Implementación de un algoritmo de control predictivo en espacio de estados sobre una plataforma de simulación desarrollada en Matlab

Implementación de un algoritmo de control predictivo en espacio de estados sobre una plataforma de simulación desarrollada en Matlab®

Julio Zambrano, Ana González

Resumen


El control predictivo basado en modelo (MPC) esuna metodología que se enmarca dentro de la ingeniería de control moderno y que desde sus inicios ha venido evolucionando como una herramienta capaz de mitigar mayormente los problemas que enfrenta la industria desde el enfoque de la teoría de control. En su esencia la estrategia de control predictivo hace uso de un modelo matemático interno y de una estrategia de optimización para predecir las salidas del sistema dentro de un intervalo de tiempo al que se le denomina horizonte de predicción. La formulación que sustenta el algoritmo demanda un coste computacional elevado y es por ello que desde sus inicios esta estrategia ha tenido su nicho de implementación en ordenadores que agilicen y soporten un cálculo matricial considerable. En el presente artículo se detalla el análisis matemático y el procedimiento para la implementación de un algoritmo de control predictivo bajo Matlab®, además, se presenta los resultados de la aplicación a una planta de simple entrada y simple salida (SISO) y a una planta de múltiples entradas y múltiples salidas (MIMO). En ambos casos se incorporan restricciones a las variables del proceso, atendiendo a una de las características más atractivas de esta estrategia.

Palabras clave


Espacio de estados; integrador embebido; optimización; restricciones.

Texto completo:

PDF

Referencias


J. Richalet, A. Rault, J. Testud, and J. Papon,“Model predictive heuristic control: Applications to industrial processes,” Automatica, vol. 14, no. 5, pp. 413–428, 1978.

C. Roos, T. Terlaky, and J.-P. Vial, Theory and algorithms for linear optimization: an interior point approach. Wiley Chichester, 1997.

S. J. Qin and T. A. Badgwell, “A survey of industrial model predictive control technology,” Control engineering practice, vol. 11, no. 7, pp. 733–764, 2003.

E. F. Camacho, C. Bordons, E. F. Camacho, and C. Bordons, Model predictive control. Springer London, 2004, vol. 2.

J. M. Maciejowski, Predictive Control: With Constraint.Pearson education, 2002.

L. Wang, Model Predictive Control System Design and Implementation Using MATLAB®. Springer Verlag, 2009.

A. Grancharova and T. A. Johansen, Explicit nonlinear model predictive control: Theory and applications. Springer Verlag, 2012, vol. 429.

L. Grüne and J. Pannek, Nonlinear Model Predictive Control. Springer, 2011.

B. Kouvaritakis and M. Cannon, Non-Linear Predictive Control: Theory and Practice, ser. IEE Monographs. Institution of Engineering and Technology, 2001.

C. R. Cutler and B. Ramaker, “Dynamic matrix control-a computer control algorithm,” in Proceedings of the joint automatic control conference, vol. 1. University of Michigan Ann Arbor, MI,

, pp. Wp5–B.

U.-C. Moon and K. Y. Lee, “Step-response model development for dynamic matrix control of a drum-type boiler–turbine system,” IEEE Transactions on Energy Conversion, vol. 24, no. 2, pp. 423–430, 2009.

D. W. Clarke, C. Mohtadi, and P. Tuffs, “Generalized predictive control—part i. the basic algorithm,” Automatica, vol. 23, no. 2, pp. 137–148, 1987.

E. Camacho, “Constrained generalized predictive control,” IEEE Transactions on Energy Conversion, vol. 38, no. 2, pp. 327–332, 1993.

D. W. Clarke, “Application of generalized predictive control to industrial processes,” IEEE Control Systems Magazine, vol. 8, no. 2, pp. 49–55, 1988.

ASPENTECH, “DMCplus: A powerful, proven multivariable controller for maintaining processes at their optimal operating point,” 2012. [Online]. Available: http://www.aspentech.com/products/ aspendmcplus.aspx

——, “DMCplus TM,” 2012. [Online]. Available: http://www.aspentech.com.

S. Goodhart, “Dmcplustm model predictive control applications,” in Model Predictive Control: Techniques and Applications - Day 2 (Ref. No. 1999/096), IEE Two-Day Workshop on, 1999, pp. 6/1–6/6.

ASPENTECH and Valero Energy Corporation,“Valero Implements APC Solution to Manage Stock Switches, Reducing Product Downgrades by 400Mper Year,” 2010.

Honeywell International Inc., “Control Performance Solutions: Profit Controller,” 2012.[Online]. Available: www.honeywellprocess.com/en-us/explore/products/[20] ——, “Profit Controller Multivariable Control and Local Optimization Technology,” 2012.

S. Yoo, T. Kim, B. Choi, S. Ahn, J. Yoon, S. Seo,and H. Kim, “Optimized model predictive control of commercial btx plant using profit® controller,” in SICE-ICASE, 2006. International Joint Conference. IEEE, 2006, pp. 1341–1344.

N. Moldoványi and J. Abonyi, “Control of a continuous vacuum crystalliser in an industrial environment: A feasibility study–comparision pid to model predictive control solution,” Hungarian Journal of Industrial hemistry, 2008.

ABB, “cpmPlus Expert Optimizer:Overview,” 2012. [Online]. Available:www.abb.com/product/db0003db004001/aeb109afc47df071852576170049499e.aspx

G. Welch and G. Bishop, “An introduction to the kalman filter,” 1995. [Online]. Available:http://www.cs.unc.edu/~welch/media/pdf/kalman_intro.pdf

D. Castagnoli, M. Kiener, and E. Gallestey, “Rentabilidad del cemento: hacia la optimización total de las plantas industriales de minerales y cemento,”Revista ABB, no. 4, pp. 59–62, 2006.

M. Lundh and S. Gaulocher, “Model predictive control for flotations plants,” 2008.

D. Xue, C. Zhao, and Y. Chen, “Fractional order pid control of a dc-motor with elastic shaft: a case study,” in American Control Conference. IEEE,2006, p. 6.




DOI: http://dx.doi.org/10.17163/ings.n9.2013.01

Copyright (c) 2016 Universidad Politécnica Salesiana

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.

INDIZACIONES PRINCIPALES

   Resultado de imagen para logo redib logo

   

© 2017, Universidad Politécnica Salesiana del Ecuador