Documentos de Académico
Documentos de Profesional
Documentos de Cultura
e-mail:julio@das.ufsc.br
Indice
Control Predictivo Predictores en Control de Procesos Control Predictivo Basado en Modelo (CPBM) Control Predictivo Generalizado (GPC)
GPC
Conclusiones
Indice
Control Predictivo Predictores en Control de Procesos Control Predictivo Basado en Modelo (CPBM) Control Predictivo Generalizado (GPC)
GPC
Conclusiones
Introduccion
Problemas industriales: MIMO, Restricciones, Perturbaciones Precisamos de control simple de entender y general Mas Usados: PID, DTC, MPC Piramide de Control Satisfaccion y simplicidad de uso
Indice
Introduccion PID y SP Control Predictivo Lineal Principales Algortimos Control Predictivo No Lineal Casos de Estudio
Indice
Control Predictivo Predictores en Control de Procesos Control Predictivo Basado en Modelo (CPBM) Control Predictivo Generalizado (GPC)
GPC
Conclusiones
Denicion:
Accion predictiva de un controlador - manera de generar una actuacion que pueda prever un determinado efecto en la respuesta del sistema y evitarlo o al menos disminuirlo. Actuar ahora basandose en la prediccion del comportamiento futuro del proceso.
e(t)dt + Td
0
de(t) ] dt
(1)
Accion proporcional+derivativa para calcular prediccion ` lineal del error del sistema Td u.t a frente de t: uPD (t) = Kc [e(t) + Td de (t)] = Kc e(t + Td | t) dt (2)
tempo
Caractersticas:
Variacion de e(t) lenta y Td pequeno
buena aproximacion de e(t + Td )
Aplicacion de la idea:
Proceso con pequeno atraso Pe (s) = Kp eLs 1 + Ts (3)
PID mejora la respuesta del PI (si correctamente ajustado) Accion derivativa permite generar una prediccion del comportamiento y el control puede actuar previendo lo que acontece despues del atraso.
1 eLs 1 + 1.5s
sada
4 5 6 tempo (segundos)
10
1 eLs 1 + 1.5s
controle
4 5 6 tempo (segundos)
10
sada
4 5 6 tempo (segundos)
10
20
15
controle
10
5 0
4 5 6 tempo (segundos)
10
r (t )
C (s )
q (t ) u (t )
G(s )
y1 (t )
eLs
y (t )
Senal y1 no es accesible!
^ y(t+Ln) Gn(s)
e(t)
EJEMPLO
P(s) = e10s (s + 1)(0.5s + 1)(0.25s + 1)(0.125s + 1)
controle atual
MODELO
CALCULO DO CONTROLE
saida futura
condicoes e restricoes
Indice
Control Predictivo Predictores en Control de Procesos Control Predictivo Basado en Modelo (CPBM) Control Predictivo Generalizado (GPC)
GPC
Conclusiones
Algoritmos de CPBM
DMC GPC UPC
y(t) =
i=1
hi u(t i)
y (t) =
i=1
y (t + k | t) =
i=1
- Ventajas:
simples e intuitivo; no necesita del conocimiento a priori del proceso; puede ser usado en plantas multivariables; describe bien atrasos y comportamientos de fase no mnima.
- Desvantagens:
no sirve para plantas inestables e integradoras; generalmente N es muy grande (muchos parametros).
y(t) = y0 +
i=1
y (t + k | t) =
i=1
gi u(t + k i | t)
Recordar
i
hi = gi gi1
gi =
j=1
hj
Funcion de Transferencia. Usado en el GPC, EHAC , ... A(z 1 )y(t) = B(z 1 )u(t)
UPC , EPSAC ,
- Ventajas
valida para todo proceso; pocos parametros.
- Desventaja
necesidad de conocer a priori el orden de los polinomios A y B cuando el modelo es identicado.
y (t + k | t) = Q x (t + k | t) = Q[M k x (t) +
i=1
M i1 Nu(t + k i | t)]
- Ventaja:
extension directa para caso MIMO
- Desventaja:
estados sim signicado fsico; estados no medibles(observadores); complejidad de calculo del control.
Es usado en GPC,
EPSAC , EHAC
y UPC, ...
Casos particulares:
Modelo usado en
DMC :
n(t) =
e(t) 1 z 1
Modelo usado no
PFC :
n(t) =
e(t) (1 z 1 )2
Ideias:
Seguir referencia futura Ponderar o esfuerzo de control
Expresion general:
N2 Nu
J=
j=N1
(j)[y (t + j | t) w (t + j)]2 +
j=1
(j)[u(t + j 1)]2
Elementos:
Parametros: N1 , N2 , Nu , (t) y (t).
N2
Nu
J=
j=N1
(j)[y (t + j | t) w (t + j)] +
j=1
(j)[u(t + j 1)]2
Elementos:
Parametros: N1 , N2 , Nu , (t) y (t).
N1 : d + 1 mnimo
N1 permanente N1 transitorio
N2 : d + N informacion de la respuesta:ventana Nu : Nu penaliza mas futuro control mas suave y : afectan la penalizacion
control mas violento variables a lo largo del horizonte importante transitorio X permanente
Forma tpica (ltro PB de primer orden) w(t) = r (t) w(t + k ) = w(t + k 1) + (1 )r (t + k ) Idea de los controles TDOF Importancia:
Conocer el instante de variacion de la referencia (mismo no caso de r=cte) Ayudar a mejorar los transitorios. El sistema prepara-se para el cambio.
k = 1...N
En la salida:
seguridad (max/min) economa
Minimizar la funcion objetivo bajo restricciones umin u(t) umax t t t dumin u(t) u(t 1) dumax ymin y (t) ymax
P ROCESOS
CON
ATRASO
Indice
Control Predictivo Predictores en Control de Procesos Control Predictivo Basado en Modelo (CPBM) Control Predictivo Generalizado (GPC)
GPC
Conclusiones
J=
j=N1
(j)[y (t + j | t) w (t + j)]2 +
j=1
(j)[u(t + j 1)]2
Ajuste
Horizontes N1 , N2 , Nu Ponderaciones (j), (j)
Objetivo Calcular control futuro u(t), u(t + 1), ... para minimizar J
gj =
i=1
ai gji +
i=0
bi
j = 0...N 1,
Ley de Control Final: u(t) = K(w fr ) odnde K es la primera la de la matriz (GT G + I)1 GT .
Horizonte Deslizante:
u(t) es aplicado control es recalculado en (t + 1) solamente se usa la 1a. la de K !
Indice
Control Predictivo Predictores en Control de Procesos Control Predictivo Basado en Modelo (CPBM) Control Predictivo Generalizado (GPC)
GPC
Conclusiones
GPC
Tratar restricciones en el calculo del control fundamental en aplicaciones industriales Incluir sistemas con atrasos
Importante en:
industria de procesos teleoperacion economa bio-sistemas
Estudiar las propiedades del GPC cuando controla procesos con atrasos (principalmente grandes atrasos e atrasos mal estimados)
GPC
Interesa solamente y (t + d + j | t) Se considera inicialmente el modelo mas simple con T = 1 Con un procedimiento similar al ya visto se obtiene las predicciones. y (t+d +1|t) u(t) u(t1) u(t + 1) u(t2) y (t+d +2|t) =G +H . . . . . . . . . u(t+N1) u(tnb) , Escribiendo en la forma vectorial: y = G u + H u1 + S e1
y (t+d na|t)
GPC
Como obtener la nova ley de control? Nuevamente minimizando J con relacion al vector u Usando horizonte deslizante, se calcula solamente u(t) CONTROLE FINAL: u(t) = ly1 y (t+d | t)+ly2 y (t+d 1 | t)+...+lyna+1 y (t+d na | t) +lu1 u(t 1) + lu2 u(t 2) + ... + lunb u(t nb) + lr r (t) donde los coecientes lyi , lui e fi son funciones del: modelo ai , bi los parametros de control N, (i) y (i)
GPC
f1 f2 . . . + + + + + +
lu 1 z -1 + ... + lu nb z -nb
u(t)
1 1 - z -1
u(t) Processo
y(t)
w(t+d+N)
fN
+ +
ly1 ly2
. ly na+1
Se observa que: El GPC es un PO + un control primario 2 DOF El control primario no depende de la prediccion hasta t + d El control primario depende apenas del comportamiento futuro despues de t + d se podra usar otro predictor y mantener el controlador primario usando los mismos horizontes y ponderaciones.
GPC
Gn(z)
z +
-d
+ ^ y(t) -
+ R(z)
GPC
Resultados Interesantes:
el posible estudiar claramente el efecto del atraso en la estructura del GPC permite relacionar el GPC con los algoritmos de compensacion de tiempo muerto.
GPC
e(t) ,
e u f (t) =
u(t) T (z 1 )
GPC
q1(t) w + fr T(z) fr
f
q2(t) + + y(t)
u(t) K + 1/T(z)
+ P(z)
uf(t)
^ yf(t+d|t)
GPC
Gn (z 1 ) u(t) = Gn (z 1 )u f (t) T (z 1 )
GPC
C(Gn+PR)
CGn
GPC
C(Gn+PR)
CGn
GPC
A N A LISIS C OMPARATIVA
DEL
PS
GPC
Las dos posen una estructura de predictor mas control primario. Siempre e posible usar los mismos C y W en las dos estructuras. Si P = Pn y no hay perturbaciones, ambos sistemas tienen la misma respuesta cuando se usa el mismo control primario. Ambas estructuras realimentan el error de prediccion. Diferencia: F ILTRO R
DEL
P REDICTOR
GPC
PS
GPC
Indices de Robustez:
Pgpc = | 1 + CGn | 1 = Pps | CR | |R|
R - ndice comparativo de robustez: R = z dn (1 A)dn Observar: R so depende de A e do atraso d para plantas de primeira ordem: | R(j) |= (| (a1 1) a1 ej |)dn > 1 para todo se a1 < 0, condiccion que sempre se verica em procesos estaveis reais. para plantas de segunda ordem ou sistemas de polos multiplos:
GPC
E L GPC BASADO EN EL PREDICTOR DE S MITH - SPGPC Como GPC es sensble a errores de modelado en altas frecuencias Usar otro predictor.
Ventajas:
Mejor robustez e igual desempeno Mas simple de ajustar: Filtros!
Desventajas:
No puede ser usado en plantas inestbles
Implementacion:
Identico al GPC usando respuesta libre y minimizacion
GPC
EJEMPLO 1
0.12 3s N = 15, = 0.8, d = 2 e 1 + 6s
0.8
0.6
0.4
0.2
0.2 0
20
40
60
80
160
180
200
GPC
EJEMPLO 1
0.12 3s N = 15, = 0.8, d = 2 e 1 + 6s
2 0
50
100 tempo(amostras)
150
GPC
EJEMPLO 2
P(s) =
1.2
0.8
0.6
0.4
0.2
0.2 0
20
40
60
80
140
160
180
200
GPC
EJEMPLO 2
P(s) =
5
3 0
50 tempo (amostras)
100
150
GPC
GPC
EJEMPLO 3
5 y(metros)
ponto de partida
0 0
0.5
1.5
2.5 x(metros)
3.5
4.5
GPC
EJEMPLO 3
5 y(metros)
ponto de partida
0 0
5 x(metros)
10
Indice
Control Predictivo Predictores en Control de Procesos Control Predictivo Basado en Modelo (CPBM) Control Predictivo Generalizado (GPC)
GPC
Conclusiones
Conclusiones
Estudio del control de sistemas con atraso a partir de estructuras basadas en predictores. Se mostro como las estructuras de prediccion aparecen en los controladores clasicos. Se introdujo a los CPBM como generalizacion de los compensadores de tiempo muerto. Se mostro que el GPC es equivalente a un predictor optimo mas un controlador primario. Fue presentado el control predictivo generalizado basado en el predictor de Smith. Resultados de simulacion y una aplicacion real de robotica movil.