Integración de la estrategia FMBPC en una estructura de control predictivo en lazo cerrado. Aplicación al control de fangos activados

  1. Vallejo, Pedro M. 1
  2. Vega, Pastora 1
  1. 1 Universidad de Salamanca
    info

    Universidad de Salamanca

    Salamanca, España

    ROR https://ror.org/02f40zc51

Revista:
Revista iberoamericana de automática e informática industrial ( RIAI )

ISSN: 1697-7920

Año de publicación: 2022

Volumen: 19

Número: 1

Páginas: 13-26

Tipo: Artículo

DOI: 10.4995/RIAI.2021.15793 DIALNET GOOGLE SCHOLAR lock_openAcceso abierto editor

Otras publicaciones en: Revista iberoamericana de automática e informática industrial ( RIAI )

Resumen

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.

Referencias bibliográficas

  • 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
  • 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
  • Babuška, R., 1998a. Fuzzy Modeling for Control. Kluwer Academic Publishers, Boston, MA, USA. https://doi.org/10.1007/978-94-011-4868-9_2
  • Babuška, R., 1998b. Fuzzy Modeling and Identification Toolbox (FMID)-User's Guide; Babuška, R., Delft, The Netherlands.
  • Blachini, F., 1999. Set invariance in control. Automatica, 35, 1747-1767. https://doi.org/10.1016/S0005-1098(99)00113-2
  • Blažič, S., Škrjanc, I, 2007. Design and Stability Analysis of Fuzzy Model-based Predictive Control-A Case Study. J. Intell. Robot. Syst., 49, 279-292, https://doi.org/10.1007/s10846-007-9147-8
  • Boulkaibet, I., Belarbi, K., Bououden, S., Marwala, T., Chadli, M., 2017. A new T-S fuzzy model predictive control for nonlinear processes. Expert Syst. Appl., 88, 132-151, https://doi.org/10.1016/j.eswa.2017.06.039
  • Bououden, S., Chadli, M., Karimi, H., 2015. An ant colony optimization-based fuzzy predictive control approach for nonlinear processes. Inf. Sci., 299, 143-158, https://doi.org/10.1016/j.ins.2014.11.050
  • Camacho, E. F., Bordons, C., 1998. Model Predictive Control. Springer, Great Britain. https://doi.org/10.1007/978-1-4471-3398-8
  • El Bahja, H., 2017. Advanced control strategies based on invariance set theory and economic MPC: application to WWTP. Ph.D. Thesis, Universidad de Salamanca, Salamanca, Spain, 2017.
  • El Bahja, H., S.; Vega, P.; Revollar, S.; Francisco, M., 2018a. One Layer Nonlinear Economic Closed-Loop Generalized Predictive Control for a Wastewater Treatment Plant. Applied Sciences, 8(5), 657. https://doi.org/10.3390/app8050657
  • El Bahja, H., Vega, P., Tadeo, F., & Francisco, M., 2018b. A constrained closed loop MPC based on positive invariance concept for a wastewater treatment plant. International Journal of Systems Science, 49(10), 2101-2115. https://doi.org/10.1080/00207721.2018.1484195
  • Francisco, M., Vega, P., 2006. Diseño Integrado de procesos de depuración de aguas utilizando control predictivo basado en modelos. RIAI-Revista Iberoamericana de Automática e Informática Industrial, 3(4), 88-98, ISSN 1697 7912. https://doi.org/10.1016/S1697-7912(07)70214-5
  • Gilbert, E.G., Tan, K. T., 1991. Linear systems with state and control constraints: the theory and application of maximal output admissible sets. IEEE Trans. AC, 36(9), 1008-1020. https://doi.org/10.1109/9.83532
  • Haber, R., Rossiter, J.A., and Zabet, K.R., 2016. An Alternative for PID control: Predictive Functional Control- A Tutorial. IEEE American Control Conference (ACC), 2016 (ACC2016). Boston, MA, USA, July 06-08. https://doi.org/10.1109/ACC.2016.7526765
  • Henze, M., Grady, C. P. L. Jr, Gujer, W., Marais, G. v. R., Matsuo, T., 1987. Activated Sludge Model No. 1. IAWPRC Scientific and Technical Reports No. 1. London, UK.
  • Limón, D., 2002. Control Predictivo de Sistemas no Lineales con Restricciones: Estabilidad y Robustez. Ph.D. Thesis, Universidad de Sevilla, Sevilla, Spain, 2002.
  • Lyapunov, A.M., 1892. The General Problem of the Stability of Motion (in Russian). Ph.D. Thesis, Kharkov Mathematical Society, Kharkov, Russia.
  • Lyapunov, A.M., 1992. The general problem of the stability of motion. Int. J. Control, 55, 531-534, https://doi.org/10.1080/00207179208934253
  • Maciejowski, J. M., 2002. Predictive Control with Constraints. Pearson Education Limited, Harlow, Essex, UK.
  • Marchetti, A.G., Ferramosca, A. & González, A.H., 2014. Steady-state target optimization designs for integrating real-time optimization and model predictive control. Journal of Process, 24 (1) 129-145. https://doi.org/10.1016/j.jprocont.2013.11.004
  • Michalska, H., Mayne, D., 1993. Robust receding horizon control of constrained nonlinear systems. IEEE Transactions on Automatic Control, 38, 1623-1633. https://doi.org/10.1109/9.262032
  • Mollov, S., Babuska, R., Abonyi, J., Verbruggen, H., 2004. Effective Optimization for Fuzzy Model Predictive Control. IEEE Trans. Fuzzy Syst., 12, 661-675, https://doi.org/10.1109/TFUZZ.2004.834812
  • Moreno, R., 1994. Estimación de Estados y Control Predictivo de Proceso de Fangos Activados. Tesis Doctoral. Facultat de Ciències de la Universitat Autònoma de Barcelona (Spain).
  • Ramírez, K. J. , Gómez, L. M., Álvarez, H., 2014. Dual mode nonlinear model based predictive control with guaranteed stability. Ingeniería y Competitividad, 16(1), 23-34. https://doi.org/10.25100/iyc.v16i1.3710
  • Richalet, J., 1993. Industrial application of model based predictive control. Automatica, 29 (5), 1251-1274. https://doi.org/10.1016/0005-1098(93)90049-Y
  • Richalet, J., O'Donovan, D., 2009. Predictive Functional Control. Principles and Industrial Applications. Springer, London, UK. https://doi.org/10.1007/978-1-84882-493-5
  • Rossiter, J. A., 2003. Model-Based Predictive Control: A Practical Approach. CRC Press LLC, Boca Raton, Florida, EEUU.
  • Roubos, J., Mollov, S., Babuska, R., Verbruggen, H., 1999. Fuzzy model-based predictive control using Takagi-Sugeno models. Int. J. Approx. Reason., 22, 3-30, https://doi.org/10.1016/S0888-613X(99)00020-1
  • Shariati, S., Noske, R., Brockhinke, A., Abel, D., 2015. Model predictive control of combustion instabilities using Closed-loop Paradigm with an incorporated Padé approximation of a phase shifter. 2015 European Control Conference (ECC). July 15-17. Linz, Austria. https://doi.org/10.1109/ECC.2015.7330601
  • Škrjanc, I., Matko, D., 2000. Predictive functional control based on fuzzy model for heat exchanger pilot plant. IEEE Transactions on Fuzzy Systems, 8 (6), 705-712. https://doi.org/10.1109/91.890329
  • Škrjanc, I., Blažič, S., 2016. Fuzzy Model-based Control - Predictive and Adaptive Approaches. In: Angelov, Plamen (Ed.), Handbook on Computational Intelligence. Vol. I. World Scientific, New Jersey, USA, Ch. 6, pp. 209-240. https://doi.org/10.1142/9789814675017_0006
  • Sorcia Vázquez, F. D. J., Garcia Beltran, C. D., Valencia Palomo, G., Guerrero Ramírez, G., Adam Medina, M., Escobar Jiménez, R., 2015. Control Predictivo Distribuido Óptimo Aplicado al Control de Nivel de un Proceso de Cuatro Tanques Acoplados. Revista Iberoamericana de Automática e Informática Industrial, 12, 365-375. https://doi.org/10.1016/j.riai.2015.07.002
  • Takagi, T., Sugeno, M., 1985. Fuzzy Identification of Systems and its Application to Modeling and Control. IEEE Transactions on Systems, Man and Cybernetics, 15 (1), 116 132. https://doi.org/10.1109/TSMC.1985.6313399
  • Vallejo, P. M., Vega, P., 2019. Analytical Fuzzy Predictive Control Applied to Wastewater Treatment Biological Processes. Complex., 2019, 5720185, https://doi.org/10.1155/2019/5720185
  • Vallejo, P. M., Vega, P., 2021. Practical Computational Approach for the Stability Analysis of Fuzzy Model-Based Predictive Control of Substrate and Biomass in Activated Sludge Processes. Processes, 9(3), 531. https://doi.org/10.3390/pr9030531
  • Zadeh, Lotfi A., 1990. Fuzzy Sets and Systems. International Journal of General Systems, 17 (2), 129-138. https://doi.org/10.1080/03081079008935104
Fuente de los datos: Dialnet