2.

Los Fundamentos Matemáticos de la Dinámica y

Control de Procesos.

Esta sección está basada en el video de YouTube: Introduction to

Dynamics and Control, que se puede localizar en el sitio de
internet: http://apmonitor.com/che436. En donde del lado derecho
se localiza el subtítulo de “LECTURES NOTES, y se selecciona:
1 Introduction”. (Nota: en este curso se van a cubrir todas las
lecciones que se presentan en la liga anterior).

Some of the things that you can Algunas de las cosas que se
do with automatic control are: pueden hacer con el control
automático son:

1. Fly airplanes with autopilots 1. Volar aviones con piloto

to determine the best trajectory automático para determinar la
to meet an altitude or certain mejor trayectoria para alcanzar
objective. una altitud o un objetivo
determinado.

2. Understanding how drugs 2. Comprender cómo las drogas

interact with the body and it´s interactúan con el cuerpo y su
dosage. dosis.

3. Design a Smart grid for 3. Diseñar una red inteligente

energy storage systems, where
we try integrating power to
produce energy for residential
and business use, with a
combination of wind, solar and
fossil fuels.
para sistemas de
almacenamiento de energía,
donde se intenta integrar la
energía para uso residencial y
comercial, generada con una
combinación de fuentes eólicas,
solares y/o combustibles fósiles.

4. Drilling automation so to 4. Automatización de la

avoid blowouts and other perforación para evitar
incidents, in here the computer reventones y otros incidentes,
control the drilling process; etc. aquí la computadora controla el
proceso de perforación; etc.

Next, it is explained the A continuación, se explica el

CRUISE CONTROL of an
automobile. We will simulate in
Python a “system with an input
and an output (SISO=single
input and single output
system). We are going to have
mostly linear systems, then we
will go to controller design.
Most of the controllers will be
PID controllers and model
predictive controllers.
CONTROL DE CRUCERO de
un automóvil. Simularemos en
Python un “sistema con una
entrada y una salida (SISO =
sistema de entrada y salida
única). Se van a modelar
principalmente sistemas lineales,
luego se pasará al diseño del
controlador. La mayoría de los
controladores serán
controladores PID y modelos
de controladores predictivos.

We will use this control for Se usará este control como

automatic speed regulator with regulador automático de
CRUISE CONTROL. velocidad en el CONTROL DE
CRUCERO.

Suppose that we have a Ferrari. Supongamos que se tiene un

Ferrari.

Input Output

Figura 1. El Ferrari.

When we have zero gas pedal, INPUT: Cuando se tiene el

we will have zero mph. When pedal del acelerador en cero, se
we press the gas pedal (Input) to tiene cero mph de velocidad.
a 100%, what will be the speed Cuando se presiona el pedal del
(output)? acelerador (entrada) al 100%,
¿cuál será la velocidad (salida)?
OUTPUT

Figura 2. Input and output in a Ferrari. Señal de entrada, % del

pedal de aceleración y señal de salida, la velocidad en mph.

TIEMPO DE RETRASO: TETA P

Process Dynamics is the study La dinámica de procesos es el

of systems that evolve over
time. The first piece of
information that we need is
what is the gain between the
input and the output in the long
term or steady state, ss. It is
called Kp the gain:
estudio de sistemas que
evolucionan con el tiempo. La
primera información que
necesitamos es cuál es la
ganancia entre la entrada y la
salida a largo plazo o en estado
estable, ss. Se designa a Kp

∆𝑦
𝐾𝑝 = ∆𝑢
… (1)
200−0
𝐾𝑝 = 100−0
= 2 𝑚𝑝ℎ/%... (2)
We have also the Dynamic
evolution with time, it tells
how fast the response is, and
we call it dead time = when I
touch the gas pedal and press it
down, to when it starts seeing a
response. To that time, we
called θ p or apparent dead time,
it is the time for the system to
initially start responding. For a
high performance car, it will
be a very short period of time.
It is about 0.2 seconds.
The next thing we need to
know is the time constant.
This is to complete a first
order plus dead time model,
FOPDT.
The time constant τ p tells us
how fast it gets to the new
steady state, ss, value after the
apparent dead time, it is 63.2%
of the way to the new ss value.
como la ganancia:
También tenemos la evolución
dinámica con el tiempo, dice qué
tan rápida es la respuesta, y lo
llamamos tiempo muerto = que
es igual al tiempo que transcurre
desde que se toca y presiona el
pedal del acelerador, hasta que se
comienza a ver que se mueve el
coche. A ese momento, se le
llama θp o tiempo muerto
aparente, y es el tiempo requerido
para que el sistema comience a
responder. Para un automóvil de
alto rendimiento, es un tiempo
muy corto, se toma como de 0.2
seg.
Lo siguiente que se necesita
conocer para completar un
modelo de primer orden más
tiempo muerto, FOPDT es la
constante de tiempo, τp, la cual
da una idea sobre qué tan rápido
se llega al nuevo valor de estado
estable, ss, después del tiempo
muerto aparente. Esta se toma
como el 63.2% del camino hacia
So, we get (200 mph) (0.632)
= 126.4mph.
When you get to 126.4 mph
you record the time (3.6 sec)
and subtract the θ p (0.2 sec) in
order to get the τp (3.6 – 0.2 =
3.4 sec).
With the gain, Kp = 2, the
dead time, θ p =0.2 seg , and the
time constant τ p = (3.6-0.2) =
3.4 seg, we have a simple
model.
They help us to describe many
dynamic systems. We can get
the model through empirical
methods.
We can also get the Dynamic
model in different ways. For
example, we can fit the
FOPDT to data.
Figure 3 shows the same
model of Figure 2, but now
generated in Python, with the
program:
P02 L-02 Modelo FOPDT del
Ferrari
el nuevo valor de ss.
Entonces, se tiene (200 mph)
(0.632) = 126.4 mph.
Cuando se llega a 126,4 mph, se
registra el tiempo de (3.6 seg) y
este se resta el θp (0.2 seg) para
obtener el τp (3.6 – 0.2 = 3.4
seg).
Con la ganancia, Kp = 2 mph/%,
el tiempo muerto, θp = 0.2 seg, y
la constante de tiempo τp =
(3.6-0.2) = 3.4 seg, se completa
un modelo simple.
Este modelo es útil para describir
muchos sistemas dinámicos. Se
puede obtener el modelo
mediante métodos empíricos.
También se puede obtener el
modelo dinámico de otra forma.
Por ejemplo, se puede ajustar el
FOPDT a los datos.
En la Figura 3 se muestra el
modelo de la Figura 2, pero ya
generado en Python con el
programa:
P02 L-02 Modelo FOPDT del
Ferrari
 Figura 3.

Input = u(s) Output =

X(s)
Figura 4.

The model shown by Equation El modelo de la Ecuación 3,

3, inside Figure 4, requires a
Laplace transform, from the
time domain to the Laplace
domain.
dentro de la Figura 4, requiere
una transformada de Laplace,
desde el dominio del tiempo al
dominio de Laplace. (Tema que
se estudiará en la Lección 06).

The time dependent equation is La ecuación dependiente del

shown in Eq. 4. This type of tiempo se muestra en la
equation is very important to
give the topic of SISO. (Single
input single output).
Ecuación 4. Este tipo de
ecuación es muy importante para
exponer el tema de SISO. (Una
entrada una salida).
U=entrada

∂x
τp
∂t
=−x + Kp u(t−θp) Ecuación 4.

Notar que en esta ecuación se usa “x” y en los cálculos “y” para
representar la velocidad en mph.
Con la clase hasta aquí, pasar al programa en Python.
Luego regresar a exponer el material de las 2 últimas hojas.

Equation 4 is the time domain La ecuación 4 es la ecuación en

equation, and in Figure 3, we el dominio del tiempo, y la
have the model in the Laplace ecuación de la Figura 3,
domain form. representa un modelo en el
dominio de Laplace.

This course of Process Este curso de Dinámica y

Dynamics and Control will
cover the derivation of the two
equations. We can also get the
Dynamic model from
fundamentals.
Control de Procesos cubrirá la
derivación de las dos
ecuaciones. También podemos
obtener el modelo dinámico
desde los fundamentos.

The information that we need is: La información que se va a

utilizar es:

Velocity v = 50 m/s
Masa m = 500 Kg
The Resistive coefficient Coeficiente resistividad
 (Sale si b [=] 50 N s m ) b = 50 N-s m
The gain Kp = 0.5 (m/s)/(%gas pedal)
Ganancia
Input (ss) u = ? Impulso (ss) u = ?
What will be the % gas pedal
to get to the ss to reach the 50 Ss=condiciones estándar
m/s
¿Cuál es el % de aceleración
para alcanzar los 50 m/s
Time delay. Theta_p (θp ¿ = Retraso de tiempo = Theta_p
0.5 seconds from (θp ¿ = 0.5 segundos, de
measurements on the car. mediciones en el coche.

From a Force Balance on the A partir de un Equilibrio de

system, we can get an equation fuerzas en el sistema, se puede
like: obtener una ecuación como:

m dV
=−V + Kpu ( t−0.5 ) … . Ecuación(5)
b dt

We can relate the constants of Se pueden relacionar las

equation (5) with the constants constantes de la ecuación (5)
of FOPDT, eq (4) to get: con las constantes de FOPDT,
ecuación (4), para obtener:

m
τ P= , K p=K p∧θ p =0.5 … Ecuación(6)
b

The thing that we are going Lo que se va a hacer en este curso

to do in this course is to take es tomar el modelo dinámico y
the Dynamic model and then luego transladar los parámetros
translate the FOPDT FOPDT, en parámetros de
parameters into control control de ajuste.
tuning parameters.
En la mayoría de los problemas de
There are many tuning rules DyCdeP se requiere calcular la
to be able to translate the entrada “u” para una salida “y”
Kp, τP and θp into Kc deseada. Para lo cual se usan las
(Controller Gain), τI constantes
(Integral time constant)
and τD (Derivative time Kc (ganancia del controlador), τI
constant). These last 3 (constante de tiempo integral) y
parameters are the tuning τD (constante de la derivada del
constants to tune a PID tiempo), las cuales se determinan a
controller. partir de las constantes Kp, τP y
θp; previamente determinadas.
We are trying to build a
Dynamic model for our Los parámetros Kc, τI y τD son las
process, and then to design a constantes de ajuste para un
controller. We want to get an controlador PID. Ejemplo: Que
acceptable performance of tanto se le abre a una válvula (% de
our controls. apertura = “u”) para controlar la
presión de un reactor (Presión =
In L-4 we will speak some “y”). En la L-4 (Lección 4) se van a
more about the parameters: exponer las ecuaciones con las que
Kc (Controller Gain), τI se determinan y se usan los tres
(Integral time constant) parámetros mencionados.
and τD (Derivative time
constant).