Вы находитесь на странице: 1из 38

Artículo (1): Identificación de una Columna de Destilación en Lazo

Cerrado (Closed-loop Identification of a distillation column)

Fecha:

This paper appears in: Control Applications, 1994., Proceedings of the Third IEEE Conference Issue Date (Emisión): 24-26 Aug 1994 Date of Current Version (Actual) : 06 agosto 2002

Resumen: En este artículo se diseña y ejecuta un experimento en lazo cerrado para obtener el modelo de una Columna de Destilación con el fin de rediseñar el control. El modelo se obtiene aplicando dos métodos a los datos de lazo cerrado: Método de Identificación Directa (DI) y Método de dos Pasos (Two- Step). Se utilizan como métodos de parametrización: El Modelo de Salida de Error (OE) y el esquema de Regresión Lineal basado en las funciones de base ortonormal (ORTFIR).

A.

DESCRIPCION DE LA PLANTA

Son una

medida de la

separación

en

la

calidad de la columna de

La planta es una Columna de Destilación controlada de 2 entradas y 2 salidas (Fig.1).

La planta es una Columna de Destilación controlada de 2 entradas y 2 salidas (Fig.1). 

destilación.

La planta y los controladores de bajo nivel

Entradas:

son considerados como el sistema

Relaciónson considerados como el sistema del Reflujo Interno de

del

Reflujo

Interno

de

ser identificado ( ) controlado usando el principio de Modelo de Control Interno (IMC: Internal Model Control). El modelo es paralelo al proceso y predice el comportamiento del proceso. La salida predictiva es comparada con la salida actual y la señal de error (bias) se realimenta a un controlador que contiene

a

error (bias) se realimenta a un controlador que contiene a la ganancia DC del modelo .
error (bias) se realimenta a un controlador que contiene a la ganancia DC del modelo .
error (bias) se realimenta a un controlador que contiene a la ganancia DC del modelo .
error (bias) se realimenta a un controlador que contiene a la ganancia DC del modelo .
error (bias) se realimenta a un controlador que contiene a la ganancia DC del modelo .

la

(bias) se realimenta a un controlador que contiene a la ganancia DC del modelo . En

ganancia DC del modelo .

En la actualidad el modelo consta de cuatro funciones de transferencia SISO de primer orden.

Variables:

Salidas:

Impurezas del Producto de Tope (cima) o Destilado (top-product)transferencia SISO de primer orden. Variables:  Salidas: Impurezas del Producto de Fondo o Residuo (bottom-product)

del Producto de Tope (cima) o Destilado (top-product) Impurezas del Producto de Fondo o Residuo (bottom-product)

Impurezas del Producto de Fondo o Residuo (bottom-product)del Producto de Tope (cima) o Destilado (top-product) alimentación (reflux-to-feed) Setpoint de un controlador de

Impurezas del Producto de Fondo o Residuo (bottom-product) alimentación (reflux-to-feed) Setpoint de un controlador de

alimentación (reflux-to-feed)

Setpoint de un controlador de relación (ratio-controller) que controla la relación del reflujo de alimentación actual.

controla la relación del reflujo de alimentación actual. Punto de corte (cut-point) Setpoint temperatura. de un

Punto de corte (cut-point)controla la relación del reflujo de alimentación actual. Setpoint temperatura. de un controlador de Estos

reflujo de alimentación actual. Punto de corte (cut-point) Setpoint temperatura. de un controlador de Estos

Setpoint

temperatura.

de

un controlador de

Estos controladores son de bajo nivel y en su mayoría son tipo PID.

Otras:

Valores

de

Referencia:

Valores de Referencia: y

y

PID.  Otras: Valores de Referencia: y impureza deseada en el destilado y

impureza

deseada

en

el

destilado

y

residuo.

Perturbaciones Externas:

Representadas por

Alimentación externa de otras columnas de destilación.residuo.  Perturbaciones Externas: Representadas por Calidad de la alimentación   Temperatura de la

Calidad de la alimentaciónpor Alimentación externa de otras columnas de destilación.   Temperatura de la alimentación   Las

otras columnas de destilación. Calidad de la alimentación   Temperatura de la alimentación   Las
 

Temperatura de la alimentación   

 

Las salidas que se van a controlar son medidas por analizadores y expresadas en [kg/ton] del producto de fondo presente en el tope y el producto de tope presente en el fondo.

Temperatura Ambientey expresadas en [kg/ton] del producto de fondo presente en el tope y el producto de

 

El objetivo

de

estudio

del

artículo

es

proporcionar

un

modelo

que

que

es

una

 

mejor

descripción

del

proceso

 
para

para

 

1

|

P

á g i n

a

mejorar el rendimiento del lazo externo:

mantener las salidas lo más cerca posible a los valores de referencia usando el setpoint del reflujo interno de alimentación y el setpoint de la temperatura del punto de corte como variables de control.

Para la identificación se hacen algunos supuestos y simplificaciones:

Durante funcionamiento normal el controlador se aproxima a un controlador lineal

Se introduce una señal de excitación sumada a la salida del controlador.

Las señales de referencia y son constantes, se desprecian por no ser relevantes en el comportamiento dinámico.

por no ser relevantes en el comportamiento dinámico. Fig 2. Lazo de Identificación Simplificado. Donde:
por no ser relevantes en el comportamiento dinámico. Fig 2. Lazo de Identificación Simplificado. Donde:
por no ser relevantes en el comportamiento dinámico. Fig 2. Lazo de Identificación Simplificado. Donde:
por no ser relevantes en el comportamiento dinámico. Fig 2. Lazo de Identificación Simplificado. Donde:
por no ser relevantes en el comportamiento dinámico. Fig 2. Lazo de Identificación Simplificado. Donde:

Fig 2. Lazo de Identificación Simplificado. Donde:

Fig 2. Lazo de Identificación Simplificado. Donde: funciones de transferencia en matrices de dimensiones
Fig 2. Lazo de Identificación Simplificado. Donde: funciones de transferencia en matrices de dimensiones

funciones de transferencia en matrices de dimensiones apropiadas

Ecuaciones

en matrices de dimensiones apropiadas Ecuaciones Donde: es la matriz identidad es la dinámica de Entrada
en matrices de dimensiones apropiadas Ecuaciones Donde: es la matriz identidad es la dinámica de Entrada
en matrices de dimensiones apropiadas Ecuaciones Donde: es la matriz identidad es la dinámica de Entrada

Donde:

en matrices de dimensiones apropiadas Ecuaciones Donde: es la matriz identidad es la dinámica de Entrada

es la matriz identidad es la dinámica de Entrada es la dinámica de Salida

es la dinámica de Entrada es la dinámica de Salida B. MÉTODOS Identificación Directa (DI:

B.

MÉTODOS

Identificación Directa (DI: Direct

Identificación

Directa

(DI:

Direct

Identification)

Se aplica directamente a los datos un método de predicción de error (PEM:

Prediction Error Method) sin tener en cuenta la operación en lazo cerrado. El Método de Predicción de Error es un método de identificación en lazo abierto. Un requisito clave para obtener resultados significativos es que las entradas y el ruido no estén correlacionadas. El parámetro estimado:

el ruido no estén correlacionadas. El parámetro estimado: En la identificación directa (DI), la correlación se

En la identificación directa (DI), la correlación se desprecia. Las entradas y salidas son procesadas como si fueran obtenidas en lazo abierto. La estimación del parámetro asintótico esta dada por:

La estimación del parámetro asintótico esta dada por: Donde: Ventaja: Simplicidad Desventaja: Los modelos
La estimación del parámetro asintótico esta dada por: Donde: Ventaja: Simplicidad Desventaja: Los modelos

Donde:

estimación del parámetro asintótico esta dada por: Donde: Ventaja: Simplicidad Desventaja: Los modelos obtenidos son

Ventaja: Simplicidad Desventaja: Los modelos obtenidos son sesgados y el sesgo (bias) depende de la contribución del ruido; por tanto no se tiene una expresión sintonizable para controlar el bias del modelo.

Método de Dos pasos (TS: Two-Step)expresión sintonizable para controlar el bias del modelo. Este método consiste en dos pasos o etapas

Este método consiste en dos pasos o etapas consecutivas de identificación en lazo abierto, en el cual se usa un PEM para obtener estimaciones de la función de sensibilidad de lazo y de la planta. Los modelos obtenidos pueden estar sesgados (biased) pero el sesgo (bias) no depende del ruido, de esta manera se puede influir directamente en el sesgo del modelo mediante la aplicación de los filtros adecuados, independientemente del ruido.

2

|

P

á g i n

a

Paso 1.

Orthogonal FInite Impulse Response

Orthogonal FInite Impulse Response

Se define una señal

Se define una señal

que es la parte libre

(ORTFIR)

de

ruido

de

y

por

tanto

no

Un modelo FIR es lineal en los parámetros,

correlacionada

con

el

ruido

ruido

.

Para

de modo que el vector de parámetros

obtener

esta

señal

se

puede

hacer

la

estimado tiene un único mínimo global,

estimación de un modelo de

con un

que puede calcularse analíticamente. Sin

PEM con

PEM con como entrada y y el ruido como salida no están
PEM con como entrada y y el ruido como salida no están

como entrada y

PEM con como entrada y y el ruido como salida no están

y

el ruido

como salida

no están

embargo, un gran número de parámetros M tiene que ser estimado (normalmente

debido a que correlacionados. expresiones:

Se

usan

las

siguientes

alrededor de 50). Para los procesos químicos no se tiene un gran número de

Para los procesos químicos no se tiene un gran número de Se usa la parametrización estándar

Se usa la parametrización estándar y la parametrizacion FIR Ortogonal (ORTFIR) en la primera etapa de TS para estimar el

modelo

.
.

Paso 2. Se identifica el vector de parámetros . La estimación del parámetro asintótico esta dada por:

. La estimación del parámetro asintótico esta dada por: Donde: El modelo asintótico es independiente del
. La estimación del parámetro asintótico esta dada por: Donde: El modelo asintótico es independiente del

Donde:

El modelo asintótico es independiente del ruido. Si el error es suficientemente pequeño, el bias
El
modelo
asintótico
es
independiente
del
ruido.
Si
el
error
es suficientemente pequeño, el
bias
influenciado por
esta directamente
y los posibles filtros de

ponderación. De esta manera se tiene una expresión sintonizable o ajustable para la distribución del bias.

Se usa la parametrización OE en la segunda

etapa de TS para estimar el modelo

.
.

C. MODELOS DE PARAMETRIZACIÓN

Output Error (OE) Este modelo no es lineal en los parámetros, de modo que el vector de parámetros Este modelo no es lineal en los parámetros, de modo que el vector de parámetros

necesita un procedimiento de optimización no lineal. La solución puede ser un mínimo local.en los parámetros, de modo que el vector de parámetros mediciones N. Dado que la varianza

mediciones N. Dado que la varianza de los parámetros estimados es proporcional a

, esto implica que la varianza de los parámetros FIR estimados será alta. Sin embargo no será el caso si se usan las funciones de base ortonormales como base en la descripción FIR.la varianza de los parámetros estimados es proporcional a Una parametrización clásica FIR de es una

Una parametrización clásica FIR de es una expansión de la serie de

Donde

son las funciones de base.
son las funciones de base.

Cuando se utilizan las funciones de base ortonormales la expansión de la serie es:

funciones de base ortonormales la expansión de la serie es: Las funciones bases son generadas por
Las funciones bases son generadas
Las funciones bases
son generadas

por un sistema de generación de bases. EL

son generadas por un sistema de generación de bases. EL numero de parámetros que deben ser

numero de parámetros que deben ser identificadas es menor que , lo que resulta en una menor varianza de los parámetros estimados.

resulta en una menor varianza de los parámetros estimados. D. DISEÑO DEL EXPERIMENTO En la fase

D. DISEÑO DEL EXPERIMENTO

En la fase del diseño de experimento se eligió:

El tiempo de muestreo para la adquisición de datos

El tiempo de muestreo para la identificación

Señales de Entrada

Duración del experimento

3

|

P

á g i n

a

Se tiene en cuenta que:

El controlador calcula una nueva acción de control cada segundo.

calcula una nueva acción de control cada segundo.  La impureza de salida se determina por

La impureza de salida se determina por los analizadores, que dan una muestra cada segundos.

por los analizadores, que dan una muestra cada segundos.  Debido a que no hay sincronización

Debido a que no hay sincronización en el lazo, el modelo, que corre paralelo al proceso, se actualiza cada segundos

que corre paralelo al proceso, se actualiza cada segundos . Estos tiempos de muestreo no pueden

. Estos tiempos de muestreo no pueden ser elegidos libremente, ya que son inducidos por el proceso.que corre paralelo al proceso, se actualiza cada segundos Se realizan varios experimentos libres (sin excitación

Se realizan varios experimentos libres (sin excitación externa) para determinar el contenido de frecuencia de las señales.elegidos libremente, ya que son inducidos por el proceso. Se escoge un tiempo de muestreo para

Se escoge un tiempo de muestreo para la adquisición de datos igual a .para determinar el contenido de frecuencia de las señales. Para que el modelo se ejecute o

tiempo de muestreo para la adquisición de datos igual a . Para que el modelo se

Para que el modelo se ejecute o corra en la misma proporción que los analizadores, se estima un modelo con un tiempo de muestreo para la identificación de .tiempo de muestreo para la adquisición de datos igual a . Se realiza un pre-procesamiento de

con un tiempo de muestreo para la identificación de . Se realiza un pre-procesamiento de datos

Se realiza un pre-procesamiento de datos mediante la filtración de datos a través de un filtro anti-aliasing y tomando cada muestra. (decimación de las señales medidas)con un tiempo de muestreo para la identificación de . La señal de entrada debe basarse

La señal de entrada debe basarse en el tiempo de muestreo de la construcción del modelo . .

en el tiempo de muestreo de la construcción del modelo . Debido a la fácil sintonización
en el tiempo de muestreo de la construcción del modelo . Debido a la fácil sintonización
en el tiempo de muestreo de la construcción del modelo . Debido a la fácil sintonización

Debido a la fácil sintonización se eligen dos secuencias independientes GBN (Generalized Binary Noise) como señales de entrada. Una señal GBN tiene un tiempo de conmutación básico , donde se cambia o conmuta entre dos valores con una probabilidad de no cambiar . Estaen el tiempo de muestreo de la construcción del modelo . probabilidad es el parámetro de

entre dos valores con una probabilidad de no cambiar . Esta probabilidad es el parámetro de
entre dos valores con una probabilidad de no cambiar . Esta probabilidad es el parámetro de

probabilidad

probabilidad es el parámetro de

es el parámetro de

ajuste

Eligiendo grande resulta un mayor espectro a bajas frecuencias.. Esta probabilidad es el parámetro de ajuste Eligiendo pequeño resulta un mayor espectro a altas

Eligiendo pequeño resulta un mayor espectro a altas frecuencias.grande resulta un mayor espectro a bajas frecuencias. Si se obtiene una secuencia PRBN (Pseudo Random

Sipequeño resulta un mayor espectro a altas frecuencias. se obtiene una secuencia PRBN (Pseudo Random Binary

se obtiene una secuencia

espectro a altas frecuencias. Si se obtiene una secuencia PRBN (Pseudo Random Binary Noise). Para esta
espectro a altas frecuencias. Si se obtiene una secuencia PRBN (Pseudo Random Binary Noise). Para esta
espectro a altas frecuencias. Si se obtiene una secuencia PRBN (Pseudo Random Binary Noise). Para esta

PRBN (Pseudo Random Binary Noise).

Para esta columna de destilación sese obtiene una secuencia PRBN (Pseudo Random Binary Noise). eligió para y , conmutación de para

eligió

Binary Noise). Para esta columna de destilación se eligió para y , conmutación de para que

para

y
y

, conmutación de para que coincida con el tiempo de muestreo con que se construye el modelo.

para

con un tiempo de

con que se construye el modelo. para con un tiempo de La duración del experimento es
con que se construye el modelo. para con un tiempo de La duración del experimento es

La duración del experimento es de aproximadamente 48 horas, resultando un conjunto de datos de muestras después de la decimación.con que se construye el modelo. para con un tiempo de Además de diezmar el conjunto

Además de diezmar el conjunto de datos, se realiza el siguiente pre- procesamiento de datos:un conjunto de datos de muestras después de la decimación. los valores extremos se retiran. los

los valores extremos se retiran.datos, se realiza el siguiente pre- procesamiento de datos: los valores medios de las señales se

los valores medios de las señales se restan.procesamiento de datos: los valores extremos se retiran. las señales son filtradas con un paso alto

las señales son filtradas con un paso alto para eliminar las tendencias de baja frecuencia.se retiran. los valores medios de las señales se restan. las señales son a escala para

las señales son a escala para obtener igual varianza de 1 para todas las señales.paso alto para eliminar las tendencias de baja frecuencia. pre- procesado se inicia la identificación de

para obtener igual varianza de 1 para todas las señales. pre- procesado se inicia la identificación

para obtener igual varianza de 1 para todas las señales. pre- procesado se inicia la identificación

pre-

procesado se inicia la identificación de

Con

el

conjunto

de

datos

modelos de

.
.

E.

RESULTADOS EXPERIMENTALES

1.

Se estima el tiempo de retraso de la planta, el tiempo de retraso de las entradas a las salidas son los mismos que los retrasos de las señales de excitación a las salidas.

2. Se realiza la Identificación de la dinámica de lazo. Se estima un modelo

de la dinámica de lazo del conjunto de

datos

estimación espectral no paramétrica. Esta estimación se usa para comparar las estimaciones paramétricas con un

modelo MIMO FIR y un modelo MIMO ORTFIR. De los resultados se concluye que el modelo ORTFIR tiene una varianza más pequeña que el modelo FIR, debido al menor número de parámetros. Por lo tanto, el cálculo de la señal que es la parte libre de ruido de se calcula con el modelo ORTFIR. Para las bajas frecuencias la estimación espectral tiene una varianza alta. Por lo

. Se obtiene una

Para las bajas frecuencias la estimación espectral tiene una varianza alta. Por lo . Se obtiene
Para las bajas frecuencias la estimación espectral tiene una varianza alta. Por lo . Se obtiene

4

|

P

á g i n

a

tanto, un juicio cualitativo de los modelos para las bajas frecuencias tiene poca importancia.

3.

Se

realiza la Identificación del modelo

de

la planta. El modelo de la planta se

obtiene mediante tres técnicas Para comparación con los modelos paramétricos se calcula una estimación espectral. De los resultados se concluye que el modelo TS (Two-Step) esta mas cercano a la estimación espectral que el modelo DI (Direct Identification) en la región de la dinámica de la planta.

4.

Se

realiza la evaluación del modelo

mediante la respuesta al escalón de los

diferentes modelos (Modelo Actual,

De los

resultados se concluye que el modelo

actual no contiene la dinámica suficiente, hay una dinámica alta que se debe tener en cuenta. La ganancia

Modelo DI, Modelo TS).

DC el Modelo TS corresponde a valores

obtenidos de otros experimentos por tanto este modelo es razonable y es

preferible que el Modelo DI. Se comparan los resultados medidos con las respuestas del modelo. La diferencia de los modelos se evidencia en el espectro de frecuencias y en sus respuestas al escalón. El modelo implementado actualmente no es muy bueno y se puede mejorar usando el Modelo TS para el diseño de control debido a que este modelo es una mejor aproximación de la planta real.

F.

CONCLUSIÓN

Se realiza un experimento de Identificación el Lazo Cerrado mediante dos métodos de identificación, la Identificación Directa (DI) y el método de Dos Pasos (TS). El modelo TS es mejor que el modelo DI mediante un análisis en el dominio de la frecuencia y el dominio del tiempo (respuesta al escalón). Es mejor utilizar una parametrización ORTFIR en el primer paso del método TS, en lugar de una parametrización FIR para obtener una estimación precisa de la dinámica del lazo.

obtener una estimación precisa de la dinámica del lazo. Figura 1. Lazo de Control de Destilación

Figura 1. Lazo de Control de Destilación con Controlador de Calidad.

5

|

P

á g i n

a

Artículo (2): Identificación de una Columna de Destilación Binaria usando

Prueba de Pulso (Identification of a Binary Distillation Column Using Pulse Testing)

Fecha:

Recibido: 27 Abril 1998

Resumen: El propósito de esta investigación es calcular la constante de tiempo, el tiempo de retardo y ganancia del proceso de la columna de destilación en el dominio de la frecuencia y derivar en lazo abierto funciones de transferencia de los parámetros de la columna. Durante la destilación continua, el efecto del cambio de flujo de reflujo y el cambio de flujo de vapor en la columna como variables de entrada de pulso rectangular fueron investigados en el dominio de la frecuencia. Los pulsos rectangulares de entrada y salida experimentales de la columna se introdujeron en un programa de prueba de impulso (Pulse Test Program). Mediante los Diagramas de Bode se calculan las constantes de tiempo y los retardos. Las funciones de transferencia en lazo abierto del plato superior y de alimentación se derivan. Las funciones de transferencia y los parámetros iniciales de la columna se introdujeron en un programa de simulación.

de la columna se introdujeron en un programa de simulación. A. DESCRIPCION DE LA PLANTA La
de la columna se introdujeron en un programa de simulación. A. DESCRIPCION DE LA PLANTA La

A. DESCRIPCION DE LA PLANTA

La columna de destilación binaria (metanol-butanol) tiene 53 platos perforados de 35 mm de diámetro interior.en un programa de simulación. A. DESCRIPCION DE LA PLANTA Tiene un rehervidor vertical de termosifón

Tiene un rehervidor vertical de termosifón y un condensador de cabecera.tiene 53 platos perforados de 35 mm de diámetro interior. El flujo de alimentación se introduce

El flujo de alimentación se introduce en el plato 28, por encima de la caldera.vertical de termosifón y un condensador de cabecera. Los vapores saturados, procedente de la columna, se

Los vapores saturados, procedente de la columna, se condensa parcialmente por el condensador instalado en la parte superior de la columna. El líquido condensado se separa en dos partes en las proporciones elegido por una válvula solenoide.se introduce en el plato 28, por encima de la caldera. La primera parte del líquido

La primera parte del líquido condensado se enfría a temperatura ambiente y se introduce en el tanque de acumulación de destilado.en las proporciones elegido por una válvula solenoide. La segunda parte de este líquido se alimenta

La segunda parte de este líquido se alimenta de nuevo en la columna como reflujo. El caudal de reflujo fue controlado manualmente por un contador de tiempo de reflujo en la unidad de control.y se introduce en el tanque de acumulación de destilado. Una termorresistencia (Pt-100) fue instalada en

Una termorresistencia (Pt-100) fue instalada en la parte superior de laun contador de tiempo de reflujo en la unidad de control. columna y otra en el

columna y otra en el rehervidor para medir las temperaturas.

La mezcla de alimentación de entrada y el producto del rehervidor (reboiler) se retiró con bombas de dosificación.columna y otra en el rehervidor para medir las temperaturas.  Función de Transferencia del Modelo

Función de Transferencia del Modelo

La mayoría de los procesos químicos se autorregulan, no oscilan, y contienen cierta cantidad de tiempo de retardo, el modelo de segundo orden con tiempo muerto puede ser presentado en términos de una sola constante de tiempo y un coeficiente de amortiguamiento como (1) o en términos de dos constantes de tiempo como (2):

(1) o en términos de dos constantes de tiempo como (2): Las dos ecuaciones matemáticamente son

Las dos ecuaciones matemáticamente son equivalentes, la ecuación (1) se usa preferiblemente para sistemas amortiguados y se puede usar para todo

y la ecuación (2) se usa solo para casos sobreamortiguados.la ecuación (1) se usa preferiblemente para sistemas amortiguados y se puede usar para todo 6

6

|

P

á g i n

a

Análisis del diagrama de bloques de la Columna Considerando la Columna de destilación de la

Análisis del diagrama de bloques de la Columna

Considerando la Columna de destilación de la Figura 1 son necesarias cuatro funciones de transferencia para caracterizar completamente la dinámica del proceso debido a que hay dos variables controladas y dos variables manipuladas.

hay dos variables controladas y dos variables manipuladas. Figura 1. Diagrama de bloques de la columna

Figura 1. Diagrama de bloques de la columna de destilación

Sistema

MIMO

(Multiple-Input,

Multiple

Output)
Output)
destilación Sistema MIMO (Multiple-Input, Multiple Output) Estas funciones de transferencia se pueden usar para
destilación Sistema MIMO (Multiple-Input, Multiple Output) Estas funciones de transferencia se pueden usar para

Estas funciones de transferencia se pueden usar para determinar el efecto de un cambio en o . Desde el principio de superposición (Seborg, 1989; Skogestad, et al 1990;. Schei, 1992), se deduce que los cambios simultáneos en y tienen un efecto aditivo en cada variable controlada:

en y tienen un efecto aditivo en cada variable controlada: Estas relaciones de entrada-salida también se
en y tienen un efecto aditivo en cada variable controlada: Estas relaciones de entrada-salida también se
en y tienen un efecto aditivo en cada variable controlada: Estas relaciones de entrada-salida también se
en y tienen un efecto aditivo en cada variable controlada: Estas relaciones de entrada-salida también se
en y tienen un efecto aditivo en cada variable controlada: Estas relaciones de entrada-salida también se

Estas relaciones de entrada-salida también se pueden expresar en notación matricial como

también se pueden expresar en notación matricial como Donde , (salida) y , (entrada) son vectores
Donde , (salida) y , (entrada) son vectores de dos elementos, Y es la matriz
Donde
, (salida) y
, (entrada) son
vectores de dos elementos,
Y
es
la
matriz
de
la
función
de

transferencia del proceso,

la matriz de la función de transferencia del proceso, Las funciones de transferencia que caracterizan la

Las funciones de transferencia que caracterizan la dinámica de la columna se establecieron mediante pruebas de pulso. Los parámetros de la función de transferencia asumida de segundo orden con tiempo muerto se determinan a partir de los datos transitorios (Andersen y White, 1970; Seborg, 1989).

B.

MÉTODO

DE

DOMINIO

DE

FRECUENCIA

Las ventajas de los métodos de respuesta en frecuencia para el análisis dinámico de los sistemas físicos son bien conocidos. El método clásico para obtener una respuesta de frecuencia experimental se basa en su definición. Mientras la entrada del sistema , es variada sinusoidalmente a la frecuencia ; la salida del sistema , es medida simultáneamente.

; la salida del sistema , es medida simultáneamente.  Uso de Prueba de pulso (Pulse
; la salida del sistema , es medida simultáneamente.  Uso de Prueba de pulso (Pulse
; la salida del sistema , es medida simultáneamente.  Uso de Prueba de pulso (Pulse

Uso de Prueba de pulso (Pulse Test) para obtener datos en Respuesta en Frecuencia

El método de prueba de pulso ha resultado satisfactorio muchas aplicaciones de plantas (Seborg et. al. 1989; Li and Lee, 1996), ya que es relativamente fácil de implementar; esto evita la necesidad de realizar varias pruebas diferentes para obtener los datos de entrada y salida a diferentes frecuencias. En la realización de una prueba de pulso, la variable de entrada es cambiada de su valor de estado estacionario de una manera como pulso (Figura 21).

de estado estacionario de una manera como pulso (Figura 21). Figura 2. Entrada de pulso rectangular

Figura 2. Entrada de pulso rectangular y curva de salida

7

|

P

á g i n

a

La forma de este pulso no coincide necesariamente con ninguna función determinada. Generalmente, la salida del proceso responde de una manera similar, como pulso, aunque durante un tiempo mayor. Ya que un pulso de entrada contiene un rango de frecuencias, en efecto el proceso se ve forzado simultáneamente por cada uno de estos componentes de frecuencia. Por tanto, aunque cálculos adicionales son necesarios para generar la respuesta en frecuencia de los datos de entrada y salida, en teoría un solo experimento puede generar la representación en frecuencia de todo el proceso. En la práctica, varias pruebas de pulso tendría que realizarse para obtener una base de datos más completa.

Características Prueba de Pulso

Una prueba de impulso se realiza primero permitiendo al proceso llegar a un estado estacionario.datos más completa.  Características Prueba de Pulso Un pulso cerrado, que comienza y termina en

Un pulso cerrado, que comienza y termina en el valor operativo en estado estacionario, se introduce entonces como una variable de entrada en el proceso.permitiendo al proceso llegar a un estado estacionario. En el primer momento en que la variable

En el primer momento en que la variable de entrada se desvía de sus valores en estado estacionario se especifica como el tiempo cero.entonces como una variable de entrada en el proceso. Normalmente el tiempo final es elegido cuando

Normalmente el tiempo final es elegido cuando los pulsos de entrada y salida han vuelto a quedarse en sus valores previos de estado estacionario.en estado estacionario se especifica como el tiempo cero. El método de la Prueba de Pulso

El método de la Prueba de Pulso implica la conversión de los datos de pulso a frecuencia a través de una transformación de Fourier.a quedarse en sus valores previos de estado estacionario. El análisis de Fourier es eficiente y

El análisis de Fourier es eficiente y útil en la estimación de los mejores prametros del modelo.a frecuencia a través de una transformación de Fourier. La función de Transferencia del proceso asumiendo

La función de Transferencia del proceso asumiendo una señaltipo pulso como entrada y la correspondiente salida se hace

tipo

tipo pulso

pulso

como

entrada

y

la

correspondiente

salida

correspondiente salida se hace

se

hace

uso de la definición de la Transformada de Laplace donde y son las

la definición de la Transformada de Laplace donde y son las variables de desviación. Aplicando la

variables de desviación. Aplicando la Transformada de Fourier se obtienen ecuaciones básicas utilizadas para la obtención de los datos de la respuesta en frecuencia de las pruebas de pulso.

datos de la respuesta en frecuencia de las pruebas de pulso. Donde: El problema se reduce
datos de la respuesta en frecuencia de las pruebas de pulso. Donde: El problema se reduce
datos de la respuesta en frecuencia de las pruebas de pulso. Donde: El problema se reduce
datos de la respuesta en frecuencia de las pruebas de pulso. Donde: El problema se reduce

Donde:

El problema se reduce a ser capaz de evaluar las integrales de A, B, C
El problema
se
reduce
a
ser
capaz
de
evaluar las integrales de A, B, C y D dada en
las
anteriores
ecuaciones
para
las
funciones conocidas
y
integraciones son con respecto al tiempo
. Las

entre los límites definidos, de cero y los tiempos en que las funciones de tiempo

yde cero y los tiempos en que las funciones de tiempo experimental llegan a cero, .

experimental llegan a cero, .

que las funciones de tiempo y experimental llegan a cero, . para para Se selecciona un

para

las funciones de tiempo y experimental llegan a cero, . para para Se selecciona un valor

para

de tiempo y experimental llegan a cero, . para para Se selecciona un valor de la

Se selecciona un valor de la frecuencia . Al realizar las integraciones se obtiene un punto en la curva de la respuesta en frecuencia (Luyben, 1973). Entonces, la frecuencia se cambia y las integraciones se repiten, usando el mismo tiempo de las funciones experimentales y pero para un nuevo valor de frecuencia . Repitiendo para frecuencias sobre el rango de interés se obtiene la completa . Los datos y se utilizan una y otra vez.

frecuencias sobre el rango de interés se obtiene la completa . Los datos y se utilizan
frecuencias sobre el rango de interés se obtiene la completa . Los datos y se utilizan
frecuencias sobre el rango de interés se obtiene la completa . Los datos y se utilizan
frecuencias sobre el rango de interés se obtiene la completa . Los datos y se utilizan

8

|

P

á g i n

a

C.

EXPERIMENTO

Todas las pruebas fueron realizadas con el sistema metanol-butanol a una presión total de 760 mmHg.C. EXPERIMENTO La respuesta transitoria del sistema fue examinado cuando fue sometido a dos diferentes tipos

La respuesta transitoria del sistema fue examinado cuando fue sometido a dos diferentes tipos de disturbios, caudal de reflujo al plato superior y suministro de calor del rehervidor.el sistema metanol-butanol a una presión total de 760 mmHg. Los cambios de pulso rectangular de

Los cambios de pulso rectangular de las perturbaciones de entrada fueron aplicados y la magnitud y dirección de estos cambios fueron variadas.al plato superior y suministro de calor del rehervidor.  Procedimiento de Operación La columna fue

Procedimiento de Operación

La columna fue operada inicialmente en condiciones de estado estacionario hasta que todas las temperaturas, presiones, caudales y composiciones fueron constantes.cambios fueron variadas.  Procedimiento de Operación Para eliminar las incertidumbres en la evaluación de los

Para eliminar las incertidumbres en la evaluación de los parámetros de estado estable, una serie de entradas de pulso modificadas se realizaron.presiones, caudales y composiciones fueron constantes. Las temperaturas se midieron con termorresistencias. Las

Las temperaturas se midieron con termorresistencias.una serie de entradas de pulso modificadas se realizaron. Las composiciones se analizaron mediante cromatografía de

Las composiciones se analizaron mediante cromatografía de gases (Hewlett-Packard modelo 6890).Las temperaturas se midieron con termorresistencias. Mientras se introduce el disturbio especifico (suministro de

Mientras se introduce el disturbio especifico (suministro de calor al rehervidor o caudal de reflujo al plato superior) las condiciones iniciales de estado estacionario se mantiene durante el periodo transitorio.cromatografía de gases (Hewlett-Packard modelo 6890). Las variables que mantienen constantes fueron: la velocidad

Las variables que mantienen constantes fueron: la velocidad de alimentación, la composición del alimento, la temperatura de alimentación, la presión de la columna, la tasa del producto superior (top product) y la tasa del producto final (bottom product).estacionario se mantiene durante el periodo transitorio. La tasa de vapor fue cambiado como un pulso

La tasa de vapor fue cambiado como un pulso rectangular, cambiando la fuente de calor al rehervidor.(top product) y la tasa del producto final (bottom product). Las temperaturas del plato superior, plato

Las temperaturas del plato superior, plato de alimentación y el rehervidor se midieron cada 30 segundos durante los primeros 10 minutos del período transitorio, y luego cada 1 minuto para los próximos 10 minutos y finalmente cada dos minutos.rectangular, cambiando la fuente de calor al rehervidor. Los experimentos se realizan con cambios de pulso

Los experimentos se realizan con cambios de pulso rectangular en el suministro de calor al rehervidor y cambios de pulso rectangular en el caudal de reflujo en el platopara los próximos 10 minutos y finalmente cada dos minutos. D. superior RESULTADOS . La dinámica

de pulso rectangular en el caudal de reflujo en el plato D. superior RESULTADOS . La

D.

superior RESULTADOS
superior
RESULTADOS

.

La dinámica de lazo abierto se investigó mediante la aplicación de cambios de pulso rectangular en el caudal de reflujo y el suministro de calor del rehervidor.el caudal de reflujo en el plato D. superior RESULTADOS . Se llevaron a cabo varias

Se llevaron a cabo varias pruebas de pulso rectangular para estimar las constantes de tiempo del proceso y para mostrar el comportamiento dinámico de la columna.caudal de reflujo y el suministro de calor del rehervidor. El tiempo de aplicación del pulso

El tiempo de aplicación del pulso rectangular fue cambiado de 0,5 a 2 minutos. En la primera ejecución, el suministro de calor al rehervidor se incrementó de aproximadamente 321 hasta 1473 durante 1,5 minutos y luego regresó a su valor inicial. Como consecuencia, la tasa de flujo de vapor cambió desde el fondo hasta la parte superior de la columna.y para mostrar el comportamiento dinámico de la columna. En la última ejecución, el caudal de

desde el fondo hasta la parte superior de la columna. En la última ejecución, el caudal
desde el fondo hasta la parte superior de la columna. En la última ejecución, el caudal
desde el fondo hasta la parte superior de la columna. En la última ejecución, el caudal
desde el fondo hasta la parte superior de la columna. En la última ejecución, el caudal

En la última ejecución, el caudal dedesde el fondo hasta la parte superior de la columna. a por 1,0 minutos, y luego

a

por 1,0 minutos, y luego

reflujo se incrementó de 5,702

17,06

1,0 minutos, y luego reflujo se incrementó de 5,702 17,06 regresó a su valor inicial. En
1,0 minutos, y luego reflujo se incrementó de 5,702 17,06 regresó a su valor inicial. En

regresó

a

su

valor

inicial.

En

consecuencia,

 

el

caudal

de

reflujo

cambió

desde

el

plato

superior

al

rehervidor.

El caudal de reflujo se cambió como un pulso rectangular por el interruptor de reflujo
El caudal de reflujo se cambió como un
pulso rectangular por el interruptor de
reflujo en el panel de control.
Un número razonable de puntos
fueron seleccionados de la entrada de
pulso rectangular experimental y
9
|
P
á g i n
a

fueron

introducidos en el programa de prueba de impulso (Pulse Test Program).

los datos de salida,

prueba de impulso (Pulse Test Program). los datos de salida, Las raíces reales e imaginarias, el

Las raíces reales e imaginarias, el módulo de registro y los ángulos deprueba de impulso (Pulse Test Program). los datos de salida, fase fueron calculadas por el programa.

fase fueron calculadas por el programa. Las ganancias en estado estacionario (K) fueron calculadas por el programa de prueba de impulso (Pulse Test Program). El diagrama de flujo del programa de prueba de impulso (Pulse Test Program) se muestra en la figura

3.

Los diagramas de Bode se obtuvieron de la salida del programa. Entonces, la constante de tiempo y tiempo de retardo se calculan a partir de los diagramas de Bode (Seborg et al. 1989). Las constantes de tiempo del plato superior y el plato de alimentación se normalizaron.de impulso (Pulse Test Program) se muestra en la figura 3. superior La bandeja y bandeja

plato superior y el plato de alimentación se normalizaron. superior La bandeja y bandeja de
plato superior y el plato de alimentación se normalizaron. superior La bandeja y bandeja de
plato superior y el plato de alimentación se normalizaron. superior La bandeja y bandeja de

superiorLa bandeja

La bandeja

y

bandeja

de

alimentación

de

la

columna se

comporta

como

un

proceso de

segundo orden con tiempo de retardo.

La forma general de la función de transferencia es;
La
forma
general
de
la
función de
transferencia es;
La forma general de la función de transferencia es; Las temperaturas del plato superior y plato

Las temperaturas del plato superior y plato de alimentación está bien modelado por un modelo de segundo orden con tiempo muerto.

Datos sin procesar

de segundo orden con tiempo muerto. Datos sin procesar Normalizar a Calcular la transformada de Fourier

Normalizar a

orden con tiempo muerto. Datos sin procesar Normalizar a Calcular la transformada de Fourier Obtener de

Calcular la transformada de Fourier

procesar Normalizar a Calcular la transformada de Fourier Obtener de la salida las raíces, el modulo,

Obtener de la salida las raíces, el modulo, el angulo de fase y las ganancias (K)

raíces, el modulo, el angulo de fase y las ganancias (K) Los diagramas de Bode fueron

Los diagramas de Bode fueron dibujados y calculados la constante de tiempo y el tiempo muerto

Figura 3. Diagrama de flujo

del

programa de simulación se muestra en la Figura 4.

El diagrama de bloques general

se muestra en la Figura 4. El diagrama de bloques general Figura 4. Diagrama de bloques

Figura 4. Diagrama de bloques de simulación de la columna de destilación.

Articulo (3): Modelado y Simulación Fundalmental de una Columna de

Destilación Binaria (Fundamental Modeling and Simulation of a Binary Continuous Distillation Column)

Fecha:

Intelligent and Advanced Systems (ICIAS), 2010 International Conference Fecha de Emisión: 15-17 June 2010 Fecha versión actual: 17 Febrero 2011

Resumen: Este artículo revisa algunas de las técnicas de modelado y simulación de columnas de destilación y describe un modelo para una columna de destilación binaria continua a escala de laboratorio. La atención se centra en el comportamiento dinámico de las composiciones de los productos en los disturbios de alimentación. Los resultados de la simulación muestran que la respuesta de las composiciones a las perturbaciones están cerca de la respuesta de un sistema de primer orden. La respuesta al cambio en la composición de la alimentación tiene mayor ganancia que la respuesta al cambio en la tasa de flujo de alimentación.

A. DESCRIPCION DE LA PLANTA

La columna de la figura 1 tiene N etapas en las que el equilibrio líquido-vapor ocurre. El alimento entra a la columna en la etapa . Esta etapa divide la columna en una sección de rectificación y una sección de agotamiento. Cerca al fondo de la columna un rehervidor proporciona energía a la columna. En la sección de agotamiento, el componente menos volátil se enriquece mientras que en la sección de rectificación el componente más volátil se enriquece. El producto de cima (top) es condensado por el condensador del cual hay un flujo de reflujo de regreso a la parte superior de la columna para mejorar la pureza del producto.

superior de la columna para mejorar la pureza del producto. Una columna de destilación es un

Una columna de destilación es un sistema típico MIMO (Multiples Entradas-Multiples Salidas) en el que hay fuertes interacciones entre las variables. Las interacciones que ocurren entre las entradas y las salidas son difíciles de identificar. Los disturbios a una columna de destilación pueden provenir de muchas fuentes. Pueden venir de la alimentación (caudal de alimentación, composición de la alimentación), de la presión dentro de la columna, desde el agua de refrigeración, etc

El sistema que se modela es una Columna de Destilación Piloto que cuenta con 15 platos y está equipada con un sistema de control DCS. El alimento se sitúa en la bandeja 7. El modelo está desarrollado en base a un

modelo [S. Skogestad and M. Morari. “The

Dominant Time Constant for Distillation Columns”.

Comput. Chem

1987.].

Engng, Vol. 11, No. 6, pp. 607-617,

En

suposiciones:

el

modelo

las

hacen

las

siguientes

1. Mezcla binaria, el alimento contiene sólo dos componentes.

2. La presión dentro de la columna se fija mediante el control del agua de refrigeración.

3. Volatilidad relativa constante,

4. Flujo Molar Constante.

5. No vapor almacenado, la retención del vapor en cada bandeja es insignificante

6. Dinámica Lineal de los líquidos.

7. Equilibrio en todas las etapas.

8. Condensador total, no hay retención de vapor en el condensador.

7. Equilibrio en todas las etapas. 8. Condensador total, no hay retención de vapor en el
Figura 1. Columna de Destilación Binaria B. MODELADO APC (Control Avanzado de Procesos)  Ecuación

Figura 1. Columna de Destilación Binaria

B. MODELADO APC (Control Avanzado de Procesos)  Ecuación de Balance de Materia Total (The
B.
MODELADO
APC
(Control
Avanzado
de Procesos)
Ecuación de Balance de Materia Total
(The total material balance equation)

Donde:

y
y

es el liquido retenido en el plato

son los flujos de liquido y vapor que

vienen hacia el plato

.

El balance de materia para el componente liviano en cada plato es:

Donde y son la composición del
Donde
y
son la composición del

componente liviano y el componente pesado en el plato respectivamente.

liviano y el componente pesado en el plato respectivamente. La etapa de alimentación es una etapa

La etapa de alimentación es una etapa de equilibrio con

.
.
La etapa de alimentación es una etapa de equilibrio con . Donde es el flujo de
Donde es el flujo de alimentación y es la concentración del componente liviano en el
Donde es el flujo de alimentación y es
la concentración del componente liviano
en el alimento.
El rehervidor es también una etapa de
equilibrio
El rehervidor es también una etapa de equilibrio Donde es el flujo de producto de fondo.
El rehervidor es también una etapa de equilibrio Donde es el flujo de producto de fondo.

Donde

es el flujo de producto de fondo.El rehervidor es también una etapa de equilibrio Donde En el condensador Donde es el flujo

En el condensadoretapa de equilibrio Donde es el flujo de producto de fondo. Donde es el flujo de

Donde es el flujo de producto de fondo. En el condensador Donde es el flujo de
Donde es el flujo de producto de fondo. En el condensador Donde es el flujo de
Donde es el flujo de producto destilado.
Donde
es el flujo de producto destilado.

La composición del componente pesados se relaciona a la composición del componente liviano a través de la fórmula de la volatilidad relativa:

liviano a través de la fórmula de la volatilidad relativa:  La dinámica de flujo de

La dinámica de flujo de líquido se considera debido a su importante efecto en la respuesta inicial de la columna.

τ es la constante de tiempo para la dinámica de líquido, en este modelo es elegida para ser 0.063(min), y λ representa el efecto del flujo de vapor en el flujo de líquido. En la simulación se ignora este efecto mediante el establecimiento de λ= 0.

C.

SIMULACION

El propósito de la simulación es examinar el comportamiento dinámico de la columna. La simulación se llevó a cabo en MATLAB. En este trabajo nos centramos en los cambios de la composición del producto, debido a las perturbaciones en la alimentación.

La respuesta de la composición es la dinámica más lenta de la columna, y también es uno de los objetivos en el control de la columna.producto, debido a las perturbaciones en la alimentación. Primero se alcanzó un estado estacionario mediante la

Primero se alcanzó un estado estacionario mediante la simulación de la columna por 20000 minutos. Después que la columna alcanza el estado estacionario, se realizó un experimento para poner a prueba las respuestas de las composiciones en distintas perturbaciones.es uno de los objetivos en el control de la columna. D. RESULTADOS Perturbaciones en el

D.

de las composiciones en distintas perturbaciones. D. RESULTADOS Perturbaciones en el Flujo de

RESULTADOS

Perturbaciones

en

el

Flujo

de

Alimentación

Para incrementos de 0,5%, 1%, 5% y el 15% en el flujo de alimentación se obtienen curvas que se asemejan a la respuesta de un sistema de primer orden con diferentes constantes de tiempo (el tiempo que tarda la señal alcanza el 63% de su valor final). En la tabla1 se presentan las constantes de tiempo en minutos obtenidas de las respuestas de y .

de tiempo en minutos obtenidas de las respuestas de y .   0.5% 1% 5% 15%
 

0.5%

1%

5%

15%

 
18 17 15 14

18

17

15

14

10 11 10 9

10

11

10

9

TABLA

1.

Respuestas

a

las

Perturbaciones

en

el

Flujo

de

Alimentación

 

Un cambio de paso en el flujo de alimentación fue elegido ya que es elLas respuestas en el caso de 15% son más rápidas. De los resultados de simulación

Las respuestas en el caso de 15% son más rápidas. De los resultados de simulación se puede

disturbio más frecuente en la realidad.

observar

la

lenta

respuesta

de

la

composición

de

las

columnas

de

Las magnitudes del cambio de pasodestilación.

destilación.

fueron variadas y los cambios en la

composición

en

condensador

liviano

el

del

componente

y fueron capturados.

el

rehervidor

liviano el del componente y fueron capturados. el rehervidor en Los niveles de destilado y fondo
liviano el del componente y fueron capturados. el rehervidor en Los niveles de destilado y fondo

en

Los niveles de destilado y fondo deben mantenerse constante durante la simulación mediante la manipulación de los flujos destilado y de fondoel del componente y fueron capturados. el rehervidor en . En el modelo de estos controles

mediante la manipulación de los flujos destilado y de fondo . En el modelo de estos
.
.

En el modelo de estos controles de nivel se realiza un control proporcional con ganancia igual a 10.la manipulación de los flujos destilado y de fondo . Perturbaciones en la Composiciòn de la

Perturbaciones en la Composiciòn de la Alimentaciónse realiza un control proporcional con ganancia igual a 10. Para incrementos de 0,5%, 1%, 5%

Para incrementos de 0,5%, 1%, 5% y el 15% en la composición del componente liviano en la alimentación se tienen los resultados de las constantes de tiempo en la tabla 2. Las respuestas de la composición, en este caso también se asemejan a una respuesta de primer orden.a 10. Perturbaciones en la Composiciòn de la Alimentación   0.5% 1% 5% 15% 14 13

 

0.5%

1%

5%

15%

14 13 13 12

14

13

13

12

14 15 14 14

14

15

14

14

las

Perturbaciones en la composición de la

alimentación.

TABLA 2. Respuestas

a

Las constantes de tiempo no varían mucho cuando se varían las magnitudes de los disturbios.

Al comparar las ganancias en estado estacionario entre las respuestas debido al cambio en el flujo de alimentación y los cambios en la composición de la alimentación, el efecto del cambio en la composición de la alimentación es mayor que el efecto del cambio en el flujo de alimentación.

Efecto de los flujos internos y externos en las composiciones de los productos. .

Este efecto es otra importante dinámica de la columna. Para la simulación del flujo externo se aplica un aumento en y se mantiene constante y viceversa. Para la simulación del flujo interno se aplica un aumento simultaneo de y .

del flujo interno se aplica un aumento simultaneo de y . Flujo Externo Se simula un
del flujo interno se aplica un aumento simultaneo de y . Flujo Externo Se simula un
del flujo interno se aplica un aumento simultaneo de y . Flujo Externo Se simula un
del flujo interno se aplica un aumento simultaneo de y . Flujo Externo Se simula un

Flujo Externo Se simula un cambio en el flujo externo, aumentando el caudal dedel flujo interno se aplica un aumento simultaneo de y . reflujo , manteniendo la tasa

reflujo

reflujo , manteniendo la tasa de

, manteniendo la tasa de

boilup

boilup constante. Se tiene que los

constante. Se tiene que los

cambios en las composiciones líquidas del componente liviano en el rehervidor y en el condensador son positivos. Esto significa que el componente liviano se hace más puro en el tanque de destilado y el componente pesado se vuelve más impuro en el fondo del tanque.

pesado se vuelve más impuro en el fondo del tanque. Cuando se aumenta y se mantiene
pesado se vuelve más impuro en el fondo del tanque. Cuando se aumenta y se mantiene

Cuando se aumenta y se mantiene constante el componente pesado es

se aumenta y se mantiene constante el componente pesado es más puro en el fondo del
se aumenta y se mantiene constante el componente pesado es más puro en el fondo del

más puro en el fondo del tanque y el componente liviano se vuelve más impuro en el tanque de destilado.

En ambos casos, las constantes de tiempo son cerca de 14 minutos.

casos, las constantes de tiempo son cerca de 14 minutos. Flujo interno Un flujo interno se

Flujo interno Un flujo interno se simuló mediante la aplicación de un aumento simultáneo de y , mientras mantiene constantes las tasas de producto, D y B.

, mientras mantiene constantes las tasas de producto, D y B. De los resultados se tiene
, mientras mantiene constantes las tasas de producto, D y B. De los resultados se tiene

De los resultados se tiene que es negativo mientras que es positivo, lo que significa que ambos productos llegan más puros en este caso.

que ambos productos llegan más puros en este caso. Un pequeño cambio en el flujo externo
que ambos productos llegan más puros en este caso. Un pequeño cambio en el flujo externo

Un pequeño cambio en el flujo externo (0,1%) hará cambiar la composición de los productos con diferentes direcciones mientras que un cambio mucho mayor en el flujo interno (10%) hará cambiar la composición de los productos en la misma dirección.

E.

CONCLUSION

Se modela una Columna de Destilación Binaria Continua basada en el balance de masa y la constante de volatilidad relativa. El modelo fue utilizado para simular la dinámica de la columna.

Los resultados de la simulación muestran que la respuesta de composición están cerca de la respuesta de un sistema de primer orden. La respuesta a un cambio en el caudal de alimentación puede ser formulado si el cambio es pequeño. La respuesta debido al cambio en composición de la alimentación tiene mayor ganancia que la respuesta debido al cambio en la tasa de flujo de alimentación.

Artículo (4): Modelado de una Columna de Destilación Binaria No Lineal

(Modeling a Nonlinear Binary Distillation Column)

Fecha:

This paper appears in: CEAI Journal of Control Engineering and Applied Informatics. Date of Current Version (Actual) : Vol 13, No 1 (2011)

Resumen: Este artículo presenta un método de identificación de modelo, basado en los parámetros de Markov para una Columna de Destilación Binaria (Propileno- Propano. El objetivo de este trabajo es obtener un modelo simplificado del proceso de Destilación, que pueda utilizarse en una aplicación de control.

A. DESCRIPCION DE LA PLANTA

La Columna de Destilación Binaria es un modelo no lineal, pero será representado como una reunión de los modelos lineales, un modelo lineal por cada punto de operación y canal del proceso. La Columna de Destilación (Fig. 1) tiene el enfoque de la estructura controlada L-B. El flujo de reflujo se utiliza para controlar la composición de la parte superior (propileno) y el flujo del producto de fondo

se utiliza para controlar la composición de la parte inferior (propano).parte superior (propileno) y el flujo del producto de fondo Figura 1. Columna de Destilación Las

controlar la composición de la parte inferior (propano). Figura 1. Columna de Destilación Las variables del
controlar la composición de la parte inferior (propano). Figura 1. Columna de Destilación Las variables del

Figura 1. Columna de Destilación

Las variables del sistema son:

Variables Controladas:Columna de Destilación Las variables del sistema son:  Entradas  Reflujo  Flujo de Producto

Entradas

Reflujo

Flujo de Producto de Fondo

Entradas  Reflujo  Flujo de Producto de Fondo Perturbaciones:  Flujo de alimentación 

Perturbaciones:Entradas  Reflujo  Flujo de Producto de Fondo  Flujo de alimentación  Composición del

 Reflujo  Flujo de Producto de Fondo Perturbaciones:  Flujo de alimentación  Composición del

Flujo de alimentación

Composición del alimento

 Flujo de alimentación  Composición del alimento  Salidas del Composición producto de

Salidas

delComposición

Composición

producto

de

cima

(propileno:

(propileno:
 

Composicióndel producto de fondo

del

producto

de

fondo

(propano:

(propano:

)

del producto de fondo (propano: ) Figura 2. Diagrama de Bloques del Proceso de Destilación Se

Figura 2. Diagrama de Bloques del Proceso de Destilación

Se utilizan datos de una columna industrial. El proceso fue simulado usando el entorno de simulación HYSYS®, observando que tiene un comportamiento no lineal, caracterizado por diferentes ganancias y tiempos transitorios para cada punto de operación y cada canal de proceso.

B.

METODO

PARÁMETROS DE MARKOV

DE

IDENTIFICACION

DE

El procedimiento de la identificación de los parámetros de Markov se utiliza para obtener el modelo paramétrico de un proceso usando modelos no paramétricos como la respuesta de impulso Dirac.

Considerando un sistema lineal discreto , caracterizado por el modelo I-S-O (input-state-output) (Cîrtoaje, 2004):

por el modelo I-S-O (input-state-output) (Cîrtoaje, 2004): el vector de variables de estado Donde: es dimensiones)
por el modelo I-S-O (input-state-output) (Cîrtoaje, 2004): el vector de variables de estado Donde: es dimensiones)
el vector de variables de estado
el
vector
de
variables
de
estado
(Cîrtoaje, 2004): el vector de variables de estado Donde: es dimensiones) es el vector de variables

Donde:

es dimensiones) es el vector de variables de entrada ( dimensiones) es el vector de variables de salida ( dimensiones) matriz de tamaño matriz de tamaño matriz de tamaño matriz de tamaño

(
(
matriz de tamaño matriz de tamaño matriz de tamaño ( El sistema es caracterizado por la
matriz de tamaño matriz de tamaño matriz de tamaño ( El sistema es caracterizado por la
matriz de tamaño matriz de tamaño matriz de tamaño ( El sistema es caracterizado por la
matriz de tamaño matriz de tamaño matriz de tamaño ( El sistema es caracterizado por la
matriz de tamaño matriz de tamaño matriz de tamaño ( El sistema es caracterizado por la
matriz de tamaño matriz de tamaño matriz de tamaño ( El sistema es caracterizado por la
matriz de tamaño matriz de tamaño matriz de tamaño ( El sistema es caracterizado por la

El sistema es caracterizado por la matriz de observabilidad,

El sistema es caracterizado por la matriz de observabilidad, la matriz de controlabilidad,  Cuestiones prácticas

la matriz de controlabilidad,

la matriz de observabilidad, la matriz de controlabilidad,  Cuestiones prácticas del método Usando el

Cuestiones prácticas del método

Usando el procedimiento de identificación de parámetros de Markov (Fig. 3), los modelos del proceso se pueden determinar para cada canal de proceso. Una forma de expresar el modelo de un proceso es una función de transferencia de segundo con tiempo muerto:

una función de transferencia de segundo con tiempo muerto: Donde es la ganancia del proceso, es
Donde es la ganancia del proceso, es el tiempo muerto y constantes de tiempo. y
Donde
es la ganancia del proceso,
es
el tiempo muerto y
constantes de tiempo.
y
son

El método de identificación de parámetros de Markov utiliza como entrada un conjunto de datos experimentales, representada como una respuesta del sistema a una entrada de pulso Dirac, y como datos de salida, el modelo ISO (entrada-estado-salida).

como datos de salida, el modelo ISO (entrada-estado-salida). Fig ura 2. Diagrama de Bloques del método

Figura 2. Diagrama de Bloques del método de identificación.

Y la matriz de Hankel,

del método de identificación. Y la matriz de Hankel, Usando para se convierte en: la matriz
Usando para se convierte en: la matriz
Usando
para
se convierte en:
la matriz
En la que es la función de peso
En la que
es
la función de
peso
convierte en: la matriz En la que es la función de peso Las expresiones denominan parámetros
convierte en: la matriz En la que es la función de peso Las expresiones denominan parámetros

Las expresiones denominan parámetros de Markov.

del

sistema (la respuesta del sistema a un

pulso Dirac), para

se

Debido a que los datos experimentales disponibles, obtenidos a partir de la simulación con HYSYS, están representados por la respuesta en el tiempo del proceso para una entrada escalón, con el fin de aplicar el método de identificación a este conjunto los datos tienen que ser convertidos a una respuesta de pulso (paso 1 del procedimiento (Fig.3)).sistema (la respuesta del sistema a un pulso Dirac), para se Debido a que el resultado

a una respuesta de pulso (paso 1 del procedimiento (Fig.3)). Debido a que el resultado del
a una respuesta de pulso (paso 1 del procedimiento (Fig.3)). Debido a que el resultado del
a una respuesta de pulso (paso 1 del procedimiento (Fig.3)). Debido a que el resultado del

Debido aa una respuesta de pulso (paso 1 del procedimiento (Fig.3)). que el resultado del procedimiento de

que el resultado del

procedimiento de identificación es el

modelo en forma ISO, utilizando un método de conversión este se convierte en un modelo entrada-salida (IO) (función de transferencia) (paso 3 del procedimiento (Fig. 3)).

Fig ura 2. Pasos del método de identificación C. MODELADO DE LA COLUMNA De los

Figura 2. Pasos del método de identificación

C. MODELADO DE LA COLUMNA

De los resultados de simulación dinámica se observa que el proceso tiene un comportamiento no lineal, con el punto de operación. El modelo fue elegido para ser una función de transferencia de segundo orden.del método de identificación C. MODELADO DE LA COLUMNA Se obtuvieron modelos del proceso para diferentes

Se obtuvieron modelos del proceso para diferentes canales y diferentes puntos de operación. Los valores de los parámetros para cada modelo fueron obtenidos usando datos experimentales simulados en HYSYS, para diferentes puntos de operación y aplicando el procedimiento de Identificación de Markov.para ser una función de transferencia de segundo orden. los parámetros obtenidos, una función entre estos

y aplicando el procedimiento de Identificación de Markov. los parámetros obtenidos, una función entre estos

los

parámetros obtenidos, una función entre estos parámetros y el punto de operación se obtuvo, para cada canal de proceso. Tiene la forma (Băieşu,

2008)

Utilizando

los

valores

de

Tiene la forma (Băieşu, 2008) Utilizando los valores de Donde: representa uno de los parámetros del

Donde:

representa uno de los parámetros del modelo: o . es la composición o . son
representa
uno
de los parámetros del modelo:
o
.
es la composición
o
.
son
dependencia lineal.
los
parámetros
de

Debido a la dependencia entre los puntos de operación y uno de los tres parámetros del modelo eso . son dependencia lineal. los parámetros de aproximadamente lineal para canal, los valores de fueron

de operación y uno de los tres parámetros del modelo es aproximadamente lineal para canal, los

aproximadamente lineal para

canal, los valores de fueron encontrados por regresión lineal.

cada

valores de fueron encontrados por regresión lineal. cada El modelo del proceso se adaptará en cada

El modelo del proceso se adaptará en cada cambio de la variable de entrada, dependiendo del punto de operación mediante el cálculo de los parámetros del modelo.es aproximadamente lineal para canal, los valores de fueron encontrados por regresión lineal. cada 17 |

D.

VALIDACIÓN DEL MODELO

La etapa de validación del modelo consistió en la validación de los datos estimados, calculando el error entre los datos reales y los datos estimados, utilizando el modelo obtenido. El error se calcula utilizando la ecuación:

Donde es el instante de tiempo actual, es experimental y salida del modelo estimado. el
Donde
es el instante de tiempo actual,
es
experimental y
salida del modelo estimado.
el
valor
de
la
salida
es el valor de la

E. CONCLUSIONES

Se obtuvieron un conjunto de funciones de transferencias de los modelos locales, usando datos de entrada/salida y el procedimiento de identificación de parámetros de Markov, para representar el sistema dinámico para diferentes puntos de operación y canales del proceso, y entonces conectar el conjunto de modelos locales para formar un modelo dinámico global.

El modelo de proceso obtenido es una relación no lineal, pero representado como una reunión de los modelos lineales, descrita por funciones de transferencia de segundo orden con tiempo muerto.

El modelo fue validado y se puede utilizar en aplicaciones de control.

Artículo (5):

Aleatoria y Mínimos Cuadrados Parciales de Procesos Dinámicos

(A Comparison of Canonical Variate Analysis and Partial Least Squares for the Identification of Dynamic Processes)

Una Comparación de Análisis Canónico de Variable

Fecha:

This paper appears in: American Control Conference, 1999. Proceedings of the 1999. Issue Date (Emisión): 2-4 Jun 1999

Date of Current Version (Actual) :

06 agosto 2002

Resumen: Este articulo compara los mínimos cuadrados parciales (PLS) y el Análisis Canónico de Variable Aleatoria (CVA: Canonical Variate Analysis) para la identificación de los sistemas dinámicos. Se desarrollan dos modelos para el calculo de los parámetros:

Modelo Autoregresivo con entradas Exógenas (ARX) y representaciones en espacio de estados. Este trabajo utiliza el Criterio de Información de Akaike (AIC) para determinar los parametros del sistema para los algoritmos PLS y CVA. La comparación se realiza mediante una simulación de una columna de destilación binaria.

A. DESCRIPCION DE LA PLANTA

La comparación de los métodos para la identificación de sistemas dinámicos PLS y CVA se lleva a cabo mediante la simulación de una Columna de Destilación Binaria. Las variables del sistema son:

Entradas

La principal característica de los métodos de GSVD es que la información más importante se puede capturar a través de la definición de un conjunto de variables latentes a través de la proyección de los datos hasta en un nuevo sub-espacio ortogonal.

Variables Controladas:Análisis Canónico de Variable

Variables Controladas: Análisis Canónico de Variable

Análisis

Canónico

de Variable

Reflujo

aleatoria

(CVA: Canonical Variate

Flujo de Vapor del Rehervidor

Analysis)

Perturbaciones:Variate  Flujo de Vapor del Rehervidor Analysis)  Flujo de alimentación  Composición del alimento

Flujo de alimentación

Composición del alimento

Salidas

Composicióndel producto de cima

del

producto

de

cima

(top)

Composicióndel producto de fondo

del

producto

de

fondo

(bottom)

B. METODOS DE IDENTIFICACION

En este trabajo se analizan dos métodos, mínimos cuadrados parciales (PLS) y Análisis Canónico de Variable aleatoria (CVA). Ambas metodologías son parte de una familia de técnicas multivariables que están basados en la Descomposición Generalizada de Valor Singular (GSVD:

Generalised Singular Value Decomposition).

CVA es una técnica estadística multivariable que se usa en el desarrollo de modelos para sistemas lineales. En CVA la base ortogonal se selecciona como las combinaciones lineales de un conjunto de datos ( en este caso) que son más predictivos que las combinaciones lineales de otro conjunto de datos ( ). Estas combinaciones lineales se llaman variables aleatorias canónicas y son denotadas como

llaman variables aleatorias canónicas y son denotadas como y , respectivamente. Por lo tanto: son las
llaman variables aleatorias canónicas y son denotadas como y , respectivamente. Por lo tanto: son las
llaman variables aleatorias canónicas y son denotadas como y , respectivamente. Por lo tanto: son las

y

variables aleatorias canónicas y son denotadas como y , respectivamente. Por lo tanto: son las y

, respectivamente. Por lo tanto:

son las
son
las

y transformación. Las matrices de transformación

Donde

las y transformación. Las matrices de transformación Donde matrices de y dados por el teorema de
las y transformación. Las matrices de transformación Donde matrices de y dados por el teorema de

matrices

Las matrices de transformación Donde matrices de y dados por el teorema de la CVA (Larimore,

de

y dados por el teorema de la CVA (Larimore,

están

1983).

Dado que las variables aleatorias canónicas incluyen toda la información para la predicción de las salidas del sistema, un modelo de regresión se puede formar entre y . El procedimiento de identificación se puede resumir de la siguiente manera :

de identificación se puede resumir de la siguiente manera : Donde cuadrados es la solución de
de identificación se puede resumir de la siguiente manera : Donde cuadrados es la solución de
Donde cuadrados
Donde
cuadrados

es

la solución
la
solución

de

mínimos

manera : Donde cuadrados es la solución de mínimos Mínimos Cuadrados Parciales (PLS: Partial Least Squares)
manera : Donde cuadrados es la solución de mínimos Mínimos Cuadrados Parciales (PLS: Partial Least Squares)

Mínimos Cuadrados Parciales (PLS:

Partial Least Squares)

PLS es conceptualmente similar a la CVA en que la relación entre dos bloques de datos es modelado para encontrar aquellas combinaciones de variables, que son las más altamente correlacionadas. El algoritmo calcula las combinaciones lineales para cada bloque de modo que el nuevo conjunto de variables sean independientes.

C. MODELOS DE PARAMETRIZACION

MODELO AUTOREGRESIVO CON ENTRADAS EXÓGENAS (ARX)variables sean independientes. C. MODELOS DE PARAMETRIZACION El modelo autorregresivo con entradas exógenas (ARX) es

El modelo autorregresivo con entradas exógenas (ARX) es ampliamente utilizado en la dinámica lineal. Se relacionan las entradas a las salidas del proceso utilizando una ecuación de diferencia de coeficiente constante:

una ecuación de diferencia de coeficiente constante: donde son las salidas (de dimensión n) y son

donde son las salidas (de dimensión n) y son las entradas (de dimensión m). El término de error se asume que es ruido Gaussiano blanco y representa la medición de ruido. Los términos y especifican el número de los valores pasados de la salidas y entradas necesarias para modelar la

pasados de la salidas y entradas necesarias para modelar la salida actual. Los valores de estos
pasados de la salidas y entradas necesarias para modelar la salida actual. Los valores de estos
pasados de la salidas y entradas necesarias para modelar la salida actual. Los valores de estos
pasados de la salidas y entradas necesarias para modelar la salida actual. Los valores de estos
pasados de la salidas y entradas necesarias para modelar la salida actual. Los valores de estos

salida actual. Los valores de estos parámetros por lo general son diferentes para cada variable de entrada y de salida. El modelo ARX de la ecuación (1) puede ser escrita en forma de regresión lineal:

.
.
Donde .
Donde
.

Con la bien conocida solución de mínimos cuadrados (LS: Least Square):

.
.

MODELO DE ESPACIO DE ESTADOsolución de mínimos cuadrados (LS: Least Square): . Un modelo de espacio de estado puede ser

Un modelo de espacio de estado puede ser establecido implicando ecuaciones diferenciales de primer orden. Estas pueden ser expresadas en términos de notación matricial. El modelo general de espacio de estado está dado por:

El modelo general de espacio de estado está dado por: la matriz de entrada, Se asume
El modelo general de espacio de estado está dado por: la matriz de entrada, Se asume

la

matriz de entrada,

Se asume que

el ruido de los procesos y son procesos

con ruido blanco con matrices de covarianza y respectivamente las

no correlacionadas con las entradas del

ni

cuales

la matriz de transmisión.las no correlacionadas con las entradas del ni cuales la matriz de salida y Donde es

la matriz de salida y

Donde

la matriz de transmisión. la matriz de salida y Donde es la matriz de estados, son

es la matriz de estados,

la matriz de salida y Donde es la matriz de estados, son auto-correlacionadas proceso . Los

son

la matriz de salida y Donde es la matriz de estados, son auto-correlacionadas proceso . Los
la matriz de salida y Donde es la matriz de estados, son auto-correlacionadas proceso . Los
la matriz de salida y Donde es la matriz de estados, son auto-correlacionadas proceso . Los
la matriz de salida y Donde es la matriz de estados, son auto-correlacionadas proceso . Los
la matriz de salida y Donde es la matriz de estados, son auto-correlacionadas proceso . Los

auto-correlacionadas

y Donde es la matriz de estados, son auto-correlacionadas proceso . Los estados se pueden determinar

proceso .

Los estados se pueden determinar de dos formas alternativas:

A partir de las variables aleatorias canónicas calculadas entre los vectores del proceso pasado y futuro.

Usando los resultados de entrada PLS.

Una vez que los estados han sido

determinados por CVA o por PLS, las matrices de espacio de estado se pueden calcular mediante técnicas convencionales de regresión lineal. El desarrollo de una representación de espacio de estado utilizando el

planteamiento de CVA o PLS implica los siguientes pasos:

Selección del número de valores pasados de las entradas y salidas.

Cálculo de los estados CVA o PLS.

Selección del número de estados que se usaran.

Cálculo de las matrices de espacio de estado.

D.

SELECCIÓN DE LOS PARÁMETROS DEL MODELO

Hay dos tipos de parámetros a determinar durante el desarrollo de los modelos:

a)

El número de valores de retardos que se incluirán en el vector pasado (la memoria del sistema).

El número de valores de retardos que se incluirán en el vector pasado (la memoria del

b)

La dimensión del vector de estado en el modelo de espacio de estados.

El

primero se calcula tanto para el ARX y los

modelos de espacio de estado.

tanto para el ARX y los modelos de espacio de estado. Criterio de Información de Akaike

Criterio de Información de Akaike (AIC: Akaike Information Criterion)

Este criterio trata problemas de bajo ajuste

o sobreajuste de los datos. Tiene en

cuenta tanto el error como la complejidad del modelo. El objetivo es seleccionar un modelo que proporcione un buen ajuste y una representación simple. AIC se puede utilizar para la selección tanto de la memoria del sistema como el número de estados. Se define en términos de la suma de la función de probabilidad logarítmica (verosimilitud) y el número de los parámetros libres .

(verosimilitud) y el número de los parámetros libres . Un factor de corrección ha demostrado que
(verosimilitud) y el número de los parámetros libres . Un factor de corrección ha demostrado que
(verosimilitud) y el número de los parámetros libres . Un factor de corrección ha demostrado que

Un factor de corrección ha demostrado que produce cerca de la selección el verdadero orden, incluso con un número limitado de muestras (Hurvich et al., 1990). En el trabajo original de Akaike este factor de corrección fue igual a la unidad.

de Akaike este factor de corrección fue igual a la unidad. La Ecuación de AIC se

La Ecuación de AIC se puede reducir de la siguiente forma:

La Ecuación de AIC se puede reducir de la siguiente forma: donde es la matriz de

donde es la matriz de covarianza de

es medida del vector de respuesta

tiempo , y la respuesta prevista usando los datos medidos en el tiempo

y anteriores.la respuesta prevista usando los datos medidos en el tiempo la error. El error la diferencia

la

error.

los datos medidos en el tiempo y anteriores. la error. El error la diferencia entre en

El error

datos medidos en el tiempo y anteriores. la error. El error la diferencia entre en el

la diferencia

entre

en el
en el

E. DISEÑO DEL EXPERIMENTO

Los modelos ARX y los modelos de espacio de estado mediante soluciones LS, PLS y CVA son evaluados y comparados con una simulación de una columna de destilación binaria (metanol y agua). Un conjunto de datos de referencia (6000 muestras) y un 'oculto' conjunto de validación de datos (1000 muestras) fueron simulados utilizando Señales Binarias Seudo Aleatorias, tanto para las entradas y los disturbios. Para la adicion de ruido a los datos se usan relaciones señal a ruido (SNR). Se desarrollan varios modelos para dos casos:

Usando solo las entradas para modelar las salidas del procesoa ruido (SNR). Se desarrollan varios modelos para dos casos: Para el modelo ARX, el número

Para el modelo ARX, el número de los parámetros libres es igual al número de

LS FIR I PLS SS

PLS FIR I CVA SS

CVA FIR

términos en la matriz de regresión . Para

términos en la matriz de regresión . Para

Donde:

el modelo de espacio de estado el número

de los parámetros libres se expresa en función del número de entradas, salidas y estados:

en función del número de entradas, salidas y estados: I se usa para inferir que solo

I se usa para inferir que solo las entradas del proceso se usan para modelar las salidas del proceso. FIR y SS la clase de modelo. LS, PLS Y CVA la clase de solución.

Usando las entradas y salidas del proceso para modelar las salidas presentes del proceso. independiente

Usando las entradas y salidas del proceso para modelar las salidas presentes del proceso.

independiente de las variables incluidas en el vector de pasado y las relaciones señal-ruido.

 

PLS siempre requiere más variables

LS ARX

PLS ARX

CVA ARX

latentes que el verdadero orden de

PLS SS

CVA SS

estado, y depende de las variables

Donde:

incluidas en el vector de pasado y el nivel de la relación señal-ruido.

ARX y SS la clase de modelo. LS, PLS Y CVA la clase de solución.

Los modelos de espacio de estado (SS) presentarón un mejor desempeño que el modelo ARX.

Ejecución del experimento.

 

G.

CONCLUSION

1.

Desarrollo de un modelo ARX (FIR) con datos libres de ruido y se utilizó AIC para seleccionar la longitud de la memoria del modelo.

Este articulo estudia dos representaciones (ARX y espacio de estado) y tres algoritmos (mínimos

El método de Identificación CVA

2.

Desarrollo de los modelos de rango reducido (PLS y CVA), donde fue seleccionado el número de variables latentes (estados) con AIC.

cuadrados (LS), PLS y CVA) mediante la simulación de procesos industriales.

3.

Calculo del error cuadrático medio (MSE: Mean Squared Error) para todos los modelos estudiados, tanto para el nominal como los conjuntos de validación de datos.

Mean Squared Error) para todos los modelos estudiados, tanto para el nominal como los conjuntos de

(Análisis Canónico de Variable Aleatoria) permite estimar los estados del sistema mediante combinaciones lineales de los datos, denominadas variables aleatorias canónicas las cuales incluyen toda la información para la predicción de las salidas.

F.

RESULTADOS EXPERIMENTALES

El AIC (Criterio de Información de

Del

estudio

y

de

los

resultados

de

la

Akaike) proporciona un medio para la

simulación

para

los

modelos

se

puede

selección del modelo que permita

concluir:

 

obtener un buen ajuste y una

Los modelos que incluyen las entradas y salidas del proceso en el vector de datos pasados tienen mejores resultados que las representaciones que sólo incluyen las entradas del proceso.

representación simple. AIC se puede utilizar para la selección tanto de la memoria del sistema como el número de estados.

Para ambas representaciones entrada/ salida y solo entradas los modelos CVA de espacio de estado (CVA SS) proporcionan el error cuadrático medio más pequeño.

La principal ventaja de CVA es que se identifican pocas variables latentes y por lo tanto el modelo resultante es más simple.

CVA identifica el verdadero orden de estado del sistema (en este caso 2)

Artículo (6): Identificación de Modelo para el Control de una Columna de Destilación

(Model Identification for Control of a Distillation Column)

Fecha: This paper appears in: Robotics Symposium, 2011 IEEE IX Latin American and IEEE Colombian Conference on Automatic Control and Industry Applications (LARC) Issue Date (Emisión): 1-4 Oct 2011 Date of Current Version (Actual): 28 Noviembre 2011

Resumen: Este artículo presenta las técnicas de identificación del sistema como una alternativa para modelar procesos para fines de control. Se presenta una metodología para obtener adecuados modelos empíricos para las columnas de destilación. Esta metodología se aplica a un punto de referencia de una columna de destilación a escala de laboratorio (Columna A). En este trabajo, los datos experimentales se ajustan a un modelo de espacio de estado utilizando técnicas de identificación subespacio.

A. DESCRIPCION DE LA PLANTA

La Columna de Destilación Binaria utilizada es un modelo de simulación a escala de laboratorio de Skogetad y Morari [1] (Columna A).

escala de laboratorio de Skogetad y Morari [1] (Columna A). Figura 1. Columna de Destilación Binaria
escala de laboratorio de Skogetad y Morari [1] (Columna A). Figura 1. Columna de Destilación Binaria

Figura 1. Columna de Destilación Binaria en configuración

Figura 1. Columna de Destilación Binaria en configuración Cuenta con 40 etapas (incluida la rehervidor) y

Cuenta con 40 etapas (incluida la rehervidor) y un condensador total, el flujo de alimentación entra en la etapa 21.

total, el flujo de alimentación entra en la etapa 21. Esta columna . está en configuración
Esta columna .
Esta
columna
.

está

en

configuración

Entradas reflujo Flujo de vapor del rehervidor .

Salidas Fracción molar del componente a la salida del condensador . Fracción molar del componente en el fondo de la columna .

. Fracción molar del componente en el fondo de la columna . En una columna de
. Fracción molar del componente en el fondo de la columna . En una columna de
. Fracción molar del componente en el fondo de la columna . En una columna de
. Fracción molar del componente en el fondo de la columna . En una columna de
. Fracción molar del componente en el fondo de la columna . En una columna de
. Fracción molar del componente en el fondo de la columna . En una columna de
. Fracción molar del componente en el fondo de la columna . En una columna de
. Fracción molar del componente en el fondo de la columna . En una columna de

En una columna de destilación, el flujo externo corresponde a un cambio en una

de las variables independientes, ya sea reflujo o el flujo de vapor del calderín

ya sea reflujo o el flujo de vapor del calderín . El flujo interno corresponde a
.
.

El flujo interno corresponde a un cambio simultáneo en las dos variables . El comportamiento dinámico de columnas de destilación puede ser representado por dos constantes de tiempo. La primera se obtiene cambiando los flujos externos y la segunda aplicando cambios en los flujos internos. Las Columnas de destilación son sistemas mal condicionados (alto de numero de condiciones), debido a la diferencia entre los flujos internos y externos del proceso. La constante de tiempo debido a los flujos externos domina el comportamiento del

externos del proceso. La constante de tiempo debido a los flujos externos domina el comportamiento del
externos del proceso. La constante de tiempo debido a los flujos externos domina el comportamiento del
externos del proceso. La constante de tiempo debido a los flujos externos domina el comportamiento del

sistema, mientras que la constante de

tiempo debido a los flujos internos es

mucho menor que

de tiempo debido a los flujos internos es mucho menor que (modo rápido). Para la obtención

(modo rápido).

Para la obtención de los modelos es importante conocer los dos modos del sistema. La caracterización del modo rápido requiere el diseño de estrategias especiales y experimentos.

B. METODOLOGÍA PARA LA OBTENCIÓN DE MODELOS DE COLUMNAS DE DESTILACIÓN

Cuando un modelo para el diseño de control es determinado a traves de la identificacion es importante excitar el sistema en los dos modos del sistema. Para esto, la señal de excitación debe perturbar el sistema en todas las entradas de interes simultaneamente, pero se debe tener un conocimiento del proceso.

Después de obtener los datos de entrada y salida experimentales, se estima un modelo de espacio de estado. Este trabajo propone la utilización del algoritmo de identificación N4SID desarrollado por Van Overschee y De Moor. Este es un algoritmo basado en subespacio que calcula directamente un espacio de estados multivariable; estos algoritmos no emplean descripciones canónicas que involucran a un gran número de parámetros.

Metodología para la identificación de las columnas de destilación

Hay que tener en cuenta el tipo de configuración de la columna de destilación con el fin de realizar el proceso de identificación.para la identificación de las columnas de destilación La configuración industrial más común es : esta

La configuración industrial más común es : esta columna opera con un flujo de reflujo y el flujo de vapor como variables independientes. La configuración define la direccionalidad del sistema.con el fin de realizar el proceso de identificación. Se puede obtener la dinámica lenta del

Se puede obtener la dinámica lenta del sistema si cada entrada es excitada de manera independiente.La configuración define la direccionalidad del sistema. Cuando ambas entradas son excitadas simultaneamente, se

sistema si cada entrada es excitada de manera independiente. Cuando ambas entradas son excitadas simultaneamente, se
sistema si cada entrada es excitada de manera independiente. Cuando ambas entradas son excitadas simultaneamente, se
sistema si cada entrada es excitada de manera independiente. Cuando ambas entradas son excitadas simultaneamente, se

Cuando ambas entradas son excitadas simultaneamente, se captura la dinámica rápida del sistema.sistema si cada entrada es excitada de manera independiente. La Figura 2 muestra el esquema general

La Figura 2 muestra el esquema general del proceso de identificación del sistema propuesto en [2].se captura la dinámica rápida del sistema. Figura 2. Procedimiento general para el proceso de

del proceso de identificación del sistema propuesto en [2]. Figura 2. Procedimiento general para el proceso

Figura 2. Procedimiento general para el proceso de identificación

1. Realizar una prueba preliminar para identificar la constante de tiempo dominante y las ganancias del sistema.

2. Diseñar la señal de entrada. Consiste en diseñar una señal de entrada que permita una perturbación adecuada de la banda de frecuencias de interés en el proceso.

3. Realizar una prueba real. Los datos son adquiridos durante la operación normal del proceso.

4. Prefiltrar los datos de selección. Eliminación de la distorsión en los datos y uso de un filtro para la señal de ruido.

5. Seleccionar la estructura del modelo. Selección de la estructura

del modelo a la que se ajusta los datos. En el caso de columnas de destilación, se propone la N4SID.

6. Aplicar los datos de validación. Consiste en resolver el modelo computacional y comparar la respuesta obtenida con los datos reales del proceso (o descrito en la literatura), teniendo en cuenta la precisión y el propósito de modelar.

7. Es el modelo adecuado? En el caso de la columna de destilación, el modelo computacional se debe ajustar a los datos reales del proceso para cambios en los flujos internos y externos.

Diseño de la señal de excitación

En el área industrial, una secuencia de pasos para estimar los parámetros del modelo se emplea, donde cada entrada deber ser evaluada entre un rango de frecuencias establecidas.

La PRBS (Pseudo Random Binary Signals) Señal Binaria Pseudo Aleatoria es la señal de excitación más utilizada. Esta señal consiste en un número de pasos en torno al punto de operación y la frecuencia (ancho de pulso) varíando en el tiempo.

La información necesaria para diseñar una PRBS es el rango de frecuencias;

que se

calcula

basado

en

la

información

obtenida

de

los

experimentos

previos

(prueba

preliminar).

En [2] Brosilow y Joseph proponen la

(1) como un rango de

frecuencias de modelos con fines de

expresión

control, con

valores propuestos por los autores. representa la constante de tiempo dominante del sistema.

fueron los

y
y
la constante de tiempo dominante del sistema. fueron los y La amplitud de la señal debe
la constante de tiempo dominante del sistema. fueron los y La amplitud de la señal debe

La amplitud de la señal debe mantener

una relación señal a ruido

manera que la salida no debe

confundirse con el ruido medido del

sistema.

debe exceder los valores que comprometen la calidad del producto a través del proceso de prueba. La amplitud se deduce de la prueba preliminar.

de tal

La amplitud se deduce de la prueba preliminar. de tal Sin embargo, también no C. RESULTADOS

Sin

embargo,

también

no

C.

RESULTADOS

Las constantes de tiempo teórico del sistema son:preliminar. de tal Sin embargo, también no C. RESULTADOS y . Después de un análisis del

y

Las constantes de tiempo teórico del sistema son: y . Después de un análisis del sistema
.
.

Después de un análisis del sistema de lazo abierto se observa que el sistema podría tener un cambio de 0,01% en cada entrada.Las constantes de tiempo teórico del sistema son: y . La constante de tiempo dominante del

La constante de tiempo dominante del sistema y la ecuación (1) son empleadas para el diseño de PRBS.el sistema podría tener un cambio de 0,01% en cada entrada. Las dos entradas independientes son

Las dos entradas independientes son excitadas al mismo tiempo con el fin de excitar a los flujos internos y externos.y la ecuación (1) son empleadas para el diseño de PRBS. El experimento se llevó a

El experimento se llevó a cabo durante un período de 3000 min (2 dias y 2 horas ). Con un período de muestreo de 1 min.con el fin de excitar a los flujos internos y externos. La amplitud de cada entrada

La amplitud de cada entrada se cambia en 0,01%.(2 dias y 2 horas ). Con un período de muestreo de 1 min. Los parámetros

Los parámetros de la señal PRBS son:de 1 min. La amplitud de cada entrada se cambia en 0,01%.   Reflujo Vapor Rango

 

Reflujo

  Reflujo Vapor

Vapor

  Reflujo Vapor

Rango

de

Frecuencia

Rango de Frecuencia
Rango de Frecuencia

[rad/min]

Rango

de

Amplitud

Rango de Amplitud
Rango de Amplitud

[Kmol/min]

Parámetros diseñados de PRBS.

El 30% de los datos fueron empleados para validar el modelo.Después de la eliminación de la media aritmética de los Datos de entrada y salida

Después de la eliminación de la media aritmética de los Datos de entrada y salida (que corresponde al punto de operación), se procedió a calcular un modelo de variables de estado de orden 2.El 30% de los datos fueron empleados para validar el modelo. El ajuste del modelo alcanzó

El ajuste del modelo alcanzó un índice de validación de 94,92% y 92,22% para las salidas y , respectivamente.a calcular un modelo de variables de estado de orden 2. Se encontraron las constantes de

de 94,92% y 92,22% para las salidas y , respectivamente. Se encontraron las constantes de tiempo

Se encontraron las constantes de tiempo que caracterizan la dinámica del sistema. Estas constantes se presentan en la siguiente tabla y se comparan con los valores obtenidos en las pruebas preliminares.de 94,92% y 92,22% para las salidas y , respectivamente. D. CONCLUSIÓN N4SID (Numerical algorithmos for

D. CONCLUSIÓN

N4SID (Numerical algorithmos for Subspace State Space System IDentification) es un algoritmo numérico basado en subespacios para la identificación de sistemas en espacio de estado que calcula directamente un espacio de estados multivariable.obtenidos en las pruebas preliminares. D. CONCLUSIÓN La respuesta dinámica del modelo empírico se validó con

La respuesta dinámica del modelo empírico se validó con el modelo de la Columna A, a través de la obtención de un ajuste adecuado para los cambios en los flujos internos y externos del sistema.calcula directamente un espacio de estados multivariable. Las técnicas clásicas de identificación no siempre

Las técnicas clásicas de identificación no siempre permiten la captura de la dinámica rápida del sistema.los cambios en los flujos internos y externos del sistema.   Constante de   Columna Modelo

 

Constante

de

 

Columna

Modelo

La metodología propuesta permite, a  Constante de   Columna Modelo

Tiempo [min]

A

N4SID

través de un diseño experimental especial, la captura de el modo dominante y modo rápido del sistema. Este modo rápido se vuelve importante en el análisis de lazo cerrado.

Flujo

externo

215

210,9

análisis de lazo cerrado. Flujo externo 215 210,9 Flujo interno 1,61 2,99 Comparacion tiempo del

Flujo

interno

1,61

2,99

externo 215 210,9 Flujo interno 1,61 2,99 Comparacion tiempo del modelo de las constantes de

Comparacion tiempo del modelo

de

las

constantes

de

Para validar el modelo obtenido, se compara el modelo teórico de la columna A con el modelo de variables de estado obtenido a través de la técnica de identificación N4SID.tiempo del modelo de las constantes de Inicialmente, se analizó la respuesta a los cambios en

Inicialmente, se analizó la respuesta a los cambios en los flujos internos, que se realiza por un cambio simultáneo en 1000 minutos en las dos entradasobtenido a través de la técnica de identificación N4SID. . Para validar el modelo a los

.
.

Para validar el modelo a los cambios en los flujos externos, el cambio se aplica sólo en el flujo de reflujo en 1000 min.un cambio simultáneo en 1000 minutos en las dos entradas . De los resultados se tiene

De los resultados se tiene que el modelo identificado tiene un ajuste satisfactorio con el modelo teórico.cambio se aplica sólo en el flujo de reflujo en 1000 min. E. REFERENCIAS [1]. S.

tiene un ajuste satisfactorio con el modelo teórico. E. REFERENCIAS [1]. S. Skogestad y M. Morari,

E. REFERENCIAS

[1]. S. Skogestad y M. Morari, «Understanding the dynamic behavior of distillation columns», Industrial & Engineering Chemistry Research.

Joseph,

Techniques of Model-Based Control. Prentice Hall, 2002.

Brosilow

[2].

C.

y

B.

Artículo (7): Modelado e Identificación de una Columna de Destilación Piloto para la Estimación y Control usando Algoritmos Genéticos.

(Modeling and Identification of a Pilot Distillation Column for Control and Estimation using Genetic Algorithms)

Fecha:

This paper appears in: Industrial Electronics Society, 2007. IECON 2007. 33 rd Annual Conference of the IEEE. Issue Date (Emisión): 5-8 Nov 2007 Date of Current Version (Actual) : 03 marzo 2008

Resumen: En este artículo se aplican los Algoritmos Genéticos para la Identificación de una Columna de Destilación debido a que en algunos casos el modelo no es matemáticamente ni analíticamente disponible y además los parámetros obtenidos no pueden ser totalmente óptimos. Por tanto los Algoritmos Genéticos son superiores a los algoritmos de Gradiente Descendente para la obtención de los parámetros. Se presentan dos modelos diferentes y su comparación se realiza mediante la respuesta al escalón.

A. DESCRIPCION DE LA PLANTA El sistema de destilación experimental consiste en una columna de 48 mm diámetro. Tiene 20 platos perforados. El espacio entre la bandeja es de 100 mm. La columna tiene rehervidor y condensador. El flujo de alimentación se introduce en el plato 10, por encima del calderín.

se introduce en el plato 10, por encima del calderín. B. MODELO COLUMNA DE DESTILACIÓN MATEMÁTICO

B.

MODELO

COLUMNA DE DESTILACIÓN

MATEMÁTICO

DE

UNA

Se estudian dos modelos matemáticos de destilación.

Modelo simplificado

Utiliza ecuaciones de balance de masa, como es simplificado no sigue completamente el comportamiento de la Columna de Destilación. Las siguientes suposiciones se hacen en el modelo del sistema de destilación:

1)

En cada plato, las fases líquido y vapor son perfectamente mixtos y se

2)

encuentran en equilibrio termodinámico. El líquido molar retenido en cada plato

encuentran en equilibrio termodinámico. El líquido molar retenido en cada plato

3)

es constante. La presión es constante y uniforme. El vapor molar retenido en cada planta es insignificante. La entrada y salida del flujo de líquido

molar son iguales en cada plato. La entrada y salida del flujo molar de vapor son iguales en cada plato (con la excepción de los platos de los extremos 1 y ).

Bajo los supuestos 1, 2 y 3 del modelo dinámico de una Columna Binaria se deriva de la ecuación de balance de masa en cada plato para uno de los componentes. Se asume un sistema binario puro con una constante de volatilidad relativa a lo largo de la columna. La relación de equilibrio vapor-liquido se puede utilizar.

La relación de equilibrio vapor-liquido se puede utilizar.  Modelo completo Un modelo más complejo ha

Modelo completo Un modelo más complejo ha sido presentado por la adición de ecuaciones de balance de energía. Se desarrollan las ecuaciones que describen una columna de destilación con equilibrio vapor-líquido no ideal, platos ineficientes, y sobreflujo. La dinámica del condensador y rehervidor se incluyen. Para este modelo, se dan las ecuaciones de platos, el condensador y rehervidor.

C.

IDENTIFICACIÓN DE LOS PARÁMETROS DEL MODELO

1.

La primera etapa para la identificación

de

un

sistema

es

la

determinación

de

un

modelo

general.

 

2.

La segunda etapa incluye el uso de datos reales recolectados para encontrar parámetros ajustables en el modelo general. Con el fin de de cumplir un control óptimo y la estimación de la columna de destilación, que es esencial para ajustar con precisión los parámetros. La Identificación de los parámetros es el proceso de determinación de los valores de los parámetros en un modelo general de tal manera que el

modelo

 

puede

predecir el conjunto de datos de forma óptima.

3.

En el proceso de identificación,

los

datos reales,

datos reales,

, se comparan con los

datos

de

predicción

obtenidos

del

, conjunto de parámetros del sistema.

modelo,

, conjunto de parámetros del sistema. modelo, en el cual es

en

el

cual

, conjunto de parámetros del sistema. modelo, en el cual es

es

el

4.

El error entre los datos reales y datos de predicción se define como:

 
 

Donde es ek vector de predicción y el índice indica -ésimo medida para el -ésimo parámetro. En el método de error de mínimos cuadrados, el objetivo es encontrar el valor de tal que la siguiente función sea minimizada

método de error de mínimos cuadrados, el objetivo es encontrar el valor de tal que la
método de error de mínimos cuadrados, el objetivo es encontrar el valor de tal que la
método de error de mínimos cuadrados, el objetivo es encontrar el valor de tal que la
 
 
es el número de variables y

es el número de variables y

es el

es el

número de medidas para cada variable.

D.

ALGORITMOS GENETICOS

 

Los algoritmos genéticos han sido ampliamente utilizados en muchas aplicaciones para producir una solución óptima global. Este enfoque es un proceso de optimización probabilístico guiado que simula la evolución genética. El algoritmo no puede quedar atrapado en mínimos locales, ya que cuenta con un procedimiento de mutación aleatoria. A diferencia de los algoritmos de optimización clásica, los algoritmos genéticos no son guiados en su proceso de búsqueda de derivados locales. A través de la codificación de las variables, las poblaciones con mayor aptitud se identifican y se mantiene mientras las poblaciones con menor aptitud se

eliminan. Este proceso asegura que los mejores descendientes sean producidos en cada generación sucesiva. Este proceso de búsqueda es estable y robusto y puede identificar los parámetros globales óptimos de un sistema. Los algoritmos genéticos son una familia de modelos computacionales que se basan en los conceptos de los procesos evolutivos. Una característica importante de GA es su estabilidad. La estabilidad de un sistema puede reducir la necesidad de rediseñar. Algunas de las ventajas de los GAs en comparación con los otros métodos de optimización son los siguientes:

Trabajan con los valores codificados:con los otros métodos de optimización son los siguientes: no con los valores reales Inician la

no con los valores reales

Inician la búsqueda con conjunto de puntos: Por lo tanto, si la población inicial abarca la mayoría del espacio de muestreo, entonces no se depende tanto de las condiciones iniciales.con los valores codificados: no con los valores reales Solo se utiliza la función objetivo: asi

Solo se utiliza la función objetivo: asi no se limita a un campo específico y se puede aplicar a una variedad de aplicaciones.entonces no se depende tanto de las condiciones iniciales. Definiciones: I. Tamaño de la población :

Definiciones:

I. Tamaño de la población: este es un parámetro libre que cotiza cobertura fuera del espacio de búsqueda contra el tiempo requerido para cálculo de la próxima generación.

II. Longitud de los cromosomas: es por lo general igual al producto del número de variables a ser optimizadas y la longitud de cada variable codificada en binario. Un cromosoma representa una combinación de sus genes.

III. Longitud de las variables codificadas en binario: esta es la longitud de cada variable en el cromosoma.

IV. Probabilidad de cruce: esta probabilidad controla la frecuencia

con la que ocurre el cruce de todos los cromosomas en el proceso de búsqueda. Este es un número entre (0,1), que se determina de acuerdo a la sensibilidad de las variables del proceso de búsqueda. V. Probabilidad de mutación: esta

probabilidad controla la frecuencia con que ocurre la mutación de cada gen de un cromosomas en el proceso de búsqueda. Las operaciones de mutación serán determinadas por una función aleatoria que genera un número entre 0 y 1. La mutación determina el número de bits en el que la mutación se llevará a cabo.

VI. Función objetivo: es la función principal de evaluación basada en que la adecuación de cada miembro de la nueva generación está determinada. Los miembros identificados como "ajuste" sobreviven y entrar en un

grupo de acoplamiento para reproducir la siguiente generación. La Funciones objetivo escogida para este proceso es la ecuación:

E. EXPERIMENTO
E.
EXPERIMENTO

Todas las pruebas fueron realizadas con el sistema etanol-agua a una presión total de 760 mmHg.escogida para este proceso es la ecuación: E. EXPERIMENTO Varias variables son medidas y monitoreadas en

Varias variables son medidas y monitoreadas en línea durante cada ciclo, tales como todas las temperaturas de los platos, las tasas de flujo de alimentación y reflujo y la fracción molar de la placa superior.con el sistema etanol-agua a una presión total de 760 mmHg. La columna fue operada inicialmente

La columna fue operada inicialmente bajo condiciones de estado estable y todas las temperaturas, presiones,de los platos, las tasas de flujo de alimentación y reflujo y la fracción molar de

caudales y composiciones fueron constantes.

Para eliminar las incertidumbres en la evaluación de los parámetros de estado estacionario, se llevaron a cabo un número de modificaciones en la entrada escalón y pulso.caudales y composiciones fueron constantes. Las variables que mantuvieron constantes fueron la velocidad de alimentación,

Las variables que mantuvieron constantes fueron la velocidad deun número de modificaciones en la entrada escalón y pulso. alimentación, la composición del alimento, la

variables que mantuvieron constantes fueron la velocidad de alimentación, la composición del alimento, la temperatura

alimentación, la composición del alimento, la temperatura de

alimentación, la presión de la columna

y la tasa de producto.

Los valores promedio de las variables de estado estacionario empleados en todas las ejecuciones son:

Ejecución

Flujo de

Ejecución Flujo de Relación de
Ejecución Flujo de Relación de
Ejecución Flujo de Relación de

Relación de

Alimentación

(mol/min)

Reflujo

(mol/min)

 

1 4.12

0.5

3.88

0.979

2

 

2 4.12

0.5

4.53

0.964

2

Datos de funcionamiento de los experimentos dinámicos en la columna de destilación

Con el fin de identificar el sistema, se realizaron dos tipos de experimentos en

los cuales se realizan cambios de pulsos rectangulares o escalón.

1.

En la primera ejecución, el caudal de reflujo fue incrementado de 0,734 mol/min a 2,055 mol/min. Como resultado, el caudal del reflujo cambia desde la placa superior del rehervidor.

2.

En la segunda vuelta, el suministro de calor al rehervidor se incrementó de 455kJ/h a 2121 kJ/h durante 30 segundos y luego se regreso a su valor inicial . En consecuencia, el caudal de vapor pasó de la parte inferior a la parte superior de la columna.

Implementación

del

Algoritmo

Genético Los parámetros que

Genético Los parámetros que

deben

ser

identificados son:

y

para

para

el

"modelo simplificado" y el "modelo completo".

y
y

para

y el "modelo completo". y para Para la identificación de los parámetros del modelo

Para la identificación de los parámetros del modelo simplificado, los datos experimentales de la respuesta escalón del reflujo se han utilizado. Las

dimensiones de los platos, muestran . que y Las variaciones para y se limitan a
dimensiones de los platos, muestran
.
que
y
Las variaciones para y se limitan a

1.

10 dígitos decimales de precisión son necesarias para cada variable.muestran . que y Las variaciones para y se limitan a 1. 35 bits son requeridos

35 bits son requeridos para cada variable.decimales de precisión son necesarias para cada variable. Para la identificación de los parámetros del modelo

Para la identificación de los parámetros del modelo completo, se requiere la respuesta de la Columna de Destilacióncada variable. 35 bits son requeridos para cada variable. a los cambios en la entrada de

a los cambios en la entrada de calor.

De investigaciones previas se conoce que y .
De investigaciones previas se conoce
que
y
.

9 dígitos decimales de precisión son necesarios para cada variable.de calor. De investigaciones previas se conoce que y . La longitud de un cromosoma es

La longitud de un cromosoma es 70, endecimales de precisión son necesarios para cada variable. el cual los primeros 35 bits son usados

el cual los primeros 35 bits son usados

para la primera variable y el resto corresponden a la segunda variable.

La probabilidad de cruce fue de 0.8 y la probabilidad de mutación es 0.2variable y el resto corresponden a la segunda variable. Después de la 25th generación, la probabilidad

Después de la 25th generación, la probabilidad de mutación fue incrementada a 0.8de cruce fue de 0.8 y la probabilidad de mutación es 0.2 Cuando no hay ninguna

Cuando no hay ninguna modificación en la solución el algoritmo se detiene.mutación es 0.2 Después de la 25th generación, la probabilidad de mutación fue incrementada a 0.8

Los parámetros identificados para los dos modelos son: (mole)   (mol/min) (kJ/molC) (kW) 10.5068

Los parámetros identificados para los dos modelos son:

(mole)

(mole)

(mole)
(mole)
(mole)
 

(mol/min)

(kJ/molC)

(kW)

10.5068

5.958

78.75

1.4

F.

CONCLUSIÓN

Los Algoritmos Genéticos son una herramienta importante en la identificación de sistemas debido a su robustes y estabilidad ya que son modelos computacionales que se basan en el proceso evolutivo. Gracias a su estructura no se queda atrapado en minimos locales lo que permite que la identificación de los parametros se realice con precisión. Los modelos del sistema se obtuvierón mediante las ecuaciones de balance de masa y de balance de energía en cada plato. El Algoritmo Genético se utiliza para identificar los Parámetros desconocidos del sistema, tales como 'holdup:

mantenimiento', 'tasa de vapor, "capacidad calorífica" y "salida de energía”.

mantenimiento', 'tasa de vapor, "capacidad calorífica" y "salida de energía”. 31 | P á g i
mantenimiento', 'tasa de vapor, "capacidad calorífica" y "salida de energía”. 31 | P á g i
mantenimiento', 'tasa de vapor, "capacidad calorífica" y "salida de energía”. 31 | P á g i
mantenimiento', 'tasa de vapor, "capacidad calorífica" y "salida de energía”. 31 | P á g i

Artículo (8): Identificación de un Proceso Multivariable

(Multivariable Process Identification)

Fecha: This paper appears in: Systems, Man and Cybernetics 1993. ´Systems Engineering in the Service of Humans´, Conference Proceedings., International Conference on Issue Date (Emisión): 17-20 Oct 1993 Date of Current Version (Actual): 06 agosto 2002

Resumen: Este artículo presenta un método de identificación de un sistema multivariable que utiliza todas las posibles estructuras del sistema para lograr un modelo que generalice de forma óptima los datos disponibles de entrada/salida. Se definen formas Pseudo-observable (POF) para ilustrar las diferentes formas estructurales posibles para el sistema.

A.

DESCRIPCION DE LA PLANTA

 

La matriz de observabilidad está dada por

La matriz de observabilidad está dada por

Los

datos

seleccionados

para

 

este

la matriz

desarrollo fueron colectados

de

un

simulador

de

un

proceso

químico

Para un sistema observable debe tener un rango y para ello filas linealmente
Para un sistema observable
debe tener
un rango
y para ello
filas linealmente

(Destilación). ENTRADAS

(Destilación). ENTRADAS
(Destilación). ENTRADAS
 

Vapor

Flujo de Alimentación 

 

SALIDAS:  Vapor Flujo de Alimentación   Nivel (líquido) en la base del equipo, Nivel de vapor

Nivel (líquido) en la base del equipo,  Vapor Flujo de Alimentación   SALIDAS: Nivel de vapor recogido y recondensado. Temperatura de la

Nivel de vapor recogido y recondensado.  SALIDAS: Nivel (líquido) en la base del equipo, Temperatura de la columna. B. MODELO DE

Temperatura de la columna.la base del equipo, Nivel de vapor recogido y recondensado. B. MODELO DE ESPACIO DE ESTADOS

B. MODELO DE ESPACIO DE ESTADOS D-T

Luenberger en su artículo (1963, 'Canonical forma for linear multivariable systems,') estableció las estructuras nominales para un sistema de entradas múltiples, salidas múltiples (MIMO). El método se basa en el concepto de controlabilidad o índices de observabilidad. Sólo la forma observable será discutida. A partir de un presunto modelo de espacio de estado .

A partir de un presunto modelo de espacio de estado . independientes. El indice de el

independientes. El indice de

el

observabilidad para el par entero mas pequeño, , tal que es
observabilidad para el par
entero mas pequeño, , tal que
es

Los índices de observabilidad son definidos con el conjunto de enteros , , identificando las longitudes de las cadenas de cada fila de . Usando como una similar matriz de transformación resulta un modelo equivalente en espacio de estado dado por

como una similar matriz de transformación resulta un modelo equivalente en espacio de estado dado por
como una similar matriz de transformación resulta un modelo equivalente en espacio de estado dado por
como una similar matriz de transformación resulta un modelo equivalente en espacio de estado dado por
como una similar matriz de transformación resulta un modelo equivalente en espacio de estado dado por
como una similar matriz de transformación resulta un modelo equivalente en espacio de estado dado por

Esta representación esta en la Forma pseudo-observable (POF) del modelo de

espacio de estado. La idea detrás del POF es que la selección de las filas linealmente independientes de se pueda hacer de muchas maneras,

El proceso de creación de un modelo del sistema a partir de los datos se denomina sistema de identificación. Una identificación deterministica de un sistema se llevará a cabo calculando un modelo observable en forma de espacio

de un

su

conjunto

correspondiente salida con la restricción de

son

que

"persistentemente excitadas". La técnica se basa en la identificación de la identidad (Identification Identity),

identificación de la identidad (Identification Identity), según los índices representando el número de unidades en
identificación de la identidad (Identification Identity), según los índices representando el número de unidades en
identificación de la identidad (Identification Identity), según los índices representando el número de unidades en
identificación de la identidad (Identification Identity), según los índices representando el número de unidades en

según los índices

representando el número de unidades en la -columnas de la caja. Las POFs admisibles son todas las estructuras posibles para el sistema MIMO.

son todas las estructuras posibles para el sistema MIMO. , de estado las de datos de

, de estado

las

de

datos de entrada
datos
de
entrada

señales

de

entrada

y

C. IDENTIFICACIÓN DETERMINISTICA

Lo relacionado con la estructura del sistema esta determinado a partir del conjunto de los índices especificados para la POF. A partir del modelo de espacio de estado y la información de los índices se establece un algoritmo para la construcción de la POF. La Identificación de Sistema de datos de entrada/salida asume que las señales de entrada son "persistentemente excitadas", es decir, que el sistema es lo suficientemente excitado para exhibir

todas sus modos en las correspondientes señales de salida. Sólo la parte controlable y observable del sistema pueden ser identificados a partir de los datos de entrada/salida.

El resultado deseado de la identificación de la identificación, es un sistema de orden con
El resultado deseado de la identificación de
la identificación, es un sistema de
orden
con
entradas y
salidas.
es un sistema de orden con entradas y salidas. es en la Donde correspondiente POF un
es en la

es

en

la

Donde correspondiente

POF

un

conjunto

de

índices admisibles,

.
.
 
conjunto de índices admisibles, .   D. SISTEMA DE IDENTIFICACION En un ajuste real de datos

D. SISTEMA DE IDENTIFICACION

En un ajuste real de datos de entrada/salida a partir de un proceso industrial no sólo estará contaminada con el ruido y los errores de medición, sino que también contienen un cierto grado de los efectos no lineales.admisibles, .   D. SISTEMA DE IDENTIFICACION Se supone que el algoritmo de identificación

Se supone que el algoritmo de identificación "determinista" discutido en la sección anterior está disponible, es decir, que dado un conjunto de (observabilidad) índices, los datos pueden ser utilizados para construir el correspondiente POF del modelo en espacio de estado.contienen un cierto grado de los efectos no lineales. Usando un orden relativamente elevado, se podría

Usando un orden relativamente elevado, se podría investigar los valores singulares (valores propios) de , y usar alguno de los criterios de ingeniería en relación con los valores singulares que sean realistas y que corresponden al "ruido".el correspondiente POF del modelo en espacio de estado. Una vez que el rango nominal ha

Una vez que el rango nominal ha sido establecido para el orden del sistema, el proceso de determinar qué estructura se ajusta mejor a los datos comienza.en relación con los valores singulares que sean realistas y que corresponden al "ruido". 33 |

el orden del sistema, el proceso de determinar qué estructura se ajusta mejor a los datos

El concepto de "generalización" se utiliza para determinar el modelo final. Un modelo se dice que es general cuando su desempeño sobre los datos que no se ha utilizado en el proceso de identificación es comparable a la respuesta sobre los datos de "entrenamiento". Esta propiedad de la generalización es fuertemente dependiente de la estructura del sistema.El proceso de identificación será discutido con el supuesto de: El orden del sistema se

El proceso de identificación será discutido con el supuesto de:

El orden del sistema se encuentra entre 3 y 8 (a partir de un análisis preliminar).de identificación será discutido con el supuesto de: Se usan 30 pares de datos iniciales, para

Se usan 30 pares de datos iniciales, para identificar los parámetros del sistema de un conjunto de índices específico, y luego probar el rendimiento del modelo sobre el conjunto completo de datos.encuentra entre 3 y 8 (a partir de un análisis preliminar). La medida de los resultados

La medida de los resultados viene dada por la norma de Frobenius de la matriz de error, es decir, el error cuadrático medio (RMS) entre los datos de salida suministrados y la salida del modelo.rendimiento del modelo sobre el conjunto completo de datos. Para cada sistema de orden entre 3

Para cada sistema de orden entre 3 y 8 cada posible conjunto de índices (observabilidad) se utiliza para calcular un modelo "identificado".los datos de salida suministrados y la salida del modelo. El grado de admisibilidad y la

El grado de admisibilidad y la norma de error son calculados para cada modelo candidato. grado de admisibilidad y la norma de error son calculados para cada modelo candidato.

E.

RESULTADOS

De los resultados se puede observar que no hay una fuerte correlación entre el grado de admisibilidad y la norma de error.son calculados para cada modelo candidato. E. RESULTADOS El modelo que mejor representa el sistema es

El modelo que mejor representa el sistema es el que tiene la mejorentre el grado de admisibilidad y la norma de error. generalización, este modelo corresponde al sistema

generalización, este modelo corresponde al sistema de orden-5 con índices {2,1,2}.

Este sistema se presenta como una representación en espacio de estado en forma canónica, junto con el estado identificado inicial.corresponde al sistema de orden-5 con índices {2,1,2}. Las respuestas del modelo seleccionado tiene una norma

Las respuestas del modelo seleccionado tiene una norma de error de 0,412.forma canónica, junto con el estado identificado inicial. Es durante los últimos 20 puntos de datos

Es durante los últimos 20 puntos de datos que el modelo revela el grado de generalización alcanzado.del modelo seleccionado tiene una norma de error de 0,412. F. CONCLUSION Se demuestra que la

F.

CONCLUSION

Se demuestra que la identificación de sistemas lineales MIMO es mejor a través de la investigación de todas las estructuras posibles multivariables (observable).

El concepto de generalización, que es la capacidad de un buen rendimiento de los datos no se utiliza en el proceso de identificación, es considerado como el principal criterio para la comparación entre los distintos modelos experimentales.

Articulo (9) Identificación de una Columna de Destilación a Escala Piloto:

Un enfoque Basado en Núcleo

(Identification of a Pilot Scale Distillation Column: A Kernel Based Approach)

Fecha:

This paper appears in: IFAC (Congress of the International Federation of Automatic Control) World Congress 2011 edition: 18. Milan, Italy. Issue Date (Emisión): 28 Agosto-02 September 2011

Resumen: Este documento describe la identificación de una columna de destilación binaria con Máquinas de Vectores de Soporte de Mínimos Cuadrados (LS- SVM). La intención es investigar si un modelo basado en el núcleo (kernel), en particular un LS-SVM, se puede utilizar para la simulación de la temperatura superior e inferior de una columna de destilación binaria.

A. DESCRIPCION DE LA PLANTA

La Columna de Destilación a escala piloto tiene la siguiente configuración

Columna empacada.a escala piloto tiene la siguiente configuración El flujo de alimentación contiene una mezcla de metanol

El flujo de alimentación contiene una mezcla de metanol e isopropanopiloto tiene la siguiente configuración Columna empacada. En el fondo de la columna hay un rehervidor

En el fondo de la columna hay un rehervidor donde una parte del líquido se evapora mientras que el resto se extrae como flujo de fondo.de alimentación contiene una mezcla de metanol e isopropano En la parte superior de columna hay

En la parte superior de columna hay un condensador total que permite la condensación de toda la corriente de vapor de arriba, que se recoge en un tambor de reflujo. Una parte del líquido condensado se alimenta de nuevo a la columna como reflujo, mientras que el resto sale de la columna como el flujo de destilado.evapora mientras que el resto se extrae como flujo de fondo. Entradas: o Tasa de flujo

Entradas:que el resto sale de la columna como el flujo de destilado. o Tasa de flujo

o

Tasa de flujo de alimentación

o Tasa de flujo de alimentación

o

Suministro del Rehervidor

o Suministro del Rehervidor

o

Suministro de alimentación del calentador

o

Caudal de reflujo

Caudal de reflujo

Salidas :de alimentación del calentador o Caudal de reflujo o Temperatura superior o Temperatura del

o

Temperatura superior

o

Temperatura del rehervidor

Temperatura del rehervidor

El flujo de destiladose

El flujo de destilado

se

ajusta

para

mantener

el

nivel

del

tambor de reflujo constante.

Mediciones Disponiblesmantener el nivel del tambor de reflujo constante. o Caudal de reflujo   o Flujo de

o

Caudal de reflujo

o Caudal de reflujo  
 

o

Flujo de Destilado

o

Tasa de flujo de alimentación y

Tasa de flujo de alimentación y

o

Temperatura en la parte superior

de la columna

de la columna
 

o

Temperaturas en el centro de cada sección de empaque ( , y

Temperaturas en el centro de cada sección de empaque ( , y
)
)

o

Temperatura secciones 1 y 2

Temperatura secciones 1 y 2 entre

entre

las

o

Temperatura

Temperatura

entre la sección 2

y 3

o

Temperatura en el rehervidor de la columna

Temperatura en el rehervidor de la columna

o

Temperaturas de la alimentación antes y después de la calefacción (

y
y

).

Un programa en Labview (National Instruments, Austin) ha sido desarrollado para controlar los actuadores y registrar las variables.la columna o Temperaturas de la alimentación antes y después de la calefacción ( y )

B.

MÁQUINAS

DE

VECTORES

DE

C.

IDENTIFICACIÓN DE MODELO