EL CONTROL DETRÁS DE LA AUTOMATIZACIÓN

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