XXII IACChE (CIIQ) 2006 / V CAIQ

MULTILOOP CONTROL APPLIED TO INTEGRATOR MIMO 

PROCESSES.  A Preliminary Study

Eduardo J. Adam1,2*, Carlos J. Valsecchi2

1
 Instituto de Desarrollo Tecnológico para la Industria Química (INTEC)
(Universidad Nacional del Litoral – CONICET)
Güemes 3450, S3000GLN, Santa Fe – Argentina
2
 Facultad de Ingeniería Química, Univ. Nac. del Litoral, Santa Fe – Argentina
Santiago del Estero 2654, S3000AOJ, Santa Fe – Argentina
E­mail: [email protected]

Abstract. This work presents a multiloop control study applied to integrator 

multiple­input   and   multiple­output   (MIMO)   systems.     Two   PI/PID 

controller design techniques for MIMO systems are studied ­BLT method 

(Luyben, 1992; Monica et al., 1988) and  H  design according to classical 

textbook (Skogestad and Postlethewaite, 1996; Zhou and Doyle, 1998)­ and, 

several   complications   are   made   evident   (specially   with   the   detuning 

methods (BLT)) when a proportional­integral multiloop control is designed. 

A discussion together with some recommendations about these problems is 

included.    Also,   an   industrial   application   example   (Tan  et   al.,   2002)   is 

incorporated   in   this   paper,   where   the   PI   controller   diagonal   matrix   is 

designed   in   frequency   domain  following  typical  recommendations   of  H

design.   This design is showed in detail so that the reader can see some 

complications present in these particular MIMO processes.  

     Keywords: Integrator system, MIMO, Multiloop, PID controllers, H∞ design.

*  To whom all correspondence should be addressed
AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering 
XXII IACChE (CIIQ) 2006 / V CAIQ

1. Introduction

Multivariable and multiloop control have received much attention in the academic 

community since several industrial applications have multiple­input and multiple­output 

variables, such as distillation columns, heat transfer processes and chemical reactors, 

among others.   Thus, multiloop PID controllers are being widely used in the industry 

because the engineers can control MIMO processes with only a few parameters to tune. 

Three types of tuning methods for multiloop control systems are available in the 

literature;   (1)   detuning   method,   (2)   sequential   closing   method   and   (3)   independent 

design method.  

In   the   detuning   method,   each   controller   of   the   multiloop   control   system   is   first 

designed ignoring process interactions from the other loops.  Then, the interactions are 

taken into account and each controller is detuned until some performance criterion is 

reached.     In   this   context,   the   most   popular   technique   of   the   detuning   methods   is 

probably the BLT method (Luyben, 1986 and Monica et al., 1988).  However, for the 

sequential closing method, each controller is designed sequentially.  That is, an input­

output pair is designed and this loop is closed.  Then a second pair is considered while 

the first controller is closed and so on (Mayne, 1973; Loh et al., 1993).  Finally, in the 

independent design method, each controller is designed based on the paired transfer 

functions while satisfying some constraints due to the process interactions (Skogestad 

and Morari, 1989).  

In   this   paper,   two   tuning   methods   for   multiloop   control   are   studied   to   control 

integrator MIMO processes.  For this purpose, an attractive and interesting example that 

shows several problems in the multiloop PI control design is included.  

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

In order to give a systematic exposition of this work, in Section 2 the semi­empirical 

method known as BLT technique is applied to the integrative MIMO system and a brief 

discussion   related   to   the   example   is   included.     Section   3   comments   on   a   rigorous 

controller   design   method   (Skogestad   and   Postlethewaite,   1996)   applicable   to   the 

integrative MIMO system based on H∞ design.  Then, an industrial application example 

is analyzed in Section 4.  Finally, in Section 5 the conclusions are presented.  

2. Semiempircal Methods

2.1. Biggest log modulus Tuning (BLT)

Detuning   techniques   for   MIMO   process   control   are   based   on   disadjusting   the 

parameters in the controller matrix by using some semi­empirical criteria.  BLT method 

(Luyben, 1986),  which is  probably the most popular detuning technique (applied to 

multiloop PI control), uses a detuning factor F for all gains and integrative times of the 

controllers.   Then, Monica  et al.  (1988) extended the BLT method for  multiloop  PID 

control   following   similar   ideas   to   the   original   method.     Both   techniques   use   semi­

empirical functions and begin an iterative sequence with PI controllers designed by 

Ziegler and Nichols' (Z­N) settings (continuous cycling technique).  For this reason, the 

following remark is enunciated:

Remark 1.  If at least one independent control loop in the multiloop system presents  

infinity gain margin then, BLT methods cannot be applied.  
PROOF

Since   BLT   methods   compute   ultimate   gain   (Ku)   and   period   (Pu),   if   at   least   one 

element of the plant diagonal matrix is stable in  an independent control loop  with a 

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

proportional controller for all 0 < Kc < ∞ then, it is not possible to compute Ku and Pu 

and BLT methods cannot be applied.  

2.2  An Illustrative Example

It is important to highlight that the BLT methods were not developed for integrator 

or   unstable   MIMO   processes   because   the   authors   never   considered   these   systems 

(Luyben, 1986 and Monica et al., 1988).  One of the purposes of this work is to study 

this alternative.  

Consider a 2x2 system with a transfer function matrix given by

e 2e
−0.5s −0.1s

G s=
[ s s1
3e
−0.3s

2s1
4e
3s1
−0.2s

s s3
]    .      (1)

Following the BLT method, two semi­empirical functions are computed.   One of 

them is defined as

W(s) := ­1 + det(I + G(s)C(s))   ,      (2)

and the other one is a semi­empirical measurement (Lcn) designated by the author as 

multivariable closed loop log modulus (similar to complementary sensitivity function 

for SISO systems) defined as

W  j 
L cn  j :=20log
∣ 1W  j  ∣    .      (3)

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

Luyben (1986) suggests finding the parameters of the PI­controller diagonal matrix 

by using a detune parameter F such as

∥L cn∥∞=max  L cn  j =2 n     ∀ 0≤∞    ,      (4)

where n is the MIMO system dimension.  Thus, the PI controller actions result

Kci = Kci­ZN/F   ,      (5)

and

TIi = FTIi­ZN   ,      (6)

with i = 1, ..., n.  

For this particular example, it is necessary to find F value such that  ∥L cn∥∞=4  DB 

due to G(s) is 2x2 system.  Figure 1 shows Lcn(jω) computed in the frequency interval 

Ω = [10­2   10+1] when F = 8.2345 is chosen.  For this particular case  ∥L cn∥∞=4.0000  

DB at    = 0.2000.   Then, it was studied   ∥L cn∥∞   versus different  F  values and this 

result is shown in Fig. 2.  According to this figure there is not only one solution to this 

particular   problem  since   there  are   three  values   for  the   detuning   factor  F  such  that 

∥L cn∥∞=4  DB.  Furthermore, there exits an instability region for 0 < F < 2.1.  And, 

just only for F = 8.2345,  ∥L cn∥∞=4.000  DB and the multiloop system is stable.  That 

means that for integrative MIMO systems, the design problem can be non­convex, and 

a stability condition should be included.  While, Luyben and co­workers state that the 

Eqn.  (4)  is a non­proofed stability condition, and this example is a counter­example 

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

that shows that the condition  (4)  can fail when the plant transfer function matrix has 

integrator elements.  
10

Lcn   = 4
Modulus de  L cn (jω ) (DB)

∞
0

­5

­10

­15

­20
­2 ­1 0 1
10 10 10 10
Frequency ω (rad/sec)

Fig. 1.  Lcn(jω) vs frequency ω with F = 8.2345.  

25

20 Unstable Stable Region
Region

15
L cn      (DB)
∞

10

Lcn   = 4
∞
0
0 1 2 3 4 5 6 7 8 9 10
Detune Factor F

Fig. 2.   ∥L cn∥∞  for different F values.  

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

Table 1 summarizes the settings of the controller diagonal matrix and the stability 

and instability situation for this example.  

 
Table 
 1  .  PI controller settings for integrative MIMO system (1). 

For three considered cases where  ∥L cn∥∞=4.0000 .  

Detune Factor Proportional Integral Multiloop

F = 0.9606 Kc1 = 1.0176 TI1 = 3.8487 unstable
Kc2 = 1.9439 TI2 = 1.4205
F = 1.7191 Kc1 = 0.5686 TI1 = 6.8881 unstable
Kc2 = 1.0861 TI2 = 2.5424
F = 8.2345 Kc1 = 0.1187 TI1 = 32.9916 stable
Kc2 = 0.3864 TI2 = 19.3331

According to the BLT method (Luyben, 1986), if the designer choices F = 2 in other 

to initializes the detuning procedure, an unstable solution can be found.  

3. Mixed Sensitivity Function H∞ Design

A   conceptually   simple   approach   to   multivariable   control   is   given   by   a   two­step 

procedure in which firstly a pre­compensator  W  (for decoupling control) is designed 

and secondly, a diagonal controller K is designed in frequency domain.  Invariably this 

two­step procedure results in a suboptimal design.  

With the purpose of quantifying the interaction degree in the MIMO system, the 

relative gain array (RGA) evaluated in s = 0 is traditionally used.  Thus, RGA is defined 

as 

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

Λ := G(0)x[G(0)­1]T   ,      (7)

where x denotes element­by­element multiplication.  

Remark 2.   If the transfer function matrix G(s) has at least one integrator element  

then,   conclusions   about   process   interaction   and   input­output   pairing   by   means   of  

traditional RGA are not possible.  

Therefore, when the interaction is strong, the decoupling control must be considered. 

Thus, decoupling control results when W(s) is chosen such that Gs(s) = G(s)W(s) is a 

diagonal   matrix.   Clearly, this requirement  is  satisfied when  W(s)  =  G­1(s)  and the 

dynamic decoupling is reached.  Usually, G­1(s) results in a non­realizable matrix and in 

consequence,   one   alternative   for   this   problem   is   the   steady   state   decoupling.     This 

alternative is obtained by selecting a constant pre­compensator  W  =  G­1(0) resulting 

Gs(0)   in   a   diagonal   matrix.     Note   that   the   following   remark   for   integrator   MIMO 

processes:

Remark 3.   If the matrix  G(s) has at least one integrator element then, the steady  

state decoupling is not possible.  

3.1  Design Procedure

The  µ­iteration measure by Grosdidier and Morari (1986) is very convenient for a 

multiloop   control   system   design.     However,   this   measure   does   not   ensure   a   stable 

multiloop   control   system   when   integrator   elements   are   present   in   the   controllers 

(integrator modes) or in the plant (one or more integrator transfer functions).  And this 

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

is the central point of the investigation problem since the integrator elements are present 

in the plant matrix and in the PI/PID controllers.  

The following procedure is based on typical recommendations for the  H∞  design 

applicable to multivariable controllers (Skogestad and Postlethewaite, 1996; Zouh and 

Doyle, 1998):  

Step 1.  Adopt an objective function as N = [WpS] or N = [WpS   WuKS]T, where S is 

the sensitivity transfer function and, Wp and Wu are weights function matrix.  

Step 2.  A reasonable initial choice is to set the weights Wp = diag{wpi} with i = 1, 2, ..., 

n, where n is the number of channel and wpi = (s/Mi+ωBi)/(s+ωBiAi) where Ai << 1, 

Mi  ≈  2,   and  ωBi  is  bandwidth  requirement   given   in   mathematical   terms   as 

 S  j  B  =1/  2 , and the performance requirement  Si(j)  < 1/ wpi(j)  ∀

  
  On the other hand, Wu = I is usually chosen.  

Step 3.  Solve the following optimization problem:

 W p  j S j     ,
min ∥N K ∥∞ =min max   ]
K K [ K ,
     (8)

with K ∈ C and C the stabilizing controller set.  In the particular case of this paper, the 

attention   is   centered   on   the   PI/PID   controller   multiloop   design.     Finally,   while   the 

nominal stability is guaranteed in the design of H2/H∞ optimal controllers by the Youla 

parameterization procedure (Youla, 1976), here, for a controller with a fixed structure 

such as PI or PID controllers the nominal stability must be checked.  

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

4. An Industrial Application Example

Consider a boiler with natural recirculation (Tan  et al.,  2002) where the principal 

input and output variables are

input: output:
u1 feedwater flow rate (Kg/s), y1 drum level (m),

u2 fuel flow rate (Kg/s), y2 drum pressure (Mpa),

u3 attemperator   spray   flow   rate  y3 steam temperature (°C).

(Kg/s),

Tan et al. (2002) identifies the following LTI model using experimental input­output 

data and the MATLAB System Identification Toolbox:

2 −3 −3
 3.1s−0.032 10
g11  s g12  s g 13 s  u 0
−0.16s 0.052s0.001410
y1 u1

][ ] [ ][ ]
s 2 0.0168s  s 20.0215s

[][
y3 g31  s g32  s  g 33 s  u
1

y 2 = g21  s g22  s  g 23 s  u2 =

3
−0.039510−3
s0.018
 −0.00118s0.000139
s 2 0.01852s0.000091
2.5110− 3
s0.0157
0.448s0.0011
s20.0127s0.000095
0.588s 20.2015s0.000910− 3
2
s 0.0352s0.000142
0.582s−0.0243
s20.1076s0.00104
u2
u3
.           (9)

The normal setpoints for this operation are

y 1sp 1.00

y[ ][ ]
y sp = y = 6.45    ,
2sp
466.7
3sp
    (10)

and, the model constraints of the manipulated and controlled variables are not taken into 

account in this paper.  

Note three important observations in this example.  

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

1. The element  g22(s) in the transfer function matrix (9) is a first order.   For this 

reason, it is impossible to calculate a Ku and Pu with a proportional controller because 

it presents infinity gain margin.   In consequence, BLT methods cannot be applied 

(remark 1).  

2. Clearly, the system is coupled, but the traditional RGA evaluated in  s = 0 is not 

possible to apply due to the integrator elements in the plant matrix (9) (remark 2).  

3. According to the previous topic, the steady state decoupling is not applicable in 

this example (remark 3).  

For   the   reasons   stated   above,   three   PI   control   feedback   loops   (Fig.   3)   were 

implemented   without   pre­compensator   for   decoupling   the   system,   and   the   control 

technique enunciated in Section 3.1 was chosen for the design.  

Drum
Level Drum
Setpoint Level
Feedwater Feedwater
Controller Valve

Drum
Presure Drum
Setpoint Presure
Air­Fuel Air­Fuel
Controller Valves
Boiler

Steam
Steam
Temperature
Temperature
Setpoint
Steam Temp. Steam
Controller Valve

Fig. 3. Classical PI feedback control loop for the utility boiler.  

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

Following the procedure detailed in Section 3.1,

Step 1.  It was adopted N = [WpS], where S = [I + GK]­1.  

Step 2.  By simplicity in a preliminary design, it was chosen Wp = diag {wpi} where 

wpi  1/Sii with Sii = 1/(1 + giiki) and ki a PI controller given by ki(s) = Kci(1 + 1/TIis) tuned 

via IMC­PID controller settings (Morari and Zafiriou, 1989).   This adoption of  wpi  is 

based   on   the   classical   recommendation   present   in   the   robust   control   literature 

(Skogestad and Postlethewaite, 1996; Zhou and Doyle, 1998; among others).

Step 3.  The optimization problem (8) was solved with K = diag{ki}.  

According to the IMC technique, each controller was tuned as,

1
q i= f i    ,     (11)
0 MP
g ii

with  i  = 1, 2, and 3, and where  fi  represents an IMC filter (first­order filters in this 

example),  gii0MP  is the invertible part (minimum phase portion) of  gii0, and  gii0  is an 

element of the diagonal matrix (9), where the superscript 0 denotes the nominal transfer 

function.  Then, the PI controllers were computed as

qi
k i=    .     (12)
1−gii q i
0

Thus,   following Morari and Zafiriou recommendations, the adopted PI controller 

actions result

Kci = τii/Kpiiλi   ,     (13)

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

and

TIi = τii   ,     (14)

with i = 1, 2 and 3.  The constants Kpii and τii are summarized in Table 2, and λi is the 

IMC filter time constant.  Note that, it is easy to reach to Eqns. (13) and (14) with the 

IMC procedure for the nominal plant g22(s).  But, some algebraic considerations must be 

taken into account for g11(s) and g33(s).  

 
Table 
 2  .  Parameters involved in the Eqn. (13) and (14) in order 

to calculate the PI controller actions.  

Controller Kpii τii

1 ­8.333 105 59.52
2 0.16 63.69
3 23.37 93.14

According to the IMC approach, λi is a tuning parameter in each canal.  Thus, the 

problem basically consists of finding the set of parameters  Λ = {λ1, λ2, λ3} such that 

∥N∥∞ is minimized.  Using computational techniques in the frequency domain for this 

particular   example   with   the   set   of   parameters  Λ  =   {10000,   500   ,30},   the  ∥N∥∞  = 

18.4691  is reached. Figure  4 shows   N in the frequency domain and the  ∥N∥∞  = 

18.46911  at    =   0.0100.     It   is   important   to   notice   that   the   plant   matrix   (9)   is   ill­

conditioned due to the nature of the variables involved; in consequence the input­output 

scaling is not good.   For this reason, the computational technique convergence is not 

easy to reach.  

1 A similar value was reported by Tan et al. (2002).  
AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

2
10

N  = 18.4691

1
10
Modulus

0
10

­1
10
­4 ­3 ­2 ­1 0 1 2
10 10 10 10 10 10 10
Frequency (rad/sec)

Fig. 4. Modulus of N vs. frequency.  

Table 3 summarizes the PI controller settings implemented in the multiloop control 

system suggested in Fig. 3.  

 
Table 
 3  .  PI controller settings for multiloop control of Fig. 3.  

Controller Kci TIi

1 71.43 59.52
2 0.8 63.69
3 ­0.13 93.14

Figures 5, 6 and 7 show the step responses of the boiler with setpoint changes in 

drum level, drum pressure and steam temperature using PI controller diagonal matrix. 

According to Figs. 5 and 6 it is possible to observe that the drum level and the pressure 

are linked and this behavior is due to a mixture of liquid and gas in the boiler drum. 

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

Figure   5   shows   that   a   level   step   change   has   serious   impact   on   the   controlled 

temperature and a little effect on the drum pressure.  While, according to Fig. 6 a step 

change in the pressure has an effect on the liquid­gas level inside the boiler drum and a 

strong impact on the steam temperature.  

Figure   7   shows   the   effect   on   the   drum   level   and   the   pressure   when   a   steam 

temperature step change is introduced.  In this case, a small interaction is observed.  

Also, according to Figs. 5 and 7 the drum level and the steam temperature setpoint 

changes have little effect on the drum pressure.  

1.2
Drum Level (m)

1.1

0.9
0 5 10 15 20 25 30

6.5
Drum Preasure (Mpa)

6.45

6.4
0 5 10 15 20 25 30

470
Steam Temp. (ºC)

468

466

464
0 5 10 15 20 25 30
Time (min.)

Fig.   5.  Boiler   time   responses   for   a   10%   drum   level   increase   with   the   designed   PI 

controllers designed according to the procedure indicated above.  

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

1.1

Drum Level (m)
1

0.9
0 5 10 15 20 25 30
6.8
Drum Preasure (Mpa)

6.6

6.4
0 5 10 15 20 25 30

475
Steam Temp. (ºC)

470

465
0 5 10 15 20 25 30
Time (min.)

Fig. 6.  Boiler time responses for a 5% drum pressure increase with the designed PI 

controllers designed according to the procedure indicated above.  
1.02
Drum Level (m)

0.98
0 5 10 15 20 25 30

6.5
Drum Preasure (Mpa)

6.45

6.4
0 5 10 15 20 25 30

500
Steam Temp. (ºC)

450

400

0 5 10 15 20 25 30
Time (min.)

Fig. 7. Boiler time responses for a 10% steam temperature decrease with the designed 

PI controllers designed according to the procedure indicated above.  

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

Clearly, let's remark that according to the simulation results (Figs. 5, 6 and 7) that, i) 

the input­output   pairing, feedwater – drum level is linked with drum pressure and 

steam temperature when a drum level change is introduced while, ii) air­fuel – drum 

pressure is strongly linked with drum level and steam temperature when drum pressure 

change is introduced, and iii) small effects are observed when a steam temperature 

change is introduced, indicating that there is a slight interaction of variables in this 

direction.  

5. Conclusions

Several   complications   with   integrator   MIMO   processes   were   detected   when   the 

multiloop control with PI/PID controller diagonal matrix is designed.  From the analysis 

of the results, it is possible to conclude that for integrator MIMO processes

1) the traditional BLT detuning method can fail since an   unstable solution can be 

found,

2) the traditional RGA and steady state decoupling can not be applied and

3) H∞ controller design technique shows to be the adequate method for these cases. 

However,   the  H∞  design   applied   to   PI/PID   controllers   is   a   challenging   problem 

specially   if   i)   the   plant   transfer   function   matrix   is   ill­conditioned   and   includes 

integrator elements, and ii) the designer wants to include a pre­compensator.  

Thus,   a most comprehensive study with RGA  in frequency domain would let us 

understand the interaction level more clearly and a pre­compensator must be taken into 

account.  Clearly, if a pre­compensator designed at a particular frequency is introduced 

in the multiloop PI/PID controller design, a better performance in time domain can be 

reached.  
AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering
XXII IACChE (CIIQ) 2006 / V CAIQ

Reference

Grosdidier   P.   and   M.   Morari   (1986).     Interaction   Measures   for   Systems   Under 

Decentralized Control, Automatica, 22, 3, 309­319.  

Luyben, W.L. (1986).   Simple Method for Tuning SISO Controllers in Multivariable 

Systems, Ind. Eng. Chem. Process Des., 25, 654­660.  

Loh A.P., C.C. Hang, C.K. Quek and V.U. Vasnani (1993).  Autotuning of Multiloop 

Proportional­Integral Controllers Using Relay Feedback. Ind. Engng. Chem. Res., 32, 

1102­1107.  

Mayne D. Q. (1973).  The Design of Linear Multivariable Systems. Automatica, 9, 201­

207.  

Monica, T.J., C. Yu, W.L. Luyben (1988). Improved Multiloop Simgle­Input/Single­

Output (SISO) Controllers for Multivariable Processes.  Ind. Eng. Chem. Res.,  27, 

969­973.  

Morari M. and E. Zafiriou (1989).  Robust Process Control,  Prentice Hall.  

Skogestad S. and M. Morari (1989).   Robust Performance of Decentralized Control 

Systems by Independent Design. Automatica, 25, 119­125.  

Skogestad   S.   and   J.   Postlethewaite   (1996).    Multivariable   Feedback   Control,   NY: 

Wiley.  

Tan W., H. J. Marquez and T. Chen (2002). Multivariable Robust Controller Design for 

a Boiler System. IEEE Transaction on Control Systems Technology, 10, 5, 735­742.  

Zhou K. and Doyle J. (1998).  Essentials of Robust Control, Prentice Hall.  

Youla D.C., H.A. Jabr and J.J. Bongiorno (1976).  Modern Wiener­Hopf Design of 

Optimal Controllers – Part II.  IEEE Trans., AC­21, 3, 319­338.  

AAIQ Asociación Argentina de Ingenieros Químicos
IACCHE ­ Interamerican Confederation of Chemical Engineering