AUTOMATIZACIÓN Y CONTROL DE

PROCESOS INDUSTRIALES 2021

CAPÍTULO 8: CONTROL PREDICTIVO

Prof. Aldo Cipriano

aciprian@[Link]
Junio 2021
 CONTROL PREDICTIVO
 Contenido
 Características de MPC

 Modelos para MPC

 Función objetivo

 Restricciones

 Obtención de la ley de control

 Aplicaciones

 Productos comerciales

2
 FUNDAMENTOS
 Características de MPC
 Se analiza el comportamiento del proceso en un horizonte futuro.

 Un modelo explícito del proceso calcula predicciones de las

variables.

 Es posible incorporar predicciones de los valores futuros de variables

como referencias y perturbaciones medidas.

 La señal de control se determina empleando optimización.

 Incluye una compensación intrínsica de las retardos.

 Es posible considerar restricciones en la etapa de diseño.

 Existen productos comerciales de control predictivo.

3
 FUNDAMENTOS
 Características de MPC
 Un modelo permite predecir el comportamiento de la planta.
 Un optimizador determina los controles futuros minimizando una
función objetivo.

4
 FUNDAMENTOS
 Genealogía de MPC

5
 FUNDAMENTOS
 Elementos de un MPC

En todos los algoritmos y productos comerciales de MPC se

encuentra:

 Un modelo de predicción
 Una función objetivo
 Un método de cálculo de la ley de control

Ejemplo de modelo de predicción lineal:

y(t 1 )a1 y(t)a2 y(t 1 )b1u(t)b2u(t1 )v(t)c
Ejemplo de modelo de predicción no lineal:

y(t1 )F  y(t),y(y1 ),u(t),u(t1 ),v(t)

6
 FUNDAMENTOS
 Función objetivo

 Ejemplo de función objetivo cuadrática:

2 N 2
J(N1,N 2 ,Nu )  δ(j) yˆ(t  j t)w(t  j)   λ(j)Δu(t  j1 )
N2 u

jN1 j1

Ejemplo de función objetivo no lineal:

N
J(N)   h y(t  j t), Δu(t  j  1 )
j 1

7
 FUNDAMENTOS

 MPC con restricciones

 yˆ(t k t) : Predicción con información disponible hasta el tiempo t.

 uˆ(t k t) : Control óptimo calculado en el tiempo t.

8
RESTRICCIONES

9
 RESTRICCIONES
 Efecto de las restricciones
En toda aplicación industrial existen restricciones que afectan la
evolución que pueden experimentar las variables controladas y
manipuladas. Algunas restricciones tienen implicancia económica,
como muestra el ejemplo siguiente: las restricciones sobre la presión P
obligan a reducir la producción Q. Al reducir la desviación estándar de
la presión P se logra aumentar la producción Q.

10
 RESTRICCIONES
 MPC con restricciones
El control predictivo con restricciones da origen al problema de
optimización:

Minimizar J(u) sujeto a R u < a

Se trata de minimizar una función objetivo cuadrática con restricciones

lineales, problema que requiere de soluciones iterativas.

En las aplicaciones industriales surgen problemas como los siguientes:

 No es posible asegurar la estabilidad en lazo cerrado.

 No existe una solución óptima, ya sea por falta de compatibilidad de

las restricciones, presencia de perturbaciones o imprecisiones
en el modelo.
11
 APLICACIONES

 Aplicaciones en procesos

 MPC en chancado

 MPC en plantas de molienda

 MPC en plantas de flotación

 MPC en espesamiento

 MPC y scheduling en fundición

 MPC en plantas de cemento

12
 APLICACIÓN: HINDUSTAN
 MPC en planta de cemento

13
 APLICACIÓN: HINDUSTAN
 MPC en planta de cemento

En Sonadith se encontraba instalado un sistema de control difuso que

controlaba un molino de rodillo vertical de la planta de cemento de
Sonadith, Lafarge, India. Con el desarrollo se pretendía:
 Estabilizar la operación
 Minimizar el consumo específico de energía
 Asegurar la consistencia del producto
 Automatizar las operación al mayor nivel posible.
Estos objetivos se alcanzaron con un control MPC que incluye:
 Modelo del proceso formulado en variables de estado
 Control multivariable para reducir variabilidad
 Control optimizante empleando modelos dinámicos
 Restricciones para operación segura de los equipos y del proceso.
14
 APLICACIÓN: HINDUSTAN

 MPC en planta de cemento

Se utilizaron sensores virtuales para estimar en línea la calidad del

producto, así como un sistema experto que detecta y gestiona
situaciones anómalas empleando heurísticas; el sistema experto activa
estrategias de control dependientes de las condiciones de operación.

El control MPC permitió reducir entre 10 y 39% la desviación estándar

de las variables de proceso más importantes, aumentar en 3% el
mineral procesado y reducir también en 3% el consumo específico de
energía.

La utilización del Toolkit APC (Advanced Process Control), un producto

diseñado por la misma empresa para el desarrollo rápido de
aplicaciones de control avanzado, permitió implantar la solución en 6
semanas. La inversión tuvo un payback inferior a 12 meses.
15
 APLICACIÓN: HINDUSTAN

 Planta de cemento, operación sin MPC

16
 APLICACIÓN: HINDUSTAN

 Planta de cemento, operación con MPC

17
 APLICACIÓN: PINTO VALLEY

 Total Plant Smart Grind Technology, Honeywell

 Controlador predictivo multivariable que optimiza con restriccciones

y emplea modelo neuronal de la potencia de molino SAG.

 Variables controladas: (a) Potencia del molino. (b) Carga del molino.
(c) Carga circulante. (d) Tamaño de partículas en el overflow de
ciclones.

 Variables manipuladas: (a) Tonelaje de alimentación. (b) Flujo de

agua al molino. (c) Flujo de agua al pozo. (d) Velocidad de la
bomba.

 Resultado: Aumento del 2% del mineral tratado.

18
 APLICACIÓN: PINTO VALLEY

 RMPCT en molienda de Pinto Valley, Arizona

Total Plant SmartGrind Multivariable Control integra MPC y redes

neuronales para predecir situaciones anómalas, como sobrecargas e
incursiones no deseadas de potencia. Permite estabilizar la operación,
aumentar el mineral tratado, aumentar la eficiencia energética, minimizar la
granulometría y su desviación estándar, y consecuentemente, aumentar la
recuperación.

19
 APLICACIÓN: PINTO VALLEY

 RMPCT en planta de molienda: variables

Variables Controladas Variables Manipuladas

Tonelaje de Alimentación de
Tamaño de Partículas
Mineral
Nivel de Pozo Adición de Agua al Pozo
% de Sólidos Adición de Agua al Molino
Potencia Demandada
Densidad de Alimentación a Ciclones
Flujo de Alimentación a Ciclones
% de Carga Circulante

20
 APLICACIÓN: PINTO VALLEY

 RMPCT en planta de molienda

21
 APLICACIÓN: PINTO VALLEY
 RMPCT en planta de molienda: identificación

22
 APLICACIÓN: PINTO VALLEY

 RMPCT en planta de molienda: resultados

Variable Molino 5 (*) Molino 4 Diferencia % Cambio
Tonelaje bajo malla 65, thp 360 344 16.6 4.83
Flujo de mineral, thp 476 477 -0.9 -0.19
PSM, % sobre malla 65 24.3 27.9 -3.6 -13.0
Potencia, KW 3233 3271 -3.8 -1.2
Carga circulante, % 527 485 41 8.5

23
 APLICACIÓN: NEW BRUNSWICK
 Síntesis
 Planta compleja, pero bien instrumentada, incluyendo dos analizadores
XRF.

 Primeramente se instalaron un controlador adaptivo de varianza mínima y

luego un sistema experto, que no produjeron los resultados económicos
esperados. Brünswick Mining y Noranda Technology Centre instalaron un
GPC, que emplea modelos ARX.

 El controlador se implementó en G2, haciendo uso del lenguaje para

diagrama de bloques GDA. Variable controlada: ley de cola promedio en %
(zinc + plomo). Variable manipulada: set-point del xantato.
Manual GPC

Horas Operación 214 530

Ley cola 52,8% 54,2%

Desviación estándar 3,96% 1,94%

24
 APLICACIÓN: NEW BRUNSWICK

 GPC en flotación, New Brunswick, Canadá

En la flotación del concentrador de New Brunswick, Canadá, se instaló

un Controlador Predictivo Generalizado (GPC), basado en un modelo
ARX que se identifica con datos de operación de la planta.
El controlador presenta reducciones significativas en la varianza de las
leyes y exhibe un buen desempeño ante perturbaciones y cambios de
referencia.

25
 APLICACIÓN: NEW BRUNSWICK

 GPC en flotación: panel de control para identificación

26
 APLICACIÓN: NEW BRUNSWICK

 GPC en flotación: modelo identificado

27
 APLICACIÓN: NEW BRUNSWICK

 GPC en flotación

28
 APLICACIÓN: NEW BRUNSWICK

 MPC en flotación: evaluación de desempeño

(% zinc y % plomo)

Estadísticas Modo manual Modo GPC

Horas of operación 214 530

Promedio ley de colas 52.8 54.2

Desviación estándar 3.96 1.94

29
 DESARROLLO EN LA UC

 Control predictivo híbrido del Convertidor Teniente

30
 DESARROLLO EN LA UC

 Control predictivo híbrido del Convertidor Teniente

 Motivación: Mejorar las características de los productos y minimizar

los costo de operación; Incorporar el control de niveles de las fases
liquidas.

 Diferencias con el control predictivo tradicional: Incorporación de

estados de las compuertas de sangrado como variables discretas;
Incorporación del estado de inclinación (hornos basculantes).

 Variables de estado discretas: Estado de la compuerta de metal

blanco; Estado de la compuerta de escoria; Estado de rotación.

 Restricciones adicionales para la Optimización: Incorporación de la

disponibilidad de los procesos posteriores, por ejemplo convertidores
Pierce-Smith y hornos de limpieza de escoria.

31
 DESARROLLO EN LA UC

 Modelo híbrido del Convertidor Teniente: modos de operación

y restricciones sobre las transiciones entre modos

32
 DESARROLLO EN LA UC

 Control Predictivo Híbrido del Convertidor Teniente

33
 DESARROLLO EN LA HUT

 MPC para procesos de extracción por solvente

 PLS: Pregnant Leach Solution; LE: Lean Electrolyt
 LO: Loaded Organic; Raff: Raffinate
 RE: Reach Electrolyte; BO: Barren Organic
 C: Concentration; F: Flow

34
 DESARROLLO EN LA HUT
 MPC para procesos de extracción por solvente

35
 DESARROLLO EN LA HUT

 MPC para procesos de extracción por solvente,

Helsinki University of Technology

 Con control PI control, la variabilidad de la concentración

de cobre del electrolito rico disminuyó en 70-80 %.

 Con MPC, la variabilidad de la concentración de cobre

en el electrolito rico disminuyó en 80-90%.

 La producción másica de cobre aumentó en 3 a 5% con

ambas estrategias.

36
 PRODUCTOS

 Arquitectura de control

37
 PRODUCTOS

 BrainWave, Andritz
 Controlador predictivo adaptivo basado en polinomios de Laguerre.

38
 PRODUCTOS

 BrainWave, Aplicación

39
 PRODUCTOS

 BrainWave, Aplicación

40
 PRODUCTOS

 BrainWave, Aplicación a molienda SAG

41
 PRODUCTOS

 BrainWave, Aplicación

42
 PRODUCTOS

 BrainWave, Aplicación

43
 PRODUCTOS

 Connisseur, Invensys

 Variables manipuladas ilimitadas

 Variables controladas ilimitadas

 Incorporación de señales mediante “drag and drop”

 Identificación lineal y no lineal

 Conexión por OPC

44
 PRODUCTOS
 Connisseur, Invensys

45
 PRODUCTOS
 FIR Model, Connisseur, Invensys

46
 PRODUCTOS

 Longe Range Constraint, Connisseur, Invensys

47
 PRODUCTOS
 Delta V Predict, Emerson

 Manejo de hasta 40 variables manipuladas o perturbaciones

medidas
 Manejo de hasta 80 variables controladas
 Funciones objetivo predefinidas y definibles por el usuario
 Conexión a DCS mediante OPC
 Protocolo Modbus

48
 PRODUCTOS
 Delta V Predict, Emerson
 Bloques funcionales de Delta V Predict

49
 PRODUCTOS
 Delta V Predict Pro, Emerson

50
 PRODUCTOS

 Delta V Predict Pro, Emerson

51
 PRODUCTOS

 Optimize Advanced Process Control, ABB

 Variables manipuladas ilimitadas

 Variables controladas ilimitadas
 Autosintonía del controlador predictivo
 Modelos entrada-salida o en variables de estado
 Incorpora algoritmo de estimación de estado

52
 PRODUCTOS

 Industrial Advanced Process Control, ABB

53
 PRODUCTOS
 Optimize ITT Expert Optimizer, ABB

54
 PRODUCTOS

 Advanced Process Control, Rockwell

55
 PRODUCTOS
 Arquitectura MPC, Rockwell

56
 PRODUCTOS
 Pavilion8, Rockwell

57
 PRODUCTOS
 Control Optimizante, Rockwell

58
 PRODUCTOS

 Profit Suite, Honeywell

 Manejo de hasta 100 variables manipuladas

 Manejo de hasta 100 variables controladas

 Manejo de hasta 100 perturbaciones medidas

 Módulo de identificación de modelos tipo función de transferencia

 Conexión a DCS mediante OPC

59
 PRODUCTOS

 Robust Multivariable Predictive Control, RMPCT,

Honeywell

60
AUTOMATIZACIÓN Y CONTROL DE
PROCESOS INDUSTRIALES 2021

CAPÍTULO 8: CONTROL PREDICTIVO

Prof. Aldo Cipriano

aciprian@[Link]
Junio 2021