Maestr a en Ingenier a de Control Industrial Universidad de Ibagu e n Industrial Programa de Automatizacio

Control Multivariable

Profesor Fecha

: Ing. M.Sc.Ph.D. Jo se Aldemar Mu noz Hern andez : 05/09/2008

Cap tulo 1 Estructuras de control

1.1. Introducci on

Casi todos los sistemas modelados hasta ahora durante el desarrollo del programa de Especializaci on han involucrado el uso de una entrada y una sola salida (Single input-Single output - SISO). La mayor a de los procesos tienen varias entradas y la operaci on del proceso tiene que ver con varias salidas. Los m etodos descritos hasta ahora para desarrollar modelos fundamentales (linearizaci on, funciones de transferencia, diagramas de bloque), son todos aplicables a estos sistemas de multiples entradas - multiples salidas (Multiple input - Multiple output - MIMO). Al igual que en sistemas SISO, muchas variables intermedias pueden existir en un proceso y son inclu das en el modelo fundamental pero eliminadas algebr aicamente de la relaci on linealizada entrada-salida. En esta introducci on a los sitemas de control Multivariable para sistemas lineales, se tratar an sistemas de control de procesos un poco m as complejos que los vistos hasta el momento. Aunque algunos de los sistemas de control vistos (control en cascada y feedforward) involucraban mas de una variable medida, estos sistemas fueron considerados como sistemas de control de una u nica variable, debido a que ellos tuvieron el objetivo nal de mantener solo una variable cerca de su punto de ajuste (set-point). El control multivariable involucra el objetivo de mantener varias variables controladas en puntos de ajuste (set-points) independientes. En el caso de un reactor qu mico como el que se muestra en la Figura 1.1: Los objetivos de control dependen de los objetivos de la planta completa y del dise no del equipo asociado, pero t picamente los objetivos podrian ser el control de nivel, temperatura y la concentraci on de salida en puntos de ajuste independientes, lo cual se puede alcanzar ajustando las variables manipuladas seleccionadas en el proceso. De nuevo la variabilidad de las variables controladas se reduce a trav es de acciones que incrementan la variabilidad de las varia-

TC

AC

LC

Figura 1.1: Reactor qu mico. bles manipuladas. La complejidad de los sitemas multivariable, se reduce asumiendo para la mayor a que el dise no del proceso, las mediciones y los elementos nales no pueden ser cambiados. La interacci on debe ser una caracter stica importante a considerar en sistemas multivariables. Esta resulta de relaciones de procesos que causan que una variable manipulada afecte mas de una variable controlada. En el caso del reactor qu mico, la posici on de la v alvula que regula el ujo de aceite de calentamiento inuencia la temperatura, como la concentraci on a trav es de la rata de reacci on constante. Esta es la mayor diferencia con los sistemas de lazo sencillo y tiene un profundo efecto sobre el comportamiento din amico y en estado estacionario de un sistema multivariable. De esta manera, no es posible analizar cada conexi on variable manipulada - variable controlada individualmente para determinar su desempe no; el sistema de control integrado debe ser considerado simult aneamente. Otra situaci on nueva muy relacionada es la fuente de perturbaci on, debido a que los sistemas multivariable responden de manera diferente a perturbaciones diferentes. Se presenta el siguiente documento como una breve descripci on al mundo del control multivariable. T picamente se abordar an temas relacionados con: interacciones, observabilidad, controlabilidad, acoplamiento, m etodos de dise no de sistemas de control multivariable como el RGA, el control de desacople y una peque na introducci on al control tipo LQR.

1.2.

Efecto de interacciones

El control multivariable ocurre en casi todos los procesos, debido a que la rata de producci on (ujo), inventario (nivel y presi on), ambiente de proceso (temperatura), y la calidad del producto son normalmente controlados simult aneamente.La aproximaci on multilazo, la cual usa multiples controladores de lazo sencillo, fu e la primera aproximaci on usada para control multivariable en las industrias de procesos.

La ventaja de control multilazo es el uso de algor tmos simples, lo cual es especilamente importante cuando los calculos de control se implementan con equipo de calculo an alogo. Una segunda ventaja es el f acil entendimiento para los operadores de planta, lo cual resulta de la simplicidad de la estructura de ontrol elegida. Puesto que cada controlador usa solo una variable controlada medida y ajusta solo una variable manipulada, las acciones de los controladores son relativamente f aciles de monitorear.Una tercera ventaja es que los diseos de ontrol estandard han sido desarrollados para operaciones unitarias comunes, tales como hornos, calderas, compresores y columnas simples de destilaci on. Un proceso multivariable tiene interacci on cuando las variables de entrada (manipuladas) afectan mas de una variable de salida (controlada) del proceso. Se debe prestar cuidadosa atenci on a los efectos de varios tipos de interacci on sobre la estabilidad y el desempe no de control. Ejemplo 1: Torre de destilaci on (datos de dise no y operaci on, destilaci on binaria) Entradas (variables manipuladas): Flujo de producto destilado (reujo, Fr ),ujo de rehervidor (cantidad vaporizada en el rehervidor, Fv ) y propiedades de alimentaci on Entradas (perturbaciones): composici on de alimentaci on, xf (depende de las operaciones corriente arriba, y se asume que no es libre para ser ajustada). Salidas (variables controladas): concentraci on de las dos corrientes de producto (producto de fondo, xb y producto de tope, xd ). Volatilidad relativa: 2.4 Numero de bandejas: 17 Vandeja de alimentaci on: 9 Tiempos muertos analizador: 2 min Concentraci on alimentaci on xf = 0,50 Concentraci on destilado xd = 0,98 fracci on Concentraci on de fondo xb = 0,02 fracci on Flujo alimntaci on Ff = 10kmole/min Flujo reujo Fr = 8,53kmole/min Flujo destilado Fd = 5kmole/min Flujo vapor rehervidor Fv = 13,53kmole/min

Otras variables importantes tales como la presi on y los niveles tambi en pueden ser controladas.Se debe rrealizar un experimento para cada variable de entrada, y las repuestas de todas las varibales de salida (despu es de un retardo de tiempo del analizador de 2 min), son registradas. Con el n de ajustar par ametros en las funciones de transferencia se puede utilizar o la curva de reacci on del proceso o m etodos estad sticos.Los modelos derivados mediante este procedimiento son: 0,0667e2s 0,70e5s 0,0747e3s Fr (s) Fv (s) + xf (s) xd (s) = 12s + 1 15s + 1 14,4s + 1 0,1173e3,3s 0,1253e2s 1,30e3s xb (s) = Fr (s) Fv (s) + xf (s) 11,7s + 1 10,2s + 1 12s + 1

(1.1) (1.2)

Los modelos linealizados derivados de balances fundamentales o a partir de experimentos, se pueden usar para analizar el sistema con y sin control.Para entender el sistema total es de ayuda presentar el proceso en un diagrama de bloques; el cual es un diagrama de bloques de un sistema general 2x2.

Ff xf

Fr

xd Fd

Fv xb

Figura 1.2: Columna de destilaci on.

MV1(s) G11(s) + G12(s) + Gd1(s) + + CV1(s)

D(s)

G21(s) + G22(s) MV2(s) +

Gd2(s) + +

CV2(s)

Figura 1.3: Diagrama de bloques para sistema abierto 2x2. Cada funci on de transferencia G11 , G22 relaciona una entrada y una salida, mientras cada termino Gij (G12 , G21 ) relaciona la entrada manipulada j a la salida i. Los terminos Gdi (Gd1 , 4

Gd2 ) relacionan,os efectos de una perurbaci on sobre cada salida del proceso. Si mas de una perturbaci on importante va a ser considerada, funciones de transferenia adicionales para las perturbaciones adicionales pueden ser incluidas. Note que si tanto G12 y G21 (o alternativamente G11 y G22 ) son cero, el proceso no tiene interacci on, pues una entrada afecta solo una salida. En este caso el proceso no tiene interacci on, el sistema se comporta como dos procesos independientes y el comportameinto de cada lazo de control es independiente. El juego de ecuaciones simult aneas que relaciona las entradas a las salidas en la gura anterior se puede presentar en forma matricial: CV1 (s) CV2 (s) = G11 (s) G12 (s) G21 (s) G22 (s) MV1 (s) MV2 (s) + Gd1 (s) Gd2 (s) D (s )

Cada elemento de la matriz es una funci on de tranferencia que relaciona una entrada a una salida. Los sistemas lineales para sistemas multivariable se pueden desarrollar usando los mismos procedimeintos anal ticos y emp ricos que se utilizan para sistemas de una sola variable.La interacci on puede inuir sobre la posibilidad de realizar control con retroalimentaci on. En procesos multivariable el rango y la controlabilidad estan inuenciados por las interacciones del proceso. Lo primero es el rango y tiene que ver con con el rango de valores de proceso posibles en estado estacioanrio, mientras las variables controladas se usan para caracterizar el rango de set-points posibles, con todas las entradas diferentes a las variables manipuladas (esto es, perturbaciones) constantes. El asunto importante en control multivariable es la independencia de las relaciones entradasalida del proceso entre las variables manipuladas seleccionadas (MVj s ) y las variables controladas (CVi s ); un proceso en el cual las relaciones son independientes es llamado controlable. Un sistema es controlable si las variables controladas pueden ser mantenidas en sus puntos de ajuste, en el estado estacionario, sin importar las perturbaciones que entren al sistema.La controlabilidad se dene para un juego seleccionado de de variables manipuladas y controladas, y un sistema puede ser controlado para una selecci on e incontrolable para otra. La controlabilidad de un sistema no siempre es f acil de determinar por observaci on, de esta manera se puede usar el m etodo cuantitativo. No existe un m etodo general para sistema no-lineales, entonces la controlabilidad del sistema localmente linealizado se analizar a para su evaluaci on. Luego, los resultados de la prueba de controlabilidad son estrictamente v alidos solo en el punto de operaci on en los cuales es evaluado el sistema lineal. Para el sistema 2x2 del ejemplo 1, se supone que el sistema inicia en estado estacionario. La denici on de controlabilidad se encontrar a si las variables controladas se pueden mantener en sus set-points, asi que sus variables de desviaci on son cero, ajustando las variables manipuladas especicadas en presencia de perturbaciones paso, las cuales alcanzan un valor constante, al menos asint oticamente.La siguiente es una representaci on del sistema en estado

estacionario: 0 0 = k11 (s) k12 (s) k21 (s) k22 (s) MV1 (s) MV2 (s) + kd1 (s) kd2 (s) D (s )

El valor de desviaci on de las variables controladas es cero, pues esta permanecen invariables ante la presencia de perturbaciones. El sistema es controlable si hay una soluci on para este juego de ecuaciones algebr aicas lineales para valores arbitrarios diferentes de cero de kd1 , kd1 y D (esto es, para todas las variables de entrada posibles como perturbaciones). Existe soluci on para un sistemma cuadrado de ecuaciones lineales cuando existe la inversa de la matriz de ganancias del proceso de retroalimentaci on K; esto es, el proceso es controlable si el determinante de la matriz de ganancias k, es diferente de cero. Un sistema sico cuadrado no es controlable si ocurre alguna de las siguientes condiciones: Alguna de las dos entradas al proceso son linealmente dependientes (dando columnas dependientes) Alguna de las dos salidas del proceso son linealmente dependientes (dando las dependientes) Una salida del proceso no es inuenciada por alguna entrada (dando una columna de ceros) Una entrada del proceso no inuencia alguna salida (dando una la de ceros)

1.3.

Apareamiento (Paring)

Cu al salida con cu al entrada?. El m etodo consiste en identicar cual ser a la mejor entrada que se debe seleccionar para ejercer control sobre una salida particular. Ejemplo 2: Un carro. Aqu es l ogico seleccionar para regular la posici on el acelerador, y para regular angulos de giro el volante. Ejemplo 3: Para un proceso de secado, se podr an tener varias entradas (Temperatura, ujo, humedad) para controlar una de las posibles salidas, pero cu al podr a ser la mejor entrada? Ejemplo 4: Una columna de destilaci on t pica podr a corresponder a un sistema con 5 entradas - 5 salidas, con lo que se tendr an 5! = 120 maneras diferentes de aparear. Ejemplo 5: el control de nivel y de concentraci on de un tanque que tiene dos ujos de entrada y uno de salida, podr a hacerse desde cualquiera de los tres actuadores, pero cu al es la mejor selecci on?. Se podr a usar el ujo de descarga para regular el nivel y los ujos de alimetnaci on para controlar la concentraci on. Conclusi on: Se trata de aparear la salida 6

con la entrada que tiene mas efecto sobre esta. Algunas veces es evidente, algunas veces es muy dif cil de analizar debido al acoplamiento del proceso. De esta manera se propone el uso del m etodo del arreglo de ganancia relativa de Bristol que es equivalente a la medida de las interaciones de proceso o a la recomendaci on del apareamiento m as efectivo. C omo?. Para cada combinaci on entrada - salida, se debe calcular: ij =
yi )ol ( u j yi )cl ( u j

yi )conlosotroscontroladoresenmanual ( u j yi )conlosotroscontroladoresactivos lazocerrado ( u j

(1.3)

yi )ol uj

(1.4)

Con todos los uk =constante, (k = j ) ( Con todos los yk =constante, (k = j ) 11 1n . . . . . = . . . . = RGA, n1 nn

yi )cl uj

(1.5)

, corresponde al arreglo de ganancia relativa y el apareamiento se escoge de acuerdo a los siguientes valores:
y ) es la misma tanto en lazo abierto Si ij = 1, aunque los otros lazos esten cerrados ( u como en lazo cerrado. No se presentan interacciones de otros lazos, y se puede aparear yj con uj .El controlador puede ser dise nado sin tener en cuenta los otros lazos. y Si ij = 0, u )ol = 0, no hay inuencia desde la entrada u a la salida y, y no se debe hacer el apareamiento.No existe relaci on entre la variable manipulada j y la controlada i, asi que para controlar i se necesitar a usar otra variable manipulada.

Si ij < 0, cuando se cierra el lazo, el signo es diferente, y este es un efecto no deseado, por lo que no se debe aparear. Los valores de RGA pueden estar comprendidos entre 0 < < 1, lo que implica que los otros lazos forman un lazo de retroalimentaci on negativa en paralelo con el lazo principal. Esto implica un aumento de la ganancia en estado estable del sistema por lo cual la ganancia del controlador se deber a reducir. Si, > 1 signica que la interacci on de los otros lazos reduce el efeto de las acciones de control aplicadas al par ij. Una desviacin de = 1 es muy mala. Mientras mas cercano a = 1 se consiga el valor de ij , mejor ser a el apareamiento, y de esta manera el valor del RGA (Relative Gain Array) nos da el grado relativo de interacci on.

Calculo del RGA La matriz de ganancias relativa es una herramienta muy importante en el an alisis de sistemas multivariables. Oserve el siguiente esquema:
u1 G11 y1

G12

G21

u2 G22

y2

Figura 1.4: Sistema multivariable acoplado, 2 entradas-2 salidas. Asuma que Kij es la ganancia est atica de la funci on de transferencia Gij . Si se asume que u2 se mantiene constante, un cambio en la variable u1 de magnitud u1 , producir a un cambio de magnitud y1 en la salida y1 . K11 |u2 = y1 |u u1 2 (1.6)

Ahora si en lugar de mantener u2 constante, se mantien constante la salida y2 cerrando el lazo entre u2 y y2 (perfecto control). Un paso de magnitud u1 producir a un cambio diferente y1 . La ganancia ahora esta dada por: K11 |y2 = y1 |y u1 2 (1.7)

A pesar de que las ganancias anteriores se obtuvieron entre la misma entrada u1 y la misma salida y1 , esta puede presentar valores distintos ya que se ha obtenido bajo distintas condiciones de operaci on. Si existe interacci on con otros lazos, estas dos ganancias ser an distintas. 11 = K11 |u2 K11 |y2 (1.8)

es un valor adimensional que relaciona las dos ganancias y es llamado ganancia relativa entre la salida y1 y la entrada u1 y provee la siguiente informaci on: Si 11 = 0 quiere decir que el cambio en la entrada u1 no afecta la salida y1 y de esta manera no deber a ser utilizada para controlar y1 . Si 11 = 1 quiere decir que K11 |u2 es igual a K11 |y2 , lo cual signica que la ganancia entre la salida y1 y la entrada u1 no se ver a afectada por el lazo entre la entrada u2 y la salida y2

Para un sistema 2x2 se tiene: 12 = = 21 = = K12 |u1 K12 |y2 y1 | u2 u1 K21 |u2 K21 |y1 y2 | u1 u2
y2 | u1 y1 y1 | u2 y2

Agrupando los elementos ij y luego de calcular los dem as elementos se construye la Matriz de Ganancias Relativas , RGA. 11 12 = 21 22 El c alculo de los par ametros de la matriz de ganancias relativas puede parecer complicado, en la pr actica no es el caso ya que los elementos de la matriz tienen las siguientes propiedades: La suma de todos los elementos de cada columna es igual a uno La suma de todos los elementos de cada la es igual a uno
n j =1 ij

= 1,j=1,2,...,n

n j =1 ij

= 1,i=1,2,...,n

Lo anterior implica que para un sistema 2x2 solo un elemento deber a ser calculado (11 ), pues 12 = 1 11 ; 21 = 12 , 22 = 11 . De la misma manera para un sistema NxN solo (N-1)*(N-1) elementos deber an ser calculados. Este m etodo es experimental, pues si se conoce un modelo del sistema ser a posible calcular la matriz de ganancias relativas de manera anal tica. La matriz de ganancias relativa RGA se puede calcular de una manera sencilla basado en estado estacionario, esto es obteniendo las ganancias del modelo. Suponga que se tiene un sistema de tres entradas y tres salidas (3I - 3O), en estado estacionario:

C omo calcular el elemento de la matriz 12 ?. Esto explica el posible apareamiento entre la entrada 2 y la salida 1.
y1 Paso 1: Calcular ( u )ol 2

u1 k11 k12 k13 y1 k k k y 2 = 21 22 23 = u2 u3 k31 k32 k33 y3

y1 y1 )ol = ( )u =u =0 u2 u2 1 3 y1 = k11 u1 + k12 u2 + k13 u3 y1 )ol = k12 ( u2 ( 9

(1.9)

y1 )cl Paso 2: Calcular ( u 2

y1 y1 )cl = ( )y =y =0 u2 u2 2 3 (1.10)

Sea, L = k 1 , entonces se construye el siguiente arreglo:

u1 y1 0 = u2 u3 0 u1 y1 = u2 u3 ( siendo igual al elemento 21 de k 1 . 12 =

k12
1

y1 1 )cl = u2

(1.11)

12 =(elemento 12 de (k 1 )T .k12

= k12 =(elemento 21 de k 1 )k12

En general los elementos del RGA se pueden calcular con: ij =(Elemento ij de (k 1 )T (Elemento ij de k)

ij = (k 1 )T .k
n

(1.12) (1.13)

ij = 1
j =1

La ventaja al usar este m etodo consiste en primer lugar en que esta basado en estado estacionario y en segundo lugar en que es f acil de medir. tambi en se puede aplicar a sistemas no lineales. Ejemplo 6: La mezcla es una de las operaciones unitarias de importancia y se desarrolla en una amplia variedad de industrias, como en la producci on de gasolina y cemento. Tipicamente las variables controladas en un proceso de mezcla son la rata de producci on y la composici on del producto mezclado. Para la modelaci on de este tipo de procesos se hacen las siguientes suposiciones: Las concentraciones a la entrada son constantes 10

Fa F X

Fb

Figura 1.5: Proceso de mezcla. La mezcla donde los ujos salen(donde los ujos se combinan) es perfecta Las densidades del solvente b y del componente a son iguales Entradas: Fa(ujo del componente a puro), Fb(ujo del solvente b) Salidas: X (concentraci on de salida del producto mezclado),F(Flujo de la mezcla de los dos u dos). Punto de operaci on: F0 , Fa0 , Fb0 , X0 Un modleo est atico para este sistema se puede representar asi: F = Fa + Fb Fa X = F Linealizando se tiene: F0 + F = Fa0 + Fa + Fb0 + Fb (Fa0 + Fa ) X0 + X = (F0 + F ) (1.16) (1.17) (1.14) (1.15)

Resolviendo matem aticamente y teniendo en cuenta que t erminos como X F , se pueden despreciar, las ecuaciones (1.16) y (1.17) resultan en: X0 F + F0 X = Fa F = Fa + Fb (1.18) (1.19)

Finalmente luego de algunas manipulaciones se consigue la siguiente forma matricial que representa el modelo est atico: F X = 1
1X0 F0

1
X0 F0

Fa Fb

(1.20)

11

Representando el sistema como se ilustr o anteriormente se tiene: F X Donde se muestra que : k = 1

1X0 F0

k11 k12 k21 k22

Fa Fb

1
X0 F0 0 X F0 X0 1 F0

(1.21) 1 1 (1.22) (1.23) (1.24)

k 1 = F0 (k 1 )T = =

X0 X0 + 1 F0 F0

X0 1 X0 1 X0 X0

Se concluye que en este caso particular el apareamiento depende del set-point o valor de referencia seleccionado, X0 . Suponga que se selecciona un set-point, X0 = 0,2, el arreglo quedar a: 0,2 0,8 = F, X Fa , Fb 0,8 0,2 En conclusi on se aconseja aparear seg un el m etodo de RGA Bristol: (Fb , F ) y (Fa , X ), lo cual signica que es mejor controlar el ujo de mezcla total F usando como variable manipulada el ujo de solvente Fb , y controlar la concentraci on de la mezcla de salida manipulando el ujo de producto puro a, Fa . En este caso los valores de son muy cercanos a uno, = 0,8. En la Figura 1.6 se observa que se puede determinar el ujo total F por la corriente m as

X PID Fa F

PID Fb

Figura 1.6: M etodo de control RGA. 12

grande Fb , y la concentraci on X0 = 0,2 por la corriente m as baja Fa . El m etodo funciona bien, sin embargo se deben tener en cuenta consideraciones din amicas, problemas de estabilidad e interpretar lo que pasa cuando se tienen elementos integradores, pues aqu se tendr a kestac . El an alisis de sistemas con mayor numero de etradas puede parecer tedioso si se realiza de la manera como se procedi o anteriormente. Afortunadamente existe un m etodo eciente que nos permite calcular la matriz de ganancias relativas de forma matricial asi: RGA(G(J )) = G(J ). G(J ), donde el simbolo . denota una multiplicaci on termino a termino. Observe tambi en que hasta ahora solo se han hecho an alisis para valores de = 0, sin embargo la expresi on matricial anterior nos muestra que dicho an alisis puede ser extendido a cualquier frecuencia, sin embargo por lo general solo tiene sentido hacer este an alisis a la frecuencia 0 y la frecuencia de corte (c ) esperada para el sistema. Las reglas de selecci on pueden resumirse asi: 1. Trate de hacer lazos con aquellos elementos en los culaes el RGA(G(jc )) lo mas cercano posible al punto 1 + j 0 en el plano complejo. 2. Evite hacer lazos con aquellos pares que tienen valores negativos de ganancia relativa en estado estable RGA(G(0)).

13

Cap tulo 2 Desacople: Decoupling

En la introducci on se explic o lo referente a las interacciones entre las variables manipuladas y las controladas. Otro m etodo para tratar de controlar un sistema multivariable es el dise no de desacopladores. El m etodo consiste en encontrar una relaci on din amica u nica entre una variable manipulada y una variable controlada. El objetivo es eliminar las interacciones de acople de cruce (Cross-coupling), o hablando en forma matem atica, eliminar elementos que estan fuera de la diagonal en la matriz de funci on de transferencia. El sistema desacoplado puede aparecer como se muestra en la siguiente representaci on matricial: y 1 (s ) y 2 (s ) = G11 (s) 0 0 G22 (s) u 1 (s ) u 2 (s )

El aparear u1 con y1 , u2 con y2 , puede requerir reordenar. De esta manera las variables de salida y estan relacionadas con las entradas u asi: y1 (s) = G11 (s)u1 (s) y2 (s) = G22 (s)u2 (s) (2.1) (2.2)

Las ecuaciones (2.1) y (2.2), muetsran que no se presenta ya el efecto de las interacciones. Ejemplo 7: Para el control de la posici on y el angulo del carro del ejemplo anterior se tiene el siguiente sistema, el cual no necesita ser desacoplado, pues ya est a desacoplado: x = G11 (s) 0 0 G22 (s) f reno volante

2.1.

Desacople convencional-ideal/est atico

La Figura 2.1 muestra un sistema de dos entradas - dos salidas con desacoplador. La idea es elegir las matrices D 11, D 12, D 21, D 22, de tal forma que se obtenga la representaci on mostrada en la Figura 2.2. El desacoplador se puede calcular de la siguiente manera: 14

U1 D11

d1

Y1 G11

D12

G12

D21

G21

d2 D22 U2 Desacoplador Proceso G22

Y2

Figura 2.1: Proceso - Desacoplador para sistema 2I-2O.

U1 G11

Y1

U2

Y2 G22

Figura 2.2: Sistema 2I-2O desacoplado.

15

d1 d2 y1 y2 y1 y2 =

D11 D12 D21 D22 G11 G12 G21 G22

u1 u2 d1 d2 u1 u2

G11 G12 G21 G22

D11 D12 D21 D22

El objetivo que se persigue en el dise no de un desacoplador es: y1 y2 = G11 0 0 G22 u1 u2

De acuerdo al diagrama de bloques el desacoplador se obtiene si se cumple que: G11 G12 G21 G22 D11 D12 D21 D22 = G11 0 0 G22

Resolviendo el sistema matricial se obtiene la soluci on para la matriz de desacople D: G11 . 1 D (s ) = G (s ) . . 0

0 . . . Gnn

La mayor a de los esquemas de desacople solo se hacen de manera est atica, esto es:
s

l m G(s); l m G(z )
z 1

obteniendose muy buenos resultados. Ejemplo 8: En el ejemplo 6 (Figura 1.5), se encontr o el modelo est atico del sistema de mezcla, representado por la ecuaci on (1.3) y para un valor del set-point de X = 0,2 se tiene: F X = 1
0,8 F0

1
0,2 F0

Fa Fb

Nota: observe que por facilidad de notaci on, las variables aunque corresponden a variables de desviaci on, se simbolizan de nuevo por su simbolo original de la variable f sica, asi F = F ,Fa = Fa . Ordenando o apareando F con Fb y X con Fa y con un valor de (X0 = 0,2), se tiene la siguiente representaci on: F X = 1
0,2 F0

1
0,8 F0

Fb Fa

16

El desacoplador esta dado por: D (s ) = G (s ) 1 D11 D12 D21 D22 D= 1

0,2 F0

G11 0 0 G22
1

= 1
0,8 F0

G11 G12 G21 G22

1

G11 0 0 G22 0,8 0,8 0,2 0,8

1 0

0
0,8 F0

Un esquema del sistema de mezcla desacoplado es el siguiente: Colocando en cascada el

Fb (FaFb)0.8 d1 PROCESO F

d2 Fa 0.2Fb+0.8Fa

Figura 2.3: Sistema de mezcla y desacoplador. desacoplador con el proceso se tiene : F X = 1

0,2 F0

1
0,8 F0

0,8 0,8 0,2 0,8

Fb Fa

1 0

0
0,8 F0

Fb Fa

Tenga en cuenta que el producto de matrices no es conmutativo, esto es, G = GD = DG. Un diagrama representativo del sistema desacoplado esta dado por: La Figura 2.5 es una repreFb 1 F

Fa

0.8/F0

Figura 2.4: Sistema de mezcla desacoplado. sentaci on del lazo de control en donde no se presentan las interacciones, han sido eliminadas por el efecto del desacoplador D. El desacople est atico es suciente en muchos casos.

17

Fd +

PID Fb F D PROCESO X

Xd PID +

Fa

Figura 2.5: Sistema de control desacoplado.

2.2.

Desacople Din amico

El desacoplador din amico tiene en cuenta las din amicas del proceso tanto en el estado transitorio como en estado estacionario. El desacoplador discutido en la secci on anterior no tiene ning un efecto sobre la respuesta transiente, pues solo ha sido dise nado est aticamente, asi que desacoplar a solo las interacciones que se presenten en estado estacionario. El desacoplador din amico se calcula en la misma forma que el est atico, solo que ahora las matrices no se evaluan solo en estado estacionario. G11 (s) . 1 . D (s ) = G (s ) . 0 G (s ) =
1 s+1 0,2 2s+1

0 . . . Gnn (s)

Ejemplo 9 : Se tiene la siguiente funci on de transferencia:

0,1 2s+1 1 10s+1

Se observa un poco de acoplamiento (cross-coupling), por lo tanto se pretende dise nar un desacoplador din amico para este sistema. D (s ) = G (s ) 1 D (s ) = El desacoplador est atico esta dado por: G(s = 0) =
1 s+1

0
1 10s+1

1 0,1 2ss+1 +1 10s+1 0,2 2s+1 1 1,02 0,1 0,2 1,02

1 0,1 0,2 1

; D (s ) =

El desacoplador est atico que se obtiene es un buen resultado y muy f acil de dise nar, sin embargo no puede ser implementado en el caso de que se tengan integradores en el sistema, 18

pues la ganancia DC va a innito y esto es un problema. Ahora puede estudiar el archivo Decoup1.m elaborado en Simulink y entender lo siguiente: 1. Efecto de las interacciones del sistema en lazo abierto(sin compensador) 2. Efecto de las interacciones del sistema en lazo abierto con el desacoplador din amico(sin compensador) 3. Efecto de las interacciones del sistema en lazo abierto con el desacoplador est atico(sin compensador) 4. An alisis del sistema en lazo cerrado cuando se dise na un PID en cascada con desacoplador din amico 5. An alisis del sistema en lazo cerrado cuando se dise na un PID en cascada con desacoplador est atico 6. Cu al sistema de control escoger a y por qu e?

2.3.

Implementaci on del desacoplador digital

Primer m etodo: Este es un m etodo r apido y consiste en discretizar las funciones de transferencia de la matriz D(s), que para nuestro ejemplo corresponden a : D12 (s), D21 (s), pues las funciones de transferencia directas D11 (s), D22 (s) tienen un valor de uno(1). A partir del espectro de frecuencia se encuentra una frecuencia de corte, c = 0,16Hz, y de acuerdo al criterio de muestreo, se muestrea a 10c , luego se tiene una frecuencia de muestreo de aproximadamente 2 Hz. Los elementos de D (s) en su forma discretizada se presentan a continuaci on: Tabla 2.1: Mapeo del plano s al plano z Cont nuo Disccreto -0.1(s+1/2s+1) (-0.05z+0.0279)/(z-0.7788) -0.2(10s+1/2s+1) (-z+0.9558)/(z-0.7788)

De acuerdo a la Figura 2.1, se puede calcular los valores para D1 (z ) y D2 (z ), asi: D1 (z ) = U1 (z ) + ( 005 + 0,0279z 1 )U2 (z ) 1 0,7788z 1 d1 (k ) = 0,78d1 (k 1) + u1 (k ) 0,78u1(k 1) 0,05u2 (k ) +0,028u2(k 1) 19 (2.3) (2.4)

D2 (z ) = U2 (z ) + (

1 + 0,96z 1 )U1 (z ) 1 0,78z 1 d2 (k ) = 0,78d2 (k 1) + d2 (k ) 0,78u2 (k 1) u1 (k ) +0,96u1(k 1)

(2.5) (2.6)

La Figura 2.6 muestra la implementaci on esquematica del desacoplador din amico discreto.
U1(z) D(z) d2 (ZOH) d1 (ZOH) U2(z) G(s)

Figura 2.6: Desacoplador Din amico Discreto.

Segundo m etodo: La segunda forma de obtener el desacoplador din amico discreto es mediante la transformada z, esto es: G(s) G(z ) (2.7) D (z ) = G 1 (z ) G11 (z ) 0 0 G22 (z ) (2.8)

En conclusi on para el dise no de deseacopladores se necesita un modelo, y el desacople est atico es suciente en muchos casos.

20

Cap tulo 3 Retroalimentaci on de estados: State Feedback

Ahora se trabaja en tiempo discreto. Caso SISO: La Figura 3.1 muestra un sistema en espacio de estado en lazo abierto, en
u B + + 1 z I y C

Figura 3.1: Retroaliemntaci on de estados. donde se observa que se retroalimentan los estados en lugar de retroalimentar las salidas como era lo usual en la teor a de control discutida con anterioridad. Ahora veamos como se representa el diagrama de espacio de estado con un regulador llamado regulador a estado cero (0-State), y en donde de nuevo se retroalimentan los estados. El controlador esta dado por: u = kx (3.1) u = 0 si X = 0 Teorema

Condici on necesaria y suciente para la localizaci on arbitraria de los polos con retroalimentaci on de estados (State Feedback). Los polos pueden ser colcocados arbitrariamente si y solo si el sistema es completamente 21

u B

+ +

1 z I

y C

Figura 3.2: Retroaliemntaci on de estados y controlador. controlable. El sistema es completamente controlable si es posible ir desde el estado x1 al estado x2 en al menos n pasos en el tiempo, de esta manera los polos se pueden colocar donde se desee. Retroalimentaci on de estados (Feedback) C olocaci on de polos (Pole placement) En resumen se dan las especicaciones deseadas, se localizan los polos en el lugar deseado y nalmente se retroalimentan los estados.

M etodo 1: C alculo directo Ejemplo 9: 1 s2 + s + 1 El modelo discreto(c2dm) con tiempo de muestreo de Ts =1 es: G (s ) = G (z ) = 0,3403z + 0,2417z 2 1 0,7859z + 0,3679z 2 x1 (k ) x2 (k ) x1 (k ) x2 (k ) + 1 0 u

(3.2)

(3.3)

El sistema en espacio de estado discreto (tf2ss) es: x1 (k + 1) x2 (k + 1) =

0,7859 0,3679 1 0 0,3403 0,2417

y (k ) =

Los polos(eigenvalores) estan ubicados en : z=0.9929 0.4620j y se desea tener los polos en : z=0.2 y z=0.1(polo r apido). Lo m s r apido es colocar el polo en z=0. La matriz de controlabilidad esta dada por: Co = 1 0,786 0 1 22

El rango d ela matriz es 2, luego el sistema es completamente controlable. C alculo de k det(zI (A Bk )) = (z 0,2)(z 0,1) k= 0,4859 0,3479 (3.4)

Solucionando el sistema e igualando coecientes se encuentra la soluci on:

El sistema ene espacio de estado discreto introduciendo el controlador, ahora es el siguiente: x(k + 1) = Ax(k ) Bkx(k ) y (k ) = Cx(k )

x(k + 1) = (A Bk )x(k ) y (k ) = Cx(k ) Compare ahora el sistema original (sin entrada, u=0), con el nuevo sistema bajo las condiciones iniciales, C.I = 1 1 Utilice el comando: dinitial(A,B,C,D,[1 1]) dinitial(A-Bk,zeros(2,1),C,D,[1 1]) M etodo 2: Ackerman Inicialmente se escribe la ecuaci on caracter stica que describe la ubicaci on de los polos en el lugar deseado y posteriormente se escribe la misma ecuaci on pero en t erminos de la matriz del sistema A, asi: (z ) = z 2 0,3z + 0,02 (A) = A2 0,3A + 0,02I 0,0340 0,1788 = 0,4859 0,3479 La matriz de controlabilidad se encontr o anteriormente y esta dada por: Cn = ctrb(A, B ) 1 0,786 = 0 1 23

Finalmente se encuentra la matriz k: k= 0,4859 0,3479

que corresponde con la obtenida usando el m etodo de pole placement. M etodo 3: Usando Matlab

k=place(A,B,[0.1 0.2]) Deadbeat: Colola todos los polos en z=0. Se puede probar que si todos los polos estan en z=0(s =polos muy r apidos); entonces la salida ser a controlada a x=0 en al m aximo n pasos en el tiempo. El tiempo de estabilizaci on esta dadoo por nTs . El concepto de Deadbeat control solo existe en sistemas de control en tiempo discreto. Si el tiempo de muestreo Ts es muy peque no, entonces la respuesta ser a muy r apida. Hasta este punto todo parece bien, pero cu al es el problema?. La dicultad consiste en que se tendr a una acci on de control muy grande, lo cual resultar a en el uso de actuadores demasiado grandes, este es pues un l mite fuerte en el dise no utilizando el m etodo de Pole Placement(se tendr an polos muy r apidos, pero a su vez una acci on de control muy grande). Tomando el mismo modelo discreto presentado en el ejemplo 9, se tiene: 1. Colocar los polos en z1 = 0,1 y z2 = 0,2 k1 = 0,4859 0,3479

2. Colocar los polos en z1 = 0 y z2 = 0 (Deadbeat) k2 =place(A,B,[0 0]) Aqu se tendr a un error de implementaci on, y esto se corrige de la siguiente manera:

k2 = place(A, B, [00,0000001]) k2 = [0,7859 0,3679] Implementar el sistema de control con y sin Deadbeat y comparar los resultados con el n de concluir que el deadbeat es m as r apido pero que consume m as esfuerzo de control. 24

3.1.

Regulador Optimo Cuadr atico lineal, LQR

La ubicaci on de los polos en un sistena din amico controlado viene determinada por las especicaciones de control, y estas vienen dadas por las condiciones del problema. El problema a su vez responde a unos indices de desempe no relacionados con la cantidad de energ a necesaria para controlar el sistema, asi como a limitaciones relacionadas con la m axima cantidad de energ a aplicable al sistema de forma instant anea. Estos indices son traducidos por el dise nador a especicaciones como tiempo de subida, sobreimpulso m aximo, tiempo de establecimiento, etc. y a partir de estos indicies se dise na un sistema que aproxime un sistema de segundo orden aplicando la idea de los polos dominantes. En este m etodo sin embargo, el dise nador no tiene una relaci on directa antre el desempe no desedo y el resultado obtenido, la vericaci on de la calidad del sistema de control se realiza en las especicaciones intermedias y no directamente en las especicaciones originales. El m etodo no presenta mayores dicultades si se emplea en sistemas SISO, pero en sistemas multivariable las interrelaciones entre entradas y salidas dicultan la formulaci on del problema. Es por ello, que se desea tener una t ecnica de dise no que permita formular las especicaciones de control de forma m as simple y que permita obtener el mejor controlador que cumpla con esta tarea. Es este el fundamento del control o ptimo. Aqui las especicaciones de control se formulan en una funci on de costo o indice de desempe no, la cual es una funci on que penaliza el mal comportamiento del sistema, es decir cuanto m as lejos este el sistema de la situaci on deseada, mayor ser a el valor de la funci on de costo. El objetivo del controlador optimo, ser a minimizar esta funci on. Se estudia a continuaci on el dise no de sistemas de control por retroalimentaci on de estado con funciones de costo cuadr aticas. La funci on de costo es de importancia por su f acil derivaci on y por estar relacionada directamente con el contenido de energ a de un sistema.

3.1.1.

Problema con horizonte nito(LQR)

Se plantea el problema como la necesidad de calcular la mejor entrada de control u(t), que permita llevar el sistema de un estado inicial t0 , a un estado nal tf , en un tiempo tf t0 . El problema es equivalente a minimizar la funci on de costo: 1 1 J = x(tf )T Pf x(tf ) + 2 2 con las siguientes restricciones:
tf t0

(x(t)T Qx(t) + u(t)T Ru(t))dt

(3.5)

x = Ax(t) + Bu(t) 25

u(t) = K (t)x(t)

(3.6)

Las matrices Pf , Q yR son matrices denidas positivas, generalmente diagonales o cuando menos sim etricas, que determinan la importancia de cada par ametro dentro de la funci on de costo. La matriz Pf indica la importancia del estado nal, la matriz Q la importancia de los estado durante la transici on y R la importancia de la entrada. La formulaci on del problema utilizando una matriz R = 0, tiene particular importancia en la pr actica ya que esta matriz nos limitar a el valor de la entrada u, aplicada al sistema. El problema con las restricciones dadas puede ser formulado como una optimizaci on sin restricciones utilizando el m etodo de los multiplicadores de Lagrange, T = H ; (tt ) = Pf x(tf ) x H 0 = u donde, 1 1 H = xT Qx + uT Ru + T (Ax + Bu) 2 2 Calculando las derivadas indicadas en (3.7) y (3.8)se obtiene: = Qx AT 0 = Ru + B T De (3.11) se obtiene la ley de control: u = R1 B T (3.12) (3.7) (3.8)

(3.9)

(3.10) (3.11)

El problema se puede plantear como un sistema de ecuaciones diferenciales con dos puntos como condici on de frontera, x A BR1 B T Q AT x(t0 ) dado (tf ) = Pf x(tf ) (t) = P (t)x(t) o la ecuaci on diferencial, + P A + AT P P BR1 B T P + Q)x = 0 (P Dado que x = 0, entonces se tiene: 26 x

(3.13)

 = P A AT P + P BR1 B T P Q P

(3.14)

La ecuaci on (3.14) se conoce con el nombre de ecuaci on matricial de Riccati. Esta ecuaci on se puede resolver utilizando el m etodo de barrido. El m etodo consiste en integrar en sentido inverso (desde tf hasta t0 ) la ecuaci on de Riccati con valor inicial(tf ) = Pf x(tf ),hasta obtener P (t0 ) y como x(t0 ) es conocido ser a posible calcular (t0 ) = P0 x(t0 ). Con estos valores iniciales se puede integrar la ecuaci on (3.13) y obtener los valores de (t). y calcular la entrada optima como: u(t) = R1 B T (t) = R1 B T P (t)x(t) u(t) = K (t)x(t)

(3.15)

Como se puede observar en (3.15) la entrada optima est a dada por una realimentaci on de estado variable en el tiempo.

3.1.2.

Problema con horizonte innito

En este problema se asume que el tiempo tf = . Asuma que P (t, tf )es soluci on de la ecuaci on (3.14), con condiciones de frontera P (tf , tf ) = 0. Entonces se puede decir que, l m P (t, tf ) = P
tf

existe y adem as es constante. Entonces la ecuaci on de Riccati se convierte en la ecuaci on algebr aica de Riccati, de la forma: P A + AT P P BR1 B T P + Q = 0 (3.16)

y la ley de control ser a una matriz K = R1 B T P invariante en el tiempo. La existencia de una soluci on P u nica para la ecuaci on de Riccati esta garantizada si el sistema (A,B) es estabilizable y (Q,A) es detectable. Adem as esta soluci on estabiliza el sistema, ya 1 que los valores propios de la matriz, A BR P , se encuentran en la parte izquierda del plano complejo, s.

3.1.3.

Soluci on de la ecuaci on algebr aica de Riccati

La ecuaci on algebr aica de Riccati se puede escribir asi: P A + AT P P BR1 B T P + Q = P I 27 A BR1 B T Q AT I P =0

Aqu aparece una matriz de 2nx2n asociada a la ecuaci on de Riccati, esta matriz se conoce con el nombre de matriz de Hamilton y esta dada por, H= A BR1 B T Q AT

3.1.4.

Regulador cuadr atico lineal - caso discreto

Horizonte Finito Se tiene el sistema descrito por: xk+1 = Axk + Buk , x0 conocido (3.17)

El problema de control consiste en hallar las entradas uk , k=1,...,N de forma tal que la funci on de costo, 1 N 1 T 1 T JN = xT [x Qxk + uT N P xN + k Ruk + k +1 (xk +1 + Axk + Buk )] 2 2 k=0 k (3.18)

Donde k son nuevamente los multiplicadores de Lagrange. Derivando la funci on de costo con respecto a uk , k+1, yxk e igualando a cero se obtiene: J uk JN k+1 JN xk JN xN
T = uT k R + k +1 B = 0

(3.19) (3.20) (3.21) (3.22)

= xk+1 + Axk + Buk = 0

T T = xT k Q k + k +1 A = 0

= P xN N = 0

Planteando el sistema como un sistema de ecuaciones de diferencia con dos condiciones de frontera se tiene: xk+1 k+1 = A + BR1 B T AT Q BR1 B T AT AT Q AT x0 dado N = P xN k = Pk xk La entrada optima del sistema estar a dada por: 28 xk k (3.23)

(3.24)

Ruk = = T (R + B Pk+1 B )uk = uk = Donde, Sk = R + B T P k B Reemplazando (3.24) en (3.21) se obtiene:

B T Pk+1xk+1 B T Pk+1(Axk + Buk ) B T Pk+1 Axk 1 T Sk +1 B Pk +1 Axk

(3.25)

Pk xk = AT Pk+1 xk+1 + Qxk Pk xk = AT Pk+1(Axk + Buk ) + Qxk y reemplazando (3.25) en (3.26)

1 T [Pk AT (Pk+1 + Pk+1 BSk +1 B Pk +1 )A Q]xk = 0, k

(3.26)

(3.27)

y como x = 0, entonces,
1 T Pk = AT (Pk+1 + Pk+1 BSk +1 B Pk +1 )A + Q

(3.28)

(3.28) es una ecuaci on de diferencia de Riccati. Usando el m etodo de barrido, resolvemos a partir de las condiciones de frontera. Del estado inicial N = P xN = PN xN (3.29)

Se pueden calcular todos los valores de Pk hasta P0 . La entrada estar a descrita como una realimentaci on de estado, uk = Kk xk (3.30) donde, Kk = (R + B T Pk+1 B )1 B T Pk+1 A El costo optimo ser a 1 min JN = xT P x0 2 0 (3.31) (3.32)

Horizonte innito Para el caso de horizonte innito en sistemas discretos, se asume que Pk alcanza una condici on de estado estable y entonces la funci on de retroalimentaci on queda descrita por: uk = Kxk (3.33) 29

donde, K = (R + B T P B )1 B T P A on algebr aica de Riccati, Donde P satisface la ecuaci P = AT [P + P B (R + B T P B )1 B T P ]A + Q

1

(3.34)

(3.35)

La soluci on estabilizar a el sistema si el par (A,B) es estabilizable y el par (P 2 , A) es detectable. El costo optimo ser a: 1 min JN = xT P x0 (3.36) 2 0 Ejemplo : Control MIMO CSTR Se tiene un reactor de tanque agitado CSTR (Continuos Stirred Tank Reactor). En el reactor tiene lugar una reacci on qu mica que convierte de manera irreversible el componente A en un componente B. A B . La capacidad del tanque donde ocurre la reacci on es de V =max 120L, y su area es de A = 0,2m2 . A corresponde al reactante y
Cao,To,q

Ca,T,V

qc,Tco

Ca,qo,T

Figura 3.3: CSTR. B al producto nal. El reactante entra al reactor con un ujo q(t), una temperatura To=350 K, una concentraci on de producto A de Cao=1 mol/L. El reactor tiene un volumen instant aneo V(t), una temperatura T(t) y una concentraci on de producto A Ca(t). El uido deja el reactor con un caudal qo(t), una concentraci on y una temperatura igual a las que existen en el reactor. Como la reacci on es exot ermica el sistema requiere refrigeraci on para controlarla. Se utiliza un serpent n con agua a una temperatura Tco= 350 K y un ujo qc(t) que es utilizado para controlar la temperatura del reactor.

30

Modelo matem atico del sistema: q (t) dCa (t) E = (Cao Ca (t)) ko Ca (t)e RT (t) dt V (t) E dT (t) q (t) (To T (t)) + k1 Ca (t)e RT (t) = dt Vt k3 qc (t) +k 2 (1 e qc (t) )(Tco T (t)) Vt dV (t) = q (t) k4 V t dt Los valores de las constantes son: Tabla 3.1: Par ametros constantes del reactor, CSTR

(3.37)

Par ametro ko k4 E/R To Tco H Cp,Cpc , c ha Cao

Descripci on Constante de velocidad de reacci on Constante de la v alvula de salida del tanque Energ a de activaci on Temperatura del ujo de reactante Temperatura del liquido refrigerante Calor de reacci on Calores espec cos Densidad de los liquidos coeciente de transferencia de calor Concentraci on de producto A en la alimentaci on del reactor

Valor nominal 7,2x1010 min1 3 10L/(minm 2 ) 1x104 K 350K -2x105 cal/mol 1 cal/g/K 1x103 g/L 7x105 cal/min/K 1 mol/L

c Cpc Hko a , k2 = C ,k3 = ch . Los ujos qc (t)(ujo de refrigerante) y q(t)(alimentaci on k1 = Cp Cpc p del reactante al reactor), est an limitados a un valor m aximo qcmax = qmax = 120L/min.

El problema de control: Se desea controlar la concentraci on Ca y el volumen total del reactor V. Las variables manipulables son el ujo qc (t) de refrigerante y el ujo de alimentaci on al reactor q(t). Se debe inicialmente linealizar el sistema, el cual es claro que contiene no-linealidades importantes, alrededor de un punto de operaci on. El sistema se controlar a entonces alrededor del punto de operaci on, el cual esta denido asi:

31

Variable Ca V q qc T

Punto de operaci on 0.1 mol/L 100 L 100 L/min 103.37 L/min 438.54 K

Ahora, se supone que solo es posible medir las variables Ca y V, entonces el sistema se puede denir asi: Estados Ca ,T(t), V(t) Salidas Ca ,V(t) Ca(t) x = T (t) V (t) y= Ca (t) V (t) q (t) qc (t)

Entradas q(t) ,qc (t)

u= Sistema linealizado: dx = f (x, u) dt = f (x , u2 ) + Donde, A=

f (x,u) ; x x

f (x, u) f (x, u) x (x x ) + u (u u ) x u

(3.38)

B=

f (x,u) u u

El modelo linealizado esta dado por: 9,9979 0,046787 0,009 7,3245 1,7999 A = 1799,6 ;B = 0 0 0,5 C= Ejercicio: 32 1 0 0 0 0 1 ;D =

0,009 0 0,8854 0,8775

0 0 0 0

1. Implemente el modelo no lineal representado por (3.37) en Simulink 2. Calcule el modelo lineal en forma anal tica usando Matlab 3. Simule el sistema aplicando una peque na perturbaci on aleatoria en qc (amplitud de 3 o 4L/min), use el valor nominal de qc 4. Implemente una simulaci on del modelo lineal y aplique la misma perturbaci on (sume los valores de y ) a las salidas y restar u ) a als entradas. Controlabilidad y observabilidad: Usando las matrices que representan el modelo lineal se obtiene: Co = B AB An1 B ; 0,009 0 0,0576 0,0411 0,0414 0,1098 Co = 0,8854 0,8775 11,5111 6,4272 20,1645 26,8069 1,0 0 0,5 0 0,25 0

rank(Co)=3. Entonces el sistema es controlable. Para el an alisis de observabilidad se tiene: Ob =

C CA CAn1

Ob =

rank(Ob)=3. Entonces el sistema es Observable.

1 0 0 0 0 1 9,9979 0,0468 0,009 0 0 0,5 15,7616 0,1251 0,0103 0 0 0,25

33

Ejercicio: 1. Inplemente los resultados de controlabilidad y observabilidad usando Matlab 2. Utilice el m etodo de Controlabilidad y Observabilidad PBH GANACIA RELATIVA, RGA: Utilice la expresi on para el modelo lineal para calcular la ganacia del sistema usando, G((j ) = C (jI A)1 B + D (3.39)

Recuerde que el an alisis de ganacia relativa se debe realizar a dos valores distintos de frecuencia( al a frecuenvcoa = 0, para entender la inuencia de las variables manipuladas en las variables controladas cuando se realiza control manual, y a la frecuencia esperada de crossover, = n para entender la inuencia de las variables manipuladas en las variables controladas cuando se utiliza control autom atico). Si se toma Ts = 7 min, y un sobreimpulso Mp = 1,1, se encuentra un valor de n = 0,9666 rad/min. Usando estos valores de frecuencia se obtiene las siguientes ganacias: G(0) = 0,0056 0,037 2 0 (3.40)

G(j 0,966) =

0,0032 + j 0,0028 0,0038 j 0,0010 0,4222 j 0,8162 0

(3.41)

Calculando las matrices de ganancias relativas se obtiene: RGA(0) = 0 1 1 0 0 1 1 0

RGA(j 0,9666) =

Nota: trate de hacer lazos con los elementos en los cuales RGA(G(jc )) este lo m as cercana al punto 1+j0 en el plano complejo. Evite hacer lazos con aquellos pares que tienen valores negativos de ganancia relativa en estado estable RGA(G(0)). Los dos criterios se cumplen perfectamente si se dise nan controladores con los pares entre la entrada 1(q(t)) y la salida 2(V(t)) y entre la salida 2(qc(t)) y la salida 1 (Ca(t)). DESACOPLADORES: En el folder cstr se encuentran los archivos: CSTRCoupled PID.mdl y CSTRDeCoupled 34

PID.mdl. Se dise nan controladores PID usando el ujo q(t) para controlar el volumen V(t) en el reactor y qc (t) el ujo de refrigerante para controlar la concentraci on Ca (t). Primero se dise no el controlador que controla el volumen y luego el que controla la concentraci on. Observe en los diagramas del simulador que a la se nal de actuaci on de los PIDs se le adiciona el valor constante alrededor del cual se hizo la linealizaci on. PID sin Desacoplador: Los par ametros obtenidos para el PID son: Volumen Concentraci on Kp 1 50 Ti Td 1 0 0.333 0.2

Se aplicaron se nales paso despu es de 10 minutos para llevar el nivel de 100 a 110 L y a los 50 minutos para llevar la concentraci on de 0.1 mol/L a 0.11 mol/L. Observe en las guras de la simulaci on que un cambio en el nivel genera un impacto en la concentraci on, pero un cambio en concentraci on no afecta el nivel. Nota: Antes de correr la simulaci on, ejecute el archivo cstrinit.m para dar inicio a los par ametros del simulador. Desacoplador est atico: Con el n de reducir el impacto de las interacciones explicadas anteriormente, se construye un desacoplador est aticoy se sintoniza de nuevo los PIDs. La ganancia est atica del sistema esta dada por (3.50). Para diagonalizar este sistema no es posible hacer uso de las formulas hasta ahora vistas, pues se tiene un cero en la diagonal, y se requiere que los elementos de la diagonal sean todos distintos de cero. Existen otras alternativas para dise nar desacopladores(alternativa que recalcula una formula para un desacoplador que no divida por los elemntos de la diagonal principal), sin embargo estas no son motivo del presente curso, asi queotra posibilidad es intercambiar las entradas de modo que la ganancia en la diagonal principal sea distinta de cero. (3.42) G (s ) = Ca V G11 G12 G21 G22 (3.43)

Intetercambiando las columnas de G(s) se obtiene: G (s ) = En este caso, G11 (s) = G12 (s) = 35 C a (s ) qc (s) (3.45) Ca V G12 G11 G22 G21 (3.44)

C a (s ) q (s ) V (s ) G21 (s) = G22 (s) = qc (s) V (s ) G22 (s) = G21 (s) = q (s ) G12 (s) = G11 (s) = Calculando la expresi on a frecuencia ncero, se tiene: G (0) = 0,0037 0,0056 0 2

(3.46) (3.47) (3.48) (3.49)

(3.50)

Ahora se puede construir el desacoplador usando la formula: D (s ) =

1
G 21 (s) G 22 (s)

G 12 (s) G 11 (s)

(3.51)

Como el desacoplador es est atico, se obtiene: D (0) = 1 1,4878 0 1

Observe que este desacoplador nos relaciona dos entradas f1 (t) , f2 (t)que estar an acopladas con qc (t) y q(t). qc D11 (s) D12 (s ) (3.52) G (s ) = D ( s ) D q 21 22 (s) Si se quiere que el desacoplador funcione con el sistema original G(s), se deben intercambiar las las del desacoplador. q D21 (s) D22 (s ) (3.53) G (s ) = D ( s ) D qc 11 12 (s) D (0) = 0 1 1 1,4878

Se comprueba el efecto del desacoplador haciendo el producto: G(0)D (0) = 0,0037 0 0 2

Ahora se tiene un sistema desacoplado y la sintonizaci on de los PIDs es a un m as simple. Ahora se muestran los par ametros del PID para el sistema desacoplado. Volumen Concentraci on 36 Kp 1 200 Ti Td 1 0 2 2.5

CONTROLADOR MULTIVARIABLE LQR: Las variables de control son la concentraci on y el volumen. SE pide hacer el control con cero error en etado estacionario. Como se va a dise nar un controlador por retroalimentaci on de estado, se debe extender el sistema de tal forma que incluya dos integradores sobre las variables que se desean controlar con cero error en estado estacionario. El sistema extendido es el siguiente: x e = A 0 C 0 x e + B D u+ 0 I Ca ref V ref (3.54)

El vector e representa la integral del error de seguimiento, deinido como: e = e Ca (t) e v (t) = Caref Ca (t) Vref (t) V (t)

Usando esta nueva representaci on, se puede calcular un controlador LQR si se denen las matrices de la funci on de costo:

J= de la siguiente forma:

(x(t)T Qx(t) + u(t)T Ru(t))dt

(3.55)

Q=

1 0 0 0 0

0 1 0 0 0

0 0 1 0 0

0 0 0 1 0

0 0 0 0 1

Observe que todos los estados y las entradas tienen la misma penalizaci on, obteniendose la matriz de realimentaci on de estado siguiente, K= 125,7877 0,7120 1,4577 0,0788 0,9969 173,4768 1,1591 0,0897 0,9969 0,0788 ,

,R

1 0 0 1

Las tres primeras columnas corresponden a la realimentaci on de los tres estados naturales del sistema(concentraci on, temperatura y volumen- mtriz Ks ), las dos columnas restantes corresponden a la realiemntaci on de las integrales de los errores de seguimiento - Matriz KI . Es conveniente realizar la sintonizaci on del controlador usando el modelo lineal, una vez ajustado se puede montar el controlador sobre el modelo no-lineal.Interprete los resultados de las simulaciones con las matrices Q y R anteriores. Ahora trate de cambiar la penalizaci on de la integral del error de concentraci on, mientras se mantienen los valores de los ujos dentro de los l mites permitidos por el sistema, esto es,

37

utilice los siguientes valores para las matrices:

Q=

1 0 0 0 0

0 1 0 0 0

0 0 0 0 0 0 1 0 0 0 50000 0 0 0 1

,R

1 0 0 1

Observe si el sistema cumple o no con las especicaciones de control deseadas.

3.2.

Estimaci on optima- Filtros de Kalman - Bucy

La ubicaci on optima de los polos del estimador esta determinada por el compromiso entre la velocidad de convergencia y la inmunidad al ru do. Los polos del estimador deben tenr una ubicaci?on optima. Kalman y Bucy resolvieron este problema y por ello la soluci on es llamada tambi en ltro de Kalman-Bucy El termino ltro viene de la capcidad del estimador para reducir el impacto del ruido en el valor estimado del estado. Considere el sistema din amico, x (t) = Ax(t) + Bu u(t) + Bw w (t) y (t) = Cx(t) + v (t) y el estimador, x (t) = Ax (t) + L(y (t) C x (t)) + Bu u(t)(3.58) (3.56) (3.57)

38

Bibliograa
[1] Franklin and Powell Workman. Digital Control of Dynamic Systems. Addison Wesley, 1990. [2] Kasuhiko Ogata. Discrete Time Control Systems.Prentice Hall, 1987. [3] Seberg, Edgar Mellichamp. Process Dynamics Control. John Wiley Sons, 1989 [4] W. L. Luyben.Process Modelling, Simulation and Control for Chemical Engineers. Mc Graw Hill,1990

39