⚡ electrical engineering

Model Predictive Control (MPC) Applied To Coupled Tank Liquid Level System

Este artículo presenta un enfoque sistemático para diseñar y modelar una estrategia de Control Predictivo basado en Modelo (MPC) para un sistema de nivel de líquido de dos tanques acoplados, centrándose en el desarrollo del modelo de espacio de estados, la implementación del controlador mediante válvulas de control de flujo y el análisis de la respuesta del sistema ante perturbaciones.

Autores originales: Med. Essahafi

Publicado 2026-06-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 3.0

Autores originales: Med. Essahafi

Artículo original bajo licencia CC BY 3.0 (http://creativecommons.org/licenses/by/3.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de mantener el nivel del agua en dos bañeras conectadas perfectamente estable. Estas no son bañeras cualquiera; están "acopladas", lo que significa que tienen un agujero en el medio que las conecta, por lo que el agua fluye de ida y vuelta entre ellas. Si viertes agua en la primera bañera, esta no se queda ahí, sino que se desborda hacia la segunda, lo que también cambia el nivel en la primera. Este es un problema clásico en las fábricas (como las plantas químicas) donde la mezcla de líquidos requiere niveles precisos.

Este artículo es una "encuesta" o un plano para resolver este problema utilizando un cerebro informático inteligente y con visión de futuro llamado Control Predictivo por Modelo (MPC).

Aquí está el desglose del viaje del artículo, explicado de forma sencilla:

1. El Problema: El juego de la cuerda

Los autores describen un sistema con dos tanques, dos válvulas (para dejar entrar el agua) y dos sensores (para medir la altura del agua). Debido a que los tanques están conectados, cambiar el agua en uno afecta al otro. Es como un juego de tirar de la cuerda donde tirar de un lado sacude instantáneamente el otro. Los controladores tradicionales suelen tener dificultades con esto porque reaccionan después de que las cosas salen mal.

2. La Solución: El controlador de la "Bola de Cristal"

El artículo propone utilizar el Control Predictivo por Modelo (MPC). Piensa en el MPC no como un bombero reactivo, sino como un jugador de ajedrez o un conductor con una bola de cristal.

Cómo funciona: En lugar de solo mirar el nivel del agua en este momento, el MPC observa un modelo matemático de los tanques. Se pregunta: "Si abro esta válvula un poquito ahora, ¿qué pasará con los niveles de agua en los próximos 5 segundos? ¿Qué pasará en los próximos 10?".
La Estrategia: Calcula toda una trayectoria de movimientos futuros para asegurar que el agua se mantenga exactamente donde debe estar, incluso antes de que ocurra una perturbación.

3. Las Matemáticas: Convirtiendo un camino sinuoso en una línea recta

La física real del flujo de agua a través de tuberías y tanques es desordenada y "no lineal" (como un camino sinuoso y con baches). A las computadoras les desagradan los caminos sinuosos cuando intentan calcular la ruta más rápida.

El Truco: Los autores tomaron este sistema desordenado y sinuoso y lo "linealizaron". Imagina tomar una sección muy pequeña de ese camino sinuoso y pretender que es una línea perfectamente recta.
El Resultado: Crearon un "Modelo de Espacio de Estados" simplificado. Esto es solo un conjunto elegante de ecuaciones que actúa como un mapa, diciéndole a la computadora exactamente cómo se comportan los tanques en una zona pequeña y manejable alrededor de un nivel de agua específico.

4. El Motor: La Optimización

Una vez que la computadora tiene su "mapa" (el modelo lineal), ejecuta un proceso de optimización.

El Objetivo: El objetivo es minimizar el "error". Quiere que el nivel del agua coincida con el objetivo (el "punto de consigna" o set point) lo más cerca posible.
La Función de Costo: El artículo describe una "función de costo". Piensa en esto como una tarjeta de puntuación. La computadora intenta encontrar la secuencia de movimientos de las válvulas que le dé la puntuación más baja (lo que significa el menor error y el trayecto más suave).
La Matriz Hessiana: Se menciona como parte de las matemáticas para encontrar la "mejor" solución. En nuestra analogía, esta es la calculadora que asegura que la computadora no solo adivine, sino que encuentre el movimiento matemáticamente perfecto.

5. La Prueba de Manejo: Simulación

Los autores no solo hablaron de ello; construyeron una versión virtual de los tanques en un programa informático llamado Matlab.

La Configuración: Establecieron los niveles de agua en alturas específicas (4 unidades y 3.5 unidades).
El Desafío: Lanzaron una "perturbación" al sistema (un pulso repentino de agua extra) y le preguntaron al MPC si podía arreglarlo.
El Resultado: El artículo afirma que el MPC funcionó de maravilla. Cuando el nivel del agua saltó, el controlador ajustó las válvulas suavemente para volver a bajarlo sin sacudidas ni oscilaciones. Manejó eficazmente el "juego de la cuerda" entre los dos tanques.

6. La Conclusión

El artículo concluye que este enfoque "predictivo" es una herramienta poderosa para este tipo de sistemas acoplados. Afirma que el MPC es:

Robusto: Puede manejar perturbaciones (como ese salpicón repentino de agua) sin entrar en pánico.
Preciso: Mantiene los niveles justo en el objetivo.
Versátil: Los autores sugieren que este método podría utilizarse para otros problemas similares de nivel de líquidos en el futuro.

En pocas palabras: El artículo muestra cómo enseñar a una computadora a ser un "conductor proactivo" para dos tanques de agua conectados, utilizando las matemáticas para predecir el futuro y ajustar las válvulas perfectamente para mantener el nivel del agua estable, incluso cuando las cosas se ponen complicadas.

Resumen Técnico: Control Predictivo Basado en Modelo Aplicado a un Sistema de Tanques Acoplados de Nivel de Líquido

Planteamiento del Problema
El artículo aborda el desafío de controlar los niveles de líquido en un sistema de tanques acoplados, un modelo común que representa procesos de Múltiples Entradas y Múltiples Salidas (MIMO) presentes en entornos industriales, particularmente en las industrias de procesos químicos. Estos sistemas se caracterizan por fuertes interacciones entre las señales (por ejemplo, caudales y niveles de líquido en tanques interconectados), lo que a menudo hace que las estrategias de control tradicionales de Entrada Única y Salida Única (SISO) sean insuficientes. El problema específico involucra la gestión de dos tanques con dos válvulas de control de flujo (entradas) y dos mediciones de nivel de líquido (salidas), considerando la dinámica no lineal y las perturbaciones externas.

Metodología
Los autores proponen un enfoque sistemático para diseñar una estrategia de Control Predictivo Basado en Modelo (MPC) para este sistema acoplado. La metodología avanza a través de las siguientes etapas:

Modelado del Sistema: El proceso físico se describe inicialmente mediante ecuaciones diferenciales no lineales basadas en principios de balance de masa, donde los caudales están relacionados con la raíz cuadrada de las diferencias de altura del líquido.
Linealización: Para facilitar el diseño del controlador, el modelo no lineal se linealiza alrededor de un punto de operación específico ( $L_1 = 4$ , $L_2 = 3.5$ ) utilizando una expansión de la serie de Taylor. Esto genera una representación de espacio de estados lineal adecuada para pequeñas variaciones en el nivel y el flujo.
Formulación de Espacio de Estados Aumentado: Para manejar la acción integral y las perturbaciones, los autores transforman el modelo lineal en una forma de espacio de estados aumentado. Esto implica definir variables de diferencia para los estados y las entradas, lo que resulta en un nuevo modelo donde la entrada es el cambio incremental en las variables de control ( $\Delta u$ ).
Diseño del Algoritmo MPC:
- Predicción: Utilizando el modelo aumentado, se predicen los estados y salidas futuros sobre un horizonte de predicción ( $N_p$ ) basado en un horizonte de control ( $N_c$ ).
- Optimización: Se define una función de costo para minimizar el error entre la salida predicha y el punto de consigna (set-point), penalizando al mismo tiempo el esfuerzo de control. La secuencia de control óptima ( $\Delta U$ ) se deriva analíticamente minimizando esta función de costo cuadrática, lo que resulta en una solución que involucra la matriz Hessiana.
Simulación: El controlador diseñado se implementa en un entorno de simulación de lazo cerrado (Matlab). El sistema se prueba con cambios de consigna tipo pulso para ambos niveles de los tanques y una perturbación de pulso en el flujo de entrada.

Contribuciones Clave

Marco de Diseño Sistemático: El artículo presenta una derivación paso a paso de un controlador MPC específicamente para un sistema de dos tanques acoplados, pasando de un modelado no lineal basado en principios fundamentales a una implementación de espacio de estados lineal.
Implementación de Modelo Aumentado: Detalla la construcción del modelo de espacio de estados aumentado, lo cual es crítico para que el algoritmo MPC pueda rechazar eficazmente las perturbaciones y seguir los puntos de consigna sin error de estado estacionario.
Análisis de Perturbaciones: El estudio investiga explícitamente el efecto de las perturbaciones en las salidas de nivel medidas, demostrando la capacidad del controlador para mantener el desempeño a pesar de las perturbaciones externas.

Resultados
Los resultados de la simulación indican que el controlador MPC propuesto logra lo siguiente:

Desempeño de Seguimiento: El sistema sigue con éxito los cambios de consigna tipo pulso para ambos niveles de los tanques ( $h_1$ y $h_2$ ) con un buen desempeño dinámico.
Robustez: El controlador demuestra robustez al mantener la estabilidad y el desempeño en presencia de perturbaciones.
Acción de Control: Las variables manipuladas (caudales $u_1$ y $u_2$ ) responden directamente a las variaciones en las salidas de medición, mostrando una acción de control coordinada típica de los sistemas MIMO.
Estabilidad: El sistema responde sin oscilaciones, lo que sugiere un ajuste efectivo de los horizontes de predicción y de control ( $N_p=1$ , $N_c=3$ en el caso específico de la simulación).

Significancia y Reivindicaciones
El artículo afirma que la implementación de un Controlador Predictivo Basado en Modelo en una válvula de control de flujo dentro de un sistema de nivel de líquido de tanques acoplados representa un nuevo método para controlar tales procesos. Los autores sostienen que el MPC es altamente adecuado para procesos no lineales y ofrece ventajas distintivas, incluyendo:

Rechazo efectivo de perturbaciones.
Buena robustez contra errores de modelo.
Desempeño superior en sistemas multivariables en comparación con las estrategias de control tradicionales.

El artículo concluye que este enfoque proporciona una base viable para diseñar otros modelos de control de procesos, como el Control Predictivo Generalizado (GPC), que podría incorporar aún más el ruido y las perturbaciones en las entradas y salidas. El trabajo posiciona al MPC como una herramienta práctica y avanzada para aplicaciones industriales de control de nivel.