Performance indicators and monitoring of multi-stage NMPC in a real-time software framework

• Autor: Mendoza Ramírez, Jorge Daniel
• Formato: tesis de maestría
• Fecha de Publicación: 2017
• Institución: Superintendencia Nacional de Educación Superior Universitaria
• Repositorio: Registro Nacional de Trabajos conducentes a Grados y Títulos - RENATI
• Lenguaje: inglés
• OAI Identifier: oai:repositorio.sunedu.gob.pe:20.500.14366/1576
• Enlace del recurso: https://hdl.handle.net/20.500.14366/1576
• Nivel de acceso: acceso abierto
• Materia: Control predictivo; Control en tiempo real; Automatización; https://purl.org/pe-repo/ocde/ford#2.02.02

El modelo de control predictivo (MPC) se ha utilizado ampliamente en la industria de procesos con notables beneficios económicos desde hace bastante tiempo, a pesar de que aún no se dispone de un enfoque sistemático para evaluar su rendimiento. Este inconveniente no solo dificulta el monitoreo y el mantenimiento de las implementaciones actuales, sino que también restringe las posibilidades de que las nuevas iniciativas en MPC se implementen en plantas reales. En esta tesis se expone una metodología para la evaluación del rendimiento de estos controladores avanzados, teniendo especial consideración para aplicaciones basadas en control predictivo de modelos no lineales multietapa (NMPC multietapa), una nueva formulación propuesta para manejar sistemas no lineales con incertidumbres de manera eficiente. En este contexto, el costo de la etapa se propone como la medida fundamental del desempeño. A partir de esta definición, se pueden calcular algunos índices de desempeño por medio de comparaciones entre el costo de etapa logrado en el proceso y el costo de etapa pronosticado por el controlador. El costo de la etapa pronosticado como punto de referencia de rendimiento debe calcularse en general mediante simulaciones de Monte Carlo. No obstante, para casos especiales como sistemas lineales con distribuciones estadísticas normales y sistemas con no linealidades polinómicas, se pueden utilizar algunos procedimientos de cálculo eficientes. Además, se explora el uso de cadenas de Markov para manejar casos con distribuciones complejas. Las metodologías propuestas se ilustran con aplicaciones en estudios de casos industriales. Se muestra que la gama de posibles aplicaciones no solo se limita a la supervisión del rendimiento, sino que también cubre casos como la selección del controlador, la detección de fallas y la capacitación de los operadores.