Una metodología para la identificación integrada con el diseño de controladores IMC-PID

Daniel Eduardo Rivera Flores

Resumen

Este artículo describe, en forma de tutorial, una metodología integrada para la identificación y diseño de controladores comenzando con el modelado dinámico basado en datos de planta, y concluyendo con la sintonía de parámetros para controladores de tipo PID de elevadas prestaciones. Al integrar el paso de identificación con el diseño de controladores, el método logra demostrar una funcionalidad que es muy deseada por la comunidad de control industrial. Los pasos principales en esta metodología son: diseño experimental, estimación de modelos tipo ARX de alto orden, y reducción de modelos relevantes al control que están de acuerdo con leyes de sintonía IMC-PID. Cuando se utiliza una entrada de excitación persistente, el estimado del modelo ARX de alto orden es consistente, lo cual hace que el método sea atractivo como modelo intermedio para estimación de modelos de bajo orden relevantes al control. Además, el bajo esfuerzo computacional asociado con la estimación de modelos ARX significa que se pueden usar eficazmente métodos estadísticos sencillos (tales como la validación cruzada) para determinar una estructura adecuada para el modelo ARX sin mucha intervención por parte del usuario. La metodología se ilustra en el caso de una planta con retardo sujeta a una perturbación con elevada deriva.

Palabras clave

identificación de sistemas; control PID; reducción de modelos; modelado orientado al control; control con modelo interno (IMC)

Texto completo:

pdf

Referencias

Adusumilli, S. (1999). Novel methodologies for integrated identification and robust process control. PhD thesis. Arizona State University. Department of Chemical Engineering.

Aström, K.J. and T. Hägglund (2006). Advanced PID Control. Instrument Society of America. Research Triangle Park, North Carolina.

Atherton, D.P. (1999). PID controller tuning. Computing and Control Engineering Journal 10(2), 44–50.

Braun, M.W., R. Ortiz-Mojica and D.E. Rivera (2002). Application of minimum crest factor multisinusoidal signals for “plant-friendly” identification of nonlinear process systems. Control Engineering Practice 10, 301 – 313.

Godfrey, K.R., A.H. Tan, H.A. Barker and B. Chong (2005). A survey of readily accesible perturbation signals for system identification in the frequency domain. Control Engineering Practice 13, 1391 – 1402.

Godfrey, K.R., Ed. (1993). Perturbation Signals For System Identification. Prentice Hall International (UK) Limited. Hertfordshire, UK.

Heuberger, P.S.C., den Hof, P.M.J. Van and Wahlberg, B., Eds. (2005). Modelling and Identification with Rational Orthogonal Basis Functions. Springer-Verlag.

Heuberger, P.S.C., P. M. J. Van den Hof and O. H. Bosgra (1995). A Generalized Orthonormal Basis for Linear Dynamical Systems. IEEE Transactions on Automatic Control 40(3), 451–465.

Johnson, M.A. and M. H. Moradi (2005). PID Control: New Identification and Design Methods. Springer-Verlag. London.

Lee, W. and V.W. Weekman (1976). Advanced control practice in the chemical industry: A view from industry. AIChE Journal 22, 27– 38.

Li, Y., K. H. Ang and G.C.Y. Chong (2006). Patents, software, and hardware for PID control: an overview and analysis of the current art. IEEE Control Systems Magazine 26(1), 42 – 53.

Ljung, L. (1999). System Identification: Theory for the User. 2nd ed. Prentice-Hall. New Jersey.

Ljung, L. and T. Glad (1994). Modeling of Dynamic Systems. Prentice-Hall. New Jersey.

Morari, M. and E. Zafiriou (1989). Robust Process Control. Prentice-Hall. New Jersey.

Ninness, B. and F. Gustafsson (1993). A Unifying Construction of Orthonormal Bases for System Identification. IEEE Transactions on Automatic Control 42(4), 515–521.

O’Dwyer, A. (2003). Handbook of PI and PID controller tuning rules. World Scientific Publishing. Singapore.

Ogunnaike, B. A. and W. H. Ray (1994). Process Dynamics, Modeling, and Control. Oxford University Press. New York.

Parker, R.S., D. Heemstra, F.J. Doyle III, R.K. Pearson and B.A. Ogunnaike (2001). The identification of nonlinear models for process control using tailored “plant-friendly” input sequences. J. of Process Control 11(2), 237– 250.

Prett, D. M. and C. E. Garc´ıa (1988). Fundamental Process Control. Butterworths. Stoneham, MA.

Rivera, D.E. (1992). Monitoring tools for PRBS testing in closed-loop system identification. In: AIChE Annual Meeting, Miami, November 1-6, 1992. Paper 131d. pp. 1–24.

Rivera, D.E. and K.S. Jun (2000). An integrated identification and control design methodology for multivariable process system applications. IEEE Control Systems Magazine 20, 25–37.

Rivera, D.E. and M. Morari (1987). ControlRelevant Model Reduction Problems for SISO H2, H∞, and μ Controller Synthesis. Int. J. Control 46, 505–527.

Rivera, D.E. and M.E. Flores (2004). Internal Model Control. In: 6.43. Control Systems, Robotics and Automation, Encyclopedia of Life Support Systems (EOLSS) (H. Unbehauen, Ed.). Eolss Publishers, http://www.eolss.net. Oxford, UK.

Rivera, D.E. and S.V. Gaikwad (1995). Systematic techniques for determining modelling requirements for SISO and MIMO feedback control. J. Proc. Cont. 5, 213–224.

Rivera, D.E. and S.V. Gaikwad (1996). Digital PID controller design via ARX estimation. Computers Chem. Eng. 20, 1317–1334.

Rivera, D.E., H. Lee, M.W. Braun and H.D. Mittelmann (2003). Plant-friendly system identification: a challenge for the process industries. In: 13th IFAC Symposium on System Identification (SYSID 2003). Rotterdam, Netherlands. pp. 917–922.

Rivera, D.E., M. Morari and S. Skogestad (1986). Internal Model Control 4. PID Controller Design. Ind. Eng. Chem. Process Des. Dev. 25, 252–265.

Sanathanan, C. K. and J. Koerner (1963). Transfer function synthesis as a ratio of two complex polynomials. IEEE Trans. on Automatic Control 9, 56–58.

Seborg, D. E., T. F. Edgar and D. A. Mellichamp (2004). Process Dynamics and Control. 2nd ed. Wiley. New York, NY.

Van den Hof, P. M. J., P. S. C. Heuberger and J. Bokor (1995). System Identification with Generalized Orthonormal Basis Functions. Automatica 31(12), 1821–1834.

Wahlberg, B. (1989). Model reductions of highorder estimated models: The asymptotic ML approach. Int. J. Control 49(1), 169–192.

Zhu, Y. (2001). Multivariable System Identification for Process Control. Pergamon. Amsterdam.

Abstract Views

1455
Metrics Loading ...

Metrics powered by PLOS ALM




Creative Commons License

Esta revista se publica bajo una Licencia Creative Commons Attribution-NonCommercial-CompartirIgual 4.0 International (CC BY-NC-SA 4.0)

Universitat Politècnica de València     https://doi.org/10.4995/riai

e-ISSN: 1697-7920     ISSN: 1697-7912