Introducción al control avanzado:

Objetivo: mantener todas las variables críticas de un proceso cerca de sus valores óptimos de
operación.

 Transferir al proceso de un punto de operación a otro según una trayectoria

planificada.
 Garantizar estabilidad
 Precisión en el seguimiento de referencias y rechazo de perturbaciones
 Rapidez
 Atenuar la amplificación del ruido de medida
 Robustez frente a errores de modelado de la planta.

El sistema de control consiste en establecer un compromiso entre objetivos contradictorios

como aumentar la rapidez en el seguimiento de la referencia o atenuar las componentes de
alta frecuencia de la perturbación.

Los controles pueden ser continuos (inf. Estados, reversibles y monótonos) o discretos
(conjunto de estados, reversibles, no monótonos).

Los controles más comunes son los PIDs ya que proporcionan una respuesta estable en la
mayoría de los casos.

P: o rapidez o amortiguamiento.

PD:

 Produce adelanto de fase

 Problemas con ruido

PI:

 Mejora la precisión en el seguimiento a referencias

 Produce retardo de fase

PID:

 Necesita información reducida del comportamiento del proceso y se puede conseguir

por procesos prácticos.
 Robusto frente a errores de modelado.
 Reajuste sencillo.
 K sube la gráfica
 Margen fase: Fase corte con 0dB ‐180º
 Margen de ganancia: ganancia a ‐180º
 Diagrama Nyquist (lazo abierto) tiene que dejar el ‐1 a la izda. en sentido de W
crecientes
 Si pasa cerca del ‐1 es poco amortiguado
 Generalmente usamos la implementación en paralelo

El control avanzado se encarga de los sistemas con los que el PID no puede (retardos,
inestables, MIMO)

Control de un sistema SISO:

El filtro H sirve para atenuar el ruido de medida y evita el aliasing.

Control en lazo abierto:

Sería óptimo si se conociese la planta y fuese invertible y la perturbación, pero a veces no es

así por lo que no es eficaz.

Control en lazo cerrado:

Incrementar demasiado la ganancia C (de la medida) hace que la función de transferencia en

lazo abierto G se acerque al ‐1 y por lo tanto muy POCO amortiguado y por lo tanto se debe
limitar el incremento de la ganancia C a frecuencias medias.

La función de sensibilidad permite evaluar:

 Margen global de estabilidad (S no debe superar los 6dB)

 Robustez del sistema
 Rechazo de las perturbaciones, cuanto mayor sea la frecuencia de corte más eficaz
será el rechazo.

dF*G / dG*F = 1/(1+G) = S

El sistema de control busca una solución equilibrada entre todos los objetivos.

El PID tiene problemas en 3 situaciones:

 Plantas con diagramas de Black horizontales

 Plantas con diagramas de Black muy verticales
 Plantas inestables

Procesos con retardos:

La mayoría de las plantas industriales exhiben retardos en las relaciones entre las variables de
entrada y salida.

Si pretendemos actuar con rapidez terminamos generando una respuesta oscilante en el

sistema porque la medida no representa el estado actual del sistema debido al retraso
existente en la medida real.

Para ello se usa un predictor de Smith que consiste en predecir el valor de la salida
descontando el valor del retardo y diseñar un control virtual sin retardo y el error se
realimenta al control para compensarlo.

El primer requisito para el diseño de un regulador es disponer de un modelo matemático de

carácter dinámico que represente la relación entre la variable de mando y la salida del sistema
a controlar.

El problema de un PI es que no es posible conseguir una respuesta rápida sin comprometer el

amortiguamiento del sistema.

Se diseña el control sin tener en cuenta el retardo y luego realmente se implementa la

estuctura del predictor de Smith.

Control en cascada:

Un principio básico es que cuanta más información se disponga de la planta más ambicioso
podrá ser el control, como emplear más medidas en la realimentación permitirá mejorar la
respuesta a la referencia y a las perturbaciones y le dará robustez.

Una variante del PID es el denominado control en cascada en el que hay dos variables medidas
y una única variable de control.

Se diseña un lazo interno de control mientras que el lazo exterior actúa sobre la referencia del
interno.
Entre las ventajas:

 Eliminas un integrador.
 Amortiguas una dinámica inestable.
 Rechazas con mayor rapidez ciertas perturbaciones.
 Incrementas la rapidez del sistema.
 Linealiza la no linealidad del sistema.
 Limita el valor de las variables internas.

Si se emplea un único actuador se requiere que sea rápido y con margen amplio de actuación.

PID con prealimentación (feed‐forward): si conozco la perturbación que voy a recibir en mi

sistema después de la planta o a mitad puedo restársela antes y contrarrestar el efecto. Justo
antes de la planta le pongo un restador de Cpre = Perturbación/Planta.

Control multivariable:

Para plantas industriales que requieren el control simultáneo de un conjunto de variables de

salida.

Los sistemas de control multivariable pueden aplicar una estrategia de control descentralizada
o centralizada.

El control descentralizado se basa en la implantación de múltiples controles de lazos de

control SISO con una mayor facilidad de diseño, implantación y ajuste, típicamente PIDs. En
este caso, el fallo de un sensor en uno de los lazos no afectará a los demás controles
significativamente por lo que las demás variables se mantendrán cerca de sus valores de
referencia. Este control consiste en el emparejamiento entre variables de control y variables
controladas, pero para ello han de ser plantas cuadradas.

El control centralizado utiliza más información del proceso ya que utiliza un modelo matricial
del proceso. En este caso, un fallo en un componente puede provocar la parada de todo el
proceso. En este control todos los datos se controlan y procesan desde una CPU central.

Como conclusión, un control descentralizado requiere más información del comportamiento

real y menos modelo matemático de la planta, siendo al revés en el centralizado.

Control descentralizado:

En ciertos casos, un cambio en una variable solo afecta a una de las variables controladas y es
posible emparejarlas dando lugar a un conjunto de sistemas SISO independientes.
Las interacciones mutuas que puedan tener con las otras variables son pequeñas en este caso
y pueden asimilarse como perturbaciones. Sin embargo si estas interacciones son grandes
pueden conducir a un deterioro de la respuesta o incluso a la inestabilidad del sistema.

Un PID para estos lazos SISO puede ser una solución aceptable.

Para los casos en los que el emparejamiento no es evidente se puede recurrir a la matriz de
ganancias estáticas RGA.

El control por desacoplo (o descentralizado) consiste en definir matemáticamente un nuevo

conjunto de variables de control para el que las interacciones con las otras variables
desaparecen. Esto se consigue transformando la matriz de funciones de transferencia en otra
con estructura diagonal para crear los lazos SISO independientes.

Como estas nuevas variables matemáticas no existen, es necesario utilizar las relaciones
matemáticas para obtener nuevamente las acciones a aplicar sobre las variables controlables
(actuadores).

Presentan inconvenientes:

 El fallo de un componente puede provocar un fallo en cadena.

 Los reguladores comerciales no permiten su implementación.
 La respuesta a la perturbación no está optimizada.
 Control poco robusto.

Control centralizado:

Recibe la información de todas las medidas disponibles para generar simultáneamente los
mandos requeridos por todos los actuadores presentes en el sistema con el fin de alcanzar los
objetivos específicos del control.

El ajuste suele ser poco intuitivo y está muy expuesto a un fallo global del sistema, por ello no
suele emplearse salvo para problemas muy complejos cuyo número de sensores y actuadores
sea limitado.

Se basan en la realimentación de las variables de estado de la planta aunque se procura evitar

la medida directa de todas las variables mediante el uso de estimadores de estado.

Hay dos tipos: por alimentación de estado (robótica) y control predictivo basado en modelo
(procesos industriales).

También pueden emplearse en sistemas SISO.

Control Predictivo basado en modelo:

El control predictivo basado en modelo MPC utiliza un modelo del proceso para predecir su
re3spuesta futura durante un horizonte de predicción finito. En cada intervalo de control, se
calcula la secuencia de variables de control que optimiza el comportamiento predicho de la
planta según una determinada función objetivo o de coste. Sin embargo, únicamente se aplica
a las variables de control el primer valor de ésta secuencia óptima calculada. Y se repite el
proceso en el siguiente intervalo de control.

Ejemplo. El conductor conoce la trayectoria que debe seguir el vehículo durante un horizonte
de predicción finito y teniendo en cuenta el comportamiento habitual del coche (planta)
decide qué acciones aplicar con el fin de aproximarse a la trayectoria óptima. Pero sólo las
decisiones correspondientes al primer instante son aplicadas, y repite este mismo proceso al
instante de después.

Este control tiene mucho éxito por su capacidad para resolver de forma sistemática cualquier
problema de control complejo: multivariantes con acoplamientos, inestables, no linealidades
etc. con controles estables y razonablemente robustos.

Constan de tres elementos:

 El modelo de predicción que permite hacer predicciones de los valores futuros de las
salidas en función de la secuencia de variables de control aplicadas en el instante
actual y que puede incluir además el efecto de las perturbaciones.
 La función objetivo que es la función de coste que se desea minimizar. Lo habitual es
que sea de tipo cuadrático y pese negativamente el error de control durante el
horizonte de predicción.
 Estrategia deslizante, que consiste en que una vez calculada la secuencia que minimiza
la función de coste en el horizonte de predicción, sólo se aplique la primera tanda de
mandos a los actuadores y a continuación se desplaza y se repite el proceso de
optimización.

Diseño e implementación:

 Definir variables a controlar, variables de control y perturbaciones medibles.

 Ensayar en lazo abierto introduciendo escalones para sacar las características de la
planta.
 Ajuste inicial de los parámetros del MPC
 Descargar el control en el dispositivo de cálculo y verificar.
 Cerrar el lazo y reajustar el control

Aplicación del control predictivo:

Control predictivo SISO: en una planta con una sola variable de control y una única variable
controlada con el objetivo de mantener la variable controlada en la referencia.

Elementos:

 consigna r
 variable controlada Y (salida del sistema que quiero controlar y mantener en la ref.)
 variable medida y
 variable de control u (o manipulada o actuador)
Control predictivo MIMO: una ventaja del MPC es que su generalización al caso MIMO es
inmediata. La matriz de trasferencia del proceso viene definida por el número de variables
controladas y el número de variables de control y da lugar a varios casos:

 Planta cuadrada en el cual el problema tiene una única solución aunque no son
habituales en el mundo real.
 Planta gruesa en el que tengo más medidas que controles y debo meterle más
restricciones como una manera eficiente de operar.
 Planta estrecha en la que tengo más controles que medidas y no es posible cumplir
con todos los objetivos del problema de control.

El desafío de un control MIMO es alcanzar los múltiples objetivos simultáneamente, y por ello
se le establecen prioridades en el control de sus variables (pesos).

La función de coste a minimizar se compone de varios elementos:

 Término de seguimiento a la consigna cuyo objetivo es que las salidas sigan sus
valores.
 Término de reducción de los incrementos de las variables de control que evita que las
reacciones seas demasiado rápidas pudiendo dar lugar a un mal uso y deterioro de los
actuadores.
 Término de seguimiento de los valores óptimos para las variables manipuladas en
plantas cuadradas o estrechas como se dijo anteriormente.

El modelo de predicción es necesario y puede ser un LTI (modelo lineal) que provenga de la
linealización del sistema en un punto. Este modelo se usa para calcular los incrementos que
hay que darle a las variables de control (actuadores) para que las variables controladas
(salidas) sigan a la consigna.

Si este modelo es preciso, el rango de actuación del control es amplio y el sistema alcanzará
rápidamente sus objetivos, aunque en la práctica, las imperfecciones del modelo y las
limitaciones físicas provocan un desvío continuo de las variables controladas.

En el cálculo de las variables de control (actuadores) (hay que ser gilipollas para llamar a las
variables controladas y de control que no se distinguen una mierda, cuando acabe estos
exámenes me voy a poner hasta el culo de porros) es posible considerar cualquier restricción
en dicha variable. Estas restricciones pueden ser duras o blandas dependiendo de si pueden o
no violarse y es posible especificar su dureza durante el diseño. Estas restricciones son muy
importantes ya que afectan al comportamiento del sistema aunque no se alcancen como se
explicará más adelante.

Es muy común que el modelo de predicción consista en una representación de estado

obtenida de la linealización del modelo de la planta para un punto de operación.

El sistema de control debe conocer el valor del vector de estado con el fin de poder realizar la
predicción del comportamiento de la planta durante el horizonte de predicción con el objetivo
de optimizar el proceso y sacar los siguientes valores para los actuadores. Sin embargo, la
medida de todo el estado no siempre es posible y se recurre a estimadores de estado a partir
de las medidas disponibles.

También hay que tener en cuenta que el modelo es un sistema en tiempo discreto, y si el
modelo real tiene retardos, éstos deberán ser introducidos en el modelo como como un
número entero de muestras de retardo. Si el retardo es muy grande puede deteriorarse la
respuesta y si se muestrea con demasiada rapidez se hace un gran consumo de memoria y
tiempo de computación en la implantación en tiempo real.

Finalmente este control siempre se implanta en tiempo discreto como un algoritmo ejecutado
en tiempo real en un dispositivo de computación.

¿Cómo funciona? (OTRA PUTA VEZ pero más en detalle)

Se hace una estimación del estado; para ello se utiliza la variable controlada (salida) y todas las
variables internas que influyan en su tendencia futura.

Con estos datos y los de la referencia deseada DURANTE UN HORIZONTE de PREDICCIÓN

ESPECIFICADO; y sólo se consideran las actuaciones de las variables de control otro tiempo
llamado HORIZONTE de CONTROL. (Hc<Hp).

Con todos estos datos se optimiza la secuencia de mandos, aunque sólo se aplicará a la planta
la primera muestra de ésta secuencia óptima obtenida, cuyos valores se mantendrán
constantes hasta el siguiente instante de muestreo. Es decir, que si mi tiempo de muestreo es
de 1min, calculo los valores óptimos en las salidas para el siguiente minuto y los aplico, y no los
modifico hasta pasado otro minuto que vuelvo a calcular etc.

Estos horizontes de predicción y de control tienen mucha influencia en la respuesta del

sistema debido a las restricciones y a los retardos de la planta.

 Si el horizonte de predicción es suficientemente largo, el sistema de control puede

detectar una futura violación de una restricción y actuar con más tiempo para evitarla
de una manera más suave, pero a su vez podría tener en cuenta futuras violaciones
que por cambios en el sistema o en la referencia, no se darían y no sería necesario
paliar, de ahí la posibilidad de suavizar restricciones al ajustar el control.
 Si la planta tiene D periodos de muestreo de retraso, el horizonte de predicción ha de
ser D veces más largo para que la optimización esté teniendo en cuenta la propia
entrada.
 También si la planta es de fase no mínima y por lo tanto su respuesta inicial es inversa
la optimización deberá centrarse en el largo plazo y no tener un horizonte de
predicción que solo cuente la parte que va al revés.
Utilizar márgenes de seguridad excesivos para no violar las restricciones en procesos
industriales no es una buena opción ya que empeora la calidad del producto y disminuye la
producción, y del mismo modo, si no se consideran las restricciones para la optimización y se
incluyen a posteriori las soluciones no son óptimas.

Control adaptativo:
Un control adaptativo es aquel en el cual se pueden modificar los valores de sus parámetros
frente a cambios en la dinámica del proceso controlado, lo que provoca que el control no sea
lineal.

El primer lazo es el de realimentación habitual entre proceso y control y el segundo es el

mecanismo para ajustar los parámetros o ganancias del control.

La primera solución que se dio fue el control de programación de ganancias (Gain Scheduling)
que consiste en diseñar y almacenar parámetros de diferentes controles para diferentes
condiciones de operación.

Otra estrategia se conoce como el control robusto, que consiste en estudiar todos los puntos y
hacer un control que valga para todos ellos de forma óptima globalmente sin ajustarse a
ninguno.

Un control adaptativo es no lineal y por lo tanto es mucho más difícil de ajustar y de analizar.
Un control robusto se basa en la idea de limitar el máximo de la función de sensibilidad al
mismo tiempo que se maximiza el ancho de banda de dicha función de sensibilidad (filtro paso
alto).

Estrategias de control adaptativo:

Programación de ganancia o Gain Scheduling que se basa en disponer de variables que tienen
una correlación significativa con el punto de operación, con lo que es posible detectarlo y
saber qué control se ha de utilizar de los que ya se han programado con anterioridad. El lazo
interno regula el sistema mientras que el externo regula los parámetros según el punto de
operación a partir de una función o de una tabla de búsqueda.

Sistema adaptativo con modelo de referencia (MRAS) que dispone de un modelo para calcular
como debiera ser idealmente la salida ante los cambios en la referencia, y el lazo cerrado que
le ajusta los parámetros
El regulador autoajustable (Self‐Tunning Regulator) estima previamente los parámetros del
proceso y posteriormente obtiene los del control resolviendo en tiempo real ¿COMOOORRR?

Identificación de sistemas:

El proceso iterativo seguido para construir los modelos matemáticos es el siguiente:

 Selección de la estructura y parametrización: se usan modelos sencillos basados en

una función de transferencia o una ecuación diferencial.
 El diseño del experimento sobre la planta real con condiciones de ensayo
representativas de las condiciones de operación.
 Estimación de los parámetros.
 Validación del modelo.

Estructuras para modelar sistemas dinámicos:

Una estructura es una relación matemática entre las entradas y las salidas de un sistema que
contiene parámetros desconocidos. Un ejemplo son las funciones de transferencia con ceros y
polos ajustables o las ecuaciones de una representación de estado.

Para la estimación de los parámetros se suele usar la optimización por mínimos cuadrados
entre la salida real y la salida del modelo parametrizado.

Para evaluar y mejorar el modelo se puede comparar la respuesta con la del sistema real para
las mismas entradas, analizar los errores finales tras la estimación de los parámetros o analizar
la incertidumbre del modelo me cago en todo me voy a mear.

La regla de oro para la selección de una estructura es optar por la más simple que proporciona
un ajuste satisfactorio teniendo en cuenta la aplicación del modelo.