EL CONTROL DETRÁS DE LA AUTOMATIZACIÓN Alejandro Piñón Rubio Agenda AUTOMATIZACION SISTEMAS CONTROL CONTROL PID CONTROL PREDICTIVO CONTROL DES SISTEMAS HIBRIDOS SISTEMAS SCADA 3 OBJETIVO - Simplificar Tareas - Realizar Tareas Peligrosas y/o Imposibles - Mejorar la disponibilidad de los productos - Simplificar el mantenimiento de forma que el operario no requiera grandes conocimientos para la manipulación del proceso productivo - Reducción de Mano de Obra - Mejorar la Eficiencia del Proceso 4 Automatización cont. AUTOMATIZACION Operativa Sensores Actuadores Control Dispositivo Programable 5 Automatización cont. Ruido Actuadores Proceso Sensores Variable medida Señal control Estrategia de Control Reperesentación de un sistema en LAZO CERRADO 6 Automatización cont. 7 Automatización (2) CLASIC CONTOL AUTOMATIZACION PID TIME DRIVEN Operativa CONTROL Control ADVANCED CONTROL Sensores Actuadores EVENT DRIVEN Predictive,Adaptive, Expert Dispositivo Programable DISCRETE EVENT SYSTEMS Automata Petri Nets 8 HYBRID CONTROL CONTROL CLASICO PID TIME DRIVEN CONTROL EVENT DRIVEN CONTROL AVANZADO Predictive,Adaptive, Expert DISCRETE EVENT SYSTEMS Automata Petri Nets 9 TIME DRIVEN CLASIC CONTROL PID Predictive Control TIME DRIVEN ADVANCED CONTROL Adaptive Control Expert Control 10 Control.PID PID • PID = PROPORCIONAL+INTEGRAL + DERIVATIVO Representante por excelencia del control clásico Error P Ref Salida I Σ Proceso D 11 Control.PID PID Ventajas Desventajas Formulación matemática sencillaFacil Implementación No Apto para procesos con θ alto Ajuste sencillo de parámetros – Mal desempeño en sistemas no Reglas de sintonía Lineales* Adaptable- “Autosintonía” Sistemas variantes en el tiempo* Amplia Documentación y Aplicación Inestable por Naturaleza de diseño* Immplementación nativa Hardware Industrial (PLC) en 12 CLASIC CONTROL PID Predictive Control TIME DRIVEN ADVANCED CONTROL Adaptive Control Expert Control 13 Predictive Control Control.Predictivo MPC= MODEL PREDICTIVE CONTROL MODELOS NO PARAMETRICOS (Dynamic Matrix Control “DMC”) Impulse Respons Step Response MODELOS PARAMETRICOS (Generalized Predictive Control“GPC”) 14 Predictive Control Ejemplo Control.Predictivo t(+5)=t(0)+[t(0)-t(-5)]=2t(0)-t(-5)=22 t(+5) 22 Temp (°c) 20 18 (-5) (0) (+5) Past Current Future time 15 Predictive Control Control.Predictivo COMO FUNCIONA * Control ante alimentado de manera natural * Manejo sencillo de sistemas Multivariables * Manejo de referencias futuras 16 17 18 19 HYBRID CONTROL CONTROL CLASICO PID TIME DRIVEN CONTROL EVENT DRIVEN CONTROL AVANZADO Predictive,Adaptive, Expert DISCRETE EVENT SYSTEMS Automata Petri Nets 20 DISCRETE EVENT SYSTEMS DES 21 DISCRETE EVENT SYSTEMS DES MODELAR SISTEMAS SECUENCIALES COMPLEJOS CONTROLAR OPERACIONES A PARTIR DE LA MODELACIÓN DE UNA PLANTA EN EVENTOS DISCRETOS DIAGNÓSTICO DE TRAYECTORIAS ERRÓNEAS (DIAGNOSTICO DE FALLAS) DISEÑO DE LÓGICA DE CONTROL A PARTIR DEL DESARROLLO FORMAL DE LA MODELACIÓN DEL SISTEMA GRAFCET ES RESULTADOS DE LA REPRESENTACIÓN POR MEDIO DE MÁQUINAS DE ESTADOS FINITAS DETERMINISTICAS Y PN. 22 DISCRETE EVENT SYSTEMS DES 23 DISCRETE EVENT SYSTEMS DES 24 DISCRETE EVENT SYSTEMS DES 25 HYBRID CONTROL CONTROL CLASICO PID TIME DRIVEN CONTROL EVENT DRIVEN CONTROL AVANZADO Predictive,Adaptive, Expert DISCRETE EVENT SYSTEMS Automata Petri Nets 26 HYBRID CONTROL Sistemas de control híbridos 27 HYBRID CONTROL Sistemas de control híbridos PERMITE MODELAR CUALQUIER SISTEMA DONDE SE INVOLUCREN VARIABLES DISCRETAS Y VARIABLES EN TIEMPO CONTINUO/DISCRETO LOS SISTEMAS PUEDEN SER MODELADOS COMO SWS, PWA, MLD Y HA. HERRAMIENTAS EN MATLAB COMO HYSDDEL (BEMPORAD) PUEDEN SER UTILIZADOS PARA MODELACION DE SISTEMAS “PWA Y MLD” DIVERSAS ESTRATEGIAS DE CONTROL PUEDEN SER APLICADOS A LOS HS. *MPC PUEDE SER IMPLEMENTADO A TRAVES DE LA ESTIMACION DEL HORIZONTE DE PREDICCION (SIMILAR AL CASO CONTINUO) ES POSIBLE REPRESENTAR SISTEMAS NO LINEALES O VARIANTES EN EL TIEMPO* COMO UN CONJUNTO DE SISTEMAS LINEALES PARTICIONADOS. MPAC PUEDE SER UTILIZADO PARA SISTEMAS NO LINEALES Y VARIANTES EN EL TIEMPO. “CONTROL EXPERTO” (ADEX) 28 HYBRID CONTROL Sistemas de control híbridos 29 SCADA-fully automation SCADA= Supervisory Control and Data Acquisition Permite realizar control, monitoreo y adquisición de datos en tiempo real. 30 SCADA-fully automation 31 SCADA-fully automation COMUNICACIÓN PROPIETARIA OPC 32 SCADA-fully automation Quality Internet OPC Client OPC Client HMI OPC Data Access Client OPC Client OPC Data Access Server OPC Data eXchange Server OPC Data Access Client N OPC Data Access Client N N OPC Data eXchange Server N N N Fieldbus System N N N Distributed I/O DCS & PLC Systems 33 CONCLUSION? 34 Coordinador Dr. Luis E. Garza Castañón Departamento de Mecatrónica y Automatización (DMA) Aulas 7-322 email: [email protected] Tel. 83582000 ext. 5486 Carreras a las que se dirige • • • • • • Ingeniería en Mecatrónica Ingeniería en Electrónica Ingeniería Mecánica y Eléctrica Ingeniería en Automatización Ingeniero Físico, Otras ingenierías (Química, Mantenimiento, etc.) Proyectos de Investigación (II) • Desarrollo de Modelos y Esquemas de Control para SMART GRIDS (LEGC) • Modelación y Control de Vehículos Aéreos no Tripulados (RSR,LEGC) • Modelación y Control con Autómatas, Grafos y Redes de Petri (FPP) • Aplicaciones de Control y Automatización para la Industria (AFC, FPP, LRC, ENJ) • Control de Turbinas Eólicas (LEGC) ** Proyecto de investigación próxima a abrirse Vinculación • Universidad Nacional de Educación a Distancia, Madrid, España • Grupo de Sistemas Avanzados de Control, UPC, Barcelona, España • GIPSA-Lab Instituto Nacional Politécnico de Grenoble, Francia • Diagnosis, Flight Control and Simulation Lab., Universidad de Concordia, Montreal, Canadá • Instituto de Ingeniería (UNAM) • Facultad de Ingeniería Mecánica y Eléctrica (UANL) • Corporación ADEX, Madrid, España • METALSA, Monterrey, NL • Refinería Cadereyta (PEMEX), NL • Cátedra de Supervisón y Control Avanzado • Cátedra de Autotrónica • Cátedra de Maquinas Inteligentes GRACIAS 39