Revista Iberoamericana de Automética e Informatica Industrial CEA Borossrt Control PID Multivariable de una Caldera de Vapor P. Mercader™*, C. D. Canovas®, A. Bafios? \epuramenn de Bf Seas, Uva Mesa, Ea Resumen Este documento presenta la propuesta de los autores para el Concurso en Ingenieria de Control 2016 (CIC2016) organizado por cl Grupo Temético de Ingenieria de Control del Comité Espafiol de Automstica (CEA). Esta propuesta result6 ganadora en a categoria de estudiantes de mister y posigrado. El concurso consiste en el diseflo de un sistema de control para una caldera de vapor, que es moxielada por un modelo no lineal multivariable con tres entradas, tes salidas y una perturbacién medible, El sistema de control propucsto en este documento se basa en el disefio de un controlador tipo proporcional integrador derivative (PID) multivariable, mediante téenicas de optimizaciGn convexa. Ademés, se contempla el uso de mas grados de libertad mediante el disenio de precompensadores para referencias y part la perturbacién medible. Finalmente, se analiza el desempenio del sistema de control disefiado, bajo los escenarios propuestos en el concurso. Palabras Clave: Control PID, Control en realimentacién multivariable, Control de procesos, Funciones de sensibilidad, Optimizacién convex Multivariable PID Control of a Boiler Abstract ‘This document presents the proposal of the authors to the Control Engineering Benchmark 2016, organized by the Control Engineering Group of the Spanish Committee of Automatica. This is the winner design in the postgraduate category. The bench- ‘mark proposes the design of a control system for a boiler, that is modelled by a nonlinear multivariable model with three input, three output, and a measurable disturbance. The control system presented in this report is based on the design of a multivariable proportional-integral-derivative (PID) controller by using convex optimization techniques. In addition, prefiters for the references, and for the measurable disturbance have also beea proposed. Finally, the performance of the designed control system is shown, tunder the same scenarios to the ones considered in the benchmark. Keywords: PID control, Multivariable feedback control, Process control, Sensitivity functions, Convex optimization 1. Introduccion Este articulo presenta la propuesta de los autores para el Concurso en Ingenierfa de Control 2016 (CIC2016) que e! Gru po Temético de Ingenieria de Control del Comite Espaiiol de Automatica (CEA) propone a estudiantes de grado, méster y EI Grupo Temitico de Ingenieria de Control del Comite Es- pafiol de Automitica (CEA) celebra anualmente un concurso sobre ingenicria de control para estudiantes desde el aio 2007, cuando se propuso el problema de control del angulo de cabe- eco de un helieéptero (Gareia-Sanz et al., 2006). Desde enton- ces una amplia variedad de problemas han sido considerados, por ejemplo, ajuste automitico de controladores PID (Romero- Pérez et al, 2012) y seguimiento de trayectorias de un vehiculo cuatrierotor (Blasco et al., 2012). ra sorrespondencit: pam m(@technion a to che tah orice F Mercakee CB. Canova A Informatica Insta 16, 1525. haps. 07/10 49.2018 9058 ioe: NoaCommerial NoDesivatves 40 latrnational (CC BY-NC-ND 40) posgrado, Los das primeros autores participaron en la categoria de estudiantes de mister y posgrado, siendo tutorizados por el {erver autor, El problema de control propuesto en el aiio 2016 es, tuna variante del presentado por el profesor Fernando Morilla en el afo 2010 (Morilla, 2010). A su vez, una variante de! mismo fue también presentado por el mismo profesor en el congre- q Banos, 2019, Multivariable PID Contol of Boiler, Revista Theroameriana de Automstica €6 . Mercader eta. / Revista Iberoanericana de AutomdticaeByforeica Indus 1 (2019) so Advances in PID Control organizado por la IFAC (Morill 2012), Diferentes estrategias de control han sido estudiadas pa- raeste problema durante los ltimos ais, por ejemplo, control predictivo basado en modelo (Feendndez etal, 2011), control PI mediante optimizacién multiobjetivo (Sénchez etal, 2015), control PID por desacoplo (Garrido et al., 2016), control por modelo interno (Fu and Tan, 2017) y control per ganancia pla- silieada (Balko and Rosinové, 2017) EE enfoque utilizado por los autores para abordar el proble- ima de diseio del controlador considera una estructura de con- trolador realimentado tipo PID multivariable. En particular, el étodo utilizado para el diseBo del controlador es cl presenta- do recientemente en Boyd etal. (2016). Este artculo formula el problema de disefio del controlador como un problema de opti mizacién no convexa y lo resuelve mediante una secuencia de problemas de optimizacién convexa, de forma que Ia conver gencia a una solucién local del problema inicial esta garanti- zada. Este método guarda cierta relacién con el procedimien- to concave convexo (Yuille and Rangarajan, 2003; Lipp and Boyd, 2016). Diferentes aplicaciones de este método para di- 4e controladores PID han sido propuesiasrecientemente, por ejemplo, Hast et al. (2013) y Mereader etal. (2017). La organizacién del articulo, que constituye una versiGn ampliada y revisada de la memoria presentada en la primera fase del concurso, se especifica a continuacin, La seccién 2 presenta la descripcién del proceso propuesto en el concurso. La identificacin del proceso se presenta brevemente en la cidn 3. La seccién 4 ests dedicada al disefio del controlador PID, junto al precompensador de referencias y el controlador por prealimentacién de la perturbacién medible, Posteriormen- te en la seecién 5, se muestran los resultados de las si ciones de Ia estrategia de control propuesta bajo los distintos scenarios propuestos en el concurso. Finalmente, se presentan las conclusiones de este trabajo de este trabajo, la 2. Descripeidn del proceso propuesto en el coneurso EI proceso a controlar que se presenta en el concurso esta basado en el modelo de caldera propuesto en Pellegrinetti and Bentsman (1996). Dicho trabajo modela la caldera nimero 2 de Ja planta de Abbott en Champaign, IL, EEUU. La caldera for- ‘ma parte de una unidad de cogeneracion usada para calefaceiGn Y generacién de energia eléctrica diseRada para suministrar un caudal de vapor de 22.10 ke/s a una presisn de 2.24 MPa, Un esquema del proceso se muestra en la Figura 1 EI funeionamiento de la cakdera se describe brevemente a continuacién. El agua se introduce en el calderin donde es con- vertida en vapor debido a ka ransferencia de calor producida ‘mediante ef metal de Ios tos. El are y el combustible se me clan y queman en el hogar, que esta rodeado por parcdes de {ubos metilicas que reciben el calor de la lama y en los que se produce la transferencia de ealor al agua que eireula por ellos. Los gases de combustién resullantes se enfrfan y abandonan cl hogar. Un modelo del caldera obtenido a partir de primeros principios es presentado en Astrim and Bell (2000), se remite al lector a dicho trabajo para una deseripeiGn més detallada del proces. ‘camara de combustion Figura 1: Mustcion esquemaca de planta indestial de generac de vapor [Las entra manipulabies son lon cadaes de combustible, ar y ag, Los requerimientos bsisicos que debe satisfacer Ia caldera durante su operaciéa son los siguientes: += El vapor producido debe mantenerse en unas condiciones, ddadas de presién y temperatura a pesar de lus variaciones cn la cantidad de vapor demandada a la caldera, En el cconcurso se asumird que la temperatura est regulada in- 1 s6lo dispone de de vapor. informacién instantinea sobre la pres La caldera debe ser capaz de operar a distintas eargas, cn un rango determinado, y deberi hacerlo manteniendo una conbustién eficaz. Por ello, la mezcla de combusti- ble y aire en el hogar debe satisfacer los estindares de seguridad, eficiencia energética y condiciones ambienta- es, EI sistema de control tendra disponible la medida ins- tantdnea del exceso de oxgeno en los gases de combus- tidn, un requisito que debe cumplir el sistema de control es mantener un porcentaje de oxigeno en exeeso respecto a la combustién estequiométrica * EI nivel de agua en el calderin debe mantenerse a unos. niveles predefinidos con el fin de evitar el sobrecalen- tamiento de los componentes de! calderin o las inunda- ciones de las lineas de vapor. Por lo tanto, el sistema de control dispone de su medida instantinea, El sistema de control de la caldera debe mantener la presi de vapor, el exceso de oxfgeno en la edmara de combustién y el nivel de agua en el calderin a unos ciertos valores predefi- nidos. Para ello, el sistema de control podré actuar sobre los caudales de combustible, aire y agua de alimentacién. Por ti ‘mo, cl sistema de control suele disponer de una medida dirceta © indirecta del consumo de vapor, variable que tiene e! papel de perturbacién medible, El modelo de la caldera suministrado por los onganizadores del concurso es un bloque en Simulink que tiene tes variables de entrada (caudales de combustible, de aire y de agua) que pue- den ser manipuladas en cl rango de 0% al 100%. Ademés no. Mercader eta. / Revista Iberoanericana de AutomdticaeByforeica Indus 1 (2019) se admiten eambios en ninguna de estas variables que superen el 1 % por segundo, El modelo dispone como salidas tres varia bles dadas en % de su rango de variaciGn, ademas estas salidas estén perturtadas por el ruido de medida. Estas tres variables son: la presisn de vapor en la caldera, el porcentaje de oxfgeno €en exceso en los gases procedentes de la combustiGn y el nivel de agua en el calderin, Por dltimo, una cuarta entrada no ma- nipulable, cuyo valor esté en el rango de 0% al 100% permite solicitara la caldera el vapor requerido por los usuarios. EI punto de operacién de la caldera durante la primera fase del concurso esté determinado por los siguientes valores: Entradas + Combustible (i), 40,59 © Aire (us), 6307 % + Agua (us), 35,06 &. + Perturbacién medible: # Demands de vapor (a), 37,86 # Salidas: + Presin de vapor (1), 40,51 *# Bxceso de oxigeno (92), 7,77 %. # Nivel de agua (93), 4441 % En tomo al anterior punto de operacién se pude asumir un ‘modelo lineal ¢ invariante en el tiempo con la siguiente estruc~ tura: NO] fru) 9 prs] [UH] [rrats) Yl) =|par6s) parts) 0 [[Ua(9)}+] 0 | De, Lys) [ps)@—psato)!TU09)1 Lats a siendo p(s) la funcién de transferencia de la entrada uj a la salida y,, y pus) fa funcién de transferencia de la perturbaci6n da la saliday;, com i, j= 1,2.3. A lo largo de este documento se han usado las mismas letras para denotar a las sefiales de en- trada y salida, en mindscula para denotar a la variable temporal yy en maytiscula para denotar su transformada de Laplace. 3. Identificacién del proceso El proceso de identiicacién ha sido Hevado a cabo en torn al punto de operacién indicado en la deseripei6n del concurso y presentado en la seecién anterior. Se han usado sefales de tipo Secuencia Binaria Pseudo Aleatoria (SBPA)! como sefiales ex- citantes en cada una de las entradas disponibles en el modelo, uy, uy us para identificar eada una de las salidas y1, yo y ys Debido a que el tiempo de respuesta de cada satida de la planta es diferente, se han disefiado diferentes scfules de tipo ‘SBPA para cada sistema. Asf, para cada caso se ha usado una. en la que el pulso més largo es eapaz. de conduc als ma a su esta jonario. Ademis, todas las sefiales utiliza- das tienen una amplitud de 5 %. és, Paco Random Hinary Sequence PRBS), v Por su parte, para excitar la entrada d correspondiente a la perturbacién medible no se ha utlizado una seia de tipo SB- PA ya que, segin la descripcn del concurso esta entrada solo tiene una tnica variaciGn en un caso conereto, se identifcé la respuesta de la planta . se dgj6 evolucionar el sistema hasta el punto de operacion en el que actuaba la perturbacién medible y se excito la entrada d con tun pulso de las mismas caractersticas que esta perturhacida, Los modelos obtenidos son mostrados en la Tabla 1. Para su obtencién se han usado técnicas estindar de ident de sistemas (Ljung, 1995). Todas las funciones de transferen- cia a identficar se han ajustado relativamente bien a modelos de primer o segundo orden. En ka Figura 2 se representan los modelos obtenidos en la identificacin superpuestos a los da- tos experimentales. Como se puede observa, todos los modelos utlizados son files al comportamiento de la planta. Por otro lado, para que se aprecie mejor la fidctidad entre Jos modelos obtenidos y los datos de la simulacién, en lugar de ullizar sefales de tipo SBPA, las salidas de fa planta mostra- das en la Figura 2 se obtuvieron excitando las entradas con una seit de tipo escal6n de valor inicial 5 % y valor final de ~5 % ‘Ademis, la estructura de las gréficas coincide con la estructura de las matrices eorrespondientes a las funciones de tansferen- cia en la ecuacién (1). En los modelos obtenidos (Tabla 1) cabe destacar la presen cia de polos en el origen (integradores),retardos temporales y ceras en el semiplano derecho. Al igual que en el easo monovat riable, en el caso multivariable los coros en el semiplano dere- cho limitaran el ancho de banda del sistema de contro a diseiar. En cuanto los retardos temporales, la stuacién en el caso mul- tivariabe difiere de la del monovariable, pudiendo ocurrir que ‘un aumento del retard permita mejores cotas de rendimiento, ver por ejemplo, Skogestad and Postlethwaite (2005). Los modelos presentados en la Tabla 1 se eorresponden a Jos obtenides en la primera fase del coneurso. En la segunda fa- se del concurso se propone otro punto de operacién, por lo que serealiz6 una nueva identiicacin siguiendo el mismo procedl- rniento que el expuesto en esta seceidn. Los modelos obtenides tienen la misma estructura a los presentados en la Tabla 1, pero con variaciones en sus parimetros (no se muestran por breve- dad). cesta varia 4. Disefio de PID multivariable El método usado para obtener un controlador PID multiva- riable es el presentado recientemente en Boyd et al. (2016). A. continuacién se presentan las principales ventajas de este méto- do: = El orden del controlador es fijado a priori. Esto es una clara ventaja frente a disefios ‘Ha, tradicionales? que re- sultan en un controlador del mismo orden que la planta gencralizada (Zhou and Doyle, 1998), * Admite una deseripeién del proveso en términos de su respuesta frecuencial. Esto implica que los retards tem- 2Cabe desta la xisenca de mundane diseo Py que asuren una esucturafij paral cantar, or empl, arian and Nall 206).6 P. Mercater eta. / Revista Iberoanericana de datos Bore Isa 16 2010 15-25 Dew, Deve Ded 4 1 2 10, 2 os 1 s po 0 0 0 4 = 5 “yom 2,000) 3,000, 1,000 2,000 3,000 1,000 2,000 3,000, 9.000 2,000 3,000 ‘Tiempo (8) ‘Tiempo (8) ‘Tiempo (8) ‘Tiempo (s) 20 2 : 2 1 1 thy gil fo 0 ° =10 -s 20) -10 30100 150-3 "030100 159-300 “70-50 100 180200 “7050 TO 150 200 ‘Tiempo (5) ‘Tiempo (3) ‘Tiempo (3) ‘Tiempo (3) 0 ‘i Is 0 o of " o 8 0 5 =10 -02 ‘ =10 -oa 2°30 S00 750 1,000 0 250 500 750 1,000 Sy 350 500 750 1,000, 295350" 500 750 1,000 ‘Tiempo (5) ‘Tiempo (8) ‘Tiempo (3) ‘Tiempo (3) Fgura 2: tifa del proce (rier a), Slas expesimctn il y gens por lode). “aha: Moos onion desis drape fue dl onc. y= 08 oe ye 0H _ 8.408 ault= 1+ 153,805 pals}=0 patal= 1+231,30s 2 988s - Puls) = 136095" Pals) =0 __ =0.0055(1 = 156.65) 14,745 . Pails) = C2945 Pss)=0 14 asst 5.141 = 126,045) 14,195 Pras) = 1537 Pods) = 0 Pas) = a yet T+ 307.845 © TF 21 0B5)(T + 735,505). Mercader et at. / Revista Iberoamericana de Automdicae Byori Inurl 16 2019) 25-25 1» porales se pueden tener en cuenta, sin necesidad de apro- ximarlos por funciones de transferencia racionales, Di- chas aproximaciones requieren de un andlisis posterior, ya que pueden desestabilizar a la planta no aproximada (Sitva et al, 2001). ‘= Tiene flexibilidad para incluir distintos tipos de especifi- caciones, asi como la posibilidad de tratar ineertidumbre cn el modelo, describiendo el proceso con un niimero fi- nito de modelos, Ademés permite considerar cualquier tipo de restricciones convexas sobre los parimetros det controlador (ver Secci6n 7 de Boyd et al. (2016). + El problema de control se plantea como un problema de ‘optimizacién no convexo que es reemplazado por una se- cuencia de problemas de optimizacién convexos, los cua- les se pueden resolver de forma muy eficiente (Boyd and ‘Vandenberghe, 2004). EL método presentado en Boyd et al. (2016) asume estruc~ turas de control cuyos pariimetros dependen de modo alin (los parémetros no afines deben ser fijados de antemano). En nues- {uo caso, tomamos la siguiente estructura para el controlador: Kos Tos+ Ky Ky os testl os @ donde Kp, Ky y Kp son matrices cuadradas de dimensién 3, la ddimensi6n viene dada por la dimensién de la planta a controlar, CCabe destacar que las 9 entradas de cada una de estas matrices corresponden con las ganancias de cada uno de los 9 control dores PID monovariables que componen el controlador multi- variable. Notar que los pardmetros escalares zp y to (constants de tiempo de los filtros de los términos proporcional y deriva- tivo, respectivamente) no depende de modo afin, por lo tanto deberan ser fijados a priori El problema de disefio de control se plantes en términos de coptimizacin del rechazo de perturbaciones, sujeto a restriecio- nes relacionadas con la satisfaccién de especificaciones sobre mairgenes de estabilidad y sobre el esfuerz0 de control. Tenien- do en cuenta estos requerimientos, el problema de diseno de contro! se plantea como el siguiente problema de optimizacién maximizar Ki suyjeto-a She < Ms ° Wk < Mr Ol. < Mo donde § = (I + PC)! (sensibilidad), 7 = J — $ (sensibilidad complementaria) y @ = CS (esfuerzo de control). Dada una rmatriz X, [Xi] denota su norma espoctral, es decir, su maximo valor singular; y dada una funei6n de transferencia H, lls ¢8 igual a sup, [4 [La motivacién del problema de diseiio (3) es maximizar el rendimiento (maximizar [Kill es equivalente a minimizar ||S(w)PGw}|| cuando w — 0) sujeto a restricciones que ga- rantizan unos ciertos margenes de estabilidad (cotas superiores sobre |[S ll y |I7I]xe). Alternativamente, se podria usar como cri- terio de rendimiento la maximizacién de ||P(0)K;|| lo cual es equivalente a minimizar S(ia)] cuando « > 0. Este proble- ma de disefio es el anilogo al de maximizacién de Ia integral en cl caso monovariable (Astrom et al., 1998). EL método usado para resolver el problema de optimiza cidn (3) requiere la diseretizacion de las restricciones (de tipo [I+ Ils) en un nimero finito de frecuencias pertenecientes a un rango de interés. Por lo tanto, el problema de optimizacién (3) ces aproximado por su versiGn disereta dada a continuacidn: maximizar —\Kil % sion ISG < Ms 7Ge)|| My oy [lOLje0| < My wedy donde Qy es un conjunto que contiene un miimero finito de fre= ccucneias, normalmente equiespaciadas logaritmicamente, en un, rango de interés, Los detalles téenicos para reemplazar el problema (4) por ‘una sucesiéin de problemas de optimizacién convexa se expli- can en Boyd et al. (2016), este método iterativo garantiza la convergencia a una soluci6n local del problema (4). El némero de iteraciones necesarias no suele ser elevad, siendo normal ‘mente menor que 10. Cabe destacar la necesidad de un control dor inicial que satisfaga las restrieciones para iniciar el proceso iterativo. Los problemas de optimizacién convexa resultantes se than resuelto usando los paquete informaticos CVX (Grant and Boyd, 2008, 2015) y SeDuMi (Sturm, 1999). En lus siguientes subseceiones se presentan distintos ele- ‘mentos extras o modificaciones sobre el controlador PID mul- tivariable obtenido como solucisn del problema (4). 4.1, Procompensador referencias En el sistema a controlar propuesto en el concurso, et sis tema de control tiene acceso tanto a las sefiales de referene como a las salidas de la planta, por lo tanto, se podria utilizar ‘un precompensador para referencias (estructura de control de dos grados de libertad). Una estrategia comiinmente usada con controladores tipo PID es usar una referencia ponderada tanto n los término proporcionales (por un factor b) como en los de~ rivativos (por un factor ¢) del PID, ambos factores de ponders cidn sucten tomar valores entre 0 y 1, ver, por ejemplo, Moliner and Tanda (2016). Esto permite, en cierto modo, desacoplar el dischar de la respuesta a cambios de referencia y rechazo de pecturbaciones, 4.2. Precompensador perturbacién medible EI modelo de la caldera dispone de una perturbacién med bie (demanda de vapor) que seri utlizada como un grado de li- bertad extra del sistema de control diserado. La funcisn de este controlador, que aetia en azo abiert, es anticiparse ala accién de la porturbacin medible (usando para ello el modelo de la planta y la perurbacién). Teniendo en cuenta eémo afgctan las sefiales de entrada y la perturbacién a las sefiales de salida (Ta- bla 1) se pueden obtener las siguientes sefiales de control por2 . Mercader eta. / Revista Iberoanericana de AutomdticaeByforeica Indus 1 (2019) prealimentacidn (estas sefiales junto a las salidas del controla- dor PID multivariable formaran las sefiales de control 1, 2 ¥ m9) (D6), (DIS), o Ursyls) = Fu), donde . pixlsdpads)~ prs)pnats) Fils) = gp PB DPM) PoP) HAs ‘Pal s)P11(8) — Piats)paits) Foals) = ~gpP2O Pree) ~ prs(o)Prls AEE DAS) pslS)PIICS)— PIs)" gp PCPs) ~ pralsrPads) PPA) — PsP) Oy Pus) ‘Tras obtener estas funciones de transferencia, se han reducido a funciones de primer orden utilizando un algoritmo de apro- ximacién de perturbaciones singulares, presentado en (Varga, 1091), y que se puede utilizar como una herramienta para la reduccién de modelos, A grandes rasgos, el algoritmo calcula ‘matrices de proyeecién a partir de los gramianos de aleanzabi- lidad y observabilidad para obtener una reduecién del modelo. Asi, las sefales de control por prealimentacién que se utilizan durante la primera fase del concurso son las siguientes: 4883 Pubs} Pads) o $:72801 T+ 125s Fad) Cabe destacar que las sefiales de control por prealimentacién ue se han obtenido se basan en los modelos calculados en la identificacién del sistema y Ia aplicacién de una ganancia del precomponsador igual a 0.8, es decir, 2, = 0.8 4.3. Integrador condicional Es bien conocido que Ios controladores con accién integral (© cn general, con dindmicas lentas) pueden suftir problemas de windup, ocasionando respuestas lentas y oscilatorias. Para cvitar este problema, se ha implementado tina estrategia de in- tegracién condicional en cada uno de los integradores (Astrom and Hgglund, 2006). Este mecanismo consiste en desactivar los tres integradores asociados a la misma seal de control (de- jan de integrar, pero conservan Su sada) durante periodos en los que esta serial del control se encuentra cerca de Los limites de saturacion, 44, Elementos saturadores EL modelo de caldera propuesto presenta tres sefiales de en- trada que deben tomar valores entre 0 y 100, y euya variacién std limitada a cambios de la unidad por unidad de tiempo. Por este motivo el sistema de control propuesto incluye elementos saturadores que limitan tanto Ia amplitud como el ratio de va- riacién de las sefiales de control. Aunque estos elementos no lineales se han aadido a posteriori para evitar ineumplir los requerimientos de saturacién tanto en amplitud como en velo cidad, el controlador PID ha sido disefiado con especitficaciones, sobre la funcién de sensibilidad que estin asociadas a seiiales de control suaves, Esta estrategfa se basa en evitar la saturacisn, ‘mediante la Timitacién de la ganancia del controlador, Existen alternativas, en las que el controlador requicte de optimizaciéa cn tiempo real, capaces de incluir las restricciones de las sefiales de control en la etapa de disefio del controlador, por cjemplo, contro! predictivo basado en modelo (Camacho and Bordons, 2007) y control interpolado (Nguyen, 2014; Rubin et al, 2017). 4.5. Filtrado senial de control La presencia de ruido en las variables manipuladas es un aaspecto no descado en un sistema de control, que pucde oca- sionar un desgaste prematuro de los actuadores. Esto es oc sionado por una ganancia excesiva del controlador en un rang de frecuencias representative para el ruido de ka medida. Por lo tanto, ademés de los filtros paso bajo utilizados en los términos, proporeional y derivativo, se contempla el uso de otro filtro pa- so bajo en cada una de las salidas del controlador, 1,2 y us EL filtro propuesto esta determinado por Ia siguiente funcidn de transferencia no racional Ire oh @) donde hi es una constante positiva, Este filtro puede ser pens do como una versién continua de un filtro de media mévil (el pardmetro h coresponderia al intervalo de tiempo en el que se calcula 1a media). Por otro lado, cabe destacar que la funcisa de transferencia dada en (8) corresponde a un ZOH (retenedor de orden cero) con un intervalo de muestreo h. En la Figura 3 se puede observar el esquema de control uti- lizado. Cémo se ha descrito en el texto, nuestra estrategia de control esti formada por nueve controladores de tipo PID, fil- tros y elementos saturadores para las seftales de control, un pr compensador de la perturbacién medible y un integrador con- dicional, Respecto a las variables que aparecen en la imagen, ¢; con = 1,2,3, hacen referencia al error obtenido entre la salida de la planta y la referencia en cada caso, mientras que con 1 = 1,2,3 som las sefiales de control obtenidas. 5. Sistema de control propuesto y simulacién EI sistema de control propuesto contiene como controlador realimentado un controlador PI multivariable, Aunque inicial- ‘mente se consideraba una estructura tipo PID, se obtuvieron re- sultados satisfactorios com una estructura de control mais senci Ila tipo PL El controlador PI multivariable usado en la primera fase del concurso ha sido obtenido como solucidn del proble- ‘ma de optimizacién (4) con las especificaciones Ms = 1,25, Mr = 1.2 y Mg = 00, ademés para restringimos 1 una es- tructura tipo PI se ha considerado Ky = 03.3. De ese modo se obtienen los siguientes valores para las matrices Kp y Ky 08857 0.1144 0.8047 Kp=| 13038 03166 1.2455). Oy 7.3229 0.3224 -1,0136). Mercader eta. / Revista Iberoanericana de AutomdticaeByforeica Indus 1 (2019) Demanda de vapor Oca e e e +1 PID | + PID | | ae = “edol_..__J Elementos u ‘fitcado|--- ssuradores| J +4 PID l + PID | l ' , Elementos wu l : = saturadores = “{ PID PID PID | r] | | Iritrado Elementos Ui — Sa saturadores Integrador condicional Figura 3: Exquema de contol uilizads, [0.0538 -0,0033 0,0323} K,=|0,0806 0.0131 0.0496] . a9 10,0645 0.0060 0,0539| A continuaci6n se presentan el resto de parimetros del sis- tema de control descrito en la secciéa anterior y usado en Ia primera fase del concurso. El parimetro rp del filtro pasa baja presente en los términos proporcionales ha sido fijado a 20, EL parmetro para la ponderacign de las referencias para los térmi- nos intcgrales introducido en la Sccién 4.1, ha sido fijado con tun valor b= 1 para cada uno de las controladores PI. A la salida de cada sefial de control se hat usado un filtro como el deserito cn la Secién 4.5 con un valor h = 5. Por itimo, el controlador por prealimentacién para la perturbacién medible ha sido fijado con los parsimetros dados en las ecuaciones (7). El sistema de control usado en la segunda fase del concurso ha sido obtenido siguiendo el mismo procedimiento, de modo que los detalles se comiten por brevedad. Sil. Simulacién y discusién de resultados En esta seccién se evaltia el istema de control propuesto se compara con el “Caso referencia’, propuesto por la orga- nizacién del concurso. El “Caso referencia” corresponde a una experiencia de control en la cual la caldera es operada por el controlador de referencia. Este controlador es ulilizado como referencia en el concurso y viene dado a través de un bloque SS-funciéin, de modo que Ios concursantes no pueden acceder a su estructura o parimetros (Morilla and Rodriguez, 2016). Las respuestas del proceso y variables manipuladas obte- nidas con el controlador propuesto durante la primera fase del concurso se muestran en las Figura 5 y 6, respectivamente. Por ‘otro lado, las respuestas del proceso y variables manipuladas cortespondientes a la segunda fase del concurso se muestran cn las Figuras 7 y 8, respectivamente, El valor de las distin tas consignas y demanda de vapor a lo largo de la expericncias correspondientes a ambas fases del concurso se muestra en la Figura 4. Como se aprecia en las Figuras 5 y 7, los sistemas de control propuestos manticnen las variables a controlar mis préximas a los valores de consigna que el controlador “Caso referencia”. En general, esto se refleja de modo cuantitativo en que los controladores propuestos obtienen valores mis bajos para la integral del valor absoluto del error que el controlador de referencia, ver Tablas 2 y 4. Por otto lado, se obtiene una ligera ‘mejora cn cuanto a la variaci6n total de algunas de las senales de control mientras que en otras se obtienen valores mayores (ver Figuras 6 y 8), como se puede apreciar en las Tablas 3 y 5. También cabe destacar que en las soluciones propuestas las variables manipuladas no tienen un comportamiento oscilatorio como lo tiene el “Caso referencia” en la tercera variable mani- pulada La evaluacién de las propuestas de control en el concurs se basa en un indice relativo al controlador de referencia J, di cho indice tiene un valor de | para el controlador de referencia, La organizacién del concurso no aporta informacién anal sobre este para evitar soluciones basadas exclu ‘minimizaci6n del mismo (Morills and Rodriguez, 2016). El sis- tema de control propuesto en este documento obtiene un in de rendimiento J = 0,9316 en la primera fase del concurso y 8757 en la segunda,2 . Mercader et at. / Revista Iberoamericana de Automdicae Byori Inurl 16 2019) 25-25 “Tabla 2: Comparaiva de los valores de la integral del vor absolut del eror ‘de amibos sistas de contol (primera fase). ciation de areata db veger —Consigna de exceso de oxigeno, —Consigna de nivel de agua ys ee —Demanda de vapor Caso referencia 106845453 8001 se Caso a evaluar 49.13 5691 46.08 Porcentajede mejora 540% 44% 424% 45 “aba 3: Copano os lore ea varia ald is aks decom trode amboe stones contol (ime a) s “7 4 mw I Caso re 113,09 184.16 538.84 as Caso a evaluar 13146 198,04 302,18 ° Porventaje de mejora —16.2% 75% 43.9% o 2 4 6 80 100 ‘Tiempo (min) Taha: Comparative os valores de anal del valor boat del err dant scm de con segura). y » s 40 Caso referent 1331 6222 58.74 Caso aevaluar 53.23 65.75 35,38 30 Porcentaje de mejora 568% 5.7% 39.17% ® 20 10 “Tabla: Comparativa de os vars dea vara ol seals de cone old ambos sistemas de contol guna fn) i ‘Tiempo (min) me in ‘Caso referencia 13797 188,63 280,28 Caso a evaluar 150,90 186,06 574,54 ‘Figura 4: Eacentig considrado ef la exptiencia de contol Primers fase Porcentaje de mejora -9,37% 1.36% —105,02% (ouperon) y segunda ise fren.% 20] P. Mercer eta. Revista Iberoanericana de AutométicaeIyformdtica Industria 16 (2018) 15-25, ‘Presi de vapor y consign ‘Figura S:Respuestas det proces (primera fase) Cas referencia (aa) y caso evalua (jo) i} a ‘Tempo nin) Oxigeno en exes y consign 0 0” SSS Tempo (nin) Nivel de oyu yconsigna 0 0” mS ‘Tiempo nin 2») ° o » » « % @ 9 To 0 ‘Tempo (ain) lee ‘9 ea) 0 my 0a 0 Tn ‘Vem (min) Agua 100 ‘9 ‘a 6 0 a 7 ‘Tempo (min) Figura 6 Variables manipolada (primera fase), Caso referencia aval) aso evalua (jo). Mercader et a. / Revista Iberoanericana de AutomdicaeIyfordica Industrial 18 (2019) 15-25. ‘Presi de vapor y consign (= Gow referencia comer “o ss 0 1 ‘Tempo nin) Oxigeno en exes y consign +0 » ° 0 oo SSS Tempo (nin) Nivel de oyu yconsigna «0 as 20) 0 0” mS ‘Tiempo nin Figura 7: Respuesas det proceso (segunda fase). Caso referencia (azul) y caso Combustible 100 SGaeorerencie 9) cena 0 0 2) "0 o » » «© % @ 9 TO 0 ‘Tempo (ain) ine ‘9 + of 2») °F a Tm ‘Vem (min) Agua 100 ‘a ‘a aol % a “Tempo (min) Figura & Variables. spuds (spud Ease). Caso referencia (zl y caso a value (00)P Mercader ea. / Revista Iberoanericana de Astomdticae Byori Indust 6. Conclusiones Estc documento ha presentado un sistema de control basado ‘en un controlador PID multivariable para una caldera de vapor. Este sistema de control fue presentado al Concurso de Inge- nieria de Control 2016, Se ha expuesto una comparacién con el ‘controlador de referencia proporcionado por los organizadores del concurso, el sistema de control propuesto aleanza un ren ddimiento superior en términos de la integral del error absoluto, ‘mientras que el rendimiento cn cuanto a la variacin total de la sefial de control es similar 0 levemente superior. ay varias opciones que se podrian considerar para obtener ‘una mejora del rendimicnto del sistema de control presentado, por ejemplo, optimizar los parimetros del prefiltro para refe- rencias, considerar Ia accién derivativa y usar distintos filtros pasa baja para cada una de las sefales. Con respecto ala dltima propuesta, la soluci6n presentada usa los mismo filtros (misma constante de tiempo) para todas las sefales, pero no todas las seitales medidas tienen el mismo nivel de ruido. Cabrfa esperar una mejora del rendimiento mediante un disezio més elaborado donde este punto se tuviera en cuenta, Agradecimientos Exe trabajo est financiado por el Ministerio de Eonomiae Innovacidn de Espaia (incluyendo cofinanciacién FEDER-UE) hajo los proyectos DPI2013-47100-C2-1-P y DPI2016-79278- CUR, Referencias Aparian, P, Noll D., 2006, Nonsnoth Has synthesis, IEEE Transactions on ‘Automatic Control 51 (1), 71-86, ynamies, Auomatica 36 @), ‘sur, KJ. Haglund, 7, 2006. Advanced PID com. ISAThe Insrumen- tation, Systems and Automaton Society Aatrim, K-., Panagopoulos, H., Higalund, T1998. Design of PL controllers Tene oa non-covexoptinization, Auomtica 34 (5, SHS-€0. ‘Balko, P, Rostov, D, 2017. Gain schedlig contol wiih PWA models A ‘ase study. IFAC PaprsOal.ine 50 (1), 11373-11378 Blasco, X, Garcia Nit, S., Reyaoso Mera, G., 2012. Conte autinomo de Seguimieato de rayecoras de un vefcuo cuatriotor. Simulacién y eva Ieaciin de propuesas Revista Tbewareriana de AvomtcaeLforicn Indsril RIAT9 (2), 194-199, Boyd, S., Has, M, Astin, K 1, 2016, MIMO PID wing via iterated LM ‘eiicion.flemaions Journal of Robust and Noninear Conia 26 (8), 1718-1731, ‘Boyd, Vandenberghe, 1, 2004, Convex optimization. Cambridge University Pres. ‘Camacho, EF, Bordons, C, 2007. Model Prdiive Control. Springer Verlag London, Fernandez, L, Rodriguez, C. Guzman, J, Berenguel, ML, 2011. Cotol predic tivo por destcopl con compenstidn de perturbciones pa el benchak ‘decamtol 2009-2010, Revi Ieroamerieana de Autom Informitica Tadustral RIALS Q), 12-12 Pu, C. Tan, W. 2017, Parially decentalid contro fora benchmark boil. ‘soural of Cont Engineering and Applicd Informatics 19 (1, 77-84 Garo San M. Elo, J Eg, 1,200, Cool del éngulo de eon de un hcicopero como benchmark de Uiseio de conladores. Revista browne sicana de Autom lafoematca Industrial 3 (2) 111-116 arid, 1, Vaz, F, Molla, F, 2016, Multivariable PID contol by deco: ‘pling IetetionalJoural af Systems Seience 47 (5), 1054-1072 162019) IM. Boyd, S., 2008. Graph implementations for woaxmooth convex pro ‘grams. I: Recent Advances in Learning and Conte. Lecture Notes in Con- ‘wo and Information Sciences. Springer-Verlag Limited pp. 95-110. Grant, My, Boyd, $2015, CVX: Mesh sofware for dsepined convex pro ‘gramming, version 2. Vsiado en octubre de 2017 URL: netp://ever com/eve Hast, M, Astrim, K. J, Bemhardsson, B., Boyd, Sy 2013, PID design by conver concave optimization In: Praccedings European Contol Conferen 2: pp. 4460-4465, Lipp. T. Boyd, S., 2016. Variations and extension of the convex: concave pro- ‘Salute, Optimization and Engineering 17 (2), 283-287 ‘Ljng,L., 1995. System Identification Toolbox fr use with MATLAB, Meccadee P, Astrom, KJ, Basos, A. Haglund, T, 2017, Robust PID de ‘gn hase on QFT and one concave opimizaion, IEEE Transactions (on Control Systens Technology 25 2), 441-482. Mofiner R. Tanda. R. 2016. Hereamienta para la sintona robusta de eontr Tadores PUPID de dos grades de ibe. Revista Hberoamericana de Au- ‘omécaeInformética Industrial RIAT 13 (1). 22-31 ‘Mori, F, 2010, Benchmark 200-10 grupo temtico de ingsnieri de coir ‘de CEA-IFAC: Control de una caldera. Visita en ochre de 2017 URL: htep://eev.diauned.e5/~fuori11a/benchmar09_10/ Movil, F, 2012. enchmark for PID control based on the ier coro pro bem. IFAC Proceedings Volumes 45 (3).346-351 Movil, F, Rodiguez, ©, 2016. Concur en ingenicia de contol 2016 (CIC2II6}: Control de una caldera de vapor. Vsiado en extbre de 2017 URL: htep://eev.dia-uned.e6/~fmori11a/CIC2016/ Newer, HEN. 2014. Constined Control of Uncertain, Time-Varying, stems. Springr-Verag London, 1966. Nonlinear contol orentsd boiler var problem for controller design, IEEE. Transactions ology 4 (1). 57-64 Ronnero-Pére,J. Ay Ait, 0. Padua, F, Reynono Mesa, G., Garcia Nico, ' Balagucr, P2012, Estudio comparativo de algeitos de aoa de cnttladres PID, resulta del Benchmark 2010-2011 de grpo dein vier de control de CEA. Revista Thercamericana de Awomiica ¢ In formes lndustil RIALS (2), 182-198, Rubin, D, Mereader, P, Npuyen, HN. Gutman, P-O., Bases, A, 2017, provements on iirpolation techniques based on liacar programming for onstrated coatol. IFAC PspersOaL ine SO (1), 1405-1408 Sacher, HS. Reynoso-Mera, G., Vilaont, R, Blasco, X., 2015. Musage procedure for Pl controler design ofthe bir benchmark problem. le: 20h Conferons on Emerging Technologies & Facory Avlomation (ETE). pp 1a, Sika, G.1., Data, A., Bhatachayya, 8.2001, Controller design via Pad ap- proximation can ado instability. In: Proceedings of the 4th IEEE Coals ‘on Decision and Conta. Val 3. pp. 4783-4737 ‘Skogesad S. Polthwvte,L, 2005, Multivariable feedback contol analysis sd design, 2od Eaton, Wi. Suir, J. F, 1999, Using SeDuMi 1,02, MATLAB toolbox for opimization ‘over Symmetric cones. Opimization Metheds and Software 11-4), 625 os ‘Varga, A. 1981 Balancing-ee square-root algorithm for computing singular Peturetion approximations. In: Proceedings ofthe Mth IEEE Conference fn Decision and Con pp 1082-1068, Yuille, AL. Rangarjan, A. 2003. The concave-comex procedure. Neural ‘computation 1S 8), 915.936, ‘rou, K, Doyle, J.C. 1998, Essential of robust conto. Pearson