Introduccin

Se da una pequea descripcin de conceptos clave usados en el control predictivo.

Encontraremos til cmo trabaja el control predictivo y porque puede ser tan eficiente.

Descripcin del modelo-base de control predictivo.

Filosficamente MPC refleja el comportamiento humano por el cual seleccionamos
acciones de control que pensamos nos llevaran a la mejor salida predicha sobre un
horizonte limitado. Para esto usamos un modelo interno del proceso en cuestin.
Constantemente actualizamos nuestras decisiones como nuevas observaciones para que
puedan llegar a ser tiles.
De ah una ley de control predictivo tiene los siguientes componentes.
1. la ley de control depende de la prediccin del comportamiento
2. las salidas predichas son calculadas usando modelo de procesos
3. la entrada actual es determinada optimizando alguna medida del desarrollo
predicho
4. la vista del horizonte: la entrada de control es actualizada a cada instante de
muestreo.

Componentes principales del MPC

Un buen entendimiento de porque usar estos componentes pueden ser usados para ganar
una buena perspectiva en las acciones de los diferentes algoritmos y de ah cmo
modificar un algoritmo dado para lograr blancos especficos.

Dependencia de las acciones en las predicciones

Muchas leyes de control, dicen que los PID no consideran explcitamente las
implicaciones futuras en las acciones de control actuales. Por otra parte MPC calcula
explcitamente el comportamiento predicho sobre algn horizonte. Uno puede entonces
tener opciones de restriccin para entradas de trayectorias propuestas recientemente a
aquellas que no traen dificultades en el futuro.

Predicciones son basadas en un modelo

Para predecir el futuro comportamiento de un modelo, debemos tener un modelo de
cmo se va a comportar. En particular, el modelo debe mostrar la dependencia de la
salida en la actual variable medida y la entrada actual/futura. El modelo no tiene que ser
lineal y de hecho puede ser de cualquier cosa.
En prctica muchos algoritmos MPC usan modelos lineales porque la dependencia de
las predicciones en la eleccin del control futuro es tambin lineal y esto facilita la
optimizacin . Sin embargo, modelos no-lineales pueden ser usados donde la carga
computacional no es un problema y aproximaciones lineales no son suficientemente
cercanas.

Seleccionando la entrada actual

Antes de escoger la accin de control, se necesita el criterio para juzgar que accin es la
mejor. Debido a que MPC es implementado por computadora, sta requiere una
definicin numrica para que un clculo preciso pueda ser hecho, que es, la trayectoria
de entrada predicha que de el ms bajo valor numrico del costo.

Horizonte
Se considera el comportamiento predictivo sobre un horizonte en el futuro y por lo tanto
en cada instante sucesivo de muestreo, se predice la muestra ms lejana en el futuro.
Cuando la nueva informacin disponible llega la trayectoria de la entrada es modificada
automticamente para tomar cuenta de esto.

Rendimiento optimo o seguro

No hay puntos a favor al seleccionar los 10 prximos movimientos para optimizar el
desempeo dinmico durante los transitorios si se tiene un modelo pobre; es mejor ir
por algo seguro, quizs opciones ms lentas para asegurar que al menos el movimiento
esta en la direccin correcta y se selecciona solo un movimiento. Por el contrario si se
tiene un modelo muy exacto, entonces se puede con toda seguridad seleccionar
movimientos de control sobre un horizonte lejano y esperar que se obtenga un mejor
desempeo dinmico.

Ajuste
Ha habido un inters histrico en el tema de las leyes de ajuste de control predictivo
para asegurar la estabilidad, tanto como hay el conocimiento de cmo ajustar un PID.
Sin embargo, con el modelado de control predictivo (MPC) se entiende que el ajuste es
el mejor aliado a la especificacin de funcionamiento deseado. Si se obtiene la funcin
costo correcta, estabilidad y ajuste dependern de si mismas, como por definicin se
esta optimizando un costo que solo puede ser pequeo para un buen funcionamiento.
Cuando directrices sensibles son usadas, MPC siempre dar un control estable as que lo
que se debe juzgar es como obtener un balance en el rendimiento de diferentes lazos,
buena sensibilidad y tambin un balance entre la entrada y la velocidad de respuesta.
Normalmente los balances son archivados en matrices de peso, que es, poner diferente
nfasis o desempeo en diferentes lazos dependiendo su importancia, sin embargo es
dudoso que uno pueda construir dichos pesos sistemticamente desde un punto de vista
financiero/operacional y en general el ajuste en lnea se requiere hasta que el balance
este bien. Una pauta tpica para dar un valor inicial sensible para los pesos seria
normalizar todas las seales (entradas y salidas) as que el rango de 0 a1 seria igual
para cada seal; despus se usa unidades de peso en todos los lazos. Es difcil
generalizar sobre esto ya que cada proceso tiene diferentes prioridades.

Manejo de coaccin
MPC tiene la habilidad de hacer el manejo de coaccin en lnea en un modo
sistemtico, con esperanza reteniendo hasta algn punto los mrgenes de estabilidad y
rendimiento de la ley libre (unconstrained). El algoritmo hace esto para optimizar el
desempeo predicho sujeto a la satisfaccin de la coaccin.

Uso sistemtico de demandas futuras

La optimizacin del costo se toma en cuenta en cambios futuros en la trayectoria
deseada y perturbaciones medibles e incluirlas como una parte intrnseca de todo el
diseo de control.

Diseo de control sistemtico para sistemas multivariables

Algoritmos MPC pueden con sistemas multivariables (MIMO) en una manera
sistemtica. Algoritmos MPC piden y utilizan un modelo y as hacen uso de ms
informacin.
Notacin
Vectores de valores pasados y futuros
Las flechas que apuntan a la derecha son usados para el futuro (no incluye valor actual)
y la flecha que apunta a la izquierda es para el pasado (incluye valor actual)

x k 1 xk
x x k 2 ; x x k 1
k k

Matrices Toeplitz y Hankel

Las matrices Toelitz y Hankel simplifican mucho el algebra para MPC.
Considere el polinomio genrico n(z), donde
n( z ) n0 n1 z 1 n m z m
Entonces definimos la matriz Toeplitz n, Cn para n(z) para la siguiente matriz

n0 0 0 0
n n 0 0
1 0

n2 n1 n0 0


C n nm 1 n m 2
n n m
Mn 0 n m nm 1


0 0 0 n0



Se define la matriz Hankel Hn como

n1 n 2 n3 n m 1 nm
n n3 n 4 n m 0
2
n3 n 4 n5 0 0


Hn
n m 1 nm 0 0 0

nm 0 0 0 0
0 0 0 0 0


En resumen tienen elementos definidos como
n (i, j ) C n (i, j ) ni j ; H n (i, j ) ni j 1
i 0
Donde se asume que ni 0, .
i m

Multiplicacin de polinomios
n es una alta y delgada variante de la matriz Toeplitz Cn usada para cambiar
convolucin de polinomios en una multiplicacin matriz-vector.
d ( z ) d 0 d1 z 1 d r z r
f ( z ) n( z )d ( z ) f 0 f 1 z 1 f n r z n r
Es fcil mostrar que los coeficientes de f(z) estn dados por
 n0 0 0 0
f0 n1 n0 0 0
f
1 n2 n1 n0 0
d 0
f2 d

1
nm n m 1 nm 2 n0 d 2
fm 0 nm n m 1


f
m 1
d r
0 0 0 nm
d
f n r



f

En este caso n tiene r+1 columnas y n+r+1 renglones. Se podra escribir el polinomio
de manera alternativa como

f ( z ) 1 z 1 z n m f 1 z 1 z n m n d
Invirtiendo una matriz Toeplitz
Una propiedad de la matriz Toeplitz es que la inversin tiene un significado fsico.
C n 1 C 1
n

Si = 1-z-1 y 1/ = 1 + z-1 + z-2 + , entonces

1 0 0 0 1 0 0 0
1 1 0 0 1 1 0 0

C 0 1 1 0 ; C 1 C 1 1 1 1 0


0 0 0 1 1 1 1 1
De ah uno puede formar la relacin entre multiplicacin matriz/vector complejos y
operaciones equivalentes en funciones de transferencia.
d ( z)
f Cn d f ( z)
1

n( z )

Conmutacin de matrices Toeplitz

C n C g h C g C n h C h C g n, etc
Matrices Toeplitz/Hankel para sistemas multivariables
Una ventaja mas amplia de usar matrices Toeplitz y Hankel para predicciones es que el
caso multivariable puede ser manejado sin el incremento del algebra compleja. De ah
uno puede mantener ntida y compacta el algebra que ayuda a una clara percepcin y
simplifica la codificacin. Se da una ilustracin a continuacin. Matrices de polinomios
(los coeficientes son matrices)
N ( z ) N 0 N 1 z 1 N 2 z 2
D ( z ) D0 D1 z 1 D2 z 2 D3 z 3
Entonces la matriz correspondiente de Toeplitz y Hankel son
 N0 0 0 0
N N N1 N 2
0 0 N
1 0
0

C N N 2 N 1 N 0 0 ; H N 2
0 0
0 N 2 N 1 N 0


Es fcil mostrar que los coeficientes del polinomio F(z)=N(z)D(z) pueden ser
calculados de
D0
D

F ( z ) I , Iz ,..., Iz F; F C N D; D 1
1 5
D2

D3
Tambin se puede mostrar que (para matrices cuadradas de polinomios)
C N 1 C N 1
Reglas para el algebra de matrices de Hankel y Toeplitz
Se ha tenido cuidado en no definir explcitamente las dimensiones de las columnas y
renglones de las matrices de Toeplitz y Hankel. Esto es aconsejable y esencial. Estas
matrices trabajan como operadores y de ah que las dimensiones deben ser escogidas
apropiadamente para el contexto.
Por ejemplo, si se escribe
f=Cng
Y es aplicado para representar la operacin f(z)=n(z)g(z), entonces la matriz Cn debe
tener tantos renglones como el orden de n(z)g(z) mas uno. Tambin sus columnas deben
encajar con g.

Se le puede dar a Cn muchos renglones sin afectar el resultado. Los renglones

simplemente harn f un vector ms largo, pero los terminos adicionales sern
todos ceros, de ah se implica el mismo polinomio f(z).
Se le puede dar a Cn muchas columnas tan largas como g se le anexan ceros para
dar consistencia de f=Cng. ceros adicionales en g no cambian lo implicado en
g(z) y de hecho no afecta la operacin implicada.

Modelos lineales comnmente usados en modelo de control predictivo

La seleccin del modelo es la parte ms importante en un diseo de MPC. Si se
improvisa un pobre desempeo de un controlador MPC debido a esto se supondr un
pobre modelo.
Se puede usar un modelo que uno quiera en MPC; sin embargo, si el modelo es no
lineal, entonces la optimizacin ser poco trivial y puede ser que no converja.

Modelado de incertidumbre
Accin integral y modelos de perturbacin
Se asumir que se requiere de (compensacin de rastreo libre) offset free tracking, ya
que es un caso comn y es difcil generalizar la alternativa que la compensacin es
permitida. Ah esta implcito que la ley de control debe incluir una accin integral. Se
han desarrollado mecanismos convenientes para incorporar la accin integral en el
MPC. En la ausencia de incertidumbres/perturbaciones se puede obtener fcilmente el
control de libre compensacin sin la accin integral pero en prctica parmetros de
incertidumbre y perturbaciones necesitan el uso de un integrador. En MPC se toma un
punto de partida diferente: Las perturbaciones son rechazadas son quitadas mejor
teniendo un modelo interno de las perturbaciones.
Esto es, que si uno modela las perturbaciones apropiadamente, entonces la ley de
control MPC puede ser puesta automticamente para quitar las perturbaciones con una
compensacin igual a cero. De hecho uno de los modelos de perturbacin ms usados
comnmente introduce implcitamente un integrador dentro de la ley de control y
tambin se obtiene la compensacin de rastreo libre en presencia de un parmetro de
incertidumbre.
Los detalles de cmo modelar una perturbacin es un proceso para un especialista en
modelado. Lo nico que debemos hacer es recordar los siguientes puntos:

1. Podemos controlar un proceso tan exacto como lo podamos modelar. Se puede

mejorar el modelo si es necesaria ms exactitud.
2. Ha habido cientos de aplicaciones exitosas en MPC usando relativamente
suposiciones simples para el modelo de perturbacin.

Modelando la medicin del ruido

Un proceso similar se puede hacer con respecto al modelado del ruido. Es usual hacer
suposiciones simples para obtener unas respuestas supuestamente precisa analtica. En
prctica la medicin del ruido se asume que sea blanca y de hecho se puede ignorar.
Con ruido de color se puede incluir en los modelos sistemticamente pero generalmente
los filtros correspondientes (implcitos) tienen otros efectos. Experiencia prctica ha
mostrado que algunas formas de filtros pasa-bajas son requeridos o son benficos pero
el uso de filtros en MPC sigue siendo una pregunta abierta.

Modelos tpicos
Academia y los estados unidos en particular, han puesto ms nfasis en modelado en
espacio de estados. La ventaja es que estos se extienden fcilmente al caso
multivariable y hay una gran cantidad de resultados tericos que pueden aplicados para
producir controladores/observadores y para analizar los modelos y leyes de control
resultantes.
En Europa se ha hecho extensivo el uso de modelos en funcin de transferencia y
mtodos polinmicos. Histricamente un adelanto es la relacin cercana a la popular
tcnica de identificacin de las cajas negras. La desventaja con modelos de funcin de
transferencia es que su uso en el caso multivariable es que puede ser algo incomodo y
hay representaciones no mnimas. La ventaja es que no se necesita un estado observador
aunque se puede argumentar la necesidad de filtros de medicin implica el uso de
observadores cualquier modo de practica.
Tradicionalmente industriales no han favorecido ninguno de los modelos y han usado el
modelo de la respuesta al impuso finito (FIR). Son fciles de entender e interpretar,
siendo el caso, el proceso de respuesta al escaln. Aunque en prctica estos modelos
pueden ser determinados por una prueba de escaln, los requerimientos prcticos para
identificar modelos FIR es que se necesitan ms datos para identificar modelos de
espacio de estados y funcin de transferencia y adems hay cuestiones de cuando
truncar el FIR y la necesidad de requerimientos en grandes cantidades de
almacenamiento de datos innecesarios.

Modelado en espacio de estados

Usando la notacin de (.)k y (.)(k) para entender el valor en el k-simo instante de
muestra, el modelo en espacio de estados se da como sigue:
x1 k 1 a1,1 a1, 2 a1,n x1 k b1,1 b1, 2 b1,m u1 k
x k 1 a a 2, 2 a 2,n x 2 k b2,1 b2, 2 b2,m u 2 k
2 2 ,1


xn k 1 a n,1 an, 2 a n,n x n k bn,1 bn, 2 b n,m u m
k
x k 1 A xk B uk

y1 k c1,1 c1, 2 c1,n x1 k d1,1 d1, 2 d1,m u1 k

y k c c c 2,n x 2 k d 2,1 d 2, 2 d 2,m u 2 k
2 2,1 2, 2


yn
k cl ,1 cl , 2

cl ,n xn k d l ,1

d l , 2 d l ,m u m k

y k 1 C xk D uk

Una forma abreviada del modelo es

x k 1 Ax k Bu k ; y k Cx k Du k
x denota el vector de estado, y denota el proceso de salida a ser controlada y u denota el
proceso de entrada y A, B, C, D son matrices que se definen en el modelo de espacio de
estados. Generalmente para procesos reales D=0.

Sistemas no cuadrticos
Aunque MPC se puede manejar con sistemas no cuadrticos (l m), es usual hacerlo
cuadrtico y de ah controlar un sistema cuadrtico.
Si m > l, muchas entradas pueden ser usadas para la misma salida as que la
optimizacin debe ser obtenida para hacer un uso optimo de el ahorro de grados de
libertad. Si l < m, hay muy pocos grados de libertad entonces debemos de aceptar
compensacin en algunos lazos de salida.

Incluyendo un modelo de perturbacin

Perturbaciones de salida
Un modelo comn de perturbacin es dado como ruido blanco integrado. La
perturbacin dk es modelada como
d k 1 d k v k
Donde vk es desconocido y con significado cero. Se asume que dk es desconocido
auque desde luego puede ser en parte conocido por un observador.
La perturbacin se puede incorporar al modelo de espacio de estados
y k Cx k Du k d k
Desde luego la perturbacin es desconocida, como lo es estado xk, entonces debera ser
estimado. Incluyendo la perturbacin en el sistema dinmico, el modelo del proceso
asumido es
~z B
z k 1 A ~u ; y C~z D
~u v
k k k k k k

Donde
x ~ A 0 ~ B ~
z k 1 k 1 ; A ; B 0 ; C C I
d k 1 0 I
Un observador puede ser construido para este modelo, bajo la usual suposicin de
observabilidad, para dar estimados de ambos el estado x y la perturbacin d.

Estado de perturbacin
En este caso se sigue la suposicin que d k 1 d k v k pero se incluye la ecuacin de
estado actualizado como:
x k 1 Ax k Bu k Fd k ; d k 1 d k v k ; y k Cx k Du k
El modelo de proceso total debe ser argumentada para incluir la dinmica de la
perturbacin como sigue:
~z B
z k 1 A ~u ; y C~z D
~u v
k k k k k k

Donde
x ~ A F ~ B ~
z k 1 k 1 ; A ; B 0 ; C C I
d k 1 0 I

Inclusin sistemtica de la accin integral con modelo de estado de espacio

Compensacin con retroalimentacin tpica de estado
Se asume para todo proceso real que no hay alimentacin instantnea a travs de la
entrada a la salida, esto es D = 0. Entonces la tpica forma de estabilidad en la
retroalimentacin de estado es
u k Kx k
No dar un control libre de compensacin en presencia de perturbaciones.

Una forma de retroalimentacin de estado sin compensar

Considerar una alternativa a la retroalimentacin de estado
u K x x ss u ss
Donde xss, uss son estimados de los valores del estado-estable y metiendo una
compensacin libre de rastreo dada. Bajo la suposicin que xss, uss son constantes,
entonces para una dk arreglada, dicha ley de control necesitara tener
x x ss
lim k
k u u
k ss

Claramente la compensacin libre de rastreo sigue automticamente si

x k x ss
yk r
u k u ss
Donde r es el punto de partida.
Estimando los valores de estado estable del estado y entrada
Para implementar la ley de control u K x x ss u ss , necesitamos un medio de
estimacin mutua de valores constantes para los estados observadores xss, uss. Primero
asumimos observabilidad para que los estados estimados converjan y estn constantes
para la forma del modelo. Definir la salida deseada como punto de partida r.
1. Asumir que el estimado actual de d es el mejor estimado de este valor en el
futuro.
2. Dado que d, r son conocidos, se puede estimar los valores de estado estable
requeridos (xss, uss) de x, u para obtener una salida correcta desde la
condicin de consistencia relevante.
r Cx ss d r Cx ss
o
x ss Ax ss Bu ss x ss Ax ss Bu ss Fd
3. Estas son ecuaciones simples simultaneas y dan una solucin de la forma
x ss r
u M d donde
ss
la matriz M depende nicamente de las matrices A, B, C, F que representan
el modelo.

Modelos de funcin de transferencia (una entrada/una salida)

Un modelo popular el llamado controlled auto-regresive integrated moving average
(CARIMA), puede capturar la mayor de la variabilidad en modelos de funcin de
transferencia por una conveniente seleccin de parmetros. Se da como
T ( z)
a z y k b( z )u k vk
( z )
Donde vk es una variable desconocida de significado cero aleatorio que puede
representar los efectos de perturbacin y mediciones de sonido simultneamente.
Aunque existen tcnicas de modelado para calcular los parmetros que mejor se ajustan
a a(z),b(z) y T(z), en MPC es comn tratar a T(z) como un parmetro de diseo; porque
tiene efectos directos sobre la sensibilidad del lazo y as uno puede tener mejor
rendimiento de lazo cerrado con un T(z) que es tericamente no muy bien ajustado. Para
un caso de T=1 se da
y k 1 a1 y k a n y k n 1 b1u k b2 u k 1 bn u k n 1 d k 1
Donde a( z ) 1 a1 z 1 a n z n ,
b( z ) b1 z 1 bn z n y d k es el termino
T ( z)
desconocido de la perturbacin derivado de d k vk
( z )
Modelando las perturbaciones
Al escoger T(z) = 1 tenemos
1
dk v k d k 1 d k v k
( z )
Este representa el ruido blanco, es un modelo bien aceptado para las perturbaciones.

Estados estables constantes estimados con modelos CARIMA

Para alcanzar una accin integral en una ley de control de un MPC es una evaluacin
constante y correcta para el esperado valor de estado estable para la entrada as que se
obtiene compensacin libre de rastreo. La salida deseada es el punto de partida, pero el
valor correspondiente depende de la perturbacin desconocida. Si se asume que
d k d k 1 , v k 0 , entonces d k puede ser inferido escribiendo 2.17 en los instantes de
muestra actual y previa y resolviendo desde las dos ecuaciones simultaneas implcitas.
Sin embargo en MPC se utiliza un mtodo diferente. En 2.16 se hace una versin de
incremento, relacionar las salidas a incrementos de control u k u k u k 1 .
a ( z ) ( z ) y ( z ) b ( z ) u ( z ) T ( z ) v
Se nota que en esta operacin se elimina la variable dk y solo resta el desconocido, vk, es
cero, puede asumirse cero en el futuro, y de hecho no afecta predicciones.
Un segundo beneficio usando esta ecuacin es que la entrada ahora se escribe en
trminos de incrementos y claramente en estado estable los incrementos sern cero. Esto
es
lim u k u ss 0
k

Alcanzando la accin integral con modelos CARIMA

Se sabe que en MPC las leyes de control estn basadas en modelos de funcin de
transferencia y dependen de predicciones y deben tomar la forma:
Dk ( z )u Pr ( z )r N k ( z ) y

Es clara la presencia del termino Dk en el cual hay un integrador y de ah que las

perturbaciones sean rechazadas. Uno debe tener en cuenta las siguientes condiciones de
estado estable
u k 0; y k r k
Implica claramente
Pr (1) N k (1)
Seleccin de T(z) para MPC
Aunque T es un diseo de polinomios usado para modelar la seal de perturbacin y
de hecho mejora el rechazo de perturbacin, puede ser tambin usado para realzar
robustes en el lazo cerrado. El diseo de T no es sistemtico en general y solo se da una
pequea gua bsica:
1. Dejar que T aT , donde a contiene del sistema los polos dominantes y T
contiene los polos mas lejanos cerca del uno. Para un sistema muestreado a
rangos tpicos T 1 0.8 z 1 trabajan bien.
n

2. Disear 1/T para ser un filtro pasa bajas que remueve ruido de frecuencias altas
pero no las frecuencias dominantes en el modelo.
3. Usar algo de prueba y error. Si T = 1 trabaja bien, entonces se podr tener un
pequeo beneficio con un T ms complicado.
4. El uso de T = a tiene equivalencia al uso de un modelo FIR.
5. Diseos sistemticos para T no son simples y en consecuencia complicados.

Modelos FIR
Son los modelos encontrados ms comnmente en MPC industriales.

Modelos de respuesta al impulso

Toma un modelo con entradas, salidas y perturbaciones u, y, d respectivamente
y k G( z) d k
Entonces el proceso G(z) puede ser representado por una serie de Taylor en retrazo de
operador, esto es

G( z) G z
i 0
i
1

Esta secuencia puede ser vista al equivalente de una respuesta al impulso, los valores
esperados de la salida y en el evento u comprende un solo impulso. Con modelos de
funciones de transferencia, los parmetros Gi pueden ser identificados usando mtodos
estndar.
Desventajas: los impulsos no son usados en prctica as que la secuencia no maneja la
intuicin por si misma. Tambin se necesitara un gran nmero de trminos para que
converja adecuadamente.
Ventajas: uno puede excluir cosas como la seleccin del orden del modelo y la
identificacin del tiempo muerto.

Modelos de respuesta al escaln

Est dado por una secuencia de valores que representan la respuesta del escaln al
proceso, se puede escribir como:

H ( z) H
i 0
i z i

Donde H(z) = G(z)/(z). La ecuacin de entrada-salida queda de la siguiente forma

y k H ( z ) u k d k
Desventajas: se necesita un gran nmero de trminos para que converja. En general
lim i H i 0 .
Ventajas: uno puede excluir cosas como la seleccin del orden del modelo y la
identificacin del tiempo muerto siendo intuitivo y fcil de entender.

Modelos independientes
Los modelos independientes (IM) no son una forma diferente de modelo; hay una
pequea clave de cmo es usado el modelo. Se puede presentar cambios en sensibilidad
del lazo cerrado, aunque no en el desempeo nominal.
Tiene conexiones con las ideas de un modelo de control interno.
La aproximacin IM no se restringe a ningn tipo de modelo.
Su uso es equivalente a un modelo FIR sin el trunque de errores.
Incluso si IM es un modelo de espacio de estado, un observador no es requerido.

Descripcin matriz-fraccin
Un modelo de funcin de transferencia MIMO puede ser representado en descripcin
matriz-fraccin (MFD)
T ( z)v
| D( z )y ( z ) N ( z )u( z )

Donde N(z), D(z) son matrices de polinomios en el operador de retrazo. En forma de
ecuacin de diferencias (con T = 1) da
y k 1 N 1 u k N 2 u k 1 N l u k l
D1 y k D2 y k 1 Dm y k m
Estos modelos pueden ser usados del mismo modo que en modelos CARIMA SISO.
Modelos FIR son una forma particular de MFD con D(z) = I.
Desventajas: seleccin del orden/ tiempo muerto para dar identificacin numricamente
robusta no es buena.
Ventajas: es fcil identificar con paquetes estndar y un nmero de parmetros
relativamente pequeos. No se necesita un observador.
Modelando los tiempos muertos en un proceso
Es bien conocido para el anlisis simple de estabilidad Nyquist que el tiempo muerto
hace los sistemas ms difciles de controlar y aun ms la discrepancia entre el tiempo
muerto asumido y el actual pueden hacer grandes diferencias en la calidad de control.
Una solucin es predictor Smith para simular el valor esperado en el proceso del futuro
y controla una compensacin mejor que la planta. Da mrgenes de estabilidad
equivalentes al proceso sin el tiempo muerto pero la aproximacin es sensible a los
errores en el tiempo muerto.
MPC usa una estrategia similar. El clculo de la ley de control se basa en toda una
trayectoria, y no solo en un solo punto, de ah el nfasis es puesto en donde la respuesta
coloca los transitorios. Lo que implica el modelado es que en la etapa de identificacin
se puede permitir la desestimacin del tiempo muerto y dejar que la identificacin del
algoritmo inserte pequeos valores a los coeficientes que quizs deberan ser cero. Esto
simplifica el modelado y tiene un insignificante efecto en el diseo del control.
Como ejemplo, si la planta fuera
z 3 (1 2 z 1 )
G
1 0.8 z 1
Entonces usando
z 2 z 3 (1 2 z 1 )
G
1 0.8 z 1
Incluso donde no sea pequeo podra estar bien en prctica.