Saltar al contenido
Volver a los resultados

Control Predictivo Basado en Modelo

Propuesto por
Jacques Richalet
Año
1978
Tipo
algorithm
Familia
Optimal Control

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El Control Predictivo Basado en Modelo (MPC, por sus siglas en inglés) es una estrategia de control avanzada que utiliza un modelo explícito del proceso para predecir el comportamiento futuro del sistema sobre un horizonte finito y resuelve un problema de optimización en cada paso de control.

Formalizado por primera vez por Richalet et al. en 1978, el MPC se ha convertido en el enfoque dominante en las industrias de control de procesos, desde plantas químicas hasta vehículos autónomos, ya que maneja de forma natural las restricciones y puede optimizar múltiples objetivos simultáneamente.

La intuición detrás del método

La idea central del MPC es utilizar un modelo matemático del sistema para simular múltiples escenarios futuros posibles y calcular las mejores acciones de control que mantendrán al sistema cerca de los puntos de consigna deseados, respetando al mismo tiempo las restricciones operativas. En cada instante de muestreo, el algoritmo predice la salida del sistema sobre un horizonte futuro, resuelve un problema de optimización para encontrar la secuencia de entrada de control que minimiza una función de coste, aplica solo la primera acción de control y luego repite el proceso con nuevas mediciones. Este mecanismo de retroalimentación —predicción, optimización, acción, medición, repetición— hace que el MPC sea robusto a las perturbaciones y a la incertidumbre del modelo, al tiempo que tiene en cuenta explícitamente los límites físicos y operativos.

Historia

Richalet introdujo el concepto en 1978 como Heuristic Model Predictive Control (HMPC) para procesos industriales. Garcia et al. proporcionaron un marco teórico completo en 1989, estableciendo conexiones con la programación dinámica y la teoría de la estabilidad. Mayne et al. (2000) formalizaron el MPC con restricciones y las condiciones de estabilidad. Desde entonces, el campo se ha expandido al MPC no lineal (NMPC), al MPC explícito (leyes de control precalculadas) y a algoritmos de optimización rápidos que permiten la implementación en tiempo real en sistemas embebidos.

Cuándo usarlo

Utilizar el MPC cuando se necesite manejar restricciones explícitamente (p. ej., límites de válvulas, cotas de seguridad), gestionar múltiples variables correlacionadas (control multivariable) o cuando las perturbaciones y las no linealidades sean significativas. Es más eficaz para sistemas con dinámicas lentas a moderadas donde el tiempo de cálculo permite la optimización en tiempo real. Las aplicaciones típicas incluyen el control de procesos químicos, sistemas HVAC, centrales eléctricas y conducción autónoma. Evitar el MPC si el sistema exige velocidades de control de microsegundos o si no se dispone de un modelo de proceso de alta fidelidad.

Limitaciones y consideraciones

  • Computacionalmente costoso; la resolución del problema de optimización en cada paso puede ser inviable para sistemas muy rápidos.
  • Requiere un modelo de proceso preciso; una baja precisión del modelo degrada significativamente el rendimiento.
  • El MPC no lineal (NMPC) no es convexo y puede quedarse atascado en mínimos locales.
  • Las garantías de estabilidad y factibilidad no son triviales, especialmente para problemas con restricciones.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Maneja de forma natural las restricciones de entrada y estado a través de la optimización explícita.
  • Proporciona control multivariable, coordinando automáticamente múltiples entradas y salidas.
  • Robusto a las perturbaciones y a la falta de concordancia del modelo debido al bucle de retroalimentación de horizonte móvil.
  • Permite la incorporación de trayectorias de referencia futuras o cambios en los puntos de consigna.
  • Fácil de ajustar (pesos de la función de coste) en comparación con la sintonización tradicional de PID.

Aplicaciones

  • Control de procesos químicos: Optimización de temperaturas, presiones y caudales en reactores y columnas de destilación, respetando las restricciones de seguridad.
  • Vehículos autónomos: Gestión de la aceleración, dirección y deceleración para seguir una trayectoria deseada, evitando obstáculos y respetando las restricciones de la carretera.
  • Gestión de la red eléctrica: Equilibrio entre oferta y demanda, control de la programación de la generación y estabilidad de voltaje sobre un horizonte de pronóstico móvil.
  • Sistemas HVAC de edificios: Coordinación de calefacción, refrigeración y ventilación para mantener los puntos de consigna de confort minimizando el consumo de energía.
  • Planificación de trayectorias robóticas: Cálculo de trayectorias suaves y factibles que respeten los límites de los actuadores y las restricciones de colisión.

Cómo funciona

Cómo funciona

1

Utilizar el modelo del sistema y el estado actual para predecir las salidas futuras sobre un horizonte de predicción (típicamente 10-100 pasos adelante).

2

Formular y resolver un problema de optimización con restricciones para encontrar la secuencia de entrada óptima que minimice el error de seguimiento y el esfuerzo de control, respetando los límites en las entradas y los estados.

3

Implementar solo la primera entrada de control de la secuencia optimizada en el proceso.

4

Medir el nuevo estado del sistema, actualizar la predicción y repetir todo el ciclo en el siguiente instante de muestreo.

Errores comunes

  • Establecer el horizonte de predicción demasiado corto conduce a un control miope y subóptimo; demasiado largo aumenta el cálculo.
  • No ajustar la función de coste (p. ej., el peso entre el error y el esfuerzo de control) conduce a respuestas lentas o agresivas.
  • El uso de un modelo simplificado o inexacto que no capture la dinámica del sistema resulta en un pobre rendimiento en el mundo real.

Preguntas frecuentes

¿Qué es el principio del horizonte móvil y por qué es importante?

El principio del horizonte móvil significa resolver un problema de optimización sobre una ventana futura finita, aplicar solo la primera acción de control y luego desplazar la ventana hacia adelante. Este mecanismo crea un bucle de retroalimentación que corrige errores y perturbaciones en cada paso, haciendo que el MPC sea robusto incluso cuando el modelo no es perfecto.

¿Cómo elijo la longitud del horizonte de predicción?

Una regla general es establecer el horizonte de predicción entre 3 y 5 veces el tiempo de establecimiento de la constante de tiempo dominante del sistema. Demasiado corto conduce a un comportamiento miope; demasiado largo aumenta el cálculo sin beneficio adicional y puede causar infactibilidad. El ajuste empírico o el análisis de la respuesta en bucle abierto ayudan.

¿Puede el MPC manejar sistemas no lineales?

Sí, el MPC no lineal (NMPC) puede manejar modelos de sistemas no lineales. Sin embargo, la optimización se vuelve no convexa, requiriendo solucionadores iterativos que son más lentos y pueden converger a mínimos locales. A menudo se utilizan la linealización alrededor de una trayectoria nominal o métodos de aproximación para reducir el tiempo de cálculo.

¿Qué herramientas de software están disponibles para implementar MPC?

Las herramientas populares incluyen MATLAB Model Predictive Control Toolbox, Simulink, paquetes de código abierto como CasADi (para optimización) y plataformas comerciales especializadas como EMSO y gProms. Para sistemas embebidos, bibliotecas como ACADO y solucionadores rápidos de programación cuadrática (p. ej., qpOASES) permiten la implementación en tiempo real.

Métodos relacionados

Fuentes

  1. Richalet, J., Rault, A., Testud, J., & Papon, J. (1978). Model predictive heuristic control. Automatica, 14(5), 413-428.

    Abrir referencia DOI
    Copiado.
  2. Garcia, C. E., Prett, D. M., & Morari, M. (1989). Model predictive control: Theory and practice. Automatica, 25(3), 335-348.

    Abrir referencia DOI
    Copiado.
  3. Mayne, D. Q., Rawlings, J. B., Rao, C. V., & Scokaert, P. O. (2000). Constrained model predictive control: Stability and optimality. Automatica, 36(6), 789-814.

    Abrir referencia DOI
    Copiado.