Algoritmos de Control Avanzado Basados en Modelos en DCS

17 Octubre 2011

 

Algoritmos de control avanzado basados en modelos
Hoy en día no es ninguna novedad la existencia y aplicación de estrategias de control donde el controlador es cargado con el modelo del proceso y por consiguiente puede comparar la respuesta del proceso real con el proceso del modelo y actuar sobre la diferencia de la misma manera de como un controlador PID actúa sobre el error en la medida.
Por lo que en este curso veremos las diferentes estrategias avanzadas de control que podemos encontrar en los DCS modernos, hoy por hoy.
Smith Predictor:
un proceso con tiempo muerto acelerado, este método de control “Smith Predictor” da una buena respuesta de setpoint sin sobre impulso, dado que esto es ligeramente mejor que un control PID regular respondiendo ente cambios de carga. Su acción se genera comparando a la variable controlada desde un modelo de proceso, el cual no tiene tiempo muerto con la variable  controlada medida desde el proceso real.
Shinskey ha mostrado que un controlador regular PIDtd (el cual es mucho más sencillo de sintonizar que predictor Smith) puede darnos una performance similar bajo las mismas condiciones. En la figura de abajo se muestra la respuesta mejorada de un controlador PIDtd comparado con controladores regulares PI y PID.
Modelo Predictivo de Control (MPC): estos controladores, donde el modelo del controlador es la inversa de la dinámica del modelo de proceso, son llamados de diferente manera, incluyendo Modelos de Controladores Internos (IMC) y lambda, Dahlin, o controladores de cancelación. De todos los proveedores de DCS, solo en algunos podemos ver que existe paquetes pequeños de MPC (ocho entrada y ocho salidas) dentro del mismo software o embebidas, y por tanto para modelos más grandes esto tiene que ser externo. De hecho la mayor cantidad de controladores MPC tienen que ser externos (superpuestos) y integrados dentro del sistema DCS. Si el modelo del proceso es muy preciso (usualmente no lo es) y la dinámica del proceso no cambia (usualmente cambian con los cambios de carga) la performance de un MPC será superior a un PID. En la mayoría de los casos la dinámica de los procesos varian con los cambios de carga, y en esos casos la respuesta de un MPC será lenta a menos que el modelo sea actualizado (adaptado) de forma periódica.
Cuando el modelo MPC es usado en un simulador, es posible ver la respuesta actual del proceso antes de que esta respuesta ocurra. Alguna de las ventajas los controladores MPC es que puede ser usado para el entrenamiento de los operadores (simulación) y la habilitad de ajustar la velocidad de ejecución.
Una de sus limitaciones son el alto costo para desarrollar modelos de procesos precisos que se auto-adapten en los cambios de la dinámica del proceso.
Logica Difusa o Fuzzy: lo que un buen operador hace es muy difícil describirlo en una ecuación matemática. Es por esta razón que para procesos muy complejos (como por ejemplo el aterrizaje  de un helicóptero) que no pueden ser controladores de una manera convencional son frecuentemente dejados para ser controlados de manera manual. Esto es porque el operador agrega una variedad de información y combinadas en estrategias o habilidades, y esto no puede ser integrado en una simple ley de control.
Una razón del porque los controles convencionales no pueden ser usados en algunos procesos que son no lineales. Si la no linealidad es precisamente conocida y esta no cambia con cambios de carga o el tiempo, los controles PID convencionales pueden ser usados después de caracterizar a la medida y setpoint (ver figura abajo), cuando esto no es posible una de las opciones es considerar lógica difusa o fuzzy.
El primer paso para desarrollar un modelo fuzzy es conversar con los ingenieros y operadores de planta para aprender de ellos acerca de las variables de proceso que han influenciado (positiva o negativamente) en la variable controlada y aproximar el tamaño de las influencias en factores de “peso”. Lo que se requiere para una lógica fuzzy es que el proceso sea controlado en modo manual por un operador y que esa información este disponible, es decir donde se muestre como se logra el control manual.
Basado en esa información recolectada, se establecen reglar para determinar la salida del controlador en base a un numero de funciones de entrada, y cada una de estas funciones es escalada para describir su influencia en la salida total.
Redes Neuronales (ANN Control): las redes neuronales artificiales (ANN) son similares a los controladores de lógica difusa en la medida que el modelo matemático que relaciona las entradas y las salidas no necesita ser conocido. La principal diferencia es que una ANN solo pueden ser “entrenadas”, las ganancias de sus funciones no pueden cambiar, estas son fijadas.
Algunas aplicaciones exitosas de ANN incluyen la predicción de valores de pH en tanques agitados y la predicción puntos de ebullición en procesos de destilación. Las ANN han mostrado su habilidad para aprender la dinámica del proceso muy bien si se les provee de datos de entrenamiento necesarios.
Un ejemplo de una red neuronal de tres capas se muestra en la figura siguiente. Aquí la meta es controlar la presión de vapor de Reid de productos base y el punto de ebullicion de 95% sin que sea medido directamente. En cambio, son medidas una variedad de propiedades (nueve nodos de entrada) y, basados en cantidades de data histórica, los valores en tiempo real son detectados para estas dos variables controladas. Entre las capas de entrada y salida de este exemplo existen cuatro nodos adicionales en una capa escondida y el bias.
La principal ventaja de las ANN (redes neuronales) es su abilidad para predecir las variables controladas cuando estas no pueden ser medidas online o los analizadores (online o en el laboratorio) tomas una gran cantidad de tiempo para analizar la muestra. El modelo ANN puede tener mas de tres capas y más de nueve entrada. Pequeñas aplicaciones de ANN pueden ser embebidas en casi todos los DCS, mientras que para aplicaciones grandes usualmente usualmente se utilizan interfaces desde el DCS

 

Hoy en día no es ninguna novedad la existencia y aplicación de estrategias de control donde el controlador es cargado con el modelo del proceso y por consiguiente puede comparar la respuesta del proceso real con el proceso del modelo y actuar sobre la diferencia de la misma manera de como un controlador PID actúa sobre el error en la medida.

Por lo que en este curso veremos las diferentes estrategias avanzadas de control que podemos encontrar en los DCS modernos, hoy por hoy.

Smith Predictor: un proceso con tiempo muerto acelerado, este método de control “Smith Predictor” da una buena respuesta de setpoint sin sobre impulso, dado que esto es ligeramente mejor que un control PID regular respondiendo ente cambios de carga. Su acción se genera comparando a la variable controlada desde un modelo de proceso, el cual no tiene tiempo muerto con la variable  controlada medida desde el proceso real.

Shinskey ha mostrado que un controlador regular PIDtd (el cual es mucho más sencillo de sintonizar que predictor Smith) puede darnos una performance similar bajo las mismas condiciones. En la figura de abajo se muestra la respuesta mejorada de un controlador PIDtd comparado con controladores regulares PI y PID.

 

Modelo Predictivo de Control (MPC): estos controladores, donde el modelo del controlador es la inversa de la dinámica del modelo de proceso, son llamados de diferente manera, incluyendo Modelos de Controladores Internos (IMC) y lambda, Dahlin, o controladores de cancelación. De todos los proveedores de DCS, solo en algunos podemos ver que existe paquetes pequeños de MPC (ocho entrada y ocho salidas) dentro del mismo software o embebidas, y por tanto para modelos más grandes esto tiene que ser externo. De hecho la mayor cantidad de controladores MPC tienen que ser externos (superpuestos) y integrados dentro del sistema DCS. Si el modelo del proceso es muy preciso (usualmente no lo es) y la dinámica del proceso no cambia (usualmente cambian con los cambios de carga) la performance de un MPC será superior a un PID. En la mayoría de los casos la dinámica de los procesos varian con los cambios de carga, y en esos casos la respuesta de un MPC será lenta a menos que el modelo sea actualizado (adaptado) de forma periódica.

 

Cuando el modelo MPC es usado en un simulador, es posible ver la respuesta actual del proceso antes de que esta respuesta ocurra. Alguna de las ventajas los controladores MPC es que puede ser usado para el entrenamiento de los operadores (simulación) y la habilitad de ajustar la velocidad de ejecución.

 

Una de sus limitaciones son el alto costo para desarrollar modelos de procesos precisos que se auto-adapten en los cambios de la dinámica del proceso.

 

Logica Difusa o Fuzzy: lo que un buen operador hace es muy difícil describirlo en una ecuación matemática. Es por esta razón que para procesos muy complejos (como por ejemplo el aterrizaje  de un helicóptero) que no pueden ser controladores de una manera convencional son frecuentemente dejados para ser controlados de manera manual. Esto es porque el operador agrega una variedad de información y combinadas en estrategias o habilidades, y esto no puede ser integrado en una simple ley de control.

 

Una razón del porque los controles convencionales no pueden ser usados en algunos procesos que son no lineales. Si la no linealidad es precisamente conocida y esta no cambia con cambios de carga o el tiempo, los controles PID convencionales pueden ser usados después de caracterizar a la medida y setpoint (ver figura abajo), cuando esto no es posible una de las opciones es considerar lógica difusa o fuzzy.

El primer paso para desarrollar un modelo fuzzy es conversar con los ingenieros y operadores de planta para aprender de ellos acerca de las variables de proceso que han influenciado (positiva o negativamente) en la variable controlada y aproximar el tamaño de las influencias en factores de “peso”. Lo que se requiere para una lógica fuzzy es que el proceso sea controlado en modo manual por un operador y que esa información este disponible, es decir donde se muestre como se logra el control manual.

 

Basado en esa información recolectada, se establecen reglar para determinar la salida del controlador en base a un numero de funciones de entrada, y cada una de estas funciones es escalada para describir su influencia en la salida total.

 

Redes Neuronales (ANN Control): las redes neuronales artificiales (ANN) son similares a los controladores de lógica difusa en la medida que el modelo matemático que relaciona las entradas y las salidas no necesita ser conocido. La principal diferencia es que una ANN solo pueden ser “entrenadas”, las ganancias de sus funciones no pueden cambiar, estas son fijadas.

 

Algunas aplicaciones exitosas de ANN incluyen la predicción de valores de pH en tanques agitados y la predicción puntos de ebullición en procesos de destilación. Las ANN han mostrado su habilidad para aprender la dinámica del proceso muy bien si se les provee de datos de entrenamiento necesarios.

 

Un ejemplo de una red neuronal de tres capas se muestra en la figura siguiente. Aquí la meta es controlar la presión de vapor de Reid de productos base y el punto de ebullicion de 95% sin que sea medido directamente. En cambio, son medidas una variedad de propiedades (nueve nodos de entrada) y, basados en cantidades de data histórica, los valores en tiempo real son detectados para estas dos variables controladas. Entre las capas de entrada y salida de este exemplo existen cuatro nodos adicionales en una capa escondida y el bias.

La principal ventaja de las ANN (redes neuronales) es su abilidad para predecir las variables controladas cuando estas no pueden ser medidas online o los analizadores (online o en el laboratorio) tomas una gran cantidad de tiempo para analizar la muestra. El modelo ANN puede tener mas de tres capas y más de nueve entrada. Pequeñas aplicaciones de ANN pueden ser embebidas en casi todos los DCS, mientras que para aplicaciones grandes usualmente usualmente se utilizan interfaces desde el DCS.

 

 

 

José Carlos Villajulca

Soy un apasionado ingeniero especializado en Control, Automatizacion e Instrumentación Industrial. Con mas 9 años de experiencia desarrollando proyectos y manteniendo sistemas de control en diversas plantas industriales. Soy director y webmaster de InstrumentacionyControl.NET y de MyAutomationClass.com. Cualquier consulta o comentario lo puedes hacer en la parte de abajo y escribiendo nuestro foro: http://instrumentacionycontrol.net/foros/.

Sitio Web: instrumentacionycontrol.net/foros/ Email Esta dirección de correo electrónico está protegida contra spambots. Usted necesita tener Javascript activado para poder verla.