Control Avanzado de Procesos

TEMA 4: CONTROL AVANZADO
DE PROCESOS
ndice
Compensacin del retardo
Control predictivo
Control adaptativo
Control multivariable
ndice
Control predictivo
Control adaptativo

Estrategia de control predictivo: forma de predecir
el comportamiento futuro del proceso para generar
seales de control que mejoren el rendimiento del
controlador.
Especialmente til cuando el sistema tiene retardo:
Uso de reglas de Ziegler-Nichols

controlador con baja Kp y elevado Ti
el proceso controlado es muy lento

Ejemplo:
P (s ) =
1 4s
e
s +1
Ziegler-Nichols
1
!
"
PID(s ) = 0.3 # 1 +
+ 2s $
% 8s
&
Solucin:
Predictor de Smith (PS)

Predictor de Smith: Principio de funcionamiento


C0
C=
1 + C0 (P0
Gyysp
P )
C0 P
=
1 + C0 (P0 P ) + C0 P

C0
C=
1 + C0 (P0
Gyysp
P )
C0 P
=
1 + C0 (P0 P ) + C0 P
U = C0 (E
P0 (1
Ls
)U )
Prediccin del efecto del control en la salida en intervalo (t-L,t)


Se puede interpretar como una conexin en cascada
de un controlador convencional C0 y un bloque con:
Se disea para el
sistema sin retardo

Predictor de Smith: Ejemplo
1. PID para sistema con retardo
!
!
1
!
"
PID(s ) = 0.3 # 1 +
+ 2s $
% 8s
&
2. SP + PID para sistema con retardo

3. SP + PI para sistema sin retardo
PI (s ) = 1 +
1 4s
P (s ) =
e
s +1
1
s

Predictor de Smith: Ejemplo
1. PID para sistema con retardo

2. SP + PID para sistema con retardo
3. SP + PI para sistema sin retardo

Predictor de Smith: Anlisis
Estabilidad: los polos del proceso en lazo cerrado se
obtienen a partir de
!

Respuesta ante perturbaciones de carga:

!
!
Si la perturbacin ocurre en un instante t=0,

la respuesta del sistema en intervalo 0 t < L
es la misma que en lazo abierto.

1) P(s) estable con ganancia esttica K y C0(s) con accin
integral (ganancia integral, ki):
!
!
!
!
no existe error en rgimen permanente para cambios en escaln en
las perturbaciones de carga

2) P(s) con polo en el origen (
)y
existir error en rgimen permanente la recuperacin frente

a perturbaciones de carga ser muy lenta para procesos con
dinmicas lentas


En frecuencia: la FdT del lazo es



Predictor de Smith: Anlisis - Margen de retardo
P
1
K
sL
<
P (s) =
e
P
|T |
1 + sT
ln P = ln K
ln(1 + sT )
dP
dK
s
=
dT sdL
P
K
1 + sT
dK
sT dT
dL
=
sL
K
1 + sT T
L
sL
dP
dL
' !L
P
L
dL
1
<
L
!L|T |

P (s) =
K
e
1 + sT
sL
ln P = ln K
ln(1 + sT )
dP
dK
s
=
dT sdL
P
K
1 + sT
dK
sT dT
dL
=
sL
K
1 + sT T
L
dm
P
1
<
P
|T |
sL
dP
dL
' !L
P
L
dL
1
<
L
!L|T |
dL
1
= max
< max
L
!L|T |

P (s) =
K
e
1 + sT
sL
ln P = ln K
ln(1 + sT )
dP
dK
s
=
dT sdL
P
K
1 + sT
dK
sT dT
dL
=
sL
K
1 + sT T
L
dm
P
1
<
P
|T |
sL
dP
dL
' !L
P
L
dL
1
<
L
!L|T |
dL
1
= max
< max
L
!L|T |

A continuacin nos vamos a centrar en algunas
modificaciones del PS:
Predictor PPI simplificacin del PS
1er orden con retardo (L) >> constante
para sistemas de
de tiempo (T)
Predictor para procesos integradores modificacin
del SP para resolver sus inconvenientes:
No puede utilizarse con procesos inestables, y

Posee error en rgimen permanente frente a perturbaciones
de carga para procesos con integracin

Predictor PPI:
P0

Predictor PPI:
Kp 1 + sTi
,
Ti
s
T
T i = T ; Kp =
Tcl K
C0 (s) =
P0
Tcl es el tiempo de
respuesta deseado del
sistema en lazo cerrado.
Compromiso entre:
Robustez Tcl /L
Rapidez inverso a
Tcl

Predictor PPI:
P0
C0 (s)
C(s) =
1 + C0 (s)(P0 (s)
C0 (s)
=
1 + C0 (s)P0 (s)(1
1 + sT
=
KTcl s 1 +
1
1
sTcl (1
P (s))
e
sL )
sL )

Predictor PPI:
P0
C0 (s)
C(s) =
1 + C0 (s)(P0 (s)
C0 (s)
=
1 + C0 (s)P0 (s)(1
1 + sT
=
KTcl s 1 +
1
1
sTcl (1
P (s))
e
sL )
sL )

Predictor PPI:
P0
C0 (s)
C(s) =
1 + C0 (s)(P0 (s)
C0 (s)
=
1 + C0 (s)P0 (s)(1
1 + sT
=
KTcl s 1 +
1
1
sTcl (1
P (s))
e
sL )
sL )

Predictor PPI:

Predictor PPI vs predictor de Smith: Ejemplo
PPI con Tcl = 0.5
1. Estructura SP
2. Estructura aproximada (P0 ' K)
! 1"
PI (s ) = 2 # 1 + $
% s&

Predictor PPI vs predictor de Smith: Ejemplo
ref
SP
PPI
T (C)
0.8
0.6
0.4
PPI con Tcl = 0.5

1. Estructura SP
0.2
0
0
2. Estructura aproximada (P0 ' K)
10
15
20
25
Tiempo (s)
30
35
40
45
50

Predictor para procesos integradores:
Error cero en rgimen permanente frente a
perturbaciones de carga:

Error cero en rgimen permanente frente a
perturbaciones de carga:
Estimacin de perturbacin



1.4
ref
SP
SPI
1.2
1
T (C)
0.8
0.6
0.4
0.2
0
0
10
20
30
Tiempo (s)
40
50
ndice
Control predictivo
Control adaptativo
Control predictivo basado en modelo

Utilizado en plantas qumicas y refineras desde los 80s para
responder a las condiciones cambiantes del mercado.
Responder a todos los aspectos de la automatizacin del
proceso de toma de decisiones:
Medidas
Control: satisfaccin de criterios de operacin:
Nivel 1: lazos simples
Nivel 2: proceso
Optimizacin: satisfaccin de objetivos econmicos
Logstica: localizacin de recursos y programacin de
plantas

Criterios prcticos de comportamiento:
Econmicos:
variables de proceso en objetivos dictados por
optimizacin
minimizacin de funcin de coste
Seguridad o ambiente: algunas variables de proceso no
violar lmites especificados
Equipamiento: control no llevar al proceso a las limitaciones
fsicas del equipamiento
Calidad: satisfacer las especificaciones de los consumidores
Preferencias: Modos preferidos de operacin

En la prctica, el punto de operacin de una planta
que satisface los objetivos globales del proceso est
en la interseccin de las restricciones.
Para tener xito, el sistema de control tiene que
anticipar la violacin de las restricciones y corregir
de forma sistemtica para que esto no ocurra.
Prctica usual: ignorar las restricciones en el diseo y
corregir ad hoc durante la implementacin.
Necesaria metodologa para manejar restricciones
de forma sistemtica durante diseo e
implementacin del control: MPC.

MPC
Estrategia de control multivariable que utiliza:
un modelo dinmico del proceso
la historia de los pasados cambios en el control y
la optimizacin de una funcin de coste, J, sobre un
horizonte de prediccin en retroceso
para calcular los cambios de control ptimos.

MPC
Estrategia de control multivariable que utiliza:
un modelo dinmico del proceso
la historia de los pasados cambios en el control
y
la optimizacin de una funcin de coste, J,
sobre un horizonte de prediccin en retroceso
para calcular los cambios de control ptimos.
J=
N
X
i=1
i (ri
xi )2 +
N
X
i=1
i u2i

1.
2.
3.
4.
5.
Obtener un modelo del proceso.

En el instante t, se observan las entradas y las salidas
pasadas del proceso u e y. El comportamiento futuro
del proceso se predice suponiendo que el modelo del
proceso y las seales de control futuras uf = u(), t
< t + th son conocidas (th: horizonte de prediccin).
Se calcula la seal de control uf para obtener el
comportamiento futuro deseado (normalmente
mediante un modelo matemtico).
Se aplica la parte inicial de la seal de control uf en
el intervalo [t, t + h].
Problema de optimizacin:
Modificar el tiempo a t + h, y repetir el
minimizar la desviacin entre el
procedimiento desde el paso 2.
comportamiento actual y el deseado,
posiblemente con penalizacin sobre
seales de control

MPC
Se basa en la prediccin del comportamiento futuro
del proceso utilizando un modelo del proceso y la
optimizacin del comportamiento del sistema sobre
un horizonte finito de tiempo.
La realimentacin se obtiene aplicando la parte
inicial de la seal de control y repitiendo el proceso
sobre un horizonte de tiempo desplazado (control de
horizonte en retroceso o de horizonte mvil).
La mayora de los controladores predictivos se han
desarrollado para sistemas muestreados.

Ejemplo:
!
Comportamiento pasado:
Prediccin valores futuros de la salida en funcin de las seales de control

futuras:
Comportamiento futuro deseado como trayectoria: yd

Funcin de coste que penaliza las desviaciones:
min
!
!
(pueden existir restricciones sobre las entradas y las salidas del proceso
y sobre el incremento de la seal de control)
!
!
Aplicacin de u(t) y repeticin del procedimiento en cada muestreo
u(t) = F (y(t), y(t

u(t
h), u(t
h), ...., y(t
nh),
2h), ..., u(t
nh))

Ejemplo 1: sistema de primer orden
!
Trayectoria deseada:
Igualando
con
Resolviendo la ecuacin para
!
PI

Ejemplo 2: sistema de primer orden con retardo
!
!
!
Trayectoria
deseada:
Suponiendo
Igualando
!
min
con

K
P (s) =
e
1 + Ts
Ls
K = 1; T = 10; L = 4.
1
Gyysp (s) =
e
1 + Tcl s
L
h= ;
n
C(q
)=
4s
h
;
Tcl
Tcl ;
b=1
K(1
(1 b)(1
a)(1 bq 1
aq
(1
a=1
1
)
b)q
h
;
T
u
=
(n+1) )
e

P (s) =
K
e
1 + Ts
Ls
Gyysp (s) =
h=
L
;
n
C(q
)=
K = 1; T = 10; L = 4.
1
e
1 + Tcl s
4s
h
;
Tcl
Tcl ;
b=1
K(1
(1 b)(1
a)(1 bq 1
aq
(1
a=1
h
;
T
)
b)q
(n+1) )
u
e

P (s) =
K
e
1 + Ts
Ls
Gyysp (s) =
h=
L
;
n
C(q
)=
K = 1; T = 10; L = 4.
1
e
1 + Tcl s
4s
h
;
Tcl
Tcl ;
b=1
K(1
(1 b)(1
a)(1 bq 1
aq
(1
a=1
h
;
T
)
b)q
(n+1) )
u
e

P (s) =
K
e
1 + Ts
Ls
Gyysp (s) =
h=
L
;
n
C(q
)=
K = 1; T = 10; L = 4.
1
e
1 + Tcl s
4s
h
;
Tcl
Tcl ;
b=1
K(1
(1 b)(1
a)(1 bq 1
aq
(1
a=1
h
;
T
)
b)q
(n+1) )
u
e

Control de matriz dinmica (DMC):
Modelo como respuesta impulsional:
! !
!!Funcin de coste:
!!
!!
!!
!!
!!
!
Inconveniente: puede ser necesario un gran n de parmetros si la dinmica del proceso es muy lenta.
Generalizado a control cuadrtico de matriz dinmica (QDMC): puede incluir restricciones sobre la
seal de control.

Estrategia:
1. Prediccion
2. Optimizacion online
3. Implementacion horizonte en retroceso

Estrategia:
1. Prediccion
1. Prediccion
Modelo de la planta: xk+1 = f (xk , uk )
Simulacion:
Secuencia entradas futuras: uk = [uk|k
Trayectoria futura: xk = [xk|k
uk+1|k uk+N
xk+1|k xk+N |k ]T
T
1|k ]

Estrategia:
1. Prediccion
2. Optimizaci
on
J=
N
X
i=1
Funci
on de coste: Jk =
i (ri
PN
xi )2 +
N
X
i u2i
i=1
i=0 gi (xk+i|k , uk+i|k )
Soluci
on numerica: minuk Jk ! uk : secuencia optima

Estrategia:
1. Prediccion
3. Implementacion
Usar primer elemento de uk : entrada de la planta: uk = uk|k
Repetir pasos 13 en siguiente periodo de muestreo

1. Prediccion
Modelo de la planta: xk+1 = f (xk , uk )
Simulacion:
Secuencia entradas futuras: uk = [uk|k
uk+1|k uk+N
Trayectoria futura: xk = [xk|k xk+1|k xk+N |k ]T

2. Optimizacion
PN
Funci
on de coste: Jk = i=0 gi (xk+i|k , uk+i|k )
Soluci
on numerica: minuk Jk ! uk : secuencia
optima
3. Implementaci
on
Usar primer elemento de uk : entrada de la planta: uk = uk|k

Repetir pasos 13 en siguiente periodo de muestreo
T
1|k ]

Ventajas
Modelo de planta generalizado
Lineal, no lineal,
monovariable, multivariable,
determinstico, estoc
astico
Posibilidad de restricciones en entradas y estados
actuador, seguridad, economa, ...
Comportamiento lazo cerrado '
optimo
Desventajas
Requiere optimizaci
on online: coste computacional
ndice
Control predictivo
Control adaptativo
Control adaptativo
Estrategia de control para procesos con caractersticas
variables en el tiempo o con distintas condiciones de
operacin.
!
Controlador
con parmetros
ajustables
y un mecanismo
!
de
! ajuste de parmetros.
Es necesario conocimiento
previo del proceso.
Control adaptativo
Dos tipos:
Mtodos
directos
Mtodos
indirectos
los parmetros del controlador se ajustan directamente a partir de

los datos de operacin en lazo cerrado
los parmetros del controlador se obtienen mediante

1) actualizacin del modelo del proceso en lnea
2) aplicacin de algn mtodo de diseo
Control adaptativo
A continuacin vamos a ver diferentes esquemas de
control adaptativo:
Autosintona.
Control
de ganancia programada.
Control por modelo de referencia.
Control adaptativo
Autonsintona:
Somete al proceso a una serie de experimentos para:
Obtener informacin (test del rel)

Sintonizar el controlador con esa informacin
Es ampliamente utilizada en los controladores PID.

Genera una oscilacin
de ciclo lmite medir el
perodo y la amplitud de
la oscilacin a partir
de ellos, calcular los
parmetros del controlador
PID
Control adaptativo
Control adaptativo
r
4d
N (A) =
1
A
j
A
Control adaptativo
r
4d
N (A) =
1
A
j
A
Condicion de oscilacion:
1
G(j!) = N (A)
Informacion del proceso
4d
Ku = A
, Pu
Control adaptativo
Control de ganancia programada:
Cuantificar cmo deben cambiarse los parmetros del
controlador ante cambios en las caractersticas del proceso.
2. Dividir el rango de operacin.
3. Definir una funcin de coste a minimizar.
4. Obtener la tabla de ganancias o ecuacin (por ej., mediante
simulaciones del proceso con cambios).
Muy utilizado para PIDs.
1.
Control adaptativo
Ejemplo: control de velocidad
!
!
!
!
!
PI( s ) = 0.09 +
1) Anlisis de la red
0.025
Gv ( s ) =
distribucin del retardo
!
2) Esquema de simulacin
del sistema
Distribucin
obtenida
4.39
s + 0.1746
Control adaptativo
3) Clculo valores ptimos de beta (mediante simulaciones)
max = f(net) mediante el criterio de Nyquist
J = 0.35 J 1 + 0.65 J 2
J 1 : sobreimpulso
!0.8tr si tr > tr0
J2 = "
$0.2tr si tr tr0
J en funcin de net
op = f(net)
Implementacin
en Simulink
Control adaptativo
4) Resultados
Retardo fijo: net = 0.2 s
Retardo variable: net [0.2,0.4] s
Mejora del 55.77% en error de velocidad
Mejora del 83.85% en error de velocidad
Control adaptativo
Control adaptativo por modelo de referencia:
Introduce un modelo en lazo cerrado (o trayectoria) de cmo
debe responder el proceso frente a cambios en el punto de
consigna.
Mtodo de ajuste a partir
de una funcin de coste
(por ej., la integral del
error al cuadrado).
Control adaptativo
Regla MIT:
1 2
e ( ), donde e = y ym
2
d
J
e
=
= e
Controlador adaptativo con prealimentacin
dt
J( ) =
e = y ym = KG( s )U( s ) Gm ( s )U c ( s ) = KG( s )U( s ) K0 G( s )U c ( s )
e
K
= KG( s )U c ( s ) =
ym
K0
d
K
= e
ym = # ym e
dt
K0
Control adaptativo
Ejemplo:
Control adaptativo
Ejemplo:
1.2
ref
Modelo
Sistema
y / ym
0.8
0.6
0.4
0.2
0
0.2
0
10
20
30
Tiempo (s)
40
50
ndice
Control predictivo
Control adaptativo
Sistemas MIMO:
!Y1(s ) " !G11(s ) G12 (s ) G13 (s ) "
!U1(s ) "
!#
$
#
$
Y2 (s )$ = #G21(s ) G22 (s ) G23 (s )$ #
#
U2 (s )$&
!#
%
%Y3 (s )$& #%G31(s ) G32 (s ) G33 (s )$&
!
G(s )
Interaccin: efecto de un lazo de control
sobre otro lazo de control, rebotando el
efecto
sobre el lazo original.
!
La FdT entre cada salida y cada
entrada cambia en funcin de los lazos
de control no se pueden sintonizar
los controladores de cada lazo de
manera independiente.
Evaluacin de las interacciones (en rgimen permanente):
mtodo Bristol de ganancias relativas.
! ...
" 11
1n #
K
y / u
lim G (s )
$
%
=
=
=
= !$ ! " ! %
lim G (s )
K
y / u
!$'n1 ... nn %(
ij
s 0
s 0
ij
todos los lazos abiertos
ij u =0,k j
k
j u =cte,k j
k
ij
resto de lazos cerrados
ij y =0,k i
k
j y =cte,k i
k
Propiedad.- La suma de los elementos de cualquier fila o

columna es 1: n
n
!
ki = kj = 1
k =1
k =1
Se puede determinar
a partir de las ecuaciones del sistema,
aplicando la definicin de ganancia esttica:
= G(0)elproducto
(G(0)1 )T ,
donde G(0) es la matriz de ganancias estticas y x representa
elemento por elemento.
Anlisis:
Anlisis:
No formar lazos de control con ganancia

relativa <0.
No formar lazos de control con variables
con ganancia relativa .
No formar lazos de control con variables
con ganancia relativa =0.
Controlar las variables ms importantes
con aquellas variables de entrada con las
que tengan una dinmica ms rpida sin
respuesta inversa.
Puede implicar la desintonizacin de los
poco importantes.
Cerrar lazos de control con las ganancias
estticas relativas ms prximas a 1.
Simular las distintas alternativas: puede

suponer un esfuerzo considerable.
Emparejar variables con ganancia
relativa ante perturbacin baja.
Ejemplo mtodo Bristol:
! !Y (s ) " ! p (s ) p (s )" !U (s ) "
! #%Y (s )$& = #% p (s ) p (s )$& #%U (s )$&
1
11
12
21
22
1
C1(s ) = 1 + ,
s
C2 (s ) = K p 2
! 0
"
= #0.8
"1.6
$
La razn de las ganancias estticas del lazo 1 cuando el segundo

lazo est abierto y cuando el segundo lazo est cerrado es:
=
p11(0)p22 (0)
p11(0)p22 (0) p12 (0)p21(0)
La matriz de ganancias relativas:
1 $
#
=&
')
(1
Si = 1 No existe interaccin: el segundo lazo no tiene impacto sobre

el primer lazo y viceversa.
Si 0 < < 1 el lazo cerrado tiene una ganancia ms alta que el
lazo abierto. El efecto es ms severo para = 0.5.
Si > 1 el lazo cerrado tiene una ganancia inferior que la del lazo
abierto.
Si < 0 la ganancia del primer lazo cambia de signo cuando se
cierra el segundo lazo: el efecto de las interacciones es severo.
Ceros multivariables en el semiplano derecho:
Para sistemas multivariables, los ceros son los polos del sistema
inverso:
G(s ) = p11(s )p22 (s ) p21(s )p12 (s ) = 0
!
!
son de particular inters porque imponen limitaciones sobre el

rendimiento alcanzable.
Ej:
2 "
! 1
! p11(s ) p12 (s ) " # s + 1 s + 3 $
G(s ) = #
$
$=#
p
(
s
)
p
(
s
)
1
1
$
% 21
22
& #
#% s + 1 s + 1 $&
G(s ) =
1 s
2
(s + 1) (s + 3 )
=0
s =1
" 3 2#
=%
&
' 2 3 (
Existen interacciones significativas
dificultades cuando se disean los
lazos de control para tener un ancho
de banda mayor que 0 = 1
C1(s ) = C2 (s ) = 2 +
2
s
El sistema se hace
inestable si Kp = 3!!!
Desacoplo: eliminar o reducir las interacciones de cada
variable de entrada con las variables de salida distintas
de la que controla.
!
!
d12 #
"d
1 " p22 (0) p12 (0)#
1
D = $ 11
=
G
(0)
=
%
$
%
G(0) & p21(0) p11(0) '
!
&d 21 d 22 '
!
! Y (s ) = 0 Y (s ) = 0
! U (s )
p (0)p (0) p (0)p (0)
U (s )
q (s ) =
2
'
1
'
FdT del sistema

desacoplado
11
! q (s ) q12 (s ) "
Q(s ) = P (s )D = # 11
$
%q21(s ) q22 (s )&
Desarrollo en serie de Taylor
para pequeos |s|
" 1 12s #
Q( s ) %
1 &(
' 21s
11
22
12
21
G(0)
q12 (s ) =
p12 (0)p11(0) p12 (0)p11(0)

G(0)
q21(s ) =
p21(0)p22 (0) p21(0)p22 (0)

G(0)
q22 (s ) =
p22 (0)p11(0) p21(0)p12 (0)

G(0)
Continuando con el ejemplo anterior:

1
"1 2 / 3 #
" 3 2#
D = G1(0) = $
=
%
$ 3 3 %
&1 1 '
&
'
" 3(1 s )
$ (s + 1)(s + 3)
Q(s ) = P (s )D = $
$
0
$'
Desarrollo en serie de
Taylor para pequeos |s|
4s
#
(s + 1)(s + 3) % "1 7s / 3 4s / 3 #
%$
0
1 s %(
1
% '
%(
s +1
21 = 0 la interaccin no aporta limitaciones de rendimiento para el 2 lazo

Cero en s = 1 existen limitaciones
Ej [King, pp. 178]:
Fi: flujos
L: nivel
A: seccin
T: temperatura
dL F1 + F2
=
dt
A
T =
FT
1 1 + F2T2
F1 + F2
! F1
#F + F
=# 1 2
# F2
#
& F1 + F2
F2 "
F1 + F2 $
$
F1 $
$
F1 + F2 '

Control Avanzado de Procesos

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Control Avanzado de Procesos

Caricato da

Copyright:

Formati disponibili

TEMA 4: CONTROL AVANZADO

Compensacin del retardo

Uso de reglas de Ziegler-Nichols

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Prediccin del efecto del control en la salida en intervalo (t-L,t)

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

2. SP + PID para sistema con retardo

Compensacin del retardo

1. PID para sistema con retardo

Compensacin del retardo

Compensacin del retardo

Respuesta ante perturbaciones de carga:

Si la perturbacin ocurre en un instante t=0,

Compensacin del retardo

Compensacin del retardo

existir error en rgimen permanente la recuperacin frente

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

No puede utilizarse con procesos inestables, y

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

PPI con Tcl = 0.5

2. Estructura aproximada (P0 ' K)

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Compensacin del retardo

Control predictivo basado en modelo

Control predictivo basado en modelo

Control predictivo basado en modelo

Control predictivo basado en modelo

Control predictivo basado en modelo

Control predictivo basado en modelo

Obtener un modelo del proceso.

Control predictivo basado en modelo

Control predictivo basado en modelo

Prediccin valores futuros de la salida en funcin de las seales de control

Comportamiento futuro deseado como trayectoria: yd

Control predictivo basado en modelo

Aplicacin de u(t) y repeticin del procedimiento en cada muestreo

u(t) = F (y(t), y(t

h), ...., y(t

2h), ..., u(t

Control predictivo basado en modelo

Resolviendo la ecuacin para