L-09 El reajuste de los parámetros Kp, τP y θP.

Aquí se expondrán más detalles sobre el modelo First

Order Plus Dead Time (FOPDT), primer orden más
tiempo muerto, mediante tres programas.

1. El primer programa explica como el FOPDT es una

descripción empírica común de muchos procesos
dinámicos estables y se utiliza para obtener las
constantes iniciales de ajuste del controlador. La
explicación teórica sobre de este tema se da
directamente en el programa relacionado con esta
lección:

P08 L-09 kp, taup y tethap de FOPDT

Se utiliza un widget, el IPython FOPDT interactivo,

para mostrar el efecto de los tres parámetros
ajustables en la ecuación FOPDT, en el resultado de la
ecuación.

Kp=Process gain
τp=Process time constant
θp=Process dead time

2. El tema del tiempo muerto, o retraso en el tiempo (Time

delay) se explica en un segundo programa:

P09 L-09 Retardo de tiempo en sistemas dinámicos

Toda la explicación de este tema se da directamente

en el programa.
3. Se muestra como ajustar los parámetros Kp, τP y θP de
una ecuación FOPDT a datos experimentales. Fit Lower
Order Models in Python.

Como ya se ha mencionado, un sistema lineal de primer orden con

retardo (retraso) de tiempo es una descripción empírica común de
muchos procesos dinámicos estables. A continuación, se describen
2 métodos numéricos para calcular/ajustar los parámetros Kp, τP y
θP de la ecuación FOPDT:

τp ∂y/∂t = -y + Kp u(t-θp) … (1)

(a). Cuando se generan en Python datos con algún modelo diferente

al de la FOPDT y después se genera un FOPDT que los aproxima
(b). Cuando los datos son medidos experimentalmente en un
proceso y se tabulan/archivan en un documento .txt.

(a). Generar datos en Python para aproximarlos con un FOPDT.

En el programa escrito en Python/Jupiter Notebook que se titula:

P10 L-09 Fit Lower Order Models in Python.ipynb

Se muestra lo que aquí se va a explicar. En la PRIMER CELDA se

generan datos de "y(t)" y "u(t)" en lugar de medir, tabular y graficar
los datos. A estos valores de "y(t)" y "u(t)" se les llama los valores
experimentales del proceso "p".
Los valores se muestran en forma gráfica en la Figura 1 siguiente:
 Figura 1

Con los datos de la Figura 1 se puede determinar gráficamente que

los parámetros de la FOPDT que aproximan a y(t) son:
Kp=3.0, taup=2.3 y thetap=2.5
A estos valores de los parámetros se les llama "medidos", "m", y se
designan como Km, taum y thetam, en lo que sigue del programa.

Después, en la SEGUNDA CELDA del citado programa, con los

valores de los tres parámetros (Km, taum y thetam) se trata de
modelar o igualar lo experimental con una ecuación FOPDT. El
resultado se muestra en la Figura 2 siguiente:
 Figura 2

En la Figura 2 se ve que los datos del ajuste con el modelo FOPDT

no se ajustan exactamente a los datos del proceso, esto es normal.
Para que hubiera un mejor ajuste se debería de usar un modelo de
segundo orden.

Nota: Gran parte del contenido de esta primer parte está en el

video de YouTube, del tutorial Python for Process Control, 08 de
105, titulado: “Fit Lower Order Models in Python”.

(b). Usar datos experimentales de un proceso que se encuentran

tabulados en un documento .txt
En la segunda celda del programa escrito en Python/Jupiter
Notebook que se titula:

P10 L-09 Fit Lower Order Models in Python

Se muestra lo que aquí se va a explicar. Primeramente se obtienen

los valores medidos de un experimento previamente realizado, los
cuales fueron tabulados en un archivo .txt mediante un "link" o
"url". URL es el mecanismo usado por los navegadores para obtener
cualquier recurso publicado en la web. URL significa Uniform
Resource Locator (Localizador de Recursos Uniforme). A
continuación se muestra el encabezado y las 6 primeras hileras del
documento en .txt que tiene un total de 51 renglones/hileras.

time u y
0 0.0 0.0 0.000000
1 0.8 0.0 0.000000
2 1.6 0.0 0.000000
3 2.4 0.0 0.000000
4 3.2 0.0 0.000000
5 4.0 1.0 0.000021
6 4.8 1.0 0.005286

Los datos de y(t) y de u(t) se muestran en la Figura 3 siguiente:

 Figura 3

Enseguida, se trata es de encontrar los tres parámetros Kp, τP y θP

de la ecuación FOPDT, con los que gráfica calculada de y(t) se
acerque más a la gráfica de los valores experimentales de la Figura
3. Al observar la gráfica de y(t) en los primeros 15 minutos de la
Figura 3, se puede estimar que unos valores para iniciar el
modelamiento pueden ser:

Kpini = 3.0; taupini = 3.0 y thetapini = 3.0

Sin embargo, para maximizar la diferencia inicial se van a utilizar los

valores
Kpini = 4.0; taupini = 5.0 y thetapini = 5.0
Con estos parámetros la suma de los errores al cuadrado, (SSE =
Sum of square error) al principio y final de la iteración del “solver”
de Python es:

Initial SSE Objective: 48.837

Final SSE Objective: 0.297

Los valores de los parámetros de la FOPDT que se calculan con la

iteración son:
Kp: 3.015
taup: 1.858
thetap: 2.937

Figura 4.

En la Figura 4 se muestra el valor de y(t) cuando se toman los

parámetros de la ecuación FOPDT que se designaron como iniciales
(En azul) junto con el valor de y(t) para cuando ya se modeló con
valores optimizados para los parámetros de dicha ecuación.
Fin de la lección 9. (L-09).