CONTROLADOR DE MATRIZ DINÁMICA BASADO EN CONTROL POR MODOS DESLIZANTES

Oscar Camacho*, Edinzo Iglesias**, Luís Valverde***

*
Postgrado en Automatización e Instrumentación. Universidad de Los Andes. Facultad de Ingeniería,
Mérida 5101. Venezuela, (ocamacho@ula.ve)
**Escuela de Ingeniería Química. Universidad de Los Andes. Facultad de Ingeniería, Mérida 5101.
Venezuela, (iedinzo@ula.ve)
***Postgrado en Automatización e Instrumentación. Universidad de Los Andes. Facultad de Ingeniería,
Mérida 5101. Venezuela, (lvalver@yahoo.com)

Resumen: En este trabajo se propone un sistema de ecuaciones de sintonización, basadas en la respuesta

de la superficie deslizante dada por el controlador por modos deslizantes, para predecir los cambios en
los parámetros del proceso, los cuales se utilizaran para actualizar y sintonizar los parámetros del
controlador predictivo de matriz dinámica. El esquema propuesto es probado mediante simulación en un
reactor endotérmico.
Palabras claves: Controlador de matriz dinámica, Controlador por modos deslizantes, sintonización,
desempeño, robustez.

1. INTRODUCCIÓN Una buena comprensión de las propiedades del sistema

En control de procesos, el término retardo se refiere al
tiempo que transcurre desde que se realiza un cambio en
las señales de entrada, hasta que su efecto es percibido en
la variable de salida. Los retardos de tiempo o tiempos
muertos son fenómenos muy comunes que suelen aparecer
en procesos químicos industriales, en sistemas de
manufactura, en economía, etc. La aparición de este
fenómeno puede tener diversas explicaciones, puede ser
motivado al transporte de material en tuberías de procesos.
La naturaleza misma de ciertos sistemas medición de
fluidos puede provocar tiempo muerto. La presencia de
corrientes de reciclo en los sistemas también pueden
originar tiempo de retraso. Por otra parte, es una práctica
común en el modelado de procesos complejos, utilizar
modelos dinámicos de orden reducido y así facilitar la
simulación de los procesos, en estos casos casi siempre se
utilizan modelos que incluyen tiempo de retardo. En
muchos casos el operador de retardo se simula por medio
de una serie de Taylor truncada, o mediante
aproximaciones de Padé (Smith y Corripio, 1997).
La presencia de retardos en lazos de control se considera
como uno de los problemas más resaltantes en la industria
de procesos. Cuando el retraso de tiempo se localiza a la
entrada del sistema, una estrategia normalmente usada es
eliminar el efecto de la señal retardada para obtener un
sistema libre de retraso. Está claro que este método sólo
trabaja en el caso de retrasos suficientemente pequeños.
En el caso de sistemas lineales, la estrategia clásica a usar
es el Predictor de Smith, conocido como SPC, que
proporciona una estimación futura de la señal que puede
usarse para mejorar el desempeño del controlador (O.J.
Smith 1957). Sin embargo, las mejoras conseguidas por la
utilización de este sistema de control dependen del grado
de compresión del mismo (Martínez y Camacho, 2005).
garantiza el uso adecuado del compensador mientras que
en caso contrario puede conseguirse desempeños inferiores
a los obtenidos por sistemas convencionales tipo PID.
Posteriormente, siguiendo esta línea de investigación,
surgieron las técnicas de control predictivo basado en
modelos (MPC). Estas técnicas se desarrollaron a finales
de los 70 y utilizaban un modelo dinámico del proceso,
para prever el efecto de las acciones futuras de control en
la salida del sistema. Las técnicas MPC incluyen una serie
de algoritmos entre los cuales se destaca el Controlador
Dinámico Matricial (DMC), (Camacho y Bordons, 1998).
El controlador DMC se desarrollo a finales de los setenta
por Cutler y Ramaker (1979) y ha sido aceptado
ampliamente en el mundo industrial, principalmente por
las industrias petroquímicas. El DMC es una técnica de
control lineal donde el proceso es representado
dinámicamente por un modelo numérico en forma de
respuesta escalón. Este modelo está formado por un
conjunto de valores discretos que corresponden a la salida
del sistema ante un cambio escalón en la entrada. El
modelo es utilizado para predecir la respuesta futura de las
variables dependientes y formula una serie de cambios de
control para todas las variables independientes, estos son
seleccionados para minimizar el error del proceso sobre el
horizonte de tiempo al estado estable.
Entre las ventajas que se pueden destacar para este tipo de
controlador son: Ajuste intuitivo y simple, puede ser
utilizado en sistemas con dinámicas complejas, el caso
multivariable puede tratarse fácilmente, es favorable para
sistemas con grandes retardos, permite la compensación de
las perturbaciones medibles, la incorporación de las
restricciones es conceptualmente simple durante el proceso
de diseño del controlador, Permite la utilización de las
referencias futuras.
DMC presenta inconvenientes debido a la necesidad de
disponer de un modelo apropiado del proceso. Cuando el
sistema es no lineal, se puede dar el caso de
comportamientos inestables, con lo cual queda afectada la
robustez del sistema de control.
El control SMC es un caso de Control por Estructura
Variable (VSC), y fue desarrollada en la unión soviética en
la década de los 60 (Utkin, 1977). Las técnicas de SMC
han sido empleadas en diversos sistemas, por las ventajas
desde el punto de vista de robustez que presenta en su
aplicación para el control de sistemas no lineales,
variantes en el tiempo y sistemas con incertidumbre. Pero
la técnica SMC presenta inconvenientes, cuando el sistema
presenta grandes tiempos de retardo. En estos casos la
respuesta del sistema controlado desmejora su desempeño
(Iglesias et al, 2007).
Esto motiva la idea de mejorar la robustez del controlador
DMC utilizando la técnica de control SMC y a su vez el
desempeño del SMC para sistemas con elevado retardo,
por lo cual en este trabajo trataremos de mezclar las
ventajas de ambos esquemas de control para obtener un
nuevo controlador que pueda sumar los aspectos positivos
anteriormente mencionados del DMC y el SMC.
Por lo cual, este articulo realizara una combinación de dos
técnicas de control: el controlador DMC paramétrico
(PDMCr) (Iglesias y Smith, 2006), y el control por modos
deslizante (SMC) (Camacho, 1996). Para mejorar el
desempeño del controlador DMC para procesos no lineales
se ha propuesto el controlador PDMCr (Iglesias y Smith,
2006), que es una reformulación del controlador DMC
convencional. El PDMCr, a diferencia del DMC
convencional, permite el ajuste del modelo dinámico
contenido en la matriz de datos; de tal modo que el modelo
se ajusta a los cambios de la dinámica del proceso. La
combinación de ambas técnicas de control, se formuló
pensando en aprovechar las mejores características de
ambas técnicas: robustez del SMC y flexibilidad del
PDMCr.
La estrategia propuesta en este trabajo implica la
utilización de ciertos parámetros característicos de la
superficie deslizante, que son afectados por cambios en el
proceso, para calcular cambios en el comportamiento del
proceso (cambios en la ganancia, constante de tiempo y
tiempo muerto), utilizando esta información es posible
actualizar el modelo del proceso que maneja el PDMCr,
adaptándolo así a condiciones dinámicas cambiantes del
proceso. Este trabajo esta estructurado de la siguiente
manera, la sección 2 presenta una breve presentación del
controlador PDMCr, la sección 3 la metodología usada en
el desarrollo propuesto, la sección 4 resultados y
finalmente conclusiones
2. CONTROLADOR PDMCR
El DMC convencional fue ideado como estrategia para
trabajar con sistemas lineales, o procesos con pequeñas
desviaciones de comportamiento no lineal.
Desafortunadamente, los procesos industriales son
complejos con características no lineales. Este hecho limita
el uso del DMC para aquellos procesos donde el
comportamiento lineal es restringido o se alejan de las
condiciones de operación. Varios artículos reportan que
cuando el DMC es usado en procesos no lineales el
comportamiento va desde respuestas muy lentas hasta
respuestas oscilatorias (Sanjuan, 2002) (Peterson y otros,
1992),(Chang y otros, 1992),(Georgiou y otros, 1988). Por
esta razón, se han hecho varias propuestas para modificar
el algoritmo DMC y mejorar su desempeño con procesos
no lineales. Una de las propuestas fue desarrollada por
Iglesias y Smith (2006), donde formularon la estructura del
DMC paramétrico (PDMCr), realizando una modificación
del algoritmo DMC convencional.
El PDMCr esta estructurado de tal manera que puede ser
ajustado, mientras trabaja en lazo cerrado, para cambiar las
características dinámicas de su modelo interno y adaptarse
a los cambios de dinámica que muestran los procesos
químicos cuando van de un punto de operación a otro.
Hay muchas vías para describir el algoritmo DMC
convencional, para propósito de esta investigación, la
implementación propuesta por Sanjuan (2002) será usada.
La ley de control propuesta por Cutler y Ramaker (1979)
para el DMC convencional puede ser expresada como:
(
∆M = A T A + λ2 I )−1
ATE (1)
donde:
A : Es la matriz dinámica del proceso.
∆ M : Es el vector de salida del controlador.
λ : Es el factor de supresión, un parámetro de
sintonización del DMC.
I : Es la matriz identidad.
En la estructura PDMCr la ecuación (1) fue expresada
como función de los parámetros del proceso, ganancia,
constante de tiempo, tiempo muerto y factor de supresión.
∆ M = f (K p , τ , t 0 , λ ) ⋅ E (2)
Esta forma paramétrica tiene la ventaja de plasmar el
efecto de todos los parámetros del modelo del proceso en
la ley de control. El modelo puede ser ajustado tomando en
cuenta cambios en la ganancia, y/o constante de tiempo,
y/o tiempo muerto. La ley de control PDMCr propuesta en
2006 por Iglesias y Smith (Iglesias y Smith, 2006) puede
ser expresada como:
∆M =
1
Kp
[
ZCHxn
[(Dadj ⋅ Dadj+ λ I ) Dadj ]
T 2
P
−1 T
CHx( PH − n )
]⋅ E (3)
donde
 1 − exp(− ki ⋅ Ts τ nuevo) 
Dadj = D ⋅   (4)
 1 − exp(− k ⋅ Ts τ ) 
 i prev 
ki es el i-esimo termino en la fila D, Ts es el tiempo de 0.65
muestreo usado para registrar los datos del proceso, τ nuevo 0.6

es la nueva constante de tiempo del proceso, τ prev es la

cset(t)
0.55

constante de tiempo previa del proceso, D es la 0.5

información dinámica del proceso después del tiempo 0.45

muerto, CH es el horizonte de control, PH es el horizonte 0 5 10 15 20 25 30
tiempo(min)
35 40 45 50

de predicción, Z es una matriz de ceros de dimensiones 0.65

CHxn, I es la matriz identidad, n representa cuantos 0.6 c(t)

cset(t) y c(t)
periodos de muestreo corresponde al tiempo muerto, KP es cset(t)
0.55
la ganancia del proceso y λ es el factor de supresión. La
ecuación (2) expresa que el PDMCr, al igual que el DMC 0.5

estándar, necesitan de un parámetro de sintonización; el 0.45

0 5 10 15 20 25 30 35 40 45 50

factor de supresión λ p . Este parámetro de sintonización

tiempo(min)

es función de los parámetros característicos del proceso. Fig. 1: Prueba usada en las simulaciones
Los trabajos de E. Iglesias y Smith muestran el desarrollo
de las ecuaciones de sintonización para calcular λ p . Luego de haber realizado todos los experimentos se guardó
en un una matriz cada uno de los valores de la superficie
3. METODOLOGIA. deslizante S (t ) , la salida del modelo c (t ) , la ganancia
( K P ) , la constante de tiempo (τ ) , el tiempo muerto (t 0 ) , y
Para el desarrollo propuesto de las ecuaciones de
sintonización, presentes en el PDMCr, se diseño un sus respectivos cambios ( ∆ K p , ∆ τ , ∆ t 0 , λ ) .
experimento basado en los modelos de primer orden más
tiempo muerto (POMTM), donde se variaron cada uno de 3.1 Obtención de los parámetros característicos de la
los parámetros de dichos modelos: K p , τ , t 0 / τ en un Superficie Deslizante.
10%, 30%, 50% como se muestran en la tabla 1. Un total Una vez realizada todas las simulaciones y estudiando
de 36 simulaciones fueron realizadas para los diferentes algunas gráficas, se observó que los valores de los
modelos POMTM cambiando los parámetros del modelo parámetros de S ( t ) que se ven afectados por los cambios
K p ,τ , t 0 . en el proceso son: tiempo mínimo, tiempo máximo, pico
mínimo, pico máximo y el periodo (ver Fig. 2).
Tabla 1. Modelos utilizados para el experimento
2
∆Kp
Kp τ t0 τ
0
10% 30% 50% -2
0.5 5 0.5 0.05 0.15 0.25
-4

1.5 10 1.0 0.15 0.45 0.75 -6 Pico Maximo

-8
2.5 15 1.5 0.25 0.75 1.25 Pico
S(t)

-10 Minimo

Kp τ t0 τ ∆τ -12

0.5 1.5 2.5 0.5 1.5 2.5 -14

1.0 3.0 5.0 1.0 3.0 5.0 -16

-18
1.5 4.5 7.5 1.5 4.5 7.5
-20
50 tmin tmax
Kp τ t0 τ ∆t 0 τ
0
tiempo(min)
100 150

0.05 0.15 0.25 0.05 0.15 0.25

Fig. 2: Valores característicos de la superficie
0.10 0.30 0.50 0.10 0.30 0.50
0.15 0.45 0.75 0.15 0.45 0.75 Como se muestra en la Fig. 2. el pico mínimo es el valor
mínimo que toma S ( t ) . El tiempo mínimo es el tiempo en
Esto se realizó con el fin de estudiar si los cambios en los donde ocurre el valor mínimo de S ( t ) , el pico máximo es
parámetros del proceso inducen a cambios en la superficie el valor máximo que toma S ( t ) . Mientras que el tiempo
deslizante. Para cada experimento, se introdujo en un
tiempo de 20 min un cambio de set-point de +10% TO. A máximo es el tiempo en donde ocurre el valor máximo de
continuación se muestra una de las pruebas usadas en las S ( t ) . Todos estos cálculos se realizan una vez que el
simulaciones (ver Fig. 1). proceso ha alcanzado el estado estacionario.
3.2 Análisis De Varianza De Los Resultados. Tabla 5. Tabla ANOVA tomando como variable de
respuesta el periodo en la superficie deslizante.
Una vez completado el juego de valores obtenidos de las
729 simulaciones, se tomaron los valores característicos de Análisis de Varianza
la superficie deslizante (pico mínimo, pico máximo, etc) y Source Sum Sq d.f Mean Sq. F Prob>F
se procedió a realizar un análisis de varianza (ANOVA), Kp 4772.8 2 2386.41 251.75 0
tomando en cuenta como variable de respuesta estos τ 9494.6 2 4747.32 500.81 0
valores característicos de la superficie deslizante, y como t0/τ 2295.6 2 1147.79 121.08 0
variables independientes las variables dadas por el modelo ∆Kp 1070.2 6 178.36 18.82 0
∆τ 447.6 6 74.6 7.87 0
POMTM y sus respectivos cambios
∆t0/τ 380.8 7 54.4 5.74 0
K p , τ, t 0 / τ, ∆K p , ∆τ, ∆t 0 / τ . El análisis de varianza fue Error 777.3 82 9.48
utilizado para determinar estadísticamente si cambios en Total 19238.9 107
los parámetros de procesos afectan los parámetros
característicos de la superficie deslizante. Una vez esta Para observar que variables independientes son
dependencia fue comprobada se utilizaron las técnicas de significativas sobre la variable de respuesta, se escoge un
regresión no lineal para encontrar las ecuación que límite para el valor de P en el estadístico F. Normalmente
relacionan a los parámetros estudiados de la superficie este límite debe ser menor a 0.05. En las Tablas 2, 3, 4 y 5
deslizante y los parámetros del proceso. En las Tablas 2, 3, las variables independientes más significativas que inciden
4 y 5 se muestran los resultados de los análisis de varianza en las variables de respuesta (pico mínimo, tiempo
para cada parámetro característico de S(t) estudiado. máximo, tiempo mínimo y periodo) de S (t ) son:
Tabla 2. Tabla ANOVA tomando como variable de KP , τ , t0 /τ , ∆KP , ∆τ , ∆t0 / τ . Para todos los casos se
respuesta el pico mínimo en la superficie deslizante.
puede observar que los valores P son menores a 0.05.
Análisis de Varianza
Source Sum Sq d.f Mean Sq. F Prob>F 3.3 Modelos De S (t )
Kp 0.01606 2 0.00803 92.41 0
τ 0.0567 2 0.02835 326.25 0 Una vez establecidas cuales de las características del
t0/τ 0.01439 2 0.0072 82.8 0 proceso afectan a los parámetros estudiados de la
∆Kp 0.00363 6 0.0006 6.96 0 superficie deslizantes, se procedió a realizar una serie de
∆τ 0.00232 6 0.00039 4.44 0.0006 regresiones no lineales, utilizando los datos conseguidos al
∆t0/τ 0.00132 7 0.00019 2.17 0.0453 realizar los experimentos descritos en la sección 3. Se
Error 0.00713 82 0.00009 obtuvieron como resultado tres ecuaciones no lineales que
Total 0.10155 107 permiten calcular con precisión, el pico mínimo, tiempo
Tabla 3. Tabla ANOVA tomando como variable de máximo, tiempo mínimo y periodo de la superficie
respuesta el tiempo máximo en la superficie deslizante. deslizante, si se conocen los parámetros del proceso, así
como sus cambios ( KP , τ , t0 / τ , ∆KP , ∆τ , ∆t0 / τ ).
Análisis de Varianza
Las ecuaciones desarrolladas tienen coeficientes de
Source Sum Sq d.f Mean Sq. F Prob>F
Kp 18088.9 2 9044.4 474.19 0 correlación R2 muy cercanos a 1. A continuación se
τ 23106.8 2 11553.4 605.73 0 presenta el sistema de ecuaciones obtenido.
t0/τ 8904.9 2 4452.40 233.44 0 Y1 = −0.12361 + 0.05242 ⋅ x1 + 0.062124 ⋅ x3 + 0.030563 ⋅ x4
∆Kp 2451.2 6 408.5 21.42 0
∆τ 710.6 6 118.4 6.21 0 −0.0050835 ⋅ x5 − 0.093941⋅ x6 − 0.035098 ⋅ ( x1 ⋅ x3 )
∆t0/τ 1130.4 7 161.5 8.47 0
−0.077549 ⋅ ( x1 ⋅ x4 ) + 0.00016054 ⋅ ( x1 ⋅ x5 )
Error 1564 82 19.1
Total 55956.7 107 +0.011387 ⋅ ( x1 ⋅ x6 ) − 0.010125 ⋅ ( x3 ⋅ x4 )
+0.0011869 ⋅ ( x3 ⋅ x5 ) + 0.087821 ⋅ ( x3 ⋅ x6 )
+0.023212 ⋅ ( x4 ⋅ x5 ) + 0.027632 ⋅ ( x4 ⋅ x6 )
Tabla 4. Tabla ANOVA tomando como variable de
respuesta tiempo mínimo en la superficie deslizante. −0.0076065 ⋅ ( x5 ⋅ x6 ) − 0.0026925 ⋅ ( x12 )

Análisis de Varianza −0.0071276 ⋅ ( x3 2 ) + 0.03492 ⋅ ( x4 2 )

Source Sum Sq d.f Mean Sq. F Prob>F
Kp 4344.5 2 2172.23 561.39 0 +0.00062833 ⋅ ( x5 2 ) − 0.021659 ⋅ ( x6 2 )
τ 3134.6 2 1567.29 405.05 0 (5)
t0/τ 2178.3 2 1089.16 281.48 0
∆Kp 375.7 6 62.62 16.18 0
∆τ 162.5 6 27.08 7 0
∆t0/τ 478.7 7 68.39 17.67 0
Error 317.3 82 3.87
Total 10991.6 107
Y2 = 54.127 + 12.104 ⋅ x1 − 18.51⋅ x3 − 1.4772 ⋅ x4
−0.64188 ⋅ x5 − 8.4622 ⋅ x6 + 1.783 ⋅ ( x1 ⋅ x3 )
−22.511 ⋅ ( x1 ⋅ x4 ) + 0.079645 ⋅ ( x1 ⋅ x5 )
+4.3791 ⋅ ( x1 ⋅ x6 ) + 10.11 ⋅ ( x3 ⋅ x4 ) − 0.85161⋅ ( x3 ⋅ x5 )
+16.291 ⋅ ( x3 ⋅ x6 ) + 2.0966 ⋅ ( x4 ⋅ x5 ) +3.2492 ⋅ ( x4 ⋅ x6 )
−0.6627 ⋅ ( x5 ⋅ x6 ) − 0.32554 ⋅ ( x12 ) − 11.749 ⋅ ( x32 )
+27.163 ⋅ ( x4 2 ) + 0.36453 ⋅ ( x5 2 ) − 5.8308 ⋅ ( x6 2 )
(6)
Y3 = 7.8002 + 1.7345 ⋅ x2 − 8.155 ⋅ x3 − 22.957 ⋅ x4
+3.4038 ⋅ x5 − 29.598 ⋅ x6 − 1.8113 ⋅ ( x2 ⋅ x3 )
−1.2534 ⋅ ( x2 ⋅ x4 ) + 0.21358 ⋅ ( x2 ⋅ x5 )
+3.6559 ⋅ ( x2 ⋅ x6 ) + 13.709 ⋅ ( x3 ⋅ x4 ) − 0.48949 ⋅ ( x3 ⋅ x5 )
+38.242 ⋅ ( x3 ⋅ x6 ) + 1.0353 ⋅ ( x4 ⋅ x5 ) −8.9074 ⋅ ( x4 ⋅ x6 )
−0.083948 ⋅ ( x5 ⋅ x6 ) + 0.11496 ⋅ ( x2 2 ) + 8.5389 ⋅ ( x3 2 )
+15.8 ⋅ ( x4 2 ) − 0.64706 ⋅ ( x5 2 ) − 35.765 ⋅ ( x6 2 )
(7)
donde
x 1 : es la ganancia del proceso (Kp ) .
x 2 : es la constante de tiempo del proceso (τ) .
x 3 : es el factor de controlabilidad (t 0 / τ) .
x 4 : es el cambio en la ganancia del proceso (∆Kp ) .
x 5 : es el cambio de la constante de tiempo del proceso
(∆τ) .
x 6 : es el cambio en el factor de controlabilidad ∆(t0 / τ) .
Las ecuaciones (5), (6) y (7) pueden ser usadas para
calcular los cambios en la dinámica del proceso, es decir
pueden servir de identificador en línea de cómo cambian
los parámetros característicos del proceso. Si se registra
como cambia la superficie deslizante, se puede calcular el
pico mínimo, tiempo máximo, tiempo mínimo de esta. Y si
se conocen además los parámetros del modelo de POMTM
del proceso en el punto inicial de operación, es posible
utilizar las Ecuaciones (5), (6) y (7) para calcular los
cambios en estos parámetros del proceso, si el punto de
operación cambia. Ya que es posible resolver el conjunto
de ecuaciones para determinar ∆KP , ∆τ , ∆t0 / τ si el resto
de las variables son conocidas. Esto a su vez serviría para
ajustar el modelo interno del PDMCr ante cambios de la
dinámica en el proceso. Este fue el procedimiento usado
para resintonizar el PDMCr cuando maneja procesos no
lineales. Las secciones siguientes describen los resultados
obtenidos.
4. RESULTADOS DE LAS SIMULACIONES
En esta sección se presenta un ejemplo que permita
mediante simulación observar el desempeño del
controlador propuesto. En la sección 4.1 se propone como
ejemplo a un reactor endotérmico con tanque de mezclado.
También, para medir cuantitativamente el rendimiento de
los controladores, se utilizaron la integral del valor
absoluto del error (IAE), así como la Integral del Cuadrado
del Error (ICE)
4.1 Descripción del proceso
El sistema está formado por un tanque (ver Fig. 3), el cual
recibe dos corrientes, una dada por el compuesto A, y otra
compuesta por agua pura.
En el reactor ocurren dos reacciones simultáneas:
(1) 2A → B + C
(2) 2C → B + E
La reacción (1) es endotérmica con un calor de reacción
dado. El calor de reacción para la reacción 2 es ()
despreciable. La tasa de reacción de A depende de la
concentración de A, B y la temperatura dentro del tanque.
La tasa de reacción de C depende de la concentración de A
y C. La densidad en la alimentación, reactor y la corriente
de salida esta en función de la concentración en B. La
concentración de B del tanque se mide a 240 pies aguas
abajo del tanque. Posteriormente el controlador de
temperatura se encarga de comparar la temperatura
medida, con la referencia y toma la acción correcta sobre
la válvula que controla el flujo de agua pura.
Fig. 3: Esquema de control del reactor endotérmico con
tanque de mezclado.
A partir de las ecuaciones que rigen el comportamiento del
proceso, así como también las ecuaciones de los distintos
controladores y conociendo los puntos de operación se
simuló el comportamiento dinámico del tanque, con el
paquete MATLAB®-Simulink, con el fin de obtener el
desempeño de los distintos controladores.
4.2 Identificación del sistema
La Tabla 6 muestra los parámetros obtenidos por el
método de identificación de POMTM
Tabla 6. Parámetros del modelo POMTM
Parámetro Valor
KP -0.76293 Fracción TO/Fracción CO
τ 6.0 min
t0 1.0 min
La Fig. 4 presenta la comparación entre la salida del
sistema, contra el modelo POMTM propuesto, ante una
señal de entrada escalón unitario (posición de la válvula,
amplitud=0.1 Fracción de CO) aplicada en un tiempo
t=150 min. En ella podemos observar que la salida del
proceso real y la salida del modelo POMTM tienen
comportamientos bastantes cercanos, por lo que se
concluye que este método de identificación es adecuado
para este proceso.
0.3
0.29
4.3 Índices de funcionamiento ante cambios de referencia
y perturbaciones.
La Tabla 7 muestra los índices de funcionamiento para los
diferentes esquemas de control basados en el criterio de la
integral del valor absoluto del error (IAE) y en el criterio
de la integral del cuadrado del error (ICE) para el reactor
endotérmico ante cambios de referencia y perturbaciones.
Tabla 7. Índices de funcionamiento ante cambios de
Salida del proceso
referencia y perturbaciones.
Salida del modelo(Curva de reaccion)

0.28
Índice DMC PDMCr+Difuso PDMCr+SMC
IAE 6.8689 5.3942 4.1516
0.27
ICE 1.2086 0.2367 0.1822
TO(Fracción 0 a 1)

0.26

0.25 Como podemos observar en la Tabla 7 el criterio IAE y el

criterio ICE del PDMCr+SMC tienen un índice de
0.24
desempeño menor que el controlador PDMCr+Difuso y el
0.23 DMC Convencional por lo que este esquema de control
0.22 mejora el funcionamiento del sistema de control y soporta
0.21
los diferentes cambios en el flujo de la corriente A así
0 50
tiempo(min)
100 150 como también los cambios de temperatura en el reactor
endotérmico con tanque de mezclado.
Fig. 4: Identificación del sistema. En la Fig. 6 podemos observar que para este proceso en
En la Fig. 5 podemos observar que para este proceso en específico el Controlador DMC Convencional soporta
específico el Controlador DMC Convencional soporta todos los cambios realizados para la temperatura de salida
todos los cambios realizados tanto para la temperatura de del tanque (variable controlada).
salida (variable controlada) como en el flujo del
compuesto A (perturbación). El controlador PDMCr+Difuso es mas robusto que el
El controlador PDMCr+Difuso es mas robusto que el DMC Convencional y es capaz de soportar todos los
DMC Convencional y es capaz de soportar todos los cambios para la temperatura de salida del tanque.
cambios tanto en la temperatura de salida del tanque como El controlador PDMCr+SMC es robusto, tiene un
en el flujo del compuesto A. comportamiento muy similar al controlador
El controlador PDMCr+SMC es robusto, tiene un PDMCr+Difuso y es capaz de soportar todos los cambios
comportamiento muy similar al controlador para la temperatura de salida por encima del Controlador
PDMCr+Difuso y es capaz de soportar todos los cambios DMC Convencional y el PDMCr+Difuso.
tanto para la temperatura de salida como en el flujo del 0.45
compuesto A por encima del Controlador DMC Controlador PDMCr+Difuso
Controlador PDMCr+SMC
Convencional. Controlador DMC Convencional
0.4 cset(t)
0.34
Controlador PDMCr+Difuso
Controlador PDMCr+SMC
c(t)(Fraccion TO)

Controlador DMC Convencional 0.35

0.32
cset(t)

0.3
0.3
c(t)(Fraccion TO)

0.28
0.25

0.26

0.2
0 500 1000 1500
0.24
tiempo(min)

Fig. 6: Salida del proceso para los controladores DMC

0.22
500 550 600 650 700 750 800 Convencional, PDMCr+Difuso y PDMCr+SMC ante
tiempo(min)
cambios de referencia.
Fig. 5: Respuesta ante cambio de referencia y
perturbaciones de los controladores DMC
Convencional, PDMCr+Difuso y PDMCr+SMC.
4.4 Índices de funcionamiento ante cambios de referencia.
La Tabla 8 muestra los índices de funcionamiento para los
diferentes esquemas de control basados en el criterio de la
integral del valor absoluto del error (IAE) y en el criterio
de la integral del cuadrado del error (ICE) para el reactor
endotérmico ante cambios de referencia.
Tabla 8. Índices de funcionamiento.
Índice DMC PDMCr+Difuso PDMCr+SMC
IAE 2.8789 2.5550 2.2196
ICE 0.8765 0.1008 0.0842
Como podemos observar en la Tabla 8 el criterio IAE y el
criterio ICE del PDMCr+SMC tienen un índice de
desempeño menor que el controlador PDMCr+Difuso y
DMC Convencional por lo que este esquema de control
mejora el funcionamiento del sistema de control y soporta
los diferentes cambios de temperatura en el reactor
endotérmico con tanque de mezclado. También podemos
observar que el índice de desempeño y su comportamiento
en lazo cerrado de los controladores PDMCr+Difuso y el
PDMCr+SMC son muy similares, por lo que para un
proceso de este tipo podemos utilizar de manera efectiva
cada uno de estos controladores.
5. CONCLUSIONES
En este trabajo se ha diseñado un sistema de ecuaciones de
sintonización, basado en la respuesta de la superficie
deslizante S(t) ante cambios en el comportamiento
dinámico del proceso. El conjunto de ecuaciones puede ser
resuelto para determinar en lazo cerrado, cambios en los
parámetros característicos del proceso, y así poder ajustar
el modelo interno del PDMCr, confiriéndole mayor
robustez y flexibilidad para manejar procesos no lineales.
La simulación de la estrategia de control PDMCr
sintonizada por modos deslizante (SMC) mostró en todos
los casos mejoras en los índices de funcionamiento IAE e
ICE. Mostrando además respuestas suaves y poco
oscilatorias, ante cambios de referencia o perturbaciones
en el proceso. El desempeño mostrado por el PDMCr
supera en todos los casos estudiados el del DMC estándar,
así como el del SMC.
REFERENCIAS
Smith, C. A., y A. B. Corripio, (1997). Principles and
Practice of Automatic Process Control, John Wiley &
Sons, Inc., New York
Cutler, C.R y B.C. Ramaker, (1979). Dynamic Matrix
Control-to Computer Control Algorithm. Proceeding of
the 86th National Meeting of the American Institute of
Chemical Engineering, Houston, TX. WP5-B.
Utkin, V. I., (1977), Variable Structure Systems with
Sliding Modes, Transactions of IEEE on Automatic
Control, AC – 22, pp. 212 – 222.
Camacho, O. (1996). A new Approach to Design and Tune
Sliding Mode Controllers for Chemical Process,
University of South Florida.
Iglesias E., Y. García, M. Sanjuan, O. Camacho y C. Smith
(2007). Fuzzy Surface-Based Sliding Mode Control.
ISA Transactions 46 ,pp. 73–83
Sanjuan, M. E. (2002). Design and Implementation of
Fuzzy Supervisors to Perform Online Compensation of
Nonlinearities in SISO PID Control Loops, University
of South Florida
Peterson, T., E. Hernandez, Y. Arkun y F. Schork (1992).
A Nonlinear DMC Algorithm and Its Application to a
Semi Batch Polymerization Reactor, Chemical
Engineering Science, Vol. 47, N°4. pp. 737-753.
Chang. C., S. Wang y S. Yu (1992). Improved DMC
Design for Nonlinear Process Control. AIChE Journal.
Vol. 38, N°4, pp. 607-610.
Georgiou, A., Georgakis and W. Luyben (1988). Nonlinear
Dynamic Matrix Control for High-Purity Distillation
Columns. AIChE Journal. Vol. 34, pp. 1287.
Iglesias, E. y C. Smith. (2006), Using Fuzzy Logic to
Enhance Control Performance of Sliding Mode
Control and Dynamic Matrix Control, University of
South Florida.

Smith, O.J (1957). Closed Control Of Loops With Dead-

Time. Chemical Engineering Progress, 53:217,219

Camacho, E. F. y C Bordons, (1998) Model Predictive

Control. Springer. London

Martinez J. y O. Camacho, (2005), Smith Predictor:

Tuning Considerations For Performance And
Robustness Enhancements Rev. Téc. Ing. Univ. Zulia.
Vol. 28, Nº 2.