Resumen

Control predictivo basado en modelos (MPC) es una metodología de control ampliamente utilizada en la industria por su habilidad para controlar procesos multivariable con restricciones en sus entradas y sus salidas. Se distinguen dos fases en la implementación de MPC: identificación y control. El propósito de esta tesis es doble: realizar contribuciones en la identificación para MPC y proponer una nueva metodología de control MPC.
La respuesta en bucle cerrado de una implementación de MPC depende, en gran medida, de la capacidad de predicción del modelo; luego la identificación del modelo es un punto crucial en MPC y la parte que a menudo exige la mayor parte del tiempo del proyecto. El primer objetivo que cubre la tesis es la identificación para MPC. Puesto que un modelo es una aproximación del comportamiento de un proceso, dicha aproximación se puede hacer teniendo en cuenta el fin que se le va a dar al modelo. En MPC, el modelo se utiliza para realizar predicciones dentro de una ventana futura, luego la identificación para MPC (MRI) tiene en cuenta dicho uso del modelo y considera los errores de predicción dentro de dicha ventana para el ajuste de los parámetros del modelo. En esta tesis, se cubren tres temas dentro de MRI. Primero se define MRI y las distintas formas de abordarlo. Luego se compara en términos de MRI el ajuste de un modelo con múltiples entradas y múltiples salidas con el ajuste de varios modelos con múltiples entradas y una salida concluyendo que el ajuste de un único modelo con múltiples entradas y múltiples salidas proporciona mejores resultados en términos de MRI para horizontes de predicción lo suficientemente grandes. Por último, se propone el algoritmo PLS-PH para implementar MRI con modelos paramétricos en el caso de correlación en los datos de identificación. PLS-PH es un método de optimización numérica por búsqueda lineal basado en PLS (mínimos cuadrados parciales). Se muestra en un ejemplo como PLS-PH es capaz de proporcionar mejores modelos que las técnicas convencionales de MRI en modelos paramétricos en el caso de correlación en los datos de identificación.
Una vez obtenido el modelo se puede formular el controlador predictivo. En esta tesis se propone LV-MPC, un controlador predictivo para procesos continuos que implementa la optimización en el espacio de las componentes principales. En LV-MPC se obtienen las matrices dinámicas del modelo directamente desde los datos de identificación mediante PLS. Las matrices de transformación del espacio obtenidas en PLS se utilizan posteriormente en el controlador para implementar la optimización en dicho espacio reducido. Implementar identificación y control en el espacio de las componentes principales: facilita la identificación en el caso de existencia de correlación en el conjunto de datos de identificación, actúa como filtro reduciendo los efectos de datos con ruido, reduce la carga computacional del algoritmo de control y asegura la utilización del modelo en la región en la que ha sido identificado mejorando la respuesta en bucle cerrado. Varios ejemplos muestran como LV-MPC puede mejorar la implementación tradicional de MPC en términos de carga computacional, respuesta en bucle cerrado y siendo una metodología fácil de ajustar. LV-MPC es una nueva metodología que combina lo mejor de dos herramientas ampliamente utilizadas en la industria: control predictivo y técnicas de reducción de variables. En esta tesis se describe LV-MPC y se abordan varios de los retos en la implementación de control predictivo, no obstante quedan líneas abiertas para futuros trabajos.