Documente Academic
Documente Profesional
Documente Cultură
=
=
=
1
1
1
n j
j
j
N
j
N
x x (3)
Balance de global de energa:
n n n n n n f n
n n n n
n n
h S H V h L h F
H V h L
dt
h M d
+ + =
+ + 1 1 1 1
) (
(4)
donde:
n
h = entalpa del lquido del plato n (kJ/kg).
1 + n
h = entalpa del lquido del plato n+1 (kJ/kg).
n
H = entalpa del vapor del plato n (kJ/kg).
1 n
H =entalpa del vapor del plato n-1 (kJ/kg).
Los cambios en la entalpa especfica de la fase
lquida son por lo general muy pequeos comparados
con la entalpa total del plato. Esto significa que,
normalmente, el balance de energa se puede reducir
a una ecuacin algebraica a partir de la cual se calcula
el flujo de vapor que abandona el plato. Por lo tanto,
finalmente el balance de energa es el siguiente:
0
, 1 1 1 1
=
+ +
+ +
n n n n n n
n f n n n n n
h S H V h L
h F H V h L
(5)
Clculo de la temperatura.
La temperatura en cada plato no se obtiene a partir
del balance de energa como ocurre en el fondo de la
columna, sino que se calcula la temperatura de
burbuja. La temperatura de burbuja es aquella
temperatura que est en equilibrio con una
composicin del lquido conocida a una determinada
presin tambin conocida.
Por lo tanto, en cada plato, el algoritmo de clculo
itera sobre la temperatura hasta que la suma de las
composiciones de la fase vapor del plato N sea igual a
la unidad.
0 1
1
=
=
n
j
N
j
y (6)
Relacin de equilibrio entre fases lquido
vapor:
j
n
n
sat
j n
j
n
j n
x
P
P
y
, *
,
= (7)
donde:
*
, j n
y = frac. molar del comp. j en el plato n en
equilibrio con
j
n
x .
j
n
= coef. de actividad del comp. j en el plato n.
sat
j n
P
,
= pres. de vapor del comp. j en el plato n (bar).
n
P = presin total en el plato n (bar).
j
n
x = frac. molar del comp. j en el lquido del plato n.
Presin total en el plato n:
P P P
n n
+ =
+1
(8)
4
donde:
n
P = presin total en el plato n (bar).
1 + n
P = presin total en el plato n+1 (bar).
n
P = prdida de carga entre el plato n y n+1 (bar).
Prdida de carga en el plato.
La distribucin de la prdida de carga se considera
lineal a lo largo de toda la columna y directamente
proporcional al caudal de vapor vivo.
2
0
|
.
|
\
|
=
K
V
P (9)
donde:
V
0
= caudal de vapor vivo (m
3
/h).
K = constante de proporcionalidad (m
3
/barh).
Caudal de lquido que abandona el plato n:
Se calcula a partir de la frmula de Francis para
vertederos segmentados:
3 / 2
664
|
|
.
|
\
|
=
w
ow
L
Q
h (10)
donde:
ow
h = alt. de lq. sobre la cresta del vertedero (mm).
Q = lquido que cae del vertedero (m
3
/h)
w
L = longitud del vertedero (m).
As, el flujo de lquido que cae de un plato al inferior
es:
5 . 1
,
) ( 8482 . 1
n ow w n
h L Q = (11)
donde:
n
Q = lquido que abandona el plato n (m
3
/h).
w
L = longitud del vertedero (m).
n ow
h
,
= alt. del lq. sobre la cresta del vertedero (m).
Se calcula a partir de la siguiente expresin:
plato
plato n
n ow
A
V Vol
h
=
,
(12)
donde:
n
Vol = volumen de lquido en el plato n (m
3
).
plato
V = volumen del plato (m
3
).
plato
A = rea activa del plato (m
2
).
Caudal de vapor que abandona el plato n:
Como ya se ha dicho anteriormente, el flujo de vapor
que va hacia el plato siguiente se calcula a partir del
balance de energa en estado estacionario:
n
n n n n n f n n n n n
n
H
h S h L h F H V h L
V
+ +
=
+ + , 1 1 1 1
(13)
Fig. 2: Esquema de una plato genrico.
Las caractersticas matemticas del modelo una vez
implementado en el lenguaje de modelado EcosimPro
son:
N de ecuaciones: 7217.
N subsistemas de ecuaciones acopladas: 85
- Lineales: 0
- No lineales: 85
N de variables explcitas: 6870
N de variables derivadas: 264
N de variables algebraicas: 83
N de variables de contorno: 11
N variables estado: 347
Tamao matriz del Jacobiano: 347347
F. dispersin matriz del Jacobiano: 62.2088%
3. CONTROL PREDICTIVO NO LINEAL
El control predictivo no lineal (NMPC) en una
extensin natural de la tcnica lineal del control
predictivo basado en modelos (MPC).
Como ya se ha dicho en la introduccin, se van a
comparar dos formulaciones distintas del NMPC, una
es el algoritmo de NMPC puro, y la otra es una
tcnica iterativa de linearizacin.
3.1 Controlador NMPC.
El objetivo del control predictivo no lineal basado en
modelos (NMPC) es encontrar la secuencia ptima de
los valores de las variables manipuladas de manera
que se minimice una funcin.
5
Dicha funcin est calculada sobre una trayectoria
deseada de las variables de salida a lo largo de un
horizonte de prediccin.
La funcin de coste es la integral sobre los cuadrados
de los residuos que resultan de la diferencia entre las
salidas predichas del modelo (y
pred
) y los valores de
referencia (r) a lo largo de un tiempo de prediccin
N
2
(donde N
2
es el horizonte de prediccin y es el
periodo de muestreo).
Una formulacin standard es
[ ]
[ ]
=
+
+
+
+ =
1
0
2
2
) / 1 ( ),..., / (
) (
)) ( ) ( ( min
2
u
k
k
u
N
j
N t
t
pred
k N k u k k u
t j k u
dt t r t y J
(14)
En esta funcin de minimizacin tambin aparecen
los cambios en las variables manipuladas, u.
Por lo general se suele emplear es la discretizacin de
la variables manipulada u a lo largo del horizonte de
control (N
u
) cuando las variables de entrada
permanecen constantes en un periodo de muestreo :
u(t)=u(k), k t<(k+1)
u(k) = u(N
u
-1) para todo k>N
u
-1.
La minimizacin de la ecuacin (14) est sujeta a las
ecuaciones del modelo continuo y a las restricciones
habituales que se aplican tanto a las variables
manipuladas como controladas:
max
) (
min
) (
min
max
) (
min
max
y k y y
u k u u
u k u u
(15)
De toda la secuencia de movimientos de control a lo
largo del horizonte de control, slo se implementa el
primero de ellos.
Dentro de todo este esquema, el modelo del proceso
se utiliza para calcular las predicciones de las
variables de salida (y
pred
(t)), que se necesitan para
minimizar la ecuacin 14 (Fig. 3).
Fig. 3: Implementacin del controlador no lineal.
En esta formulacin, las ecuaciones del modelos no
se consideran restricciones explcitas dentro del
problema de optimizacin, y las nicas variables de
decisin son las variables manipuladas.
La funcin de la simulacin del proceso es integrar
las ecuaciones del modelo a lo largo del horizonte de
prediccin tomando como condiciones iniciales el
estado actual del proceso y evaluar la funcin
objetivo formulada al final de cada integracin.
Todo lo anteriormente mencionado permite la
programacin de un problema no lineal formulado de
forma genrica como la minimizacin en tiempo real
de una funcin objetivo no lineal con restricciones.
3.2 Formulacin de un controlador predictivo no
lineal iterativo (EPSAC).
La principal idea de esta formulacin es aproximar
las predicciones no lineales mediante linealizaciones
iterativas alrededor de trayectorias futuras, de manera
que stas ltimas converjan a la misma solucin
ptima no lineal.
Para conseguir esto, la sucesin de los valores futuros
de las variables manipuladas se considera como la
suma de unas acciones de control futuras base,
0 ), / ( + k t k t u
base
, y unas acciones de control
futuras optimizadas, 1 0 ), / ( +
u
N k t k t u :
) / ( ) / ( ) / ( t k t u t k t u t k t u
base
+ + + = + (16)
Por lo tanto, las predicciones de las variables de
salida se pueden considerar como la suma de dos
efectos:
) / (
) / ( ) / (
t k t y
t k t y t k t y
optimize
base
+
+ + +
(17)
La primera componente, ) / ( t k t y
base
+ , se calcula
empleando el modelo no lineal, junto con las
secuencia conocida de la variable manipulada,
) / ( t k t u
base
+ , como entradas al modelo.
La segunda componente, ) / ( t k t y
optimize
+ , es el
resultado de una serie de entradas en impulse y en
escaln (De Keyser, 1998):
) / 1 ( ...
) / 1 ( ) / ( ) / (
1
1
t N t u g
t t u h t t u h t k t y
u N k
k k optimize
u
+ + +
+ + = +
+
(18)
donde los parmetros
2
,... ,.., ,
2 1 N k
h h h h
son los
coeficientes de las respuestas de impulse unidad del
sistema en las condiciones de operacin actuales.
Y los valores de g
k
son los coeficientes de la
respuesta a un escaln unidad.
6
Si se emplea una notacin matricial, la ecuacin 17
quedara como:
GU Y Y + = (19)
donde:
[ ]
[ ]
(
(
(
(
=
+ =
+ + =
+
+ +
+
1 2 1 2
2 1 1
1 2 1
2 1
2 2 2
1 1 1 1
1 1 1 1
...
... ... ... ... ...
...
...
) / 1 ( ... ) / (
) / ( ... ) / (
u
u
u
N N N N N
N N N N N
N N N N N
T
u
T
base base
g h h h
g h h h
g h h h
t N t u t t u
t N t y t N t y
G
U
Y
(20)
La relacin entre las acciones de control u y u es la
siguiente:
b A +
(
(
(
(
+
+
=
(
(
(
(
+
+
) / 1 (
...
) / 1 (
) / (
) / 1 (
...
) / 1 (
) / (
t N t u
t t u
t t u
t N t u
t t u
t t u
u u
(21)
donde la matriz A y el vector b vienen dados por:
(
(
(
(
+ +
+
=
(
(
(
(
=
) / 2 ( ) / 1 (
...
) / ( ) / 1 (
) 1 ( ) / (
,
1 1 ... 0 0
... ... ... ... ...
0 ... 0 1 1
0 ... 0 0 1
t N t u t N t u
t t u t t u
t u t t u
u base u base
base base
base
b
A
(22)
Los coeficientes de la matriz G se calculan utilizando
el modelo linealizado alrededor de estado actual en
cada periodo de muestreo.
Sin embargo, para un proceso dinmico complejo
resulta difcil obtener una linealizacin del modelo.
Por esta razn se ha desarrollado una posible
alternativa que es el empleo del modelo no lineal para
calcular los coeficientes h
k
y g
k
mediante una
simulacin del modelo.
Si se tiene en cuenta la ecuacin 21, y recordando que
1
=
k k k
g g h
, se puede rescribir la ecuacin 18 de
la siguiente forma:
[ ]
[ ]
+ + + + +
+ = +
1
1
) ( ) 1 ( ) (
) ( ) ( ) 1 ( ) / (
u
N
i
base base i k
base k optimize
i t u i t u i t u g
t u t u t u g t k t y
(23)
Los coeficientes de la respuesta en escaln se pueden
calcular periodo de muestreo simulando el modelo no
lineal del proceso con una secuencia concreta de
acciones de control, ) t / k t ( u
*
+ , tomando como
condicin inicial el estado actual del proceso y
evaluando tambin las predicciones, ) / (
*
t k t y + .
Una secuencia de acciones de control que se podra
escoger sera la siguiente: ) t ( u ) 1 t ( u
*
+ .
Con esta secuencia y teniendo en cuenta que:
) / ( ) / ( ) / (
* *
t k t y t k t y t k t y
optimize base
+ + + = +
(24)
los coeficientes g
k
verifican la siguiente expresin:
1 1 2 2 1 1
*
0
...
) / ( ) / (
+
+ + =
u u
N N k k k
base k
c g c g c g
t k t y t k t y g c
(25)
donde:
1 ), ( ) 1 (
) ( ) ( ) 1 (
0
*
0
0
+ + =
+ =
=
j j t u j t u c
t u t u t u c
g
base base j
base
(26)
Finalmente, la funcin coste a minimizar resulta ser
una funcin cuadrtica en U:
[ ] [ ]
( ) ( ) ( ) ( ) b AU b AU GU Y R GU Y R + + +
= + + + + =
= =
T T
N
k
N
N k
u
t k t u t k t r t k t y J
1
0
2 2
) / ( ) / ( ) / (
2
1
(27)
Y el problema de optimizacin, la minimizacin de J
sujeta a las restricciones (10), se resuelve con
tcnicas simples de programacin cuadrtica (QP).
Mientras 0 ) / ( + t k t u , los controles
) / ( ) / ( ) / ( t k t u t k t u t k t u
base
+ + + = + son
subptimos, porque la aproximacin est basada en el
principio de superposicin (12), sin embargo puede
converger en los controles ptimos redefiniendo
iterativamente ) / ( ) / ( t k t u t k t u
base
+ + y
volviendo a calcular ) / ( t k t u + y ) / ( t k t u + hasta
que 0 ) / ( + t k t u , de manera que el trmino
) / ( t k t y
optimize
+ es prcticamente cero.
Para reducir el nmero de iteraciones, el valor
inicial de ) / ( t k t u
base
+ es importante. Una
eleccin simple y efectiva (De Keyser, 1998) es
empezar con la poltica de control ptimo derivada
del salto previo ) 1 / ( ) / ( + + t k t u t k t u
base
. En
este artculo se ha utilizado esta estrategia.
7
4. RESULTADOS DE LA SIMULACIN.
Se han realizado un gran nmero de pruebas para
comparar el NMPC estndar con el EPSAC no lineal
tanto desde el punto de vista del tiempo de clculo
como de eficiencia.
El perodo de muestreo es de 5 min mientras el
resto de los parmetros son N
2
={15,15}, N
u
={1,1},
={5,1}, ={0,0}.
Las restricciones de las variables manipuladas se
fijaron a u
min
= {2000, 7000}, } 13000 , 5000 {
max
= u
y sus cambios fueron limitados a
} 1500 , 150 {
min
= u ; } 1500 , 150 {
max
= u .
Por otro lado, las restricciones para las variables
controladas son: y
min
= {0, 0] e y
max
= {0.05, 0.4}.
En estas simulaciones se asume que los estados
medibles del proceso estn disponible a t
k
, por
ejemplo, y la condicin inicial es conocida en cada
iteracin.
Cambios en la referencia de las variables
controladas
Se han simulado variaciones para ambas variables
controladas durante un periodo de simulacin de 4.5
horas. El comportamiento obtenido por los dos
controladores fue similar. La Fig. 4 muestra cmo el
controlador trata que la concentracin de etanol en el
fondo de la columna siga el cambio del setpoint de
0.0225 a 0.0246 a t=0.2 horas.
La respuesta de la segunda variable controlada,
concentracin de agua en la parte superior de la
columna, con respecto al cambio en la referencia de
0.1809 a 0.1654 a t=1.8 horas, es representado en la
Fig. 5.
Las dos variables manipuladas se representan en las
Figs. 6 y 7.
Pero el anlisis de los esfuerzos de clculo indican
una clara ventaja del controlador EPSAC. El periodo
de clculo de todo el experimento simulado en dicho
caso fue casi de 12 horas.
Y en el caso de los modelos no lineales estndar es de
53 horas. La simulacin ha sido realizada mediante el
lenguaje EcosimPro en un PC PentiumIII, 800 MHz
con 512 Mbytes de RAM.
0.00
0.01
0.02
0.03
0.04
0.05
0 1 2 3 4 5
TIME
columna.fondo_out.x[EtOH]
Linf[1]
Lsup[1]
refy[1]
Fig. 4 Cambios de referencia de la primera variable
controlada (concentracin de etanol en el fondo de la
columna)
0.0
0.1
0.2
0.3
0.4
0 1 2 3 4 5
TIME
columna.imp_top.signal
Linf[2]
Lsup[2]
refy[2]
Fig. 5 Cambios de referencia en la 2 variable
controlada (concentracin molar de agua en la cabeza
de la columna).
2000
2500
3000
3500
4000
4500
5000
0 1 2 3 4 5
TIME
columna.neutro_out.W
Uinf[1]
Usup[1]
Fig. 6 La 1 variable manipulada (flujo de alcohol
neutro).
8
7000
8000
9000
10000
11000
12000
13000
0 1 2 3 4 5
TIME
eb.f_cal_in.W
Uinf[2]
Usup[2]
Fig. 7 La 2 variable manipulada (vapor introducido
en el evaporador)
5. CONCLUSIONES
Se han comparado dos modelos no lineales de control
predictivo tomando como base una columna de
destilacin modelada en el lenguaje EcosimPro.
Uno de ellos, el EPSAC no lineal, basado en una
aproximacin de linealizacin iterativa, ha
demostrado ser una prometedora tcnica para reducir
el tiempo de clculo, reducindolo la cuarta parte.
Sin embargo, en el proceso aqu considerado, el
tiempo requerido para la resolucin del problema de
control predictivo en cada perodo de muestreo es
todava demasiado elevado para implementar el
controlador en tiempo real.
El modelo propuesto no requiere la linealizacin del
modelo no lineal, pero slo para calcular su respuesta
impulso, la cual puede guardar una gran cantidad de
clculos en casos como el presentado aqu.
Otra ventaja del EPSAC no lineal es el uso de
cdigos ms eficaces como QP en vez de mtodos
SQP. Se requieren mayores esfuerzos para poner
NMPC en prctica cuando se basan en modelos
complejos como el presentado en este artculo.
Referencias
[1] A. ARCE A. BLANCO A. CORREA J.M
CORREA J. TOJO. Prediccin del equilibrio
lquido-vapor: sistemas alcohol-agua. Revista
Afinidad XLV, 413, Enero-Febrero, 1988.
[2] ACEDO SNCHEZ, JOS. Presin flotante en
columnas de destilacin. Revista Ingeniera
Qumica. Marzo 1989. Pgs.187-194.
[3] Bequette B.W. (1991) Nonlinear Control of
Chemical Processes: A Review. Ind. Eng. Chem.
Res., 30, 1391-1413.
[4] Chen H. , Allgower F. (1998) A quasi-infinite
horizon non-linear model predcitive control
scheme with guaranteed stability. Automatica
1998
[5] De Keyser, R.M.C. (1998) A gentle introduction
to model based predictive control. EC-PADI2
International Conference on Control
Engineering and Signal Processing. Lima, Per,
Plenary Paper.
[6] Henson M.A. (1998) Nonlinear model predictive
control: current status and future directions.
Computers and Chemical Engineering, 23, 187-
202.
[7] J. Gmehling - U. Onken. "Vapor-Liquid
Equilibrium Data Colletion". Ed. Dechema.
Chemistry Data Series
[8] Morari M. and J. H. Lee (1999). Model
predictive control: past, present and future.
Computers and Chemical Engineering, 23, 667-
682.