Control predictivo basado en modelo con desigualdades matriciales aplicado a la industria de procesos

• Autores: Pipino, Hugo Antonio
• Año de publicación: 2023
• Idioma: español castellano
• Tipo de recurso: tesis doctoral
• Colaborador/a o director/a de tesis: Adam, Eduardo José; Dondo, Rodolfo Gabriel; Ferramosca, Antonio; Manzano Crespo, José María
• Materia: Control predictivo; Desigualdades matriciales lineales; Intercambiador de calor; Reactor continuo de tanque agitado; Modelo LPV; Predictive control; Linear matrix inequalities; Heat exchanger; Continuous stirred tank reactor; LPV model
• Institución: Universidad Nacional del Litoral

Fil: Pipino, Hugo Antonio. Universidad Nacional del Litoral. Facultad de Ingeniería Química; Argentina.
Los sistemas industriales modernos, basados en proveer una mejor calidad y uniformidad de sus productos aprovechando mejor los recursos disponibles y favoreciendo el cuidado del medioambiente, incorporan sistemas de control cada vez más complejos. La industria de procesos químicos tiene un gran y continuo desarrollo que ha sido acompañado de avances en problemas de computación, control y optimización. Entre ellos, las técnicas de control avanzadas se fueron estableciendo para mejorar el desempeño y garantizar la estabilidad del sistema controlado. En consecuencia, los controladores basados en problemas de optimización se implementan en una amplia gama de aplicaciones industriales. Los mismos toman en cuenta los objetivos requeridos e incorporan las restricciones operativas del sistema. Así, el control predictivo basado en modelos utiliza un modelo de predicción para obtener las respuestas futuras y aplicar aquella que mejor satisfaga los objetivos propuestos. Por lo tanto, para diseñar estos esquemas de control, se deben tener en cuenta varios aspectos, los objetivos requeridos, el modelo de la planta, las restricciones impuestas, la ley de control, el tamaño del horizonte de predicción, entre otros. Tomando en cuenta estos aspectos, esta tesis aborda el diseño, desarrollo y evaluación de estrategias de control predictivo basado en modelos aplicado a procesos típicos de la industria de procesos, que aseguren estabilidad del sistema controlado, cumplimiento de las restricciones y que contemplen incertidumbre en el modelo de predicción, ya sea por las que surgen de la naturaleza no lineal del sistema o porque no se conocen con exactitud los parámetros del modelo.
Modern industrial systems, based on providing better quality and uniformity of their products while making better use of available resources and favoring care for the environment, incorporate increasingly complex control systems. In particular, the chemical process industry has a significant development, accompanied by advances in computing, control and optimization problems. Among these advances, advanced control techniques have been established to improve the performance and ensure the stability of the controlled system. Consequently, optimization-based controllers are implemented in a wide range of industrial applications. Optimal or optimizing controllers take into account, through a functional, the required objectives and incorporate the system operating constraints. In this sense, model-based predictive control uses a mathematical prediction model to predict future system responses and to apply the control strategy that best satisfies the desired objectives. Therefore, to design these control schemes, several aspects must be considered, including the required objectives, process model for prediction, imposed constraints, control law, length of the prediction horizon, among others. On the basis of the aspects mentioned above, this thesis focuses on the design, development and evaluation of model-based predictive control strategies applied to typical industrial processes. The proposed techniques aim to ensure the stability of the controlled system, compliance with operating constraints, and contemplate uncertainty in the prediction model. Uncertainty can be arise from the non-linear nature of the system or due to the lack of exact knowledge of the model parameters.
Universidad Tecnológica Nacional