Академический Документы
Профессиональный Документы
Культура Документы
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.
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.
x k 1 xk
x x k 2 ; x x k 1
k k
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
n( z )
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.
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:
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.
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.
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
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.
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 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.