Control predictivo basado en modelos
Simulación y modelado de procesos
An overview of model predictive control
Una visión general del control predictivo basado en modelos
El control predictivo basado en modelos (model predictive control) es la familia de controladores que hace un uso explícito del modelo para obtener la señal de control. La razón de su popularidad en la industria y la academia es su capacidad de operar sin intervención de expertos por largos periodos. Existen diversos métodos de diseño de control que se fundamentan en los conceptos del control predictivo basado en modelos.
En este artículo se presenta una revisión de los métodos más comúnmente empleados que han sido incorporados en un control predictivo basado en modelos industrial. Se describen estrategias tales como el control por matriz dinámica (dynamic matrix control, DMC), el control funcional predictivo (predictive functional control, PFC), el control algorítmico de modelo (model algorithmic control, MAC), el control auto-adaptativo de predicción extendida (extended predictive self-adaptive control, EPSAC), el control adaptativo de horizonte extendido (extended horizon adaptive control, EHAC) y el control predictivo generalizado (generalized predictive control, GPC), incluyendo su historia, su idea básica, propiedades y formulación del controlador.
Este documento fue preparado por K.S. Holkar (K.K. Wagh Institute of Engineering, Education and Research, Nashik, India) y L.M Waghmare (S.G.G.S. Institute of Engineering and Technology, Nanded, India) para el International Journal of Control and Automation IJCA (Vol. 3, No 4, 2010, 47-63), publicación de la Science & Engineering Research Support Society SERSC que difunde trabajos sobre progresos recientes en el área de automatización y control.
Adaptive neural network model predictive control
Control predictivo adaptativo de modelos basado en redes neuronales
Los controladores predictivos de modelos basados en redes neuronales han demostrado un alto potencial en la rama no convencional del control no lineal. Sin embargo, la cuestión principal en el control de procesos de sistemas no lineales es la sensibilidad de las variaciones de los parámetros y las incertidumbres. En efecto, cuando se controla el proceso mediante control predictivo de modelos basado en redes neuronales (neural network model predictive control, NNMPC) y está sujeto a tales variaciones e incertidumbre, se obtienen desempeńos insatisfactorios.
Para solucionar este problema, en este artículo se propone control predictivo adaptativo de modelos basado en redes neuronales (adaptive neural network model predictive control, ANNMPC) donde se incorpora un bloque neuronal de identificación de modelo en el esquema y se proporciona una actualización en línea de los pesos cuando el proceso está sujeto a variaciones de parámetros e incertidumbres. Se llevaron a cabo simulaciones para mostrar el carácter robusto de este algoritmo de control.
Este documento fue preparado por Ramdane Hedjar (Computer Engineering Department, College of Computer and Information Sciences, King Saud University, Riyad, Arabia Saudí) para el International Journal of Innovative Computing, Information and Control IJICIC (Vol. 9, No 3, 2013, 1245-1257), publicación de ICIC que difunde trabajos sobre nuevos desarrollos y tendencias, técnicas y enfoque novedosos, metodologías y tecnologías innovadoras sobre teoría aplicaciones de sistemas inteligentes, información y control.
Fast nonlinear model predictive control : optimization strategy and industrial process applications
Control predictivo basado en modelos rápido y no lineal : estrategia de optimización y aplicaciones a procesos industriales
Con la amplia disponibilidad del control predictivo basado en modelos (MPC), su versión no lineal (NMPC) brinda una extensión natural para incluir modelos no lineales para seguimiento de trayectorias y optimización dinámica. El NMPC puede incluir primeros principios desarrollados para estudios dinámicos fuera de línea así como para modelos no lineales orientados por datos, aunque requiere la aplicación de estrategias eficientes de optimización a gran escala para evitar retrasos computacionales y para asegurar estabilidad, robustez y desempeńo superior.
Este estudio presenta la aplicación de la recientemente desarrollada estrategia NMPC de paso avanzado (asNMPC). Este enfoque resuelve el problema de optimización detallada en el fondo (in background) y aplica una actualización en línea basada en la sensibilidad. Se muestran dos estudios de caso: control detallado de destilación y una operación multi-paso para la generación de vapor en una planta de energía. En ambos escenarios se logró un desempeńo eficiente y robusto del controlador con una optimización dinámica no lineal.
Este documento fue escrito por F. D´Amato, A. Kumar (GE Global Research, Niskayuna, NY, Estados Unidos), R. López-Negrete y L.T. Biegler (Carnegie Mellon University, Pittsburgh, PA, Estados Unidos) para “FOCAPO 2012/CPC VIII” (Savannah, GA, Estados Unidos, 8-13 de enero de 2012), conferencias organizadas por CACHE Corporation, el American Institute of Chemical Engineers AIChE y la National Science Foundation NSF.
