_controlepreditivo
TRANSCRIPT
CONTROL PREDICTIVO BASEADO EMMODELO
Dr. Julio Elıas Normey Rico
Departamento de Automacao e SistemasUniversidade Federal de Santa Catarina
e-mail:[email protected]
Indice
1 Control Predictivo
2 Predictores en Control de Procesos
3 Control Predictivo Basado en Modelo (CPBM)
4 Control Predictivo Generalizado (GPC)
5 GPC para Procesos con Atraso
6 Conclusiones
Indice
1 Control Predictivo
2 Predictores en Control de Procesos
3 Control Predictivo Basado en Modelo (CPBM)
4 Control Predictivo Generalizado (GPC)
5 GPC para Procesos con Atraso
6 Conclusiones
Introduccion
Problemas industriales: MIMO, Restricciones,Perturbaciones
Precisamos de control simple de entender y general
Mas Usados: PID, DTC, MPC
Piramide de Control
Satisfaccion y simplicidad de uso
Indice
Introduccion
PID y SP
Control Predictivo Lineal
Principales Algortimos
Control Predictivo No Lineal
Casos de Estudio
Indice
1 Control Predictivo
2 Predictores en Control de Procesos
3 Control Predictivo Basado en Modelo (CPBM)
4 Control Predictivo Generalizado (GPC)
5 GPC para Procesos con Atraso
6 Conclusiones
Predictores en Control de Procesos
Definicion:
Accion predictiva de un controlador - manera de generaruna actuacion que pueda prever un determinado efecto enla respuesta del sistema y evitarlo o al menos disminuirlo.
Actuar ahora basandose en la prediccion delcomportamiento futuro del proceso.
Predictores en Control de Procesos
Prediccion en controladores PID
La forma mas simples de prediccion puede ser encontradaen un controlador PID.
Accion de control PID ideal:
u(t) = Kc[e(t) +1Ti
∫ t
0e(t)dt + Td
de(t)dt
] (1)
Accion proporcional+derivativa para calcular prediccionlineal del error del sistema Td u.t a frente de t :
uPD(t) = Kc[e(t) + Tddedt
(t)] = Kc e(t + Td | t) (2)
Predictores en Control de Procesos
Prediccion en controladores PID
Accion derivativa como prediccion lineal del error
dt
e(t)e(t+Td)
e(t)+Td de(t)
erro
tempot+TdtCaracterısticas:
Variacion de e(t) lenta y Td pequenobuena aproximacion de e(t + Td)
Variacion de e(t) rapida obliga a usar Td muy pequenoAjuste de Td no ofrecera una buena prediccion
Predictores en Control de Procesos
Aplicacion de la idea:
Proceso con pequeno atraso
Pe(s) =Kp
1 + Tse−Ls (3)
PID mejora la respuesta del PI (si correctamente ajustado)Accion derivativa permite generar una prediccion delcomportamiento y el control puede “actuar” previendo loque acontece despues del atraso.
Predictores en Control de Procesos
EJEMPLOPe(s) =
11 + 1.5s
e−Ls
0 1 2 3 4 5 6 7 8 9 10−0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
tempo (segundos)
saíd
a c
a
b
Predictores en Control de Procesos
EJEMPLOPe(s) =
11 + 1.5s
e−Ls
0 1 2 3 4 5 6 7 8 9 10−0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
tempo (segundos)
cont
role
a
b
c
Predictores en Control de Procesos
EJEMPLO Ajuste com o PID.
0 1 2 3 4 5 6 7 8 9 10−0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
tempo (segundos)
saíd
a
Predictores en Control de Procesos
EJEMPLO Ajuste com o PID.
0 1 2 3 4 5 6 7 8 9 10−5
0
5
10
15
20
25
tempo (segundos)
cont
role
Predictores en Control de Procesos
Cuando el PID es insuficiente?
atraso es dominante (mayor 2 X cte de tiempo del proceso)
sistema en lazo con respuestas rapidas.
e(t) es funcion de y(t) que fue generado por u(t − L)
PID actua en t prediciendo un error en t + Td que es muydiferente de e(t + Td) real.
Aumentar Td =⇒ Error Grande!
Predictores en Control de Procesos
¿Como mejorar esto?
Usar una prediccion mas proxima a la realidad
Control “ideal” de plantas con atraso:
G(s)r(t)
e−LsC(s)u(t) y(t)y1(t)
−
q(t)
Senal y1 no es accesible!
Predictores en Control de Procesos
Predictor de Smith
Usar predictor con correccion del error:
+
+
+
-
++
y(t)
u(t)
^
y(t)+
-
r(t)C(s)
q(t)
e(t)
y(t+Ln)
G(s) e-Ls
eGn(s)-Lns
Diagrama del Predictor de Smith - 1957
Idea el el dominio continuo → discretorestricto al control de procesos con atrasos
Predictores en Control de Procesos
Ventajas del PS:
Obtener respuestas mas rapidas de que as obtenidasusando un control PID
Ajuste es muy simple
Predictores en Control de Procesos
Extension de las ideas de prediccion¿por que limitar la prediccion al tiempo del atraso?
¿por que usar predictores solo en sistemas con atraso?
¿por que no aplicar la solucion a otras areas?
CONTROL OPTIMO
Optimizar una cierta funcion objetivo que es calculada enun horizonte futuro basado en el error futuro, el el controlfuturo y en las condiciones o restricciones.
Predictores en Control de Procesos
Estrutura del CPBM
CONTROLE
+
-
saida atual
saida do
modelo
saida futuraerro atual
condicoes e restricoes
controle atual
controle atual MODELO
CALCULO DO
PROCESSO
Indice
1 Control Predictivo
2 Predictores en Control de Procesos
3 Control Predictivo Basado en Modelo (CPBM)
4 Control Predictivo Generalizado (GPC)
5 GPC para Procesos con Atraso
6 Conclusiones
Control Predictivo Basado en Modelo (CPBM)
Ideas del CPBMUtilizar un modelo explıcito
Minimizaccion de un objetivo
Horizonte deslizante
Elementos del CPBMEl modelo de prediccion
Modelo del ProcesoModelo de las Perturbaciones
La funcion objetivo
Un metodo para la obtencion de la ley de control
Algoritmos de CPBM
DMC
GPC
UPC
Control Predictivo Basado en Modelo (CPBM)
Respuesta Impulsiva. Usado en el MAC.
y(t) =∞∑
i=1
hiu(t − i)
Solamente puede ser usado con plantas estables.
y(t) =N
∑
i=1
hiu(t − i) = H(z−1)u(t)
donde H(z−1) = h1z−1 + h2z−2 + · · · + hNz−N .Para determinar la prediccion de la salida:
y(t + k | t) =
N∑
i=1
hiu(t + k − i | t) = H(z−1)u(t + k | t)
Control Predictivo Basado en Modelo (CPBM)
- Ventajas:simples e intuitivo;no necesita del conocimiento a priori del proceso;puede ser usado en plantas multivariables;describe bien atrasos y comportamientos de fase nomınima.
- Desvantagens:no sirve para plantas inestables e integradoras;generalmente N es muy grande (muchos parametros).
Control Predictivo Basado en Modelo (CPBM)
Respuesta al Escalon. Usado por el DMC.
y(t) = y0 +N
∑
i=1
gi △ u(t − i) = y0 + G(z−1)(1 − z−1)u(t)
La prediccion en el punto de funcionamiento y0:
y(t + k | t) =N
∑
i=1
gi △ u(t + k − i | t)
Recordar
hi = gi − gi−1 gi =i
∑
j=1
hj
Ventajas y Desventajas:las mismas que el modelo de respuesta impulsiva
Control Predictivo Basado en Modelo (CPBM)
Funcion de Transferencia. Usado en el GPC, UPC, EPSAC,EHAC, ...
A(z−1)y(t) = B(z−1)u(t)
A(z−1) = 1 + a1z−1 + a2z−2 + · · · + anaz−na
B(z−1) = b1z−1 + b2z−2 + · · · + bnbz−nb
Prediccion de la salida:
y(t + k | t) =B(z−1)
A(z−1)u(t + k | t)
Control Predictivo Basado en Modelo (CPBM)
- Ventajasvalida para “todo” proceso;pocos parametros.
- Desventajanecesidad de conocer a priori el orden de los polinomios Ay B cuando el modelo es identificado.
Control Predictivo Basado en Modelo (CPBM)
Espacio de estados. Usado en el PFC.
x(t) = Mx(t − 1) + Nu(t − 1)
y(t) = Qx(t)
Prediccion calculada como:
y(t + k | t) = Qx(t + k | t) = Q[Mk x(t) +
k∑
i=1
M i−1Nu(t + k − i | t)]
- Ventaja:extension directa para caso MIMO
- Desventaja:estados sim significado fısico;estados no medibles(observadores);complejidad de calculo del control.
Control Predictivo Basado en Modelo (CPBM)
Otros modelos. Usados cuando no el posible usarmodelos lineales.
No lineales;Redes neuronales;Logica nebulosa (fuzzy).
Control Predictivo Basado en Modelo (CPBM)
El Modelo de las PerturbacionesARIMA (Auto-Regressive and Integrated Moving Average)
n(t) =C(z−1)e(t)
D(z−1)
D(z−1) incluye un integrador △ = 1 − z−1
Permite representar la mayorıa de los fenomenos:movimientos brownianos;cambios aleatorios;off-sets.
Es usado en GPC, EPSAC, EHAC y UPC, ...
Control Predictivo Basado en Modelo (CPBM)
Casos particulares:
Modelo usado en DMC:
n(t) =e(t)
1 − z−1
Mejor prediccion (e(t) tiene media cero):
n(t + k | t) = n(t)
Modelo usado no PFC:
n(t) =e(t)
(1 − z−1)2
n(t + k | t) = n(t) + (n(t) − n(t − 1))k
Control Predictivo Basado en Modelo (CPBM)
Respuesta libre e forzadaIdea:
Respuesta obtenida con control futuro nulo (RESPUESTALIBRE)Respuesta con control futuro impuesto y condicionesiniciales nulas (RESPUESTA FORZADA)
¿Cual es o control futuro que debe ser aplicado para que larespuesta sea la deseada?
Si la respuesta LIBRE es apropiada −→ MANTENERCONTROL FUTURO CEROSi la respuesta LIBRE no es apropiada −→ MODIFICARCONTROL FUTURO
¿Como modificar o control?Minimizando un ındice que considere:
error de seguimiento de la referenciaesfuerzo de control.
Control Predictivo Basado en Modelo (CPBM)
FUNCION OBJETIVO
Ideias:Seguir referencia futura
Ponderar o esfuerzo de control
Expresion general:
J =
N2∑
j=N1
δ(j)[y (t + j | t) − w(t + j)]2 +
Nu∑
j=1
λ(j)[△u(t + j − 1)]2
Elementos:
Parametros: N1, N2, Nu, δ(t) y λ(t).
Control Predictivo Basado en Modelo (CPBM)
J =
N2∑
j=N1
δ(j)[y (t + j | t) − w(t + j)]2 +
Nu∑
j=1
λ(j)[△u(t + j − 1)]2
Elementos:
Parametros: N1, N2, Nu, δ(t) y λ(t).
N1: d + 1 mınimoN1 ↑ permanenteN1 ↓ transitorio
N2: d + N ⇒ informacion de la respuesta:“ventana”Nu: Nu ↑ penaliza mas futuro ⇒ control mas suaveδ y λ: afectan la penalizacion
λ ↓ ⇒ control mas “violento”variables a lo largo del horizonte ⇒ importante transitorio Xpermanente
Control Predictivo Basado en Modelo (CPBM)
Trayectoria de referencia:Si la trayectoria es conocida ⇒ ventaja del MBPCEx: robotica,. servoaccionamiento, batch...Usar:
Real trayectoria w(t + k) = r(t + k)
w(t + k): Aproximacion mas suave
Forma tıpica (filtro PB de primer orden)
w(t) = r(t)
w(t + k) = αw(t + k − 1) + (1 − α)r(t + k) k = 1 . . . N
Idea de los controles TDOFImportancia:
Conocer el instante de variacion de la referencia (mismo nocaso de r=cte)Ayudar a mejorar los transitorios.El sistema prepara-se para el cambio.
Control Predictivo Basado en Modelo (CPBM)
Restricciones:No control:
saturacion“slew-rate” maximorango de actuacion
En la salida:seguridad (max/min)economıa
Minimizar la funcion objetivo bajo restricciones
umin ≤ u(t) ≤ umax ∀t
dumin ≤ u(t) − u(t − 1) ≤ dumax ∀t
ymin ≤ y(t) ≤ ymax ∀t
⇓Algoritmos de Optimizacion Complexos
Grande utilidad en la industria;Motivo del suceso del DMC y MAC en la industriapetroquımica.
Control Predictivo Basado en Modelo (CPBM)
CONTROLE PREDICTIVO DE PROCESOS CON ATRASO
Diferencias de los algoritmos CPBM
El modelo ARIMA es mas general
Los modelos respuesta escalon e impulsiva necesitan demuchos parametros cuando el atraso e grande
Los modelos parametricos permiten dejar el atrasoevidencia en el modelo
Ventajas del algoritmo GPC
El modelo es general
El atraso es representado por z−d
Permite usar polinomios de filtrado para mejorar robustezy rechazo de perturbaciones
El estudio podrıa ser hecho tambien con otros algoritmosde CPBM.
Indice
1 Control Predictivo
2 Predictores en Control de Procesos
3 Control Predictivo Basado en Modelo (CPBM)
4 Control Predictivo Generalizado (GPC)
5 GPC para Procesos con Atraso
6 Conclusiones
Control Predictivo Generalizado (GPC)
Algoritmo de control GPC
Modelo para calculo de predicciones
A(z−1)y(t) = z−d B(z−1)u(t − 1) + C(z−1)e(t)
D(z−1)△
A, B, C y D polinomios en funcion del operador atraso z−1
Funcion Objetivo
J =
N2∑
j=N1
δ(j)[y (t + j | t) − w(t + j)]2 +
Nu∑
j=1
λ(j)[△u(t + j − 1)]2
AjusteHorizontes N1, N2, Nu
Ponderaciones δ(j), λ(j)
ObjetivoCalcular control futuro u(t), u(t + 1), ... para minimizar J
Control Predictivo Generalizado (GPC)
Calculo de las Predicciones
GPC utiliza la prediccion optima:
y(t + j/t) = E(y(t + j))
¿Como obtener y(t + j/t) optimo?Se no hay perturbaciones:
A(z−1)y(t) = z−dB(z−1)u(t − 1)
Cuando hay perturbaciones −→ Usar a informacion de e(t)
Control Predictivo Generalizado (GPC)
Calculo de las Predicciones
Ecuacion Diofantina (A(z−1) = △A(z−1))
1 = Ej(z−1)A(z−1) + z−jFj(z
−1)
Ej e Fj : ordenes j − 1 y na, respectivamente.
Division de 1 por A(z−1)Resto = z−jFj(z−1)Quociente= Ej(z−1)
Modelo:
A(z−1)Ej(z−1)y(t + j) =
Ej(z−1)B(z−1) △ u(t + j − d − 1) + Ej(z
−1)e(t + j)
Control Predictivo Generalizado (GPC)
Calculo de las PrediccionesPrediccion y(t + j):
y(t + j) = Ej(z−1)B(z−1) △ u(t + j − d − 1)
+Ej(z−1)e(t + j) + Fj(z
−1)y(t)
Observar que Ej(z−1) esta en el futuro ya que
grau(Ej) = j − 1
Mejor prediccion para y(t + j) en el sentido estocastico:
y(t + j | t) = Gj(z−1) △ u(t + j − d − 1) + Fj(z
−1)y(t)
donde Gj(z−1) = Ej(z−1)B(z−1)
Calculos de los polinomios Ej e Fjrecursivamentedirectamente - division de 1 por A(z−1)
Control Predictivo Generalizado (GPC)
Calculo de las Predicciones
Prediccion Optima:Combinacion lineal de las salidas anteriores del proceso(de t a t − na) y de los controles pasados e futuros.
Predicciones Optimas no Horizonte N
y(t + d + 1 | t) = Gd+1 △ u(t) + Fd+1y(t)
y(t + d + 2 | t) = Gd+2 △ u(t + 1) + Fd+2y(t)...
y(t + d + N | t) = Gd+N △ u(t + N − 1) + Fd+Ny(t)
Control Predictivo Generalizado (GPC)
Calculo de las Predicciones
Forma Vectorial
y = Gu + F(z−1)y(t) + G′(z−1) △ u(t − 1)
Respuesta libre fr + respuesta forzada
y = Gu + fr
y = Gu - respuesta obtenida si las condiciones inicialesson nulas;
y = fr - respuesta obtenida si el control futuro es cero.
Control Predictivo Generalizado (GPC)
MATRICES PARA CALCULO DE LAS PREDICCIONES
y =
y(t + d + 1 | t)y(t + d + 2 | t)
...y(t + d + N | t)
F(z−1) =
Fd+1(z−1)
Fd+2(z−1)...
Fd+N(z−1)
u =
△u(t)△u(t + 1)
...△u(t + N − 1)
G =
g0 0 ... 0g1 g0 ... 0...
......
...gN−1 gN−2 ... g0
G′(z−1) =
(Gd+1(z−1) − g0)z(Gd+2(z−1) − g0 − g1z−1)z2
...(Gd+N(z−1) − g0 − g1z−1 − · · · − gN−1z−(N−1))zN
Control Predictivo Generalizado (GPC)
Calculo del control en la practica
Matriz G es la respuesta al ESCALON calculada como:
gj =
j∑
i=1
aigj−i +
j−1∑
i=0
bi j = 0...N − 1,
¿Como calcular u optimo?Caso simple: δ(j) = 1 y λ(j) = λ constantes.Error de prediccion: y − w
J = (y − w)T (y − w) + λuT u
J = (Gu + fr − w)T (Gu + fr − w) + λuT u
J = (Gu + fr − w)T Qδ(Gu + fr − w) + uT Qλu
Control Predictivo Generalizado (GPC)
Forma final del control en la practica
Forma Cuadratica:
J =12
uT Hu + bT u + f0
donde: H = 2(GT G + λI)
bT = 2(fr − w)T G
f0 = (fr − w)T (fr − w)
Calculo del Controle:
u = −H−1b = (GT G + λI)−1GT (w − fr )
Algoritmo de Horizonte Deslizante:unicamente u(t) e aplicada
Ley de Control Final: △ u(t) = K(w − fr ) odnde K es laprimera fila de la matriz (GT G + λI)−1GT .
Control Predictivo Generalizado (GPC)
Diagrama de bloques del sistema en lazo cerrado
-
saida atual
Calcula resposta livre
controle atual
fr
wK
+PROCESSO
Horizonte Deslizante:
∆u(t) es aplicado
control es recalculado en (t + 1)
solamente se usa la 1a. fila de K !
Indice
1 Control Predictivo
2 Predictores en Control de Procesos
3 Control Predictivo Basado en Modelo (CPBM)
4 Control Predictivo Generalizado (GPC)
5 GPC para Procesos con Atraso
6 Conclusiones
GPC para Procesos con Atraso
Ventajas Principales:Considerar referencias futuras
Importante en:roboticarobotica movil“batch processes”
Tratar restricciones en el calculo del control −→fundamental en aplicaciones industrialesIncluir sistemas con atrasos
Importante en:industria de procesosteleoperacioneconomıabio-sistemas
⇓Estudiar las propiedades del GPC
cuando controla procesos con atrasos(principalmente grandes atrasos e atrasos mal estimados)
GPC para Procesos con Atraso
Interesa solamente y(t + d + j | t)
Se considera inicialmente el modelo mas simple con T = 1
Con un procedimiento similar al ya visto se obtiene laspredicciones.
y(t+d+1|t)y(t+d+2|t)
...y(t+d+N|t)
=G
△u(t)△u(t + 1)
...△u(t+N−1)
+H
△u(t−1)△u(t−2)
...△u(t−nb)
+S
y(t + d |t)y(t+d−1|t)
...y(t+d−na|t)
,Escribiendo en la forma vectorial:
y = G u + H u1 + S e1
GPC para Procesos con Atraso
Nuevamentey = G u + fr
Ahora fr esta en funcion de y(t + d | t)
Como obtener la nova ley de control?
Nuevamente minimizando J con relacion al vector uUsando horizonte deslizante, se calcula solamente △u(t)
CONTROLE FINAL:
△u(t) = ly1y(t+d | t)+ly2y(t+d−1 | t)+...+lyna+1y(t+d−na | t)
+lu1 △ u(t − 1) + lu2 △ u(t − 2) + ... + lunb △ u(t − nb) + lr r(t)
donde los coeficientes lyi , lui e fi son funciones del:
modelo ai , bi
los parametros de control N, δ(i) y λ(i)
GPC para Procesos con Atraso
ESQUEMA DE CONTROL
u(t)∆
lu1z-1 + ... + lu nb z-nb
.
.
.
+
+
+
+
+
++
+ Otimo
y(t)-11 - z+
.
Processo1
^
^
w(t+d+1)
w(t+d+2)
w(t+d+N)
f
u(t)
y(t+d/t)
y(t+d-1/t)^
y(t+d-na/t)
ly
ly
ly
1
2
na+1
f N
2
1
f
Preditor
Se observa que:El GPC es un PO + un control primario 2 DOFEl control primario no depende de la prediccion hasta t + dEl control primario depende apenas del comportamientofuturo despues de t + dse podrıa usar otro predictor y mantener el controladorprimario usando los mismos horizontes y ponderaciones.
GPC para Procesos con Atraso
ESQUEMA DE CONTROLE
Modelo del proceso Pn(z) = Gn(z)z−d = B(z−1)z−1−d
A(z−1)
Un filtro R(z) = ((1 − A(z−1))z)d
C(z) y W (z) representan el controlador primario 2 DOF:
q(t)
+
+
y(t)^-dz
++
u(t) y(t)+ C(z)W(z) PROCESS0w(t)
-
+
-
R(z)
Gn(z)
Preditor otimo
y(t+d/t)
GPC para Procesos con Atraso
Analisis del Esquema de Control
Estructura de control es equivalente a la de uncompensador de tiempo muerto con dos grdos de libertad,como el predictor de Smith con un filtro de referencia.
La inclusion del polinomio T en el modelo CARIMA comoparametro de ajuste permite modificar R(z).
La estructura de R define as caracterısticas de controlpara un dado conjunto de parametros (horizontes yponderaciones)
Resultados Interesantes:
el posible estudiar claramente el efecto del atraso en laestructura del GPC
permite relacionar el GPC con los algoritmos decompensacion de tiempo muerto.
GPC para Procesos con Atraso
FILTRADO - POLINOMIO T
Idea original:
A(z−1)y(t) = z−d B(z−1)u(t − 1) + Te(t)△
,
donde T describe las perturbaciones.Inconvenientes:
difıcil de estimarmodifica la robustez.
Usar T (z−1) como parametro de proyecto para modificarrobustez.
A(z−1)y f (t) = z−dB(z−1)uf (t − 1) + e(t)△
y f (t) = y(t)T (z−1)
e uf (t) = u(t)T (z−1)
Con los polinomios A e B, se calcula la ganancia delcontrol K que no depende de T ;
GPC para Procesos con Atraso
Sistema de Controle Resultante
1/T(z) 1/T(z)
z-d
yf(t+d|t)resposta livrecalculo da
+
+P(z)
+
q2(t)
+
q1(t)
y(t)
Gn(z)
R(z)
+
-
+
+
+
-yf(t)
preditor otimo
u(t)
T(z)
uf(t) f
f
K w
r
r
f
GPC para Procesos con Atraso
Observar:
Si el modelo el perfecto y no hay perturbaciones:
y f (t + d | t) =Gn(z−1)
T (z−1)u(t) = Gn(z−1)uf (t)
f no depende de T
Cuando hay errores de modelado y perturbaciones:T filtra los errores siempre que
F (z−1) =1
T (z−1)
Actua como filtro pasa baja
ajuste de T no es simple ni intuitivo
GPC para Procesos con Atraso
ANALISIS DA ESTABILIDAD ROBUSTA
P descrita por P = Pn + δP,donde δP= error de modelado y Pn = planta nominal.Funcion de transferencia de lazo cerrado:
Hr =CP
1 + C(Gn + R(P − Pn))=
CP1 + C(Gn + RδP)
Ecuacion caracterıstica: 1 + C(Gn + RδP) = 0
δPRC(Gn+ )
δPRC
Real
Imag
CGn
CGn
-1
-1-CGn
GPC para Procesos con Atraso
Estabilidad en lazo cerrado:
| δP(jω) |≤ △gpcP(ω) =| 1 + C(jω)Gn(jω) |
| C(jω)R(jω) |∀ω ∈ [0, π]
δPRC(Gn+ )
δPRC
Real
Imag
CGn
CGn
-1
-1-CGn
GPC para Procesos con Atraso
ANALISIS COMPARATIVA DEL PS Y GPC
Las dos posen una estructura de predictor mas controlprimario.
Siempre e posible usar los mismos C y W en las dosestructuras.
Si P = Pn y no hay perturbaciones, ambos sistemas tienenla misma respuesta cuando se usa el mismo controlprimario.
Ambas estructuras realimentan el error de prediccion.
Diferencia: FILTRO R DEL PREDICTOR
GPC para Procesos con Atraso
ANALISIS COMPARATIVA DEL PS Y GPC
Indices de Robustez:
△Pgpc =| 1 + CGn |
| CR |=
1| R |
△ Pps
R - ındice comparativo de robustez:
R = zdn(1 − A)dn
Observar:R so depende de A e do atraso dpara plantas de primeira ordem:
| R(jω) |= (| (a1 − 1) − a1e−jω |)dn > 1
para todo ω se a1 < 0, condiccion que sempre se verificaem procesos estaveis reais.para plantas de segunda ordem ou sistemas de polosmultiplos:
| R(jω) |> 1
GPC para Procesos con Atraso
EL GPC BASADO EN EL PREDICTOR DE SMITH - SPGPCComo GPC es sensıble a errores de modelado en altasfrecuencias −→ Usar otro predictor.
Caracterısticas del SPGPC
Misma funcion objetivo que GPC
Predictor de Smith
Filtros pasa bajas para mejorar la robustez
Ventajas:Mejor robustez e igual desempeno
Mas simple de ajustar: Filtros!
Desventajas:No puede ser usado en plantas inestbles
Implementacion:Identico al GPC usando respuesta libre y minimizacion
GPC para Procesos con Atraso
EJEMPLO 1
Pe(s) =0.12
1 + 6se−3s N = 15, λ = 0.8, δd = 2
0 20 40 60 80 100 120 140 160 180 200−0.2
0
0.2
0.4
0.6
0.8
1
1.2
tempo(amostras)
varia
cao
de te
mpe
ratu
ra (
grau
s ce
lsiu
s)
GPC para Procesos con Atraso
EJEMPLO 1
Pe(s) =0.12
1 + 6se−3s N = 15, λ = 0.8, δd = 2
0 50 100 150−2
−1
0
1
2
3
4
tempo(amostras)
varia
cao
de te
mpe
ratu
ra (
grau
s ce
lsiu
s)
GPC para Procesos con Atraso
EJEMPLO 2
P(s) =k0e−td s
1 + k1s + k2s2 N = 15, λ = 3
0 20 40 60 80 100 120 140 160 180 200−0.2
0
0.2
0.4
0.6
0.8
1
1.2
tempo (amostras)
said
a pa
ra o
GP
C(−
) e
o S
PG
PC
(−−
)
GPC para Procesos con Atraso
EJEMPLO 2
P(s) =k0e−td s
1 + k1s + k2s2 N = 15, λ = 3
0 50 100 150−3
−2
−1
0
1
2
3
4
5
tempo (amostras)
said
a pa
ra o
GP
C(−
) e
o S
PG
PC
(−−
)
GPC para Procesos con Atraso
EJEMPLO 3 El seguimiento de trayectorias (ST) es un de lostemas mas importantes en el campo de la robotica movil.
Menor error con mınimo esfuerzo (energıa)
Caminos de aproximacion
Modelos lineales simples
Controle robusto
GPC para Procesos con Atraso
EJEMPLO 3N = 15, λ = 0.5, δe + 1, δθ = 0.5
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 50
1
2
3
4
5
6
7
8
x(metros)
y(m
etro
s)
ponto de partida
GPC para Procesos con Atraso
EJEMPLO 3N = 15, λ = 0.5, δe + 1, δθ = 0.5
0 1 2 3 4 5 6 7 8 9 100
1
2
3
4
5
6
7
8
x(metros)
y(m
etro
s)
ponto de partida
Indice
1 Control Predictivo
2 Predictores en Control de Procesos
3 Control Predictivo Basado en Modelo (CPBM)
4 Control Predictivo Generalizado (GPC)
5 GPC para Procesos con Atraso
6 Conclusiones
Conclusiones
Estudio del control de sistemas con atraso a partir deestructuras basadas en predictores.
Se mostro como las estructuras de prediccion aparecen enlos controladores clasicos.
Se introdujo a los CPBM como generalizacion de loscompensadores de tiempo muerto.
Se mostro que el GPC es equivalente a un predictor optimomas un controlador primario.
Fue presentado el control predictivo generalizado basadoen el predictor de Smith.
Resultados de simulacion y una aplicacion real de roboticamovil.