Abstract
En este trabajo se aborda la integración de dos métodos o estrategias de Control Predictivo basado en Modelos, a saber: Control Predictivo basado en Modelos Borrosos (FMBPC) y Control Predictivo en Lazo Cerrado (CLP MPC). La primera de estas estrategias utiliza principios de Control Predictivo Funcional (PFC) y está enmarcada, al mismo tiempo, en el ámbito del Control Inteligente (IC). La integración tiene como principal objetivo proporcionar a la estrategia de control no lineal FMBPC un procedimiento de optimización que permita el manejo automático de restricciones en la variable de control. La solución propuesta consiste en hacer uso de una estructura complementaria de tipo CLP MPC para determinar mediante optimización, en cada instante de muestreo, los valores óptimos de un cierto término aditivo, a sumar a la ley de control FMBPC, de tal modo que se satisfagan las restricciones. El modelo de predicciones y la ley de control base necesarios para realizar los cálculos en la estructura CLP MPC son proporcionados por la estrategia FMBPC. La estrategia mixta FMBPC/CLP propuesta ha sido validada, en simulación, aplicándola al control de fangos activados en plantas de tratamiento de aguas residuales (EDAR), poniendo el foco en la imposición de restricciones a la acción de control. Los resultados obtenidos son satisfactorios, observando un buen rendimiento del algoritmo de control diseñado, al tiempo que se garantiza tanto la satisfacción de las restricciones, que era el principal objetivo, como la estabilidad del sistema en lazo cerrado.
Publisher
Universitat Politecnica de Valencia
Subject
General Computer Science,Control and Systems Engineering
Reference37 articles.
1. Adetola, V., & Guay, M., 2010. Integration of real-time optimization and model predictive control. Journal of Process Control, 20(2), 125-133. https://doi.org/10.1016/j.jprocont.2009.09.001
2. Al-Gherwi, W., Budman, H., Elkamel, A., 2013. A robust distributed model predictive control based on a dual-mode approach. Computers and Chemical Engineering, 50, 130-138. https://doi.org/10.1016/j.compchemeng.2012.11.002
3. Babuška, R., 1998a. Fuzzy Modeling for Control. Kluwer Academic Publishers, Boston, MA, USA. https://doi.org/10.1007/978-94-011-4868-9_2
4. Babuška, R., 1998b. Fuzzy Modeling and Identification Toolbox (FMID)-User's Guide; Babuška, R., Delft, The Netherlands.
5. Blachini, F., 1999. Set invariance in control. Automatica, 35, 1747-1767. https://doi.org/10.1016/S0005-1098(99)00113-2