retos análogos que hacen difı́cil del proceso. Las técnicas gráficas del punto de in-
la identificación y que plantea problemas a flexión y métodos similares para estimar modelos
los métodos convencionales basados en la cur- de estos datos se describen en textos clásicos de
va de reacción del proceso y en el método del control de procesos, tales como Ogunnaike and
relé. Ray (1994) y Seborg et al. (2004). El sistema con-
2. La cantidad de conocimiento que se necesita siste en una planta de primer orden con retardo
a priori de la dinámica de la planta puede ser Ke−θs
limitada. Los procedimientos de identifica- p(s) = , (1)
τs + 1
ción de sistemas, tales como el diseño experi-
mental óptimo, requieren un conocimiento a con parámetros K = 1, τ = 10 min, y θ = 5 min.
Se supone un escenario en el cual (1) se muestrea
D. E. Rivera 7
λ
Controlador KKc τI τD τF Recomendable
θ
(λ > 0,2τ siempre)
2τ
PI τ − − > 0,8
(2λ + θ)
2τ + θ θ
PI Alternativo τ+ − − > 1,7
2λ 2
2τ + θ θ τθ
PID τ+ − > 0,8
(2λ + θ) 2 (2τ + θ)
2τ + θ θ τθ λθ
PID con filtro τ+ > 0,25
2(λ + θ) 2 2τ + θ 2(λ + θ)
Tabla 2. Reglas de sintonı́a IMC-PID para plantas de primer y segundo orden sin
integrador y con cero de fase no mı́nima β > 0. La forma general del controlador
PID corresponde a la utilizada en la Tabla 1.
Modelo KKc τI τD τF
K(−βs+1) τ
τ s+1 β+λ
τ - -
K(−βs+1) 2ζτ τ
τ 2 s2 +2ζτ s+1 β+τ
2ζτ 2ζ
-
K(−βs+1) 2ζτ τ βλ
τ 2 s2 +2ζτ s+1 2β+λ
2ζτ 2ζ 2β+λ
dada. La validación de modelos incluye simula- ración global con mayores beneficios económicos
ción, validación cruzada, análisis de correlación y seguridad de funcionamiento. El objetivo de
de los residuos e inspección de las repuestas a este trabajo es investigar los pasos necesarios para
un escalón, a un impulso y frecuencial. El modelo alcanzar la secuencia completa de identificación-
que se desea utilizar finalmente puede necesitar control que se representa en la Figura 3.
ser adaptado a una estructura especı́fica, lo que
en el caso de aplicaciones de control que emplean
IMC-PID puede requerir técnicas de reducción de 25
Measured Output
modelos. 20
15
Finalmente, el objetivo de todas estas decisiones 10
de las variables de diseño es un modelo que con- 5
duce a una buena sintonı́a del controlador. La 0
10
en y. Durante los primeros 2000 minutos, el pro- 5
ceso opera en lazo abierto. El intervalo de tiempo 0
entre 2000 y 2510 minutos muestra un ensayo de -5
1 1 2
N N
mı́n [y(t) − ŷ(t|t − 1)] = mı́n
2
e (t),
p̃,p̃e N p̃,p̃e N
t=1 t=1
(8)
donde N es el número de observaciones en el
Figura 4. Diagrama de flujo que describe la meto- conjunto de datos.
dologı́a integrada de dos pasos de identifica-
La estimación de modelos ARX posee dos pro-
ción y diseño de control IMC-PID.
priedades atractivas, simplicidad computacional
y consistencia. El problema de estimación de los
En esta sección se realiza una revisión sobre infor- mı́nimos cuadrados (8) puede ser resuelto como
mación referente al modelado ARX. Se analizan un problema de regresión lineal utilizando
las condiciones bajo las cuales, haciendo uso de
estos modelos, es posible obtener una estimación
consistente de plantas lineales invariantes en el ϕ = [−y(t − 1) · · · − y(t − na )
tiempo bajo condiciones de ruido. Tras ello, se u(t − nk ) · · · u(t − nk − nb + 1)]T
describe la estructura del modelo y los procedi-
mientos de validación utilizados en la metodologı́a y θ = [a1 · · · ana b1 · · · bnb ]T , que da lugar a la
ası́ como las guı́as para el diseño de entradas bien conocida solución lineal
amigables con la planta haciendo uso de señales
PRBS. De la misma forma se mostrará cómo un
1 1
procedimiento de reducción de modelos relevantes N N
para control para ser utilizado con las reglas de θ̂ = [ ϕ(t)ϕT (t)]−1 ϕ(t)y(t). (9)
N t=1 N t=1
sintonı́a IMC-PID depende de las repuestas en fre-
cuencia de un modelo ARX validado para estimar
Además, minimizando el error de predicción
los parámetros del modelo.
cuadrático en (8) es posible obtener un estima-
do ARX consistente, es decir, las respuestas en
frecuencia de la función de transferencia estimada
y los modelos de ruido con N → ∞ se acercan
2.1 Estimación del Modelo ARX asintóticamente a la del sistema real con probabi-
lidad uno
Se utilizan los datos a partir de (2) para estimar
un modelo de predicción de error caracterizado
p̃(ejωT ) = A−1 (ejωT )B(ejωT )e−jωT nk → G(ejωT )
N =∞
por una estructura de modelo Auto Regresiva con
p̃e (ejωT ) = A−1 (ejωT ) → H(ejωT ),
N =∞
entrada eXterna (ARX)
10 Una Metodología para la Identificación Integrada con el Diseño de Controladores IMC-PID
la primera etapa se obtiene un controlador Q- η̃ = p̃c(1 + p̃c)−1 . Para implementar c(s) sobre
parametrizado estable y causal, el cual es óptimo el modelo de la planta real p(s), el deterioro de
con respecto a la norma del error de control. En la del rendimiento de control causado por errores de
segunda etapa, el controlador Q obtenido se au- modelado se representa por
menta con un filtro paso bajo con el fin de asegurar
que el controlador es propio. Los parámetros del ˜
filtro son utilizados para mejorar la robustez del ec = (r − d), (17)
1 + η̃ em
sistema de control o para establecer una velocidad
de respuesta determinada, pudiendo ser ajustado donde em = (p − p̃)p̃−1 es el error multiplicativo
en lı́nea una vez que el controlador haya sido entre la planta real y el modelo estimado. La
fijado. Para muchos modelos simples de interés estabilidad nominal en bucle cerrado resultante de
en el área de control de procesos, el controla- aplicar c sobre p̃ no garantiza la estabilidad con
dor IMC implementado en la forma clásica de respecto a p. La estabilidad del sistema de control
realimentación da lugar un controlador tipo PID. es con toda rigurosidad determinada mediante la
La Tabla 2 contiene reglas de sintonı́a IMC-PID aplicación del criterio de estabilidad de Nyquist
para modelos de primer y segundo orden con un sobre η̃ em . Una condición suficiente y un requisito
zero en el semiplano derecho. Un conjunto de más simple computacionalmente viene determina-
tablas más completas y con más entradas pueden do por el Teorema de la Pequeña Ganancia
encontrase en multiples referencias (Morari and
Zafiriou, 1989; Rivera et al., 1986; Rivera and Flo- |η̃(jω)em (jω)| ≤ 1 for all ω. (18)
res, 2004; Rivera and Jun, 2000). En la práctica
la elección de la estructura del controlador viene Cuando (18) se cumple, (17) se puede expandir en
determinada por una combinación de preferencias una serie de Taylor que se trunca en los términos
del usuario, limitaciones de la plataforma para im- de primer orden dando lugar a
plementaciones en tiempo real, y los objetivos de
rendimiento deseados para el sistema de control. ec ≈ ˜(1 − η̃em )(r − d). (19)
Para plantas con retardo o mayores de segun-
La aproximación (19) es especialmente válida
do orden, se require una etapa de reducción de
cuando |η̃(jω)em (jω)|
1 sobre el ancho de
modelo con el fin de poder aplicar las reglas de
banda definido por ˜(r − d). Sustituyendo (19) en
sintonı́a IMC-PID. En Rivera et al. (1986), se
(16), se obtiene una expresión aproximada para
utilizan aproximaciones de Padé para plantas de
la función objetivo que, escrita en el dominio de
primer orden con retardo, obteniendo las reglas de
la frecuencia utilizando el Teorema de Parseval,
sintonı́a IMC-PID que se muestran en la Tabla 1.
tiene la forma
Sin embargo, para alcanzar la sinergia y los be-
neficios prácticos comentados en la introducción, ∞ 1/2
se ha buscado un enfoque distinto. Para ello se ha 1
ec 2 ≈ |˜
|2 |1 − η̃em |2 |r − d|2 dω (20)
aplicado una reducción de modelo relevante a con- π 0
trol para obtener directamente modelos de orden ∞ 1/2
1
reducido sin retardo que se ajusten a las reglas ≤ |˜
| |r − d| dω
2 2
π 0
de sintonı́a de la Tabla 2. El proceso de reducción 1/2
∞
de modelo esta basado en un enfoque relevante a 1
+ |˜
|2 |η̃em |2 |r − d|2 dω (21)
control descrito en (Rivera and Morari, 1987). En π 0
este caso, el ancho de banda de frecuencia para
el cual se requiere un buen ajuste del modelo se Un aspecto a considerar es que (21) tiene un
indica por las reglas de sintonı́a IMC-PID, el valor término basado en las propiedades nominales de la
del parámetro λ del filtro IMC, y la dirección respuesta en lazo cerrado, y un segundo término
de la consigna de perturbación aportada por el en el error de reducción em . El estado del pro-
sistema en lazo cerrado. Considérese el problema blema de estimación de parámetros relevantes a
de reducción de modelo que surge de minimizar la control se obtiene minimizando la contribución
norma-2 del error de control ec = r − y proveniente del error de la reducción del modelo
en el segundo término, es decir,
∞ 1/2
J1 = ec 2 = | ec (t) | dt
2
(16) 1/2
∞
0 1
mı́n |˜
(jω)| |η̃(jω)| |r − d| |em (jω)| dω
2 2 2 2
p̃ π 0
El sistema en bucle cerrado, que resulta de un
(22)
controlador de realimentación c(s) diseñado uti-
lizando el modelo estimado p̃(s), se caracteriza El problema de estimación de parámetros relevan-
por la función nominal de sensibilidad ˜ = (1 + te a control (22) minimiza la norma-2 ponderada
p̃c)−1 y la función complementaria de sensibilidad del error multiplicativo, como contraposición a la
D. E. Rivera 13
norma-2 no ponderada del error aditivo (ea = p − aceptable que cumple las guı́as de diseño dadas en
p̃) que es comúnmente examinada en la literatura (14) y (15) es Tsw = 17 min y nr = 4. Esta señal
de control. La función ponderada |˜ η̃(r − d)| in- tiene un tiempo de ciclo igual a Ns Tsw = 255 min.
corpora explı́citamente la forma deseada de la res- En la Figura 5 se muestra un ciclo de una entrada
puesta en lazo cerrado y la velocidad de respuesta, PRBS con estos parámetros y su correspondiente
ası́ como la señal de referencia y las caracterı́sticas densidad espectral de potencia. Si se tiene en
de la perturbación del sistema. cuenta un rango amplio para las estimas de las
L
constantes de tiempo, especificamente τdom = 10
En Rivera and Morari (1987) se utiliza un algorit- H
min y τdom = 15 min, los resultados de las guı́as
mo de ajuste de curva ponderado en frecuencia
de diseño (14) y (15) sugieren una disminución del
para resolver el problema de reducción de mo-
tiempo de conmutación y un aumento del número
delo expresado en (22). Este algoritmo, que se
de bits del registro de desplazamiento. Si se utiliza
basa en una solución iterativa de un problema
Tsw = 13 min y nr = 5 se obtiene una duración
lineal de mı́nimos cuadrados (Sanathanan and
del ciclo de 403 min, que es casi un 60 % superior
Koerner, 1963), es computacionalmente rápido.
al anterior. Una señal multiseno que emplea estas
Las respuestas en frecuencia obtenidas a partir
mismas estimas para las constantes de tiempo y
de modelos ARX de alto orden son utilizadas
que utiliza las mismas guı́as de diseño de Braun
como descripción de la planta. Desde un punto de
et al. (2002) tiene una longitud de ciclo de sólo
vista conservador, con el fin de que la respuesta
284 min, lo cual proporciona un incentivo para
en frecuencia de un modelo en tiempo discreto
usar esta familia alternativa de señales cuando el
pueda servir como una aproximación válida de
objetivo es realizar experimentos de identificación
la respuestas en frecuencia de la planta real en
que sean amigables con la planta.
tiempo continuo, el tiempo de muestreo debe ser
seleccionado lo suficientemente pequeño tal que la La magnitud de la señal PRBS se escoge igual a
frecuencia de Nyquist supere en una o dos déca- 2.5. En la Figura 6 se muestran dos ciclos de la
das al ancho de banda del proceso. Una elección entrada PRBS que se introducen en la planta para
adecuada del tiempo de muestro puede estimarse obtener el correspondiente conjunto de datos.
siguiendo una guı́a estándar tal que T ≤ 0,1τdom .
Si se necesita un tiempo de muestreo más grande,
2
una alternativa es confiar en el algoritmo de re-
1
ducción de modelo relevante a control de Rivera
u(t)
0
and Gaikwad (1996), el cual aborda rigurosamente
1
este problema. Este algoritmo hace uso de una
2
estimación prefiltrada de la respuesta a impulso
0 50 100 150 200 250
ARX y obtiene versiones de controladores tipo Time[Min]
4. CASO DE ESTUDIO
1 0
10 10
Radians/Min
Esta sección presenta un caso de estudio que exa-
mina la metodologı́a integrada de identificación
y diseño de control IMC-PID para la planta de Figura 5. Realización en el dominio temporal y
primer orden con retardo expresada en (1) con espectro en potencia de la señal de entrada
K = 1, τ = 10 min, θ = 5 min, y periodo de PRBS utilizada en el caso de estudio. La
muestreo T = 1 min sometida a una perturbación gráfica superior muestra un ciclo de la señal
de salida de tipo autoregresiva integrada tal como PRBS empleada y la inferior describe la den-
se representa en (4). A continuación se resumen sidad espectral de potencia.
los diferentes pasos llevados a cabo en este caso
de estudio:
4.2 Estimación ARX de orden elevado
4.1 Diseño de la Señal de Entrada y Ejecución La Figura 6 muestra derivas en la salida. El cálcu-
lo de la función de autocorrelación de esta señal
Los parámetros de entrada de la señal PRBS se (no mostrada en el artı́culo) refleja un decaimien-
H L
especifican utilizando τdom = τdom = τ + 0,5θ = to muy lento sobre un gran número de instan-
12,5 min, αs = 2 (el doble del ancho de banda tes de muestreo, lo cual confirma que la señal
en lazo abierto) y βs = 3 (el 95 % del tiempo es no estacionaria. Se necesita pues un filtrado
de asentamiento). Un diseño de entrada PRBS paso alto para eliminar esta no estacionariedad.
14 Una Metodología para la Identificación Integrada con el Diseño de Controladores IMC-PID
combinar un conjunto de datos informativos con donde αp varı́a entre 0.8 y 1.25. Para nuestro caso
el uso efectivo de técnicas de validación cruzada de estudio, se utilizan un filtro de valor λ = 10 min
sin requerir ningún conocimiento a priori del re- y cambios tipo escalón en el punto de consigna
tardo del sistema o demandar una intervención para definir el problema de reducción de modelo.
sustancial por parte del usuario. En la Figura 11 se muestran las respuestas a un
escalón del modelo de bajo orden. El retardo de
0.6 la planta en los modelos de orden reducido se
aproxima con un cero en el semiplano derecho
0.4
(RHP), lo que produce una respuesta inversa
frente a una entrada tipo escalón. Como en el
0.2
caso de la estimación ARX, una estima útil de un
0
sistema retardado se obtiene sin un conocimiento
a priori muy exigente del retardo.
0.2
0.4
4.4 Implementación del controlador y comparación
0.6
250 300 350 400
Time
450 500 550 En primer lugar se examina la respuesta obtenida
de la sintonı́a IMC-PID utilizando los parámetros
del modelo obtenidos a partir de la curva de reac-
Figura 9. Simulación del modelo ARX-[2 6 4]
ción del proceso tal como se describió en la intro-
(lı́nea a trazos) utilizando datos de validación
ducción. En la Figura 12 se muestran las respues-
cruzados diferenciados (lı́nea continua) para
tas en lazo cerrado para el caso de cambios en es-
el caso de estudio.
calón en el punto de consigna y de perturbaciones
1.5
en la entrada. En esta simulación el controlador
PID se implementa con la caracterı́stica de trans-
ferencia suave (bumpless) donde el término deri-
vativo se aplica solamente a la señal de salida me-
1 dida y no al error de control. A pesar de los errores
en el modelo de identificación estimado, el sistema
en lazo cerrado refleja respuestas estables pero
0.5
con grandes sobreoscilaciones, particularmente en
el caso PI. Los modelos relevantes a control con-
ducen a controladores IMC-PI, PID, y PID con
filtro de acuerdo con la Tabla 2, cuyos parámetros
0
0 10 20 30 40 50 60
se tabulan en la Tabla 3. En la Figura 13 se
Time muestran las respuestas en lazo cerrado de los tres
modelos evaluados para un cambio en escalón en el
Figura 10. Comparación de la respuesta en escalón punto de consigna y perturbaciones en la entrada.
para el caso de estudio. La planta verdadera Las respuestas en lazo cerrado obtenidas de la
(lı́nea continua), modelo ARX-[2 6 4] (lı́nea a reducción de modelo relevante al control de un
trazos), modelo continuo de primer orden con modelo ARX validado adecuadamente para este
retardo estimado utilizando la caracterı́stica sistema representa una mejora sustancial cuando
Process Models de Matlab (lı́nea de punto se compara con los resultados de la Figura 12. No
y raya) y modelo ARX-[1 1 6] (lı́nea puntea- se observa ninguna sobreelongación en la variable
da). controlada para ninguno de los controladores y
con respuestas de la variable manipulada mucho
menos agresiva.
4.3 Reducción del modelo relevante al control
Se examina a continuación con más detalle el
Se aplicó el algoritmo de reducción de modelo sistema en lazo cerrado basado en la reducción
relevante al control para obtener modelos de bajo de modelo relevante a control de un controlador
orden que corresponden a las reglas de sintonı́a PID con filtro con λ = 15 min, que se basa en el
para controladores PI, PID y PID con filtro que modelo
se muestran en la Tabla 2. En la práctica, la −2,877s + 1,1299
p̃(s) = (24)
elección del parámetro λ del filtro del controlador 33,02s2 + 13,85s + 1
IMC deberı́a ser similar a la constante de tiempo Utilizando (24) en la Tabla 2 resulta en los si-
deseada del sistema de lazo cerrado. Una guı́a de guientes parámetros del controlador IMC-PID:
diseño útil para especificar λ es Kc = 0,6102, τI = 13,85 min, τD = 2,384 min y
λ = αp (τ + 0,5 θ), (23) τF = 1,901 min. Este controlador evaluado sobre
16 Una Metodología para la Identificación Integrada con el Diseño de Controladores IMC-PID
Tabla 3. Modelos de orden reducido y parámetros del controlador para las reglas de
sintonı́a IMC-PI, PID, y PID con filtro de acuerdo con la Tabla 2. Los modelos de
orden reducido se estiman a partir del modelo ARX-[2 6 4] de la Figura 11 mediante
reducción de modelo relevante al control suponiendo un cambio en escalón en el
punto de consigna y λ = 10 min.
−3,62s+1,0843
PI 13s+1
0.89926 13 - -
−2,62s+1,0883
PID 31,31s2 +13,01s+1
0.96368 13.0118 2.4066 -
−2,8988s+1,12
PID con filtro 33,4s2 +13,68s+1
0.80474 13.6784 2.4441 1.7055
y(t)
del ensayo de identificación. La Figura 3 muestra
0.5
que la varianza asociada con la salida se reduce
significativamente por la acción del controlador 0
0 50 100 150 200
PID con filtro, pero a expensas de aumentar la Time
1.5
trol de elevada prestaciones y la transferencia de la
u(t)
PI
1 Bumpless PID
varianza de la variable controlada a la manipulada 0.5
PID with filter
setpoint
da cuenta de la utilidad del control PID en muchos 0
0 50 100 150 200
escenarios industriales. Time
1.2
Figura 12. Respuesta en lazo cerrado a un escalón
1 en el punto de consigna (lı́nea punteada) y
0.8 respuestas a una perturbación de entrada pa-
ra controladores IMC-PI (lı́nea de punto y
0.6
ARX model raya), PID con transferencia sin saltos (lı́nea
PI model
0.4
PID model continua), y PID con filtro (lı́nea a trazos)
0.2
PID with filter model
utilizando parámetros de sintonı́a de acuerdo
con la Tabla 1 obtenidos de un modelo ajus-
0
tado a la curva de reacción del proceso con
0.2 λ = 10 min.
0.4
0 10 20 30 40 50 60
estructuras ARX y reducción de modelo relevante
Time
al control que conduce a modelos que cumplen
con la reglas de sintonı́a IMC-PID. El método
Figura 11. Respuesta a un escalón del modelo se fundamenta en un conocimiento a priori del
ARX-[2 6 4] (lı́nea continua) para el caso de sistema y de los requisitos de comportamiento del
estudio comparada con modelos que resultan controlador deseado que proporcionan al usuario
de la reducción de modelo relevante a control una guı́a al considerar las variables de diseño
utilizando una especificación del filtro IMC tanto en el proceso de identificación como en el
con λ = 10 min para la sintonı́a de un diseño del controlador, lo que lleva aparejado una
controlador PI (lı́nea punteada), PID (lı́nea simplificación del procedimiento en su globalidad.
de punto y raya), y PID con filtro (lı́nea a En este esquema se pueden usar señales de entra-
trazos). da tales como PRBS o multisenos para obtener
datos que son significativos desde el punto de
vista de la identificación bajo condiciones que en-
5. CONCLUSIONES trañan perturbaciones relevantes. La facilidad de
cálculo implicada por la estimación de un modelo
En este trabajo se ha descrito una metodologı́a ARX acoplada con técnicas de validación cruzada
para la identificación integrada con el diseño de permite al usuario examinar de forma exhausti-
controladores IMC-PID. Los pasos importantes de va un gran número de estructuras de modelos
esta metodologı́a son: diseño y ejecución de un con una intervención por su parte muy margi-
experimento, estimación de un modelo utilizando nal. Las respuestas en frecuencia de los modelos
D. E. Rivera 17
Bumpless PID
1
0.5
PID with filter artı́culo usando la función de base de Laguerre
setpoint
0
se encuentra en la tesis doctoral de Adusumilli
0 50 100 150 200
Time (1999).
Heuberger, P.S.C., P. M. J. Van den Hof (H. Unbehauen, Ed.). Eolss Publishers,
and O. H. Bosgra (1995). A Generalized http://www.eolss.net. Oxford, UK.
Orthonormal Basis for Linear Dynamical Rivera, D.E. and S.V. Gaikwad (1995). Syste-
Systems. IEEE Transactions on Automatic matic techniques for determining modelling
Control 40(3), 451–465. requirements for SISO and MIMO feedback
Johnson, M.A. and M. H. Moradi (2005). PID control. J. Proc. Cont. 5, 213–224.
Control: New Identification and Design Met- Rivera, D.E. and S.V. Gaikwad (1996). Digital
hods. Springer-Verlag. London. PID controller design via ARX estimation.
Lee, W. and V.W. Weekman (1976). Advanced Computers Chem. Eng. 20, 1317–1334.
control practice in the chemical industry: A Rivera, D.E., H. Lee, M.W. Braun and H.D. Mit-
view from industry. AIChE Journal 22, 27– telmann (2003). Plant-friendly system identi-
38. fication: a challenge for the process industries.
Li, Y., K. H. Ang and G.C.Y. Chong (2006). Pa- In: 13th IFAC Symposium on System Identi-
tents, software, and hardware for PID control: fication (SYSID 2003). Rotterdam, Nether-
an overview and analysis of the current art. lands. pp. 917–922.
IEEE Control Systems Magazine 26(1), 42 – Rivera, D.E., M. Morari and S. Skogestad (1986).
53. Internal Model Control 4. PID Controller
Ljung, L. (1999). System Identification: Theory Design. Ind. Eng. Chem. Process Des. Dev.
for the User. 2nd ed.. Prentice-Hall. New 25, 252–265.
Jersey. Sanathanan, C. K. and J. Koerner (1963). Trans-
Ljung, L. and T. Glad (1994). Modeling of Dyna- fer function synthesis as a ratio of two com-
mic Systems. Prentice-Hall. New Jersey. plex polynomials. IEEE Trans. on Automatic
Control 9, 56–58.
Morari, M. and E. Zafiriou (1989). Robust Process
Seborg, D. E., T. F. Edgar and D. A. Mellichamp
Control. Prentice-Hall. New Jersey.
(2004). Process Dynamics and Control. 2nd
Ninness, B. and F. Gustafsson (1993). A Unifying
ed.. Wiley. New York, NY.
Construction of Orthonormal Bases for
Van den Hof, P. M. J., P. S. C. Heuberger and
System Identification. IEEE Transactions on
J. Bokor (1995). System Identification with
Automatic Control 42(4), 515–521.
Generalized Orthonormal Basis Functions.
O’Dwyer, A. (2003). Handbook of PI and PID con-
Automatica 31(12), 1821–1834.
troller tuning rules. World Scientific Publis-
Wahlberg, B. (1989). Model reductions of high-
hing. Singapore.
order estimated models: The asymptotic ML
Ogunnaike, B. A. and W. H. Ray (1994). Pro- approach. Int. J. Control 49(1), 169–192.
cess Dynamics, Modeling, and Control. Ox- Zhu, Y. (2001). Multivariable System Identifica-
ford University Press. New York. tion for Process Control. Pergamon. Amster-
Parker, R.S., D. Heemstra, F.J. Doyle III, R.K. dam.
Pearson and B.A. Ogunnaike (2001). The
identification of nonlinear models for process
control using tailored “plant-friendly” input
sequences. J. of Process Control 11(2), 237–
250.
Prett, D. M. and C. E. Garcı́a (1988). Fundamen-
tal Process Control. Butterworths. Stoneham,
MA.
Rivera, D.E. (1992). Monitoring tools for PRBS
testing in closed-loop system identification.
In: AIChE Annual Meeting, Miami, Novem-
ber 1-6, 1992. Paper 131d. pp. 1–24.
Rivera, D.E. and K.S. Jun (2000). An integrated
identification and control design methodology
for multivariable process system applications.
IEEE Control Systems Magazine 20, 25–37.
Rivera, D.E. and M. Morari (1987). Control-
Relevant Model Reduction Problems for SISO
H2 , H∞ , and μ Controller Synthesis. Int. J.
Control 46, 505–527.
Rivera, D.E. and M.E. Flores (2004). Inter-
nal Model Control. In: 6.43. Control Sys-
tems, Robotics and Automation, Encyclo-
pedia of Life Support Systems (EOLSS)