Motivación: La clase pasada examinamos brevemente los conceptos de Diseño de sistemas de instrumentación inteligente e Instrumentación Virtual. Durante la discusión del diseño de sistemas de instrumentación, comentamos que durante el proceso de diseño nos tomamos el tiempo para seleccionar características hardware y software que nos permitan realizar varias tareas además de tomar la medición. Mencionamos que algunas tareas adicionales que realizan los dispositivos son capacidades de comunicación en red, capacidades de validación de la medición, entre otras. Entre los módulos software que podemos implementar para la confiabilidad del dispositivo están los algoritmos de modelado y calibración. En esta clase analizaremos dos conceptos fundamentales, los sistemas de control distribuido y los sistemas de supervisión de control y adquisición de datos (scada) y revisaremos algunas técnicas de control avanzado, como lo son el control difuso, el control predictivo y el control adaptativo. Control Distribuido: A medida que los dispositivos hardware reducen sus costos e incrementan su capacidad, en particular las mejoras exponenciales en la capacidad de cómputo de los sistemas microcontrolador-microprocesador, y las mejoras en el desempeño de las redes de comunicación lo que permite intercambiar datos de manera confiable y rápida, se ha llegado a la conclusión que es posible crear dispositivos que realicen, además de las tareas de sensado y actuación, el control del sistema. Esto permite que el control se realice, ya no por un sistema central como un PLC, sino por varios dispositivos mucho más sencillos, inclusive por los mismos instrumentos de E/S (actuadores o sensores), dando origen al concepto de sistema de control distribuido (DCS). Un DCS en general se refiere a cualquier sistema dinámico en el cual los elementos de control no son centrales en una ubicación, sino distribuidos a través del sistema con cada subsistema controlado por uno o más controladores. El sistema completo de controladores son interconectados por una red de comunicaciones para su monitoreo. DCS es un termino muy amplio y se utiliza en varias industrias para el monitoreo y el control de equipo distribuido. Algunos ejemplos de sistemas de control distribuido son: Redes eléctricas y plantas de generación Sistemas de control ambiental (invernaderos) Señalización de trafico Manejo de aguas Plantas de refinamiento de petróleo Plantas químicas Redes de sensores Los sistemas distribuidos fueron concebidos como una manera de solventar las desventajas que presentan algunos sistemas de control digital. Para entender estas desventajas, recordemos como funciona un sistema de control digital. En los sistemas de control digital convencional, se pueden diferenciar dos componentes fundamentales: La planta y el controlador. Las salidas de la planta son muestreadas a intervalos periódicos por el controlador, luego un algoritmo de control aplicado a las muestras, dando como resultado una salida que por lo general esta retenida en orden cero (ZOH). Desde el punto de vista teórico, no hay inconvenientes con esta aproximación, sin embargo desde el punto de vista de implementación existen algunos aspectos que pueden ser mejorados. La estructura depende de un solo computador para calcular el algoritmo de control. Dependiendo de la complejidad de la planta, puede ser demasiado complicado, por lo cual se presenta un cuello de botella computacional La planta puede ser físicamente grande, lo que implica que las señales deben viajar largas distancias desde el dispositivo de IO hasta el controlador, causando ruido. Largas conexiones significan dificultades en el mantenimiento y solución de problemas. El sistema no es flexible. Agregar nuevos dispositivos al sistema como sensores y actuadores, o modificar el algoritmo de control serian tareas extremadamente complejas, llegando inclusive a afectar todo el proceso.
Como una solución a estos problemas, se considero el uso de un sistema en red, donde los sensores, controladores y actuadores son nodos computacionales interconectados. El sistema en términos generales es similar al mostrado anteriormente, excepto que los datos viajan del sensor al controlador y de este al actuador a través de una rede de comunicaciones, en lugar de conexiones dedicadas. De esta manera, el sistema de control se vuelve mucho más flexible. Puede ser interconectado en diferentes disposiciones, donde muchos nodos están presentes al mismo tiempo. Aunque esta configuración soluciona muchos problemas, trae algunos propios: La red de comunicación produce retardos usualmente impredecibles. Existe la posibilidad de que la información sea corrompida o inclusive se pierda. No es claro como separar el algoritmo de control en secciones. En algunos casos no es posible realizar esta separación. El problema más complejo que presentan los DCS es tal vez los generados por los retardos o pérdida de información durante la comunicación, eventos que pueden generar inestabilidad. Sistemas de supervisión de control y adquisición de datos: A medida que los sistemas de control en una planta se convirtieron en demasiado complejos para monitorear personalmente, nació la necesidad de centralizar la recolección de datos para su posterior análisis, o modificación. Es así como surgieron los sistemas de supervisión de control y adquisición de datos o SCADA por sus siglas en ingles (Supervisory Control And Data Adquisition). En esta categoría se clasifican a todas aquellas soluciones que permiten capturar información de un proceso o planta industrial (aunque no es absolutamente necesario que pertenezca a este ámbito), para que, con esta información, sea posible realizar una serie de análisis o estudios con los que se pueden obtener valiosos indicadores que permitan una retroalimentación sobre un operador o sobre el propio proceso. Algunos de estos indicadores son el estado actual del proceso, desviación o deriva del proceso (Evolución histórica y acumulada), alarmas, y toma de decisiones. Los sistemas SCADA se componen de los dispositivos de entrada y salida, los controladores, las redes de comunicación y un software especializado. El software especializado sirve como sistema centralizado donde se monitorea el estado del proceso que puede estar, inclusive a varios kilómetros de distancia. Aunque el sistema completo de gestión y control se considera SCADA, en algunas ocasiones el término se utiliza únicamente como referencia al sistema software que proporciona las capacidades de gestión y monitoreo. Este software permite comunicarse con los dispositivos de campo y realizar modificaciones a los parámetros del sistema (como los puntos de operación, leyes de control o tareas asociadas a la automatización); provee información sobre el proceso productivo a diversos usuarios, tanto del mismo nivel como de otros supervisores dentro de la empresa (e.g. control de calidad, supervisión, mantenimiento, etcétera) generando valores históricos que pueden ser volcados para su proceso sobre una hoja de cálculo; supervisar y gestionar alarmas, que exigen la presencia del operador para reconocer una parada o situación de importancia, con registro de incidencias; posibilidad de programar cálculos aritméticos de alta resolución sobre la CPU del ordenador; entre otras funciones. Todo esto se ejecuta en tiempo real y se realiza por medio de redes de comunicación especiales o LANs. Las funcionalidades de un sistema SCADA se llevan a cabo mediante un paquete de funciones que incluye zonas de programación en un lenguaje de uso general (como C, Pascal, o Basic), lo cual confiere una potencia muy elevada y una gran versatilidad. Algunos SCADA ofrecen librerías de funciones para
lenguajes de uso general que permiten personalizar de manera muy amplia la aplicación que desee realizarse con dicho SCADA. Por lo general estas funcionalidades son implementadas como bloques de funciones, entre las cuales se destacan: Configuración: permite al usuario definir el entorno de trabajo de su SCADA, adaptándolo a la aplicación particular que se desea desarrollar. Interfaz gráfico del operador: proporciona al operador las funciones de control y supervisión de la planta. El proceso se representa mediante sinópticos gráficos almacenados en el ordenador de proceso y generados desde el editor incorporado en el SCADA o importados desde otra aplicación durante la configuración del paquete. Módulo de proceso: ejecuta las acciones de mando preprogramadas a partir de los valores actuales de variables leídas. Gestión y archivo de datos: se encarga del almacenamiento y procesado ordenado de los datos, de forma que otra aplicación o dispositivo pueda tener acceso a ellos. Comunicaciones: se encarga de la transferencia de información entre la planta y la arquitectura hardware que soporta el SCADA, y entre ésta y el resto de elementos informáticos de gestión. Los sistemas SCADA por lo general son de de arquitectura abierta, capaces de crecer o adaptarse según las necesidades cambiantes de la empresa, capaces de comunicarse con total facilidad y de forma transparente al usuario con el equipo de planta y con el resto de la empresa (redes locales y de gestión), y ser sencillos de instalar, sin excesivas exigencias de hardware, y fáciles de utilizar, con interfaces amigables con el usuario. Esquemas de control avanzado realimentación, para asegurarse que el sistema sigue rápidamente una referencia, no siempre es una buena idea. Cuando logramos un rápido seguimiento de la referencia con un controlador realimentado, tenemos como efecto secundario que el controlador se vuelva extremadamente sensible al ruido. Para lograr un seguimiento de la referencia sin realimentación, se considera el uso de una propagación gobernada solamente por la referencia. El control por propagación debe ser usado para mejorar el seguimiento de la referencia, mientras que el realimentado se utiliza para estabilizar el sistema y suprimir disturbios. Por lo tanto, la acción de control corresponde a la suma de entre la salida del controlador realimentado y el controlador por propagación: acción de control = realimentación propagación La mayoría de sistemas industriales en la actualidad son controlados por medio de controles de tipo PID. Esta decisión es realizada sin importar si el sistema presenta no linealidades, y por lo tanto limitando su desempeño. La razón por la cual los controladores PID son tan populares es que no se requiere un conocimiento extensivo sobre el sistema (por ejemplo, con un sencillo modelo de primer o segundo orden, lineal) y se puede sintonizar por medio de reglas heurísticas. De hecho, existen varios sistemas PID que permiten su auto ajuste. Por lo tanto, los ingenieros de control con varios años de experiencia en sintonización de PIDs pueden evitar sustituir estos dispositivos por algunos más complejos. Como un compromiso, se puede pensar en incluir un controlador más complejo como controlador de propagación. ENTRADA r(k) - e(k) PID upid(k) u(k) PLANTA y(k) SALIDA Sistemas de control Feedforward (prealimentado) Por qué utilizamos realimentación en un sistema automático de control? RNA MODELO INVERSO urna(k) Las razones principales por las cuales se utiliza la realimentación es estabilizar sistemas inestables y reducir la influencia de posibles disturbios e inexactitudes en el modelo. Sin embargo, el usar la En la figura se muestra un esquema por propagación, donde el control realimentado es de tipo PID. El control por propagación es
un modelo inverso neuronal (preguntar que es red neuronal, si se desconoce, realizar una breve explicacion). La acción de control esta conformada por la salida de estos dos controladores. El sistema en lazo cerrado en definitiva se convierte en un retardo en el tiempo. A este tipo de control que linealiza el sistema lo denominaremos controlador de tiempo muerto. Este tipo de controladores tienen poca relevancia práctica por su baja robustez debida a la alta sensibilidad al ruido y a disturbios de alta frecuencia, añadido a los fuertes esfuerzos de control. Por otra parte, si el modelo inverso es inestable, es posible que el sistema en lazo cerrado se convierta en inestable, lo cual es frecuente en la práctica. Adicionalmente, es posible que el sistema no posea un único modelo inverso, a lo que denominamos no invertible. Existen en general, dos técnicas para obtener un modelo inverso, la primera, un método fuera de línea llamado entrenamiento general y un método en línea llamado entrenamiento especializado, este último con una variación que llamaremos entrenamiento óptimo. cambios de la misma inherente al funcionamiento y envejecimiento del sistema en su conjunto. Finalmente, debemos ser cuidadosos al utilizar este tipo de control ya que, aunque puede ser útil en optimizar muchos sistemas de control, un control propagado inadecuado haría mas daño que bien. En otras ocasiones una ley de control por propagación se utiliza cuando se conoce completamente el efecto que posee un disturbio sobre la salida. Entonces, se puede realizar una medición sobre el disturbio y efectuar una acción para eliminar su efecto sobre la salida del proceso. El comportamiento de este esquema depende en gran manera de la forma en que fue modelado el disturbio. Aunque este esquema crea el potencial para un control perfecto, la diferencia entre el sistema real y el modelo impide que esto sea llevado a cabo. Al igual que en el caso anterior, el comportamiento de este controlador se complementa con un controlador realimentado. Para entender el concepto del modelo inverso, consideremos un sistema que puede ser representado como un modelo, donde y(t1) es el resultado de una función g, evaluado con las n anteriores salidas y m anteriores entradas.] y ( k 1) = g[ y( k ), Λ, y( k n 1, ) u( k), Λ, u( k m) ] Si es posible esta representación, podemos suponer la existencia de una función g-1 la cual estima el valor de u a partir de los valores anteriores de y y u. Debido a que desconocemos esta función, podemos hacer uso de las características de las redes neuronales como aproximadores universales de funciones para que actúe de esta manera. Asumiendo que hemos obtenido esta red, la podemos utilizar para controlar el sistema sustituyendo la salida y(k1) por la referencia r(k1). uˆ ( k) = g 1 ˆ [ y( k 1, ) y( k), Λ, y( k n 1, ) u( k 1, ) Λ, u( k m) ] Tal vez la aplicación no se aprecie de manera inmediata, pero no olvidemos que en muchos casos el controlador PID que fue sintonizado bajo unas condiciones de una planta recién instalada, poco a poco va perdiendo su capacidad de control debido a los Sistemas de control Adaptativo La mayoría de las técnicas para diseñar sistemas de control están basadas en un buen entendimiento de la planta bajo estudio y su entorno. Sin embargo, en algunas ocasiones, la planta a controlar es muy compleja y sus procesos básicos no son completamente entendidos. En este caso, las técnicas de control pueden ser complementadas con técnicas de identificación realizadas de manera recursiva, para obtener progresivamente un mejor entendimiento de la planta a controlar por medio de un modelo que es actualizando periódicamente en base a los últimos datos. Esta técnica, denominada control adaptativo, permite utilizar el modelo identificado para diseñar un controlador.
Existen diversas estructuras de control adaptativo, entre las cuales las más representativas son: programación de ganancia, controlador con modelo de referencia y el control adaptativo indirecto. Este último, conocido también como regulador auto-ajustado, utiliza un controlador cuyos parámetros son obtenidos de una estimación de los parámetros de la planta, considerando que el modelo es fiel a la planta en ese periodo de tiempo. A este principio se le conoce como de certeza de equivalencia. El esquema de un IAC se muestra en la figura donde hay una separación explicita entre la etapa de identificación y control. El IAC es muy flexible con respecto a la metodología de diseño del controlador y el esquema de identificación. Supongamos que el sistema de identificación estimara un modelo discreto de primer orden de la planta. Usando el principio de certeza de equivalencia, suponemos que el sistema junto a su control se debe comportar como un retardo en el tiempo (control de tiempo muerto). Por lo tanto, si desplazamos una unidad de tiempo hacia el futuro, tenemos que la respuesta del sistema esta en términos de la referencia, la salida y acción de control actuales. Despejando la acción de control tenemos que la ley de control se convierte en: Sistemas de control Predictivo LEY DE CONTROL POR EQUIVALENCIA PARAMETROS MEJOR MODELO IDENTIFICACIÓN CONTROLADOR PLANTA r(k) u(k) y(k) Ahora, los procesos industriales cada vez poseen especificaciones más fuertes, como la necesidad de incrementar la productividad, ajustarse a regulaciones ambientales y los cambios rápidos en el mercado. Puesto que estas restricciones hacen necesario que el sistema de producción sea lo mas eficiente posible. Con el ánimo de aumentar la eficiencia, se considera que la mejor estrategia es predecir el comportamiento futuro de la planta (saber hacia donde voy y como lo estoy haciendo, me puede permitir escoger la mejor ruta). Con esta idea en mente, nació el control predictivo, del cual existen diferentes arquitecturas, pero que en general todas comparten el mismo principio: Utilizar un modelo del sistema para conocer el comportamiento futuro del mismo. Un sistema de control predictivo posee los siguientes elementos: Un modelo del ENTRADA r(k) u(k) PLANTA SALIDA OPTIMIZADOR proceso y de los disturbios, yest(k) û(k) usualmente lineales. RNA MODELO DIRECTO Este modelo permite y(k) predecir el comportamiento del sistema al aplicar ciertas señales de control y el conocimiento de posibles disturbios. El modelo puede ser de cualquier tipo o estructura, lo importante es que sea lo más cercano a la realidad posible. Un índice de desempeño o costo, que usualmente es una norma cuadrática que refleja el error de seguimiento y la acción de control empleada. Una serie de restricciones sobre las acciones de control, los estados y las salidas del sistema, motivadas principalmente por necesidades de seguridad, económicas, tecnológicas y ambientales. Un algoritmo de optimización que es utilizado para computar una secuencia de señales futuras, tales que minimicen el índice de desempeño sometido a las restricciones. El uso del principio de horizonte deslizante. Este principio consiste en que el algoritmo calcula la secuencia óptima de acciones de control, pero solamente utiliza la primera muestra. En el nuevo instante, el cálculo de la secuencia es reiniciado con los nuevos datos obtenidos.