Resum

Control predictiu basat en models (MPC) és una metodologia de control àmpliament utilitzada en la indústria per la seva habilitat per controlar processos multivariable amb restriccions en les seves entrades i les seves sortides. Es distingeixen dues fases en la implementació de MPC: identificació i control. El propòsit d'aquesta tesi és doble: realitzar contribucions en la identificació per a MPC i proposar una nova metodologia de control MPC.
La resposta en bucle tancat d'una implementació de MPC depèn en gran mesura de la capacitat de predicció del model, doncs la identificació del model és un punt crucial en MPC i la part que sovint exigeix la major part del temps del projecte. El primer objectiu que cobreix la tesi és la identificació per a MPC. Com que un model és una aproximació del comportament d'un procés, aquesta aproximació es pot fer tenint en compte la finalitat que se li donarà al model. En MPC, el model s'utilitza per a realitzar prediccions dins d'una finestra, doncs la identificació per a MPC (MRI) té en compte aquest ús del model i considera els errors de predicció dins d'aquesta finestra per a l'ajust dels paràmetres del model. En aquesta tesi, es cobreixen tres temes dins de MRI. Primer es defineix MRI i les diferents formes d'abordar-lo. Després es compara en termes de MRI l'ajust d'un model amb múltiples entrades i múltiples sortides amb l'ajust de diversos models amb múltiples entrades i una sortida concloent que l'ajust d'un únic model amb múltiples entrades i múltiples sortides proporciona millors resultats en termes de MRI per a horitzons de predicció suficientment grans. Finalment, es proposa l'algorisme PLS-PH per implementar MRI amb models paramètrics en el cas de correlació en les dades d'identificació. PLS-PH és un mètode d'optimització numèrica per recerca lineal basat en PLS (mínims quadrats parcials). Es mostra en un exemple com PLS-PH és capaç de proporcionar millors models que les tècniques convencionals de MRI en models paramètrics en el cas de correlació en les dades d'identificació.
Una vegada obtingut el model es pot formular el controlador predictiu. En aquesta tesi es proposa LV-MPC, un controlador predictiu per a processos continus que implementa l'optimització en l'espai de les components principals. En LV-MPC s'obtenen les matrius dinàmiques del model directament des de les dades d'identificació mitjançant PLS. Les matrius de transformació de l'espai obtingudes en PLS s'utilitzen posteriorment al controlador per implementar l'optimització en aquest espai reduït. Implementar identificació i control en l'espai de les components principals: facilita la identificació en el cas d'existència de correlació en el conjunt de dades d'identificació, actua com a filtre reduint els efectes de dades amb soroll, redueix la càrrega computacional de l'algorisme de control i assegura la utilització del model en la regió en què ha estat identificat millorant la resposta en bucle tancat. Diversos exemples mostren com LV-MPC pot millorar la implementació tradicional de MPC en termes de càrrega computacional, resposta en bucle tancat i sent una metodologia fàcil d'ajustar. LV-MPC és una nova metodologia que combina el millor de dues eines àmpliament utilitzades en la indústria: control predictiu i tècniques de reducció de variables. En aquesta tesi es descriu LV-MPC i s'aborden alguns dels reptes en la implementació de control predictiu, però queden línies obertes per a futurs treballs.