Control predictivo por modelo

El Control Predictivo por Modelo (CPM, ms conocido como MPC por sus siglas en ingls) es un mtodo
avanzado de control de procesos que ha sido utilizado por la industria de procesos en plantas qumicas y
refineras de petrleo desde la dcada de 1980. En aos recientes tambin ha sido utilizado en modelos de
estabilidad para sistemas de potencia.1 Los controladores para este tipo de control dependen de modelos
dinmicos del proceso en cuestin, ms a menudo modelos lineales empricos obtenidos por identificacin de
sistemas. La ventaja principal del MPC es el hecho de que permite que la ranura de tiempo inmediata sea
optimizada, mientras tiene en cuenta tambin las ranuras de tiempo futuras. Esto se consigue optimizando un
horizonte de tiempo finito, pero implementando nicamente la ranura de tiempo actual. El MPC tiene la
capacidad de anticipar acontecimientos futuros y tomar acciones de control consecuentemente. Los
controladores PID y LQR no poseen esta caracterstica de prediccin. El MPC implementa casi universalmente
un sistema de control digital, a pesar de que actualmente se investiga sobre cmo lograr tiempos de respuesta
ms rpidos con circuitos anlogos especialmente diseados.2

ndice
1 Visin general
1.1 Teora detrs de MPC
1.2 Principios de MPC
2 MPC no lineal
3 MPC robusto
4 Aplicaciones
5 Software de MPC disponible comercialmente
6 Ver tambin
7 Referencias
8 Ms sobre el tema
9 Enlaces externos

Visin general
Los modelos usados en MPC generalmente se hacen con el fin de representar el comportamiento de sistemas
dinmicos complejos. La complejidad adicional del algoritmo de control del MPC no es comnmente
necesitada, ni se recomienda su uso, para proveer sistemas que son simples de un control adecuado: estos
sistemas pueden ser controlados por controladores PID genricos. Algunas particularidades dinmicas que son
por ejemplo dficiles de controlar con PID son los retrasos en el tiempo de gran magnitud y los
comportamientos dinmicos de alto orden.

Los modelos usados en MPC predicen los cambios en las variables dependientes del sistema y que a su vez son
causados por cambios en (o dependen de) las variables independientes. En un proceso qumico a manera de
ejemplo, las variables independientes que pueden ser ajustadas por el controlador son a menudo los puntos de
estabilidad [setpoints] de controles PID (presin, flujo, temperatura, etc.) o el elemento de control final
(vlvulas, amortiguadores, etc.). Adems, las variables independientes que no pueden ser ajustadas por el
controlador son consideradas perturbaciones. Las variables dependientes en estos procesos son otras medidas
que son o permiten ver mejor algunos objetivos del control, o a veces son medidas de las restricciones en el
proceso.

El MPC utiliza las medidas de planta instantneas, el estado dinmico actual del proceso, del modelo, los
lmites y las variables objetivo para calcular cambios futuros en las variables dependientes. Estos cambios se
calculan para mantener las variables dependientes cerca al objetivo mientras se cumplen las restricciones en las
variables tanto independientes como dependientes. El control MPC tpicamente enva solo el primer cambio en
cada variable independiente a ser implementado, y repite el clculo cundo el siguiente cambio es requerido.

A pesar de que muchos procesos reales no son lineales, a menudo pueden ser considerados como tales para un
rango de operacin pequeo. Muchas veces se usan enfoques MPC lineales cuando el mecanismo de
realimentacin del compensador MPC presenta errores de prediccin debido a un desajuste entre el modelo y el
proceso. En controladores MPC que estn compuestos nicamente por modelos lineales, el principio de
superposicin del lgebra lineal permite que el efecto de los cambios individuales en las variables
independientes se puedan aadir unos con otros para predecir la respuesta de las variables dependientes. Esto
simplifica el problema de control a una serie de clculos de lgebra matricial directa que son rpidos y
robustos.

Cuando los modelos lineales no son lo suficientemente precisos como para representar las no linealidades del
proceso real, varias otras aproximaciones pueden ser utilizadas. En algunos casos, las variables de proceso
pueden ser transformadas antes y/o despus que el modelo en s mismo para reducir las no-linealidades.
Adems, el proceso puede ser controlado con MPC no lineal, cuyo modelo no lineal acta directamente como
la aplicacin del control. El modelo no lineal puede existir en la forma de un ajuste de datos empricos (p. ej.
redes neuronales artificiales) o un modelo dinmico de alta fidelidad en trminos de balance de energa y masa.
El modelo no lineal puede ser linealizado para derivar en un Filtro de Kalman o para especificar un modelo
para control MPC lineal.

Un estudio algortmico realizado por El-Gherwi, Budman, y El Kamel muestra que usar un enfoque de modelo
dual puede proporcionar reduccin significativa en las computaciones online necesarias mientras mantiene un
redimiento comparable al de una implementacin sin alterar. El algoritmo propuesto soluciona N problemas de
optimizacin convexa en paralelo con base en un intercambio de informacin entre controladores.3

Teora detrs de MPC

MPC tiene sus bases en la optimizacin iterativa y de horizonte finito
de un modelo de planta. En el tiempo t el estado actual de la planta es
muestreado y una estrategia de control que minimice el costo es
computada (a travs de un algoritmo de minimizacin numrica) para
un horizonte de tiempo a futuro relativamente corto:

. Especficamente, se usa un clculo online o sobre la marcha para

explorar trayectorias de estado que surjan del estado actual y para Un esquema de MPC discreto.
encontrar (va la solucin de ecuaciones de Euler-Lagrange) una
estrategia de control con minimizacin de costos hasta el tiempo . Slo
el primer paso de la estrategia de control es implementado, entonces el estado de la planta es muestreado
nuevamente y todos los clculos se repiten con base en el nuevo estado actual, dando lugar a un nuevo control y
nuevas predicciones en la trayectoria de estado. El horizonte de prediccin es siempre actualizado hacia
adelante y por esta razn el MPC es tambin llamado control de horizonte errante. A pesar de que este
enfoque no es ptimo, ha ofrecido muy buenos resultados. Se han realizado muchas investigaciones acadmicas
para encontrar mtodos rpidos de solucin de ecuaciones tipo Euler-Lagrange, para entender las propiedades
de estabilidad global de la optimizacin local en MPC. En buena medida los tericos han estado intentando
ponerse al corriente con respecto a los ingenieros de control cuando se habla de MPC.4

Principios de MPC
El control predictivo por modelo (MPC) es un algoritmo de control multivariable que usa:

Un modelo dinmico interno del proceso

Un historial de movimientos de control pasados y
Una funcin de optimizacin de costos J sobre el horizonte de prediccin errante,
Para calcular los movimientos de control ptimos.

Un ejemplo de una funcin de coste no lineal usada para optimizacin viene dada por:

donde las variables representan lo siguiente:

= i -ava variable controlada (p. ej. temperatura medida)

= i -ava variable de referencia (p. ej. temperatura requerida)

= i -ava variable manipulada (p. ej. vlvula de control)

= coeficiente de ponderacin que refleja la importancia relativa de

= Coeficiente de ponderacin que penaliza cambios relativos grandes en

MPC no lineal
El Control Predictivo por Modelo No Lineal, o NMPC por sus siglas en ingls, es una variante del Control
Predictivo por Modelo (MPC) que est caracterizada por el uso de modelos no lineales de sistema en la
prediccin. Como en MPC lineal, el NMPC requiere de la solucin iterativa de problemas de control en cuanto
optimizacin en un horizonte de prediccin finito. Mientras estos problemas son convexos en MPC lineal, en
NMPC dejan de serlo. Esto supone retos tanto para la teora estabilidad en NMPC como para la solucin
numrica.5

La solucin numrica de los problemas de control ptimo en NMPC est tpicamente cimentado en mtodos de
control ptimo que usan esquemas de optimizacin tipo Newton: mtodos del tiroteo directo aislado, tiroteo
directo mltiple, o colocacin directa.6 As mismo, los algoritmos NMPC tpicamente aprovechan el hecho de
que los problemas de control ptimo consecutivos son similares unos con otros.

Esto permite inicializar el procedimiento de solucin tipo Newton con una estimacin adecuadamente
desplazada que proviene de la solucin ptima previamente computada, ahorrando una cantidad considerable
de tiempo de computacin. La similaridad en problemas subsecuentes es aprovechada todava ms all por
medio de algoritmos rastreadores de trayectora (tambin iteraciones en tiempo real) que nunca intentan
iterar un problema de optimizacin hacia la convergencia, sino nicamente realizar una iteracin hacia la
solucin del problema NMPC ms reciente, antes de proseguir con el siguiente, que ser tambin
adecuadamente inicializado.

Mientras que las aplicaciones NMPC han sido utilizadas en el pasado principalmente en las industrias qumicas
y de procesos que tienen tasas de muestreo comparativamente lentas, es cada vez ms comn ver NMPC en
aplicaciones con tasas de muestreo ms rpidas, por ejemplo en la industria automotriz, o incluso cuando los
estados se distribuyen en el espacio (sistemas de parmetros distribuidos).7 Como aplicacin en ingeniera
aeroespacial, el NMPC ha sido recientemente utilizado para conseguir rastreadores-de-terreno/trayectorias-de-
evasin en tiempo real.6

MPC robusto
Las variantes robustas del Control Predictivo por Modelo (MPC) son capaces de considerar perturbaciones
acotadas y fijadas mientras se asegura que todava se cumplan las restricciones de estado. Existen tres
principales enfoques en la bsqueda de MPC robusto:
 MPC con min-max. En esta formulacin, la optimizacin se realiza con respecto a todas las posibles
evoluciones de la perturbacin.8 sta es la solucin ptima a problemas de control robusto lineal, pero a
costa de un alto costo computacional.
MPC con ajuste de estrechamiento de restricciones. En este caso las restricciones de estado se
engrandecen a un margen dado con el fin de que se pueda garantizar una trayectoria de estado bajo
cualquier evolucin de la perturbacin.9
MPC de tubo. Este usa un modelo de sistema nominal e independiente, y usa un controlador
realimentador para asegurar que el estado real converge al estado nominal.10 La cantidad de separacin
requerida en las restricciones de estado es determinada por el conjunto invariante positivamente robusto
(RPI, por sus siglas en ingls), que es el conjunto de todas las posibles desviaciones que pueden ser
introducidas por una perturbacin con el controlador de realimentacin.
MPC multi-etapa. Este usa la fomulacin de un rbol de escenarios por medio de la aproximacin del
espacio de incertidumbre con un conjunto de muestras, siendo un enfoque no conservativo porque tiene
en cuenta que la informacin sobre las mediciones est disponible en cualquier etapa y que dicha
informacin puede ser usada para realizar predicciones, y tambin tiene en cuenta que las decisiones en
cualquier etapa pueden ser diferentes y actuar como un recurso para contrarrestar los efectos de las
incertidumbres. Sin embargo, la desventaja de este enfoque es que el tamao del problema crece
exponencialmente cuando crece el nmero de incertidumbres y el horizonte de prediccin.11

Aplicaciones
El control predictivo por modelo ha sido aplicado para el desarrollo ptimo de proyectos en depsitos de gas y
petrleo.12

Software de MPC disponible comercialmente

Varios paquetes de software comercial en MPC se encuentran disponibles y normalmente contienen
herramientas que asisten en la identificacin y anlisis de modelos, diseo y afinacin de controladores, as
como evaluacin de rendimiento.

[1] Una lista de las tecnologas disponibles en MPC ha sido proporcionada por S.J. Qin y T.A. Badgwell en
Control Engineering Practice 11 (2003) 733764.

Ver tambin
Ingeniera de control
Teora de control
Alimentar-adelante
Identificacin de sistema

Referencias
1. Michle Arnold, Gran Andersson.
2. Vichik, Sergey; Borrelli, Francesco (2014). Solving linear and quadratic programs with an analog circuit. Computers
& Chemical Engineering70: 160-171. doi:10.1016/j.compchemeng.2014.01.011 (http://dx.doi.org/10.1016%2Fj.compchemeng.2014.
01.011).
3. Al-Gherwi, Walid; Budman, Hector; Elkamel, Ali (3 de julio de 2012). A robust distributed model predictive control
based on a dual-mode approach. Computers and Chemical Engineering 50 (2013): 130-138.
doi:10.1016/j.compchemeng.2012.11.002 (http://dx.doi.org/10.1016%2Fj.compchemeng.2012.11.002).
4. Michael Nikolaou, Model predictive controllers: A critical synthesis of theory and industrial needs, Advances in
Chemical Engineering, Academic Press, 2001, V olume 26, Pages 131-204
5. An excellent overview of the state of the art (in 2008) is given in the proceedings of the two large international
workshops on NMPC, by Zheng and Allgower (2000) and by Findeisen, Allgwer , and Biegler (2006).
 6. R Kamyar; E. Taheri (2014). Aircraft Optimal Terrain/Threat-Based Trajectory Planning and Control. Journal of
Guidance, Control, and Dynamics 37 (2): 466-483. doi:10.2514/1.61339 (http://dx.doi.org/10.2514%2F1.61339).
7. M.R. Garca; C. Vilas; L.O. Santos; A.A. Alonso (2012). A Robust Multi-Model Predictive Controller for Distributed
Parameter Systems.Journal of Process Control 22 (1): 60-71. doi:10.1016/j.jprocont.2011.10.008 (http://dx.doi.org/10.1016%2F
j.jprocont.2011.10.008).
8. Scokaert, P. O.; Mayne, D.Q. (1998). Min-max feedback model predictive control for constrained linear systems.
IEEE Transactions on Automatic Control 43 (8): 1136-1142. doi:10.1109/9.704989 (http://dx.doi.org/10.1109%2F9.704989).
9. Mayne, D; Rawlings, Rao, Scokaert (2000). Constrained model predictive control: stability and optimality.
Automatica 36 (6): 789-814. doi:10.1016/S0005-1098(99)00214-9 (http://dx.doi.org/10.1016%2FS0005-1098%2899%2900214-9).
10. Findeisen; Allgwer, Biegler (2006). Assessment and Future Directions of Nonlinear Model Predictive Control. Lecture
Notes in Control and Information Sciences26. Springer.
11. Lucia, Sergio; Finkler, Tiago; Engell, Sebastian (2013). Multi-stage nonlinear model predictive control applied to a
semi-batch polymerization reactor under uncertainty.Journal of Process Control 23 (9): 1306-1319.
12. Closed-loop field development under uncertainty . http://dx.doi.org/10.2118/173219-PA

Ms sobre el tema
Kwon, W. H.; Bruckstein, Kailath (1983). Stabilizing state feedback design via the moving horizon
method. International Journal of Control 37 (3): 631-643. doi:10.1080/00207178308932998.
Garca, C; Prett, Morari (1989). "Model predictive control: theory and practice". Automatica 25 (3): 335
348. doi:10.1016/0005-1098(89)90002-2.
Findeisen, Rolf; Allgower, Frank (2001). "An introduction to nonlinear model predictive control".
Summerschool on "The Impact of Optimization in Control", Dutch Institute of Systems and Control.
C.W. Scherer and J.M. Schumacher, editors.: 3.13.45.
Mayne, D.Q.; Michalska (7). Receding horizon control of nonlinear systems. IEEE Transactions on
Automatic Control 35: 814-824. doi:10.1109/9.57020.
Mayne, D; Rawlings, Rao, Scokaert (2000). "Constrained model predictive control: stability and
optimality". Automatica 36 (6): 789814. doi:10.1016/S0005-1098(99)00214-9.
Allgwer; Zheng (2000). Nonlinear model predictive control. Progress in Systems Theory 26.
Birkhauser.
Camacho; Bordons (2004). Model predictive control. Springer Verlag.
Findeisen; Allgwer, Biegler (2006). Assessment and Future Directions of Nonlinear Model Predictive
Control. Lecture Notes in Control and Information Sciences 26. Springer.
Diehl, M; Bock, Schlder, Findeisen, Nagy, Allgwer (2002). "Real-time optimization and Nonlinear
Model Predictive Control of Processes governed by differential-algebraic equations". Journal of Process
Control 12 (4): 577585. doi:10.1016/S0959-1524(01)00023-3.

Enlaces externos
Case Study. Lancaster Waste Water Treatment Works, optimisation by means of Model Predictive
Control from Perceptive Engineering
ACADO Toolkit - Open Source Toolkit for Automatic Control and Dynamic Optimization providing
linear and non-linear MPC tools. (C++, MATLAB interface available)
AO-MPC - Open Source Software package that generates tailored code for model predictive controllers
on embedded systems in highly portable C code.
jMPC Toolbox - Open Source MATLAB Toolbox for Linear MPC.
Model Predictive Control Free book edited by Tao Zheng, Publisher: Sciyo, 2010.
Study on application of NMPC to superfluid cryogenics (PhD Project).
Nonlinear Model Predictive Control Toolbox for MATLAB and Python
Model Predictive Control Toolbox from MathWorks for design and simulation of model predictive
controllers in MATLAB and Simulink
Pulse step model predictive controller - virtual simulator
Tutorial on MPC with Excel and MATLAB Examples

Obtenido de https://es.wikipedia.org/w/index.php?title=Control_predictivo_por_modelo&oldid=100566816
Se edit esta pgina por ltima vez el 19 jul 2017 a las 09:00.
El texto est disponible bajo la Licencia Creative Commons Atribucin Compartir Igual 3.0; pueden
aplicarse clusulas adicionales. Al usar este sitio, usted acepta nuestros trminos de uso y nuestra poltica
de privacidad.
Wikipedia es una marca registrada de la Fundacin Wikimedia, Inc., una organizacin sin nimo de
lucro.