ControlePreditivo

CONTROL PREDICTIVO BASEADO EM MODELO
Dr. Julio Elas Normey Rico

Departamento de Automacao e Sistemas Universidade Federal de Santa Catarina
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
para Procesos con Atraso
Conclusiones
Indice
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
GPC
Conclusiones
Predictores en Control de Procesos
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.
Prediccion en controladores PID

La forma mas simples de prediccion puede ser encontrada en un controlador PID. Accion de control PID ideal: u(t) = Kc [e(t) + 1 Ti
t
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)

Prediccion en controladores PID
Accion derivativa como prediccion lineal del error
erro
e(t) e(t+Td) e(t)+Td de(t) dt t+Td
tempo
Caractersticas:
Variacion de e(t) lenta y Td pequeno
buena aproximacion de e(t + Td )
Variacion de e(t) rapida obliga a usar Td muy pequeno

Ajuste de Td no ofrecera una buena prediccion
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.

EJEMPLO
Pe (s) =
1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0.2 0 c b
1 eLs 1 + 1.5s
sada
4 5 6 tempo (segundos)
10

EJEMPLO
Pe (s) =
4 3.5 b 3 2.5 2 a 1.5 1 0.5 0 0.5 0 c
1 eLs 1 + 1.5s
controle
10

EJEMPLO Ajuste com o PID.
1.6 1.4 1.2 1 0.8 0.6 0.4 0.2 0 0.2 0
sada
10

EJEMPLO Ajuste com o PID.
25
20
15
controle
10
5 0
10
Cuando el PID es insuciente?

atraso es dominante (mayor 2 X cte de tiempo del proceso) sistema en lazo con respuestas rapidas. e(t) es funcion de y(t) que fue generado por u(t L) actua en t prediciendo un error en t + Td que es muy diferente de e(t + Td ) real.
PID
Aumentar Td = Error Grande!
Como mejorar esto?

Usar una prediccion mas proxima a la realidad Control ideal de plantas con atraso:
r (t )
C (s )
q (t ) u (t )
G(s )
y1 (t )
eLs
y (t )
Senal y1 no es accesible!

Predictor de Smith
Usar predictor con correccion del error:
r(t) + ^ y(t) -Lns e + u(t) C(s) q(t) + + G(s) e -Ls y(t)
^ y(t+Ln) Gn(s)
e(t)
Diagrama del Predictor de Smith - 1957 Idea el el dominio continuo discreto

restricto al control de procesos con atrasos
Ventajas del PS:

Obtener respuestas mas rapidas de que as obtenidas usando un control PID Ajuste es muy simple
EJEMPLO
P(s) = e10s (s + 1)(0.5s + 1)(0.25s + 1)(0.125s + 1)
Extension de las ideas de prediccion

por que limitar la prediccion al tiempo del atraso? por que usar predictores solo en sistemas con atraso? por que no aplicar la solucion a otras areas? CONTROL OPTIMO Optimizar una cierta funcion objetivo que es calculada en un horizonte futuro basado en el error futuro, el el control futuro y en las condiciones o restricciones.

Estrutura del CPBM
controle atual PROCESSO saida atual
controle atual
MODELO
+ saida do modelo erro atual
CALCULO DO CONTROLE
saida futura
condicoes e restricoes
Indice
GPC
Conclusiones
Control Predictivo Basado en Modelo (CPBM)

Ideas del CPBM
Utilizar un modelo explcito Minimizaccion de un objetivo Horizonte deslizante
Elementos del CPBM

El modelo de prediccion
Modelo del Proceso Modelo de las Perturbaciones
La funcion objetivo Un metodo para la obtencion de la ley de control
Algoritmos de CPBM
DMC GPC UPC

Respuesta Impulsiva. Usado en el MAC.
y(t) =
i=1
hi u(t i)
Solamente puede ser usado con plantas estables.

N
y (t) =
i=1
hi u(t i) = H(z 1 )u(t)
donde H(z 1 ) = h1 z 1 + h2 z 2 + + hN z N . Para determinar la prediccion de la salida:

N
y (t + k | t) =
i=1
hi u(t + k i | t) = H(z 1 )u(t + k | t)
- 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).

Respuesta al Escalon. Usado por el DMC.
N
y(t) = y0 +
i=1
gi u(t i) = y0 + G(z 1 )(1 z 1 )u(t)
La prediccion en el punto de funcionamiento y0 :

N
y (t + k | t) =
i=1
gi u(t + k i | t)
Recordar
i
hi = gi gi1
gi =
j=1
hj
Ventajas y Desventajas: las mismas que el modelo de respuesta impulsiva
Funcion de Transferencia. Usado en el GPC, EHAC , ... A(z 1 )y(t) = B(z 1 )u(t)
UPC , EPSAC ,
A(z 1 ) = 1 + a1 z 1 + a2 z 2 + + ana z na B(z 1 ) = b1 z 1 + b2 z 2 + + bnb z nb

Prediccion de la salida: y (t + k | t) = B(z 1 ) u(t + k | t) A(z 1 )
- 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.

Espacio de estados. Usado en el PFC. x(t) = Mx(t 1) + Nu(t 1) y(t) = Qx(t)
Prediccion calculada como:
k
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.
Otros modelos. Usados cuando no el posible usar modelos lineales.

No lineales; Redes neuronales; Logica nebulosa (fuzzy).
El Modelo de las Perturbaciones

ARIMA
(Auto-Regressive and Integrated Moving Average) n(t) = C(z 1 )e(t) D(z 1 )
D(z 1 ) incluye un integrador = 1 z 1 Permite representar la mayora de los fenomenos:

movimientos brownianos; cambios aleatorios; off-sets.
Es usado en GPC,
EPSAC , EHAC
y UPC, ...
Casos particulares:
Modelo usado en
DMC :
n(t) =
e(t) 1 z 1
Mejor prediccion (e(t) tiene media cero): n(t + k | t) = n(t)
Modelo usado no
PFC :
n(t) =
e(t) (1 z 1 )2
n(t + k | t) = n(t) + (n(t) n(t 1))k

Respuesta libre e forzada Idea:
Respuesta obtenida con control futuro nulo (RESPUESTA LIBRE) Respuesta con control futuro impuesto y condiciones iniciales nulas (RESPUESTA FORZADA) Cual es o control futuro que debe ser aplicado para que la respuesta sea la deseada? Si la respuesta LIBRE es apropiada MANTENER CONTROL FUTURO CERO Si la respuesta LIBRE no es apropiada MODIFICAR CONTROL FUTURO Como modicar o control?
Minimizando un ndice que considere: error de seguimiento de la referencia esfuerzo de control.

F UNCI ON O BJETIVO
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

Trayectoria de referencia:
Si la trayectoria es conocida ventaja del MBPC Ex: robotica,. servoaccionamiento, batch... Usar:
Real trayectoria w(t + k) = r (t + k) w(t + k): Aproximacion mas suave
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

Restricciones:
No control:
saturacion slew-rate maximo rango de actuacion
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
Algoritmos de Optimizacion Complexos

Grande utilidad en la industria; Motivo del suceso del DMC y MAC en la industria petroqumica.

C ONTROLE P REDICTIVO
DE
P ROCESOS
CON
ATRASO
Diferencias de los algoritmos CPBM

El modelo ARIMA es mas general Los modelos respuesta escalon e impulsiva necesitan de muchos parametros cuando el atraso e grande Los modelos parametricos permiten dejar el atraso evidencia en el modelo
Ventajas del algoritmo GPC

El modelo es general El atraso es representado por z d Permite usar polinomios de ltrado para mejorar robustez y rechazo de perturbaciones
El estudio podra ser hecho tambien con otros algoritmos de CPBM.
Indice
GPC
Conclusiones
Control Predictivo Generalizado (GPC)

Algoritmo de control GPC
Modelo para calculo de predicciones A(z 1 )y(t) = z d B(z 1 )u(t 1) + C(z 1 ) e(t) D(z 1 )
A, B, C y D polinomios en funcion del operador atraso z 1 Funcion Objetivo

N2 Nu
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
Calculo de las Predicciones

GPC utiliza la prediccion optima: y (t + j/t) = E (y(t + j))
Como obtener y (t + j/t) optimo?

Se no hay perturbaciones: A(z 1 )y (t) = z d B(z 1 )u(t 1) Cuando hay perturbaciones Usar a informacion de e(t)

Ecuacion Diofantina (A(z 1 ) = A(z 1 )) 1 = Ej (z 1 )A(z 1 ) + z j Fj (z 1 )
Ej e Fj : ordenes j 1 y na, respectivamente.

Division de 1 por A(z 1 ) Resto = z j Fj (z 1 ) Quociente= Ej (z 1 )
Modelo: A(z 1 )Ej (z 1 )y(t + j) = Ej (z 1 )B(z 1 ) u(t + j d 1) + Ej (z 1 )e(t + j)

Prediccion y(t + j): y(t + j) = Ej (z 1 )B(z 1 ) u(t + j d 1) +Ej (z 1 )e(t + j) + Fj (z 1 )y(t) Observar que Ej (z 1 ) esta en el futuro ya que grau(Ej ) = j 1 Mejor prediccion para y(t + j) en el sentido estocastico: y (t + j | t) = Gj (z 1 ) u(t + j d 1) + Fj (z 1 )y(t) donde Gj (z 1 ) = Ej (z 1 )B(z 1 ) Calculos de los polinomios Ej e Fj
recursivamente directamente - division de 1 por A(z 1 )

Prediccion Optima: Combinacion lineal de las salidas anteriores del proceso (de t a t na) y de los controles pasados e futuros. Predicciones Optimas no Horizonte N y (t + d + 1 | t) = Gd+1 u(t) + Fd+1 y(t) y (t + d + 2 | t) = Gd+2 u(t + 1) + Fd+2 y(t) . . . y (t + d + N | t) = Gd+N u(t + N 1) + Fd+N y(t)

Forma Vectorial y = Gu + F(z 1 )y(t) + G (z 1 ) u(t 1) Respuesta libre fr + respuesta forzada y = Gu + fr y = Gu - respuesta obtenida si las condiciones iniciales son nulas; y = fr - respuesta obtenida si el control futuro es cero.

MATRICES PARA CALCULO DE LAS PREDICCIONES Fd+1 (z 1 ) y (t + d + 1 | t) y (t + d + 2 | t) Fd+2 (z 1 ) y = F(z 1 ) = . . . . . . 1 ) y (t + d + N | t) Fd+N (z u(t) g0 0 ... 0 u(t + 1) g1 g0 ... 0 u = G= . . . . . . . . . . . . . . . u(t + N 1) gN1 gN2 ... g0 1 ) g )z (Gd+1 (z 0 (Gd+2 (z 1 ) g0 g1 z 1 )z 2 G (z 1 ) = . . .
(Gd+N (z 1 ) g0 g1 z 1 gN1 z (N1) )z N

Calculo del control en la practica
Matriz G es la respuesta al ESCALON calculada como:
j j1
gj =
i=1
ai gji +
i=0
bi
j = 0...N 1,
Como calcular u optimo?

Caso simple: (j) = 1 y (j) = constantes. Error de prediccion: y w J = (y w)T (y w) + uT u J = (Gu + fr w)T (Gu + fr w) + uT u J = (Gu + fr w)T Q (Gu + fr w) + uT Q u

Forma nal del control en la practica
Forma Cuadratica: J= donde: 1 T u Hu + bT u + f0 2
H = 2(GT G + I) bT = 2(fr w)T G f0 = (fr w)T (fr w)
Calculo del Controle: u = H1 b = (GT G + I)1 GT (w fr ) Algoritmo de Horizonte Deslizante:

unicamente u(t) e aplicada
Ley de Control Final: u(t) = K(w fr ) odnde K es la primera la de la matriz (GT G + I)1 GT .

Diagrama de bloques del sistema en lazo cerrado
controle atual w + saida atual K PROCESSO
fr Calcula resposta livre
Horizonte Deslizante:
u(t) es aplicado control es recalculado en (t + 1) solamente se usa la 1a. la de K !
Indice
GPC
Conclusiones
GPC
Ventajas Principales: Considerar referencias futuras

Importante en:
robotica robotica movil batch processes
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 +N|t) y (t + d |t) y (t+d 1|t) +S . . .
y (t+d na|t)
GPC

Nuevamente y = G u + fr Ahora fr esta en funcion de y (t + d | t)
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

ESQUEMA DE CONTROL
w(t+d+1) w(t+d+2)
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
^ y(t+d/t) ^ y(t+d-1/t) Preditor Otimo ^ y(t+d-na/t)
. 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

ESQUEMA DE CONTROLE Modelo del proceso Pn (z) = Gn (z)z d = Un ltro R(z) = ((1 A(z 1 ))z)d
B(z 1 )z 1d A(z 1 )
C(z) y W (z) representan el controlador primario 2 DOF:

q(t) w(t) W(z) + u(t) C(z) + + PROCESS0 y(t)
Gn(z)
z +
-d
+ ^ y(t) -
^ y(t+d/t) Preditor otimo
+ R(z)
GPC
Analisis del Esquema de Control

Estructura de control es equivalente a la de un compensador de tiempo muerto con dos grdos de libertad, como el predictor de Smith con un ltro de referencia. La inclusion del polinomio T en el modelo CARIMA como parametro de ajuste permite modicar R(z). La estructura de R dene as caractersticas de control para un dado conjunto de parametros (horizontes y ponderaciones)
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

F ILTRADO - P OLINOMIO T Idea original: A(z 1 )y(t) = z d B(z 1 )u(t 1) + T donde T describe las perturbaciones. Inconvenientes:
difcil de estimar modica la robustez.
e(t) ,
Usar T (z 1 ) como parametro de proyecto para modicar robustez.

A(z 1 )y f (t) = z d B(z 1 )u f (t 1) + y f (t) =
y (t) T (z 1 ) e(t)
e u f (t) =
u(t) T (z 1 )
Con los polinomios A e B, se calcula la ganancia del control K que no depende de T ;
GPC
Sistema de Controle Resultante
q1(t) w + fr T(z) fr
f
q2(t) + + y(t)
u(t) K + 1/T(z)
+ P(z)
1/T(z) + Gn(z) + z -d R(z) preditor otimo yf(t)
uf(t)
calculo da resposta livre
^ yf(t+d|t)
GPC
Observar: Si el modelo el perfecto y no hay perturbaciones: y f (t + d | t) =

f no depende de T
Gn (z 1 ) u(t) = Gn (z 1 )u f (t) T (z 1 )
Cuando hay errores de modelado y perturbaciones:

T ltra los errores siempre que F (z 1 ) = Actua como ltro pasa baja 1 T (z 1 )
ajuste de T no es simple ni intuitivo
GPC

A N A LISIS DA E STABILIDAD ROBUSTA P descrita por P = Pn + P, donde P= error de modelado y Pn = planta nominal. Funcion de transferencia de lazo cerrado: CP CP Hr = = 1 + C(Gn + R(P Pn )) 1 + C(Gn + RP) Ecuacion caracterstica: 1 + C(Gn + RP) = 0
Imag -1 -1-CGn CGn C PR Real
C(Gn+PR)
CGn
GPC

Estabilidad en lazo cerrado: | P(j) | gpc P() = | 1 + C(j)Gn (j) | [0, ] | C(j)R(j) |
Imag -1 -1-CGn CGn C PR Real
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

A N A LISIS C OMPARATIVA
DEL
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.
Caractersticas del SPGPC

Misma funcion objetivo que GPC Predictor de Smith Filtros pasa bajas para mejorar la robustez
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

Pe (s) =
1.2
EJEMPLO 1
0.12 3s N = 15, = 0.8, d = 2 e 1 + 6s
1 variacao de temperatura (graus celsius)
0.8
0.6
0.4
0.2
0.2 0
20
40
60
80
100 120 140 tempo(amostras)
160
180
200
GPC

Pe (s) =
4
EJEMPLO 1
0.12 3s N = 15, = 0.8, d = 2 e 1 + 6s
3 variacao de temperatura (graus celsius)
2 0
50
100 tempo(amostras)
150
GPC

k0 etd s N = 15, = 3 1 + k1 s + k2 s2
EJEMPLO 2
P(s) =
1.2
saida para o GPC() e o SPGPC()
0.8
0.6
0.4
0.2
0.2 0
20
40
60
80
100 120 tempo (amostras)
140
160
180
200
GPC

k0 etd s N = 15, = 3 1 + k1 s + k2 s2
EJEMPLO 2
P(s) =
5
3 saida para o GPC() e o SPGPC()
3 0
50 tempo (amostras)
100
150
GPC
EJEMPLO 3 El seguimiento de trayectorias (ST) es un de los

temas mas importantes en el campo de la robotica movil. Menor error con mnimo esfuerzo (energa) Caminos de aproximacion Modelos lineales simples Controle robusto
GPC

N = 15, = 0.5, e + 1, = 0.5
8
EJEMPLO 3
5 y(metros)
ponto de partida
0 0
0.5
1.5
2.5 x(metros)
3.5
4.5
GPC

N = 15, = 0.5, e + 1, = 0.5
8
EJEMPLO 3
5 y(metros)
ponto de partida
0 0
5 x(metros)
10
Indice
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.

ControlePreditivo

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ControlePreditivo

Cargado por

Copyright:

Formatos disponibles

CONTROL PREDICTIVO BASEADO EM MODELO

Dr. Julio Elas Normey Rico

para Procesos con Atraso

para Procesos con Atraso

para Procesos con Atraso

Predictores en Control de Procesos

Predictores en Control de Procesos

Prediccion en controladores PID

Predictores en Control de Procesos

e(t) e(t+Td) e(t)+Td de(t) dt t+Td

Variacion de e(t) rapida obliga a usar Td muy pequeno

Predictores en Control de Procesos

Predictores en Control de Procesos

Predictores en Control de Procesos

Predictores en Control de Procesos

Predictores en Control de Procesos

Predictores en Control de Procesos

Cuando el PID es insuciente?

Aumentar Td = Error Grande!

Predictores en Control de Procesos

Como mejorar esto?

Predictores en Control de Procesos

Diagrama del Predictor de Smith - 1957 Idea el el dominio continuo discreto

Predictores en Control de Procesos

Ventajas del PS:

Predictores en Control de Procesos

Predictores en Control de Procesos

Extension de las ideas de prediccion

Predictores en Control de Procesos

+ saida do modelo erro atual

para Procesos con Atraso

Control Predictivo Basado en Modelo (CPBM)

Elementos del CPBM

La funcion objetivo Un metodo para la obtencion de la ley de control

Control Predictivo Basado en Modelo (CPBM)

Solamente puede ser usado con plantas estables.

hi u(t i) = H(z 1 )u(t)

donde H(z 1 ) = h1 z 1 + h2 z 2 + + hN z N . Para determinar la prediccion de la salida:

hi u(t + k i | t) = H(z 1 )u(t + k | t)

Control Predictivo Basado en Modelo (CPBM)

Control Predictivo Basado en Modelo (CPBM)

gi u(t i) = y0 + G(z 1 )(1 z 1 )u(t)

La prediccion en el punto de funcionamiento y0 :

Ventajas y Desventajas: las mismas que el modelo de respuesta impulsiva

Control Predictivo Basado en Modelo (CPBM)

A(z 1 ) = 1 + a1 z 1 + a2 z 2 + + ana z na B(z 1 ) = b1 z 1 + b2 z 2 + + bnb z nb

Control Predictivo Basado en Modelo (CPBM)

Control Predictivo Basado en Modelo (CPBM)

Control Predictivo Basado en Modelo (CPBM)

Otros modelos. Usados cuando no el posible usar modelos lineales.

Control Predictivo Basado en Modelo (CPBM)

El Modelo de las Perturbaciones

(Auto-Regressive and Integrated Moving Average) n(t) = C(z 1 )e(t) D(z 1 )

D(z 1 ) incluye un integrador = 1 z 1 Permite representar la mayora de los fenomenos:

Control Predictivo Basado en Modelo (CPBM)

Mejor prediccion (e(t) tiene media cero): n(t + k | t) = n(t)

n(t + k | t) = n(t) + (n(t) n(t 1))k

Control Predictivo Basado en Modelo (CPBM)

Minimizando un ndice que considere: error de seguimiento de la referencia esfuerzo de control.

Control Predictivo Basado en Modelo (CPBM)

Control Predictivo Basado en Modelo (CPBM)

Control Predictivo Basado en Modelo (CPBM)

Control Predictivo Basado en Modelo (CPBM)