Sunteți pe pagina 1din 24

SISTEMAS AVANZADOS DE CONTROL

FASE 4 CONTROL ADATATIVO, PREDICTIVO Y ROBUSTO

PRESENTADO POR:

JORGE EDWIN MARTINEZ SALAZAR

CÓDIGO: 94459037

PRESENTADO A:

MILTON OSVALDO AMARILLO

GRUPO: 299018_3

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA “UNAD”

ESCUELA DE CIENCIAS BÁSICAS, TECNOLOGÍA E INGENIERÍA

INGENIERÍA ELECTRONICA

2018
CONTROL ADAPTATIVO PREDICTIVO

En todo sistema de control podemo encontrar sistemas PID; los cuales necesian
ser adaptados para obtener una salida deseada ante una señal de entrada.

Cada proceso tiene un ajuste propio con la finalidad de dar una respuesta
adecuada ante cualquier variación en la señal de entrada.

Por esta razón se desarrolla el control adaptativo predictivo ; donde mediante el


control de lo parámetros de entrada se obtiene una salida igual a la deseada;
mediante el control permanente y en tiempo real de las entradas del sistema.

El principal problema es la perdida de eficacia ocasionada por los constantes


cambios en el desarrollo ye implementación de los procesos.

Posteriormente a partir del año 2001 se implementa una nueva tecnología que
combina el control adaptativo con el experto; donde se parte de unos valores de
consigna que se introduce en un bloque de control y se obtiene la salida deseada;
dando realimentación de esa salida para la generación de una salida nueva.,
realizando un cambio en las condiciones del proceso.

Las variaciones en la respuesta de este sistema se deben a los tiempos de retardo


que existe en cada elemento del proceso (actuadores, sensores, procesadores);
ocasionando unas variaciones en la respuesta década sistema; a esto se le da
una solución a medias mediante la desintonización del controlador PID.
INTRODUCCIÓN

Todo sistema de control debe buscar el balance entre economización de energía


invertida en el proceso, y la respuesta efectiva a los cambios de los parámetros a la
entrada del sistema.
Este tipo de control debe garantizar que la respuesta no afecte los procesos
posteriores al controlado sino que se debe mantener dentro de los parámetros
establecidos.
En nuestro proyecto del horno, se debe de garantizar que las temperatura de salida
requerida sea alcanzada en el tiempo más corto y con variaciones que no afecten
los productos que se van a obtener en el proceso de cocción.

Revisaremos las diferentes tecnicas de control de la temperatura del horno de


manera predictiva y apicaremos estas técnicas en simulación mediante una
herramienta matematica, implementando técnicas de control de temperatura de un
sistema; entendiendo como la temperatura ambiente afecta la temperatura interna
del horno y la manera de cómo podemos realizar el control.

Control Predictivo Basado en Modelo (MPC)

Surge en los 70 a nivel industrial; cubre una gran cantidad de métodos de control;
son innumerables las aplicaciones en las cuales se puede utilizar un sistema de
control predictivo; las características principales e un sistema de control predictivo
son:

1. Uso de un modelo para determinar las características de salida de un


proceso en el futuro; esto se conoce como horizonte de predicción.
2. El cálculo de una secuencia de control que minimice una función objetivo
3. El uso de una estrategia deslizante, de modo que en cada instante el
horizonte de predicción se desplaza una muestra, lo cual implica la aplicación
de la primera señal de control calculada en cada paso.
Cada modelo usado como sistema de control tiene su propio modelo de
funcionamiento y los parámetros que se deben de controlar a fin de tener una
salida determinada y que cumpla con los parámetros requeridos de producto final.

Beneficios de la aplicación de un sistema de Control Predictivo Basado en Modelo

- Ajuste sencillo
- Se aplica a gran variedad de procesos; desde aplicaciones sencillas hasta
aplicaciones muy complejas; incluyendo sistemas inestables.
- El caso multivariable es fácilmente abordable.
- Es posible aplicar sistema de compensación de perturbaciones mediante la
aplicación de feedforward.
- El controlador resultante es una ley de control lineal fácilmente
implementable.
Las principal desventaja que encontramos esta la necesidad de utilizar más
sistemas de computo que controlador PID al tener más cálculos los tiempos de
respuesta son relativamente altos al compararlos con sistematizados; además es
necesaria la utilización de un modelo adecuado y detallado del proceso donde se
va a implementar el sistema de control

Control predictivo SISO (Single Input Single Output)

Planta con una única variable a controlar

En la planta que hemos trabajado de control de temperatura de un horno, donde


tenemos que las señales que aparecen en el diagrama de la figura son las
siguientes:

ȳ = variable controlada o salida

𝒓 = valor de referencia.

𝒖 = variable de control; modifica el sistema de control para lograr un


adecuado resultado

MPC= bloque de control con el que se varia u

z= El ruido de medida. modela factores que afectan a la precisión de la


medida, como ruido eléctrico o errores de calibración de los sensores.

𝒅 = La perturbación no medida. Representa la incertidumbre y eventos


impredecibles que afectan el resultado del sistema y errores de modelado. - v.

𝒗 = 𝑳𝒂 𝒑𝒆𝒓𝒕𝒖𝒓𝒃𝒂𝒄𝒊ó𝒏 𝒎𝒆𝒅𝒊𝒅𝒂
Modelo matemático del sistema Temperatura

𝟏𝟐
𝑮𝒑(𝒔) =
𝒔² + 𝟑𝒔 + 𝟐
Diseñamos el controlador con el método Ziegler-Nichols por respuesta escalón:

1
𝐺𝑃𝐼𝐷 = 𝐾 [1 + + 𝑇𝐷𝑠]
𝑇𝐼𝑠
Para el diseño usamos la tabla

Graficamos la función de transferencia con una entrada escalon y tenemos


Aplicamos el método Ziegler Nichols.
Los calculos los realizamos en matlab; aqui vemos el código usado

> sys=tf(12,[1 3 2])

sys =

12

-------------

s^2 + 3 s + 2

Continuous-time transfer function.

>> step(sys)

>> pp=pole(sys)

pp =

-2

-1

>> dt=0.05;

>> t=0:dt:3;

>> y=step(sys,t); %respuesta al escalon

>> dy=diff(y)/dt; % derivada

>> [m,p]=max(dy); % punto de inflexion

>> d2y=diff(dy)/dt; % segunda derivada

>> yi=y(p);
>> ti=t(p);

>> L= ti-yi/m; % retardo

>> Tao=(y(end)-yi)/m+ti-L; % constante de tiempo

>> plot(t,y,'b',[0 L L+Tao t(end)],[0 0 y(end) y(end)],'k');

>> title('respuesta al escalon')

>> ylabel('amplitud')

>> xlabel('tiempo(s)')

>> grid

>> ti

ti =

0.6500

>> yi

yi =

1.3706

>> m

m=

2.9983
>> L

L=

0.1929

>> Tao

Tao =

1.8068

>> mpctool

-->Converting the "Model.Plant" property of "mpc" object to state-space.

-->Converting model to discrete time.

-->Integrated white noise added on measured output channel #1.

-->The "Model.Noise" property of the "mpc" object is empty. Assuming white noise
on each measured output channel.

-->Converting the "Model.Plant" property of "mpc" object to state-space.

-->Converting model to discrete time.

-->Converting the "Model.Plant" property of "mpc" object to state-space.

-->Converting model to discrete time.

-->Integrated white noise added on measured output channel #1.

-->The "Model.Noise" property of the "mpc" object is empty. Assuming white noise
on each measured output channel.

-->Converting the "Model.Plant" property of "mpc" object to state-space.

-->Converting model to discrete time.


-->Converting the "Model.Plant" property of "mpc" object to state-space.

-->Converting model to discrete time.

-->Integrated white noise added on measured output channel #1.

-->The "Model.Noise" property of the "mpc" object is empty. Assuming white noise
on each measured output channel.

-->Converting the "Model.Plant" property of "mpc" object to state-space.

-->Converting model to discrete time.

-->Converting the "Model.Plant" property of "mpc" object to state-space.

-->Converting model to discrete time.

-->Integrated white noise added on measured output channel #1.

-->Converting the "Model.Plant" property of "mpc" object to state-space.

-->Converting model to discrete time.

Warning: Input port 1 of 'untitled1/CONTROL' is not connected.

Warning: Input port 1 of 'untitled1/Transfer Fcn (with initial states)' is not connected.

>>
Los valores que se obtuvieron para L y T fueron:

L= 0.1929

Tao = 1.8068

Con estos valores podemos hallar Kp, Ti, Td, y utilizando la tabla de sintonía de
ziegler-nichols teniendo en cuenta la entrada de alimentación del sistema que es
un escalón unitario.

Se procede a hallar los parámetros de arranque del controlador que deseamos:

CONTROLADOR Kc TI TD

1.2 𝜏
PID 2𝐿 0.5 L
𝑘 𝐿
Hallemos Kp:

1,2 1.8068 𝑆𝑒𝑔


𝐾𝑝 = ∗ = 37,46
0,3 0,1929 𝑆𝑒𝑔

Hallemos ti:

𝑡𝑖 = 2 ∗ 0.1929 = 0,3858

Hallemos 𝑡𝑑 :

𝑡𝑑 = 0,5 ∗ 0.1929 = 0,09645

Ahora encontremos la función de transferencia para nuestro controlador PID:

Recordemos su ecuación característica

1
𝐺𝑅 (𝑠) = 𝐾𝑝 (1 + + (𝑇𝑑 )𝑠)
(𝑇𝑖 )𝑠

Reemplacemos Kp, Ti, Td con los valores correspondientes en la tabla de


sintonización de Ziegler Nichols:

𝑇 1
𝐺𝑅 (𝑠) = 1,2 (1 + + 0,5𝐿𝑠)
𝐿 2𝐿𝑠
Operando y despejando tenemos:

1 2
(𝑠 + 𝐿)
𝐺𝑅 (𝑠) = 0,6𝑇
𝑠
Finalmente coloquemos los valores de T y L hallados anteriormente:

2
1
(𝑠 + 0,1929)
𝐺𝑅 (𝑠) = 0,6 × 1.8068
𝑠
(𝑠 + 5,18)2
𝐺𝑅 (𝑠) = 1,084 ∗
𝑠
𝑠 2 + 10,36𝑠 + 26,83
𝐺𝑅 (𝑠) = 1,084 ( )
𝑠

1,084𝑠 2 + 11,23𝑠 + 29,08


𝐺𝑅 (𝑠) =
𝑠
Con la Herramienta Simulink de Matlab procedemos a realizar el siguiente sistema
de lazo cerrado donde adicionamos 2 bloques, uno que es la función de
trasferencia de nuestro sistema y el otro es el bloque PID diseñado
Ingresamos loss datos calculados:

𝐾𝑝 = 37,46

𝑡𝑖 = 0,3858

𝑡𝑑 = 0,09645
Damos doble clic en la primera función de transferencia y procedemos a ingresar
los datos del numerador y denominador

12
𝐺𝑝(𝑠) =
𝑠² + 3𝑠 + 2
Procedemos a simular el sistema con una entrada escalón, se colocaron tres
graficas llamadas ERROR, que es la entrada del sistema, la otra es CONTROL que
es la salida del controlador PID y la señal de SALIDA, para poder observar cual es
el comportamiento de nuestro sistema diseñado
Control Predictivo con Matlab
Procedemos a diseñar el control Predictivo con la interfaz visual de Matlab mpctool

El primer pasó del diseño es definir la función de transferencia que sería el modelo
de planta y en la interfaz gráfica de mpctool damos clic en el botón Importar Planta
en la vista inicial de la herramienta de diseño.

En la figura anterior muestra la ventana de la interfaz gráfica de los diseños de los


controladores predictivos de Matlab, Se ve a la izquierda una estructura de árbol y
en cada MPC hay 3 entradas

 Modelo, que especifica el modelo sobre el que se basa el controlador


 Controlador, que contiene todas las opciones de ajuste del mismo, como
funciones de coste, restricciones, predicciones.
 Escenarios, que permite realizar simulaciones con los MPC calculados.
Ahora en la pestaña controlador esta por defecto el controlador MPC1 que nos
abre la siguiente ventana donde hay varias pestañas que son las que utilizamos
para sintonizar nuestro control

 Model and horizon: especifica los tiempos de muestreo y la predicción del


controlador, asi como el modelo al que está asociado.
La opción control interval, establece el tiempo transcurrido entre sucesivos
movimientos del controlador. Debe ser un número real positivo, finito.
La opción Prediction horizon, establece el número de intervalos de control
sobre el cual el controlador predice sus salidas, debe ser entero positivo,
finito.
La opción Control horizon, establece el número de movimientos calculados,
debe ser entero positivo, finito y no debe superar el Prediction horizon
 Constraints: se ajustan los valores máximos y mínimos tanto de los
actuadores como de sus tasas de cambio; así mismo se indican los valores
extremos de las salidas admisibles
 Weight Tuning: Permite ajustar los valores de ponderación de la función de
coste.
Una opción muy interesante es el ajuste de un coeficiente de compromiso
entre sistemas de respuesta más rápida y controladores más robustos, los
valores más bajos proporcionan respuestas más rápidas.
 Estimation: permite establecer características avanzadas de predicción que
tengan en cuenta tanto perturbaciones a la salida como ruidos.

Damos click en la pestaña escenarios y ahí es donde definimos nuestro escenario


de simulación

Y ahí colocamos el valor de la consigna que en nuestra simulación escogemos que


sea impulso unitario
Con la Herramienta Simulink de Matlab procedemos a realizar el siguiente sistema
ya que tiene una librería de control predictivo
Se observa que el control MPC tiene mejor comportamiento dinámico, con un tiempo
pico menor que el control PID
CONTROL ADAPTATIVO

En el diseño de dispositivos controlados se ha presentado el caso de dotar de


cierta inteligencia adicional a los mismos, dado que el problema a resolver lo
requería. En el control de temperatura de un horno es necesario mantener el nivel
de calor constante.

El control adaptativo es el sistema de control que ajusta automáticamente sus


parámetros para compensar los cambios que puedan producirse en el proceso. De
este modo intenta resolver el control de procesos no lineales que el controlador
clásico PID no resuelve satisfactoriamente.

Es decir el sistema de control es adaptado al proceso, permitiendo en los procesos


no lineales ajustar las acciones PID a los parámetros del proceso.

El ajuste se calcula mediante un modelo del proceso que se compara con el


proceso real, obteniéndose una diferencia o error entre las características de la
respuesta del modelo y las del proceso real; esta señal de error es introducida en
el algoritmo de control adaptativo dando una señal de salida que ajusta ya los
parámetros del controlador.
delt1=0;
delay1=1;
num1=5.72;
den1=[60 1];
g=poly2tfd(num1,den1,delt1,delay1);
tfinal=245;
delt2=7;
nout1=1;
plant=tfd2step(tfinal,delt2,nout1,g);
delay2=15;
num2=1.52;
den2=[25 1];
gd=poly2tfd(num2,den2,delt1,delay2);
delt2=7;
nout2=1;
dplant=tfd2step(tfinal,delt2,nout2,gd);
model=plant;
ywt=1; uwt=0;
M=10; P=50;
Kmpc1=mpccon(model,ywt,uwt,M,P);
%
% Simular y la respuesta parcela para no medida y medida
% paso perturbación a través de la planta.
tend=245;
r=[ ]; usat=[ ]; tfilter=[ ];
dmodel=[ ];
dstep=1;
[y1,u1]=mpcsim(plant,model,Kmpc1,tend,r,usat,tfilter,dplant,dmodel,dstep);
dmodel=dplant;
[y2,u2]=mpcsim(plant,model,Kmpc1,tend,r,usat,tfilter,...
dplant,dmodel,dstep);
plotall([y1,y2],[u1,u2],delt2);
% Input Horizon=5, Output Horizon=20
model=plant;
ywt=1; uwt=10;
M=5; P=20;
mpc2=mpccon(model,ywt,uwt,M,P);
tend=245;
r=[ ]; usat=[ ]; tfilter=[ ];
dmodel=[ ];
dstep=1;
[y3,u3]=mpcsim(plant,model,Kmpc2,tend,r,usat,tfilter,...
dplant,dmodel,dstep);
dmodel=dplant; % measured disturbance
[y4,u4]=mpcsim(plant,model,Kmpc2,tend,r,usat,tfilter,...
dplant,dmodel,dstep);
plotall([y3,y4],[u3,u4],delt2);
pause;
tend=245;
r=[ ]; usat=[ ]; dmodel=[ ];
tfilter=[ ];
dstep=1;
[y5,u5]=mpcsim(plant,model,Kmpc1,tend,r,usat,tfilter,...
dplant,dmodel,dstep);
tfilter=20; % noise filtering time constant=20
[y6,u6]=mpcsim(plant,model,Kmpc1,tend,r,usat,tfilter,...
dplant,dmodel,dstep);
plotall([y5,y6],[u5,u6],delt2);
pause;
Time remaining 245/245
Time remaining 175/245
Time remaining 105/245
Time remaining 35/245
Simulation time is 0.015 seconds.
Time remaining 245/245
Time remaining 175/245
Time remaining 105/245
Time remaining 35/245
Simulation time is 0.031 seconds
BIBLIOGRAFÍA

• K. Ogata, Ingeniería de control moderna. 4.aed. España: Pearson Educación, 2003


• Creus Solé, Antonio. Simulación y control de procesos por ordenador (2a. ed.).
Barcelona, ES: Marcombo, 2007. ProQuest ebrary. Web. 31 August 2017.
• Valero, S. (2013). Lógica difusa. En S. Valero, Aplicación de un modelo de red neuronal
no supervisado a la clasificación de consumidores eléctricos. Alicante: ECU.
• Galán, R., Sanz, R., Matía, F., & Jiménez, A. (2002). Control inteligente. Dyna,77(3),
14-18. Recuperado de, http://www.redalyc.org/pdf/925/92541004.pdf
• Guarochico Moreira, V, Moran Alvarado, M. Identificación y diseño del controlador
para un sistema regulador de temperatura dentro de un horno industrial de resistencia.
Facultad de Ingeniería en electricidad y computación (FIEC). Escuela superior
politécnica del litoral. Guayaquil, Ecuador.
• Gómez y R. Correa, "Implementación de un sistema de control predictivo multivariable
en un horno", Dyna, N.° 157, pp. 195-203, Marzo-2009.

S-ar putea să vă placă și