Charla Introducción a
estrategias de Control
Avanzado
Profesora: Silvia Ochoa Cáceres
Universidad de Antioquia
Control de Procesos 1
BIBLIOGRAFíA
Process Modeling, Simulation and Control
for Chemical Engineers. William Luyben.
Capítulo 8.
Process Dynamics and Control. Dale
Seborg. Capítulo 16.
Process Control, Thomas Marlin. Parte
IV.
Principles and Practice of Automatic
process control. Chapters 9-11.
Control de Procesos 2
BIBLIOGRAFÍA
Revistas recomendadas:
Computers and Chemical Engineering.
Journal of Process Control
Industrial and Engineering Chemistry
Research
AIChE Journal.
Chemical Engineering Science.
Control de Procesos 3
SISTEMAS DE CONTROL AVANZADO
Control en Cascada.
Control Override.
Control Selectivo.
Control Split Range
Control por Relación.
Control Inferencial.
Control Adaptable.
Control Predictivo Basado en Modelo. (CPBM).
Control Feedforward.
Control de Procesos 4
Limitaciones del PID convencional
El desempeño de los controladores
PID se limita principlamente por:
No linealidades del proceso
Tiempos muertos
Restricciones del proceso
Control de Procesos 5
CONTROL EN CASCADA
Principales Características
Dos controladores Feedback pero sólo una
válvula (EFC).
La señal de salida del controlador "master"
es el setpoint para el controlador “slave".
Dos lazos feedback anidados
Chapter 16
slave vs. master
secondary vs. primary
inner vs. outer
Control de Procesos 6
CONTROL EN LAZO SIMPLE
TT TC SP
Control de Procesos 7
CONTROL EN CASCADA
TSP
TT TC
TjSP
TT
TC
Control de Procesos 8
Para tener en cuenta
El esclavo debe ser usado para reducir el
efecto de una o más perturbaciones
El lazo esclavo debe ser más rápido que
el maestro (se recomienda 3 veces más
rápido)
La variable controlada en el lazo esclavo
debe tener un efecto directo en la
variable controlada del master.
Control de Procesos 9
DIAGRAMA DE BLOQUES
Control de Procesos 10
CONTROL EN LAZO SIMPLE
SP
TT TC
5
Vapor
Control de Procesos 11
CONTROL EN CASCADA
SP
TT TC
5
3 SP
2 FC
FT
Vapor
Control de Procesos 12
CONTROL EN LAZO SIMPLE
F
ASP
AC
F T
T
A T
A
Control de Procesos 13
CONTROL EN CASCADA SIMPLE
F
SPEsclavo
TC
F T
T
SPPrincipal
A T AC
A
Control de Procesos 14
CONTROL EN CASCADA DOBLE
SPEsclavo_2
F FC
SPEsclavo_1
TC
F T
T
SPPrincipal
A T AC
A
Control de Procesos 15
CONTROL POR RELACIÓN.
El control por relación implica mantener
constante la relación de dos o más flujos
del sistema.
El flujo de la perturbación (o corriente
“salvaje”) es medido, mientras el flujo de
la corriente manipulada se cambia para
mantener la relación de los dos flujos
constante.
Control de Procesos 16
CONTROL POR RELACIÓN
Perturbación Perturbación
FT FT
Ratio
Set Point
Constante
÷ RC x
FSP
FT FC
Corriente Manipulada FT
Corriente Manipulada
Control de Procesos 17
CONTROL POR RELACIÓN
Se utiliza por ejemplo en:
El control de la combustión en una
caldera, manteniendo constante la
relación entre los flujos de combustible
y el flujo de aire.
En el control de reactores, para
mantener la relación estequiométrica
de dos reactivos que ingresan a un
reactor.
Control de Procesos 18
CONTROL FEEDFORWARD
MODELO DEL SP
CONTROLADOR
u=F(d,ySP)
Elemento Final
de Control
ENTRADA SALIDA
PROCESO
Sensor-Transmisor
Perturbación
Control de Procesos 19
CONTROL FEEDFORWARD:
TSP ASP
Controlador
Feedforward
AT TT FT
Alimento
Refrigerante
Producto
20
Control de Procesos
En resumen: Cascada, relación y
feedforward
Principales ventajas a la hora de rechazar
perturbaciones
La cascada reduce el efecto de una o varias
perturbaciones específicas
Relación: reduce el efecto de cambios en los
flujos
Feedforward: actua antes de que el error
ocurra.
Control de Procesos 21
Control Inferencial
Usa variables que se miden (T, P, F) para
inferir variables “difíciles” de medir ( ej:
composiciones y distribución de peso
molecular).
Reduce sustancialmente retardos en las
mediciones
Es menos costoso que medir las variables
“difíciles”
Control de Procesos 22
CONTROL INFERENCIAL
Se usa cuando la variable que se desea
controlar no puede ser medida
directamente, pero existe la disponibilidad
de medir otra variable (denominada
variable inferencial), que aunque no sea
de interés para controlar, presenta una
relación estrecha con la verdadera
variable de interés.
Control de Procesos 23
CONTROL INFERENCIAL
Se debe tener en cuenta que:
La variable inferencial debe tener buena
relación con la verdadera variable controlada
para cambios en la variable manipulada.
La relación entre la variable inferencial y la
controlada debe ser insensible a cambios en
las condiciones de operación para el rango de
operación definido.
La relación puede establecerse por medio de
modelos obtenidos a partir de datos
experimentales, o por medio de modelos
fenomenológicos.
Control de Procesos 24
CONTROL INFERENCIAL
A= αT+β
ASP
Vapor
AC TT
PT
PC
Alimento
LT LC
Vapor
Control de Procesos
Líquido 25
Inferential Control for Distillation
Columns
A= αT+β
TT AC
TC
Tray 10
RSP
FC
FT
Control de Procesos 26
¿Cómo escoger la ubicación del
sensor de temperatura?
86
84 Tray 10
82
80
78
Temperature (ºC)
Tray 18
76
3 3.5 4 4.5 5
Mole Percent Propane
El sensor de temperatura debe ubicarse en el
plato donde se presente mayor sensibilidad.
Control de Procesos 27
Control de conversión en un reactor
Tout
balance de energía :
X A C Ain ( − ∆H rxn ) = ρ C p (Tout − Tin )
ρ Cp
XA = (Tout − Tin )
C Ao ( − ∆H rxn )
Relación lineal basada en datos de planta
X A = a (Tout − Tin ) + b
Tin
Control de Procesos 28
Control de conversión en un reactor
Tout
X A = a (Tout − Tin ) + b
TT
XASP
YC
TT
Tin
Control de Procesos 29
CONTROL POR ANULACIÓN
(OVERRIDE)
Pmax
HS FSP
FC
PC
PT FT
Gas de Salida
Motor Compresor
Control de Procesos 30
CONTROL SELECTIVO
Reactivos Productos
TT TT TT TT TT
HS
Refrigerante
TSP
TC
Control de Procesos 31
Control por Anulación/Selectivo
El control por anulación y el selectivo usan
LS y HS para decidir cual controlador
envía realmente la información al EFC
En algunos casos, el switch se realiza
entre EFC.
Usar override/selectivo para satisfacer
restriciones de seguridad y operacionales
Control de Procesos 32
Split Range Control
En ciertas ocasiones manipular un
único flujo no proporciona adecuado
control para todo el rango de
operación del proceso.
El control por gamma partida utiliza
dos EFCs.
Control de Procesos 33
CONTROL SPLIT RANGE (GAMMA
PARTIDA)
Acido Base
pHSP
AT AC
Control de Procesos 34
CONTROL SPLIT RANGE (GAMMA
PARTIDA)
Vapor de
Caldera 1
Alta P
Vapor a Proceso
Cabezal de
Vapor
PT
Caldera 2 Vapor de
Baja P PSP
PC
Control de Procesos 35
CONTROL ADAPTABLE
Un sistema de control adaptable, es aquel
que permite ajustar (en línea) sus
parámetros automáticamente, para
compensar las variaciones en las
características del proceso.
Este tipo de control es usado en el control
de sistemas no lineales, en donde los
sistemas de control convencional no son
muy eficientes, debido a que se basan en
linealizaciones del modelo de proceso.
Control de Procesos 36
CONTROL ADAPTABLE
El control adaptable puede clasificarse en
dos grandes tipos:
Control adaptable programado: En este caso,
el cálculo de los “nuevos” parámetros se
realiza en base a un algoritmo programado,
que puede ser la minimización de una función
objetivo (error), un modelo en RNA o Fuzzy,
entre otros.
Control de Procesos 37
CONTROL ADAPTABLE
Control Adaptable Tabulado
(Ganancias Tabuladas): En este tipo de
control, previamente se ha realizado el
procedimiento de sintonía del
controlador, para diferentes
condiciones de operación. Dichos
parámetros se guardan (tabulan) en el
controlador, y serán usados por éste,
cuando se encuentre en la región de
operación correspondiente.
Control de Procesos 38
CONTROL ADAPTABLE PROGRAMADO
Mecanismo
Nuevos valores de Ajuste
de Parámetros
Mediciones
Auxiliares
SP + u y
Controlador Proceso
-
Control de Procesos 39
CONTROL ADAPTABLE PROGRAMADO
Combustible
FT
Ratio
Set Point
÷ RC
FT
Aire
Control por Relación: control de combustión.
Control de Procesos 40
CONTROL ADAPTABLE PROGRAMADO
Combustible
Mecanismo FT
de Ajuste
de Relación Nuevo Ratio
Set Point
÷ RC
TT FT
Aire
Control por Relación + Control Adaptable :control de combustión.
Control de Procesos 41
CONTROL POR GANANCIAS
TABULADAS (GAIN SCHEDULING)
TABULADOR DE
GANANCIAS Condiciones de
operación (u, y)
Parámetros
del controlador
S.P. y
u
Controlador Proceso
Salida
Control de Procesos 42
CONTROL POR GANANCIAS
TABULADAS (GAIN SCHEDULING)
K3
Control de Procesos y 43
CONTROL POR GANANCIAS
TABULADAS (GAIN SCHEDULING)
Para el ejemplo, el control Gain-
Scheduling consiste en diseñar tres
controladores PID (uno para cada región
de operación), es decir, en ajustar los
parámetros de dicho controlador según
la región en que se encuentre la salida
(o variable escogida como referencia).
Control de Procesos 44
Model Predictive Control (MPC)
MPC is an Advanced Predictive Control strategy
popularized in the late 70s and early 80s in refineries
and petrochemical plants.
The term MPC designates a family of control methods
which make a explicit use of a model of the process to
obtain the control signal that minimizes an objective
function.
MPC is the most widely used multivariable control
algorithm in chemical process industries.
45
Structure of a MPC
Outputs (y)
PROCESS
MODEL predicted
outputs
Possible
Control actions
MPC
Control actions
Optimal
generation + Set Point (ysp)
-
Control actions (u)
Objective Function Predicted
Error (e)
Evaluation
OPTIMIZER 46
Important Features
Model: Prediction of y at future time (horizon).
[Link] Principles Model (state space):
Linear Non-Linear
• •
x ( t ) = A( t ) x ( t ) + B( t )u ( t ) x ( t ) = f ( x, u, d)
[Link] Box Model (input-output)
Linear Non-Linear
y(k ) = a 1 y(k − 1) + ... + a n y(k − n )
+ b1u (k − 1) + ... + b m u (k − m) + e(k )
47
Structure of a MPC
Outputs (y)
PROCESS
MODEL predicted
outputs
Possible
Control actions
MPC
Control actions
Optimal
generation + Set Point (ysp)
-
Control actions (u)
Objective Function Predicted
Error (e)
Evaluation
OPTIMIZER 48
Important Features
Optimizer: Objective function minimization for
calculating “optimal” u values.
P M
2 2
min i sp
∑ w (y(k + i ) − y ) +∑ r (∆u(k + i − 1)) i
u ( k ),...,u ( k + P −1) i =1 i =1
[Link]. umax ≥ u (k + i − 1) ≥ umin i = 1,..., P
ymax ≥ y (k + i ) ≥ ymin i = 1,..., P
P= Prediction Horizon
M= control Horizon
49
wi and ri are weighting factors
50
Important Features
MPC uses the set point and the predicted trajectory of
the controlled variable, for calculating u. The
difference is expressed as a vector of error values from
target (set point) for a time period (prediction horizon).
The increments in the MPC controller output (u)
required to bring the process output trajectory (y) as
close as possible to the set point trajectory, are spread
over several moves into the future over the control
horizon. However, only the first move is implemented,
and the computation procedure is corrected and repeated
for the next scan.
51
Important Features
1. 1. Online solution of a (nonlinear) constrained
optimal control problem
2. 2. Only a first portion of solution, u0, is applied to
the process
3. 3. Receding Horizon Control: Repeats the
prediction and optimization at each sample
time step to update the optimal input trajectory
after a feedback update.
52
PID vs. MPC
PID uses the error between the MPC uses the difference
set point and the recent values between the future trajectory
of the measurement, for for the set point and the
calculating u. predicted trajectory of the
controlled variable, for
t calculating u
1 de(t )
u (t ) = u EE + K C e(t ) + ∫ e(t ) dt + τ D
τ I 0 dt
In multivariable processes, PID For multivariable processes,
does not see process the MPC controller takes into
interactions. account process interactions.
PID is just used for keeping a MPC controllers are set up to
set point for a controlled integrate and manage
variable, without including optimization.
optimization.
53
CONTROL PREDICTIVO BASADO EN
MODELOS (CPBM)
ENTRADAS SALIDA + - SP
PROCESO
ACCION DE
CONTROL
ERROR
CONTROLADOR
CPBM
Control de Procesos 54
CPBM FENOMENOLÓGICO
ENTRADAS SALIDA + - SP
PROCESO
ACCION DE
CONTROL
ERROR
ÓPTIMA POSIBLES
ACCIONES
DE CONTROL y = g(x) SALIDAS
SIMULADAS
x& = f(x, u)
GENERADOR DE
ACCIONES DE CONTROL
FUNCIONAL
DE COSTO
Control de Procesos 55
CPBM FUZZY
ENTRADAS SALIDA + - SP
PROCESO
ACCION DE
CONTROL
ERROR
ÓPTIMA POSIBLES
ACCIONES
DE CONTROL R1 y1 SALIDAS
y
SIMULADAS
Rn yn
GENERADOR DE
ACCIONES DE CONTROL
FUNCIONAL
DE COSTO
Control de Procesos 56
CPBM NEURONAL
ENTRADAS SALIDA + - SP
PROCESO
ACCION DE
CONTROL
ERROR
ÓPTIMA POSIBLES
ACCIONES
DE CONTROL u1
y
SALIDAS
un SIMULADAS
GENERADOR DE
ACCIONES DE CONTROL
FUNCIONAL
DE COSTO
Control de Procesos 57
